CN107254336A - 一种型煤规模化生产的设备及方法 - Google Patents

Abstract

本发明属于煤炭生产领域，公开了一种型煤规模化生产的设备及方法，方法包括：将原料进行筛选，将杂质过滤；将原料进行粉碎，利用传送带传送给配料机；对原材料进行配料；搅拌，使各种成分能够有效融合；物料破碎或混练；及时供应所含成分不足的原材料；矿产的尾矿处理，压制难以成型的粉状物料；在配料的配料机控制阀上镶嵌有控制单元和图像获取单元；所述图像获取单元通过有线或无线连接控制单元；设备包括料场、振动筛、粉碎机、配料机、双轴搅拌机、轮碾机、供料机、压球机、烘干机、成品库。本发明可以大规模进行生产型煤，并且具有自动化生产的特点，节约了人力和物力。

Description

一种型煤规模化生产的设备及方法

技术领域

本发明属于煤炭生产领域，尤其涉及一种型煤规模化生产的设备及方法。

背景技术

型煤是以粉煤为主要原料，按具体用途所要求的配比，机械强度，和形状大小经机械加工压制成型的，具有一定强度和尺寸及形状各异的煤成品。然而现有型煤的生产往往都是小批量生产，由于受到地域限制，原材料供应不足，不能形成规模化生产。

综上所述，现有技术存在的问题是：现有型煤的生产往往都是小批量生产，由于受到地域限制，原材料供应不足，不能形成规模化生产；而且现有技术中对于配料仅凭人工操作配制，会造成产品质量不统一，影响用户利益；而且现有设备智能化程度低，不能进行混合料的自动配置。

发明内容

针对现有技术存在的问题，本发明提供了一种型煤规模化生产的设备及方法。

本发明是这样实现的，

一种型煤规模化生产方法，所述型煤规模化生产方法，包括：

对原材料进行配料；在配料的配料机控制阀上镶嵌有控制单元和图像获取单元；所述图像获取单元通过有线或无线连接控制单元；所述控制单元控制配料机控制阀的方法包括：

步骤一、通过图像获取单元获取配料机出料中被测原材料的图像；

步骤二、在获取的图像中定义一预览区域的一特定区域；

步骤三、利用图像获取单元提取至少一预览图像；

步骤四、利用图像获取单元判定定义的原材料是否存在于该预览图像中；

步骤五、当该原材料存在于该预览图像中，决定该原材料是否出现在该特定区域至少一预定百分比；以及当该原材料的该预定百分比出现在该特定区域时，致能该图像获取单元以进行一拍照处理以通过该图像获取单元提取图像；

步骤六、所述视图像获取单元对包含有被测原材料的图像进行数字图像处理，将被测原材料部分从整个图像背景中提取出来，并对提取出来的前景图像中的每个被测原材料进行标识；

步骤七、视图像获取单元自动计数，通过扫描整幅前景图像中标识的被测原材料并进行统计得到被原材料的数量；

步骤八、将预定时间内被测原材料外的材料重量与视图像获取单元计数得到的被测原材料的数量进行匹配，得到现有速度下被测原材料的数量与被测原材料外的材料的比例；

步骤九、通过控制单元控制被测原材料的数量与被测原材料外的材料重量的比例至预定的范围内；

将采集到的包含有被测原材料的图像利用预定过分割算法进行过分割成超像素图像，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

对得到的超像素图像提取特征向量，所述特征向量包括轮廓、纹理、亮度和连续性；

确定每个区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立显著性模型；

根据所述显著性模型获取所述图像中的前景样本点和背景样本点；

根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型；

根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割；

将得到的超像素图像上的每一个超像素计算方向能量，通过非线性变换将方向能量转换成局部归一化的轮廓度，计算区域边界上所有超像素的局部归一化的轮廓度总和，该总和即为区域间的轮廓能量；计算区域内部所有超像素的局部归一化的轮廓度总和，该总和即为区域内的轮廓能量；

求超像素图像对应的方差图像V和边缘图像E，初始化窗口边长N＝3；窗口包含信息判断，求边缘图像E中与原图像中当前窗口W对应的窗口中边缘像素在窗口中所占的比例P，若P≥(N-2)/N2则当前窗口包含足够的边缘信息，满足进行分割的条件则进行分割，若P<(N-2)/N2则当前窗口不包含足够的边缘信息，不进行分割。

