亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于數(shù)據(jù)生命周期的煤泥浮選智能控制技術(shù)研究進(jìn)展

        2024-02-22 05:27:50周長春溫智平周脈強(qiáng)
        潔凈煤技術(shù) 2024年1期
        關(guān)鍵詞:精煤煤泥灰分

        周長春,溫智平,周脈強(qiáng),徐 舸

        (中國礦業(yè)大學(xué) 化工學(xué)院,江蘇 徐州 221116)

        0 引 言

        煤炭行業(yè)作為全球能源結(jié)構(gòu)的重要組成部分,其副產(chǎn)品煤泥的處理和利用一直是關(guān)注焦點(diǎn)。煤泥通常由煤炭加工過程中產(chǎn)生的細(xì)粒煤組成,顆粒細(xì)小、含水量高難以實(shí)現(xiàn)有效分離和利用。隨著煤炭加工快速發(fā)展,煤泥產(chǎn)量顯著上升。我國煤泥產(chǎn)量近年來不斷增加,預(yù)計(jì)未來產(chǎn)量保持穩(wěn)定增長態(tài)勢(shì)。盡管煤泥具有一定熱值,但其直接利用受到限制,主要由于其高含水量和細(xì)粒度導(dǎo)致燃燒效率低下。因此,作為煤泥有效處理的浮選環(huán)節(jié)是提高資源利用率的關(guān)鍵。

        浮選是一種基于細(xì)粒礦物表面物理化學(xué)性質(zhì)差異從混合礦物體系中分離出目的礦物的選礦技術(shù)[1],廣泛用于細(xì)粒精煤產(chǎn)品回收[2],已基本成熟。煤泥浮選技術(shù)有3個(gè)關(guān)鍵的技術(shù)領(lǐng)域:① 煤泥主要由細(xì)顆粒組成,優(yōu)化粒度分布方法包括通過預(yù)處理步驟如篩分和離心分離去除極細(xì)顆粒,從而提高浮選效率。同時(shí),微泡浮選技術(shù)作為一種創(chuàng)新手段,通過生成極小氣泡提高細(xì)?;厥章?顯著提升浮選過程的整體效率。② 考慮到傳統(tǒng)浮選過程中使用的化學(xué)藥劑對(duì)環(huán)境的負(fù)面影響,正積極尋找更高效、環(huán)保的替代品,如生物基表面活性劑,以減少環(huán)境污染并改進(jìn)浮選性能。③ 人工智能技術(shù)的應(yīng)用可提高浮選效率,降低人工成本。利用先進(jìn)的傳感器和數(shù)據(jù)分析工具,可以實(shí)現(xiàn)對(duì)浮選過程的實(shí)時(shí)監(jiān)控和調(diào)整,優(yōu)化處理效果,同時(shí)減少藥劑消耗和精煤浪費(fèi)。隨著這些技術(shù)進(jìn)一步成熟和應(yīng)用,煤泥浮選處理和回收預(yù)期更加高效、環(huán)保和經(jīng)濟(jì)。但從工業(yè)生產(chǎn)與管理角度發(fā)現(xiàn),當(dāng)前煤泥浮選工藝系統(tǒng)生產(chǎn)過程粗糙、物料損耗嚴(yán)重、工作環(huán)境惡劣。針對(duì)上述問題,學(xué)者從指標(biāo)預(yù)測[3]、過程變量監(jiān)測[4]、藥劑添加控制和系統(tǒng)優(yōu)化[5-6]等角度開展系列研究,以期建成煤泥浮選輔助決策控制系統(tǒng),提升煤炭資源清潔利用效率,助力選煤廠智能化建設(shè)。

        影響煤泥浮選效果變量主要包含入料流量、入料濃度、充氣量、電機(jī)轉(zhuǎn)速、起泡劑與捕收劑添加量、入料粒度、泡沫表層特性、礦漿性質(zhì)、入料灰分、精煤灰分、尾礦灰分、補(bǔ)加水量等[7-8]。另一方面,實(shí)現(xiàn)煤泥浮選系統(tǒng)控制無需納入所有過程變量,如礦漿性質(zhì)中pH、Eh和電導(dǎo)率等變量不適用浮選系統(tǒng)宏觀控制研究[9]。早期浮選過程控制模型研究始于20世紀(jì),多采用經(jīng)驗(yàn)方程和動(dòng)力學(xué)模型,其中經(jīng)驗(yàn)方程用來預(yù)測浮選生產(chǎn)指標(biāo),動(dòng)力學(xué)模型著重研究浮選速率常數(shù)與浮選藥劑用量的關(guān)系[10]。隨后,有學(xué)者在浮選精煤/尾煤灰分在線預(yù)測取得突破,研究發(fā)現(xiàn)浮選泡沫/尾礦圖像的視覺特性能間接反饋浮選精煤/尾煤灰分變化[11],使煤泥浮選系統(tǒng)有望形成控制閉環(huán)。但目前煤泥浮選控制系統(tǒng)中涉及的控制算法魯棒性較低,通常是為特定浮選工藝或特定煤質(zhì)設(shè)計(jì)開發(fā),不具備普遍性。此外,復(fù)雜的動(dòng)力學(xué)模型和部分機(jī)器學(xué)習(xí)模型無法直接部署在工業(yè)現(xiàn)有硬件上,模型在變量邊界區(qū)間預(yù)測誤差較大,同時(shí),煤泥浮選指標(biāo)檢測精度不夠,使許多現(xiàn)有浮選過程控制系統(tǒng)無法達(dá)到令人滿意的控制效果。

