交叉筛透筛率影响因素及其智能预测模型
赵啦啦1
徐峰2
段晨龙3
郭辰昊2
汪维2
江海深3
乔金鹏3
1.中国矿业大学机电工程学院,江苏 徐州 221116;智能采矿装备技术全国重点实验室,江苏 徐州 2211162.中国矿业大学机电工程学院,江苏 徐州 2211163.智能采矿装备技术全国重点实验室,江苏 徐州 221116;中国矿业大学化工学院,江苏 徐州 221116
摘要：湿黏细粒原煤的干法深度筛分是实现煤炭高效洁净利用的关键技术之一.交叉式细粒滚轴筛(交叉筛)是一种新型干法深度筛分设备,有效解决了传统干法筛分设备易出现"筛面堵孔"等问题.针对筛分过程的数学模型和DEM(Discrete Element Method)模型均存在难以准确预测实际筛分性能的问题,基于机器学习方法对交叉筛的透筛率智能预测模型进行了研究.利用斯皮尔曼相关系数矩阵热力图分析了给料率、外水含量、筛面倾角和筛轴转速 4个特征变量与透筛率之间及各特征之间的相关性,分别基于线性回归(Linear Regression,LR)、支持向量机(Support Vector Ma-chine,SVM)、决策树(Decision Tree,DT)和随机森林(Random Forest,RF)算法建立了 4种交叉筛透筛率智能预测模型,并结合粒子群算法(Particle Swarm Optimization,PSO)对支持向量机、决策树及随机森林 3种模型进行超参数组合优化,得到模型的最佳参数组合并提高了模型的预测性能和泛化能力.利用拟合决定系数R2(Coefficient of Determination)、均方误差EMS(Mean Square Er-ror)和平均绝对误差EMA(Mean Absolute Error)3个评价指标,比较了各模型的预测性能.其中,PSO-SVM预测模型性能最好,对数据的拟合能力最强,其评价指标R2 达到了 0.976 1,且预测的结果与实际值的误差最小,相应的评价指标EMS和EMA分别为 3.110×10-4 和 1.353×10-2.LR模型的预测性能最差,其评价指标R2 仅为 0.722 2,且预测的结果与实际值的误差最大,EMS和EMA分别为 1.320×10-3 和 3.137×10-2.此外,相比于LR模型,添加L1 和L2 正则化获得的模型预测准确率分别提高了 20.26%和 4.43%.研究结果为建立交叉筛的透筛率机器学习智能预测模型提供了参考,为分析交叉筛的特征变量对透筛率的影响机理提供了新方法,为实现交叉筛的智能化控制及结构优化提供了理论依据.
关键词：交叉筛透筛率机器学习预测模型粒子群算法
分类号：TD452(矿山机械)
资助基金：国家自然科学基金(52125403)国家自然科学基金(52075535)国家自然科学基金(52261135540)
论文发表日期：2025-07-31
在线出版日期：2025-08-22（本平台首次上网日期，不代表文献的发表时间）
页数：12( 3617-3628 )
英文信息