所述步骤九中控制单元采用PID控制算法进行控制，所述PID控制算法包括：

第一步，PID控制算法由比例、积分、微分三个环节组成，数学描述为：

u(k)＝K_px(1)+K_dx(2)+K_ix(3)

式中，K_p为比例系数；K_i为积分时间常数；K_d为微分时间常数；u(k)为通过PID计算后得到的原材料重量的增加减少值，x(1)为比例的校正值；x(2)为微分的校正值；x(3)为积分的校正值；

第二步，通过称重测量器输入量的测量值与称重测量器的期望值的误差及采样时间求出第一步中的x(1)、x(2)、x(3)，计算公式为：

x(1)＝error(k)；

x(2)＝[error(k)-error_1]/t_s；

x(3)＝x(3)+error(k)*t_s；

式中，error(k)为在k时刻通过测量值与期望值计算出的误差；t_s为采样时间；

第三步，将上两个步骤进行编程后，输出的值u(k)即为给的原材料重量修正值，并记录下来；

所述图像获取单元的通过感知设备在独立的采样周期内对目标信号x(t)进行采集，并用A/D方式对信号进行数字量化；然后，对量化后的信号x(i)进行降维；最后，对降维后的信号进行重构；其中t为采样时刻，i为量化后的信号排序。

进一步，对量化后的信号进行降维，具体包括：对量化后的信号通过有限脉冲响应滤波器的差分方程其中h(0),…,h(L-1)为滤波器系数，设计基于滤波的压缩感知信号采集框架，构造如下托普利兹测量矩阵：

则观测其中b₁,…,b_L看作滤波器系数；子矩阵Φ_FT的奇异值是格拉姆矩阵G(Φ_F,T)＝Φ′_FTΦ_FT特征值的算术根，验证G(ΦF,T)的所有特征值λi∈(1-δ_K,1+δ_K),i＝1,…,T，则Φ_F满足RIP，并通过求解m_xin||x||₁s.t.y＝Φ_x最优化问题来重构原信号；即通过线性规划方法来重构原信号，亦即BP算法；对图像或语音压缩信号的采集，则修改Φ_F为如下形式：

如果信号在变换基矩阵Ψ上具有稀疏性，则通过求解最优化问题，精确重构出原信号；其中Φ与Ψ不相关，Ξ称为CS矩阵。

进一步，所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

进一步，所述型煤规模化生产方法，具体包括：

将原料进行筛选，将杂质过滤；

将原料进行粉碎，利用传送带传送给配料机；

对原材料进行配料；

搅拌，使各种成分能够有效融合；

物料破碎或混练；

及时供应所含成分不足的原材料；

矿产的尾矿处理，压制难以成型的粉状物料。

本发明的另一目的在于提供一种型煤规模化生产的设备，所述型煤规模化生产的设备包括料场、振动筛、粉碎机、配料机、双轴搅拌机、轮碾机、供料机、压球机、烘干机、成品库；

所述各机器通过传送带相连，用于自动化生产；

所述振动筛用于将原料进行筛选，将杂质过滤；

所述粉碎机用于将原料进行粉碎，利用传送带传送给配料机；

所述配料机用于对原材料进行配料，配置其他材料；

所述双轴搅拌机用于搅拌，使各种成分能够有效融合；

所述轮碾机是以碾砣和碾盘为主要工作部件，用于物料破(粉)碎或混练；

所述供料机用于及时供应所含成分不足的原材料；

所述压球机用于矿产的尾矿处理，压制难以成型的粉状物料，其特点是成型压力大、主机转数可调、配有螺旋送料装置；

所述烘干机用于将热能直接传递给物料，使物料的水分在筒体内不断被蒸发，入料口的引风装置将大量的水分、湿气流抽出。

本发明解决了现有技术中对于配料仅凭人工操作配制，会造成产品质量不统一，影响用户利益；而且现有设备智能化程度低，不能进行混合料的自动配置的问题。

本发明节约了制造成本，制备的产品具有均匀性和良好性。

本发明通过相关实验证明：通过本发明图像信号采集的方法比现有技术的数据采集准确率由92.32％提高到96.85％。

本发明的图像显著模型为准确数据的取得提供保证。本发明通过对图形的精确处理，控制单元进行准确的控制，使配料具有很好地搭配性，可设定不同的比例参数，生产不同规格和性能的产品，这是本发明的创造性所在。