        近年來,各工業(yè)強(qiáng)國十分關(guān)注人工智能技術(shù)。我國政府于2015年5月印發(fā)《中國制造2025》對(duì)標(biāo)德國的“工業(yè)4.0”,旨在加速完成工業(yè)化進(jìn)程[12]。美國于2020年提出《國家人工智能計(jì)劃》,確保其在航空航天等眾多領(lǐng)域人工智能研究的優(yōu)勢(shì)地位[13]。歐盟于2021年頒布《人工智能白皮書》,旨在重點(diǎn)工業(yè)領(lǐng)域大力發(fā)展人工智能[14]。2017年7月,國務(wù)院繼續(xù)發(fā)布《新一代人工智能發(fā)展規(guī)劃》,在國家層面明確提出到2030年使中國人工智能技術(shù)達(dá)到世界領(lǐng)先水平[15]。此外,國家部委針對(duì)礦業(yè)發(fā)展頒布了一系列文件以推進(jìn)智能礦山建設(shè)的發(fā)展,其中煤礦智能化建設(shè)受到國家相關(guān)部門高度重視。2020年2月,國家發(fā)改委和能源局等八部委聯(lián)合印發(fā)《關(guān)于加快煤礦智能化發(fā)展的指導(dǎo)意見》,明確提出煤礦智能化的發(fā)展原則、目標(biāo)、任務(wù)和保障措施,為我國煤礦智能化發(fā)展指明方向[16]。2020年9月,國家能源局、應(yīng)急管理部和安監(jiān)局在山東兗礦召開全國煤礦智能化推進(jìn)會(huì),再次強(qiáng)調(diào)煤礦智能化是必由之路。2020年10月,中國煤炭加工利用協(xié)會(huì)發(fā)布《智能化選煤廠建設(shè)通用技術(shù)規(guī)范》團(tuán)體標(biāo)準(zhǔn),定義煤炭分選加工和煤質(zhì)管理智能化建設(shè)的技術(shù)標(biāo)準(zhǔn)[17]。隨后,國家能源局和安監(jiān)局接連印發(fā)《煤礦智能化建設(shè)指南(2021版)和(2022版)》,為多種類型、不同模式下煤炭“采”“掘”“選”環(huán)節(jié)的智能化建設(shè)提供指導(dǎo)意見[18]。

        煤泥浮選智能化建設(shè)是選煤廠智能化建設(shè)的重點(diǎn)和難點(diǎn),受政策牽引、技術(shù)驅(qū)動(dòng)和工業(yè)亟需等多方面原因推動(dòng),目前已有大量研究人員對(duì)煤泥浮選智能控制技術(shù)開展研究[19-21]。新一代人工智能技術(shù)作為新科技革命的核心,能將人工智能思想、模型、煤泥浮選過程控制因子與浮選知識(shí)相融合,利用浮選過程中大量視覺、數(shù)字和經(jīng)驗(yàn)數(shù)據(jù),構(gòu)建機(jī)器學(xué)習(xí)模型、智能推理和決策機(jī)制,在煤泥浮選指標(biāo)預(yù)測、藥劑添加建模、過程變量監(jiān)測控制等方面實(shí)現(xiàn)智能預(yù)測調(diào)控[22-25]。因此,未來基于新一代人工智能技術(shù)解決煤泥浮選系統(tǒng)智能控制問題是選煤廠智能化建設(shè)的核心問題之一。

        綜上所述,當(dāng)前煤泥浮選技術(shù)主要難點(diǎn):① 浮選精煤灰分在線預(yù)測難度大,其中單一的視覺特征信息不足以提供可靠的預(yù)測。相比之下,尾礦灰分的預(yù)測技術(shù)更成熟和可靠。② 浮選藥劑添加量的調(diào)控復(fù)雜,藥劑添加量受到多個(gè)過程變量的影響,使其調(diào)控變得復(fù)雜。模型在整個(gè)工況區(qū)間的自適應(yīng)性和泛化能力需進(jìn)一步提升。③ 智能控制技術(shù)的局限性,浮選工業(yè)系統(tǒng)的智能控制技術(shù)發(fā)展受限于多個(gè)因素,包括灰分預(yù)測精度、傳感器檢測精度及藥劑添加精準(zhǔn)度。這些限制因素影響了整個(gè)浮選過程的效率和效果。因此,筆者基于數(shù)據(jù)生命周期的煤泥浮選智能控制技術(shù),從浮選精煤/尾煤灰分在線預(yù)測、浮選藥劑智能添加和煤泥浮選系統(tǒng)智能決策3個(gè)角度展開綜述。

        1 浮選數(shù)據(jù)生命周期與智能控制技術(shù)概述

        隨著工業(yè)大數(shù)據(jù)、互聯(lián)網(wǎng)、建模技術(shù)和硬件計(jì)算單元不斷迭代發(fā)展,浮選工藝系統(tǒng)全過程數(shù)據(jù)挖掘、系統(tǒng)數(shù)據(jù)全生命周期、系統(tǒng)數(shù)據(jù)云計(jì)算處理成為可能[26]。大數(shù)據(jù)的處理和分析是一個(gè)多學(xué)科問題,包括統(tǒng)計(jì)學(xué)、數(shù)據(jù)挖掘、建模預(yù)測、數(shù)據(jù)科學(xué)、數(shù)據(jù)分析、知識(shí)學(xué)習(xí)等多個(gè)領(lǐng)域[27-28]。

        煤泥浮選系統(tǒng)數(shù)據(jù)庫是煤炭分選大數(shù)據(jù)的關(guān)鍵組成部分,分選指標(biāo)受眾多過程變量影響。合理有序的歸類和預(yù)處理可提升煤泥浮選過程變量數(shù)據(jù)庫的利用效率,趙曉紅等[29]將影響煤泥浮選系統(tǒng)智能控制的變量按照屬性劃分為擾動(dòng)變量、操縱變量、狀態(tài)變量和控制變量,其中擾動(dòng)變量是不能被直接修改和控制的變量,或在某些特定情況下可被檢測的變量;操縱變量是可以改變浮選系統(tǒng)控制狀態(tài)的變量;狀態(tài)變量是浮選系統(tǒng)控制模型內(nèi)部定義的變量;控制變量包括浮選指標(biāo)或系統(tǒng)控制的目標(biāo)變量。

        在浮選原生數(shù)據(jù)集基礎(chǔ)上進(jìn)行自動(dòng)或半自動(dòng)探索分析,發(fā)現(xiàn)控制決策機(jī)制的模式或規(guī)律是浮選系統(tǒng)數(shù)據(jù)分析的第1步——數(shù)據(jù)挖掘[30]。結(jié)合原生數(shù)據(jù)組建浮選系統(tǒng)數(shù)據(jù)庫是浮選系統(tǒng)智能控制的必要條件,在此基礎(chǔ)上大數(shù)據(jù)分析交叉各學(xué)科領(lǐng)域特點(diǎn),形成浮選系統(tǒng)數(shù)據(jù)多學(xué)科研究分析模式,浮選系統(tǒng)數(shù)據(jù)多學(xué)科研究分布如圖1所示。作為浮選系統(tǒng)智能控制的核心技術(shù),模式識(shí)別和機(jī)器學(xué)習(xí)解決了浮選系統(tǒng)中多個(gè)非線性離散關(guān)系模型的建立,浮選系統(tǒng)數(shù)據(jù)生命周期研究能建立浮選系統(tǒng)智能管理模式,與前二者共同組成煤泥浮選智能控制系統(tǒng)。

