CN113968492B - 一种需求量驱动的散装物料智能输送方法 - Google Patents

Abstract

本发明涉及一种需求量驱动的散装物料智能输送方法，包括：输送分析；给料控制分析；构建带式输送机人工神经网络调速模型；获取装车信息；评估原始状态；启动输料；监测输送过程；调整输送过程；对带式输送机人工神经网络调速模型继续训练。本发明以需求量驱动的理念，利用PB神经网络构建带式输送机的调节模型，并通过样本和实践中对模型进行不断训练，实现了对带式输送机的高效调控，达到了“需要多少，输送多少”的目的。需求驱动理念的优势在省略了传统的带式输送机与定量仓之间的缓冲仓，大大降低了物料输送的高度，同时钢结构架的高度也明显降低，在节省输送能源的同时装车站建筑体量缩小、占地小、建设周期短、投资成本低。

Description

一种需求量驱动的散装物料智能输送方法

技术领域

本发明涉及一种需求量驱动的散装物料智能输送方法，是一种运输装车的工艺过程，是一种散装物料铁路运输的智能化自动装车工艺方法。

背景技术

传统的快速定量装车系统通常设置能够储存上千万吨散装物料的储料仓、储料仓底部的多台给料机和将散装物料装车的定量装车站，以及将散装物料从给料机底部输送到装车站顶部的带式输送机，这一带式输送机的长度通常有数十米长，有的甚至超过100米。装车站主要由缓冲仓、定量仓、装车溜槽等组成。缓冲仓起到缓冲和暂时储存散料的作用，散装物料通过缓冲仓下端液压闸门落入定量仓中，定量仓对散装物料进行称重计量后通过溜槽将散装物料装载到车厢中。这种传统的快速定量装车系统所遵循的装车工艺可以称之为供给驱动的输送方法，即输送多少物料到装车站中是由储料仓和给料机决定。

供给驱动的输送方法的问题在于，尽管装车量(列车车皮的载重量)虽然是确定值，但带式输送机输送多少物料到装车站中基本上是盲目的。其原因是传统的带式输送机的输送速度是定速的，给料机的给料速度也是定速的，皮带机的输送量是通过开启给料机的时间长短和开启给料机的数量调节的，无疑这样调节输送量的方式是十分粗糙的，无法达到装车站需要多少物料，就输送多少物料的要求。为解决盲目输送和定量装车之间的矛盾，传统的做法是在装车站设置容量较大的缓冲仓，使装车站内储存足够的物料，避免不能及时的从储料仓输送物料到装车站而导致列车的装车过程中断。为此，传统的装车站设置了300吨以上的缓冲仓，随着装车站装车效率的提高，为保证及时供料，缓冲仓的容量也越来越大，有些高效装车站甚至设置600吨容量的缓冲仓。缓冲仓通常设置在装车站的顶部，意味着整个装车站的主要重量在数十米的高度上，这就对装车站的钢结构架提出了多项严苛的要求：高度必须超过缓冲仓的高度，必须稳定，必须有较强的抗风能力，为避免失稳通常在主结构件旁边还要设置副架，使钢结构架成为了装车站成本一个较大的部分。同时，由于装车站高度较高，散装物料被输送到较高的高度，势必需要消耗较多的能源。带有主架和副架的传统装车站占地面积较大，在一些场地有限的货运点，如港口、车站等难以布置。如何降低能耗并节约钢结构架的成本，是一种需要解决的问题。

发明内容

为了克服现有技术的问题，本发明提出了一种需求量驱动的散装物料智能输送方法。所述的方法以需求量作为输送过程的先导，通过BP神经网络模型的构建和训练，实现带式输送机的智能化调控，实现了需要多少输送多少的目的，由于省略了装车站的缓冲仓，使装车站的整体高度大大下降，在降低能耗的同时，显著降低了装车站的建造成本。

本发明的目的是这样实现的：一种需求量驱动的散装物料智能输送方法，所述的方法所使用的系统包括：依次输送衔接的储料仓、调频变速的多个给料机和带式输送机，所述的给料机和带式输送机与智能控制中心连接，所述的智能控制中心与安装在带式输送机上的实时密度测量装置、多个电子皮带秤、激光雷达、皮带速度传感器连接；

所述的方法包括构建过程和运行过程：

所述构建过程包括如下步骤：

步骤1，输送分析：以需求量驱动的输送方式，首先需获取当前装车量，根据当前装车量计算带式输送机上物料的堆积量，根据带式输送机的物料堆积量计算给料机的输出量；

步骤2，给料控制分析：在理想状态下，给料机向带式输送机输送的物料量能够通过物料在输送带上的堆积形状所确定；

输送带上物料的横截面积S，可按下式计算：

S＝S₁+S₂

S为输送带上理想的物料堆积横截面积，S₁为物料堆积上半部分，S₂为物料堆积下半部分；L为带式输送机水平托辊的长度；θ为物料的动堆积角；λ为槽角，即带式输送机侧辊轴线与水平线之间的夹角；h为物料堆积下半部分的高度；

理想状态下，给料机的给料体积与落到带式输送机皮带上的体积相等,则有：

Kft＝S v_dt＝Q_xt

K为给料频率与给料体积之间的计算系数；f为给料频率；v_d为皮带的速度；t为时间；Q_x为散装物料在理想状态下单位时间内的需求流量；

则理想状态的给料频率表示为：

步骤3，带式输送机送料控制分析：由散装物料在理想状态下单位时间内的需求流量为Q_x，以及Q_x与h之间的函数关系有：

Q_x＝S v_d

得到理想状态下Q_x与h之间的关系式：

步骤4，构建带式输送机人工神经网络调速模型：用BP神经网络进行建模，输入学习样本，使用误差反向传播对网络的权值进行训练，使得最终输出与实际值误差达到期望值；

所述的BP神经网络采用3层BP神经网络，包括输入层、隐层和输出层，以带式输送机上散装物料的高度h_实测和煤量需求量Q为网络输入层节点，输入层节点数为2,，以速度v_d实测为输出节点，输出层节点数为1，实现皮带机的智能控制；

隐层节点数采用下式计算：

l：隐层节点数，m：输入层节点数，n输出层节点数；

通过上式计算出的隐层节点数为3；

所述的运行过程包括如下步骤：

步骤5，获取装车信息：智能控制装置接收装车信息，从中获得各个车厢的装载量，通过装载量计算出散装物料的需求量，根据散装物料需求量计算出各个给料机的初始给料参数，以及带式输送机的初始运行参数；

步骤6，评估原始状态：激光雷达和电子皮带秤检测带式输送机上是否有物料，智能控制装置以当前皮带机的状态为起始状态；

步骤7，启动输料：依据初始给料机参数和初始带式输送机的运行参数启动给料机和带式输送机；

步骤8，监测输送过程：激光雷达扫描皮带上散料的体积，并乘以实时密度测量装置测量的当前散装物料的密度，求得皮带上散料的质量，并通过电子皮带秤进行验证，同时通过皮带速度传感器对物料流的速度进行监测；

步骤9，调整输送过程：综合各个监测的运行数据与散装物料需求量进行比较，若当前带式输送机的供料量与需求量不匹配，则利用训练之后的人工神经网络调速模型对皮带机的运行速度进行调整，直到使二者匹配；

步骤10，对带式输送机人工神经网络调速模型继续训练：调速成功后，记录当前调速的各个参数，作为带式输送机人工神经网络调速模型的训练样本，充实带式输送机人工神经网络调速模型的训练数据库。

本发明的优点和有益效果是：本发明以需求量驱动的理念，利用PB神经网络构建带式输送机的调节模型，并通过样本和实践中对模型进行不断训练，实现了对带式输送机的高效调控，达到了“需要多少，输送多少”的目的。需求驱动理念的优势在省略了传统的带式输送机与定量仓之间的缓冲仓，大大降低了物料输送的高度，同时钢结构架的高度也明显降低，在节省输送能源的同时装车站建筑体量缩小、占地小、建设周期短、投资成本低，在一些受到场地、道路等外围配套条件制约的位置，例如火车发放站、港口堆场等场合也能推广应用。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明实施例一所述方法所使用的散装物料运输系统结构示意图；

图2是本发明实施例一所述方法流程图；

图3是带式输送机物料截面示意图；

图4是本发明实施例一所述的三层PB神经网络示意图。

具体实施方式

实施例一：

本实施例是一种需求量驱动的散装物料智能输送方法，所述的方法所使用的系统包括：依次输送衔接的储料仓1、调频变速的多个给料机2和带式输送机3，所述的给料机和带式输送机与智能控制中心连接，所述的智能控制中心与安装在带式输送机上的实时密度测量装置、多个电子皮带秤4、激光雷达5、皮带速度传感器6连接，如图1所示。

本实施例所述方法所使用的系统与传统列车自动装车系统的显著差别在于没有设置缓冲仓，散装物料从储料仓中进入带式输送机后直接被送入定量仓中进行称重，从工艺过程中看，似乎只是省略了缓冲储存这一过程。事实上，省略缓冲储存的过程是装车工艺的重大变化，是装车工艺理念上的变化。装车工艺从传统盲目输送的以供给驱动输送方法转变为以需求量驱动的输送方式，即实现“需要多少输送多少”的输送方式。

需求量驱动的输送工艺方法得益于现代电机变频调速的进步，变频调速给料机和变频调速带式输送机十分普及，由储料仓向装车站输送物料可以通过给料机的变频调速，较为精确的控制给料量，同时变频调速的带式输送机也能够通过变频调速，在一定程度上控制输送量。

然而，仅仅有给料和皮带机精确输送还不能实现需要量驱动的工艺方法，这是由于带式输送机的输送速度与皮带上的散装物料的堆积量有一定函数关系，这一函数关系是非线性的，如何解决这一问题，这个问题是实现以需求驱动的散装物料智能输送工艺方法的关键。

当带式输送机的长度较短时(十米之内)，可以认为输送皮带是刚性的，带动皮带的电机完全能够控制输送皮带的运动，电机转多少，皮带就前进多少，误差很小。然而，由于输送带是柔性材料，随着带式输送机的长度增加，输送带的弹性越来越明显，电机对输送带的控制越来越弱。同时，散装物料本身的性质变化较大，很难建立统一的模型，即便是对单一物料，例如煤炭，因颗粒大小、湿度变化所造成的堆积物在皮带上的重量影响也很难把控，以致很难使用传统的线性模型实现需求量驱动输送方式。为解决这一问题，本实施例使用PB神经网络构建带式输送机人工神经网络调速模型，并在智能控制中心中设置训练数据库，通过样本先对带式输送机人工神经网络调速模型进行训练，训练成熟后运用训练好的模型进行实际输送控制，在实际输送中不断的收集实际应用的输送数据，以扩充训练数据库，实现需求量驱动的输送方式。

本实施例所述的散装物料智能输送系统(见图1)末端是一个整体的装车站01，这一装车站所针对的是数十节车厢构成的列车02的自动装车，整列列车所装载的散装物料(通常为颗粒均匀的商品，例如商品煤炭)达到数千吨甚至上万吨。输送的起始端是千万吨级的大型散装物料存储仓库03。储料仓通过给料机向带式输送机输送物料，带式输送机则将物料输送到装车站的顶部，使物料进入装车站的定量仓进行称重，之后通过溜槽输送到车厢(车皮)中。

储料仓中的物料通常堆积为多个巨大物料堆或存放在巨大的物料桶中，各个物料堆或物料桶底部均设置给料机。带式输送机通常有多个，收纳各个给料机所输出的物料，并通过一条长程的倾斜皮带机，将物料输送至装车站。各个给料机和带式输送机均能够通过变频器进行无级调速。

所述的智能控制中心为具有计算和存储功能的电子设备，如工控计算机等，在计算机中设有神经网络系统，以及与之配合的训练数据库。

所述的激光雷达则通常安装在带式输送机的上方，通过激光对堆积在皮带上的物料堆表面的扫描，获取物料堆的三维形状，藉此获得物料堆的体积。

所述的实时密度测量装置则是通过称重等方式在现场对散装物料的密度进行检测，以修改由于物料的湿度或颗粒等原因所造成的密度变化。尽管在输送过程中密度变化很小，但由于物料输送的量很大，很小的变化其对精确装车的影响也是不容忽视的。

由于有多个带式输送机，可以在带式输送机的多个位置安装电子皮带秤和皮带速度传感器，至少在带式输送机的输出端或输入端应当设置电子皮带秤，在长程带式输送机的前端、后端、中间段设置皮带速度传感器，以实时监控皮带的速度和皮带上的物料量，以便只能控制中心进行分析和记录。

系统的控制原理为：智能控制中心收到散装物料需求量后，计算出皮带机和给料机的控制频率，并将相应指令下发给控制给料机和带式输送机的PLC控制器，PLC控制器将指令下发给给料机变频器和带式输送机变频器，控制给料机和皮带机按照智能控制中心的指令运行。

所述的方法包括构建过程和运行过程，如图2所示，所述构建过程包括如下步骤：

步骤1，输送分析：以需求量驱动的输送方式，首先需获取当前装车量，根据当前装车量计算带式输送机上物料的堆积量，根据带式输送机的物料堆积量计算给料机的输出量；

以需求驱动的输送方式的含义是，以需求量作为整个输送系统运行的源头，系统中所有的调速量均根据需求量进行调整，需求量是多少量就输送多少量。其主要思路是在装车站上设置较小的缓冲仓甚至不设置缓冲仓，以长程带式输送机(长度大于100米)作用缓冲设施。在长程皮带机输送机上分段堆积物料，定量仓需要多少吨物料就在输送带上堆积多少吨物料，当定量仓充料时，输送带高速运转，将堆积在输送带上的物料快速送入定量仓中，当定量仓称重和对当前车厢放料时，输送带低速或停止运转，等待对下一个车厢的到来时对定量仓充料。

步骤2，给料控制分析：在理想状态下，给料机向带式输送机输送的物料量能够通过物料在输送带上的堆积形状所确定；

输送带上物料的横截面积S，可按下式计算：

S＝S₁+S₂(1)

S为输送带上理想的物料堆积横截面积，S₁为物料堆积上半部分，S₂为物料堆积下半部分；物料堆上下两部分的分开是为了便于分析而人为想象的模型。由于输送带上的物料堆不能堆积过高，应尽量控制在填满输送带上的凹陷，使堆积的物料顶部呈平坦状，因此在分析时将理想状态的物料堆设想为顶部平坦的物料堆，如图3所示，在实际输送过程中只要控制给料机得当，输送带上的物料总可以形成平坦的顶部，因此这样设定模型是符合实际的。根据这一物料堆模型，将一条水平线将输送带上的物料堆截面分为上下两个部分，水平线的位置位于输送带凹陷的顶部，见图3，L为带式输送机水平托辊的长度；θ为物料的动堆积角；λ为槽角，即带式输送机侧辊轴线与水平线之间的夹角；h为物料堆积下半部分的高度；B为物料堆的宽度；在理想的物料堆模型中设置为固定值(理想值)，在实际使用中以激光雷达传感器扫描得到实际值，有偏差时反馈给给料机，对给料进行调整以达到理想值。

理想状态下，给料机的给料体积与落到带式输送机皮带上的体积相等,则有：

Kft＝S v_dt＝Q_xt   (4)

K为给料频率与给料体积之间的计算系数；f为给料频率；v_d为皮带的速度；t为时间；Q_x为散装物料在理想状态下单位时间内的需求流量；

则理想状态的给料频率表示为：

给料机采用变频器控制的方式，根据式(6)确定给料机的给料频率。

以上尽管为理想状态下的给料过程，却说明的了给料机的频率与物料输出的关系。在实际输料时，需要通过实时测量的h_实测值与v_d实测值计算出实时物料流量Q，并将Q与理想单位时间内的需求流量Q_x的差值作为反馈信号，对频率f进行调整。其中h_实测通过激光雷达测量的数据得到，v_d实测通过安装在带式输送机上的速度传感器测量得到。

步骤3，带式输送机送料控制分析：

由散装物料在理想状态下单位时间内的需求流量为Q_x，以及Q_x与h之间的函数关系有：

Q_x＝S v_d   (7)

得到理想状态下Q_x与h之间的关系式：

由上式(8)可知，当h一定时，皮带速度和散料需求流量成正比关系，这样由理想的散装物料需求流量Q_x就能计算出理想的带速v_d。当v_d一定时，h和散料需求流量成二次函数关系，这样由确定的散料需求流量Q_x就能计算h。但是在实际工作过程中当煤炭的运输量一定时，h和v_d之间是相互制约，需要构建合适的控制模型。

步骤4，构建带式输送机人工神经网络调速模型：用BP神经网络进行建模，输入学习样本，使用误差反向传播对网络的权值进行训练，使得最终输出与实际值误差达到期望值；

所述的BP神经网络采用3层BP神经网络，包括输入层、隐层和输出层，以带式输送机上散装物料的高度h_实测和煤量需求量Q为网络输入层节点，输入层节点数为2,，以速度v_d实测为输出节点，输出层节点数为1，实现皮带机的智能控制；

隐层节点数采用下式计算：

l：隐层节点数，m：输入层节点数，n输出层节点数。

通过上式计算出的隐层节点数为3，所建立的BP神经网络结构如图4所示。

通过电子皮带秤采集带式输送机瞬时运煤量(即单位时间内的需求流量Q)，通过激光雷达的测量数据得到h_实测，通过速度传感器测量速度v_d实测。将采集到的数据作为训练样本对带式输送机人工神经网络调速模型进行训练，将训练好的带式输送机人工神经网络调速模型用于带式输送机运输速度的控制。带式输送机人工神经网络调速模型根据当前的Q和h_实测值，输出v_d调整值，智能控制中心根据v_d调整值，向带式输送机的变频器发送指令，实施对带式输送机的调速，以达到对带式输送机电机速度进行控制的目的。

所述的运行过程包括如下步骤：

步骤5，获取装车信息：智能控制装置接收装车信息，从中获得各个车厢的装载量，通过装载量计算出散装物料的需求量，根据散装物料需求量计算出各个给料机的初始给料参数，以及带式输送机的初始运行参数；

智能控制装置通过与控制主机(上位机)的联系，获得生产端所提供的装车量和列车信息，通过这些信息计算出各个车厢的装车量，通过各个车厢的装车量计算出给料机和带式输送机的运行参数。给料机的运行参数主要是开度和搅动电机的旋转频率，带式输送机的运行参数主要是电机的频率。这些运行参数是在准备装车时，启动给料机和皮带机的运行参数，当物料在皮带上运行时，还要通过各种传感器的检测对运行参数进行调整，以达到精确装车的要求。

应当说明的是，对于列车车厢型号一致的列车，初始参数对于每一节车厢可以不进行调整，而对于不同型号车厢所组成的列车则需要针对每一节车厢进行初始参数的计算和调整。

步骤6，评估原始状态：激光雷达和电子皮带秤检测带式输送机上是否有物料，智能控制装置以当前皮带机的状态为起始状态；

在列车进入装车站准备装车时，通过激光扫描雷达和皮带机上的各个电子皮带秤，检测皮带上是否有剩余的散装物料。在理想状态下，上一列车装车后，整条皮带输送上都应该完全清空，但在实际中可能会因为种种原因，在皮带上还有残留一些物料，为此充分利用这些物料，需明确的这些物料的多少和位置。还有一种情况是，当装车出现问题发生中断时，为增强系统的纠错能力，当重新启动装车过程时，系统能够自动的识别中断时的状态，继续装车进程。

步骤7，启动输料：依据初始给料机参数和初始带式输送机的运行参数启动给料机和带式输送机；

启动命令通常由上位机发出，当列车快要进入装车站之前，就应当启动对定量仓输料，之后整个输料过程都应略微提前在装车之前进行。

给料机和带式输送机的初始参数是在理想状态下计算出的参数，在实际运行过程中还需要不断调整，使输送量达到定量仓的要求，即定量仓需要多少就输送多少的要求。

步骤8，监测输送过程：激光雷达扫描皮带上散料的体积，并乘以实时密度测量装置测量的当前散装物料的密度，求得皮带上散料的质量，并通过电子皮带秤进行验证，同时通过皮带速度传感器对物料流的速度进行监测；

整个输送过程需要进行监控，智能控制中心从各个传感器获取输送过程的各个参数，并对这些参数进行分析，得以成为反馈信号，实现实时反馈控制。

步骤9，调整输送过程：综合各个监测的运行数据与散装物料需求量进行比较，若当前带式输送机的供料量与需求量不匹配，则利用训练之后的人工神经网络调速模型对皮带机的运行速度进行调整，直到使二者匹配；

现有的输送带调速一般分为高速、中速、低速等几个等级，调速过程十分缓慢，加速度仅0.02m/S²左右。随着电子技术的发展皮带调控技术逐渐向自动化、智能化、信息化方向发展。本实施例将人工神经网络引入带式输送机的调速，提高了调速的效率，高效率的变频技术进一步提高了调速的效率，在实际中能够快速的进行调节，实现需要多少输送多少的目的。

步骤10，对皮带输送机调速模型继续训练：调速成功后，记录当前调速的各个参数，作为带式输送机人工神经网络调速模型的训练样本，充实带式输送机人工神经网络调速模型的训练数据库。

神经网络在经过基本的样本训练后，还需要不断的进行学习，积累训练数据，因此需要不断的在实际中记录工作参数，不断的进行学习，使神经网络模型更加充实、成熟。

最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案(比如输送系统的形式、各种公式的运用、步骤的先后顺序等)进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (1)

1.一种需求量驱动的散装物料智能输送方法，所述的方法所使用的系统包括：依次输送衔接的储料仓、调频变速的多个给料机和带式输送机，所述的给料机和带式输送机与智能控制中心连接，所述的智能控制中心与安装在带式输送机上的实时密度测量装置、多个电子皮带秤、激光雷达、皮带速度传感器连接；

所述的方法包括构建过程和运行过程，其特征在于：

所述构建过程包括如下步骤：

步骤1，输送分析：以需求量驱动的输送方式，首先需获取当前装车量，根据当前装车量计算带式输送机上物料的堆积量，根据带式输送机的物料堆积量计算给料机的输出量；

步骤2，给料控制分析：在理想状态下，给料机向带式输送机输送的物料量能够通过物料在输送带上的堆积形状所确定；

输送带上物料的横截面积S，可按下式计算：

S＝S₁+S₂

S为输送带上理想的物料堆积横截面积，S₁为物料堆积上半部分，S₂为物料堆积下半部分；L为带式输送机水平托辊的长度；θ为物料的动堆积角；λ为槽角，即带式输送机侧辊轴线与水平线之间的夹角；h为物料堆积下半部分的高度；

理想状态下，给料机的给料体积与落到带式输送机皮带上的体积相等,则有：

K f t＝S v_d t＝Q_x t

K为给料频率与给料体积之间的计算系数；f为给料频率；v_d为皮带的速度；t为时间；Q_x为散装物料在理想状态下单位时间内的需求流量；

则理想状态的给料频率表示为：

步骤3，带式输送机送料控制分析：由散装物料在理想状态下单位时间内的需求流量为Q_x，以及Q_x与h之间的函数关系有：

Q_x＝S v_d

得到理想状态下Q_x与h之间的关系式：

步骤4，构建带式输送机人工神经网络调速模型：用BP神经网络进行建模，输入学习样本，使用误差反向传播对网络的权值进行训练，使得最终输出与实际值误差达到期望值；

所述的BP神经网络采用3层BP神经网络，包括输入层、隐层和输出层，以带式输送机上散装物料的高度h_实测和煤量需求量Q为网络输入层节点，输入层节点数为2，以速度v_d实测为输出节点，输出层节点数为1，实现皮带机的智能控制；

隐层节点数采用下式计算：

l：隐层节点数，m：输入层节点数，n输出层节点数；

通过上式计算出的隐层节点数为3；

所述的运行过程包括如下步骤：

步骤5，获取装车信息：智能控制装置接收装车信息，从中获得各个车厢的装载量，通过装载量计算出散装物料的需求量，根据散装物料需求量计算出各个给料机的初始给料参数，以及带式输送机的初始运行参数；

步骤6，评估原始状态：激光雷达和电子皮带秤检测带式输送机上是否有物料，智能控制装置以当前皮带机的状态为起始状态；

步骤7，启动输料：依据初始给料机参数和初始带式输送机的运行参数启动给料机和带式输送机；

步骤8，监测输送过程：激光雷达扫描皮带上散料的体积，并乘以实时密度测量装置测量的当前散装物料的密度，求得皮带上散料的质量，并通过电子皮带秤进行验证，同时通过皮带速度传感器对物料流的速度进行监测；

步骤9，调整输送过程：综合各个监测的运行数据与散装物料需求量进行比较，若当前带式输送机的供料量与需求量不匹配，则利用训练之后的人工神经网络调速模型对皮带机的运行速度进行调整，直到使二者匹配；

步骤10，对带式输送机人工神经网络调速模型继续训练：调速成功后，记录当前调速的各个参数，作为带式输送机人工神经网络调速模型的训练样本，充实带式输送机人工神经网络调速模型的训练数据库。

Images