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

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

一种盘磨系统的粉体粒度分布形状估计方法及其系统

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)∈R^m；

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R_l(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，μ_l表示第l个网络节点的基函数的中心值，σ_l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,w_l(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)),....,ω_n-1(u(k))]^T

上式表明，一旦所述基函数R_l(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[C^T(y)R_n(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R_l(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)∈R^m；

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R_l(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，μ_l表示第l个网络节点的基函数的中心值，σ_l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,w_l(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)),....,ω_n-1(u(k))]^T

上式表明，一旦所述基函数R_l(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[C^T(y)R_n(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R_l(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)∈R^m；

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R_l(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，μ_l表示第l个网络节点的基函数的中心值，σ_l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,w_l(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)),....,ω_n-1(u(k))]^T

上式表明，一旦所述基函数R_l(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[C^T(y)R_n(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R_l(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。