        圖1 煤泥浮選數(shù)據(jù)多學(xué)科研究分布

        浮選系統(tǒng)數(shù)據(jù)生命周期是基于大數(shù)據(jù)、互聯(lián)網(wǎng)和人工智能技術(shù)實(shí)現(xiàn)煤泥浮選系統(tǒng)智能化控制的基礎(chǔ),浮選系統(tǒng)數(shù)據(jù)生命周期與系統(tǒng)智能控制關(guān)系如圖2所示。筆者從浮選系統(tǒng)智能化建設(shè)角度出發(fā),將浮選系統(tǒng)數(shù)據(jù)生命周期劃分為預(yù)處理、建模和應(yīng)用分析3個(gè)主要模塊。首先,經(jīng)過數(shù)據(jù)挖掘組建煤泥浮選系統(tǒng)數(shù)據(jù)庫,對(duì)于初始浮選系統(tǒng)數(shù)據(jù)利用自適應(yīng)預(yù)處理方法進(jìn)行規(guī)范化表征,為后續(xù)建模提供高質(zhì)量的輸入數(shù)據(jù),預(yù)處理過程可概括為插補(bǔ)降噪、多模態(tài)融合、高維異構(gòu)融合、數(shù)據(jù)降噪和增強(qiáng)5部分;其次,第2個(gè)關(guān)鍵環(huán)節(jié)為浮選系統(tǒng)過程建模,根據(jù)目標(biāo)任務(wù)提取核心特征數(shù)據(jù),基于機(jī)器學(xué)習(xí)中匹配度較高的建模策略,建立浮選系統(tǒng)過程控制模型,為后續(xù)工業(yè)應(yīng)用提供模型基礎(chǔ);最后,結(jié)合煤泥浮選系統(tǒng)智能控制需求,面向?qū)嶋H問題建立工業(yè)應(yīng)用模型及分析,包含指標(biāo)在線預(yù)測、藥劑智能添加、過程變量調(diào)控和故障診斷分析。

        圖2 煤泥浮選系統(tǒng)數(shù)據(jù)生命周期與智能控制

        2 煤泥浮選系統(tǒng)智能控制

        以煤泥浮選工藝系統(tǒng)中浮選系統(tǒng)數(shù)據(jù)的生命周期為依據(jù),從浮選精煤/尾煤灰分實(shí)時(shí)在線預(yù)測、浮選藥劑智能添加、煤泥浮選系統(tǒng)智能決策3個(gè)主要環(huán)節(jié)綜述了煤泥浮選工藝系統(tǒng)智能化建設(shè)的研究現(xiàn)狀。

        2.1 浮選精煤/尾煤灰分在線預(yù)測

        精煤/尾煤灰分是度量煤泥浮選效率的關(guān)鍵指標(biāo),對(duì)應(yīng)的煤泥浮選工藝過程中精煤產(chǎn)率、可燃體回收率和浮選完善指標(biāo)等參數(shù)由灰分計(jì)算得到。但目前沒有可靠的工業(yè)灰分實(shí)時(shí)檢測手段,工業(yè)上浮選精煤/尾煤灰分由化驗(yàn)室通過工業(yè)快灰法檢測,延誤了浮選工藝系統(tǒng)最佳調(diào)節(jié)窗口,浮選操作工人主要憑借浮選泡沫/尾煤視覺特征調(diào)整浮選機(jī)過程變量[31]。這種基于經(jīng)驗(yàn)的方法誤差較大,易造成浮選精煤和藥劑損失。此外,浮選精煤/尾煤灰分是實(shí)現(xiàn)煤泥浮選工藝系統(tǒng)控制環(huán)節(jié)中的關(guān)鍵參數(shù),為實(shí)時(shí)在線檢測浮選精煤灰分,學(xué)者進(jìn)行了大量研究[32-34]。浮選精煤/尾煤灰分預(yù)測主流技術(shù)主要有放射性同位素技術(shù)和計(jì)算機(jī)視覺技術(shù)2種技術(shù)路線,放射性同位素技術(shù)受限于環(huán)境保護(hù)和對(duì)人體潛在的危害約束了該方法的應(yīng)用前景,相關(guān)研究較少。相反,計(jì)算機(jī)視覺技術(shù)在環(huán)保和時(shí)效性方面相對(duì)前者有更加出色的表現(xiàn),受到關(guān)注。

        目前,浮選過程灰分在線預(yù)測研究主要集中在浮選精煤,研究人員在浮選泡沫圖像上發(fā)現(xiàn)了眾多與精煤灰分相關(guān)的視覺特征,同時(shí)以擬合浮選泡沫圖像特征和精煤灰分的算法進(jìn)行多次迭代,近年來煤泥浮選精煤灰分預(yù)測研究見表1。浮選尾礦灰分在線預(yù)測研究較少,但進(jìn)展較快。目前,已經(jīng)出現(xiàn)包括中國礦業(yè)大學(xué)、天津美騰科技有限公司在內(nèi)的多個(gè)工業(yè)應(yīng)用成果。將從特征工程、傳統(tǒng)機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)3個(gè)方面綜述選精煤/尾煤灰分在線預(yù)測研究。

        表1 近年來煤泥浮選精煤灰分預(yù)測相關(guān)研究

        2.1.1 特征工程

        提取浮選泡沫/尾礦圖像的視覺特征向量是建立精煤/尾礦灰分預(yù)測模型的關(guān)鍵,特征工程是將特征提取和特征篩選相結(jié)合的過程,其最終目的是挖掘更豐富的泡沫/尾礦圖像特征,將圖像特征維度進(jìn)行變換,剔除冗余特征信息,為預(yù)測模型提取到最佳輸入特征。特征工程中每個(gè)特征提取維度均有可能包含冗余、不相關(guān)的特征信息,降低特征維數(shù)對(duì)特征工程中提取有用信息非常重要,系統(tǒng)提取泡沫圖像的多維特征并選擇適當(dāng)數(shù)量的特征主成分是準(zhǔn)確預(yù)測煤浮選精礦灰分的必要條件。