附图说明

图1是本发明实施例提供的型煤规模化生产的设备结构示意图。

图2是本发明实施例提供的型煤规模化生产方法流程图。

图中：1、料场；2、振动筛；3、粉碎机；4、配料机；5、双轴搅拌机；6、轮碾机；7、供料机；8、压球机；9、烘干机；10、成品库。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明实施例提供的型煤规模化生产的设备，包括料场1、振动筛2、粉碎机3、配料机4、双轴搅拌机5、轮碾机6、供料机7、压球机8、烘干机9、成品库10。

所述各机器通过传送带相连，自动化生产；

所述振动筛2用于将原料进行筛选，将杂质(石头等)过滤；

所述粉碎机3用于将原料进行粉碎，利用传送带传送给配料机4；

所述配料机4用于对原材料进行配料，配置其他材料(固硫剂、助燃剂等)；

所述双轴搅拌机5用于搅拌，使各种成分能够有效融合；

所述轮碾机6是以碾砣和碾盘为主要工作部件，用于物料破(粉)碎或混练；

所述供料机7用于及时供应所含成分不足的原材料；

所述压球机8用于矿产的尾矿处理，压制难以成型的粉状物料，其特点是成型压力大、主机转数可调、配有螺旋送料装置。

所述烘干机9用于将热能直接传递给物料，使物料的水分在筒体内不断被蒸发，入料口的引风装置将大量的水分、湿气流抽出。

如图2所示，本发明实施例提供的型煤规模化生产方法，包括：

S101：将原料进行筛选，将杂质(石头等)过滤；

S102：将原料进行粉碎，利用传送带传送给配料机；

S103：对原材料进行配料；

S104：搅拌，使各种成分能够有效融合；

S105：物料破(粉)碎或混练；

S106：及时供应所含成分不足的原材料

S107：矿产的尾矿处理，压制难以成型的粉状物料。

下面结合具体实施例对本发明作进一步描述。

本发明实施例提供的型煤规模化生产方法，所述型煤规模化生产方法，包括：

对原材料进行配料；在配料的配料机控制阀上镶嵌有控制单元和图像获取单元；所述图像获取单元通过有线或无线连接控制单元；所述控制单元控制配料机控制阀的方法包括：

步骤一、通过图像获取单元获取配料机出料中被测原材料的图像；

步骤二、在获取的图像中定义一预览区域的一特定区域；

步骤三、利用图像获取单元提取至少一预览图像；

步骤四、利用图像获取单元判定定义的原材料是否存在于该预览图像中；

步骤五、当该原材料存在于该预览图像中，决定该原材料是否出现在该特定区域至少一预定百分比；以及当该原材料的该预定百分比出现在该特定区域时，致能该图像获取单元以进行一拍照处理以通过该图像获取单元提取图像；

步骤六、所述视图像获取单元对包含有被测原材料的图像进行数字图像处理，将被测原材料部分从整个图像背景中提取出来，并对提取出来的前景图像中的每个被测原材料进行标识；

步骤七、视图像获取单元自动计数，通过扫描整幅前景图像中标识的被测原材料并进行统计得到被原材料的数量；

步骤八、将预定时间内被测原材料外的材料重量与视图像获取单元计数得到的被测原材料的数量进行匹配，得到现有速度下被测原材料的数量与被测原材料外的材料的比例；

步骤九、通过控制单元控制被测原材料的数量与被测原材料外的材料重量的比例至预定的范围内；

将采集到的包含有被测原材料的图像利用预定过分割算法进行过分割成超像素图像，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

对得到的超像素图像提取特征向量，所述特征向量包括轮廓、纹理、亮度和连续性；

确定每个区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立显著性模型；

根据所述显著性模型获取所述图像中的前景样本点和背景样本点；

根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型；

根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割；

将得到的超像素图像上的每一个超像素计算方向能量，通过非线性变换将方向能量转换成局部归一化的轮廓度，计算区域边界上所有超像素的局部归一化的轮廓度总和，该总和即为区域间的轮廓能量；计算区域内部所有超像素的局部归一化的轮廓度总和，该总和即为区域内的轮廓能量；

求超像素图像对应的方差图像V和边缘图像E，初始化窗口边长N＝3；窗口包含信息判断，求边缘图像E中与原图像中当前窗口W对应的窗口中边缘像素在窗口中所占的比例P，若P≥(N-2)/N2则当前窗口包含足够的边缘信息，满足进行分割的条件则进行分割，若P<(N-2)/N2则当前窗口不包含足够的边缘信息，不进行分割。

