CN113289541B - 一种基于混匀度预测的混合机控制系统及方法 - Google Patents

Abstract

本申请涉及钢铁冶炼技术领域，提供的一种基于混匀度预测的混合机控制系统及方法，混合机控制系统包括混合机、混合料供应设备、混合机的转速控制器和进出料控制器、混合料供应设备的供料控制器，以及中央处理器；通过采集混合料的组份以及各组份的配比、填充率、堆密度、含水率和粘结剂占比，以及混合筒转速、主桨转速和副桨转速，得到多个预测步长的混匀度预测值，并将多个预测步长的混匀度预测值和预设的每个步长的混匀度目标值，进行分析与计算，得到每个预测步长的混匀度偏差值，将多个预测步长的混匀度偏差值输入滚动优化模型，得到待调整的混合筒转速、主桨转速和副桨转速，从而实现基于混匀度预测的混合机控制。

Description

一种基于混匀度预测的混合机控制系统及方法

技术领域

本申请涉及钢铁冶炼技术领域，尤其涉及一种基于混匀度预测的混合机控制系统及方法。

背景技术

强力混合机是一种连续旋转的圆筒形机器，以下简称混合机，用于对物料进行搅拌和混合。参考图1和图2，图1示出的是现有技术中一种强力混合机的主视图，图2是与图1对应的俯视图。图1和图2所示的强力混合机100包括混合筒1、搅拌桨(图中未示出)、称重传感器2、卸料口3和进料口4，其中搅拌桨包括主浆和副桨。混合机在正常工作中，物料从进料口4进入混合筒1，搅拌桨和混合筒1通过旋转的方式，混匀盛装于混合筒1内的物料，混匀后的物料经混合筒底部的卸料口3排出。

混合机是冶金烧结、球团工艺中主要设备之一。在烧结工艺中，通过在配料设备与烧结机之间，布置多台强力混合机，将已配好的铁原料、燃料和熔剂，添加适量水分，并混合、制粒，以形成成分均匀、水分适中、透气性良好、有一定强度的混合料供给烧结机烧结。在球团工艺中，将混合机布置在高压辊磨设备于造球设备之间，主要作用是将细磨铁精矿粉或其他含铁粉料与少量添加剂充分混匀，是保障球团矿品质的关键工序之一。由此可知，强力混合机的物料混匀度，对物料后续烧结或者造球的品质，具有重要意义。

实际生产过程中，影响混合机混匀度的因素主要包括两方面，一是混合料的状态，例如，混合料的平均密度、含水率和粘结剂占比；二是混合机的状态。例如，混合筒转速、主桨转速、副桨转速、混合筒内混合料的填充率以及混合时间。由于混合料的状态需要考虑整个生产工艺的需求，在进行混合时，一般不再调整混合料的状态，而对于混合机的状态，由于混合机需要配合其他设备的产量需求，不适宜调整混合筒内混合料的填充率以及混合时间。故，工作人员一般通过调控混合筒转速、主桨转速和副桨转速，实现对混合机混匀度的控制。

现有技术中，工作人员一般根据工作经验以及混合料的取样离线检测，对混合机进行控制，但是，人工经验易受工作人员主观因素影响，往往导致经过混合后的混合料品质不稳定，而混合料的取样离线检测，具有较长时间的滞后，无法准确体现当前混合机状态参数下，混合后混合料的混匀度，从而降低对当前混合机调控的指导性。

发明内容

本申请提供了一种基于混匀度预测的混合机控制系统及方法，以解决经混合机混合后的混合料品质不稳定的问题。

本申请第一方面提供一种基于混匀度预测的混合机控制系统，混合机控制系统包括混合机和混合料供应设备，混合料供应设备连接混合机的进料口，用于向混合机提供混合料；混合机控制系统还包括与混合机连接的转速控制器和进出料控制器、与混合料供应设备连接的供料控制器，以及分别与转速控制器、进出料控制器和供料控制器连接的中央处理器；其中，中央处理器被配置执行以下步骤：

接收进出料控制器发送的混合料的填充率，以及接收供料控制器发送的混合料的组份以及各组份的配比、堆密度，含水率和粘结剂占比，以及接收转速控制器发送的混合筒转速、主桨转速和副桨转速；

根据混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率，以及混合筒转速、主桨转速和副桨转速，对混匀度进行预测，得到多个预测步长的混匀度预测值；

根据多个预测步长的混匀度预测值和预设的每个步长的混匀度目标值，计算得到每个预测步长的混匀度偏差值；

将多个预测步长的混匀度偏差值输入滚动优化模型，得到待调整的混合筒转速、主桨转速和副桨转速，驱动转速控制器将混合筒转速、主桨转速和副桨转速调整为待调整的混合筒转速、主桨转速和副桨转速；

其中，多个预测步长是按照预先设定的时间间隔为一个预测步长；滚动优化模型用于在混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率数值均不变的条件下，计算出混合料的混匀度偏差值的方差最小时，对应的混合筒转速、主桨转速和副桨转速。

可选的，每个预测步长的混匀度偏差值通过以下方式得到：

E(k)＝(e(k|k)，e(k|k+1)，…，e(k|k+j))

e(k|k+j)＝(r(k+j)-y(k|k+j))

R(k)＝(r(k)，r(k+1)，…，r(k+j))

Y(k)＝(y(k|k)，y(k|k+1)，…，y(k|k+j))