        常見的浮選泡沫/尾礦圖像特征提取包含氣泡大小、灰度共生矩陣、灰度直方圖、氣泡數(shù)量、破裂率、顏色空間、穩(wěn)定性、承載率和泡沫速度等[47-48]。WEN等[41]將其系統(tǒng)劃分為形態(tài)學(xué)特征、統(tǒng)計(jì)學(xué)特征和顏色空間特征,從圖像處理角度,系統(tǒng)研究了形態(tài)學(xué)特征(3個(gè)特征)、統(tǒng)計(jì)學(xué)特征(灰度直方圖特征(5個(gè)特征)、灰度共生矩陣特征(24個(gè)特征)、統(tǒng)計(jì)建模特征(48個(gè)特征))和色彩空間特征(18個(gè)特征)。該研究中煤泥浮選泡沫圖像特征工程相關(guān)性矩陣[41]如圖3所示,其中形態(tài)學(xué)與灰度的相關(guān)性最強(qiáng)(R=0.66),統(tǒng)計(jì)學(xué)模型特征自相關(guān)顯著,但與灰分相關(guān)性不高,最后基于主成分分析(Principal Component Analysis, PCA)對(duì)特征工程進(jìn)行降維,最優(yōu)均方根誤差(Root Mean Square Error,ERMS)為0.633 1??梢钥闯鱿到y(tǒng)的特征工程具有較好性能,能準(zhǔn)確預(yù)測浮選精礦灰分。但在不同煤質(zhì)或分選工況突變的條件下,當(dāng)前特征工程技術(shù)在浮選精煤灰分工業(yè)預(yù)測上存在明顯不足。

        浮選尾礦圖像傳統(tǒng)特征的提取方法與浮選泡沫圖像方法基本一致,區(qū)別在于沒有浮選尾礦圖像提取形態(tài)學(xué)特征,這主要?dú)w因于浮選尾礦圖像本身平面屬性。高博[49]提取了浮選尾礦圖像的灰度均值、方差、偏度、平衡度、能量、熵、亮斑平均面積和亮斑數(shù)目等8個(gè)圖像的特征值作為軟測量模型的輸入,基于PCA降維后前3個(gè)主元的累計(jì)貢獻(xiàn)率超過95%。王靖千[50]對(duì)比分析不同灰分的黑白圖像和彩色圖像信息,通過分析判斷原圖像中影響圖像特征提取的因素有噪聲和煤顆粒鏡面反射的亮點(diǎn),從RGB顏色空間、YUV顏色空間和HIS顏色空間提取了浮選尾礦圖像的均值特征,結(jié)果發(fā)現(xiàn)特征工程主成分降至5個(gè)維度時(shí)對(duì)尾煤灰分的表達(dá)性最高。ZHANG等[51]研究了尾礦圖像灰度特征與灰分之間相關(guān)性,從灰度直方圖中提取特征值(平均灰度、方差、平滑度、能量和熵),隨灰分增加,平均灰度、方差和平滑度增強(qiáng),能量降低。

        2.1.2 傳統(tǒng)預(yù)測模型

        隨著人工智能技術(shù)的普及,機(jī)器學(xué)習(xí)技術(shù)逐漸成為浮選精煤/尾礦灰分預(yù)測模型研究的主要方法,相較單一圖像特征的相關(guān)性分析,機(jī)器學(xué)習(xí)模型執(zhí)行效率更高,可輸入特征數(shù)據(jù)維度更寬,模型性能更突出。

        在浮選泡沫圖像研究中,神經(jīng)網(wǎng)絡(luò)(Neural Networks,NN)是預(yù)測浮選精煤/尾礦灰分常用的方法,ZHANG等[51]和TANG等[43]基于煤泥浮選泡沫圖像特征選擇BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)預(yù)測浮選精煤灰分,模型的輸出結(jié)果與精煤灰分標(biāo)簽有良好的相關(guān)性。此外,在金屬礦領(lǐng)域,WANG等[52]在鐵浮選中基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測鐵精礦品位,JAHEDSARAVANI等[53-54]基于BP神經(jīng)網(wǎng)絡(luò)研究銅浮選精礦品位預(yù)測。在之后很長一段時(shí)間,人工神經(jīng)網(wǎng)絡(luò)是浮選試驗(yàn)數(shù)據(jù)建模、指標(biāo)預(yù)測的最佳建模方式之一。CAO等[55]和HE等[56]使用基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化和最小二乘支持向量機(jī)(LS-SVM)的統(tǒng)計(jì)模型監(jiān)測浮選過程指標(biāo),結(jié)果表明LS-SVM模型對(duì)于浮選指標(biāo)預(yù)測的結(jié)果優(yōu)于直接使用SVM模型。POPLI等[57]開發(fā)了泡沫浮選的動(dòng)態(tài)模型,以此檢測浮選。WEN等[41]為煤浮選泡沫圖像建立特征工程,基于主成分分析(PCA)與支持向量回歸(SVR)建立煤泥浮選精煤灰分預(yù)測模型,模型在現(xiàn)有數(shù)據(jù)集上具有較好的預(yù)測趨勢(shì),但預(yù)測誤差與工業(yè)應(yīng)用還存在差距。

        傳統(tǒng)機(jī)器學(xué)習(xí)作為煤泥浮選精煤/尾煤灰分建模使用最廣泛的技術(shù)沿用至今,結(jié)合已有研究,模型類型大致劃分為線性回歸(LR)、多元線性回歸(MLR)、神經(jīng)網(wǎng)絡(luò)(NN)、支持向量機(jī)(SVM/SVR)、小波神經(jīng)網(wǎng)絡(luò)(WNN)、決策樹(DT)和隨機(jī)梯度下降(XGBoost)等。煤泥浮選精煤/尾煤灰分預(yù)測傳統(tǒng)機(jī)器學(xué)習(xí)模型的優(yōu)缺點(diǎn)見表2。經(jīng)多次迭代后現(xiàn)有模型的優(yōu)勢(shì)主要表現(xiàn)為適用于非線性數(shù)據(jù)集、具備可解釋性和處理高維度數(shù)據(jù),缺點(diǎn)主要表現(xiàn)在無法自動(dòng)超參數(shù)尋優(yōu)、容易過擬合、泛化能力不高。對(duì)應(yīng)在工業(yè)上表現(xiàn)為模型精度低、模型自適應(yīng)能力低。

        表2 煤泥浮選精煤/尾煤灰分預(yù)測傳統(tǒng)機(jī)器學(xué)習(xí)模型的優(yōu)缺點(diǎn)

