CN113296561B - 一种用于造球机的控制系统及控制方法 - Google Patents

一种用于造球机的控制系统及控制方法 Download PDF

Info

Publication number
CN113296561B
CN113296561B CN202010844830.8A CN202010844830A CN113296561B CN 113296561 B CN113296561 B CN 113296561B CN 202010844830 A CN202010844830 A CN 202010844830A CN 113296561 B CN113296561 B CN 113296561B
Authority
CN
China
Prior art keywords
pelletizer
mixture
historical
green
prediction
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.)
Active
Application number
CN202010844830.8A
Other languages
English (en)
Other versions
CN113296561A (zh
Inventor
邱立运
朱佼佼
袁立新
吴勇
丁勇
周斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Changtian Automation Engineering Co ltd
Zhongye Changtian International Engineering Co Ltd
Original Assignee
Hunan Changtian Automation Engineering Co ltd
Zhongye Changtian International Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Changtian Automation Engineering Co ltd, Zhongye Changtian International Engineering Co Ltd filed Critical Hunan Changtian Automation Engineering Co ltd
Priority to CN202010844830.8A priority Critical patent/CN113296561B/zh
Priority to PCT/CN2021/112553 priority patent/WO2022037499A1/zh
Priority to BR112022023793A priority patent/BR112022023793A2/pt
Publication of CN113296561A publication Critical patent/CN113296561A/zh
Application granted granted Critical
Publication of CN113296561B publication Critical patent/CN113296561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
    • G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
    • C22B1/00—Preliminary treatment of ores or scrap
    • C22B1/14—Agglomerating; Briquetting; Binding; Granulating
    • C22B1/24—Binding; Briquetting ; Granulating
    • C22B1/2406—Binding; Briquetting ; Granulating pelletizing
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Quality & Reliability (AREA)
  • Robotics (AREA)
  • Geology (AREA)
  • Materials Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Glanulating (AREA)
  • Processing And Handling Of Plastics And Other Materials For Molding In General (AREA)

Abstract

本申请提供了一种用于造球机的控制系统及控制方法。所述系统包括造球机、供水装置、供料皮带秤、转速控制器、倾角控制器、水控制器、物料控制器和中央处理器，中央处理器被配置为执行以下步骤：根据造球机转速、造球机的造球盘倾角、给料量、给水量、混合料中各组分种类和配比、混合料中粘结剂的占比和混合料原始水分率，对生球合格率进行预测，得到多个预测周期的生球合格率预测值；结合生球合格率预测值与预设的生球合格率目标值，采用滚动优化模型对造球机转速、造球机的造球盘倾角、给料量和给水量进行优化，从而实现实时控制造球机中造球机转速、造球机的造球盘倾角、向造球机提供的给料量和向造球机提供的给水量。