所述步骤九中控制单元采用PID控制算法进行控制，所述PID控制算法包括：

第一步，PID控制算法由比例、积分、微分三个环节组成，数学描述为：

u(k)＝K_px(1)+K_dx(2)+K_ix(3)

式中，K_p为比例系数；K_i为积分时间常数；K_d为微分时间常数；u(k)为通过PID计算后得到的原材料重量的增加减少值，x(1)为比例的校正值；x(2)为微分的校正值；x(3)为积分的校正值；

第二步，通过称重测量器输入量的测量值与称重测量器的期望值的误差及采样时间求出第一步中的x(1)、x(2)、x(3)，计算公式为：

x(1)＝error(k)；

x(2)＝[error(k)-error_1]/t_s；

x(3)＝x(3)+error(k)*t_s；

式中，error(k)为在k时刻通过测量值与期望值计算出的误差；t_s为采样时间；

第三步，将上两个步骤进行编程后，输出的值u(k)即为给的原材料重量修正值，并记录下来；

所述图像获取单元的通过感知设备在独立的采样周期内对目标信号x(t)进行采集，并用A/D方式对信号进行数字量化；然后，对量化后的信号x(i)进行降维；最后，对降维后的信号进行重构；其中t为采样时刻，i为量化后的信号排序。

对量化后的信号进行降维，具体包括：对量化后的信号通过有限脉冲响应滤波器的差分方程其中h(0),…,h(L-1)为滤波器系数，设计基于滤波的压缩感知信号采集框架，构造如下托普利兹测量矩阵：

则观测其中b₁,…,b_L看作滤波器系数；子矩阵Φ_FT的奇异值是格拉姆矩阵G(Φ_F,T)＝Φ′_FTΦ_FT特征值的算术根，验证G(ΦF,T)的所有特征值λi∈(1-δ_K,1+δ_K),i＝1,…,T，则Φ_F满足RIP，并通过求解m_xin||x||₁s.t.y＝Φ_x最优化问题来重构原信号；即通过线性规划方法来重构原信号，亦即BP算法；对图像或语音压缩信号的采集，则修改Φ_F为如下形式：

如果信号在变换基矩阵Ψ上具有稀疏性，则通过求解最优化问题，精确重构出原信号；其中Φ与Ψ不相关，Ξ称为CS矩阵。

所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种型煤规模化生产方法，其特征在于，所述型煤规模化生产方法，包括：

对原材料进行配料；在配料的配料机控制阀上镶嵌有控制单元和图像获取单元；所述图像获取单元通过有线或无线连接控制单元；所述控制单元控制配料机控制阀的方法包括：

步骤一、通过图像获取单元获取配料机出料中被测原材料的图像；

步骤二、在获取的图像中定义一预览区域的一特定区域；

步骤三、利用图像获取单元提取至少一预览图像；

步骤四、利用图像获取单元判定定义的原材料是否存在于该预览图像中；

步骤五、当该原材料存在于该预览图像中，决定该原材料是否出现在该特定区域至少一预定百分比；以及当该原材料的该预定百分比出现在该特定区域时，致能该图像获取单元以进行一拍照处理以通过该图像获取单元提取图像；

步骤六、所述视图像获取单元对包含有被测原材料的图像进行数字图像处理，将被测原材料部分从整个图像背景中提取出来，并对提取出来的前景图像中的每个被测原材料进行标识；

步骤七、视图像获取单元自动计数，通过扫描整幅前景图像中标识的被测原材料并进行统计得到被原材料的数量；

步骤八、将预定时间内被测原材料外的材料重量与视图像获取单元计数得到的被测原材料的数量进行匹配，得到现有速度下被测原材料的数量与被测原材料外的材料的比例；

步骤九、通过控制单元控制被测原材料的数量与被测原材料外的材料重量的比例至预定的范围内；

将采集到的包含有被测原材料的图像利用预定过分割算法进行过分割成超像素图像，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

对得到的超像素图像提取特征向量，所述特征向量包括轮廓、纹理、亮度和连续性；

确定每个区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立显著性模型；

根据所述显著性模型获取所述图像中的前景样本点和背景样本点；

根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型；

根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割；

将得到的超像素图像上的每一个超像素计算方向能量，通过非线性变换将方向能量转换成局部归一化的轮廓度，计算区域边界上所有超像素的局部归一化的轮廓度总和，该总和即为区域间的轮廓能量；计算区域内部所有超像素的局部归一化的轮廓度总和，该总和即为区域内的轮廓能量；

