CN112317110A - 基于深度学习的磨矿粒度预测系统及方法 - Google Patents
基于深度学习的磨矿粒度预测系统及方法 Download PDFInfo
- Publication number
- CN112317110A CN112317110A CN202011033130.7A CN202011033130A CN112317110A CN 112317110 A CN112317110 A CN 112317110A CN 202011033130 A CN202011033130 A CN 202011033130A CN 112317110 A CN112317110 A CN 112317110A
- Authority
- CN
- China
- Prior art keywords
- granularity
- grinding
- time
- ore
- model
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C23/00—Auxiliary methods or auxiliary devices or accessories specially adapted for crushing or disintegrating not provided for in preceding groups or not specially adapted to apparatus covered by a single preceding group
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于选矿磨矿粒度测量技术领域，尤其是涉及一种基于深度学习的磨矿粒度预测系统及方法，基于深度学习的磨矿粒度预测方法，其特征在于包括以下步骤：步骤1：一次磨矿分级给矿，加水，旋流压力，泵池液位、矿浆浓度和磨矿粒度的的历史数据进行自动采分析集；步骤2：根据磨矿工艺要求，进行深度学习的感知技术，建立双时间递归神经粒度预测模型。本发明既可以模拟出软件粒度仪用于未来生产预估粒度，也可以利用其作为强化学习环境模块；根据实时生产情况预测磨矿粒度，用于根据实时生产情况给出磨矿控制优化建议，实现生产过程的控制指导及磨矿粒度监控。
Description
技术领域
本发明属于选矿磨矿粒度测量技术领域，尤其是涉及一种基于深度学习的磨矿粒度预测系统及方法。
背景技术
磨矿分级作业是选矿流程中十分重要的工序，衡量磨矿分级产品质量的重要指标就是水力旋流器溢流粒度的分布情况，粒度的实时在线检测对磨矿过程的优化控制、提高矿石品位和金属回收率具有重要意义。
研究粒度测量，需要分析磨矿分级作业的工艺流程，磨矿分级作业的上一道工序是输送原矿石，通过皮带秤把原矿石送到球磨机内，同时通过给水阀给球磨机加入一定比例的水，通过球磨机研磨后，进入到泵池，再经过旋流泵，把球磨后的渣桨送到旋流器中，经过旋流器后，把没有磨碎的矿石返砂给球磨机，继续研磨，同时从旋流器溢流的矿浆被送到下一道工序。正常工艺过程中，根据给矿量、给水量、泵池液位、旋流器压力以及给矿浓度等参数，通过对这些参数的调节，保证磨矿粒度在一定范围内，磨矿粒度是通过粒度仪进行测量并显示，操作人员根据经验值进行调节各个参数。
但是现有的粒度仪一般都是国外进口的，造价昂贵，一般选矿厂难以承受，并且仪表的维护保养也比较复杂。目前，一些厂家的在线粒度仪不能正常使用，随着计算机科学飞速发展，仅靠硬件测量方法已经不能满足数字矿山的要求。
发明内容
本发明的目的是提供一种基于深度学习的磨矿粒度系统及方法，利用大量历史在线粒度检测数据，通过深度学习智能计算方法，建立相关模型，进行在线图形粒度显示，为软测量粒度技术解决这一难题提供了一条有效途径，具有成本相对比较低，检测预测速度快的特点，能够满足现场自动控制策略的实时性要求，有很强的实用性，适合于应用在数字矿山系统中。
本发明的目的是通过下述技术方案来实现的：
本发明的基于深度学习的磨矿粒度预测系统，其特征在于包括磨矿现场检测控制装置、采集实时数据的服务器包括历史数据、浏览统计分析服务器、深度学习服务器、数据处理服务器和用于显示磨矿预测粒度的多个计算机终端。
一种基于深度学习的磨矿粒度预测方法，其特征在于包括以下步骤：
步骤1：首先对一次磨矿分级给矿，加水，旋流压力，泵池液位、矿浆浓度和磨矿粒度的历史数据进行自动采集分析；
步骤2：根据磨矿工艺要求，进行深度学习的感知技术，建立双时间递归神经粒度预测模型。
所述的步骤2包括以下步骤：
步骤2-1：首先建立总体回归模型，多元回归模型的数学形式如下：
设因变量为Y，影响因变量的k个自变量分别为X1，X2，...，Xk，假设每一个自变量对因变量Y的影响都是线性的，也就是说，在其他自变量不变的情况下，Y的均值随着自变量Xi的变化均匀变化，总体回归模型表示为：
Y＝β0+β1X1+β2X2+…+βkXk+ε.
