基于深度视觉感知和自适应控制的高硫低阶煤炭的干法选矿与品质提升

《Fuel》：Dry beneficiation and quality upgrading of high-sulfur low-rank coal based on deep visual perception and adaptive control

　　余晓东|罗振福
华北科技大学矿业工程学院，063210 唐山市，中国

**摘要**
低等级、高硫含量的煤炭资源丰富，是确保国家能源安全的重要基础。复合干法分离床提供了一种有效的方法，用于去除高硫和高灰分等无机矿物杂质，从而促进煤炭的清洁利用。本研究旨在解决复合干法分离床中煤炭和矸石颗粒实时精确识别的问题，其中密集堆积的颗粒和复杂的纹理阻碍了准确识别。为克服这一限制，提出了一种改进的文本感知模型——纹理感知YOLOv13（TA-YOLOv13）。TA-YOLOv13架构整合了先进的模块，包括第二代卷积神经网络架构ConvNextV2、高效特征表示网络（EfficentRep）和全维度动态卷积（ODConv）等，这些模块增强了特征提取、多尺度融合和模型的适应性。实验结果显示，在测试数据集上，TA-YOLOv13的精确度达到97.89%，召回率为97.91%，mAP0.5为98.94%。与基线模型相比，整体性能指标mAP0.5提高了15.5%。热图可视化进一步验证了该模型在复杂分选条件下有效捕捉煤炭和矸石之间细微纹理差异的能力。此外，基于所提出的视觉感知模型建立了一个智能闭环反馈控制系统，通过模糊PID控制器动态调节关键操作参数，如气流速率、振动幅度和频率。在最佳参数组合（频率24–26 Hz、幅度2.2–2.6 mm、气流速度1.80–2.20 m/s）下，低等级高硫煤的智能干法分离效果显著：清洁煤的污染率低于2%，清洁煤的损失率低于4%，清洁煤的产量达到70.02%，灰分含量为9.36%，硫含量为0.98%。矸石的产量为29.98%，灰分含量为49.08%，硫含量为9.92%。在床层中观察到硫和灰分含量的明显梯度分布，分离精度由Ep = 0.055 g/cm3表示。总体而言，所提出的方法通过精确感知、智能决策和优化过程控制的协同整合，实现了低等级高硫煤的清洁、高效和高价值升级。

**引言**
能源是现代社会生存和发展的基石，也是国家经济进步的核心驱动力。根据《2025年世界能源统计年鉴》，2024年标志着全球能源行业的战略转折点，因为全球能源体系出现了深刻矛盾。化石燃料的消费持续上升，中国的煤炭需求超过了其他所有地区的总和[1]。2024年，全球煤炭产量达到92.4亿吨，同比增长0.8%，其中中国的产量为47.8亿吨，增长了1.2%。显然，在未来相当长的一段时间内，煤炭将继续在全球能源结构中扮演“压舱石”和“稳定器”的关键角色。煤炭具有广泛的应用，主要应用于发电、冶金、化工和国内供暖。然而，未经分选的原始煤炭（尤其是低等级、高灰分和高硫含量的煤炭）的直接燃烧会带来严重的环境和运营风险[2]。燃烧过程会释放大量SO2、NOx、颗粒物和重金属，导致酸雨、雾霾和其他大气污染物。高灰分煤炭还会在锅炉中引发结渣和磨损，从而增加运营成本。此外，其低燃烧效率增加了单位能源的碳排放强度，阻碍了节能减排和实现“双碳”目标。相比之下，煤炭分选可以显著降低灰分和硫含量，减少污染物排放，并促进煤炭资源的清洁高效利用[3]、[4]。

煤炭分选技术通常分为湿法工艺和干法工艺。常用的技术包括重介质分离、浮选、重力分离和干法分选。重介质分离具有高分离精度和强大的处理能力，适用于中粗颗粒；然而，它涉及复杂的系统和大量的水消耗，且浆料处理过程繁琐[5]、[6]。浮选能够实现对细颗粒的精确分离，但需要高昂的试剂成本和大量水。重力分离设备简单，运营成本低，但其分离精度受颗粒大小和流体条件的显著影响[7]、[8]、[9]。低等级煤炭结构不稳定，遇水容易形成泥浆，分选性能较差。此外，中国西北部干旱地区的水资源短缺限制了湿法分选技术的应用[10]。相比之下，干法分选有效缓解了这些问题。目前该领域的研究主要集中在空气桌、空气跳汰机、空气重介质流化床、复合力场分级分离器、差分力场分离器、光电分离、磁电分离和放射性分离等技术[11]、[12]。其中，空气桌、空气跳汰机、复合力场分级分离器和差分力场分离器的分离密度低且难以控制，导致精度有限。空气重介质流化床精度较高，但对表面水分非常敏感；当外部水分含量超过5%时，分离性能急剧下降。同时，光电、磁电和放射性分离技术在处理小于20 mm的煤炭颗粒时仍面临重大挑战[13]、[14]。