Description

一种用于造球机的控制系统及控制方法
技术领域
本申请涉及钢铁冶炼技术领域，特别涉及一种用于造球机的控制系统及控制方法。
背景技术
在钢铁工业中，球团矿制造是当前常用的铁矿石提炼的技术。其中，造球工序是铁矿石球团生产线的重要工序，生球产量与质量的稳定和提高主要依赖于造球工序。造球机作为造球工序中的核心设备，主要包括圆盘造球机和圆筒造球机，在大规模高产量生产线中一般采用圆筒造球机，但是，由于目前中小规模球团生产线占主导地位，因此圆盘造球机更为普遍。
造球机工作时，物料在造球机中分别沿各自不同的轨道运动，形成直径大小不一的生球，生球在达到一定条件后，从造球机中排出，落入后续生球承接装置中。造球机的成球粒度是造球工序的关键参数，生球的合格率越高，说明造球机的产量越高。
在原料条件确定时，成球的影响因素主要包括造球机转速、造球机倾角、进入造球机的物料量、向造球机物料中添加的水量、进入造球机的物料原始含水率等。现场的造球操作人员通常是根据前述配矿环节的原料条件，结合造球生产实际情况，通过预先设置合理的造球机转速、造球机倾角、供料皮带给料量、加水装置的供水量等参数进行造球机的生产调节，以期望造出的生球产量与质量均能满足生产要求，甚至制造出最优的球团矿。
但是，造球机在造球工作过程中可能面临很多不确定因素，如设备老化、原料条件不理想、原料配比与水分率不稳定，这些因素都可能导致生球的成球粒度尤其是合格生球产量无法满足工艺要求，进而影响了球团生产线的产量与质量，增加了工序能耗与运营成本。
发明内容
本申请提供了一种用于造球机的控制系统及控制方法，可用于解决在现有技术中生球的实际合格率无法达到预设标准，进而降低造球机的成球质量的技术问题。
第一方面，本申请实施例提供一种用于造球机的控制系统，所述系统包括造球机、供水装置和供料皮带秤，所述供水装置的出水点设置于造球机的进料点及所述造球机内的涨球区域，用于向造球机提供水；所述供料皮带秤用于向造球机提供混合料，所述供料皮带秤的落料点为于造球机的进料点；所述系统还包括与造球机连接的转速控制器、与造球机连接的倾角控制器、与供水装置连接的水控制器、与供料皮带秤连接的物料控制器以及分别与转速控制器、倾角控制器、水控制器和物料控制器连接的中央处理器；其中：
所述中央处理器被配置为执行以下步骤：
接收所述转速控制器发送的造球机转速，倾角控制器发送的造球机的造球盘倾角，以及接收所述水控制器发送的给水量，以及接收所述物料控制器发送的各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率；
根据所述造球机转速、所述造球机的造球盘倾角、所述给水量、所述混合料各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率，对生球各粒径范围的占比进行预测，得到多个预测周期的生球合格率预测值；
根据每个预测周期的生球合格率预测值和预设的每个预测周期的生球合格率目标值，计算得到每个预测周期的生球合格率偏差值；
将多个预测周期的生球合格率偏差值输入滚动优化模型，得到待调整的造球机转速、待调整的造球机的造球盘倾角、待调整的给料量和待调整的给水量，驱动所述转速控制器将造球机中造球机将转速调整为所述待调整的造球机转速，以及驱动所述倾角控制器将造球机中造球盘倾角调整为所述待调整的造球机的造球盘倾角，以及驱动所述物料控制器将向造球机提供的给料量调整为所述待调整给料量，以及驱动所述水控制器将向造球机提供的给水量调整为所述待调整的给水量；
其中，所述多个预测周期包括当前周期和在当前周期之后的周期；所述滚动优化模型用于在所述混合料各组分种类和配比、所述混合料中粘结剂的占比和所述混合料原始水分率均不变的条件下，计算出多个预测周期的生球合格率偏差值的方差最小时，对应的造球机转速、造球机的造球盘倾角、给料量和给水量。
结合第一方面，在第一方面的一种可实现方式中，所述生球合格率根据不同规格的生球占比预测值确定，所述不同规格的生球占比预测值包括合格大球的占比预测值、不合格大球的占比预测值、合格中球的占比预测值、合格小球的占比预测值和不合格小球的占比预测值；
所述每个预测周期的生球合格率偏差值通过以下方式得到：
E(k|k+j)＝{(r1(j)-y1(k|k+j)),r2(j)-y2(k|k+j),...,ri(j)-yi(k|k+j)}
其中，E(k|k+j)是第k个预测周期第j个步长的各型生球占比与参考值的偏差值；ri(j)是第j个步长第i种规格的生球占比目标值；yi(k|k+j)是第k个预测周期中第j个步长第i种规格的生球占比预测值；i＝1,2,……,d，n是大于或等于1的整数；j＝1,2,……,m，m是大于或等于1的整数。
结合第一方面，在第一方面的一种可实现方式中，所述多个预测周期的生球合格率偏差值的方差通过以下方式得到：
Figure BDA0002642697120000021
其中，σ(k|k+j)是第k个预测周期第j个步长的各型生球占比与参考值的偏差值均方差，ri(j)是第j个预测步长第i种规格小球占比目标值；yi(k|k+j)是第k个预测周期第j个步长第i种规格小球占比预测值；i＝1,2,……,d，d是大于或等于1的整数；j＝0,1,2,……,m，m是大于或等于0的整数，k＝1,2,……,n，n是大于或等于1的整数。
结合第一方面，在第一方面的一种可实现方式中，根据所述造球机转速、所述造球机的造球盘倾角、所述给水量、所述混合料各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率，对生球各粒径范围的占比进行预测，得到多个预测周期的生球合格率预测值，具体执行以下步骤：
将所述造球机的转速、所述造球机的造球盘倾角、所述给水量和所述给料量，按照各自的收缩比例量化到同一区间；
根据量化后的造球机的转速、量化后的造球机的造球盘倾角、量化后的给水量、量化后的给料量、所述混合料中各组分的种类和占比、所述混合料中粘结剂的占比和所述混合料原始水分率，得到影响造球的特征向量；
将所述影响造球的特征向量输入到占比预测模型中，得到不同规格的生球的占比预测值，所述占比预测模型包括影响造球的特征向量与不同规格生球的占比预测值之间的映射关系。
结合第一方面，在第一方面的一种可实现方式中，造球机的转速对应的收缩比例是造球机的最大转速；
所述给水量对应的收缩比例是所述给水系统中加水管道的最大给水量；
所述给料量对应的收缩比例是给料皮带的最大给料量；
所述造球机的造球盘倾角对应的收缩比例是所述造球机的最大倾角。
结合第一方面，在第一方面的一种可实现方式中，所述占比预测模型通过以下方式得到：
获取N个历史预测周期内的样本数据；每个历史预测周期内的样本数据包括造球机的历史转速、造球机的历史造球盘倾角、历史加水量、造球机制造样本生球的历史原料信息以及不同规格的样本生球的占比实测值；所述历史原料信息包括历史给料量、历史混合料中各组分种类和占比、历史混合料中粘结剂的占比和历史混合料中混合料原始水分率；所述不同规格的样本生球的占比实测值是采用机器视觉法对每个历史预测周期内的样本生球进行图像采集及处理后分析计算得到的；
将所述造球机的历史转速、所述造球机的历史造球盘倾角、所述历史给水量和所述历史给料量，按照各自的收缩比例量化到同一区间；
根据量化后的造球机的历史转速、量化后的造球机的历史造球盘倾角、量化后的历史给水量、量化后给料量、所述历史混合料各组分种类和占比、所述历史混合料中粘结剂的占比和所述历史混合料中混合料原始水分率，得到N个样本影响造球的特征向量；
将所述N个样本影响造球的特征向量作为预测模型的输入，以及将N个历史预测周期内不同规格的样本生球的占比实际值作为预测模型的输出，采用时间反向传播法训练占比预测模型；
通过迭代训练不断更新占比预测模型的权重参数、偏置参数以及学习因子；
如果占比预测模型对不同规格的样本生球的占比预测值，与不同规格的样本生球的占比实际值之间的差值达到预设的允差范围，或占比预测模型通过迭代运算时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。
结合第一方面，在第一方面的一种可实现方式中，所述占比预测模型是基于长短期记忆神经网络预测模型LSTM建立的。
结合第一方面，在第一方面的一种可实现方式中，所述系统还包括图像采集装置和图像处理装置，所述图像采集装置设置于造球机的出料口，与所述图像处理装置连接，所述图像处理装置与所述中央处理器连接；
所述图像采集装置被配置为执行以下步骤：采集造球机出球口的图像信息，以及将所述出球口的图像信息发送给所述图像处理装置；
所述图像处理装置被配置为执行以下步骤：
对所述出球口的图像信息进行图像预处理，分离出样本生球的图像信息与背景图像信息；
根据所述样本生球的图像信息，获取样本生球的中心亮点；
根据所述样本生球的图像信息与所述背景图像信息，确定样本生球的轮廓；
根据所述样本生球的中心亮点与所述样本生球的轮廓，获取样本生球的粒径；
根据所述样本生球的粒径，以及预设的粒径范围与生球规格的对应关系，确定样本生球的规格；
统计历史周期内样本生球的总数量，以及不同规格的样本生球的数量；
根据所述历史周期内样本生球的总数量和所述不同规格的样本生球的数量，确定所述样本生球的合格率实测值，以及将所述样本生球的合格率实测值发送给所述中央处理器。
结合第一方面，在第一方面的一种可实现方式中，所述转速控制器被配置为执行以下步骤：
获取当前周期内造球机中造球机转速，以及将所述造球机转速发送至所述中央处理器；
所述倾角控制器被配置为执行以下步骤：
获取当前周期内造球机中造球盘倾角，以及将所述造球盘倾角发送至所述中央处理器；
所述水控制器被配置为执行以下步骤：
获取当前周期内所述供水装置向造球机提供的给水量，以及将所述给水量发送至所述中央处理器；
所述物料控制器被配置为执行以下步骤：
获取当前周期内供料皮带秤向造球机提供的混合料中各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率，以及将所述混合料中各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率发送至所述中央处理器。
第二方面，本申请实施例提供一种用于造球机的控制方法，所述方法包括：
根据所述造球机转速、所述造球机的造球盘倾角、所述给水量、所述混合料各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率，对生球各粒径范围的占比进行预测，得到多个预测周期的生球合格率预测值；
根据每个预测周期的生球合格率预测值和预设的每个预测周期的生球合格率目标值，计算得到每个预测周期的生球合格率偏差值；
将多个预测周期的生球合格率偏差值输入滚动优化模型，得到待调整的造球机转速、待调整的造球机的造球盘倾角、待调整的给料量和待调整的给水量，驱动所述转速控制器将造球机中造球机将转速调整为所述待调整的造球机转速，以及驱动所述倾角控制器将造球机中造球盘倾角调整为所述待调整的造球机的造球盘倾角，以及驱动所述物料控制器将向造球机提供的给料量调整为所述待调整给料量，以及驱动所述水控制器将向造球机提供的给水量调整为所述待调整的给水量；
其中，所述多个预测周期包括当前周期和在当前周期之后的周期；所述滚动优化模型用于在所述混合料各组分种类和配比、所述混合料中粘结剂的占比和所述混合料原始水分率均不变的条件下，计算出多个预测周期的生球合格率偏差值的方差最小时，对应的造球机转速、造球机的造球盘倾角、给料量和给水量。
结合第二方面，在第二方面的一种可实现方式中，所述生球合格率根据不同规格的生球占比预测值确定，所述不同规格的生球占比预测值包括合格大球的占比预测值、不合格大球的占比预测值、合格中球的占比预测值、合格小球的占比预测值和不合格小球的占比预测值；
所述每个预测周期的生球合格率偏差值通过以下方式得到：
E(k|k+j)＝{(r1(j)-y1(k|k+j)),r2(j)-y2(k|k+j),...,ri(j)-yi(k|k+j)}
其中，E(k|k+j)是第k个预测周期第j个步长的各型生球占比与参考值的偏差值；ri(j)是第j个步长第i种规格的生球占比目标值；yi(k|k+j)是第k个预测周期中第j个步长第i种规格的生球占比预测值；i＝1,2,……,d，n是大于或等于1的整数；j＝1,2,……,m，m是大于或等于1的整数。
结合第二方面，在第二方面的一种可实现方式中，所述多个预测周期的生球合格率偏差值的方差通过以下方式得到：
Figure BDA0002642697120000051
其中，σ(k|k+j)是第k个预测周期第j个步长的各型生球占比与参考值的偏差值均方差，ri(j)是第j个预测步长第i种规格小球占比目标值；yi(k|k+j)是第k个预测周期第j个步长第i种规格小球占比预测值；i＝1,2,……,d，d是大于或等于1的整数；j＝0,1,2,……,m，m是大于或等于0的整数，k＝1,2,……,n，n是大于或等于1的整数。
结合第二方面，在第二方面的一种可实现方式中，根据所述造球机转速、所述造球机的造球盘倾角、所述给水量、所述混合料各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率，对生球各粒径范围的占比进行预测，得到多个预测周期的生球合格率预测值，具体执行以下步骤：
将所述造球机的转速、所述造球机的造球盘倾角、所述给水量和所述给料量，按照各自的收缩比例量化到同一区间；
根据量化后的造球机的转速、量化后的造球机的造球盘倾角、量化后的给水量、量化后的给料量、所述混合料中各组分的种类和占比、所述混合料中粘结剂的占比和所述混合料原始水分率，得到影响造球的特征向量；
将所述影响造球的特征向量输入到占比预测模型中，得到不同规格的生球的占比预测值，所述占比预测模型包括影响造球的特征向量与不同规格生球的占比预测值之间的映射关系。
结合第二方面，在第二方面的一种可实现方式中，造球机的转速对应的收缩比例是造球机的最大转速；
所述给水量对应的收缩比例是所述给水系统中加水管道的最大给水量；
所述给料量对应的收缩比例是给料皮带的最大给料量；
所述造球机的造球盘倾角对应的收缩比例是所述造球机的最大倾角。
结合第二方面，在第二方面的一种可实现方式中，所述占比预测模型通过以下方式得到：
获取N个历史预测周期内的样本数据；每个历史预测周期内的样本数据包括造球机的历史转速、造球机的历史造球盘倾角、历史加水量、造球机制造样本生球的历史原料信息以及不同规格的样本生球的占比实测值；所述历史原料信息包括历史给料量、历史混合料中各组分种类和占比、历史混合料中粘结剂的占比和历史混合料中混合料原始水分率；所述不同规格的样本生球的占比实测值是采用机器视觉法对每个历史预测周期内的样本生球进行图像采集及处理后分析计算得到的；
将所述造球机的历史转速、所述造球机的历史造球盘倾角、所述历史给水量和所述历史给料量，按照各自的收缩比例量化到同一区间；
根据量化后的造球机的历史转速、量化后的造球机的历史造球盘倾角、量化后的历史给水量、量化后给料量、所述历史混合料各组分种类和占比、所述历史混合料中粘结剂的占比和所述历史混合料中混合料原始水分率，得到N个样本影响造球的特征向量；
将所述N个样本影响造球的特征向量作为预测模型的输入，以及将N个历史预测周期内不同规格的样本生球的占比实际值作为预测模型的输出，采用时间反向传播法训练占比预测模型；
通过迭代训练不断更新占比预测模型的权重参数、偏置参数以及学习因子；
如果占比预测模型对不同规格的样本生球的占比预测值，与不同规格的样本生球的占比实际值之间的差值达到预设的允差范围，或占比预测模型通过迭代运算时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。
结合第二方面，在第二方面的一种可实现方式中，所述占比预测模型是基于长短期记忆神经网络预测模型LSTM建立的。
结合第二方面，在第二方面的一种可实现方式中，所述系统还包括图像采集装置和图像处理装置，所述图像采集装置设置于造球机的出料口，与所述图像处理装置连接，所述图像处理装置与所述中央处理器连接；
所述图像采集装置被配置为执行以下步骤：采集造球机出球口的图像信息，以及将所述出球口的图像信息发送给所述图像处理装置；
所述图像处理装置被配置为执行以下步骤：
对所述出球口的图像信息进行图像预处理，分离出样本生球的图像信息与背景图像信息；
根据所述样本生球的图像信息，获取样本生球的中心亮点；
根据所述样本生球的图像信息与所述背景图像信息，确定样本生球的轮廓；
根据所述样本生球的中心亮点与所述样本生球的轮廓，获取样本生球的粒径；
根据所述样本生球的粒径，以及预设的粒径范围与生球规格的对应关系，确定样本生球的规格；
统计历史周期内样本生球的总数量，以及不同规格的样本生球的数量；
根据所述历史周期内样本生球的总数量和所述不同规格的样本生球的数量，确定所述样本生球的合格率实测值，以及将所述样本生球的合格率实测值发送给所述中央处理器。
结合第二方面，在第二方面的一种可实现方式中，所述转速控制器被配置为执行以下步骤：
获取当前周期内造球机中造球机转速，以及将所述造球机转速发送至所述中央处理器；
所述倾角控制器被配置为执行以下步骤：
获取当前周期内造球机中造球盘倾角，以及将所述造球盘倾角发送至所述中央处理器；
所述水控制器被配置为执行以下步骤：
获取当前周期内所述供水装置向造球机提供的给水量，以及将所述给水量发送至所述中央处理器；
所述物料控制器被配置为执行以下步骤：
获取当前周期内供料皮带秤向造球机提供的混合料中各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率，以及将所述混合料中各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率发送至所述中央处理器。
本申请实施例中，根据造球机转速、造球机的造球盘倾角、给料量、给水量、混合料中各组分种类和配比、混合料中粘结剂的占比和混合料原始水分率，对生球合格率进行预测，得到多个预测周期的生球合格率预测值；结合每个预测周期的生球合格率预测值与预设的每个预测周期的生球合格率目标值，采用滚动优化模型对造球机转速、造球机的造球盘倾角、给料量和给水量进行优化，从而实现实时控制造球机中造球机转速、造球机的造球盘倾角、向造球机提供的给料量和向造球机提供的给水量，使生球的实际合格率能够达到预设标准，进而可以提高造球机的成球质量。
附图说明
图1为现有技术中一种造球工序的结构示意图；
图2为本申请实施例提供的一种用于造球机的控制系统的结构示意图；
图3为本申请实施例提供的一种用于造球机的控制系统的工作流程示意图；
图4为本申请实施例提供的一种预测生球合格率的方法所对应的流程示意图；
图5为本申请实施例听过的一种生成占比预测模型的方法所对应的流程示意图；
图6为本申请实施例提供的一种用于造球机的控制系统的粒径分析工作流程示意图；
图7示例性示出了本申请实施例提供的一种用于造球机的控制方法所对应的流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1，图1为现有技术中一种造球工序的结构示意图。