其中，E(k)是指k时刻混匀度偏差值序列；e(k|k+j)是指k时刻第k+j步长的混匀度偏差值；R(k)k时刻混匀度目标值序列；r(k+j)是指k+j步长的混匀度目标值；Y(k)k时刻混匀度预测值序列；y(k|k+j)是指k时刻第k+j步长的混匀度预测值，j＝，，……，n，n是大于或等于的整数。

可选的，多个预测步长的混合料的混匀度偏差值的方差通过以下方式得到：

其中，σ是多个预测步长的混合料的混匀度偏差值的方差。

可选的，根据混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率，以及混合筒转速、主桨转速和副桨转速，对混匀度进行预测，得到多个预测步长的混匀度预测值，具体执行以下步骤：

将同一时刻的堆密度、混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间；

根据量化后的堆密度堆密度、混合筒转速、主桨转速和副桨转速，以及混合料的组份以及各组份的配比、含水率、粘结剂占比和填充率，生成预测样本；

将预测样本输入到预先建立的动态预测模型中，获得混匀度预测值，动态预测模型中包含预测样本与混匀度预测值的映射关系。

可选的，混合机控制系统还包括混合料的混匀度检测机构，混匀度检测机构包括取样装置和离线检测装置；取样装置用于按照预先设定的时间间隔，从混合机不同深度获取混合料检测样本，并将混合料检测样本输入离线检测装置，离线检测装置用于测量检测样本的混匀度，获得混合料的混匀度测量值；

在将预测样本输入到预先建立的动态预测模型中，获得混匀度预测值的步骤之前，还包括：

混匀度获取预测样本采集时间点之前，且与预测样本最近的学习样本，其中，学习样本包括学习样本输入，以及学习样本对应的混匀度测量值；

利用学习样本在线更新动态预测模型，获取更新后的动态预测模型。

可选的，将同一时刻的堆密度、混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间，具体执行以下步骤：

计算堆密度与各组份中密度最大的组份的密度的比值；计算混合筒转速与混合筒的最大转速的比值；计算主桨转速与主桨的最大转速的比值；计算副桨转速与副桨的最大转速的比值。

可选的，混合机控制系统还包括混合料的混匀度检测机构，混匀度检测机构包括取样装置和离线检测装置；取样装置用于按照预先设定的时间间隔，从混合机不同深度获取混合料检测样本，并将混合料检测样本输入离线检测装置，离线检测装置用于测量检测样本的混匀度，获得混合料的混匀度测量值；

动态预测模型是基于神经网络模型训练生成，并按照以下步骤建立：

获取N组独立的混合料参数以及对应的混合机状态参数，混合料参数包括混合料的组份以及各组份的配比、堆密度、含水率、粘结剂占比和混合筒内混合料的填充率，混合机状态参数包括混合筒转速、主桨转速和副桨转速；

将N组独立的混合料参数以及对应的混合机状态参数，作为N组训练样本的输入；

按照预先设定的时间间隔，从混合机不同深度获取混合料检测样本，对检测样本进行离线测量，获得混合料的混匀度测量值；并将一个混匀周期的测量值，作为N组训练样本的输出；

利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练神经网络模型；

通过迭代训练不断更新神经网络模型的权重参数、偏置参数以及学习因子；

若神经网络模型的预测值与测量值达到设定的允差范围，或神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得动态预测模型。

可选的，混合机控制系统还包括混合料的混匀度检测机构，混匀度检测机构包括取样装置和离线检测装置；取样装置用于按照预先设定的时间间隔，从混合机不同深度获取混合料检测样本，并将混合料检测样本输入离线检测装置，离线检测装置用于测量检测样本的混匀度，获得混合料的混匀度测量值；

动态预测模型还可以是混匀度预测表，并按照以下步骤建立：

获取N组独立的混合料参数以及对应的混合机状态参数，混合料参数包括混合料的组份以及各组分的配比、堆密度、含水率、粘结剂占比和混合筒内混合料的填充率，混合机状态参数包括混合筒转速、主桨转速和副桨转速；

按照预先设定的时间间隔，从混合机不同深度获取混合料检测样本，对检测样本进行离线测量，获得混合料的混匀度测量值；

对N组独立的混合料参数、混合机状态参数以及对应的混匀度测量值，进行统计分析，建立混匀度预测表。

本申请第二方面提供一种基于混匀度预测的混合机控制方法，混合机控制方法包括：

根据混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率，以及混合筒转速、主桨转速和副桨转速，对混匀度进行预测，得到多个预测步长的混匀度预测值；

根据多个预测步长的混匀度预测值和预设的每个步长的混匀度目标值，计算得到每个预测步长的混匀度偏差值；

将多个预测步长的混匀度偏差值输入滚动优化模型，得到待调整的混合筒转速、主桨转速和副桨转速，驱动转速控制器将混合筒转速、主桨转速和副桨转速调整为待调整的混合筒转速、主桨转速和副桨转速；

其中，多个预测步长是按照预先设定的时间间隔为一个预测步长；滚动优化模型用于在混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率数值均不变的条件下，计算出混合料的混匀度偏差值的方差最小时，对应的混合筒转速、主桨转速和副桨转速。