其中β0，β1，β2，...，βk称为回归参数；
步骤2-2：利用样本数据对模型参数作出估计；
步骤2-3：对模型参数进行假设检验；
步骤2-4：应用回归模型对因变量(被解释变量)作出预测；
步骤2-5：建立预测粒度模型；
在给定自变量Xi的条件下观察值Y的条件均值；总体参数β0，β1，β2，...，βk往往是未知的，需要根据样本观察值给出总体参数的相应的估计值
此时，
这里，
代表预测粒度，用X1表示给矿量，X2表示给水量，X3表示泵池液位，X4表示旋流器压力，X5表示给矿浓度的五元回归方程，通过计算可以确定回归系数
实际应用中Y代表实际测量粒度，yi是训练数据中标识的某一时刻粒度，
是
代表预测粒度模型预测的某一时刻粒度，这样可以计算使它们偏差最小；
MSE代表均方误差函数
n代表样本数
步骤2-6：建立双时间递归层的数学模型。
在所述的步骤2-5基础上，先建立采用时间递归神经网络的回归模型，该时间递归神经网络用来对球磨机系统产生的测量值进行时序分析，采用时间递归神经网络的回归模型时间递归神经网络用来对球磨机系统产生的测量值进行时序分析，并预测对应这些测量值的粒度值；这里用X1表示给矿量，X2表示给水量，X3表示泵池液位，X4表示旋流器压力，X5表示给矿浓度，X＝X1，X2，X3…Xm，X按照1分钟采样周期进行时间递归，作为输入变量；因为每次输入变量引起粒度变化需要20分钟时间后才能变化，那一时刻的粒度变化用S＝S1，S2，S3…Sn表示，就产生了一个双时间递归层的数学模型。
本发明的优点：
(1)本发明的基于深度学习的磨矿粒度预测系统及方法，既可以模拟出软件粒度仪用于未来生产预估粒度，也可以利用其作为强化学习环境模块；
(2)本发明的基于深度学习的磨矿粒度预测系统及方法，根据实时生产情况预测磨矿粒度，用于根据实时生产情况给出磨矿控制优化建议，实现生产过程的控制指导及磨矿粒度监控；
(3)本发明的基于深度学习的磨矿粒度预测系统及方法，给生产带来了很大的方便，实现从未知到先知，从被动到主动，从人为指导到智能指导，实现了合理精确给定各磨矿参数，实现粒度控制，为下一步选别作业打下了坚实的基础，保证了选矿生产质量。
附图说明
图1为本发明的预测系统组成图。
图2为本发明的预测方法步骤图。
图3为本发明的预测方法的模型工艺流程图。
图4为本发明的预测方法的时间递归神经网络结构图。
图5为本发明的预测方法的预测模型拟合图。
图6为本发明的预测方法的粒度预测和各变量对应关系曲线。
图7为本发明的预测方法的DNN训练的神经网络及拟合曲线。
具体实施方式
下面结合附图进一步说明本发明的具体实施方式。
如图1-7所示，本发明的基于深度学习的磨矿粒度预测系统，其特征在于包括依次相连接的磨矿现场检测控制装置、历史数据采集服务器、数据采集统计分析服务器、深度学习服务器、数据处理服务器和多个计算机终端。
一种基于深度学习的磨矿粒度预测方法，其特征在于包括以下步骤：
步骤1：一次磨矿分级的历史数据进行自动采集分析；
步骤2：根据磨矿工艺要求，进行深度学习的感知技术，建立双时间递归神经粒度预测模型；
所述的步骤2包括以下步骤：
步骤2-1：首先建立总体回归模型，多元回归模型的数学形式如下：
设因变量为Y，影响因变量的k个自变量分别为X1，X2，...，Xk，假设每一个自变量对因变量Y的影响都是线性的，也就是说，在其他自变量不变的情况下，Y的均值随着自变量Xi的变化均匀变化，总体回归模型表示为：
Y＝β0+β1X1+β2X2+...+βkXk+ε.
