基于視覺智能技術的魏家峁露天煤礦矸石破洗運系統

丁建華，張永貴

（北方魏家峁煤電有限責任公司，內蒙古 鄂爾多斯 017000）

傳統的煤矸分選方法使用的設備龐大，工藝復雜，無法嵌入到煤炭破碎環節之前，不能解決煤矸石的無效破碎、洗選、運輸問題。另外，傳統煤矸石分選需要使用大量的水，會對水資源造成污染。但是我國煤炭資源儲量豐富的地區水資源短缺，特別是晉、陜、蒙、寧地區，水資源僅占全國的2.6%，嚴重制約著煤炭資源的開發利用，而基于機器視覺的預排矸技術可以有效解決傳統方法存在的問題，是一種清潔的煤矸分選方法，其特點在于識別的方式為非接觸式測量、普適性高、發展迅速等。無論從環保角度，還是經濟效益出發，基于機器視覺的預排矸技術的研究都顯得極為超前。

1 視覺智能選矸技術現狀

現階段，煤矸圖像識別的研究是以人工設計的能夠體現煤矸差異的圖像特征（如煤矸圖像灰度值、紋理等）為前提，利用圖像處理和模式識別技術對煤和矸石圖像進行處理，基于支持向量機（Support Vector Machine，SVM）[1]或人工神經網絡（Artificial Neural Network，ANN）[2]等機器學習算法建立模型對煤矸石進行識別。所涉及的圖像特征主要基于煤矸的顏色差異[3]、紋理特征差異[4]、幾何輪廓差異以及煤矸圖像的頻域差異。但是顏色差異容易受到圖像采集時光照條件的影響，所以研究的量化結果很不穩定[5]。紋理特征易受到煤矸表面附著物干擾，且上述相關值與人類視覺模型脫節，缺少全局信息的利用，難以研究紋理尺度間像素的遺傳或依賴關系。幾何輪廓相較于其他特征，雖然較為穩定可靠，但研究僅在單個目標中開展，若多個目標出現接觸或輕微覆蓋，則幾何輪廓難以準確刻畫，因此該方法的應用受到了制約。通過傅里葉變換或小波變換的頻域處理對圖像的分辨率要求較高，處理難度較大[6]。部分學者利用圖像處理與三維激光掃描測量煤矸體積并計算密度，進而完成煤矸識別[7]。但該方法的難點是實際生產環節中難以精準測量帶式輸送機上的煤矸質量，同時體積測量結果也會存在誤差。綜觀來看，現階段煤矸圖像識別研究中，識別模型的識別準確率高但可移植性弱、方法的普適性不高，硬件難以實現，研究成果轉化率低。

目前，深度學習是近年來人工智能領域取得的重大突破，引入深度卷積神經網絡進行煤矸識別，可以有效地提取圖像特征。通過調整卷積神經網絡LeNet-5 中的結構層次建立了煤矸識別模型，可以提升LeNet-5 模型對煤矸圖像的識別效果，但沒有研究樣本集的代表性，識別模型的泛化能力有待驗證[8]。利用卷積神經網絡（CNN）對煤和煤矸石圖像進行識別，基于VGG16 模型實現煤和煤矸石的分離。實驗結果表明可以提供快速、可靠的煤/煤矸石識別；以多尺度的煤矸石圖像特征集為基礎，利用CG-RPN 網絡確定圖像中目標對象的候選區域，以卷積神經網絡（CNNs）方法識別候選區煤矸石目標。利用全卷積神經網絡（U-Net）對短紅外原煤圖像進行分割。利用卷積神經網絡的計算機視覺技術對礦石紋理進行了定量分析。以上研究表明使用深度學習框架提取的特征明顯優于其他傳統方法，基于卷積神經網絡的煤矸圖像識別是可行的[9]。

2 視覺智能選矸系統

視覺智能選矸系統前置于破碎站，包含給料系統、煤矸石分揀系統、煤矸石外排系統、塊煤分級篩選系統及整套控制系統。

給料系統示意圖如圖1。給料系統由驅動電機、輸送膠帶、計量裝置、控制單元等組成。拉煤車將原煤卸到卸煤斗中，卸煤斗中的原煤進入到給料系統后，通過驅動電機來驅動輸送膠帶，通過輸送皮帶將原煤運送到煤矸石分揀系統中。給料系統中裝設有原煤計量平臺，將稱重傳感器測得的數據送到煤量控制單元中，同時速度傳感器將電機的轉速信號送到控制單元中，控制單元經過計算可以得到給煤系統的瞬時煤量和累計煤量，并且可以通過控制給煤機驅動電機的轉速速度來控制給料系統的給煤量，從而達到控制整個系統的出力負荷。