由以上技术方案可知，本申请提供的一种基于混匀度预测的混合机控制系统及方法，混合机控制系统包括混合机和混合料供应设备，混合料供应设备连接混合机的进料口，用于向混合机提供混合料；混合机控制系统还包括与混合机连接的转速控制器和进出料控制器、与混合料供应设备连接的供料控制器，以及分别与转速控制器、进出料控制器和供料控制器连接的中央处理器；通过采集混合料的填充率组份以及各组份的配比、堆密度，含水率和粘结剂占比，以及混合筒转速、主桨转速和副桨转速，得到多个预测步长的混匀度预测值，并将多个预测步长的混匀度预测值和预设的每个步长的混匀度目标值，进行分析与计算，得到每个预测步长的混匀度偏差值，将多个预测步长的混匀度偏差值输入滚动优化模型，得到待调整的混合筒转速、主桨转速和副桨转速，从而将待调整的混合筒转速、主桨转速和副桨转速作为混合机的控制量，实现基于混匀度预测的混合机控制。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为现有技术中一种强力混合机的主视图；

图2为图1对应的一种强力混合机的俯视图；

图3为本申请实施例提供的混合机控制系统的整体结构示意图；

图4为本申请实施例提供的中央处理器被配置的执行步骤流程图；

图5为本申请实施例提供的利用动态预测模型获得混匀度预测值的流程图；

图6为本申请实施例提供的在线更新动态预测模型的流程图；

图7为本申请实施例提供的一种神经网络模型的结构示意图；

图8为本申请实施例提供的LSTM神经网络模型的结构示意图；

图9为本申请实施例提供的另一种生成动态预测模型的流程图。

图示说明：

其中，100-混合机，101-转速控制器，102-进出料控制器，1-混合筒，2-称重传感器，3-卸料口，4-进料口，5-混合料供应设备，501-供料控制器，6-中央处理器，7-混匀度检测机构。

具体实施方式

下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。

为了解决经混合机100混合后的混合料品质不稳定(混匀度不达标)的问题。如图3所示，本申请实施例提供一种基于混匀度预测的混合机控制系统，所述混合机控制系统包括混合机100和混合料供应设备5，实际应用过程中，所述混合料供应设备5可以采用圆辊给料机，并将圆辊给料机的卸料口3连接所述混合机100的进料口4，从而向混合机100提供混合料；所述混合机控制系统还包括用于控制所述混合机100的混合筒转速、主桨转速和副桨转速的转速控制器101，以及控制所述混合筒1进料口4和卸料口3的进出料控制器102，所述进出料控制器102可以控制所述混合机100的进出料情况，以及监测所述混合筒1进料口4和卸料口3的混合料流量。

所述混合机控制系统还包括与混合料供应设备5连接的供料控制器501，所述供料控制器501可以为圆辊给料机的圆辊转速控制器。用于控制所述混合料供应设备5的混合料供给速度；还包括分别与转速控制器12、进出料控制器102和供料控制器501连接的中央处理器6。

如图4所示，所述中央处理器6被配置执行以下步骤：

步骤S101，接收所述进出料控制器102发送的混合料的填充率，以及接收所述供料控制器501发送的混合料的组份以及各组份的配比、堆密度，含水率和粘结剂占比，以及接收转速控制器101发送的混合筒转速、主桨转速和副桨转速。

混合筒内混合料的填充率可以通过控制混合筒的进料量和排料量控制，混合料的含水率和堆密度可以根据物料成分计算，由于在混合前，混合料的含水率一般能够保持在相对稳定的水平，含水率和堆密度可以通过抽样检测获得，并将检测的结果储存在混合机100的上游的混合料供应装置的供料控制器501中，在对混合料进行混合前，需要为混合机100提供一定配比成分的混合料，混合料中各组分的配比需要根据生产要求，严格控制混合料的配比关系，且，需要将记录混合料的配比关系，输入到混合料供应装置的供料控制器501中，供料控制器501中可以记录或存储生产各种混合料的生产要素系，故所述粘结剂占比可从物料的供料控制器501获取。需要说明的是，这里所说的各组份的配比实质各组分的质量占比关系。

所述转速控制器101能够控制所述混合筒转速、主桨转速和副桨转速，对于所述转速控制器101发送给所述中央处理器6的转速，可以是所述转速控制器101输出到所述混合筒转速、主桨转速和副桨转速的控制量，也可以是所述转速控制器101通过传感器测量的转速，采用传感器测量转速，具体方式可以为分别在混合筒、主桨和副桨的驱动轴上安装转速传感器，通过传输传感器获取驱动轴的转速，从而获得混合筒转速、主桨转速和副桨转速。

其中，转速传感器是将旋转物体的转速转换为电量输出的传感器，例如采用磁敏式转速传感器或者激光式转速传感器。在转速的检测过程中，若检测的转速处于稳定状态下，将稳定状态下的驱动轴转速保存，并作为后续的检测数据使用，若检测到的驱动轴转速出现变化，则实时更新保存的驱动轴转速。

步骤S102，根据混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率，以及混合筒转速、主桨转速和副桨转速，对混匀度进行预测，得到多个预测步长的混匀度预测值。

其中，由于同一时刻的堆密度、含水率、粘结剂占比、填充率、混合筒转速、主桨转速和副桨转速的数据量纲及数据类型不同，无法直接对这些数据进行运算。如图5所示，在本申请实施例中，需要对堆密度、混合筒转速、主桨转速和副桨转速进行数据与处理。