其中β0，β1，β2，...，βk称为回归参数；
步骤2-2：利用样本数据对模型参数作出估计；
步骤2-3：对模型参数进行假设检验；
步骤2-4：应用回归模型对因变量(被解释变量)作出预测；
步骤2-5：建立预测粒度模型；
在给定自变量Xi的条件下观察值Y的条件均值；总体参数β0，β1，β2，...，βk往往是未知的，需要根据样本观察值给出总体参数的相应的估计值
此时，
这里，
代表预测粒度，用X1表示给矿量，X2表示给水量，X3表示泵池液位，X4表示旋流器压力，X5表示给矿浓度的五元回归方程，通过计算可以确定回归系数
实际应用中Y代表实际测量粒度，yi是训练数据中标识的某一时刻粒度，
是
代表预测粒度模型预测的某一时刻粒度，这样可以计算使它们偏差最小；
MSE代表均方误差函数
n代表样本数
步骤2-6：建立双时间递归层的数学模型。
在所述的步骤2-5基础上，先建立采用时间递归神经网络的回归模型，该时间递归神经网络用来对球磨机系统产生的测量值进行时序分析，采用时间递归神经网络的回归模型时间递归神经网络用来对球磨机系统产生的测量值进行时序分析，并预测对应这些测量值的粒度值。这里用X1表示给矿量，X2表示给水量，X3表示泵池液位，X4表示旋流器压力，X5表示给矿浓度，X＝X1，X2，X3…Xm，X按照1分钟采样周期进行时间递归，作为输入变量；因为每次输入变量引起粒度变化需要20分钟时间后才能变化，那一时刻的粒度变化用S＝S1，S2，S3…Sn表示，就产生了一个双时间递归层的数学模型。
如图1所示，本发明的基于深度学习的磨矿粒度预测系统，包括磨矿现场检测控制装置、历史数据采集服务器、数据采集统计分析服务器、深度学习服务器、数据处理服务器和多个计算机终端，由历史数据采集服务器实时采集现场检测控制装置的数据，通过数据采集统计分析服务器从历史数据采集服务器中提取给矿量、给水量、泵池液位、旋流器压力、旋给浓度和溢流粒度，对这些数据进行统计分析后，送到深度学习服务器，预测出磨矿粒度，由数据处理服务器处理后，在计算机终端上显示。
所述的磨矿现场检测控制装置包括磨矿现场设备、一次球磨系统和二次球磨系统，通过人工操作一次球磨系统，设定给矿量、加水量、泵池液位、旋流器压力和浓度五项，分别对应五个度量指标；自动化控制有给矿、加水、旋流压力调整、泵池液位调整、浓度调整五个操作，分别对应给矿量测量、加水量测量、旋流压力测量、泵池液位测量和浓度测量五个指标；系统运行部分还包括-200目粒度测量、-60目粒度测量和粒度仪浓度测量三个度量指标。二次球磨系统包括2-1和2-2两个系统。在二次球磨系统中，人工操作有加水量设定、旋流压力设定和泵池液位设定三项，分别对应三个度量指标；自动化控制有加水、旋流压力调整、泵池液位调整三个操作，分别对应加水量测量、旋流压力测量和泵池液位测量三个指标；系统运行部分还包括浓度测量、-200目粒度测量、-60目粒度测量和粒度仪浓度测量四个度量指标。
所述的历史数据采集服务器，是一个大型的工业现场服务器，它集中了整个选厂所有运行设备的数据，也包括从一次球磨系统和二次球磨系统实时采集的所有数据。
所述的数据采集统计分析服务器，是从历史数据采集服务器中提取出相关数据：给矿量、给水量、泵池液位、旋流器压力、旋给浓度和溢流粒度，并对这些数据进行统计分析。
所述的深度学习服务器，实时接收数据采集统计分析服务器的数据，形成样本数据，搭建机器学习环境，抽取、转换、批处理样本数据，并对这些数据进行多次深度学习训练，建立磨矿预测粒度模型。
鉴于研究目标为指导工作进行操作，甚至未来对接自动化控制，所以机器学习采用深度学习方式进行；学习目标为设定环境范围为-200目粒度为60，给矿上限140t，根据当前的系统状态，包括给矿状态，加水状态，旋流压力状态，泵池液位状态和浓度状态给出系统调整状态，及给矿设定，加水设定，旋流压力设定，泵池液位设定及浓度设定。
深度学习训练数据为2015/8/6至2016/10/4范围内的测量数据，指标包括一次磨矿系统和二次磨矿系统的给矿量测量、加水量测量、旋流压力测量、泵池液位测量、浓度测量和-200目粒度测量六个度量指标。样本数据需要过滤掉粒度仪不稳定、检修等造成的停机部分样本，以保证样本的有效性。
所述的数据处理服务器，根据深度学习服务器中建立的模型，预测出磨矿粒度，送到计算机终端进行显示，同时还显示给矿状态，加水状态，旋流压力状态，泵池液位状态和浓度状态的系统调整状态，及给矿设定，加水设定，旋流压力设定，泵池液位设定及浓度设定目标，以指导系统修正下一阶段状态，指导岗位工人进行人工设定。
如图2所示，本发明的一种基于深度学习的磨矿粒度预测方法，包括以下步骤：
步骤1：一次磨矿分级给矿，加水，旋流压力，泵池液位、矿浆浓度和磨矿粒度的的历史数据进行自动采集；并对一次磨矿分级的历史数据进行数据分析，去除设备故障中的不可信数据。
步骤2：根据磨矿工艺要求，进行深度学习的感知技术，建立双时间递归神经粒度预测模型；
