煤炭学报

作者：赵啦啦, 徐峰, 段晨龙, 郭辰昊, 汪维, 江海深, 乔金鹏,

关键词：交叉筛, 透筛率, 机器学习, 预测模型, 粒子群算法,

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 Machine, 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 Error)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。

来源：2025年第7期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2025年第7期