步骤S201，将同一时刻的堆密度、混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间。

即，计算堆密度与各组份中密度最大的组份的密度的比值，计算混合筒转速与混合筒的最大转速的比值；计算主桨转速与主桨的最大转速的比值；计算副桨转速与副桨的最大转速的比值。量化后的同一区间为区间(0，1)。

其中，堆密度的量化模型为：

混合筒转速的量化模型为：

主桨转速的量化模型为：

副桨转速的量化模型为：

其中，β表示各组份的配比，Norm(ρ)表示量化后堆密度，ρ表示堆密度，

表示各组份中密度最大的组份的密度；r₁表示含水率，r₂表示粘结剂占比，r₃表示填充率；Norm(n₁)表示量化后的混合筒转速，n₁表示混合筒转速，

表示混合筒的最大转速；Norm(n₂)表示量化后的主桨转速，n₂表示主桨转速，

表示主桨的最大转速；Norm(n₃)表示量化后的副桨转速，n₃表示副桨转速，

表示副桨的最大转速。

步骤S202，根据量化后的堆密度、混合筒转速、主桨转速和副桨转速，以及混合料的组份以及各组份的配比、含水率、粘结剂占比和填充率，生成预测样本。

经过缩放量化的参数如下：

X(k)＝(x₁(k)，x₂(k)，x₃(k)，x₄(k)，x₅(k)，x₆(k)，x₇(k)，x₈(k))＝Norm(β，ρ，r₁，r₂，r₃，n₁，n₂，n₃)。

X(k)表示用于预测模型的输入数据，x₁(k)，x₂(k)，x₃(k)，x₄(k)，x₅(k)，x₆(k)，x₇(k)，x₈(k)别对应

r₁，r₂，r₃，n₁，n₂，n₃处理后的数据，其中，x₁(k)和x₂(k)包含了混合料各组份的配比和堆密度，在实际应用中，可以用数字对各组份进行编号，在x₁(k)和x₂(k)中将组份的编号与组份的配比和密度对应。

所述预测样本是将混匀度的影响因素按照一定规律整合，例如，对于拥有三种组份的混合料，将混匀度的影响因素按照以下顺序整合为一个集合或者特征向量：

3.

x₃(k)，x₄(k)，x₅(k)，x₆(k)，x₇(k)，x₈(k)

其中，第一位的3表示混合料具有三种组份，3之后的

分别表示编号1，4，6三种组份的配比，

分别表示编号1，4，6三种原料的堆密度，x₃(k)，x₄(k)，x₅(k)，x₆(k)，x₇(k)，x₈(k)分别表示含水率、接剂占比、填充率、混合筒转速、主桨转速和副桨转速。

步骤S203，将预测样本输入到预先建立的动态预测模型中，获得混匀度预测值，所述动态预测模型中包含预测样本与混匀度预测值的映射关系。

所述映射关系中包含了不同时长下的混匀度预测值，可以根据实际工程需要，将混合料的整个混合过程分为多个步长，例如一个步长为十秒，则所述动态预测模型根据映射关系可以得到以下多个步长的混匀度预测值：

y(k|k)，y(k|k+1)，y(k|k+2)，...，y(k|k+j)

其中，j为预测步长，k为预测样本的具体时刻。

由于动态预测模型是依据部分混合机100的实际生产数据预先建立，而在应用阶段，动态预测模型会使用在所有混合机100设备上，而不同混合机100的实际工况存在一定的差异性，以及同一混合机100在长期使用过程中，随着时间推移，工况也会发生一定的变化，在此情况下，若动态预测模型没有适应性的调整，可能会出现混匀度预测结果与实际结果偏差较大的情况，为了避免这一技术问题，在本申请的部分实施例中提供了一种在线更新动态预测模型的方法。

所述混合机控制系统还包括混合料的混匀度检测机构7，所述混匀度检测机构包括取样装置和离线检测装置；所述取样装置用于按照预先设定的时间间隔，从混合机100不同深度获取混合料检测样本，并将所述混合料检测样本输入所述离线检测装置，所述离线检测装置用于测量检测样本的混匀度，获得混合料的混匀度测量值。

如图6所示，在步骤S203将预测样本输入到预先建立的动态预测模型中，获得混匀度预测值，的步骤之前，还包括：

步骤S301，获取预测样本采集时间点之前，且与所述预测样本最近的学习样本，其中，所述学习样本包括学习样本输入，以及所述学习样本对应的混匀度测量值。

其中，所述学习样本不仅包含了混合料的混合料参数及混合机100状态参数，还包含了对应的混匀度测量值，所述学习样本的具体获取方法是：获取预测样本采集时间点之前，且与所述预测样本最近的预设时间间隔内的历史预测样本，获取与所述历史预测样本相对应的混匀度。

这里采集的历史预测样本是用作学习样本使用，由于混合机100的混合过程是一个长时间连续的过程，在进行预测样本采集之前，混合机100一直在进行混合作业，采集与所述预测样本最近的预设时间间隔内的历史预测样本，可以保证得到的学习样本所对应的混合机100工况，与预测样本采集时间点的混合机100工况一致。

步骤S302，利用所述学习样本在线更新所述动态预测模型，获取更新后的动态预测模型。

通进一步保证所述动态预测模型输出的混匀度预测值更精准。在具体更新过程中，根据学习样本的预测值与混匀度测量值(学习样本对应的混匀度测量值)之间的预测偏差值，所述预测模型具备两种更新方式，若预测偏差值较小且相对稳定，处于模型质量指标容许误差范围内，则将预测偏差值直接加到所述预测模型的预测值上，并将结果作为更新后的预测值。若预测偏差值较大，且根据模型质量指标判断为映射关系发生变化，则根据所述学习样本以及所述学习样本对应的混匀度测量值，更新所述预测模型中包含的映射关系。