        隨機(jī)梯度下降(XGBoost)[62]可解釋性強(qiáng),對(duì)高維數(shù)據(jù)擬合效果明顯,泛化能力較高,參數(shù)不易調(diào)整,輸入特征數(shù)據(jù)要求高,容易過擬合。

        2.1.3 深度學(xué)習(xí)

        深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一個(gè)子集,其結(jié)構(gòu)靈感來自人腦對(duì)信息的處理模式。按照訓(xùn)練方式可將深度學(xué)習(xí)分為監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。與傳統(tǒng)機(jī)器學(xué)習(xí)方式不同,深度學(xué)習(xí)具備從數(shù)據(jù)中自主發(fā)現(xiàn)特征的優(yōu)勢(shì),通過捕捉高維抽象的數(shù)據(jù)特征后進(jìn)行建模。

        HORN等[63]率先將深度學(xué)習(xí)技術(shù)應(yīng)用于視覺監(jiān)測鉑浮選研究,基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同品位的4種鉑浮選泡沫圖像分類,結(jié)果表明深度學(xué)習(xí)模型對(duì)于浮選泡沫圖像的分類效果優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法。郭西進(jìn)等[64]提出一個(gè)7層卷積神經(jīng)網(wǎng)絡(luò)和softmax分類器將白天和夜晚工況下的煤泥浮選泡沫圖像分成良好、合格、不合格3類,模型準(zhǔn)確率在94.01%以上。WANG等[47]提出一種基于圖像序列的兩步工況識(shí)別策略,采用深度學(xué)習(xí)技術(shù)對(duì)銻浮選槽分類準(zhǔn)確率高達(dá)89%。保江等[65]基于Inception V1和ResNet網(wǎng)絡(luò)在銻礦浮選下冒槽、沉槽和正常3種工況進(jìn)行遷移學(xué)習(xí)建模,準(zhǔn)確率達(dá)95.4%。李中美等[66]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)診斷銻浮選過程中正常、過量藥劑、藥劑不足和紊亂4種工況,取得了99.2%的準(zhǔn)確率。FU等[67]利用流行的卷積神經(jīng)網(wǎng)絡(luò)對(duì)砷浮選工況進(jìn)行分類,預(yù)測結(jié)果顯示ResNet網(wǎng)絡(luò)分類效果最佳。在煤泥浮選監(jiān)測和控制方面,相關(guān)研究更少。ZARIE等[68]最近基于卷積神經(jīng)網(wǎng)絡(luò)分類4種不同工況的浮選泡沫圖像,最終準(zhǔn)確率高達(dá)93.1%,結(jié)果表明煤泥浮選精煤灰分受入料性質(zhì)、浮選藥劑、充氣量、浮選機(jī)(柱)型號(hào)等多因素控制,這些參數(shù)改變均會(huì)引發(fā)浮選泡沫表面特征變化。PU等[69]開發(fā)了新的深度學(xué)習(xí)網(wǎng)絡(luò)Flotation Net,通過不同輸入和輸出變量之間的映射關(guān)系創(chuàng)建一個(gè)工業(yè)浮選數(shù)據(jù)集,結(jié)果顯示Flotation Net對(duì)鐵浮選品位預(yù)測非常有效,但對(duì)硅浮選品位預(yù)測略不足。深度學(xué)習(xí)兩步法提取浮選泡沫圖像特征建立灰分模型的一般流程如圖4所示。以CNN(Convolutional Neural Networks)為首的深度學(xué)習(xí)技術(shù)主要集中應(yīng)用在浮選泡沫圖像建模過程中,在浮選尾礦應(yīng)用較少,這可能歸因于浮選尾礦表面一致性較高,可被卷積池化操作提取的特征信息較少。

        圖4 兩步浮選泡沫圖像識(shí)別流程[47]

        在工業(yè)化應(yīng)用方面,浮選精煤灰分預(yù)測建模研究滯后于浮選尾礦,但前者研究數(shù)據(jù)量遠(yuǎn)大于后者,說明浮選泡沫圖像預(yù)測精煤灰分存在更多挑戰(zhàn)。目前,已有成熟的尾礦灰分智能檢測系統(tǒng)應(yīng)用于選煤廠浮選車間,比較成熟的產(chǎn)品包含天津美騰科技股份有限公司的礦漿灰分儀、中國礦業(yè)大學(xué)的尾礦灰分智能檢測系統(tǒng)和江蘇仕能工業(yè)技術(shù)有限公司的礦漿灰分儀。3種產(chǎn)品的工業(yè)案例如圖5所示。

        圖5 當(dāng)前主流的浮選尾礦灰分在線檢測系統(tǒng)

        2.2 浮選藥劑智能添加

        浮選藥劑作為煤泥浮選工藝系統(tǒng)中關(guān)鍵控制點(diǎn)備受關(guān)注。SWAGAT[70]通過工業(yè)試驗(yàn),評(píng)價(jià)了浮選藥劑添加量對(duì)浮選指標(biāo)的影響,建立了浮選藥劑與浮選指標(biāo)之間的二階響應(yīng)模型,得到了藥劑對(duì)應(yīng)工況的預(yù)測設(shè)定值。ZHANG等[71]提出了一種針對(duì)陽離子浮選藥劑添加過程的專家系統(tǒng)最優(yōu)控制方法,解決了復(fù)雜浮選工藝條件下藥劑自動(dòng)調(diào)控問題,控制效果明顯提高。此外,包括煤泥浮選在內(nèi)的眾多礦物浮選工藝系統(tǒng)中,浮選入料流量和礦漿濃度均是建立藥劑添加模型最重要的特征變量。GENG等[72]以浮選入料流量、入料濃度等特征變量作為控制決策的輸入,利用模擬人工經(jīng)驗(yàn)仿真技術(shù)推導(dǎo)出浮選過程中藥劑添加優(yōu)化點(diǎn)和添加量,實(shí)現(xiàn)浮選藥劑添加量對(duì)操作變量的自適應(yīng)變化。CHAI等[73]建立了浮選藥劑與浮選指標(biāo)之間的非線性關(guān)系,提出了一種浮選藥劑反饋調(diào)節(jié)的混優(yōu)方法。上述研究側(cè)重基于模型和在線分析進(jìn)行藥劑進(jìn)料控制,藥劑添加模型的建立主要依靠浮選過程變量作為模型輸入,重點(diǎn)是浮選入料濃度和入料流量。

