CN108846178A - 一种盘磨系统的粉体粒度分布形状估计方法及其系统 - Google Patents
一种盘磨系统的粉体粒度分布形状估计方法及其系统 Download PDFInfo
- Publication number
- CN108846178A CN108846178A CN201810542037.5A CN201810542037A CN108846178A CN 108846178 A CN108846178 A CN 108846178A CN 201810542037 A CN201810542037 A CN 201810542037A CN 108846178 A CN108846178 A CN 108846178A
- Authority
- CN
- China
- Prior art keywords
- powder granularity
- distribution shape
- granularity distribution
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于粉体粒度控制领域,具体涉及一种盘磨系统的粉体粒度分布形状估计方法及其系统,包括以下步骤:1)通过采集盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙和粉体粒度分布形状的PDF;2)采用RBF神经网络对权值进行解耦计算;3)采用BP神经网络构建权值的非线性动态模型,由此获得权值向量的估计值;4)对粉体粒度分布形状的PDF进行估计。本发明应用于食品加工行业的粉体粒度分布形状的估计,同时也可用于冶金行业选矿过程的矿粉粒度、水泥生产过程的水泥粒度等复杂工业过程的粉体粒度分布形状的估计。
Description
技术领域
本发明属于粉体粒度控制领域,具体涉及一种盘磨系统的粉体粒度分布形状估计方法及其系统。
背景技术
在食品加工行业,面粉粒度常作为小麦粉质量等级的评价指标之一,必须符合一定的粒度要求,太大或太小都会影响生产指标要求和效率,通过对面粉粒度的控制,可以更好地把握面粉粉的品质变化,为后续的食品加工工序提供符合要求的原材料,从而提高生产效率及面粉质量。目前在实际生产中通常将粉体粒度的均值或者方差作为作为衡量面粉质量的重要指标,然而,均值或者方差并不能表征粉体粒度分布形状的全部信息,而粉体粒度分布形状包含了粉体的均值或者方差的所有信息。因此,将粉体粒度分布形状取代传统的均值或方差作为衡量面粉质量指标具有更为广泛的应用。
在面粉生产过程中,影响盘磨系统的粉体粒度分布形状的因素有很多,如进料量、磨盘转速、磨盘间隙、磨盘压力等,而这些变量中,喂料量可以通过喂料器的振动频率进行调节,通过设置变频器频率可以有效控制带动动磨盘的主电机转速,磨盘间隙可采用机械或者液压调节装置完成等,因此,如何建立一个以进料量、磨盘转速、磨盘间隙、磨盘压力为输入变量,以粉体粒度分布形状为输出的盘磨系统的数学模型对粉体粒度分布形状的估计变得至关重要,和常规的建模方法不同的是,粉体粒度分布形状是一个空间分布,而非传统意义上的时序数据,因此,传统的建模方法(如机理建模或经验建模)将无法建立精确的刻画盘磨系统动态模型。
因此,鉴于粉粒粒度分布形状在衡量面粉质量的重要性,如何实现对盘磨系统的粉体粒度分布形状估计,不但可以有效对小麦粉的品质变化进行估计,而且对降低能耗和提高生产效率提供一定的指导。
发明内容
针对上述存在的技术问题,本发明提供一种盘磨系统的粉体粒度分布形状估计方法,其特征在于,包括以下步骤:
步骤1,采集盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙和粉体粒度分布形状的PDF,即粉粒粒度分布形状的概率密度函数的数据;
步骤2,采用具有高斯型激励函数的RBF神经网络,包括一组高斯基函数和相对应的权值,利用逆运算方法对不同时刻的与所述粉体粒度分布形状的PDF相对应的权值进行解耦计算;
步骤3、采用BP神经网络构建权值的非线性动态模型,所述非线性动态模型的调节变量为当前时刻盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙和所述权值,输出变量为下一时刻的所述权值,由此获得权值向量的估计值;
步骤4、利用步骤3所述由BP神经网络构建的权值的非线性动态模型,结合步骤2所述RBF神经网络近似所述粉体粒度分布形状的PDF,得到粉体粒度分布形状的PDF的动态模型,用于对粉体粒度分布形状的PDF进行估计。
所述步骤2包括以下步骤:
步骤2-1,将所述进料量、磨盘压力、磨盘转速、磨盘间隙作为输入变量,所述粉体粒度分布的PDF作为输出变量;
步骤2-2、采用具有高斯型激励函数的RBF神经网络近似所述粉体粒度分布形状的PDF,
步骤2-3、利用逆运算方法对不同时刻粉体粒度分布形状的PDF相对应的权值进行解耦计算。
所述步骤2.2中的近似方法为:
设粉体粒度y为描述动态盘磨系统输出的一致有界随机过程变量,y∈[a,ξ];
在任一采样时刻k,u(k)为该时刻与所述输入变量对应的调节输入向量,u(k)∈Rm;
在任一采样时刻k,粉体粒度分布形状可以通过其概率密度函数来描述,其定义式如下:
式中,γ(y,u(k))为粉体粒度分布形状的PDF;P(a≤y<ξ,u(k))表示盘磨系统在调节输入变量u(k)作用下的所述粉体粒度y落在区间[a,ξ]内的概率,本式表明粉体粒度分布形状的PDF由调节输入向量u(k)进行调节;
设区间[a,b]为已知且连续且有界,采用如下具有高斯型激励函数的RBF神经网络来逼近输出所述PDF:
首先,定义第l个网络节点的基函数Rl(y)如下式所示:
式中,l表示第l个网络节点,n为网络节点总数,μl表示第l个网络节点的基函数的中心值,σl表示第l个网络节点的基函数的宽度;
然后,利用RBF神经网络逼近原理,得出此时粉体粒度分布形状的PDF采用RBF神经网络的近似表示,即
式中,wl(u(k))为与第l个网络节点的基函数相对应的权值;
此外,由于粉体粒度分布形状的PDF需要满足如下自然隐含条件
则此时粉体粒度分布形状的PDF近似表达式为
γ(y,u(k))=C(y)V(k)+L(y)
式中
V(k)=[ω1(u(k)),ω2(u(k)),....,ωn-1(u(k))]T
上式表明,一旦所述基函数Rl(y)确定,所述有界区间[a,b]已知,则在n个所述权值中有n-1个是相互独立的。
所述步骤2.3中对所述权值进行解耦计算,具体方法为:
将粉体粒度分布形状的PDF的近似表达式表示为如下向量形式
对上式两边左乘[CT(y)Rn(y)]T,并对两边在所述区间[a,b]上进行积分,由此得到
当矩阵非奇异时,上式所示权值可以通过矩阵求逆获得
上式揭示了粉体粒度分布形状的PDF与所述权值之间关系,可以看出当所述基函数Rl(y)和粉体粒度分布形状的PDF数据可知时,便可获得相应的权值向量。
所述步骤3中权值的非线性动态模型的构建方法为:
在获得相应的权值向量之后,可以采用BP神经网络构建以盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙为输入变量,权值为输出变量的非线性动态模型,其动态可以采用如下表示
V(k+1)=f(V(k),u(k))
式中,f(·)为盘磨系统的输入变量与权值之间的动态表达式,其采用BP神经网络进行建立。
所述步骤4中所述动态模型为:
当盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙获得后,可以采用所述动态模型对粉体粒度分布形状进行的在线连续估计。
一种盘磨系统的粉体粒度分布形状估计方法的系统,所述系统采用上述的盘磨系统的粉体粒度分布形状估计方法;所述系统包括:
数据采集单元、粉体粒度分布形状近似单元、权值解耦计算单元和粉体粒度分布形状估计单元;
所述数据采集单元用于采集进料量、磨盘压力、磨盘转速、磨盘间隙、粉体粒度分布形状的PDF的数据;
所述粉体粒度分布形状近似单元用于通过具有高斯型激励函数的RBF神经网络近似所述的粉体粒度分布的PDF;
所述权值解耦计算单元用于利用逆运算对不同时刻粉体粒度分布形状的PDF相对应的权值进行解耦计算;
所述粉体粒度分布形状估计单元用于将所述的当前时刻的进料量、磨盘压力、磨盘转速、磨盘间隙和权值作为输入变量,下一时刻的权值作为输出变量,利用BP神经网络构建权值的非线性动态模型,将BP神经网络构建的权值非线性动态模型结合RBF神经网络近似部分估计粉体粒度分布的PDF形状。
所述的粉体粒度分布的PDF形状估计单元,包括粉体粒度分布形状的PDF近似模块和动态权值估计模块;
所述粉体粒度分布形状的PDF近似模块用于通过高斯型激励函数的RBF神经网络近似粉体粒度分布的PDF形状;
所述动态权值估计模块,用于将当前时刻的进料量、磨盘压力、磨盘转速、磨盘间隙和权值作为输入变量,下一时刻的权值作为输出变量,构建权值的BP神经网络的非线性动态模型。
本发明的有益效果:
本发明提出一种盘磨系统的粉体粒度分布形状估计方法及其系统,具体涉及到食品加工行业的粉体粒度分布形状的估计,同时也可用于冶金行业选矿过程的矿粉粒度、水泥生产过程的水泥粒度等复杂工业过程的粉体粒度分布形状的估计。
本发明设计合理,易于实现,具有很好的实用价值。
附图说明
图1为本发明具体实施方式中所述盘磨系统结构示意图;
图2是本发明具体实施方式中所述盘磨系统的粉体粒度分布形状估计方法流程图;
图3是本发明具体实施方式中所述粉体粒度分布形状的PDF近似原理图;
图4是本发明具体实施方式中所述实际采集的粉体粒度分布形状的PDF;
图5是本发明具体实施方式中所述粉体粒度分布形状的PDF估计结果;
图6是本发明具体实施方式中所述粉体粒度分布形状的PDF的估计误差;
图7是本发明具体实施方式中所述盘磨系统的粉体粒度分布形状估计方法的系统结构示意图;
