CN113297542A - 一种造球机的生球占比预测方法及装置 - Google Patents

一种造球机的生球占比预测方法及装置 Download PDF

Info

Publication number
CN113297542A
CN113297542A CN202010844840.1A CN202010844840A CN113297542A CN 113297542 A CN113297542 A CN 113297542A CN 202010844840 A CN202010844840 A CN 202010844840A CN 113297542 A CN113297542 A CN 113297542A
Authority
CN
China
Prior art keywords
historical
pelletizer
ratio
mixture
pelletizing
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
Application number
CN202010844840.1A
Other languages
English (en)
Inventor
朱佼佼
邱立运
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 CN202010844840.1A priority Critical patent/CN113297542A/zh
Publication of CN113297542A publication Critical patent/CN113297542A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/045—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geology (AREA)
  • Manufacturing & Machinery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Materials Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)

Abstract

本申请提供了一种造球机的生球占比预测方法及装置。所述方法包括：通过将同一预测周期获取的造球机的转速、造球机的造球盘倾角、加水量、给料量按照各自收缩比例量化到同一区间，并根据量化后的数据以及混合料各组分种类和配比、粘结剂的占比、混合料原始水分率，得到造球关键影响因素的特征向量，然后将该特征向量输入到预先训练好的占比预测模型中，根据占比预测模型包含的映射关系，得到不同规格的生球的占比预测值。如此，一方面，本申请实施例提供的方法无需人工筛选，省时省力，检测效率高，另一方面，该方法能够实时进行生球占比的预测，实现对造球机的实时控制，可以更好的指导实际的生产作业。

Description

一种造球机的生球占比预测方法及装置
技术领域
本申请涉及数据处理技术领域，特别涉及一种造球机的生球占比预测方法及装置。
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两类，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，，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，合格生球的占比越高，说明造球机的产量越高。现有技术中，评估造球机的生球占比的方法是，从造球机的出球区，获取一批生球，然后利用几种不同规格的筛子，筛出不同规格的生球，然后计算不同规格的生球的占比，如果生球的占比符合工艺要求的范围，则评估该造球机的成球粒度符合要求。现有技术中，更先进的方法是通过机器视觉技术，实时采集出球区生球图像，利用图像识别处理技术，计算出各生球的粒度，然后计算不同规格的生球占比，如果生球占比符合预设阈值范围，则认为该造球机制造的生球满足生产要求，相关设置参数符合造球要求。
但是，上述第一种方法需要人工筛选，费时费力，检测效率低，属于抽样离线检测法，不能满足生产实时性的要求。第二种虽然先进实时性较好，但该方法只能在造球机完成造球工作之后，才能进行生球占比的检测，参数控制时只能通过基于反馈的闭环控制，实时性不够，导致视觉技术的检测结果仍然无法用于造球机的实时控制。
发明内容
本申请提供了一种造球机的生球占比预测方法及装置，可用于解决在现有技术检测生球质量时人工筛选方法费时费力，不能满足生产实时性的要求；机器视觉技术的方法只能在造球机完成造球工作之后，才能进行生球占比的检测，参数控制时只能通过基于反馈的闭环控制，实时性不够，导致视觉技术的检测结果仍然无法用于造球机的实时控制。
第一方面，本申请实施例提供一种造球机的生球占比预测方法，所述方法包括：
获取当前预测周期内造球机的转速、造球机的造球盘倾角和给水系统的提供的给水量；
获取当前预测周期内造球机制造生球的当前原料信息，所述当前原料信息包括给料量、混合料中各组分种类和占比、混合料中粘结剂的占比和混合料原始水分率；
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，生成占比预测模型的步骤包括：
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，所述不同规格的样本生球的占比实测值具体通过以下步骤得到：
采用图像采集装置获取造球机出球区域的图像信息；
对所述出球区域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；
统计历史预测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；
根据所述历史预测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，确定不同规格的样本生球的占比实测值。
结合第一方面，在第一方面的一种可实现方式中，所述当前原料信息具体通过以下步骤得到：
从位于造球机上游的供料系统中获取当前预测周期内造球机制造生球的当前原料信息。
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，所述方法还包括：
如果生球的占比实测值与模型的预测值之间差值大于预设阈值，则将所述影响造球的特征向量作为预测模型的输入，将生球的占比实测值和N个样本生球的占比实际值作为预测模型的输出，对所述占比预测模型进行在线更新，得到更新后的占比预测模型。
结合第一方面，在第一方面的一种可实现方式中，所述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。
第二方面，本申请实施例提供一种造球机的生球占比预测装置，所述装置包括：
获取单元，用于获取当前预测周期内造球机的转速、造球机的造球盘倾角和给水系统的提供的给水量；以及，获取当前预测周期内造球机制造生球的当前原料信息，所述当前原料信息包括给料量、混合料中各组分种类和占比、混合料中粘结剂的占比和混合料原始水分率；
处理单元，用于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；以及，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；
预测单元，用于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，生成占比预测模型的步骤包括：
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，所述不同规格的样本生球的占比实测值具体通过以下步骤得到：
采用图像采集装置获取造球机出球区域的图像信息；
对所述出球区域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；
统计历史预测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；
根据所述历史预测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，确定不同规格的样本生球的占比实测值。
结合第二方面，在第二方面的一种可实现方式中，所述当前原料信息具体通过以下步骤得到：
从位于造球机上游的供料系统中获取当前预测周期内造球机制造生球的当前原料信息。
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，所述处理单元还用于：
如果生球的占比实测值与模型的预测值之间差值大于预设阈值，则将所述影响造球的特征向量作为预测模型的输入，将生球的占比实测值和N个样本生球的占比实际值作为预测模型的输出，对所述占比预测模型进行在线更新，得到更新后的占比预测模型。
结合第二方面，在第二方面的一种可实现方式中，所述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。
本申请实施例中，通过将同一预测周期获取的造球机的转速、造球机的造球盘倾角、加水量、给料量，按照各自收缩比例量化到同一区间，并根据量化后的数据以及混合料中各组分种类和占比、粘结剂的占比、混合料原始水分率，得到影响造球的特征向量，然后将影响造球的特征向量输入到预先训练好的占比预测模型中，根据占比预测模型包含的映射关系，得到不同规格的生球的占比预测值。如此，可以根据实时获取的造球机的转速、造球盘倾角、给水量和原料信息，在造球机完成造球工作之前，提前预测出不同规格的生球的占比预测值，一方面，本申请实施例提供的方法无需人工筛选，省时省力，检测效率高，另一方面，该方法能够实时进行生球占比的检测，实现对造球机的实时控制，可以更好的指导实际的生产作业。
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造球机生球质量预测系统的结构示意图；
图3为本申请实施例提供的一种造球机生球占比预测方法所对应的流程示意图；
图4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5为本申请实施例提供的一种生球的占比实测值的确定方法所对应的流程示意图；
图6为基于LSTM神经网络模型的结构示意图；
图7为本申请实施例提供的另一种生成占比预测模型的方法所对应的流程示意图；
图8为本申请实施例提供的一种造球机的生球占比预测装置的结构示意图。
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和供料系统。其中，圆盘造球机包括底座11、中心轴12、电动机13、圆盘14、刮刀架15、刮刀16和生球皮带17；供料系统包括料仓21、喷水管22和供料皮带23。
在上述结构中，中心轴12可调节圆盘14的倾角，电动机13转速的调节可改变圆盘14的转速；刮刀架15支撑于圆盘14上，刮刀16用于推动圆盘14中混合料运动及防止粘连；料仓21中的混合料经过供料皮带23输送至圆盘14，混合料的给料量大小可动态调节；喷水装置22将水滴落在物料落入圆盘14的位置，或将水滴落在圆盘14中生球长大的区域，水量可调节；生球从圆盘14出来后落入生球皮带17，该生球皮带17所在的位置可以看作是圆盘造球机的出球区域。
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，本申请实施例提供了一种造球机生球质量预测系统。图2为本申请实施例提供的一种造球机生球质量预测系统的结构示意图。如图2所示，该系统主要包括：
图像采集装置31，用于对造球机出球区域的出球状况进行图像采集。
其中，在图像采集装置的选择方面，为了精确测量出球的粒径，同时抑制运动拖影，选择500万像素工业相机与高分辨率镜头，如MV-CA013-20GM型工业相机和MVL_HF2528M-6MP型工业镜头，测量精确度达±0.1mm。