如图1所示，该造球工序包括圆盘造球机11、供水装置21和供料皮带秤31。其中，圆盘造球机11包括电动机111、中心轴112、底座113、圆盘114、刮刀架115、刮刀116和生球皮带117；供水装置21包括水阀门211、水管212和出水口213；供料皮带秤31包括物料阀门311、料仓312和供料皮带313。
在上述结构中，中心轴112可调节圆盘114的倾角，电动机111转速的调节可改变圆盘114的转速；刮刀架115支撑于圆盘114上，刮刀116用于推动圆盘114中混合料运动及防止粘连。
料仓312中的混合料经过供料皮带313输送至圆盘114，混合料的流量(即给料量)大小可通过物料阀门311进行调节。
水管212中的水可以经出水口213滴落在混合料落入圆盘114的位置，或可以经出水口213滴落在圆盘114中生球长大的区域，水量的大小可以通过水阀门211进行调节；生球从圆盘114出来后落入生球皮带117，该生球皮带117所在的位置可以看作是圆盘造球机11的出球区域。
需要说明的是，图1示出的圆盘造球机可以替换为圆筒造球机，本申请对此不进行限制。
在图1的基础上，本申请实例实施例提供了一种造球机控制系统。图2为本申请实施例提供的一种用于造球机的控制系统的结构示意图。如图2所示，该系统主要包括造球机11、转速控制器12、倾角控制器13、供水装置21、水控制器22、供料皮带秤31、物料控制器32和中央处理器5。其中，转速控制器12和倾角控制器分别与造球机11连接的，水控制器22与供水装置21连接，物料控制器32与供料皮带秤31连接。中央处理器5分别与转速控制器12、倾角控制器13、水控制器22和物料控制器32连接。
具体地，供水装置21的出水点可以设置于造球机11的进料点及所述造球机内的涨球区域，用于向造球机11提供水。
供料皮带秤31用于向造球机提供混合料，供料皮带秤31的落料点为造球机11的进料点，用于向造球机11提供混合料。
该控制系统运行过程中，各设备之间相互协作，实现对造球机的控制。具体请参考图3，其示例性示出了本申请实施例提供的一种用于造球机的控制系统的工作流程示意图。
转速控制器12可以被配置为执行以下步骤301和步骤302：
步骤301，获取当前周期内造球机中造球机转速。
在造球机转速的检测过程中，如果检测的转速处于稳定状态下，将稳定状态下的转速保存，并作为后续的检测数据使用；如果检测到的转速出现变化，则实时更新保存的转速。
本申请实施例中，造球机的转速可以采用光反射法、磁电法、光栅法或霍尔开关检测法等测量方法进行测量。
步骤302，将造球机转速发送至中央处理器。
倾角控制器12可以被配置为执行以下步骤303和步骤304：
步骤303，获取当前周期内造球机中造球盘倾角。
造球机的造球盘倾角调节通常设有液压倾角调节装置，倾角检测采用倾角传感器直接测量。
步骤304，将造球盘倾角发送至中央处理器。
水控制器22可以被配置为执行以下步骤305和步骤306：
步骤305，获取当前周期内所述供水装置向造球机提供的给水量。
步骤306，将给水量发送至所述中央处理器。
物料控制器32可以被配置为执行以下步骤307和步骤308：
步骤307，获取当前周期内供料皮带秤向造球机提供的混合料中各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率。
获取混合料中各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率的方式有多种，一种可能的获取方式是，按照预定的时间间隔获取一次各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率，并用新获取的混合料各项参数更新之前获取的混合料各项参数。
另一种可能的获取方式是，实时获取混合料各项参数，并分别判断混合料各项参数的变化率，若变化率较小，处于预设的误差范围，则沿用之前获取的混合料各项参数，若变化率较大，超出预设的误差范围，则用新获取的混合料各项参数更新之前获取的混合料各项参数，需要说明的是，这里所说的混合料各项参数为各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率。
步骤308，将混合料各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率发送至中央处理器。
中央处理器5可以被配置为执行以下步骤309至步骤312：
步骤309，接收转速控制器发送的造球机转速，以及接收倾角控制器发送的造球盘倾角，以及接收水控制器发送的给水量，以及接收物料控制器发送的混合料各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率。
步骤310，根据造球机转速、给水量、混合料各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率，对生球合格率进行预测，得到多个预测周期的生球合格率预测值。
具体实施过程中，可以采用占比预测模型预测生球合格率。可参考图4，其示例性示出了本申请实施例提供的一种预测生球合格率的方法所对应的流程示意图，具体包括如下步骤：
步骤401，将造球机转速、造球机的造球盘倾角、给水量和混合料给料量，按照各自的收缩比例量化到同一区间，得到影响造球的特征向量。
由于同一时刻的给料量、混合料各组分配比、粘结剂的占比、混合料原始水分率、给水量、造球机转速和造球盘倾角的数据量及数据类型不同，无法直接对这些数据量进行运算。在本申请实施例中，考虑到各组分配比、粘结剂的占比是百分数和混合料原始水分率，即数值位于(0,1)这个区间内，因此，可以将造球机的当前转速、给水量和混合料给料量也量化到(0,1)这个区间内，从而能够对各组分配比、粘接剂的占比、混合料原始水分率、给料量、给水量、造球机转速和造球盘倾角这些数据量进行运算。
具体地，对造球机转速(或造球机的造球盘倾角)进行量化时，对应的收缩比例可以是造球机的最大转速(或造球盘的最大倾角)，即计算造球机转速与造球机的最大转速的比值，可参考公式(1)：
Figure BDA0002642697120000091
其中，Norm(n)表示量化后的造球机转速，n表示造球机转速，
Figure BDA0002642697120000099
表示造球机的最大转速；或者，Norm(n)表示量化后的造球机的造球盘倾角，n表示造球机的造球盘倾角，
Figure BDA0002642697120000098
表示造球机的最大倾角。
对给水量进行量化时，对应的收缩比例可以是供水装置中加水管道的最大给水量，即计算给水量与最大给水量的比值，可参考公式(2)：
Figure BDA0002642697120000092
其中，Norm(n)表示量化后的给水量，s表示给水量，smax表示最大给水量。
对混合料给料量时，对应的收缩比例是供料皮带秤的最大给料量，即计算混合料给料量与料仓最大给料量的比值，可参考公式(3)：
Figure BDA0002642697120000093
其中，Norm(m)表示量化后的混合物给料量，m表示混合物给料量，mmax表示供料皮带秤的最大给料量。
经过量化后，影响造球关键因素的特征向量如下：
X(k)＝(N,x1(k),x2(k),x3(k),x4(k),x5(k),x6(k),x7(k))＝Norm(n,s,m,w,r,p,q)
其中，X(k)表示用于影响造球关键因素的特征向量，x1(k)、x2(k)、x3(k)、x4(k)、x5(k)、x6(k)、x7(k)分别为量化后的造球机的转速、量化后的造球机的造球盘倾角、量化后的给水量、量化后的混合物给料量、混合料中各组分配比、混合料中粘结剂的占比和混合料原始水分率，N表示混合物中组分种类的数量；其中，x5(k)包含了各组分种类和配比信息，在实际应用中，可以用数字对各组分进行编号，在x5(k)中将组分的编号与组分的配比对应。
举个例子，混合料中包括编号分别为1、2、3的三种组分，那么，影响造球关键因素的特征向量可以如下所示：
Figure BDA0002642697120000094
其中，第一位的3表示混合料除粘结剂之外具有其他三种组分，x1(k)表示量化后的造球机的当前转速，x2(k)表示量化后的给水量，x3(k)表示量化后的混合料给料量，x4(k)表示量化后的混合料给料量，
Figure BDA0002642697120000095
表示混合料中编号为1的组分的配比，
Figure BDA0002642697120000096
表示混合料中编号为2的组分的配比，
Figure BDA0002642697120000097
表示混合料中编号为3的组分的配比，x6(k)表示混合料中粘结剂的占比，x7(k)表示为混合料原始水分率。
步骤402，将影响造球的特征向量输入到占比预测模型中，根据占比预测模型中预先设置的映射关系，得到多个预测周期的生球合格率预测值。
其中，预先设置的映射关系是影响造球的特征向量与多个预测周期的生球合格率预测值之间的映射关系。
本申请实施例中，生球合格率可以是根据不同规格的生球占比预测值确定的，不同规格的生球占比预测值包括合格大球的占比预测值、不合格大球的占比预测值、合格中球的占比预测值、合格小球的占比预测值和不合格小球的占比预测值。也就是说，本申请实施例中，可以通过预测不同规格的生球占比，来对生球合格率进行预测。
如此，该映射关系也可以是影响造球的特征向量与不同规格生球的占比预测值之间的映射关系。
具体地，该映射关系中包含了同一周期不同步长下的生球的占比预测值，可以根据实际工程需要，将造球机的整个造球过程分为多个步长，例如一个步长为十秒，则占比预测模型根据映射关系可以得到以下多个步长的占比预测值：