        研究人員認(rèn)為浮選泡沫圖像的視覺特征同樣能有效反饋浮選藥劑添加量變化,可用于浮選藥劑添加模型的建立。在工業(yè)上,浮選泡沫圖像的視覺特征不僅能直接反饋浮選工況條件變化,也是人工調(diào)整藥劑添加量的依據(jù)。因此,為不斷優(yōu)化浮選過程中藥劑添加控制模型,研究人員將浮選過程變量與浮選泡沫圖像特征相互融合,結(jié)合浮選過程專家知識(shí)和工人經(jīng)驗(yàn)建立浮選藥劑添加控制數(shù)據(jù)集,最后基于機(jī)器學(xué)習(xí)等建模技術(shù)建立浮選藥劑智能添加決策。置信網(wǎng)絡(luò)是一種基于證據(jù)理論、決策理論、模糊理論和傳統(tǒng)if-then規(guī)則庫的基于證據(jù)推理方法(RIMER)的擁塞控制算法(Bottleneck Bandwidth,BRB)。ZOU等[74]提出一種基于BRB的銻粗浮選藥劑進(jìn)給量智能設(shè)定方法,利用浮選過程大量歷史數(shù)據(jù),將浮選工況、泡沫圖像特征與藥劑進(jìn)料之間的關(guān)系歸納為BRB結(jié)構(gòu)策略,通過參數(shù)學(xué)習(xí)模型優(yōu)化BRB參數(shù)。BRB藥劑預(yù)測模型的輸出主過程推導(dǎo)公式為

        (1)

        其中,f為浮選藥劑添加量;μ為BRB評(píng)價(jià)等級(jí)屬性參數(shù);X為置信度等級(jí);U為決策機(jī)制;i為第i條決策;Di為決策模型;βi為模型系數(shù)。在專家規(guī)則庫推導(dǎo)過程中,模型中初始參數(shù)由專家經(jīng)驗(yàn)確定,具有主觀性,無法適應(yīng)情況變化。對(duì)此,YANG等[75]提出不同的BRB專家系統(tǒng)優(yōu)化模型,該藥劑優(yōu)化模型結(jié)構(gòu)如圖6所示。其運(yùn)算機(jī)制主要通過調(diào)整參數(shù)使誤差最小化,并利用最小誤差優(yōu)化下一循環(huán)的參數(shù)。

        圖6 BRB藥劑優(yōu)化模型結(jié)構(gòu)

        煤泥浮選藥劑智能控制研究中,早期研究主要基于煤泥浮選入料濃度和入料流量等參數(shù)建立數(shù)學(xué)模型進(jìn)行預(yù)測,后期研究則主要以專家系統(tǒng)和機(jī)器學(xué)習(xí)模型為主。何勝春等[76]通過研究邢臺(tái)選煤廠浮選工藝過程,使用浮選入料濃度和入料密度信息間接計(jì)算藥劑添加量,實(shí)現(xiàn)浮選加藥的前饋控制。郭西進(jìn)等[77]針對(duì)現(xiàn)有煤泥浮選加藥量預(yù)測模型現(xiàn)場應(yīng)用準(zhǔn)確率低的問題,使用GA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)藥劑添加量進(jìn)行預(yù)測,并使用MIV值評(píng)價(jià)法篩選出對(duì)藥劑添加量影響較大的因素,在此基礎(chǔ)上建立了基于GA-BP神經(jīng)網(wǎng)絡(luò)的加藥預(yù)測模型。李璐等[78]針對(duì)選煤廠中浮選過程藥劑的添加完全由人工操作的問題,設(shè)計(jì)了浮選自動(dòng)加藥專家系統(tǒng),該系統(tǒng)能以浮選入料濃度、浮選入料流量及單位藥劑添加量為基礎(chǔ),自動(dòng)判斷藥劑添加量,并實(shí)現(xiàn)藥劑自動(dòng)添加。溫智平等[79]提出一種分段可解釋的煤浮選智能加藥方法,技術(shù)路線如圖7所示,該方法以入料濃度、流量、充氣量和尾礦灰分為特征變量,以捕收劑加藥量和起泡劑加藥量為目標(biāo)變量,通過樹基模型XGBoost為基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu),建立藥劑用量預(yù)測模型,通過可解釋學(xué)習(xí)框架SHAP計(jì)算煤泥浮選特征變量對(duì)浮選加藥量模型的貢獻(xiàn),通過SHAP均值劃分加藥上下邊界,最終實(shí)現(xiàn)浮選藥劑智能添加。該方法采用分段調(diào)控方式,按照輸入變量區(qū)間劃分不同工況段,以適應(yīng)不同的藥劑添加模型,結(jié)果表明,這種方式能更好適用于煤泥浮選全工況的加藥機(jī)制。

        圖7 一種分段可解釋的煤浮選智能加藥方法[79]

        浮選藥劑添加受選煤廠工藝、浮選設(shè)備壽命、入浮煤質(zhì)等多因素共同影響,現(xiàn)有研究結(jié)果暫無法實(shí)現(xiàn)藥劑添加量的智能決策,未來煤泥浮選藥劑智能添加還有很多問題亟需解決。在以機(jī)器學(xué)習(xí)為主的加藥模型中加入浮選專家的人工決策經(jīng)驗(yàn),通過多區(qū)間、分段控制藥劑添加量的模式可作為未來浮選藥劑實(shí)現(xiàn)智能添加的可行路徑之一。

        2.3 煤泥浮選過程智能決策

        煤泥浮選系統(tǒng)智能決策是實(shí)現(xiàn)煤泥浮選工藝系統(tǒng)智能控制中最關(guān)鍵的一環(huán),當(dāng)前浮選工藝系統(tǒng)主流的智能決策機(jī)制均基于模型預(yù)測控制策略,該機(jī)制一般包含多個(gè)控制模型,模型間相互協(xié)同作用,最終目的是使浮選過程控制的目標(biāo)函數(shù)最小化,使受控變量保持在最佳浮選工況的期望工作值上?;谀P皖A(yù)測控制浮選系統(tǒng)控制策略包含預(yù)測模型、目標(biāo)函數(shù)、控制邏輯等模塊。其中,預(yù)測模型是核心組成部分,直接關(guān)系到主要控制變量的動(dòng)作區(qū)間,此外,預(yù)測模型應(yīng)避免復(fù)雜化,可使浮選工藝系統(tǒng)在盡可能短的時(shí)間內(nèi)對(duì)目標(biāo)變量求解。根據(jù)已有研究,浮選工藝系統(tǒng)常見控制模型可分為經(jīng)驗(yàn)?zāi)P?、?dòng)力學(xué)模型、現(xiàn)象模型、混合模型和機(jī)器學(xué)習(xí)模型[80]。浮選工藝系統(tǒng)智能決策的研究方案如圖8所示。