需要说明的是，通常可采用预测偏差值的均方差作为质量指标，然后根据质量指标的统计分布规律，预设统计置信限，判断是否需要触发更新以及需要的更新方法。混合料混合度离线检测结果虽然因为滞后问题不适合用于混合工艺闭环控制问题，但可用于稳定状态的参考，即混合机100在稳定状态下达到稳态时，混匀度会维持在一定的水平，在正常的情况下，测量值虽有波动，但其分布通常不会偏离置信区间，当超出这个置信区间，触发模型更新机制。如果根据指标分析结果判断过程特征属于渐变，则选择模型递推法，利用移动窗递推法来更新软测量模型，步骤如下：

设原预测模型的样本集为S＝{[X¹，Y¹]，...，[X^t，Y^t]}，t为总的样本数。当获取新测量值[X^m，Y^m]，则将其加入样本集，并淘汰最陈旧的样本，则新的样本集(学习样本)为：

S＝{[X²，Y²]，...，[X^t，Y^t]，[X^m，Y^m]}

然后利用学习样本在线更新所述动态预测模型，获得新的预测模型。

如果根据指标分析结果判断过程特征属于突变，则选择即时学习法，选择历史周期内的预测样本中与当前测量状态相似的数据样本，重构预测模型。

在步骤S103据多个预测步长的混匀度预测值和预设的每个步长的混匀度目标值，计算得到每个预测步长的混匀度偏差值中。

所述每个预测步长的混匀度偏差值通过以下方式得到：

E(k)＝(e(k|k)，e(k|k+1)，…，e(k|k+j))

e(k|k)＝(r(k)-y(k|k))

R(k)＝(r(k)，r(k+1)，…，r(k+j))

Y(k)＝(y(k|k)，y(k|k+1)，…，y(k|k+j))

其中，R(k)预设的k时刻混匀度目标值序列；r(k+j)是指k+j步长的混匀度目标值；Y(k)k时刻的混匀度预测值序列；y(k|k+j)是指k时刻第k+j步长的混匀度预测值，j＝1，2，……，n，n是大于或等于1的整数。E(k)是指K时刻所有预测周期的混匀度与目标序列偏差值序列；e(k|k+j)是指该周期中k+j步长的混匀度偏差值。

其中，所述多个预测步长的混合料的混匀度偏差值的方差通过以下方式得到：

其中，σ是多个预测步长的混合料的混匀度偏差值的方差。

举个例子，以第k个步长为例，假设混合料中包括编号分别为1、4、6的三种组份，中央处理器6在第k个时刻可以预测到第k个步长的混合料混匀度，第k+1个步长的混合料混匀度......第k+j个步长的混合料混匀度。具体表示如下：

其中，Y(k)k时刻的混匀度预测值序列，y(k|k)是该序列中第k个步长混匀度预测值；y(k|k+1)是第k+1个步长混匀度预测值；y(k|k)是第k+j个步长混匀度预测值。

f_k表示k时刻采集的预测数据与多个步长预测的混合料混匀度之间的映射关系。

在k时刻，每个预测步长的预测偏差值表示如下：

其中，e(k|k)是k时刻第k个步长混匀度预测偏差值；e(k|k+1)是k时刻第k+1个步长混匀度预测偏差值；e(k|k+j)是k时刻第k+1个步长混匀度预测偏差值。

在k时刻，多个预测步长的生球合格率偏差值的方差表示如下：

将Y(k)代入上述方差公式中，在所述混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率数值均不变的条件下，可以通过滚动优化模型，计算出σ最小时，对应的待调整的k时刻混合筒转速、主桨转速和副桨转速。

以上是对k时刻，对混合筒转速、主桨转速和副桨转速进行控制的过程，对于k+1时刻、......、k+j时刻的控制过程也是类似的，此处不再赘述。

步骤S104，将多个预测步长的混匀度偏差值输入滚动优化模型，得到待调整的混合筒转速、主桨转速和副桨转速，驱动所述转速控制器101将混合筒转速、主桨转速和副桨转速调整为待调整的混合筒转速、主桨转速和副桨转速。

其中，所述多个预测步长是按照预先设定的时间间隔为一个预测步长；多个预测步长包括当前步长和在当前步长之后的步长，所述滚动优化模型用于在所述混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率数值均不变的条件下，计算出混合料的混匀度偏差值的方差最小时，对应的混合筒转速、主桨转速和副桨转速。

所述动态预测模型，是利用多组已知混合料参数、混合机100状态参数以及对应的混匀度测量值建立。在本申请实施例提供一种利用神经网络模型训练的方式，生成所述动态预测模型。

具体操作是将多组已知混合料参数和混合机100状态参数作为神经网络模型的输入，而将对应的混匀度测量值，作为神经网络模型的输出，对神经网络模型进行训练，即调整神经网络模型中间层对应的权重矩阵和偏置项，从而建立混合料参数以及对应的混合机100状态参数，与混匀度之间的映射关系。参见图7，为本申请实施例提供的一种生成动态预测模型的流程图，具体生成步骤包括：