y(k|k)，y(k|k+1)，y(k|k+2)，…，y(k|k+j)
其中，j为预测步长，k为预测的具体时刻。
本申请实施例中，不同规格的生球的占比预测值包括合格大球的占比预测值、不合格大球的占比预测值、合格中球的占比预测值、合格小球的占比预测值和不合格小球的占比预测值。
根据生球的直径，可以将生球分为合格大球、不合格大球、合格中球、合格小球和不合格小球这五种规格。如表1所示，为一组满足造球工艺要求的不同规格生球占比范围的示例。其中，生球直径(表1中用d表示)大于或等于5mm且小于8mm时，生球属于不合格小球；生球直径大于或等于8mm且小于11mm时，生球属于合格小球；生球直径大于或等于11mm且小于14mm时，生球属于合格中球；生球直径大于或等于14mm且小于16mm时，生球属于合格大球；生球直径大于或等于16mm时，生球属于不合格大球。
不合格小球的占比设定范围为小于或等于7％；合格小球的占比设定范围为小于或等于30％；合格中球的占比设定范围为小于或等于55％；合格大球的占比设定范围为小于或等于20％；不合格大球的占比设定范围为小于或等于15％。
表1：不同规格生球的一种示例
生球规格 不合格小球 合格小球 合格中球 合格大球 不合格大球
生球直径(mm) 5≤d＜8 8≤d＜11 11≤d＜14 14≤d＜16 ≥16
占比设定范围(％) 0＜η<sub>1</sub>≤7 0＜η<sub>2</sub>≤30 0＜η<sub>3</sub>≤55 0＜η<sub>4</sub>≤20 0＜η<sub>5</sub>≤15
当各种不同规格的生球的占比满足上述表1设定范围，且总占比之和为100％，可以认为生球质量较佳，相反，则可以认为生球质量不合格。
本申请实施例中，占比预测模型可以是基于长短期记忆神经网络预测模型LSTM建立的。如图5所示，为本申请实施例提供的一种生成占比预测模型的方法所对应的流程示意图，具体包括如下步骤：
步骤501，获取N个历史周期内的样本数据。
其中，每个历史预测周期内的样本数据包括造球机的历史转速、造球机的历史造球盘倾角、历史给水量、造球机制造样本生球的历史原料信息以及不同规格的样本生球的占比实测值；历史原料信息包括历史给料量、历史混合料中各组分种类和占比、历史混合料中粘结剂的占比和历史混合料中混合料原始水分率；不同规格的样本生球的占比实测值是采用粒径分析法对每个历史预测周期内的样本生球进行采集图像及分析后计算得到的。
具体来说，样本生球的合格率实测值可以是不同规格的样本生球的占比实测值，采用粒径分析法得到不同规格的样本生球的占比实测值的方法有多种，比如，可以通过人工筛选的方法进行粒径分析，又比如，还可以通过机器视觉的方法进行粒径分析。
下面具体描述通过机器视觉的方法进行粒径分析的内容。
如图2所示，该控制系统还可以包括图像采集装置41和图像处理装置42。图像采集装置41设置于造球机的出料口，与图像处理装置42连接，图像处理装置42与中央处理器5连接。
该控制系统在粒径分析的过程中，图像采集装置41和图像处理装置42之间相互协作，得到不同规格的样本生球的占比实测值。具体请参考图6，其示例性示出了本申请实施例提供的一种用于造球机的控制系统的粒径分析工作流程示意图。
图像采集装置41可以被配置为执行以下步骤601和步骤602：
步骤601，采集造球机出球口的图像信息。
步骤602，将出球口的图像信息发送给图像处理装置。
图像处理装置42可以被配置为执行以下步骤603至步骤610：
步骤603，对出球口的图像信息进行图像预处理，分离出样本生球的图像信息与背景图像信息。
步骤604，根据样本生球的图像信息，获取样本生球的中心亮点。
步骤605，根据样本生球的图像信息与所述背景图像信息，确定样本生球的轮廓。
步骤606，根据样本生球的中心亮点与样本生球的轮廓，获取样本生球的粒径。
步骤607，根据样本生球的粒径，以及预设的粒径范围与生球规格的对应关系，确定样本生球的规格。
步骤608，统计历史周期内样本生球的总数量，以及不同规格的样本生球的数量。
步骤609，根据历史周期内样本生球的总数量和不同规格的样本生球的数量，确定样本生球的合格率实测值。
步骤610，将样本生球的合格率实测值发送给中央处理器。
步骤502，将造球机的历史转速、造球机的历史造球盘倾角、历史给水量和历史混合料给料量，按照各自的收缩比例量化到同一区间。
需要说明的是，具体量化的方法可以参考上文描述，此处不再赘述。
步骤503，根据量化后的造球机的历史转速、量化后的造球机的历史造球盘倾角、量化后的历史给水量、量化后的历史混合物给料量、历史混合料中各组分种类和占比、历史混合料中粘结剂的占比和历史混合料中混合料原始水分率，得到N个样本影响造球的特征向量。
需要说明的是，具体量化的方法可以参考上文描述，此处不再赘述。
步骤504，将N个样本影响造球的特征向量作为预测模型的输入，以及将N个历史预测周期内不同规格的样本生球的占比实际值作为预测模型的输出，采用时间反向传播法训练占比预测模型。
占比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LSTM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505，通过迭代训练不断更新占比预测模型的权重参数、偏置参数以及学习因子。
步骤506，如果占比预测模型对不同规格的样本生球的占比预测值，与不同规格的样本生球的占比实际值之间的差值达到预设的允差范围，或占比预测模型通过迭代运算时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。获得基于LSTM神经网络模型的影响造球的特征向量与不同规格生球的占比预测值的动态映射关系/动态预测模型。
该流程中，k时刻前向信号流(即k时刻LSTM的输出)表达如下：
Figure BDA0002642697120000121
其中，Yk-1为k-1时刻的输出，Xk为k时刻输入向量，σ表示Sigmoid函数，Wf和bf为遗忘门的权重向量和偏置项，Wi和bi为输入门的权重向量和偏置项，Wc和bc为单元状态的权重向量和偏置项，Wo和bo为输出门的权重向量和偏置项，ck为即时状态，ck-1为上一时刻状态。
影响造球的特征向量考虑到在实际的工艺过程中，设备的磨损、工况的迁移以及检测点的变化等情况，可能会导致占比预测模型不适用，为了提高预测模型的适用范围和精确度，本申请实施例中还提供一种在线更新占比预测模型的方法。
具体来说，就是根据训练模型在线应用预测过程中的偏差，适当调整模型参数。
影响造球的特征向量本申请实施例中，模型的粒度指标主要用于判断模型是否需要校正以及需要如何校正。通常可采用预测值与测量值的均方差作为粒度指标，然后根据粒度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。
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预测模型，步骤如下：
设原预测模型的样本集为S＝{[X1,Y1],...,[Xt,Yt]}，t为总的样本数。当获取新测量值[Xm,Ym]，则将其加入样本集，并淘汰最陈旧的样本，则新的样本集为：
S＝{[X2,Y2],...,[Xt,Yt],[Xm,Ym]}
然后利用新的样本训练学习算法，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，选择历史周期内的样本数据中与当前测量状态相似的数据样本，重构预测模型。
步骤311，根据每个预测周期的生球合格率预测值和预设的每个预测周期的生球合格率目标值，计算得到每个预测周期的生球合格率偏差值。
具体地，根据每个预测周期不同预测步长各型生球占比预测值和预设的单周期内不同步长各型生球占比参考(目标)值，计算得到该周期不同步长各型生球占比与参考值的偏差值。
每个预测周期不同步长各型生球占比与参考值的偏差值可以通过公式(4)得到：
E(k|k+j)＝{(r1(j)-y1(k|k+j)),r2(j)-y2(k|k+j),...,ri(j)-yi(k|k+j)} 公式(4)
公式(4)中，E(k|k+j)是第k个预测周期第j个步长的各型生球占比与参考值的偏差值；ri(j)是第j个步长第i种规格的生球占比目标值；yi(k|k+j)是第k个预测周期中第j个步长第i种规格的生球占比预测值；i＝1,2,……,d，n是大于或等于1的整数；j＝1,2,……,m，m是大于或等于1的整数。
步骤312，将多个预测周期的生球合格率偏差值输入滚动优化模型，得到待调整的造球机机转速、待调整的造球机的造球盘倾角、待调整的给料量和待调整的给水量，驱动所述转速控制器将造球机中造球机将转速调整为所述待调整的造球机转速，以及驱动倾角控制器将造球机中造球盘倾角调整为待调整的造球机的造球盘倾角，以及驱动物料控制器将向造球机提供的给料量调整为待调整给料量，以及驱动所述水控制器将向造球机提供的给水量调整为所述待调整的给水量。
具体地，将一个预测周期多个步长的各型生球占比与参考值的偏差值输入滚动优化模型，得到待调整的造球机转速、待调整的造球机的造球盘倾角、待调整的给料量和待调整的给水量，驱动转速控制器将造球机中造球机的转速调整为待调整的造球机转速，以及驱动倾角控制器将造球机中造球盘倾角调整为待调整的造球机的造球盘倾角，以及驱动物料控制器将向造球机提供的给料量调整为待调整给料量，以及驱动水控制器将向造球机提供的给水量调整为待调整的给水量。
