CN113299353B - 一种混合机的混匀度预测方法及系统 - Google Patents
一种混合机的混匀度预测方法及系统 Download PDFInfo
- Publication number
- CN113299353B CN113299353B CN202010844812.XA CN202010844812A CN113299353B CN 113299353 B CN113299353 B CN 113299353B CN 202010844812 A CN202010844812 A CN 202010844812A CN 113299353 B CN113299353 B CN 113299353B
- Authority
- CN
- China
- Prior art keywords
- rotating speed
- prediction
- sample
- mixture
- mixing
- 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
Links
- 238000002156 mixing Methods 0.000 title claims abstract description 277
- 238000000034 method Methods 0.000 title claims abstract description 80
- 239000000203 mixture Substances 0.000 claims abstract description 142
- 238000001514 detection method Methods 0.000 claims description 103
- 239000002994 raw material Substances 0.000 claims description 88
- 238000012549 training Methods 0.000 claims description 83
- 239000000463 material Substances 0.000 claims description 59
- 238000003062 neural network model Methods 0.000 claims description 57
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 40
- 239000011230 binding agent Substances 0.000 claims description 39
- 238000011049 filling Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 8
- 229910052742 iron Inorganic materials 0.000 abstract description 4
- 238000003723 Smelting Methods 0.000 abstract description 2
- 229910000831 Steel Inorganic materials 0.000 abstract description 2
- 239000010959 steel Substances 0.000 abstract description 2
- 238000005453 pelletization Methods 0.000 description 9
- 238000005245 sintering Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000003756 stirring Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000008188 pellet Substances 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- -1 bulk density Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
Abstract
本申请涉及钢铁冶炼技术领域,提供的一种混合机的混匀度预测方法及系统,通过将同一时间获取的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,并根据量化后的数据以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率,生成预测样本,然后将预测样本输入到预先训练好的动态预测模型中,所述动态预测模型根据映射关系获得混匀度预测值。本申请实施例提供的混匀度预测方法,在获取到混合料参数及混合机状态参数后,可以在混合料完成混合前,提前预测出混匀度信息,以便通过预测的混匀度信息,更好的指导实际的生产作业。
Description
技术领域
本申请涉及钢铁冶炼技术领域,尤其涉及一种混合机的混匀度预测方法及系统。
背景技术
强力混合机简称混合机,是一种连续旋转的圆筒形机器,用于对物料进行搅拌和混合。参考图1和图2,图1为现有技术中一种强力混合机的主视图,图2为与图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、卸料装置3和进料口4,其中搅拌桨包括主桨和副桨。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,搅拌盛装于混合筒1内的物料,搅拌混合后的物料经混合筒1底部的卸料装置3排出。
混合机是冶金烧结、球团工艺中主要设备之一。在冶金领域的多种生产工艺,如烧结工艺中,通过在配料后设置强力混合机,将配好的铁原料、燃料和各种熔剂,添加适量水分,经强力混合,以形成成分均匀的混合料供给烧结机。在球团工艺中,将混合机布置在造球工序之前,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,强力混合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。在原料场的预配料、炉底炉处理含锌混泥的混匀方面,强力混匀具有同样重要的地位和作用。
为了获得混匀度更好的物料,现有技术中,一般通过离线检测或者通过观察后续工艺生产环节的生产状况通过人工经验调节混合机相关参数,从而改善物料混匀效果。如球团工艺中,工人通过观察造球后的生球强度、粒度,凭人工经验发现质量有问题时,在粘结剂有保证时,对混合机参数进行调控,改善混合机的混匀度。
在实际运行中,这种混匀度检测方法,因为需要人工经验而且样本的离线检测具有较长时间的滞后,而混合机的处理量较大,往往会产生大量混匀度无法满足烧结或者造球要求的物料,或者混匀度勉强满足要求,但是会严重影响烧结或者造球的品质。
发明内容