        圖8 煤泥浮選工藝系統(tǒng)智能決策的研究方案

        經(jīng)驗(yàn)?zāi)P褪歉∵x工藝系統(tǒng)工業(yè)生產(chǎn)和指標(biāo)數(shù)據(jù)基于統(tǒng)計(jì)學(xué)方法利用該數(shù)據(jù)庫分析開發(fā),這類模型通常使用多元線性回歸方法或樣條回歸方法,從中獲取對(duì)浮選系統(tǒng)具備調(diào)控意義的過程參數(shù)[81]。經(jīng)驗(yàn)?zāi)P退钄?shù)據(jù)可通過在線或離線方法收集,一般通過在線儀器或檢測設(shè)備獲得,允許實(shí)時(shí)更新模型中的經(jīng)驗(yàn)參數(shù)。動(dòng)力學(xué)模型是將浮選工藝過程看作類似化學(xué)反應(yīng)過程而建立的控制模型。LYNCH[82]考慮2種類型的碰撞來描述浮選中氣泡間的碰撞、礦漿中疏水顆粒與氣泡之間的碰撞。但簡單的動(dòng)力學(xué)描述可能忽略浮選泡沫對(duì)浮選精煤和矸石礦物傳輸?shù)淖饔?所以動(dòng)力學(xué)模型用以描述礦物從礦漿到泡沫層,以及因氣泡間排水過程從泡沫相轉(zhuǎn)移到漿相中的過程。在實(shí)際工業(yè)控制中,動(dòng)力學(xué)模型應(yīng)用相對(duì)較少,這是由于實(shí)時(shí)輸入控制模型的過程變量很難在線量化檢測?,F(xiàn)象模型基于連續(xù)性控制方程,JMS-JOUNELA等[83]利用這一模型實(shí)現(xiàn)了6個(gè)浮選池礦漿液位的動(dòng)態(tài)控制策略,研究驗(yàn)證了1個(gè)單輸入單輸出控制器和3個(gè)不同多輸入多輸出控制器?;旌夏P屯ㄟ^使用連續(xù)變量和離散變量表示浮選過程,該機(jī)制利用連續(xù)變量中產(chǎn)生變化的不同操作條件/模式制定控制邏輯規(guī)則。PUTZ等[84]最早開發(fā)了PWARX(Piece Wise Autoreg Ressivee Xogenous)浮選混合模型,其在不同操作條件下使用線性化模型近似非線性過程動(dòng)力學(xué)。機(jī)器學(xué)習(xí)模型在浮選智能控制系統(tǒng)中最常用,具備良好的非線性和自學(xué)習(xí)處理能力,同時(shí)適用于多輸入多輸出的浮選系統(tǒng)控制任務(wù)。AI等[85]提出一種雙層最優(yōu)控制方法,包含穩(wěn)態(tài)設(shè)定點(diǎn)計(jì)算和浮選藥劑試劑控制,依次進(jìn)行模糊化、模糊推理和去模糊化計(jì)算浮選穩(wěn)態(tài),使用神經(jīng)網(wǎng)絡(luò)推導(dǎo)Argmax控制策略。

        ZARAGOZA等[86]使用經(jīng)濟(jì)指標(biāo)作為目標(biāo)函數(shù),考慮了銅的價(jià)格、精礦品位的懲罰參數(shù)和試劑成本(即起泡劑價(jià)格和捕收劑價(jià)格)。此外,該目標(biāo)函數(shù)還考慮浮選性能指標(biāo),如回收率、精礦品位和操作變量(銅質(zhì)量流量、起泡流量和捕收器流量)。PUTZ等[84]開發(fā)一個(gè)尾煤灰分預(yù)測目標(biāo)函數(shù),將尾煤灰分(y4(k))作為輸出,但必須遵循給定的對(duì)照函數(shù)(r(k)),輸出控制閾值(Δu1(k)、Δu2(k)、Δu3(k))的變化也被考慮在內(nèi)。MALDONADO等[87]在目標(biāo)函數(shù)中將追蹤誤差(即軌跡(rj(k+α/k))與預(yù)測控制變量(yj(k+α)k)之間的差值)設(shè)為加權(quán)項(xiàng),被操縱變量則以(Δup(k+α))為加權(quán)項(xiàng)。MALDONADO等[87]將目標(biāo)函數(shù)定義為銅尾煤品位的最小值,盡管尾煤品位易測量,但通過降低尾煤品位最大限度提高回收率能最大程度提高經(jīng)濟(jì)效益。

        基于模型的浮選預(yù)測控制在工業(yè)規(guī)模上已有成功案例,但由于模型表達(dá)能力太過單一,無法準(zhǔn)確預(yù)測浮選過程變量的動(dòng)作值,未實(shí)現(xiàn)有效應(yīng)用。煤泥浮選過程由于缺乏基于模型的浮選預(yù)測控制基礎(chǔ)理論,很難用簡單模型準(zhǔn)確表示,工業(yè)應(yīng)用困難。浮選過程精準(zhǔn)控制預(yù)測模型較多,但精度和時(shí)效性無法達(dá)到工業(yè)現(xiàn)場應(yīng)用需求。

        綜上,專家控制系統(tǒng)無需精確的數(shù)學(xué)模型,且在理論結(jié)構(gòu)上已成熟,應(yīng)用于浮選等控制領(lǐng)域,但預(yù)測精度不高。傳統(tǒng)浮選控制主要利用過程操作變量、圖像特征和冶金參數(shù)之間的相關(guān)性評(píng)估浮選過程變量,變量預(yù)測值被微調(diào)以縮小實(shí)際過程輸出和設(shè)定值之間的偏差。對(duì)于更高維的浮選過程數(shù)據(jù)集,很難建立可靠的知識(shí)庫。深度學(xué)習(xí)能有效適應(yīng)這種數(shù)據(jù)結(jié)構(gòu),如強(qiáng)化學(xué)習(xí)可利用大容量網(wǎng)絡(luò)輕松適應(yīng)高維數(shù)據(jù)空間,但強(qiáng)化學(xué)習(xí)的數(shù)據(jù)捕獲可能在現(xiàn)實(shí)浮選過程中難以實(shí)施。已開發(fā)的浮選視覺監(jiān)測系統(tǒng)只針對(duì)特定礦物浮選工藝,專一性很強(qiáng)。浮選過程變量和工況不同使浮選泡沫特征參數(shù)和浮選性能之間關(guān)系不一致。因此,對(duì)于煤泥浮選工藝,應(yīng)尋求浮選過程建模方法和控制浮選系統(tǒng)新方案。