滚动优化模型用于在混合料中组分种类和配比、粘结剂的占比和和混合料原始水分率均不变的条件下，计算出单个预测周期的各型生球占比与参考值的偏差值偏差值的方差最小时，对应的造球机转速、造球机的造球盘倾角、给料量和给水量。
第k个预测周期第j个步长的各型生球占比与参考值的偏差值均方差可以通过公式(5)得到：
Figure BDA0002642697120000131
其中，σk|k+j)是第k个预测周期第j个步长的各型生球占比与参考值的偏差值均方差，ri(j)是第j个预测步长第i种规格小球占比目标值；yi(k|k+j)是第k个预测周期第j个步长第i种规格小球占比预测值；i＝1,2,……,d，d是大于或等于1的整数；j＝0,1,2,……,m，m是大于或等于0的整数，k＝1,2,……,n，n是大于或等于1的整数。
需要说明的是，上述实施例仅是以圆盘造球机为例，当然，本申请实施例提供的生球质量预测系统，同样适用于圆筒造球机。
本申请实施例中，根据造球机转速、造球机的造球盘倾角、给水量、混合料给料量、混合料各组分种类和配比、混合料中粘结剂的占比和混合料原始水分率，对生球合格率进行预测，得到多个预测周期的生球合格率预测值；结合每个预测周期的生球合格率预测值与预设的每个预测周期的生球合格率目标值，采用滚动优化模型对造球机的转速、造球盘倾角、给料量和给水量进行优化，从而实现实时控制造球机中造球机的转速、造球盘倾角、向造球机提供的给料量和向造球机提供的给水量，使生球的实际合格率能够达到预设标准，进而可以提高造球机的成球质量。
下述为本申请方法实施例，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。
图7示例性示出了本申请实施例提供的一种用于造球机的控制方法所对应的流程示意图。如图7所示，该方法可以包括如下步骤：
步骤701，根据所述造球机转速、所述造球机的造球盘倾角、所述给水量、所述混合料各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率，对生球各粒径范围的占比进行预测，得到多个预测周期的生球合格率预测值。
步骤702，根据每个预测周期的生球合格率预测值和预设的每个预测周期的生球合格率目标值，计算得到每个预测周期的生球合格率偏差值。
步骤703，将多个预测周期的生球合格率偏差值输入滚动优化模型，得到待调整的造球机转速、待调整的造球机的造球盘倾角、待调整的给料量和待调整的给水量，驱动所述转速控制器将造球机中造球机将转速调整为所述待调整的造球机转速，以及驱动所述倾角控制器将造球机中造球盘倾角调整为所述待调整的造球机的造球盘倾角，以及驱动所述物料控制器将向造球机提供的给料量调整为所述待调整给料量，以及驱动所述水控制器将向造球机提供的给水量调整为所述待调整的给水量。
其中，所述多个预测周期包括当前周期和在当前周期之后的周期；所述滚动优化模型用于在所述混合料各组分种类和配比、所述混合料中粘结剂的占比和所述混合料原始水分率均不变的条件下，计算出多个预测周期的生球合格率偏差值的方差最小时，对应的造球机转速、造球机的造球盘倾角、给料量和给水量。
可选地，所述生球合格率根据不同规格的生球占比预测值确定，所述不同规格的生球占比预测值包括合格大球的占比预测值、不合格大球的占比预测值、合格中球的占比预测值、合格小球的占比预测值和不合格小球的占比预测值；
所述每个预测周期的生球合格率偏差值通过以下方式得到：
E(k|k+j)＝{(r1(j)-y1(k|k+j)),r2(j)-y2(k|k+j),...,ri(j)-yi(k|k+j)}
其中，E(k|k+j)是第k个预测周期第j个步长的各型生球占比与参考值的偏差值；ri(j)是第j个步长第i种规格的生球占比目标值；yi(k|k+j)是第k个预测周期中第j个步长第i种规格的生球占比预测值；i＝1,2,……,d，n是大于或等于1的整数；j＝1,2,……,m，m是大于或等于1的整数。
可选地，所述多个预测周期的生球合格率偏差值的方差通过以下方式得到：
Figure BDA0002642697120000141
其中，σ(k|k+j)是第k个预测周期第j个步长的各型生球占比与参考值的偏差值均方差，ri(j)是第j个预测步长第i种规格小球占比目标值；yi(k|k+j)是第k个预测周期第j个步长第i种规格小球占比预测值；i＝1,2,……,d，d是大于或等于1的整数；j＝0,1,2,……,m，m是大于或等于0的整数，k＝1,2,……,n，n是大于或等于1的整数。
可选地，根据所述造球机转速、所述造球机的造球盘倾角、所述给水量、所述混合料各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率，对生球各粒径范围的占比进行预测，得到多个预测周期的生球合格率预测值，具体执行以下步骤：
将所述造球机的转速、所述造球机的造球盘倾角、所述给水量和所述给料量，按照各自的收缩比例量化到同一区间；
根据量化后的造球机的转速、量化后的造球机的造球盘倾角、量化后的给水量、量化后的给料量、所述混合料中各组分的种类和占比、所述混合料中粘结剂的占比和所述混合料原始水分率，得到影响造球的特征向量；
将所述影响造球的特征向量输入到占比预测模型中，得到不同规格的生球的占比预测值，所述占比预测模型包括影响造球的特征向量与不同规格生球的占比预测值之间的映射关系。
可选地，造球机的转速对应的收缩比例是造球机的最大转速；
所述给水量对应的收缩比例是所述给水系统中加水管道的最大给水量；
所述给料量对应的收缩比例是给料皮带的最大给料量；
所述造球机的造球盘倾角对应的收缩比例是所述造球机的最大倾角。
可选地，所述占比预测模型通过以下方式得到：
获取N个历史预测周期内的样本数据；每个历史预测周期内的样本数据包括造球机的历史转速、造球机的历史造球盘倾角、历史加水量、造球机制造样本生球的历史原料信息以及不同规格的样本生球的占比实测值；所述历史原料信息包括历史给料量、历史混合料中各组分种类和占比、历史混合料中粘结剂的占比和历史混合料中混合料原始水分率；所述不同规格的样本生球的占比实测值是采用机器视觉法对每个历史预测周期内的样本生球进行图像采集及处理后分析计算得到的；
将所述造球机的历史转速、所述造球机的历史造球盘倾角、所述历史给水量和所述历史给料量，按照各自的收缩比例量化到同一区间；
根据量化后的造球机的历史转速、量化后的造球机的历史造球盘倾角、量化后的历史给水量、量化后给料量、所述历史混合料各组分种类和占比、所述历史混合料中粘结剂的占比和所述历史混合料中混合料原始水分率，得到N个样本影响造球的特征向量；
将所述N个样本影响造球的特征向量作为预测模型的输入，以及将N个历史预测周期内不同规格的样本生球的占比实际值作为预测模型的输出，采用时间反向传播法训练占比预测模型；
通过迭代训练不断更新占比预测模型的权重参数、偏置参数以及学习因子；
如果占比预测模型对不同规格的样本生球的占比预测值，与不同规格的样本生球的占比实际值之间的差值达到预设的允差范围，或占比预测模型通过迭代运算时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。
可选地，所述占比预测模型是基于长短期记忆神经网络预测模型LSTM建立的。
可选地，所述系统还包括图像采集装置和图像处理装置，所述图像采集装置设置于造球机的出料口，与所述图像处理装置连接，所述图像处理装置与所述中央处理器连接；
所述图像采集装置被配置为执行以下步骤：采集造球机出球口的图像信息，以及将所述出球口的图像信息发送给所述图像处理装置；
所述图像处理装置被配置为执行以下步骤：
对所述出球口的图像信息进行图像预处理，分离出样本生球的图像信息与背景图像信息；
根据所述样本生球的图像信息，获取样本生球的中心亮点；
根据所述样本生球的图像信息与所述背景图像信息，确定样本生球的轮廓；
根据所述样本生球的中心亮点与所述样本生球的轮廓，获取样本生球的粒径；
根据所述样本生球的粒径，以及预设的粒径范围与生球规格的对应关系，确定样本生球的规格；
统计历史周期内样本生球的总数量，以及不同规格的样本生球的数量；
根据所述历史周期内样本生球的总数量和所述不同规格的样本生球的数量，确定所述样本生球的合格率实测值，以及将所述样本生球的合格率实测值发送给所述中央处理器。
可选地，所述转速控制器被配置为执行以下步骤：
获取当前周期内造球机中造球机转速，以及将所述造球机转速发送至所述中央处理器；
所述倾角控制器被配置为执行以下步骤：
获取当前周期内造球机中造球盘倾角，以及将所述造球盘倾角发送至所述中央处理器；
所述水控制器被配置为执行以下步骤：
获取当前周期内所述供水装置向造球机提供的给水量，以及将所述给水量发送至所述中央处理器；
所述物料控制器被配置为执行以下步骤：
获取当前周期内供料皮带秤向造球机提供的混合料中各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率，以及将所述混合料中各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率发送至所述中央处理器。
本申请实施例中，采用滚动优化模型对造球机转速、造球机的造球盘倾角、给料量和给水量进行优化，从而实现实时控制造球机中造球机转速、造球机的造球盘倾角、向造球机提供的给料量和向造球机提供的给水量，使生球的实际合格率能够达到预设标准，进而可以提高造球机的成球质量。
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 (8)