求超像素图像对应的方差图像V和边缘图像E，初始化窗口边长N＝3；窗口包含信息判断，求边缘图像E中与原图像中当前窗口W对应的窗口中边缘像素在窗口中所占的比例P，若P≥(N-2)/N2则当前窗口包含足够的边缘信息，满足进行分割的条件则进行分割，若P<(N-2)/N2则当前窗口不包含足够的边缘信息，不进行分割。

所述步骤九中控制单元采用PID控制算法进行控制，所述PID控制算法包括：

第一步，PID控制算法由比例、积分、微分三个环节组成，数学描述为：

u(k)＝K_px(1)+K_dx(2)+K_ix(3)

式中，K_p为比例系数；K_i为积分时间常数；K_d为微分时间常数；u(k)为通过PID计算后得到的原材料重量的增加减少值，x(1)为比例的校正值；x(2)为微分的校正值；x(3)为积分的校正值；

第二步，通过称重测量器输入量的测量值与称重测量器的期望值的误差及采样时间求出第一步中的x(1)、x(2)、x(3)，计算公式为：

x(1)＝error(k)；

x(2)＝[error(k)-error_1]/t_s；

x(3)＝x(3)+error(k)*t_s；

式中，error(k)为在k时刻通过测量值与期望值计算出的误差；t_s为采样时间；

第三步，将上两个步骤进行编程后，输出的值u(k)即为给的原材料重量修正值，并记录下来；

所述图像获取单元的通过感知设备在独立的采样周期内对目标信号x(t)进行采集，并用A/D方式对信号进行数字量化；然后，对量化后的信号x(i)进行降维；最后，对降维后的信号进行重构；其中t为采样时刻，i为量化后的信号排序。

2.如权利要求1所述的型煤规模化生产方法，其特征在于，对量化后的信号进行降维，具体包括：对量化后的信号通过有限脉冲响应滤波器的差分方程其中h(0),…,h(L-1)为滤波器系数，设计基于滤波的压缩感知信号采集框架，构造如下托普利兹测量矩阵：

则观测其中b₁,…,b_L看作滤波器系数；子矩阵Φ_FT的奇异值是格拉姆矩阵G(Φ_F,T)＝Φ′_FTΦ_FT特征值的算术根，验证G(ΦF,T)的所有特征值λi∈(1-δ_K,1+δ_K),i＝1,…,T，则Φ_F满足RIP，并通过求解最优化问题来重构原信号；即通过线性规划方法来重构原信号，亦即BP算法；对图像或语音压缩信号的采集，则修改Φ_F为如下形式：

如果信号在变换基矩阵Ψ上具有稀疏性，则通过求解最优化问题，精确重构出原信号；其中Φ与Ψ不相关，Ξ称为CS矩阵。

3.如权利要求1所述的型煤规模化生产方法，其特征在于，所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

4.如权利要求1所述的型煤规模化生产方法，其特征在于，所述型煤规模化生产方法，具体包括：

将原料进行筛选，将杂质过滤；

将原料进行粉碎，利用传送带传送给配料机；

对原材料进行配料；

搅拌，使各种成分能够有效融合；

物料破碎或混练；

及时供应所含成分不足的原材料；

矿产的尾矿处理，压制难以成型的粉状物料。

5.一种如权利要求1所述型煤规模化生产方法的型煤规模化生产的设备，其特征在于，所述型煤规模化生产的设备包括料场、振动筛、粉碎机、配料机、双轴搅拌机、轮碾机、供料机、压球机、烘干机、成品库；

所述各机器通过传送带相连，用于自动化生产；

所述振动筛用于将原料进行筛选，将杂质过滤；

所述粉碎机用于将原料进行粉碎，利用传送带传送给配料机；

所述配料机用于对原材料进行配料，配置其他材料；

所述双轴搅拌机用于搅拌，使各种成分能够有效融合；

所述轮碾机是以碾砣和碾盘为主要工作部件，用于物料破(粉)碎或混练；

所述供料机用于及时供应所含成分不足的原材料；

所述压球机用于矿产的尾矿处理，压制难以成型的粉状物料，其特点是成型压力大、主机转数可调、配有螺旋送料装置；

所述烘干机用于将热能直接传递给物料，使物料的水分在筒体内不断被蒸发，入料口的引风装置将大量的水分、湿气流抽出。