        3 結(jié)語及展望

        選煤廠智能化建設(shè)受國家政策持續(xù)牽引、新技術(shù)驅(qū)動(dòng)和工業(yè)迫切需求等多因素推動(dòng),是煤炭分選工業(yè)未來產(chǎn)業(yè)升級(jí)的必由之路,而浮選工藝作為復(fù)雜度較高的環(huán)節(jié),一直是重點(diǎn)課題。當(dāng)前煤泥浮選工藝系統(tǒng)智能控制技術(shù)在浮選精煤/尾煤灰分在線預(yù)測、浮選藥劑智能添加和煤泥浮選系統(tǒng)智能決策等多方面取得突破,其中以深度學(xué)習(xí)為代表的新一代人工智能建模技術(shù)表現(xiàn)出色。但煤泥浮選工藝是一個(gè)復(fù)雜的工業(yè)系統(tǒng),受煤質(zhì)變化、設(shè)備折舊率、變量檢測技術(shù)精度影響,在工業(yè)上批量化實(shí)現(xiàn)煤泥浮選智能控制系統(tǒng)還需持續(xù)攻關(guān)。

        1)相較浮選尾礦灰分,浮選精煤灰分預(yù)測研究是未來研究重點(diǎn),工業(yè)浮選泡沫圖像易發(fā)生兼并撕裂,這些干擾因素降低了實(shí)際泡沫表層特征與精煤灰分之間的相關(guān)性,考慮到精煤礦漿本身攜帶特征信息,未來應(yīng)從稀釋精煤礦漿的視覺信息和外加檢測媒介(如射線等)方面提取更多維度的特征信息進(jìn)行灰分建模。浮選尾礦灰分未來研究重點(diǎn)是持續(xù)提高預(yù)測模型的精度和魯棒性。

        2)浮選藥劑添加受多個(gè)浮選工況變量同時(shí)制約,盡管機(jī)器學(xué)習(xí)模型近幾年嶄露頭角,但模型在整個(gè)工況區(qū)間的適應(yīng)性和泛化能力還需進(jìn)一步提升。未來應(yīng)將浮選工況劃分多段建模,通過模型匹配機(jī)制制定智能浮選藥劑添加策略。

        3)煤泥浮選智能控制系統(tǒng)受浮選精煤/尾煤灰分指標(biāo)預(yù)測精度、傳感器檢測精度、藥劑添加精度等方面限制,對(duì)比金屬礦物浮選智能控制系統(tǒng)建設(shè),煤泥浮選智能控制技術(shù)未來除構(gòu)建高效、精準(zhǔn)的預(yù)測模型外,還需借鑒專家經(jīng)驗(yàn),結(jié)合多維度特征變量融合建模技術(shù)開發(fā)煤泥浮選智能控制系統(tǒng)。

        4)煤泥浮選智能控制技術(shù)很容易受煤質(zhì)信息影響產(chǎn)生波動(dòng),因此未來應(yīng)在多煤種、多地質(zhì)結(jié)構(gòu)和不同礦區(qū)間建立煤泥浮選智能控制資料大數(shù)據(jù)集,結(jié)合基因選礦部分方法,實(shí)現(xiàn)控制模型在不同煤種和工況條件下的自適應(yīng)切換。

        猜你喜歡
        精煤煤泥灰分
        疏水改性對(duì)浮選精煤助濾脫水的試驗(yàn)及模擬
        不同分選工段瘦精煤煤質(zhì)分析與配伍性研究
        基于灰分回控的智能密度控制系統(tǒng)在寨崖底選煤廠的應(yīng)用
        大屯選煤廠粗精煤回收系統(tǒng)改造實(shí)踐
        灰分在線檢測對(duì)選煤智能化建設(shè)作用的思考
        煤泥重介質(zhì)旋流器在動(dòng)力煤選煤廠粗煤泥分選中的應(yīng)用
        MG-9#捕收劑在極細(xì)粒煤泥浮選中的應(yīng)用
        精煤產(chǎn)品結(jié)構(gòu)調(diào)整及回收系統(tǒng)改造
        潘集選煤廠重介灰分控制系統(tǒng)的開發(fā)與應(yīng)用
        不同重量僵蠶總灰分含量的比較研究
        中国人妻被两个老外三p| 在线亚洲日本一区二区| 精品综合一区二区三区| 精品人妻中文无码av在线| 99久久久久国产| 国产av91在线播放| 亚洲国产精品婷婷久久| 日本特黄特色特爽大片| 黑人巨大videos极度另类| 亚洲综合色婷婷七月丁香| 国产精品黑丝美腿美臀| 欧美人牲交| 一级免费毛片| 国产一区二区三区视频了| 日韩精品在线视频一二三| 免费a级作爱片免费观看美国| 在线视频制服丝袜中文字幕| 亚洲一区二区三区偷拍自拍| 蜜桃尤物在线视频免费看| 女人被男人躁得好爽免费视频| 欧美国产亚洲精品成人a v| 日本熟妇免费一区二区三区| 亚洲国产精品久久久av| 老师脱了内裤让我进去| 久久久久久无中无码| 精品人妻一区二区三区狼人| 国产av无码专区亚洲avjulia| 欧美丰满熟妇bbbbbb百度| 国产精品性一区二区三区| 成人性生交大片免费入口| 成人综合婷婷国产精品久久蜜臀| 国产资源在线视频| 国产女人av一级一区二区三区| 久久久久人妻精品一区三寸| 色欲麻豆国产福利精品| 国产精品性一区二区三区| 亚洲久悠悠色悠在线播放| 18禁裸男晨勃露j毛免费观看| 亚洲中文欧美日韩在线| 91成人国产九色在线观看| av 日韩 人妻 黑人 综合 无码|