圖1 給料系統示意圖

矸石分揀系統示意圖如圖2。煤矸石分揀系統由輸送帶、攝像機、數據采集裝置、計算機、識別控制裝置、分揀機構組成。當給料系統輸送過來的原煤和矸石在帶式輸送機上運輸時，通過攝像機采集輸送帶上的物料影像，通過數據采集送到計算機中，計算機通過比對數據庫中的矸石影像圖片，從而來判斷物料中哪些是原煤，哪些是矸石。計算機將判斷結果通過控制輸送帶的前進速度，同時控制分揀機構將原煤和矸石分揀開，并通過不同的排料口將原煤送到塊煤分級篩選系統，將矸石送到矸石外排系統中。

圖2 矸石分揀系統示意圖

矸石外排系統由矸石斗和氣動控制閥組成，并裝有矸石料位監測裝置。矸石斗中的矸石通過氣動控制閥的開關將矸石排到卡車上運至排矸場填埋，矸石料位監測裝置可以進行矸石料位高低的報警并聯鎖控制閥，實現預警和自動排矸功能，從而降低勞動強度。

塊煤分級篩選系統由篩箱、支承彈簧、振動器、電動機、篩網等組成。塊煤分級篩選系統通過電機驅動振動器，振動器帶動篩網振動，原煤在篩箱經過振動后，規格較小的（粒徑<300 mm）的塊煤通過篩網落到了出料口，經過帶式輸送機輸送至下游洗煤廠，規格較大的塊煤（粒徑>300 mm）則通過另外出料口經過帶式輸送機送到破碎機原煤斗進行破碎，破碎機將原煤破碎為直徑小于300 mm 的塊煤，通過帶式輸送機輸送至下游洗煤廠。

整套系統進行電腦PLC 自動控制，其中通過邏輯編程實現整套設備的合理運行。PLC 控制系統包括信號采集、中央處理器、電源系統、指令輸出、顯示系統等部分組成。整個系統中的給煤量信號、輸送帶電機轉速、電機的電流、閥門的位置反饋、矸石斗的料位信號、報警信號等都接入PLC 控制系統中，為整個系統的合理運行、聯鎖提供依據。給料系統的給煤量信號通過判斷破碎機設備的處理能力、煤塊分級篩選系統的設備情況及處理能力、煤矸石分揀系統的設備情況及處理能力，自動控制煤車的卸煤量，保證設備能合理的處理完各個煤斗中的原煤，既不空斗又不滿斗。同時整個PLC 控制系統設置完善的聯鎖保護和計量裝置，當設備有異常情況時，及時聯鎖跳閘相關設備，保證整個系統設備的安全和可控。整個系統也允許值班人員進行手動控制設備，以便于異常情況或事故的處理。

3 應用效果

魏家峁露天煤礦礦田面積52.593 2 km2，資源總儲量9.77 億t，可采儲量8.14 億t，煤層平均厚度為12.89 m，生產能力600 萬t/a，首采區平均含矸率為16.45%，每年排出矸石約100 萬t。露天煤礦采煤采用單斗-卡車-半固定破碎站半連續系統，煤炭破碎后經選煤廠洗選，部分煤用于魏家峁電廠，剩余用于銷售，矸石由洗煤廠通過卡車運回內排土場。

露天煤礦所有原煤直接經過破碎機進行破碎，無法區分原煤和煤矸石，破碎至一定規格（例如小于300 mm），同時對于直徑小于300 mm 的原煤也一并進行了破碎處理，這樣加重了破碎機的磨損和電耗，同時也加快了設備的更換，一定程度上造成了資金的浪費。系統將破碎后的原煤通過帶式輸送機輸送至洗煤廠進行洗選，在洗煤廠先進行煤矸石的篩選，篩選出來的煤矸石汽車運回礦區進行填埋，造成額外的運輸費用，除去煤矸石后的原煤進行洗選。

在破碎環節之前，安設視覺智能選矸設備進行矸石分選。視覺智能選矸設備識別率達到80%，即每年通過視覺智能選矸設備可分選出80 萬t 煤矸石。根據魏家峁露天煤礦生產運行統計，煤矸石破碎成本0.7 元/t。根據魏家峁露天煤礦洗選、運送矸石服務合同，選煤廠洗選煤炭成本2.98 元/t，運輸矸石成本為4 元/t。運用視覺智能選矸設備每年可節省破洗運成本614 萬元，具有非常可觀的經濟效益。

4 結語

基于智能選矸技術減小了破洗運環節的成本，無論從環保角度，還是經濟效益出發，都是一種有益的嘗試。應用于魏家峁露天煤礦，每年降低破洗運成本614 萬元，所采用的研究方法及所得出的結論對類似礦山有重要的理論指導意義及實踐應用價值。