本申请提供了一种混合机的物料混匀度预测方法及系统,以解决物料混匀度的离线检测具有较长时间滞后的问题。
本申请第一方面提供一种混合机的混匀度预测方法,混合机的混匀度预测方法包括:
实时获取混合料的原料种类、原料配比、堆密度,含水率和粘结剂占比,堆密度根据抽样检测获得,含水率根据混合料成分中原始水分率计算或在混合料进入混合筒前采用水分仪直接测量,各原料配比和粘结剂占比可从混合料的配比数据系统获取;
实时检测混合筒转速、主桨转速、副桨转速以及混合筒内混合料的填充率;
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,以及混合料的原料种类、原料配比、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。
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:
获取与预测样本邻近时序上的学习样本,其中,学习样本包括输入样本,以及输入样本对应的混匀度检测值;
利用学习样本在线更新料层厚度动态预测模型,获取更新后的动态预测模型。
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:
计算堆密度与各原料中密度最大的原料的密度的比值;
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。
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原料种类、原料配比、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,从混合机不同物料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检测值;并将一个混匀周期的检测值,作为对应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;
通过迭代训练过程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检测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。
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原料种类、原料配比、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,从混合机不同物料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检测值;
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检测值,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混合机的混匀度预测系统,混合机的混匀度预测系统包括:
获取模块,用于获取混合料的原料种类、原料配比、堆密度、含水率和粘结剂占比;
检测模块,用于检测混合筒转速、主桨转速、副桨转速以及混合筒内混合料的填充率;
数据处理模块,用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;
样本生成模块,用于根据量化后的堆密度、混合筒转速、主桨转速和副桨转速,以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率,生成预测样本;
动态预测模块,用于将预测样本输入到动态预测模型中,利用预测样本与混匀度预测值的映射关系获得混匀度预测值。
混合机的混匀度预测系统还包括:
学习样本获取模块,用于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检测值;
预测模型更新模块,用于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。
学习样本获取模块用于:
获取预测样本采集时间点之前,且与预测样本最近的预设时间间隔内的历史预测样本;
获取与历史预测样本相对应的混匀度检测值。
混合机的混匀度预测系统包括混匀度离线测量模块和动态预测训练模块;
混匀度离线测量模块用于按照预先设定的时间间隔,从混合机不同物料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检测值;
动态预测训练模块,用于:
从获取模块和检测模块中获取N组独立的混合料参数以及对应的混合机状态参数;
从样本生成模块获取N组训练样本的输入;
从混匀度离线测量模块获取混合料的混匀度检测值;并将一个混匀周期的混匀度检测值,作为动态预测模型训练样本的输出;
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;
通过迭代训练过程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;
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值与检测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。。
由以上方案可知,本申请实施例提供的一种混合机的混匀度预测方法及系统,通过将同一时间获取的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,并根据量化后的数据以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率,生成预测样本,然后将预测样本输入到预先训练好的动态预测模型中,所述动态预测模型根据映射关系获得混匀度预测值。本申请实施例提供的混匀度预测方法,在获取到混合料参数及混合机状态参数后,可以在混合料完成混合前,提前预测出混匀度信息,以便通过预测的混匀度信息,更好的指导实际的生产作业。
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为现有技术中一种三桨强力混合机的主视图;
图2为图1对应的一种三桨强力混合机的俯视图;
图3为本申请实施例提供的利用动态预测模型进行混匀度预测的流程图;
图4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5为本申请实施例提供的一种生成动态预测模型的流程图;
图6为本申请实施例提供的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动态预测模型的流程图。
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。为描述方便且准确定义不同工艺的相关参数,以下描述均以球团工艺中强力混合机及物料参数为例进行阐述,其它工艺除物料参数不同外,方法基本类似。