复合干法分离床通过振动和气流的协同作用实现颗粒的基于密度的分离。然而，这一过程具有多变量耦合和非线性动态特性，容易受到床层条件、材料性质和操作参数的干扰。在分离过程中实时精确识别和定位煤炭和矸石颗粒可以为参数优化提供重要反馈，从而提高整体分离性能[15]、[16]。实现分离过程智能调节的关键在于对床层材料的准确实时视觉感知。

近年来，随着计算机视觉和人工智能技术的快速发展，基于深度学习的视觉检测方法为工业过程的实时监控和智能控制开辟了新的途径。YOLO系列算法作为单阶段目标检测的典范，在工业视觉领域展示了巨大的潜力，因为它们具有出色的检测速度和精度。然而，现有的视觉检测方法主要是为传统的工业场景设计的，缺乏针对复合干法分离床独特操作条件的针对性优化。具体来说，干法分离床存在颗粒堆积密集、颗粒粘附、粉尘干扰严重和照明条件不稳定等复杂因素。在这种情况下，通用检测模型容易漏检和误报，尤其是在区分具有相似表面特征的煤炭和矸石时。此外，传统YOLO模型使用的特征金字塔架构在处理尺寸变化极大的煤炭和矸石颗粒（从2 mm的细粉到超过200 mm的大块）时，检测精度不足。固定的卷积核大小也无法适应不同大小和形态的煤炭和矸石颗粒的特征变化。

针对这些挑战，本研究提出了一种改进的文本感知模型TA-YOLOv13，通过三个主要创新模块实现了技术突破。首先，引入ConvNextV2模块以增强对煤炭和矸石表面细微纹理差异的特征提取能力，有效解决了复杂操作条件下的识别难题。其次，集成EfficentRep模块以实现更高效的多尺度特征融合，显著提高了小目标（像素面积<32×32）的检测精度。第三，ODConv（全维度动态卷积）模块使模型能够根据输入特征自适应调整卷积核参数，从而增强对不同煤类型和颗粒大小分布的泛化能力。在实现精确视觉识别基础上，进一步建立了智能闭环反馈控制系统。传统的分离床控制主要依靠PID控制器或人工经验来独立调节气流速率、振动幅度和频率，忽略了这三个参数之间的强耦合关系。例如，简单地增加气流可能会同时改善矸石的沉降并加剧清洁煤的损失。为解决这一问题，本研究首次引入了用于干法分离床的多输入模糊PID控制器，使用两个冲突指标——清洁煤污染程度和清洁煤损失率——作为输入，通过模糊推理规则实现气流速率、幅度和频率的协同优化。该系统基于错位量化建立了反馈机制：当清洁煤区域中的矸石含量超过阈值时，生成“增加气流速率”或“优化幅度/频率以促进矸石迁移”的命令；当矸石区域中的煤含量超过阈值时，生成“降低气流速率”或“调整振动参数以减少清洁煤损失”的命令。从“人工经验”到“知识自动化”的决策范式转变，以及从“开环设置”到“闭环适应”的控制架构创新，使系统能够根据床层条件的实时变化动态调整[17]、[18]、[19]。因此，针对复合干法分离床的智能视觉感知和控制系统研究对于优化操作参数、提高分离精度和推进清洁煤分选技术的智能发展至关重要[20]、[21]。

本研究旨在克服25–13 mm低等级高硫煤复合干法分选过程中精确识别和智能调节的技术瓶颈。提出了一种基于改进的TA-YOLOv13算法和模糊PID控制的智能分选系统。通过结合多尺度文本感知模块和边缘增强机制，构建了一个“感知-分析-调节”智能闭环控制系统，其中识别结果作为反馈信号，实现分离参数的自动优化和动态调整。这项工作为低等级高硫煤的智能、高效和清洁干法升级提供了理论和技术支持。

**方法**
为了解决复合干法分离床中煤炭和矸石颗粒实时识别和检测的挑战，YOLO算法因其内在的实时性能优势而为过程监控提供了可行的技术基础。然而，颗粒分布密集、形态多样、纹理复杂以及煤炭和矸石颗粒之间的频繁遮挡阻碍了模型的特征提取能力和多尺度融合效率。

**实验系统和数据集构建**
复合干法分离床在振动和气流的协同作用下实现物料松散和分层。考虑到实际分离条件的复杂性，分离床运行固定时间15秒后停止，以便床层稳定后再进行图像采集。随后，捕获床表面的煤炭和矸石样本，构建复合干法分离床的数据集。

**结论**
本研究采用了复合干法分离床对25–13 mm低等级高硫煤进行分选，并全面分析了TA-YOLOv13目标检测模型及其改进模块的性能。系统地研究了检测指标、特征热图、颗粒识别精度、智能控制反馈和硫-灰分分布特性。主要结论如下：

**CRediT作者贡献声明**
余晓东：撰写–审稿与编辑、撰写–初稿、资金获取、形式分析、数据管理。罗振福：概念构思。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

**致谢**
本研究得到了河北省自然科学基金（E2025209056）的支持。我要衷心感谢我的导师罗振福教授，他向我传授了持续的科学研究理念。