步骤S401，获取N组独立的混合料参数以及对应的混合机100状态参数，混合料参数包括混合料的组份以及各组份的配比、堆密度、含水率、粘结剂占比和混合筒内混合料的填充率，混合机100状态参数包括混合筒转速、主桨转速和副桨转速。

其中，N组独立的混合料参数以及对应的混合机100状态参数，可以是同一混合机100的数据，也可以是多个混合机100的数据，并按照对应关系分为一组，即，同一混合机100且同一时刻的数据作为统一组数据。

步骤S402，将N组独立的混合料参数以及对应的混合机100状态参数，作为N组训练样本的输入。其中，混合料参数中的堆密度，以及混合机100状态参数中的混合筒转速、主桨转速和副桨转速，需要量化到区间(0，1)，之后在于其他数据整合为训练样本的输入。

步骤S403，按照预先设定的时间间隔，从混合机100不同深度获取混合料检测样本，对检测样本进行离线测量，获得混合料的混匀度测量值；并将一个混匀周期的测量值，作为N组训练样本的输出。

所述混匀度测量值需要对混合料进行抽样检测，通过在混合筒上安装取样机械手，从混合筒中获取物料样本，然后由混合料离线检测装置对获取的物料样本进行离线检测。其中，预先设定的时间间隔，是根据实际工程经验设定的时间间隔，一般设置为10秒，并对获取的混合料检测样本进行混匀度的离线测量，获得混匀度检测值果，并按照采样的时间间隔，形成一个混匀周期的检测结果，作为训练样本的输出，需要说明的是，一个混匀周期表示一批混合料完全达到混匀度要求的时间，一个混匀周期的检测值中，存在多个时间间隔的混匀度检测值。

步骤S404，利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练神经网络模型。

所述动态预测训练模块利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练神经网络模型；其中，时间反向传播法是一种适用于多层神经元网络的学习算法，通过激励传播和权重更新反复循环迭代，指导多层神经元网络对输入的响应(输出)达到预定的目标范围为止。

步骤S405，通过迭代训练不断更新神经网络模型的权重参数、偏置参数以及学习因子。

步骤S406若神经网络模型的预测值与测量值达到设定的允差范围，或神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得动态预测模型。

通过不断更新神经网络模型的权重参数、偏置参数以及学习因子，在神经网络模型建立预测样本与混匀度预测值的映射关系，直到根据所述映射关系能够准确预测出混匀度。

具体的判断方法是，判断神经网络模型的预测值与检测值是否达到设定的允差范围，以及判断神经网络模型是否达到设定的最大迭代次数，若神经网络模型的预测结果与检测结果达到设定的允差范围，或神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得动态预测模型。

本申请实施例提供的利用神经网络模型训练生成所述动态预测模型。具体可以采用RNN(Recurrent Neural Network)神经网络或者LSTM(Long Short-Term Memory)神经网络，如图8所示，为基于LSTM神经网络模型的结构示意图，其中，中间层的结构主要有遗忘门、输入门和输出门组成，每个门都有对应的连接权重矩阵和偏置项，通过训练样本对多层神经元网络进行训练，不断更新权重参数、偏置参数以及学习因子，从而获得所述动态预测模型。

在本申请实施例的神经网络模型具体训练过程中，所述神经网络模型将多组训练样本被分为两个部分，包括2/3组的训练数据和1/3组的测试数据，将2/3组训练样本的输入以及训练样本的输出，作为神经网络模型的训练数据，不断更新权重参数、偏置参数以及学习因子；并利用1/3组训练样本的输入以及训练样本的输出，作为神经网络模型的允差测试数据。

参见图9，为本申请实施例提供的另一种生成动态预测模型的流程图，所述动态预测模型还可以是混匀度预测表，并按照以下步骤建立：

步骤S501，获取N组独立的混合料参数以及对应的混合机100状态参数，混合料参数包括混合料的组份以及各组分的配比、堆密度、含水率、粘结剂占比和混合筒内混合料的填充率，混合机100状态参数包括混合筒转速、主桨转速和副桨转速；

步骤S502，按照预先设定的时间间隔，从混合机100不同深度获取混合料检测样本，对检测样本进行离线测量，获得混合料的混匀度测量值；

步骤S503，对N组独立的混合料参数、混合机100状态参数以及对应的混匀度测量值，进行统计分析，建立混匀度预测表。

其中，统计分析包括数据预处理，数据预处理先将混合料的堆密度以及混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间，然后将将混合料参数、混合机100状态参数相同的多组数据提取出，并比较不同组对应的混匀度测量值，若对应的混匀度也相同，则，只保留一组数据，去除其他组相同的数据。若对应的混匀度不同，但是偏差处于容许范围内，则将多组数据对应的混匀度平均值作为对应的混匀度，且只保留一组数据，一般根据生产精度要求，偏差的容许范围设置为0.5％-2％。对于混合料参数、混合机100状态参数相同的多组数据，对应的混匀度测量值不同，且偏差超过容许范围，且标记多组数据的来源，保留在隔离区，这里的数据来源是指数据采集对应的混合机100及采集时间，隔离区是指在混匀度预测表单独的一块区域，用于记录异常数据，以作为设备检修的参考数据。