为了解决物料混匀度的离线检测具有较长时间滞后的问题,如图3所示,为本申请实施例提供的利用动态预测模型进行混匀度预测的流程图,所述混合机的混匀度预测方法,其中,影响混匀度的因素包括:混合料的原料种类、原料配比、堆密度、含水率、粘结剂占比、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机的混合时间,在实际生产过程中,进料基本稳定,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,在填充率已知的情况下,混合料的堆密度决定混合筒内混合料的总质量,混合料的总质量影响搅拌桨(主桨和副桨)的搅拌效率;而混合料的填充率决定了物料在筒内的停留时,间即混合时间,当进料稳定时混合筒内混合料的填充率不变,混合时间不变。
其中,混合料的含水率可以根据中原始水分率计算或在混合料进入混合筒前采用水分仪直接测量,由于在混合前,混合料的堆密度一般能够保持在相对稳定的水平,因此堆密度可以通过抽样检测获得,也可以从混合机的上游的供料系统中直接获得,在对混合料进行混合前,混合料中各原料配比会根据生产要求,严格控制各原料配比关系,且,需要将记录混合料的配比关系,输入到混合料的配比数据系统中,混合料的配比数据系统是用于记录生产各种混合料生产要素的系统,故所述粘结剂占比可从混合料的配比数据系统获取。需要说明的是,这里所说的各原料配比实质为各原料的质量占比关系。
由于不同混合机的工况不同,对于混合筒转速、主桨转速和副桨转速,采用直接测量的方式获得,具体方式是分别在混合筒、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,或者在旋转端安装编码器,或者采用接近开关结合高速记数器进行数模转换测速。所述混合机的混匀度预测方法包括:
步骤S101,实时获取混合料的原料种类、原料配比、堆密度,含水率和粘结剂占比,所述堆密度根据抽样检测获得,所述含水率根据混合料成分中原始水分率计算或在混合料进入混合筒前采用水分仪直接测量,所述原料配比和所述粘结剂占比可从混合料的配比数据系统获取。
其中,混合料的原料种类、原料配比、堆密度、含水率和粘结剂占比,具体获取方式可以为两种,一种获取方式是,按照预定的时间间隔获取一次混合料的原料以及堆密度、含水率和粘结剂占比,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原料的种类、各原料配比以及堆密度、含水率和粘结剂占比。
需要说明的是,由于不同混合料中,均会含有粘结剂,而粘结剂对混合机的混合效果存在较大的影响,故,本申请实施例中,将粘结剂占比单独作为一个影响因素,而不是将粘结剂的参数融合在各原料配比参数中,在混合料的原料种类、原料配比中,会去除粘结剂的数据影响。
步骤S102,实时检测混合筒转速、主桨转速、副桨转速以及混合筒内混合料的填充率。
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S103,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:计算堆密度与各原料中密度最大的原料的密度的比值;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。
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及数据类型不同,无法直接对这些数据量进行运算。因此,在本申请实施例中,需要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,量化后的同一区间为区间(0,1)。
即,计算堆密度与各原料中密度最大的原料的密度的比值,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,β表示原料种类和原料配比,Norm(ρ)表示量化后堆密度,ρ表示堆密度,表示各原料中密度最大的原料的密度;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。
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β,ρ,r1,r2,r3,n1,n2,n3处理后的数据,其中,x1(k)包含了原料种类及原料配比,x2(k)包含了原料种类及各原料堆密度,在实际应用中,可以用数字对原料进行种类编号,在x1(k)中将原料种类的编号与原料配比一一对应,x2(k)中将原料种类的编号与各原料堆密度一一对应。
步骤S104,根据量化后的堆密度、混合筒转速、主桨转速和副桨转速,以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率,生成预测样本。
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,对于拥有三种原料的混合料,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:
其中,第一位的3表示混合料的原料种类具有三种,3之后的分别表示编号1,4,6三种原料配比,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。
步骤S105,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10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。
由以上方案可知,本申请实施例提供的一种混合机的混匀度预测方法,通过将同一时间获取的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,并根据量化后的数据以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率,生成预测样本,然后将预测样本输入到预先训练好的动态预测模型中,所述动态预测模型根据映射关系获得混匀度预测值。本申请实施例提供的混匀度预测方法,在获取到混合料参数及混合机状态参数后,可以在混合料完成混合前,提前预测出混匀度信息,以便通过预测的混匀度信息,更好的指导实际的生产作业。
由于动态预测模型是依据部分混合机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设备上,而不同混合机的实际工况存在一定的差异性,以及同一混合机在长期使用过程中,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。
在步骤S105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S201,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检测值。