递归神经网络(RNN)是两种人工神经网络的总称。一种是时间递归神经网络(recurrent neural network)，又名循环神经网络，另一种是结构递归神经网络(recursive neural network)。我们系统主要用时间递归神经网络的神经元间连接构成矩阵。
为了描述问题的某一状态，必须用到该状态的上一状态，而描述上一状态，又必须用到上一状态的上一状态……这种用自己来定义自己的方法，称为递归定义。形式如f(n)＝n*f(n-1)，if n＝0，f(n)＝1。从问题的某一种可能出发，搜索从这种情况出发所能达到的所有可能，当这一条路走到“尽头”的时候，再倒回出发点，从另一个可能出发，继续搜索.这种不断“回溯”寻找解的方法，称作“回溯法”。递归是一种算法结构，递归会出现在子程序中自己调用自己或间接地自己调用自己。
回归分析是一种统计学上分析数据的方法，目的在于了解两个或多个变数间是否相关、相关方向与强度，并建立数学模型以便观察特定变数来预测研究者感兴趣的变数。更具体的来说，回归分析可以帮助人们了解在只有一个自变量变化时因变量的变化量。多元回归分析(Multiple Regression Analysis)是指在相关变量中将一个变量视为因变量，其他一个或多个变量视为自变量，建立多个变量之间线性或非线性数学模型数量关系式并利用样本数据进行分析的统计分析法。
通过以下步骤进行模型建立：
步骤2-1：首先建立总体回归模型，多元回归模型的数学形式如下：
设因变量为Y，影响因变量的k个自变量分别为X1，X2，...，Xk，假设每一个自变量对因变量Y的影响都是线性的，也就是说，在其他自变量不变的情况下，Y的均值随着自变量Xi的变化均匀变化，总体回归模型表示为：
Y＝β0+β1X1+β2X2+...+βkXk+ε.
其中β0，β1，β2，...，βk称为回归参数。
步骤2-2：利用样本数据对模型参数作出估计；
步骤2-3：对模型参数进行假设检验；
步骤2-4：应用回归模型对因变量(被解释变量)作出预测；
步骤2-5：建立预测粒度模型；
在给定自变量Xi的条件下观察值Y的条件均值。总体参数β0，β1，β2，...，βk往往是未知的，需要根据样本观察值给出总体参数的相应的估计值
此时，
这里，
代表预测粒度，用X1表示给矿量，X2表示给水量，X3表示泵池液位，X4表示旋流器压力，X5表示给矿浓度的五元回归方程，通过计算可以确定回归系数
实际应用中Y代表实际测量粒度，yi是训练数据中标识的某一时刻粒度，
是
代表预测粒度模型预测的某一时刻粒度，这样可以计算使它们偏差最小。
步骤2-6：建立双时间递归层的数学模型；
在步骤2-5基础上，先建立采用时间递归神经网络的回归模型，该时间递归神经网络用来对球磨机系统产生的测量值进行时序分析，采用时间递归神经网络的回归模型时间递归神经网络用来对球磨机系统产生的测量值进行时序分析，并预测对应这些测量值的粒度值。
如图3所示，这里用X1表示给矿量，X2表示给水量，X3表示泵池液位，X4表示旋流器压力，X5表示给矿浓度，X＝X1，X2，X3…Xm，X按照1分钟采样周期进行时间递归，作为输入变量；因为每次输入变量引起粒度Y变化需要20分钟时间后才能变化，那一时刻的粒度变化用S＝S1，S2，S3…Sn表示，就产生了一个双时间递归层的数学模型。
如图4所示，通过用一年多的历史数据，大约80000多组数据进行计算分析，用了双时间递归层的计算模型。模型训练优化器是Adam.其中模型的关键参数如下：
时间递归层的序列长度：10
时间递归层神经元数量：258
如图5所示，经过对一年多的历史数据，大约80000多组数据进行多次计算训练，预测模型将损失函数的粒度误差控制在1％以内。
如图6所示，此对应关系曲线是30分钟的变化趋势。根据计算模型，通过每分钟给矿量、给水量、旋流器给矿压力、泵池液位和矿浆浓度实际检测，可以预测出磨矿的产品粒度每分钟变化趋势。
如图7所示，通过DNN训练能够看出，神经网络对于测量数据的学习效果良好，神经元激活频次和幅度较高，能够较好的拟合和预测。
利用历史数据通过深度学习训练模型预测磨矿粒度，并对各个参数给出设定值，供岗位工人、车间领导和单位领导参考以及查询，可以通过推送平台定期或周期性推送给订阅用户，也可以通过集成服务发布到车间通过软件界面给岗位工人以直观参考。
本发明的基于深度学习的磨矿粒度系统及方法，既可以模拟出软件粒度仪用于未来生产预估粒度，也可以利用其作为强化学习环境模块；根据实时生产情况预测磨矿粒度，用于根据实时生产情况给出磨矿控制优化建议，实现生产过程的控制指导及磨矿粒度监控；给生产带来了很大的方便，实现从未知到先知，从被动到主动，从人为指导到智能指导，实现了合理精确给定各磨矿参数，实现粒度控制，为下一步选别作业打下了坚实的基础，保证了选矿生产质量。
Claims (4)
1.一种基于深度学习的磨矿粒度预测系统，其特征在于包括磨矿现场检测控制装置、采集实时数据的服务器包括历史数据、浏览统计分析服务器、深度学习服务器、数据处理服务器和用于显示磨矿预测粒度的多个计算机终端。