对于经过数据预处理的多组独立的混合料参数、混合机100状态参数以及对应的混匀度测量值，按照设定的多个索引项进行排序，每一个索引项的排序为从小到大排列。其中，至少包括8个索引项，例如本申请实施例中设置的8个索引项，以及索引顺序，第一级索引项为混合料的组份数，第二级索引项为混合料的组份以及各组分的配比，其中混合料的组份经过预先编号，组份索引项按照编号大小排列，第三级索引项为混合料的堆密度，第四级索引项为混合料的含水率，第五级索引项为混合料的粘结剂占比，第六级索引项为混合料的填充率，第七级索引项为混合筒转速，第八级索引项为主桨转速，第九级索引项为副桨转速。按照以上规则完成混匀度预测表的建立，所述混匀度预测表中包含预测样本与混匀度预测值的映射关系，例如，表1所示，为混匀度预测表的部分数据。

表1混合机100混匀度预测表局部附表

在利用混匀度预测表进行混匀度预测时，按照混匀度预测表的索引项顺序，在混匀度预测表中查找逐个查询预测样本中的数据，直到确定混匀度预测值。

下述为本申请方法实施例，用于实施本申请系统实施例。对于本申请方法实施例中未披露的细节，请参照本申请系统实施例。

一种基于混匀度预测的混合机100控制方法，所述混合机控制方法包括：

根据混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率，以及混合筒转速、主桨转速和副桨转速，对混匀度进行预测，得到多个预测步长的混匀度预测值。

根据多个预测步长的混匀度预测值和预设的每个步长的混匀度目标值，计算得到每个预测步长的混匀度偏差值。

将多个预测步长的混匀度偏差值输入滚动优化模型，得到待调整的混合筒转速、主桨转速和副桨转速，驱动所述转速控制器101将混合筒转速、主桨转速和副桨转速调整为待调整的混合筒转速、主桨转速和副桨转速。

其中，所述多个预测步长是按照预先设定的时间间隔为一个预测步长；所述滚动优化模型用于在所述混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率数值均不变的条件下，计算出混合料的混匀度偏差值的方差最小时，对应的混合筒转速、主桨转速和副桨转速。

由以上技术方案可知，本申请实施例提供的一种基于混匀度预测的混合机控制系统及方法，混合机控制系统包括混合机100和混合料供应设备5，所述混合料供应设备5连接所述混合机100的进料口4，用于向混合机100提供混合料；所述混合机控制系统还包括与混合机100连接的转速控制器101和进出料控制器102、与混合料供应设备5连接的供料控制器501，以及分别与转速控制器101、进出料控制器102和供料控制器501连接的中央处理器6。

在实际应用过程中，通过采集混合料的填充率组份以及各组份的配比、堆密度，含水率和粘结剂占比，以及混合筒转速、主桨转速和副桨转速，得到多个预测步长的混匀度预测值，并将多个预测步长的混匀度预测值和预设的每个步长的混匀度目标值，进行分析与计算，得到每个预测步长的混匀度偏差值，将多个预测步长的混匀度偏差值输入滚动优化模型，得到待调整的混合筒转速、主桨转速和副桨转速，从而将待调整的混合筒转速、主桨转速和副桨转速作为混合机的控制量，实现基于混匀度预测的混合机控制。

本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (9)

1.一种基于混匀度预测的混合机控制系统，所述混合机控制系统包括混合机和混合料供应设备，所述混合料供应设备连接所述混合机的进料口，用于向混合机提供混合料；其特征在于，所述混合机控制系统还包括与混合机连接的转速控制器和进出料控制器、与混合料供应设备连接的供料控制器，以及分别与转速控制器、进出料控制器和供料控制器连接的中央处理器；其中，所述中央处理器被配置执行以下步骤：

接收所述进出料控制器发送的混合料的填充率，以及接收所述供料控制器发送的混合料的组份以及各组份的配比、堆密度，含水率和粘结剂占比，以及接收转速控制器发送的混合筒转速、主桨转速和副桨转速；

根据混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率，以及混合筒转速、主桨转速和副桨转速，对混匀度进行预测，得到多个预测步长的混匀度预测值；

根据多个预测步长的混匀度预测值和预设的每个步长的混匀度目标值，计算得到每个预测步长的混匀度偏差值；

将多个预测步长的混匀度偏差值输入滚动优化模型，得到待调整的混合筒转速、主桨转速和副桨转速，驱动所述转速控制器将混合筒转速、主桨转速和副桨转速调整为待调整的混合筒转速、主桨转速和副桨转速；

其中，所述多个预测步长是按照预先设定的时间间隔为一个预测步长；所述滚动优化模型用于在所述混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率数值均不变的条件下，计算出混合料的混匀度偏差值的方差最小时，对应的混合筒转速、主桨转速和副桨转速。

2.根据权利要求1所述的混合机控制系统，其特征在于，所述每个预测步长的混匀度偏差值通过以下方式得到：

E(k)＝(e(k|k),e(k|k+1),…,e(k|k+j))

e(k|k)＝(r(k)-y(k|k))

R(k)＝(r(k),r(k+1),…,r(k+j))

Y(k)＝(y(k|k),y(k|k+1),…,y(k|k+j))

其中，E(k)是指K时刻混匀度的偏差值序列；e(k|k+j)是指K时刻预测的k+j步长的混匀度偏差值；R(k)预设的混匀度目标值序列；r(k+j)是指k+j时刻的混匀度目标值；Y(k)K时刻的混匀度预测值序列；y(k|k+j)是指K时刻第k+j步长的混匀度预测值，j＝1,2,……,n，n是大于或等于1的整数。