1.一种用于造球机的控制系统，所述系统包括造球机、供水装置和供料皮带秤，所述供水装置的出水点设置于造球机的进料点及所述造球机内的涨球区域，用于向造球机提供水；所述供料皮带秤用于向造球机提供混合料，所述供料皮带秤的落料点位于造球机的进料点；其特征在于，所述系统还包括与造球机连接的转速控制器、与造球机连接的倾角控制器、与供水装置连接的水控制器、与供料皮带秤连接的物料控制器以及分别与转速控制器、倾角控制器、水控制器和物料控制器连接的中央处理器；其中：
所述中央处理器被配置为执行以下步骤：
接收所述转速控制器发送的造球机转速，倾角控制器发送的造球机的造球盘倾角，以及接收所述水控制器发送的给水量，以及接收所述物料控制器发送的各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率；
根据所述造球机转速、所述造球机的造球盘倾角、所述给水量、所述混合料各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率，对生球各粒径范围的占比进行预测，得到多个预测周期的生球合格率预测值；
根据每个预测周期的生球合格率预测值和预设的每个预测周期的生球合格率目标值，计算得到每个预测周期的生球合格率偏差值；
将多个预测周期的生球合格率偏差值输入滚动优化模型，得到待调整的造球机转速、待调整的造球机的造球盘倾角、待调整的给料量和待调整的给水量，驱动所述转速控制器将造球机中造球机转速调整为所述待调整的造球机转速，以及驱动所述倾角控制器将造球机中造球盘倾角调整为所述待调整的造球机的造球盘倾角，以及驱动所述物料控制器将向造球机提供的给料量调整为所述待调整的给料量，以及驱动所述水控制器将向造球机提供的给水量调整为所述待调整的给水量；
其中，所述多个预测周期包括当前周期和在当前周期之后的周期；所述滚动优化模型用于在所述混合料各组分种类和配比、所述混合料中粘结剂的占比和所述混合料原始水分率均不变的条件下，计算出多个预测周期的生球合格率偏差值的方差最小时，对应的造球机转速、造球机的造球盘倾角、给料量和给水量；
根据所述造球机转速、所述造球机的造球盘倾角、所述给水量、所述混合料各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率，对生球各粒径范围的占比进行预测，得到多个预测周期的生球合格率预测值，具体执行以下步骤：
将所述造球机的转速、所述造球机的造球盘倾角、所述给水量和所述给料量，按照各自的收缩比例量化到同一区间；
根据量化后的造球机的转速、量化后的造球机的造球盘倾角、量化后的给水量、量化后的给料量、所述混合料中各组分的种类和占比、所述混合料中粘结剂的占比和所述混合料原始水分率，得到影响造球的特征向量；
将所述影响造球的特征向量输入到占比预测模型中，得到不同规格的生球的占比预测值，所述占比预测模型包括影响造球的特征向量与不同规格生球的占比预测值之间的映射关系；
其中，所述占比预测模型通过以下方式得到：
获取N个历史预测周期内的样本数据；每个历史预测周期内的样本数据包括造球机的历史转速、造球机的历史造球盘倾角、历史给水量、造球机制造样本生球的历史原料信息以及不同规格的样本生球的占比实测值；所述历史原料信息包括历史给料量、历史混合料中各组分种类和占比、历史混合料中粘结剂的占比和历史混合料中混合料原始水分率；所述不同规格的样本生球的占比实测值是采用机器视觉法对每个历史预测周期内的样本生球进行图像采集及处理后分析计算得到的；
将所述造球机的历史转速、所述造球机的历史造球盘倾角、所述历史给水量和所述历史给料量，按照各自的收缩比例量化到同一区间；
根据量化后的造球机的历史转速、量化后的造球机的历史造球盘倾角、量化后的历史给水量、量化后给料量、所述历史混合料各组分种类和占比、所述历史混合料中粘结剂的占比和所述历史混合料中混合料原始水分率，得到N个样本影响造球的特征向量；
将所述N个样本影响造球的特征向量作为预测模型的输入，以及将N个历史预测周期内不同规格的样本生球的占比实际值作为预测模型的输出，采用时间反向传播法训练占比预测模型；
通过迭代训练不断更新占比预测模型的权重参数、偏置参数以及学习因子；
如果占比预测模型对不同规格的样本生球的占比预测值，与不同规格的样本生球的占比实际值之间的差值达到预设的允差范围，或占比预测模型通过迭代运算时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。
2.根据权利要求1所述的控制系统，其特征在于，所述生球合格率根据不同规格的生球占比预测值确定，所述不同规格的生球占比预测值包括合格大球的占比预测值、不合格大球的占比预测值、合格中球的占比预测值、合格小球的占比预测值和不合格小球的占比预测值；
所述每个预测周期的生球合格率偏差值通过以下方式得到：
E(k|k+j)＝{(r1(j)-y1(k|k+j)),r2(j)-y2(k|k+j),...,ri(j)-yi(k|k+j)}
其中，E(k|k+j)是第k个预测周期第j个步长的各型生球占比与参考值的偏差值；ri(j)是第j个步长第i种规格的生球占比目标值；yi(k|k+j)是第k个预测周期中第j个步长第i种规格的生球占比预测值；i＝1,2,……,d，d是大于或等于1的整数；j＝1,2,……,m，m是大于或等于1的整数。
3.根据权利要求2所述的控制系统，其特征在于，所述多个预测周期的生球合格率偏差值的方差通过以下方式得到：
Figure FDA0003554729070000021
其中，σ(k|k+j)是第k个预测周期第j个步长的各型生球占比与参考值的偏差值均方差，ri(j)是第j个预测步长第i种规格小球占比目标值；yi(k|k+j)是第k个预测周期第j个步长第i种规格小球占比预测值；i＝1,2,……,d，d是大于或等于1的整数；j＝0,1,2,……,m，m是大于或等于0的整数，k＝1,2,……,n，n是大于或等于1的整数。
4.根据权利要求1所述的控制系统，其特征在于，造球机的转速对应的收缩比例是造球机的最大转速；
所述给水量对应的收缩比例是给水系统中加水管道的最大给水量；
所述给料量对应的收缩比例是给料皮带的最大给料量；
所述造球机的造球盘倾角对应的收缩比例是所述造球机的最大倾角。
5.根据权利要求1所述的控制系统，其特征在于，所述占比预测模型是基于长短期记忆神经网络预测模型LSTM建立的。
6.根据权利要求1所述的控制系统，其特征在于，所述系统还包括图像采集装置和图像处理装置，所述图像采集装置设置于造球机的出料口，与所述图像处理装置连接，所述图像处理装置与所述中央处理器连接；
所述图像采集装置被配置为执行以下步骤：采集造球机出球口的图像信息，以及将所述出球口的图像信息发送给所述图像处理装置；
所述图像处理装置被配置为执行以下步骤：
对所述出球口的图像信息进行图像预处理，分离出样本生球的图像信息与背景图像信息；
根据所述样本生球的图像信息，获取样本生球的中心亮点；
根据所述样本生球的图像信息与所述背景图像信息，确定样本生球的轮廓；
根据所述样本生球的中心亮点与所述样本生球的轮廓，获取样本生球的粒径；
根据所述样本生球的粒径，以及预设的粒径范围与生球规格的对应关系，确定样本生球的规格；
统计历史周期内样本生球的总数量，以及不同规格的样本生球的数量；
根据所述历史周期内样本生球的总数量和所述不同规格的样本生球的数量，确定所述样本生球的合格率实测值，以及将所述样本生球的合格率实测值发送给所述中央处理器。
7.根据权利要求1至6中任一项所述的控制系统，其特征在于，所述转速控制器被配置为执行以下步骤：
获取当前周期内造球机中造球机转速，以及将所述造球机转速发送至所述中央处理器；
所述倾角控制器被配置为执行以下步骤：
获取当前周期内造球机中造球盘倾角，以及将所述造球盘倾角发送至所述中央处理器；
所述水控制器被配置为执行以下步骤：
获取当前周期内所述供水装置向造球机提供的给水量，以及将所述给水量发送至所述中央处理器；
所述物料控制器被配置为执行以下步骤：
获取当前周期内供料皮带秤向造球机提供的混合料中各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率，以及将所述混合料中各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率发送至所述中央处理器。
8.一种用于造球机的控制方法，其特征在于，所述方法包括：
根据造球机转速、造球机的造球盘倾角、给水量、混合料各组分种类和配比、混合料给料量、混合料中粘结剂的占比和混合料原始水分率，对生球各粒径范围的占比进行预测，得到多个预测周期的生球合格率预测值；
根据每个预测周期的生球合格率预测值和预设的每个预测周期的生球合格率目标值，计算得到每个预测周期的生球合格率偏差值；
将多个预测周期的生球合格率偏差值输入滚动优化模型，得到待调整的造球机转速、待调整的造球机的造球盘倾角、待调整的给料量和待调整的给水量，驱动转速控制器将造球机中造球机转速调整为所述待调整的造球机转速，以及驱动倾角控制器将造球机中造球盘倾角调整为所述待调整的造球机的造球盘倾角，以及驱动物料控制器将向造球机提供的给料量调整为所述待调整的给料量，以及驱动水控制器将向造球机提供的给水量调整为所述待调整的给水量；
其中，所述多个预测周期包括当前周期和在当前周期之后的周期；所述滚动优化模型用于在所述混合料各组分种类和配比、所述混合料中粘结剂的占比和所述混合料原始水分率均不变的条件下，计算出多个预测周期的生球合格率偏差值的方差最小时，对应的造球机转速、造球机的造球盘倾角、给料量和给水量；
根据所述造球机转速、所述造球机的造球盘倾角、所述给水量、所述混合料各组分种类和配比、所述混合料给料量、所述混合料中粘结剂的占比和所述混合料原始水分率，对生球各粒径范围的占比进行预测，得到多个预测周期的生球合格率预测值，具体执行以下步骤：
将所述造球机的转速、所述造球机的造球盘倾角、所述给水量和所述给料量，按照各自的收缩比例量化到同一区间；
根据量化后的造球机的转速、量化后的造球机的造球盘倾角、量化后的给水量、量化后的给料量、所述混合料中各组分的种类和占比、所述混合料中粘结剂的占比和所述混合料原始水分率，得到影响造球的特征向量；
将所述影响造球的特征向量输入到占比预测模型中，得到不同规格的生球的占比预测值，所述占比预测模型包括影响造球的特征向量与不同规格生球的占比预测值之间的映射关系；
其中，所述占比预测模型通过以下方式得到：
获取N个历史预测周期内的样本数据；每个历史预测周期内的样本数据包括造球机的历史转速、造球机的历史造球盘倾角、历史给水量、造球机制造样本生球的历史原料信息以及不同规格的样本生球的占比实测值；所述历史原料信息包括历史给料量、历史混合料中各组分种类和占比、历史混合料中粘结剂的占比和历史混合料中混合料原始水分率；所述不同规格的样本生球的占比实测值是采用机器视觉法对每个历史预测周期内的样本生球进行图像采集及处理后分析计算得到的；
将所述造球机的历史转速、所述造球机的历史造球盘倾角、所述历史给水量和所述历史给料量，按照各自的收缩比例量化到同一区间；
根据量化后的造球机的历史转速、量化后的造球机的历史造球盘倾角、量化后的历史给水量、量化后给料量、所述历史混合料各组分种类和占比、所述历史混合料中粘结剂的占比和所述历史混合料中混合料原始水分率，得到N个样本影响造球的特征向量；
将所述N个样本影响造球的特征向量作为预测模型的输入，以及将N个历史预测周期内不同规格的样本生球的占比实际值作为预测模型的输出，采用时间反向传播法训练占比预测模型；
通过迭代训练不断更新占比预测模型的权重参数、偏置参数以及学习因子；
如果占比预测模型对不同规格的样本生球的占比预测值，与不同规格的样本生球的占比实际值之间的差值达到预设的允差范围，或占比预测模型通过迭代运算时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。
CN202010844830.8A 2020-08-20 2020-08-20 一种用于造球机的控制系统及控制方法 Active CN113296561B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010844830.8A CN113296561B (zh) 2020-08-20 2020-08-20 一种用于造球机的控制系统及控制方法
PCT/CN2021/112553 WO2022037499A1 (zh) 2020-08-20 2021-08-13 一种用于造球机的控制系统及控制方法
BR112022023793A BR112022023793A2 (pt) 2020-08-20 2021-08-13 Sistema de controle e método de controle para peletizador

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010844830.8A CN113296561B (zh) 2020-08-20 2020-08-20 一种用于造球机的控制系统及控制方法

Publications (2)

Publication Number Publication Date
CN113296561A CN113296561A (zh) 2021-08-24
CN113296561B true CN113296561B (zh) 2022-06-14

Family

ID=77318320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010844830.8A Active CN113296561B (zh) 2020-08-20 2020-08-20 一种用于造球机的控制系统及控制方法

Country Status (3)

Country Link
CN (1) CN113296561B (zh)
BR (1) BR112022023793A2 (zh)
WO (1) WO2022037499A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114442710B (zh) * 2022-01-24 2023-02-28 中冶长天国际工程有限责任公司 一种混料与造球工艺的给水控制系统及方法、存储介质
CN116000290B (zh) * 2023-03-27 2023-06-09 青岛贝诺磁电科技有限公司 冶金供料过程中自动加料控制方法和系统
CN117244804B (zh) * 2023-11-13 2024-03-22 济南鑫鑫体育用品有限公司 一种球类质量检测仪

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006131457A2 (de) * 2005-06-07 2006-12-14 Siemens Aktiengesellschaft Verfahren zur steuerung der leistung von der röstmaschine zum brennen der eisenerzpellets
CN201400707Y (zh) * 2009-05-08 2010-02-10 朱强龙 直径为7500mm的圆盘造球机
CN102053595A (zh) * 2009-10-30 2011-05-11 中国石油化工股份有限公司 一种乙烯装置中控制裂解炉裂解深度的方法
CN109988907A (zh) * 2019-04-28 2019-07-09 中冶长天国际工程有限责任公司 一种用于造球机的加水量调节方法及装置
CN110055408A (zh) * 2019-04-28 2019-07-26 湖南长天自控工程有限公司 一种用于造球机的物料调节方法及装置
CN111041194A (zh) * 2019-10-29 2020-04-21 江苏省沙钢钢铁研究院有限公司 一种提高矿粉球团矿生球质量的制备装置及其使用方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4131668A (en) * 1974-03-15 1978-12-26 Nippon Steel Corporation Iron ore pellet process control
JPH11130484A (ja) * 1997-10-22 1999-05-18 Mitsubishi Heavy Ind Ltd セメント原料調合制御方法及び装置
JP4138560B2 (ja) * 2003-04-08 2008-08-27 株式会社神戸製鋼所 焼結機における焼結時間予測方法及び操業方法
CN101078049A (zh) * 2006-05-22 2007-11-28 中南大学 实验型铁精矿连续造球装置及方法
CN105087910B (zh) * 2015-08-12 2017-11-03 中冶长天国际工程有限责任公司 一种球团造球控制方法及装置
CN106647663B (zh) * 2016-12-23 2023-07-28 天津市三特电子有限公司 圆盘造球智能化生产控制系统及其控制方法
CN107506862B (zh) * 2017-08-28 2023-07-04 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
CN109726844A (zh) * 2017-10-31 2019-05-07 中国石油化工股份有限公司 加氢裂化装置的产品收率自动调控方法、系统和存储设备
CN109988906B (zh) * 2019-04-28 2021-03-30 湖南长天自控工程有限公司 一种用于造球机的加水量调节方法及装置
CN109988909B (zh) * 2019-04-28 2020-12-04 中冶长天国际工程有限责任公司 一种用于造球机的物料调节方法及装置
CN110055407B (zh) * 2019-04-28 2021-04-20 中冶长天国际工程有限责任公司 一种用于造球机的转速调节方法及装置
CN210314420U (zh) * 2019-08-20 2020-04-14 湘潭瑞通球团有限公司 一种氧化球团用造球系统
CN111179236A (zh) * 2019-12-23 2020-05-19 湖南长天自控工程有限公司 一种用于造球机的生球粒度分析方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006131457A2 (de) * 2005-06-07 2006-12-14 Siemens Aktiengesellschaft Verfahren zur steuerung der leistung von der röstmaschine zum brennen der eisenerzpellets
CN201400707Y (zh) * 2009-05-08 2010-02-10 朱强龙 直径为7500mm的圆盘造球机
CN102053595A (zh) * 2009-10-30 2011-05-11 中国石油化工股份有限公司 一种乙烯装置中控制裂解炉裂解深度的方法
CN109988907A (zh) * 2019-04-28 2019-07-09 中冶长天国际工程有限责任公司 一种用于造球机的加水量调节方法及装置
CN110055408A (zh) * 2019-04-28 2019-07-26 湖南长天自控工程有限公司 一种用于造球机的物料调节方法及装置
CN111041194A (zh) * 2019-10-29 2020-04-21 江苏省沙钢钢铁研究院有限公司 一种提高矿粉球团矿生球质量的制备装置及其使用方法

Also Published As

Publication number Publication date
WO2022037499A1 (zh) 2022-02-24
BR112022023793A2 (pt) 2023-03-28
CN113296561A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN113296561B (zh) 一种用于造球机的控制系统及控制方法
CN113295000B (zh) 一种基于料层厚度预测的布料控制系统及方法
CN101863088B (zh) 一种橡胶混炼过程中门尼粘度的预报方法
CN109446236A (zh) 基于随机分布的水泥粒径分布预测方法
CN109472057B (zh) 基于跨工步隐式参数记忆的产品加工质量预测装置及方法
CN110245850B (zh) 一种考虑时序的烧结过程工况识别方法及系统
CN109190226B (zh) 一种磨矿系统溢流粒度指标软测量方法
CN109342279B (zh) 基于粉磨机理和神经网络的混合软测量方法
CN108469797B (zh) 一种基于神经网络和进化计算的磨矿过程建模方法
CN113299352B (zh) 一种烧结台车的料层厚度动态预测系统及方法
CN113289541B (zh) 一种基于混匀度预测的混合机控制系统及方法
CN116026420A (zh) 一种基于轴承加工的参数检测方法及系统
CN110222825B (zh) 一种水泥成品比表面积预测方法及系统
CN113297542A (zh) 一种造球机的生球占比预测方法及装置
CN113299353A (zh) 一种混合机的混匀度预测方法及系统
CN110706757B (zh) 预测选矿回水中残留絮凝剂浓度的方法
CN113962150A (zh) 一种烧结混合料粒度预测方法及系统
Lieberman Statistical process control and the impact of automatic process control
CN112070408A (zh) 基于大数据和深度学习的烧结矿成分预报模型
CN113289542B (zh) 一种基于混合能效比最优的混合机控制系统及方法
CN114841277A (zh) 一种转炉出钢合金收得率预测方法和系统
RU2812444C1 (ru) Система и способ управления распределением материала на основе прогнозирования толщины слоя материала
CN114066135A (zh) 一种水质模型参数自动优化方法及系统
CN116736796B (zh) 一种钢材尺寸的高精度工控方法
CN116956140B (zh) 一种智能分拣过程中参数动态预测方法及系统

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
GR01 Patent grant
GR01 Patent grant