2.一种基于深度学习的磨矿粒度预测方法，其特征在于包括以下步骤：
步骤1：首先对一次磨矿分级给矿，加水，旋流压力，泵池液位、矿浆浓度和磨矿粒度的历史数据进行自动采集分析；
步骤2：根据磨矿工艺要求，进行深度学习的感知技术，建立双时间递归神经粒度预测模型。
3.根据权利要求2所述的基于深度学习的磨矿粒度预测方法，其特征在于所述的步骤2包括以下步骤：
步骤2-1：首先建立总体回归模型，多元回归模型的数学形式如下：
设因变量为Y，影响因变量的k个自变量分别为X1，X2，...，Xk，假设每一个自变量对因变量Y的影响都是线性的，也就是说，在其他自变量不变的情况下，Y的均值随着自变量Xi的变化均匀变化，总体回归模型表示为：
Y＝β0+β1X1+β2X2+...+βkXk+ε.
其中β0，β1，β2，...，βk称为回归参数；
步骤2-2：利用样本数据对模型参数作出估计；
步骤2-3：对模型参数进行假设检验；
步骤2-4：应用回归模型对因变量(被解释变量)作出预测；
步骤2-5：建立预测粒度模型；
在给定自变量Xi的条件下观察值Y的条件均值；总体参数β0，β1，β2，...，βk往往是未知的，需要根据样本观察值给出总体参数的相应的估计值
此时，
这里，
代表预测粒度，用X1表示给矿量，X2表示给水量，X3表示泵池液位，X4表示旋流器压力，X5表示给矿浓度的五元回归方程，通过计算可以确定回归系数
实际应用中Y代表实际测量粒度，yi是训练数据中标识的某一时刻粒度，
是
代表预测粒度模型预测的某一时刻粒度，这样可以计算使它们偏差最小；
MSE代表均方误差函数
n代表样本数
步骤2-6：建立双时间递归层的数学模型。
4.根据权利要求3所述的基于深度学习的磨矿粒度预测方法，其特征在于在所述的步骤2-5基础上，先建立采用时间递归神经网络的回归模型，该时间递归神经网络用来对球磨机系统产生的测量值进行时序分析，采用时间递归神经网络的回归模型时间递归神经网络用来对球磨机系统产生的测量值进行时序分析，并预测对应这些测量值的粒度值；这里用X1表示给矿量，X2表示给水量，X3表示泵池液位，X4表示旋流器压力，X5表示给矿浓度，X＝X1，X2，X3…Xm，X按照1分钟采样周期进行时间递归，作为输入变量；因为每次输入变量引起粒度变化需要20分钟时间后才能变化，那一时刻的粒度变化用S＝S1，S2，S3…Sn表示，就产生了一个双时间递归层的数学模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011033130.7A CN112317110A (zh) | 2020-09-27 | 2020-09-27 | 基于深度学习的磨矿粒度预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011033130.7A CN112317110A (zh) | 2020-09-27 | 2020-09-27 | 基于深度学习的磨矿粒度预测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112317110A true CN112317110A (zh) | 2021-02-05 |
Family
ID=74303409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011033130.7A Pending CN112317110A (zh) | 2020-09-27 | 2020-09-27 | 基于深度学习的磨矿粒度预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112317110A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112993345A (zh) * | 2021-04-21 | 2021-06-18 | 北京氢澜科技有限公司 | 基于人工智能的燃料电池控制系统及控制方法 |
| CN113075080A (zh) * | 2021-03-22 | 2021-07-06 | 江苏仕能工业技术有限公司 | 基于物联网的矿浆监测系统 |
| CN113252520A (zh) * | 2021-06-03 | 2021-08-13 | 中冶北方（大连）工程技术有限公司 | 基于称重分析的球团矿粒度监测控制系统及方法 |
| CN113289759A (zh) * | 2021-06-01 | 2021-08-24 | 浙江大学 | 干法粉磨系统微粉粒度分布调控方法及装置 |
| CN113326610A (zh) * | 2021-05-21 | 2021-08-31 | 浙江大学 | 一种基于油高软测量预测的加油站油罐泄漏检测预警方法 |
| CN113751179A (zh) * | 2021-09-15 | 2021-12-07 | 矿冶科技集团有限公司 | 半自磨机优化控制方法、系统及电子设备 |