3.根据权利要求2所述的混合机控制系统，其特征在于，所述多个预测步长的混合料的混匀度偏差值的方差通过以下方式得到：

其中，σ是多个预测步长的混合料的混匀度偏差值的方差。

4.根据权利要求1所述的混合机控制系统，其特征在于，根据混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率，以及混合筒转速、主桨转速和副桨转速，对混匀度进行预测，得到多个预测步长的混匀度预测值，具体执行以下步骤：

将同一时刻的堆密度、混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间；

根据量化后的堆密度、混合筒转速、主桨转速和副桨转速，以及混合料的组份以及各组份的配比、含水率、粘结剂占比和填充率，生成预测样本；

将预测样本输入到预先建立的动态预测模型中，获得混匀度预测值，所述动态预测模型中包含预测样本与混匀度预测值的映射关系。

5.根据权利要求4所述的混合机控制系统，其特征在于，所述混合机控制系统还包括混合料的混匀度检测机构，所述混匀度检测机构包括取样装置和离线检测装置；所述取样装置用于按照预先设定的时间间隔，从混合机不同深度获取混合料检测样本，并将所述混合料检测样本输入所述离线检测装置，所述离线检测装置用于测量检测样本的混匀度，获得混合料的混匀度测量值；

在将预测样本输入到预先建立的动态预测模型中，获得混匀度预测值的步骤之前，还包括：

混匀度获取预测样本采集时间点之前，且与所述预测样本最近的学习样本，其中，所述学习样本包括学习样本输入，以及所述学习样本对应的混匀度测量值；

利用所述学习样本在线更新所述动态预测模型，获取更新后的动态预测模型。

6.据权利要求4所述的混合机控制系统，其特征在于，将同一时刻的堆密度、混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间，具体执行以下步骤：

计算堆密度与各组份中密度最大的组份的密度的比值；

计算混合筒转速与混合筒的最大转速的比值；

计算主桨转速与主桨的最大转速的比值；

计算副桨转速与副桨的最大转速的比值。

7.据权利要求4所述的混合机控制系统，其特征在于，所述混合机控制系统还包括混合料的混匀度检测机构，所述混匀度检测机构包括取样装置和离线检测装置；所述取样装置用于按照预先设定的时间间隔，从混合机不同深度获取混合料检测样本，并将所述混合料检测样本输入所述离线检测装置，所述离线检测装置用于测量检测样本的混匀度，获得混合料的混匀度测量值；

所述动态预测模型是基于神经网络模型训练生成，并按照以下步骤建立：

获取N组独立的混合料参数以及对应的混合机状态参数，混合料参数包括混合料的组份以及各组份的配比、堆密度、含水率、粘结剂占比和混合筒内混合料的填充率，混合机状态参数包括混合筒转速、主桨转速和副桨转速；

将N组独立的混合料参数以及对应的混合机状态参数，作为N组训练样本的输入；

按照预先设定的时间间隔，从混合机不同深度获取混合料检测样本，对检测样本进行离线测量，获得混合料的混匀度测量值；并将一个混匀周期的测量值，作为N组训练样本的输出；

利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练神经网络模型；

通过迭代训练不断更新神经网络模型的权重参数、偏置参数以及学习因子；

若神经网络模型的预测值与测量值达到设定的允差范围，或神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得动态预测模型。

8.据权利要求4所述的混合机控制系统，其特征在于，所述混合机控制系统还包括混合料的混匀度检测机构，所述混匀度检测机构包括取样装置和离线检测装置；所述取样装置用于按照预先设定的时间间隔，从混合机不同深度获取混合料检测样本，并将所述混合料检测样本输入所述离线检测装置，所述离线检测装置用于测量检测样本的混匀度，获得混合料的混匀度测量值；

所述动态预测模型还可以是混匀度预测表，并按照以下步骤建立：

获取N组独立的混合料参数以及对应的混合机状态参数，混合料参数包括混合料的组份以及各组分的配比、堆密度、含水率、粘结剂占比和混合筒内混合料的填充率，混合机状态参数包括混合筒转速、主桨转速和副桨转速；

按照预先设定的时间间隔，从混合机不同深度获取混合料检测样本，对检测样本进行离线测量，获得混合料的混匀度测量值；

对N组独立的混合料参数、混合机状态参数以及对应的混匀度测量值，进行统计分析，建立混匀度预测表。

9.一种基于混匀度预测的混合机控制方法，其特征在于，所述混合机控制方法包括：

根据混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率，以及混合筒转速、主桨转速和副桨转速，对混匀度进行预测，得到多个预测步长的混匀度预测值；

根据多个预测步长的混匀度预测值和预设的每个步长的混匀度目标值，计算得到每个预测步长的混匀度偏差值；

将多个预测步长的混匀度偏差值输入滚动优化模型，得到待调整的混合筒转速、主桨转速和副桨转速，驱动转速控制器将混合筒转速、主桨转速和副桨转速调整为待调整的混合筒转速、主桨转速和副桨转速；

其中，所述多个预测步长是按照预先设定的时间间隔为一个预测步长；所述滚动优化模型用于在所述混合料的组份以及各组份的配比、堆密度，含水率、粘结剂占比和填充率数值均不变的条件下，计算出混合料的混匀度偏差值的方差最小时，对应的混合筒转速、主桨转速和副桨转速。

Images