图8是本发明具体实施方式中所述粉体粒度分布的PDF形状估计单元的结构示意;
图中:1、料斗;2、振动式上料装置;3、盘磨机;4、动磨盘;5、电机;6、静磨盘;7、间歇式分料装置;8、激光式粉体粒度仪。
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,以下结合附图及实施实例,对本发明做出进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本实施方式提供一种盘磨系统,如图1所示,包括料斗1、振动式上料装置2、盘磨机3、动磨盘4、电机5、静磨盘6、间歇式分料装置7和激光式粉体粒度仪8;
当盘磨系统运行时,将料斗1中的粮食经振动式上料装置2送入盘磨机3中,动磨盘4在电机5的驱动下,通过在动磨盘4和静磨盘6之间反复研磨,将粮食研磨为粉体,最终将一部分的粉体利用间歇式分料装置7送入激光式粉体粒度仪8进行检测,获得粉体粒度分布的PDF,另一部分直接作为面粉回收;
所述粮食包括小麦和大米;
盘磨系统的输入变量为进料量、磨盘压力、磨盘转速、磨盘间隙,输出变量为粉体粒度分布的PDF。本实施方式通过盘磨系统生产线上实时采集数据,构建盘磨系统动态模型对粉体粒度分布形状进行估计。
本发明提出一种盘磨系统的粉体粒度分布形状估计方法,如图2所示,包括以下步骤:
步骤1,采集盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙和粉体粒度分布形状的PDF,即粉粒粒度分布形状的概率密度函数的数据;
步骤2,采用具有高斯型激励函数的RBF神经网络,包括一组高斯基函数和相对应的权值,利用逆运算方法对不同时刻的与所述粉体粒度分布形状的PDF相对应的权值进行解耦计算;
步骤2-1,将所述进料量、磨盘压力、磨盘转速、磨盘间隙作为输入变量,所述粉体粒度分布的PDF作为输出变量;
步骤2-2、采用具有高斯型激励函数的RBF神经网络近似所述粉体粒度分布形状的PDF,近似方法为:
设粉体粒度y为描述动态盘磨系统输出的一致有界随机过程变量,y∈[a,ξ],
在任一采样时刻k,u(k)为该时刻与所述输入变量对应的调节输入向量,u(k)∈Rm;
在任一采样时刻k,粉体粒度分布形状可以通过其概率密度函数来描述,其定义式如下:
式中,γ(y,u(k))为粉体粒度分布形状的PDF;P(a≤y<ξ,u(k))表示盘磨系统在调节输入变量u(k)作用下的所述粉体粒度y落在区间[a,ξ]内的概率,本式表明粉体粒度分布形状的PDF由调节输入向量u(k)进行调节;
设区间[a,b]为已知且连续且有界,采用如下具有高斯型激励函数的RBF神经网络来逼近输出所述PDF:
首先,定义第l个网络节点的基函数Rl(y)如下式所示:
式中,l表示第l个网络节点,n为网络节点总数,μl表示第l个网络节点的基函数的中心值,σl表示第l个网络节点的基函数的宽度;
然后,利用RBF神经网络逼近原理,如图3所示,得出此时粉体粒度分布形状的PDF采用RBF神经网络的近似表示,即
式中,wl(u(k))为与第l个网络节点的基函数相对应的权值;
此外,由于粉体粒度分布形状的PDF需要满足如下自然隐含条件
则此时粉体粒度分布形状的PDF近似表达式为
γ(y,u(k))=C(y)V(k)+L(y)
式中
V(k)=[ω1(u(k)),ω2(u(k)),....,ωn-1(u(k))]T
上式表明,一旦所述基函数Rl(y)确定,所述有界区间[a,b]已知,则在n个所述权值中有n-1个是相互独立的;
步骤2-3、利用逆运算方法对不同时刻粉体粒度分布形状的PDF相对应的权值进行解耦计算;
对所述权值进行解耦计算,具体方法为:
将粉体粒度分布形状的PDF的近似表达式表示为如下向量形式
对上式两边左乘[CT(y)Rn(y)]T,并对两边在所述区间[a,b]上进行积分,由此得到
当矩阵非奇异时,上式所示权值可以通过矩阵求逆获得
上式揭示了粉体粒度分布形状的PDF与所述权值之间关系,可以看出当所述基函数Rl(y)和粉体粒度分布形状的PDF数据可知时,便可获得相应的权值向量;
步骤3、采用BP神经网络构建权值的非线性动态模型,所述非线性动态模型的调节变量为当前时刻盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙和所述权值,输出变量为下一时刻的所述权值,由此获得权值向量的估计值;
可以看出,在获得相应的权值向量之后,可以采用BP神经网络构建以盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙为输入变量,权值为输出变量的非线性动态模型,其动态可以采用如下表示
V(k+1)=f(V(k),u(k))
式中,f(·)为盘磨系统的输入变量与权值之间的动态表达式,其采用BP神经网络进行建立;
步骤4、利用步骤3所述由BP神经网络构建的权值的非线性动态模型,结合步骤2所述RBF神经网络近似所述粉体粒度分布形状的PDF,得到粉体粒度分布形状的PDF的动态模型,用于对粉体粒度分布形状的PDF进行估计,所述动态模型为:
当盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙获得后,可以采用所述动态模型对粉体粒度分布形状进行的在线连续估计。
验证上述盘磨系统的粉体粒度分布形状估计方法的估计效果,验证方法为:
基于实际采集的180组数据,其中前100组数据用于通过上述方法构建所述粉体粒度分布形状的PDF动态模型,后80组用于验证所述动态模型的建模效果,选择4组RBF基函数,对粉体粒度分布的PDF进行近似,其中心值为
μ1=0.45,μ2=0.95,μ3=1.45,μ4=1.95
其宽度为
所述的4组RBF基函数结合采集盘磨系统的采集数据,利用所述的方法建立粉体粒度分布形状的PDF动态模型,并利用其进行粉体粒度分布形状的估计,其估计结果分别如图4~6所示,图4为实际采集的粉体粒度分布形状的PDF,图5是粉体粒度分布形状的PDF估计结果,图6为粉体粒度分布形状的PDF的估计误差,可以看出构建的所述动态模型具有很好的估计效果。
本实施方式提供一种盘磨系统的粉体粒度分布形状估计方法的系统,所述系统采用上述的盘磨系统的粉体粒度分布形状估计方法;所述系统如图7所示,包括:数据采集单元、粉体粒度分布形状近似单元、权值解耦计算单元和粉体粒度分布形状估计单元;
所述数据采集单元用于采集进料量、磨盘压力、磨盘转速、磨盘间隙、粉体粒度分布形状的PDF的数据;
所述粉体粒度分布形状近似单元用于通过具有高斯型激励函数的RBF神经网络近似所述的粉体粒度分布的PDF;
所述权值解耦计算单元用于利用逆运算对不同时刻粉体粒度分布形状的PDF相对应的权值进行解耦计算;
所述粉体粒度分布形状估计单元用于将所述的当前时刻的进料量、磨盘压力、磨盘转速、磨盘间隙和权值作为输入变量,下一时刻的权值作为输出变量,利用BP神经网络构建权值的非线性动态模型,将BP神经网络构建的权值非线性动态模型结合RBF神经网络近似部分估计粉体粒度分布的PDF形状;
所述的粉体粒度分布的PDF形状估计单元,如图8所示,包括粉体粒度分布形状的PDF近似模块和动态权值估计模块;
所述粉体粒度分布形状的PDF近似模块用于通过高斯型激励函数的RBF神经网络近似粉体粒度分布的PDF形状;
所述动态权值估计模块,用于将当前时刻的进料量、磨盘压力、磨盘转速、磨盘间隙和权值作为输入变量,下一时刻的权值作为输出变量,构建权值的BP神经网络的非线性动态模型。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (8)
1.一种盘磨系统的粉体粒度分布形状估计方法,其特征在于,包括以下步骤:
步骤1,采集盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙和粉体粒度分布形状的PDF,即粉粒粒度分布形状的概率密度函数的数据;
步骤2,采用具有高斯型激励函数的RBF神经网络,包括一组高斯基函数和相对应的权值,利用逆运算方法对不同时刻的与所述粉体粒度分布形状的PDF相对应的权值进行解耦计算;
步骤3、采用BP神经网络构建权值的非线性动态模型,所述非线性动态模型的调节变量为当前时刻盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙和所述权值,输出变量为下一时刻的所述权值,由此获得权值向量的估计值;
步骤4、利用步骤3所述由BP神经网络构建的权值的非线性动态模型,结合步骤2所述RBF神经网络近似所述粉体粒度分布形状的PDF,得到粉体粒度分布形状的PDF的动态模型,用于对粉体粒度分布形状的PDF进行估计。
2.根据权利要求1所述的盘磨系统的粉体粒度分布形状估计方法,其特征在于,所述步骤2包括以下步骤:
步骤2-1,将所述进料量、磨盘压力、磨盘转速、磨盘间隙作为输入变量,所述粉体粒度分布的PDF作为输出变量;
步骤2-2、采用具有高斯型激励函数的RBF神经网络近似所述粉体粒度分布形状的PDF,
步骤2-3、利用逆运算方法对不同时刻粉体粒度分布形状的PDF相对应的权值进行解耦计算。
3.根据权利要求2所述的盘磨系统的粉体粒度分布形状估计方法,其特征在于,所述步骤2.2中的近似方法为:
设粉体粒度y为描述动态盘磨系统输出的一致有界随机过程变量,y∈[a,ξ];
在任一采样时刻k,u(k)为该时刻与所述输入变量对应的调节输入向量,u(k)∈Rm;
在任一采样时刻k,粉体粒度分布形状可以通过其概率密度函数来描述,其定义式如下:
式中,γ(y,u(k))为粉体粒度分布形状的PDF;P(a≤y<ξ,u(k))表示盘磨系统在调节输入变量u(k)作用下的所述粉体粒度y落在区间[a,ξ]内的概率,本式表明粉体粒度分布形状的PDF由调节输入向量u(k)进行调节;
设区间[a,b]为已知且连续且有界,采用如下具有高斯型激励函数的RBF神经网络来逼近输出所述PDF:
首先,定义第l个网络节点的基函数Rl(y)如下式所示:
式中,l表示第l个网络节点,n为网络节点总数,μl表示第l个网络节点的基函数的中心值,σl表示第l个网络节点的基函数的宽度;
然后,利用RBF神经网络逼近原理,得出此时粉体粒度分布形状的PDF采用RBF神经网络的近似表示,即
式中,wl(u(k))为与第l个网络节点的基函数相对应的权值;
此外,由于粉体粒度分布形状的PDF需要满足如下自然隐含条件
则此时粉体粒度分布形状的PDF近似表达式为
γ(y,u(k))=C(y)V(k)+L(y)
式中
V(k)=[ω1(u(k)),ω2(u(k)),....,ωn-1(u(k))]T
上式表明,一旦所述基函数Rl(y)确定,所述有界区间[a,b]已知,则在n个所述权值中有n-1个是相互独立的。
4.根据权利要求3所述的盘磨系统的粉体粒度分布形状估计方法,其特征在于,所述步骤2.3中对所述权值进行解耦计算,具体方法为:
将粉体粒度分布形状的PDF的近似表达式表示为如下向量形式
对上式两边左乘[CT(y)Rn(y)]T,并对两边在所述区间[a,b]上进行积分,由此得到
当矩阵非奇异时,上式所示权值可以通过矩阵求逆获得
上式揭示了粉体粒度分布形状的PDF与所述权值之间关系,可以看出当所述基函数Rl(y)和粉体粒度分布形状的PDF数据可知时,便可获得相应的权值向量。
5.根据权利要求1所述的盘磨系统的粉体粒度分布形状估计方法,其特征在于,所述步骤3中权值的非线性动态模型的构建方法为:
在获得相应的权值向量之后,可以采用BP神经网络构建以盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙为输入变量,权值为输出变量的非线性动态模型,其动态可以采用如下表示
V(k+1)=f(V(k),u(k))
式中,f(·)为盘磨系统的输入变量与权值之间的动态表达式,其采用BP神经网络进行建立。
6.根据权利要求5所述的盘磨系统的粉体粒度分布形状估计方法,其特征在于,所述步骤4中所述动态模型为:
当盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙获得后,可以采用所述动态模型对粉体粒度分布形状进行的在线连续估计。
7.一种盘磨系统的粉体粒度分布形状估计方法的系统,其特征在于,所述系统采用权利要求1所述的盘磨系统的粉体粒度分布形状估计方法;所述系统包括:
数据采集单元、粉体粒度分布形状近似单元、权值解耦计算单元和粉体粒度分布形状估计单元;
所述数据采集单元用于采集进料量、磨盘压力、磨盘转速、磨盘间隙、粉体粒度分布形状的PDF的数据;
所述粉体粒度分布形状近似单元用于通过具有高斯型激励函数的RBF神经网络近似所述的粉体粒度分布的PDF;
所述权值解耦计算单元用于利用逆运算对不同时刻粉体粒度分布形状的PDF相对应的权值进行解耦计算;
所述粉体粒度分布形状估计单元用于将所述的当前时刻的进料量、磨盘压力、磨盘转速、磨盘间隙和权值作为输入变量,下一时刻的权值作为输出变量,利用BP神经网络构建权值的非线性动态模型,将BP神经网络构建的权值非线性动态模型结合RBF神经网络近似部分估计粉体粒度分布的PDF形状。
8.根据权利要求7所述的盘磨系统的粉体粒度分布形状估计方法的系统,其特征在于,所述的粉体粒度分布的PDF形状估计单元,包括粉体粒度分布形状的PDF近似模块和动态权值估计模块;
所述粉体粒度分布形状的PDF近似模块用于通过高斯型激励函数的RBF神经网络近似粉体粒度分布的PDF形状;
所述动态权值估计模块,用于将当前时刻的进料量、磨盘压力、磨盘转速、磨盘间隙和权值作为输入变量,下一时刻的权值作为输出变量,构建权值的BP神经网络的非线性动态模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810542037.5A CN108846178A (zh) | 2018-05-30 | 2018-05-30 | 一种盘磨系统的粉体粒度分布形状估计方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810542037.5A CN108846178A (zh) | 2018-05-30 | 2018-05-30 | 一种盘磨系统的粉体粒度分布形状估计方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108846178A true CN108846178A (zh) | 2018-11-20 |
Family
ID=64211292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810542037.5A Pending CN108846178A (zh) | 2018-05-30 | 2018-05-30 | 一种盘磨系统的粉体粒度分布形状估计方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846178A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109695174A (zh) * | 2018-12-28 | 2019-04-30 | 东北大学 | 磨浆过程纤维长度分布的pdf形状预测方法及系统 |
CN109847921A (zh) * | 2019-03-29 | 2019-06-07 | 东北大学 | 面向盘磨系统粉体粒度的随机分布控制实验装置及方法 |
US11860078B2 (en) | 2019-03-29 | 2024-01-02 | Northeastern University | Particle size distribution control in disc milling system based stochastic distribution control experimental device and method |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008209546A (ja) * | 2007-02-26 | 2008-09-11 | National Institute Of Advanced Industrial & Technology | 音高推定装置、音高推定方法およびプログラム |
CN104915505A (zh) * | 2015-06-18 | 2015-09-16 | 东北大学 | 一种高浓磨浆系统输出纤维形态分布pdf建模方法 |
CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
CN105676637A (zh) * | 2016-01-11 | 2016-06-15 | 华北电力大学 | 基于预测函数控制的分子量输出pdf控制方法 |
-
2018
- 2018-05-30 CN CN201810542037.5A patent/CN108846178A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008209546A (ja) * | 2007-02-26 | 2008-09-11 | National Institute Of Advanced Industrial & Technology | 音高推定装置、音高推定方法およびプログラム |
CN104915505A (zh) * | 2015-06-18 | 2015-09-16 | 东北大学 | 一种高浓磨浆系统输出纤维形态分布pdf建模方法 |
CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
CN105676637A (zh) * | 2016-01-11 | 2016-06-15 | 华北电力大学 | 基于预测函数控制的分子量输出pdf控制方法 |
Non-Patent Citations (2)
Title |
---|
张红燕 等: "磨矿粒度分布的概率密度函数跟踪控制研究", 《计算机仿真》 * |
李明杰,周平: "《磨浆过程输出纤维长度随机分布预测PDF控制》", 《HTTP://KNS.CNKI.NET/KCMS/DETAIL/11.2109.TP.20171102.1403.004.HTM1》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109695174A (zh) * | 2018-12-28 | 2019-04-30 | 东北大学 | 磨浆过程纤维长度分布的pdf形状预测方法及系统 |
CN109847921A (zh) * | 2019-03-29 | 2019-06-07 | 东北大学 | 面向盘磨系统粉体粒度的随机分布控制实验装置及方法 |
WO2020199231A1 (zh) * | 2019-03-29 | 2020-10-08 | 东北大学 | 面向盘磨系统粉体粒度的随机分布控制实验装置及方法 |
US11860078B2 (en) | 2019-03-29 | 2024-01-02 | Northeastern University | Particle size distribution control in disc milling system based stochastic distribution control experimental device and method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846178A (zh) | 一种盘磨系统的粉体粒度分布形状估计方法及其系统 | |
CN104915505B (zh) | 一种高浓磨浆系统输出纤维形态分布pdf建模方法 | |
CN108629091B (zh) | 一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法 | |
CN107563008A (zh) | 基于svd变换和支持向量空间的刀具运行可靠性评估方法 | |
CN108520125A (zh) | 一种预测刀具磨损状态的方法及系统 | |
CN111307277B (zh) | 基于变分模态分解和预测性能的单模态子信号选择方法 | |
CN106597149A (zh) | 一种基于加速灵敏度的振荡器剩余寿命估计方法 | |
CN107169205A (zh) | 一种铁矿石的分类建模方法 | |
CN115951646A (zh) | 一种α型半水石膏的智能生产控制方法及系统 | |
Simmel et al. | Numerical solution of the stochastic collection equation—Comparison of the linear discrete method with other methods | |
Nykyforov et al. | Construction of a regression model for assessing the efficiency of separation of lightweight seeds on vibratory machines involving measures to reduce the harmful influence of the aerodynamic factor | |
CN107451731A (zh) | 快速确定水泥球磨机陶瓷研磨体最佳级配的方法 | |
CN109695174B (zh) | 磨浆过程纤维长度分布的pdf形状预测方法及系统 | |
ÇELİK et al. | Modelling of the clearance effects in the blanking process of CuZn30 sheet metal using neural network− a comparative study | |
CH636281A5 (en) | Method and control arrangement for controlling the through-flow rate of a rotating grading mill system | |
US11860078B2 (en) | Particle size distribution control in disc milling system based stochastic distribution control experimental device and method | |
CN103562938A (zh) | 甘蔗准备单元和运行方法 | |
BUDĂCAN et al. | Influence of grains moisture content on milling parameters | |
CN108319803A (zh) | 一种超声切削刀具的多目标优化设计方法 | |
CN115860556B (zh) | 一种基于多变量相关性的高压辊磨机出料合格率检测方法 | |
CN113231153A (zh) | 球磨机进料速度精准控制模型及方法 | |
CN110008643A (zh) | 物料易磨性的评价方法及物料粉磨时间和粉磨物料细度的预测方法 | |
Tang et al. | Multi-source data fusion soft-sensor method for ball mill operating parameters based on transformation of radial basis function | |
Myhailovych et al. | Increasing efficiency of grinding process in single-roller grain mill | |
Polyansky et al. | Construction of a Regression Model for Assessing the Efficiency of Separation of Lightweight Seeds on Vibratory Machines Involving Measures to Reduce the Harmful Influence of the Aerodynamic Factor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181120 |
|
RJ01 | Rejection of invention patent application after publication |