| CN114308358A (zh) * | 2022-03-17 | 2022-04-12 | 山东金有粮脱皮制粉设备有限公司 | 一种玉米芯磨粉设备的安全运行监测系统 |
| CN114733617A (zh) * | 2022-03-10 | 2022-07-12 | 中南大学 | 一种磨矿分级过程的nmpc-pi控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1161753A (zh) * | 1994-10-24 | 1997-10-08 | 奥林公司 | 模型预测控制装置与方法 |
| DE102006019417A1 (de) * | 2006-04-26 | 2007-11-15 | Siemens Ag | Verfahren zum Betrieb eines Mühlensystems |
| CN102652925A (zh) * | 2012-04-26 | 2012-09-05 | 中冶南方工程技术有限公司 | 高炉喷煤中速磨制粉系统煤粉粒度的测量系统 |
| CN103412489A (zh) * | 2013-08-12 | 2013-11-27 | 东北大学 | 一种磨矿粒度在线预报系统及方法 |
| CN105057079A (zh) * | 2015-08-10 | 2015-11-18 | 中国黄金集团内蒙古矿业有限公司 | 磨矿矿石粒度控制系统及控制方法 |
| CN107506862A (zh) * | 2017-08-28 | 2017-12-22 | 东北大学 | 一种基于物联网的磨矿粒度在线实时预测系统及方法 |
-
2020
- 2020-09-27 CN CN202011033130.7A patent/CN112317110A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1161753A (zh) * | 1994-10-24 | 1997-10-08 | 奥林公司 | 模型预测控制装置与方法 |
| DE102006019417A1 (de) * | 2006-04-26 | 2007-11-15 | Siemens Ag | Verfahren zum Betrieb eines Mühlensystems |
| CN102652925A (zh) * | 2012-04-26 | 2012-09-05 | 中冶南方工程技术有限公司 | 高炉喷煤中速磨制粉系统煤粉粒度的测量系统 |
| CN103412489A (zh) * | 2013-08-12 | 2013-11-27 | 东北大学 | 一种磨矿粒度在线预报系统及方法 |
| CN105057079A (zh) * | 2015-08-10 | 2015-11-18 | 中国黄金集团内蒙古矿业有限公司 | 磨矿矿石粒度控制系统及控制方法 |
| CN107506862A (zh) * | 2017-08-28 | 2017-12-22 | 东北大学 | 一种基于物联网的磨矿粒度在线实时预测系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 俞海莲: "《统计学原理》", 31 January 2020, 中国轻工业出版社 * |
| 党建武: "《神经网络技术及应用》", 31 July 2000, 中国铁道出版社 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113075080A (zh) * | 2021-03-22 | 2021-07-06 | 江苏仕能工业技术有限公司 | 基于物联网的矿浆监测系统 |
| CN112993345A (zh) * | 2021-04-21 | 2021-06-18 | 北京氢澜科技有限公司 | 基于人工智能的燃料电池控制系统及控制方法 |
| CN112993345B (zh) * | 2021-04-21 | 2022-05-03 | 北京氢澜科技有限公司 | 基于人工智能的燃料电池控制系统及控制方法 |
| CN113326610A (zh) * | 2021-05-21 | 2021-08-31 | 浙江大学 | 一种基于油高软测量预测的加油站油罐泄漏检测预警方法 |
| CN113289759A (zh) * | 2021-06-01 | 2021-08-24 | 浙江大学 | 干法粉磨系统微粉粒度分布调控方法及装置 |
| CN113252520A (zh) * | 2021-06-03 | 2021-08-13 | 中冶北方（大连）工程技术有限公司 | 基于称重分析的球团矿粒度监测控制系统及方法 |
| CN113751179A (zh) * | 2021-09-15 | 2021-12-07 | 矿冶科技集团有限公司 | 半自磨机优化控制方法、系统及电子设备 |