混合料给料量采集装置24，用于获取当前预测周期造球预测周期内，对应送入造球机的混合料的流量。其他混合料信息，例如所述混合料各组分种类和占比(因粘结剂的占比、混合料原始水分率对造球影响较大，因此从该类数据中单独提取出来)、所述粘结剂的占比、混合料原始水分率可从物料的配比数据系统获取。
水量采集装置25，用于获取当前预测周期内给水系统提供的给水量。
数据处理装置41，分别与图像采集装置31、混合料采集装置24和水量采集装置25连接，一方面用于对图像采集装置31所采集的图像进行图像分析，得到不同规格的样本生球的占比实测值；根据样本影响造球的特征向量和不同规格的样本生球的占比实测值训练占比预测模型。
数据处理装置41，另一方面用于从造球机获取当前预测周期内造球机的转速、造球机的造球盘倾角，从混合料给料量采集装置24和水量采集装置25中获取当前预测周期内造球机制造生球的给料量和给水量，从物料配比数据系统获取混合料中各组分种类和占比、混合料中粘结剂的占比和混合料原始水分率；将造球机的转速、造球机的造球盘倾角、给水量和给料量，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、混合料中各组分种类和占比、混合料中粘结剂的占比和混合料原始水分率，得到影响造球的特征向量；将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，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。
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。
基于图2所示的系统架构，图3示例性示出了本申请实施例提供的一种造球机生球占比预测方法所对应的流程示意图。如图3所示，具体包括如下步骤：
步骤301，获取当前预测周期内造球机中造球机的转速、造球机的造球盘倾角和给水系统的提供的给水量。
步骤302，获取当前预测周期内造球机制造生球的当前原料信息。
步骤303，将造球机的转速、造球机的造球盘倾角、给水量和给料量，按照各自的收缩比例量化到同一区间。
步骤304，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、混合料中各组分种类和占比、混合料中粘结剂的占比和混合料原始水分率，得到影响造球的特征向量。
步骤305，将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。
本申请实施例中，通过将同一预测周期获取的造球机的转速、造球机的造球盘倾角、加水量、给料量，按照各自收缩比例量化到同一区间，并根据量化后的数据以及混合料各组分种类和占比、粘结剂的占比、混合料原始水分率得到影响造球的特征向量，然后将影响造球的特征向量输入到预先训练好的占比预测模型中，根据占比预测模型包含的映射关系，得到不同规格的生球的占比预测值。如此，可以根据实时获取的造球机的转速、造球盘倾角、给水量和原料信息，在造球机完成造球工作之前，提前预测出不同规格的生球的占比预测值，一方面，本申请实施例提供的方法无需人工筛选，省时省力，检测效率高，另一方面，该方法能够实时进行生球占比的检测，实现对造球机的实时控制，可以更好的指导实际的生产作业。
具体来说，步骤301中，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，造球机的转速调节通常采用变频调节，速度检测可以直接从变频器反馈测量，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302中，当前原料信息包括给料量、混合料中各组分种类和占比、混合料中粘结剂的占比和混合料原始水分率。
当前原料信息具体可以从位于造球机上游的供料系统中获取。
获取混合料各组分种类和占比、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混合料的组分种类和占比、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混合料各组分种类和占比、粘结剂的占比和混合料原始水分率。
步骤303和步骤304中，由于同一时刻的混合料各组分种类和占比、粘结剂的占比、混合料原始水分率、给料量、给水量、造球机中造球机的转速、造球机的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，考虑到混合料各组分占比、粘结剂的占比、混合料原始水分率是百分数，即数值位于(0,1)这个区间内，因此，可以将造球机的转速、造球机的造球盘倾角、给水量和给料量也量化到(0,1)这个区间内，从而能够对混合料各组分种类和占比、粘结剂的占比、混合料原始水分率、给料量、给水量、造球机中造球机的转速、造球机的造球盘倾角这些数据量进行运算。
具体地，对造球机的转速(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)，可参考公式(1)：
Figure BDA0002642676330000071
其中，Norm(n)表示量化后的造球机的转速，n表示造球机的转速，
Figure BDA0002642676330000074
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 BDA0002642676330000075
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给水系统中加水管道的最大给水量，可参考公式(2)：
Figure BDA0002642676330000072
其中，Norm(n)表示量化后的给水量，s表示给水量，smax表示给水系统中加水管道的最大给水量。
对混合料给料量进行量化时，对应的收缩比例可以是给料皮带的最大给料量，可参考公式(3)：
Figure BDA0002642676330000073
其中，Norm(m)表示量化后的混合物给料量，m表示实际给料量，mmax表示给料皮带的最大给料量。
经过量化后，影响造球的特征向量如下：
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；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占比对应。
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，影响造球的特征向量可以如下所示：
Figure BDA0002642676330000081
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转速，x2(k)表示量化后的造球机的造球盘倾角，x3(k)表示量化后的给水量，x4(k)表示量化后的混合料给料量，
Figure BDA0002642676330000082
表示混合料中编号为1的组分占比，
Figure BDA0002642676330000083
表示混合料中编号为2的组分占比，
Figure BDA0002642676330000084
表示混合料中编号为3的组分占比，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305中，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。
该映射关系中包含了不同时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10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，直径大于或等于5mm且小于8mm的生球，属于不合格小球；直径大于或等于8mm且小于11mm的生球属于合格小球；直径大于或等于11mm且小于14mm的生球，属于合格中球；直径大于或等于14mm且小于16mm的生球，属于合格大球；直径大于或等于16mm的生球，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4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401，获取N个历史预测周期内的样本数据。
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计算得到的。
具体来说，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得到不同规格的样本生球的占比实测值，又比如，还可以通过机器视觉的方法得到不同规格的样本生球的占比实测值。
下面具体介绍通过机器视觉的方法得到不同规格的样本生球的占比实测值的过程，可以参考图5，其示例性示出了本申请实施例提供的一种生球的占比实测值的确定方法所对应的流程示意图，具体包括如下步骤：
步骤501，采用图像采集装置获取造球机出球区域的图像信息。
步骤502，对出球区域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503，根据样本生球的图像信息，获取样本生球的中心亮点。
步骤504，根据样本生球的图像信息与背景图像信息，确定样本生球的轮廓。
步骤505，根据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。
步骤506，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507，统计历史预测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508，根据历史预测周期内样本生球的总数量和不同规格的样本生球的数量，确定不同规格的样本生球的占比实测值。
步骤402，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步骤303的描述，此处不再赘述。
步骤403，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。
步骤404，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405，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406，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)表达如公式(4)：
Figure BDA0002642676330000091
公式(4)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。
如图6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LSTM神经网络模型具体训练过程中，LSTM神经网络模型将多组训练样本分为两个部分，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LSTM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LSTM神经网络模型的质量测试数据，对神经网络模型的预测质量进行测试。
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。
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，选择历史预测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。
本申请实施例中，占比预测模型还可以是基于不同规格生球的占比预测表建立的。如图7所示，为本申请实施例提供的另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：
S701，获取N个历史预测周期内的样本数据。
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、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筛选后计算得到的。
S702，对N组独立的混合料参数、给水量、造球机状态参数以及对应的不同规格的样本生球的占比实测值，进行统计分析，建立占比预测表。
其中，混合料参数包括历史给料量、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、历史混合料中混合料原始水分率；造球机状态参数包括造球机的转速、造球机的造球盘倾角。
统计分析包括数据预处理，数据预处理先将混合料的给料量、给水量以及造球机的转速、造球机的造球盘倾角、按照一定收缩比例量化到同一区间，然后将量化后的数据和其他混合料参数相同的多组数据提取出，并比较不同组对应的不同规格的样本生球的占比实测值。
若对应的不同规格的样本生球的占比实测值也相同，则，只保留一组数据，去除其他组相同的数据。
若对应的不同规格的样本生球的占比实测值不同，但是偏差处于容许范围内，则将多组数据对应的占比平均值作为对应的占比实测值，且只保留一组数据。对于混合料参数、给水量、造球机状态参数相同的多组数据，对应的不同规格的样本生球的占比实测值不同，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造球机及采集时间，隔离区是指在占比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、给水量、造球机状态参数以及对应的不同规格的样本生球的占比实测值，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6个索引项，例如本申请实施例中设置的6个索引项，以及索引顺序，第一级索引项为混合料的组分数(不包含粘结剂)，第二级索引项为混合料中各组分占比，其中混合料的组分类型经过预先编号，组分索引项按照编号大小排列，第三级索引项为量化后的给料量，第四级索引项为混合料的粘接剂的占比，第五级索引项为混合料原始水分率，第六级索引项为量化后的给水量，第七级索引项为量化后的造球机的转速，第八级索引项为量化后的造球机倾角。按照以上规则完成占比预测表的建立，该占比预测表中包含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，例如表3所示，为占比预测表的部分数据的一种示例。
表3：占比预测表的部分数据的一种示例
Figure BDA0002642676330000111
在利用占比预测表进行预测时，按照占比预测表的索引项顺序，在占比预测表中查找逐个查询预测样本中的数据，直到确定不同规格生球的占比预测值。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图8示例性示出了本申请实施例提供的一种造球机的生球占比预测装置的结构示意图。如图8所示，该装置具有实现上述造球机的生球占比预测方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以包括：获取单元801，处理单元802和预测单元803。
获取单元801，用于获取当前预测周期内造球机的转速、造球机的造球盘倾角和给水系统的提供的给水量；以及，获取当前预测周期内造球机制造生球的当前原料信息，所述当前原料信息包括给料量、混合料中各组分种类和占比、混合料中粘结剂的占比和混合料原始水分率；
处理单元802，用于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；以及，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；
预测单元803，用于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，生成占比预测模型的步骤包括：
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，所述不同规格的样本生球的占比实测值具体通过以下步骤得到：
采用图像采集装置获取造球机出球区域的图像信息；
对所述出球区域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；
统计历史预测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；
根据所述历史预测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，确定不同规格的样本生球的占比实测值。
可选地，所述当前原料信息具体通过以下步骤得到：
从位于造球机上游的供料系统中获取当前预测周期内造球机制造生球的当前原料信息。
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，所述处理单元802还用于：
如果生球的占比实测值与模型的预测值之间差值大于预设阈值，则将所述影响造球的特征向量作为预测模型的输入，将生球的占比实测值和N个样本生球的占比实际值作为预测模型的输出，对所述占比预测模型进行在线更新，得到更新后的占比预测模型。
可选地，所述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。
本申请实施例中，通过将同一预测周期获取的造球机的转速、造球机的造球盘倾角、加水量、给料量，按照各自收缩比例量化到同一区间，并根据量化后的数据以及混合料中各组分种类和占比、粘结剂的占比、混合料原始水分率，得到影响造球的特征向量，然后将影响造球的特征向量输入到预先训练好的占比预测模型中，根据占比预测模型包含的映射关系，得到不同规格的生球的占比预测值。如此，可以根据实时获取的造球机的转速、造球机的造球盘倾角、给水量和原料信息，在造球机完成造球工作之前，提前预测出不同规格的生球的占比预测值，一方面，本申请实施例提供的方法无需人工筛选，省时省力，检测效率高，另一方面，该方法能够实时进行生球占比的检测，实现对造球机的实时控制，可以更好的指导实际的生产作业。
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 (10)

1.一种造球机的生球占比预测方法，其特征在于，所述方法包括：
获取当前预测周期内造球机的转速、造球机的造球盘倾角和给水系统的提供的给水量；
获取当前预测周期内造球机制造生球的当前原料信息，所述当前原料信息包括给料量、混合料中各组分种类和占比、混合料中粘结剂的占比和混合料原始水分率；
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。
2.根据权利要求1所述的方法，其特征在于，生成占比预测模型的步骤包括：
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。
3.根据权利要求2所述的方法，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。
4.根据权利要求2所述的方法，其特征在于，所述不同规格的样本生球的占比实测值具体通过以下步骤得到：
采用图像采集装置获取造球机出球区域的图像信息；
对所述出球区域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；
统计历史预测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；
根据所述历史预测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，确定不同规格的样本生球的占比实测值。
5.根据权利要求1所述的方法，其特征在于，所述当前原料信息具体通过以下步骤得到：
从位于造球机上游的供料系统中获取当前预测周期内造球机制造生球的当前原料信息。
6.根据权利要求1所述的方法，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。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
如果生球的占比实测值与模型的预测值之间差值大于预设阈值，则将所述影响造球的特征向量作为预测模型的输入，将生球的占比实测值和N个样本生球的占比实际值作为预测模型的输出，对所述占比预测模型进行在线更新，得到更新后的占比预测模型。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述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。
9.一种造球机的生球占比预测装置，其特征在于，所述装置包括：
获取单元，用于获取当前预测周期内造球机的转速、造球机的造球盘倾角和给水系统的提供的给水量；以及，获取当前预测周期内造球机制造生球的当前原料信息，所述当前原料信息包括给料量、混合料中各组分种类和占比、混合料中粘结剂的占比和混合料原始水分率；
处理单元，用于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；以及，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；
预测单元，用于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。
10.根据权利要求9所述的装置，其特征在于，生成占比预测模型的步骤包括：
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。
CN202010844840.1A 2020-08-20 2020-08-20 一种造球机的生球占比预测方法及装置 Pending CN113297542A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010844840.1A CN113297542A (zh) 2020-08-20 2020-08-20 一种造球机的生球占比预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010844840.1A CN113297542A (zh) 2020-08-20 2020-08-20 一种造球机的生球占比预测方法及装置

Publications (1)

Publication Number Publication Date
CN113297542A true CN113297542A (zh) 2021-08-24

Family

ID=77318315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010844840.1A Pending CN113297542A (zh) 2020-08-20 2020-08-20 一种造球机的生球占比预测方法及装置

Country Status (1)

Country Link
CN (1) CN113297542A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114774682A (zh) * 2022-05-09 2022-07-22 北京首钢自动化信息技术有限公司 球团造球设备、球团造球控制方法及装置
TWI856551B (zh) 2022-03-28 2024-09-21 日商杰富意鋼鐵股份有限公司 造粒粒子的預測方法、造粒粒子的製造方法、造粒粒子的製造裝置及燒結礦的製造方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI856551B (zh) 2022-03-28 2024-09-21 日商杰富意鋼鐵股份有限公司 造粒粒子的預測方法、造粒粒子的製造方法、造粒粒子的製造裝置及燒結礦的製造方法
CN114774682A (zh) * 2022-05-09 2022-07-22 北京首钢自动化信息技术有限公司 球团造球设备、球团造球控制方法及装置
CN114774682B (zh) * 2022-05-09 2024-03-15 北京首钢自动化信息技术有限公司 球团造球设备、球团造球控制方法及装置

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
CN109446236B (zh) 基于随机分布的水泥粒径分布预测方法
CN111079906B (zh) 基于长短时记忆网络的水泥成品比表面积预测方法及系统
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
WO2022037500A1 (zh) 一种基于料层厚度预测的布料控制系统及方法
CN115456460A (zh) 一种制丝松散回潮工艺的多质量指标输出预测方法、系统
CN110322014A (zh) 一种基于bp神经网络的水泥成品比表面积预测方法
CN114692507B (zh) 基于堆叠泊松自编码器网络的计数数据软测量建模方法
CN101863088A (zh) 一种橡胶混炼过程中门尼粘度的预报方法
CN109342279B (zh) 基于粉磨机理和神经网络的混合软测量方法
CN117312816B (zh) 一种特种钢材的冶炼效果评估方法及系统
CN113297542A (zh) 一种造球机的生球占比预测方法及装置
CN113962150A (zh) 一种烧结混合料粒度预测方法及系统
CN107015541A (zh) 基于互信息和最小二乘支持向量机相结合的软测量方法
CN116562144A (zh) 一种轴承套圈滚道表面粗糙度预测方法
CN110222825B (zh) 一种水泥成品比表面积预测方法及系统
CN112541296A (zh) 一种基于pso-lssvm的so2预测方法
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
CN113299353A (zh) 一种混合机的混匀度预测方法及系统
CN115034140A (zh) 一种基于关键控制因子的地表水水质变化趋势预测方法
CN115758143A (zh) 基于Adam算法优化BP神经网络预测滤棒工艺指标的方法
CN114813347A (zh) 一种超薄铌带力学性能预测方法
Deo et al. Detection of material build-up during online size distribution analysis of iron ore green pellets using MobilenetV2
CN114169640A (zh) 一种烧结流程冷却圆筒返粉料水分预测方法及预测系统

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