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状态参数,还包含了对应的混匀度检测值,所述学习样本的具体获取方法是:
获取与所述预测样本邻近时序上预设时间间隔内的历史学习样本;
获取与所述历史预学习样本相对应的混匀度检测值。
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工况,与预测样本采集时间点的混合机工况一致。
步骤S202,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。
通过步骤S201中获取的学习样本,预测模型更新模块可以对动态预测模型进行在线更新,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检测值(学习样本对应的混匀度检测值)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检测值,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,检测值虽有波动,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动态预测模型,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。当获取新检测值[Xm,Ym],则将其加入成为新的样本集,并淘汰最陈旧的样本,则新的样本集(学习样本)为:
S={[X2,Y2],...,[Xt,Yt],[Xm,Ym]}
然后利用学习样本在线更新所述动态预测模型,获得新的动态预测模型。
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,重构动态预测模型。
所述动态预测模型,是利用多组已知混合料参数、混合机状态参数以及对应的混匀度检测值建立。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状态参数作为神经网络模型的输入,而将对应的混匀度检测值,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状态参数,与混匀度之间的映射关系。参见图5,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S301,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原料种类、原料配比、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。
其中,N组独立的混合料参数以及对应的混合机状态参数,可以是同一混合机的数据,也可以是多个混合机的数据,并按照对应关系分为一组,即,同一混合机且同一时刻的数据作为同一组数据。
步骤S302,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。其中,混合料参数中的堆密度,以及混合机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),之后在与其他数据整合为训练样本的输入。
步骤S303按照预先设定的时间间隔,从混合机不同物料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检测值;并将一个混匀周期的检测值,作为对应N组训练样本的输出。
所述混匀度检测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,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S304,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S305,通过迭代训练过程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S306,若神经网络模型的预测值与检测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预测的混匀度预测值满足生产需求。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。
需要说明的是,本申请实施例中学习样本是指模型更新采用的样本,训练样本是指初始模型训练用的离线采样数据,从原理上来说,学习样本和训练样本是类型相类似的数据;预测样本是指用来实时预测的数据。
参见图7,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S401,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原料种类、原料配比、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。
步骤S402,按照预先设定的时间间隔,从混合机不同物料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检测值。
步骤S403,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检测值,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,然后将混合料参数、混合机状态参数相同的多组数据取出,并比较不同组对应的混匀度检测值,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、混合机状态参数相同的多组数据,对应的混匀度检测值不同,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混合机及采集时间,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、混合机状态参数以及对应的混匀度检测值,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原料数,第二级索引项为混合料的原料种类、原料配比,其中混合料的原料经过预先编号,原料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混合机混匀度预测表代表性部分数据
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。
下述为本申请系统实施例,用于实施本申请方法实施例。对于本申请系统实施例中未披露的细节,请参照本申请方法实施例。
一种混合机的混匀度预测系统,所述混合机的混匀度预测系统包括设置在混合机上的检测装置,例如转速传感器,还包括物料样本的取样机械手装置和混合料混匀度离线检测装置,和混合料含水率检测装置,例如水分仪;还包括:获取模块,用于获取混合料的原料种类、原料配比、堆密度和粘结剂占比。所述获取模块是一种具备数据传输及数据存储的芯片,可以通过数据传输方式从混合机的上游的供料系统中获得混合料的原料种类、原料配比、堆密度、含水率和粘结剂占比;也可以连接离线检测装置,通过离线检测装置的抽样检测,获得混合料的原料以及堆密度、含水率和粘结剂占比。
检测模块,用于检测混合筒转速、主桨转速、副桨转速以及混合筒内混合料的填充率。
通过检测模块检测混合筒转速、主桨转速、副桨转速以及混合筒内混合料的填充率,具体可通过在混合筒、主桨和副桨驱动轴上设置转速传感器,实时检测驱动轴的转速,检测模块至少包括三个转速传感器,以分别检测混合筒、主桨和副桨的驱动轴转速;通过再混合筒安装料位计测量混合料的填充率,在物料入筒前皮带采用水分仪对水分直接测量
数据处理模块,用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。所述数据处理模块是具备数据运算能力的芯片,且可以存储运算程序,并利用运算程序对输入的数据进行处理。
样本生成模块,用于根据量化后的堆密度、混合筒转速、主桨转速和副桨转速,以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率,生成预测样本。
样本生成模块从数据处理模块中获取量化后的堆密度、混合筒转速、主桨转速和副桨转速,从检测模块中获取混合筒内混合料的填充率,以及从获取模块中获取混合料的原料、含水率和粘结剂占比。并根据获取的混合料参数和混合机状态参数,生成预测样本。
动态预测模块,用于将预测样本输入到动态预测模型中,利用预测样本与混匀度预测值的映射关系获得混匀度预测值。
动态预测模块中存储有预先训练好的动态预测模型,并能够接收所述数据处理模块提供的预测样本,利用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,获得混匀度预测值。
在本申请的部分实施例中,所述混合机的混匀度预测系统还包括:
学习样本获取模块,用于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检测值。
预测模型更新模块,用于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。
所述学习样本获取模块用于: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检测值。
对应混匀度预测方法中采用基于神经网络模型生成动态预测模型,在本申请的部分实施例中,提出一种混合机的混匀度预测系统:包括混匀度离线测量模块和动态预测训练模块。
所述混匀度离线测量模块用于按照预先设定的时间间隔,从混合机不同物料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检测值。
其中混匀度离线测量模块是通过取样机械手及混合料离线检测装置,获得混合料的混匀度检测值。
所述动态预测训练模块,用于:从获取模块中获取N组独立的混合料参数以及对应的混合机状态参数。从样本生成模块获取N组训练样本的输入;其中样本生成模块在生成训练样本的过程中,需要利用数据处理模块对所述获取模块获取的部分参数进行处理,具体是同一时刻的堆密度、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。
以及,从混匀度离线测量模块获取混合料的混匀度检测值;并将一个混匀周期的混匀度检测值,作为动态预测模型训练样本的输出。
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。通过迭代训练过程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;
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值与检测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,其中,判断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,可以采用外部判断模块进行处理,也可以在所述动态预测训练模块中加入判断功能。
所述动态预测训练模块在训练神经网络模型过程中,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;将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。
对应混匀度预测方法中采用混匀度预测表作为动态预测模型,在本申请的部分实施例中,如图7所示,提出另一种混合机的混匀度预测系统:包括混匀度离线测量模块和动态预测训练模块。
所述混匀度离线测量模块用于按照预先设定的时间间隔,从混合机不同物料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检测值。其中混匀度离线测量模块是通过取样机械手及混合料离线检测装置,获得混合料的混匀度检测值。
所述动态预测训练模块,用于:从获取模块和检测模块中获取N组独立的混合料参数以及对应的混合机状态参数,以及,从混匀度离线测量模块获取混合料的混匀度检测值。
所述动态预测训练模块对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检测值,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以及按照设定的多个索引项排序。
由以上方案可知,本申请实施例提供的一种混合机的混匀度预测方法及系统,通过将同一时间获取的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,并根据量化后的数据以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率,生成预测样本,然后将预测样本输入到预先训练好的动态预测模型中,所述动态预测模型根据映射关系获得混匀度预测值。本申请实施例提供的混匀度预测方法,在获取到混合料参数及混合机状态参数后,可以在混合料完成混合前,提前预测出混匀度信息,以便通过预测的混匀度信息,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 (8)
1.一种混合机的混匀度预测方法,其特征在于,所述混合机的混匀度预测方法包括:
实时获取混合料的原料种类、原料配比、堆密度,含水率和粘结剂占比,所述堆密度根据抽样检测获得,所述含水率根据混合料成分中原始水分率计算或在混合料进入混合筒前采用水分仪直接测量,所述原料配比和所述粘结剂占比可从混合料的配比数据系统获取;
实时检测混合筒转速、主桨转速、副桨转速以及混合筒内混合料的填充率;
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,以及混合料的原料种类、原料配比、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;
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原料种类、原料配比、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,从混合机不同物料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检测值;并将一个混匀周期的检测值,作为对应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;
通过迭代训练过程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检测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,作为获得的动态预测模型。
2.根据权利要求1所述的混合机的混匀度预测方法,其特征在于,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:
获取与所述预测样本邻近时序上的学习样本,其中,所述学习样本包括输入样本,以及所述输入样本对应的混匀度检测值;
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。
3.根据权利要求2所述的混合机的混匀度预测方法,其特征在于,所述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包括:
获取与所述预测样本邻近时序上预设时间间隔内的历史学习样本;
获取与所述历史预学习样本相对应的混匀度检测值。
4.根据权利要求1所述的混合机的混匀度预测方法,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:
计算堆密度与各原料中密度最大的原料的密度的比值;
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。
5.根据权利要求1所述的混合机的混匀度预测方法,其特征在于,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原料种类、原料配比、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,从混合机不同物料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检测值;
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检测值,进行统计分析,建立混匀度预测表。
6.一种混合机的混匀度预测系统,其特征在于,所述混合机的混匀度预测系统包括:
获取模块,用于获取混合料的原料种类、原料配比、堆密度、含水率和粘结剂占比;
检测模块,用于检测混合筒转速、主桨转速、副桨转速以及混合筒内混合料的填充率;
数据处理模块,用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;
样本生成模块,用于根据量化后的堆密度、混合筒转速、主桨转速和副桨转速,以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率,生成预测样本;
动态预测模块,用于将预测样本输入到动态预测模型中,利用预测样本与混匀度预测值的映射关系获得混匀度预测值;
所述混合机的混匀度预测系统包括混匀度离线测量模块和动态预测训练模块;
所述混匀度离线测量模块用于按照预先设定的时间间隔,从混合机不同物料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检测值;
所述动态预测训练模块,用于:
从获取模块和检测模块中获取N组独立的混合料参数以及对应的混合机状态参数;
从样本生成模块获取N组训练样本的输入;
从混匀度离线测量模块获取混合料的混匀度检测值;并将一个混匀周期的混匀度检测值,作为动态预测模型训练样本的输出;
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;
通过迭代训练过程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;
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值与检测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。
7.根据权利要求6所述的混合机的混匀度预测系统,其特征在于,所述混合机的混匀度预测系统还包括:
学习样本获取模块,用于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检测值;
预测模型更新模块,用于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。
8.根据权利要求6所述的混合机的混匀度预测系统,其特征在于,所述学习样本获取模块用于:
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检测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010844812.XA CN113299353B (zh) | 2020-08-20 | 2020-08-20 | 一种混合机的混匀度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010844812.XA CN113299353B (zh) | 2020-08-20 | 2020-08-20 | 一种混合机的混匀度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113299353A CN113299353A (zh) | 2021-08-24 |
CN113299353B true CN113299353B (zh) | 2022-08-26 |
Family
ID=77318133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010844812.XA Active CN113299353B (zh) | 2020-08-20 | 2020-08-20 | 一种混合机的混匀度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113299353B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115366265B (zh) * | 2022-08-31 | 2024-01-16 | 常德市三一机械有限公司 | 一种搅拌站的自适应控水方法、装置、系统及搅拌站 |
CN116550216B (zh) * | 2023-07-12 | 2023-09-15 | 广东工业大学 | 一种多桨混合矢量控制捏合机的控制方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000058908A1 (en) * | 1999-03-31 | 2000-10-05 | Dryken Technologies, Inc. | An improved method and system for training an artificial neural network |
KR20120085149A (ko) * | 2011-10-05 | 2012-07-31 | 주식회사 켐에쎈 | 순수한 유기화합물의 정상끓는점에서의 액체밀도를 예측하는 다중선형회귀-인공신경망 혼성모형 |
WO2014101784A1 (zh) * | 2012-12-27 | 2014-07-03 | 中冶长天国际工程有限责任公司 | 烧结终点预测方法及系统 |
CN104991051A (zh) * | 2015-06-30 | 2015-10-21 | 华侨大学 | 一种基于混合模型的混凝土强度预测方法 |
CN107063915A (zh) * | 2016-12-31 | 2017-08-18 | 唐宇煊 | 一种含水物料的混合均匀度检测装置及其检测方法 |
-
2020
- 2020-08-20 CN CN202010844812.XA patent/CN113299353B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000058908A1 (en) * | 1999-03-31 | 2000-10-05 | Dryken Technologies, Inc. | An improved method and system for training an artificial neural network |
KR20120085149A (ko) * | 2011-10-05 | 2012-07-31 | 주식회사 켐에쎈 | 순수한 유기화합물의 정상끓는점에서의 액체밀도를 예측하는 다중선형회귀-인공신경망 혼성모형 |
WO2014101784A1 (zh) * | 2012-12-27 | 2014-07-03 | 中冶长天国际工程有限责任公司 | 烧结终点预测方法及系统 |
CN104991051A (zh) * | 2015-06-30 | 2015-10-21 | 华侨大学 | 一种基于混合模型的混凝土强度预测方法 |
CN107063915A (zh) * | 2016-12-31 | 2017-08-18 | 唐宇煊 | 一种含水物料的混合均匀度检测装置及其检测方法 |
Non-Patent Citations (2)
Title |
---|
RADMM:Recurrent adaptive mixture model with applications to domain robust language modeling;Kazuki lrie,et al.;《2018 IEEE International Conference on Acoustics,Speech and Signal Processing(ICASSP)》;20181213;6079-6083 * |
小型卧式混合机混合均匀度的试验研究;其其格吉日嘎拉 等;《农机化研究》;20130809;132-135 * |
Also Published As
Publication number | Publication date |
---|---|
CN113299353A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113295000B (zh) | 一种基于料层厚度预测的布料控制系统及方法 | |
CN113299353B (zh) | 一种混合机的混匀度预测方法及系统 | |
CN113289541B (zh) | 一种基于混匀度预测的混合机控制系统及方法 | |
CN109446236B (zh) | 基于随机分布的水泥粒径分布预测方法 | |
WO2022037499A1 (zh) | 一种用于造球机的控制系统及控制方法 | |
CN112659376B (zh) | 搅拌站混凝土拌合物流动性智能化调控方法和调控系统 | |
CN100546791C (zh) | 沥青混合料搅拌设备冷骨料给料控制方法 | |
CN113299352B (zh) | 一种烧结台车的料层厚度动态预测系统及方法 | |
CN111554353A (zh) | 氧气底吹炉铜熔炼过程参数在线预测方法 | |
CN102681482A (zh) | 强制间歇式沥青搅拌设备骨料计量过程监控装置及方法 | |
CN109603617B (zh) | 一种混合匀浆系统及其应用 | |
CN111598293A (zh) | 氧气底吹炉铜吹炼过程参数在线预测方法 | |
CN110724813B (zh) | 一种烧结矿碱度在线调节系统和方法 | |
CN110202697B (zh) | 混凝土搅拌装置及其控制方法 | |
CN113289542B (zh) | 一种基于混合能效比最优的混合机控制系统及方法 | |
Yang et al. | Modeling and optimal-setting control of blending process in a metallurgical industry | |
CN111932391B (zh) | 一种碎矿或磨矿流程考察粒度分布数据一致性修正的计算方法 | |
CN110008566B (zh) | 基于大数据的充填料浆性能指标预测方法 | |
CN113561330B (zh) | 一种定量配料方法、装置及搅拌站 | |
CN113267363B (zh) | 圆筒混合机制粒效果在线检测方法 | |
CN202836721U (zh) | 一种搅拌站物料的悬浮量补偿控制系统及搅拌站 | |
CN112582033B (zh) | 一种基于大数据的混凝土原材料及配合比推荐方法 | |
CN206095389U (zh) | 粉末涂料精准自动配料机 | |
CN217466584U (zh) | 一种圆筒混合机制粒效果在线检测装置 | |
RU2812444C1 (ru) | Система и способ управления распределением материала на основе прогнозирования толщины слоя материала |
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 |