| CN113751179B (zh) * | 2021-09-15 | 2022-04-26 | 矿冶科技集团有限公司 | 半自磨机优化控制方法、系统及电子设备 |
| CN114733617A (zh) * | 2022-03-10 | 2022-07-12 | 中南大学 | 一种磨矿分级过程的nmpc-pi控制方法及系统 |
| CN114308358A (zh) * | 2022-03-17 | 2022-04-12 | 山东金有粮脱皮制粉设备有限公司 | 一种玉米芯磨粉设备的安全运行监测系统 |
| CN114308358B (zh) * | 2022-03-17 | 2022-05-27 | 山东金有粮脱皮制粉设备有限公司 | 一种玉米芯磨粉设备的安全运行监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112317110A (zh) | 基于深度学习的磨矿粒度预测系统及方法 | |
| DE102017108169B4 (de) | Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt | |
| Kaartinen et al. | Machine-vision-based control of zinc flotation—a case study | |
| CN104537415B (zh) | 一种基于压缩感知和dros‑elm的非线性过程工业故障预测及识别方法 | |
| CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
| CN110322014A (zh) | 一种基于bp神经网络的水泥成品比表面积预测方法 | |
| CN106845826B (zh) | 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法 | |
| DE102021201296A1 (de) | Vorhersagemodell zum Vorhersagen von Produktqualitätsparameterwerten | |
| CN104199389A (zh) | 金湿法冶金置换过程的优化方法 | |
| CN115186996A (zh) | 回转窑工艺参数控制方法、装置、电子设备及存储介质 | |
| CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
| CN104263960B (zh) | 金湿法冶金置换过程中置换率和金泥品位的在线预测方法 | |
| Yan et al. | Estimation of copper concentrate grade for copper flotation | |
| CN100370453C (zh) | 稀土串级萃取分离组分含量软测量方法 | |
| CN113420500A (zh) | 智能常减压系统 | |
| CN110276128B (zh) | 一种基于dajypls算法的浓密机底流浓度预测方法 | |
| CN107121490A (zh) | 一种湿法冶金过程中运行状态的评价方法 | |
| CN113050548A (zh) | 基于现场生产经验和化工机理模型的辅助决策系统及方法、电子设备、存储介质 | |
| CN115729103A (zh) | 一种磨矿分级过程的模糊优化控制方法和设备 | |
| Zhang et al. | Stochastic chance-constrained optimization framework for the thickening-dewatering process with an uncertain feed quantity | |
| CN114368768B (zh) | 基于lstm的氢氧化铝晶种粒度细化爆发预测模型及方法 | |
| Ragozin et al. | State Prediction in Compound Control Systems via Time Series: Neural Network Approach | |
| Chu et al. | Latent variable techniques based operating performance assessment for the dense medium coal preparation process | |
| CN112966861A (zh) | 一种基于案例匹配的产耗平衡测算方法 | |
| CN112348415B (zh) | 一种mes生产排程延时关联分析方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |