CN114721270B - 一种砻谷碾米协同控制方法、装置及存储介质 - Google Patents
一种砻谷碾米协同控制方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114721270B CN114721270B CN202210377217.9A CN202210377217A CN114721270B CN 114721270 B CN114721270 B CN 114721270B CN 202210377217 A CN202210377217 A CN 202210377217A CN 114721270 B CN114721270 B CN 114721270B
- Authority
- CN
- China
- Prior art keywords
- rice
- milling
- hulling
- energy consumption
- rate
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 428
- 235000009566 rice Nutrition 0.000 title claims abstract description 428
- 238000003801 milling Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 427
- 238000012545 processing Methods 0.000 claims abstract description 73
- 238000005265 energy consumption Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 47
- 238000013386 optimize process Methods 0.000 claims abstract description 46
- 238000011897 real-time detection Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 11
- 241001282160 Percopsis transmontana Species 0.000 claims description 6
- 238000013467 fragmentation Methods 0.000 claims description 6
- 238000006062 fragmentation reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 235000013339 cereals Nutrition 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000001161 mammalian embryo Anatomy 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 2
- 238000000227 grinding Methods 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 235000021329 brown rice Nutrition 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 239000010903 husk Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 101100110009 Caenorhabditis elegans asd-2 gene Proteins 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241000899793 Hypsophrys nicaraguensis Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02B—PREPARING GRAIN FOR MILLING; REFINING GRANULAR FRUIT TO COMMERCIAL PRODUCTS BY WORKING THE SURFACE
- B02B5/00—Grain treatment not otherwise provided for
- B02B5/02—Combined processes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02B—PREPARING GRAIN FOR MILLING; REFINING GRANULAR FRUIT TO COMMERCIAL PRODUCTS BY WORKING THE SURFACE
- B02B3/00—Hulling; Husking; Decorticating; Polishing; Removing the awns; Degerming
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02B—PREPARING GRAIN FOR MILLING; REFINING GRANULAR FRUIT TO COMMERCIAL PRODUCTS BY WORKING THE SURFACE
- B02B7/00—Auxiliary devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q99/00—Subject matter not provided for in other groups of this subclass
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02B—PREPARING GRAIN FOR MILLING; REFINING GRANULAR FRUIT TO COMMERCIAL PRODUCTS BY WORKING THE SURFACE
- B02B7/00—Auxiliary devices
- B02B7/02—Feeding or discharging devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/14—Measures for saving energy, e.g. in green houses
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Adjustment And Processing Of Grains (AREA)
Abstract
一种砻谷碾米协同控制方法、装置及存储介质，其方法包括获取砻谷加工过程中的砻谷机运行数据；获取碾米加工过程中的碾米机运行数据；获取经砻谷碾米加工后稻谷样品的实时检测数据；基于神经网络，并根据砻谷机运行数据、碾米机运行数据，建立能耗预测模型和碎米率预测模型；基于机器学习算法，并根据能耗预测模型、碎米率预测模型、实时检测数据，获得优化工艺参数组；根据优化工艺参数组，对稻谷加工进行实时控制。相较于现有技术，利用本发明实施例的砻谷碾米协同控制方法，可实现稻米加工过程的精准智能控制，达到降低稻米加工能耗的目的，可保证高可靠性和稳定性，能精准控制大米加工精度的同时使碎米率、碾减率偏差以及能耗最低。
Description
技术领域
本发明涉及大米加工技术领域，特别涉及一种砻谷碾米协同控制方法、装置及存储介质。
背景技术
受市场消费者需求的影响，稻谷加工行业普遍存在过度加工的现象。过度加工使大米“精、白、亮”，但造成了出米率下降、营养成分损失，加工损耗和能耗升高，使粮食资源浪费和企业效益下降。“适度加工”可以减少稻谷的加工损耗和能耗，但同时也给行业带来了诸多挑战。稻米加工行业作为传统行业，其固有的“清、砻、碾、选”的工艺设计本身较为成熟，然而目前不论是加工过程还是装备制造都不能满足“适度加工”的需求。
现有稻米生产线中的设备如砻谷机、碾米机等都是独立控制的，即每一台设备都配备一个独立的控制器进行控制，忽略了砻谷过程中稻米籽粒的受力情况对碾米的影响。另外，现有的稻米生产过程中一般每1至2小时需专业人员分别检查砻谷和碾米效果并凭借经验依次对砻谷机和碾米机进行参数设定和调试，即通过人工控制各设备的协同工作，不仅效率低，且可靠性和稳定性差。目前还没有一个明确的最佳工艺参数组合能精准控制大米加工精度的同时使碎米率、碾减率偏差以及能耗最低。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种砻谷碾米协同控制方法，解决了当前的稻谷加工设备难以在精准控制大米加工精度的同时使碎米率、碾减率偏差以及能耗最低的问题。
同时，本发明还提出了一种砻谷碾米协同控制装置和一种计算机可读存储介质。
根据本发明第一方面实施例的砻谷碾米协同控制方法，包括以下步骤：
获取砻谷加工过程中的砻谷机运行数据，所述砻谷机运行数据包括与多个砻谷工艺参数一一对应的多个砻谷工艺采集值，多个所述砻谷工艺参数组成砻谷工艺参数组；
获取碾米加工过程中的碾米机运行数据，所述碾米机运行数据包括与多个碾米工艺参数一一对应的多个碾米工艺采集值，多个所述碾米工艺参数组成碾米工艺参数组；
获取经砻谷碾米加工后稻谷样品的实时检测数据，所述实时检测数据包括所述稻谷样品在多种状态指标下的多个稻谷品质采集值；
基于神经网络，并根据所述砻谷机运行数据、所述碾米机运行数据，建立能耗预测模型和碎米率预测模型；
基于机器学习算法，根据所述能耗预测模型、所述碎米率预测模型，所述实时检测数据，对所述砻谷工艺参数组和所述碾米工艺参数组中部分所述砻谷工艺参数和部分所述碾米工艺参数进行优化调整，以获得多个优化工艺参数，多个所述优化工艺参数组成优化工艺参数组；
根据所述优化工艺参数组，对稻谷加工进行实时控制。
根据本发明实施例的砻谷碾米协同控制方法，至少具有如下技术效果：通过分别获取砻谷加工时砻谷机运行数据和碾米加工时碾米机运行数据，基于神经网络来建立能耗预测模型和碎米率预测模型，并根据神经网络模型和实时检测数据，利用遗传算法来优化砻谷和碾米加工过程的性能，最终利用优化工艺参数组来实现砻谷和碾米的协同控制，进而实现稻米加工过程和产品的精准智能控制，达到降低稻米加工能耗和损耗的目的。相较于一些现有技术，利用本发明实施例的砻谷碾米协同控制方法的稻谷加工设备，可保证高可靠性和稳定性，能精准控制大米加工精度的同时使碎米率、碾减率偏差以及能耗最低。
根据本发明的一些实施例，所述基于神经网络，并根据所述砻谷机运行数据、所述碾米机运行数据，建立能耗预测模型和碎米率预测模型，包括以下步骤：
根据所述砻谷工艺参数组和所述碾米工艺参数组确定稻谷加工工艺的决策变量组；
对所述砻谷机运行数据和所述碾米机运行数据剔除异常值并进行归一化处理，以获得样本集，并对所述样本集中的样本按4：1比例随机分为训练集和测试集；
以所述决策变量组作为神经网络的输入变量，以能耗、碎米率分别作为所述神经网络的输出变量，利用所述训练集对所述神经网络进行训练，以获得所述能耗预测模型、所述碎米率预测模型；
利用所述测试集，对所述神经网络进行测试。
根据本发明的一些实施例，所述能耗预测模型和所述碎米率预测模型分别由以下关系数学模型进行约束：
y(E)＝f(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12)，
y(S)＝f(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12)，
其中，y(E)表示所述能耗预测模型，y(S)表示所述碎米率预测模型，x1表示砻谷机快辊线速度，x2表示砻谷机慢胶辊线速度，x3表示砻谷机线速度差，x4表示砻谷机胶辊辊距，x5表示砻谷机风量，x6表示砻谷机胶辊辊压，x7表示碾米道数，x8表示碾米机进料流量，x9表示碾米室内风压，x10表示碾米室内温度，x11表示碾米机砂辊转速，x12表示碾米机出料口压力。
根据本发明的一些实施例，所述基于机器学习算法，根据所述能耗预测模型、所述碎米率预测模型，所述实时检测数据，对所述砻谷工艺参数组和所述碾米工艺参数组中部分所述砻谷工艺参数和部分所述碾米工艺参数进行优化调整，以获得多个优化工艺参数，包括以下步骤：
根据所述能耗预测模型、所述碎米率预测模型，所述实时检测数据建立目标函数组，所述目标函数组用于表征所述砻谷碾米加工的工艺性能与所述决策变量组的关系；
基于遗传算法，对所述目标函数组求一组最优解，以获得所述优化工艺参数组，所述优化工艺参数组与所述决策变量组相对应。
根据本发明的一些实施例，所述目标函数组包括能耗目标函数、碎米率目标函数、碾减率目标函数，所述目标函数组由以下关系数学模型进行约束：
f1＝min(y(E))，
f2＝min(y(S))，
其中，f1表示所述能耗目标函数、f2表示所述碎米率目标函数、f2表示所述碾减率目标函数，y(E)表示所述能耗预测模型，y(S)表示所述碎米率预测模型，DOMR表示稻谷样品的实际碾减率，DOMG表示稻谷样品的预设碾减率，
表示稻谷样品碾减率的最小偏差。
根据本发明的一些实施例，所述基于遗传算法，对所述目标函数组求一组最优解，以获得所述优化工艺参数组，包括以下步骤：
在解空间中均匀产生K个染色体个体，每一个所述染色体个体的维度均为12，以生成初代种群，确定种群规模N＝100，确定最大进化代数为150，对选择比例、交叉概率、变异概率进行初始化；
基于所述目标函数组的计算值，对所述初代种群中每一个所述染色体个体进行快速非支配排序和拥挤度的计算；
对所述初代种群进行选择、交叉、变异操作，以获得下一代种群；
将所述初代种群与所述下一代种群合并，以获得新种群；
基于所述目标函数组的计算值，对所述新种群中每一个所述染色体个体进行快速非支配排序和拥挤度的计算；
对所述新种群选择符合条件的个体来组成新初代种群；
确定演化过程的进化代数，若所述进化代数小于所述最大进化代数，则所述进化代数的数量加一，并转至所述对所述初代种群进行选择、交叉、变异操作，以获得下一代种群，若所述进化代数大于所述最大进化代数，则中止迭代并输出所述优化工艺参数组。
根据本发明的一些实施例，所述根据所述优化工艺参数，对稻谷加工进行实时控制，包括以下步骤：
获取当前稻谷加工时段的所述实时检测数据，并确定砻谷碾米工艺性能的目标值；
若所述实时检测数据达到所述目标值，则确定相对应的所述优化工艺参数组，并以所述优化工艺参数组来保持设备运行；
若所述实时检测数据未达到所述目标值，则根据所述砻谷机运行数据、所述碾米机运行数据、利用训练后的所述神经网络进行时间序列预测，以获得下一个所述稻谷加工时段所更新的所述优化工艺参数组，直至所述实时检测数据达到所述目标值，则确定相对应的所述优化工艺参数组，并以所述优化工艺参数组来保持设备运行。
根据本发明的一些实施例，所述砻谷工艺参数包括所述砻谷机的进料流量、出料流量、砻谷能耗、胶辊辊距、胶辊辊压、胶辊线速度、胶辊线速度差；所述碾米工艺参数包括碾米机述进料流量、出料流量、碾米能耗、碾米室内风压、碾米室内温度、砂辊转速、出料口压力、出料口温度；多种所述状态指标包括品种、水分含量、粒型、脱壳率、碾减率、碎米率、整精米率、留胚率。
根据本发明第二方面实施例的砻谷碾米协同控制装置，包括：
稻谷加工单元，包括多个砻谷机和多个碾米机，所述砻谷机用于对稻谷脱除颖壳，所述碾米机用于对所述砻谷机处理后的稻谷进行去糙；
数据采集单元，包括砻谷机数据采集器、碾米机数据采集器、样品检测器，所述砻谷机数据采集器用于获取多个所述砻谷机的运行数据，所述碾米机数据采集器用于获取多个所述碾米机的运行数据，所述样品检测器用于获取多个稻谷样品的多种状态指标的采集值；
协同控制单元，用于执行如本发明第一方面实施例的任一所述的砻谷碾米协同控制方法。
根据本发明实施例的砻谷碾米协同控制装置，至少具有如下技术效果：通过在协同控制单元中执行本发明实施例的谷碾米协同控制方法，并由数据采集单元中的砻谷机数据采集器、碾米机数据采集器、样品检测器，来分别获取砻谷机运行数据、碾米机运行数据、实时检测数据，从而对稻谷加工单元中的多个砻谷机和多个碾米机实现协同控制，进而实现稻米加工过程和产品的精准智能控制，达到降低稻米加工能耗和损耗的目的。相较于一些现有技术，利用本发明实施例的砻谷碾米协同装置可保证高可靠性和稳定性，能精准控制大米加工精度的同时使碎米率、碾减率偏差以及能耗最低。
根据本发明第三方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本发明第一方面实施例的任一所述的砻谷碾米协同控制方法。
根据本发明实施例的计算机可读存储介质，至少具有如下技术效果：通过将本发明实施例的计算机可读存储介质导入至微处理芯片中，以使得微处理芯片能在本发明第二方面实施例的砻谷碾米协同控制装置中执行本发明第一方面实施例的砻谷碾米协同控制方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明实施例的砻谷碾米协同控制方法的流程示意图；
图2是本发明实施例的遗传算法的流程示意图；
图3是本发明实施例的砻谷碾米协同控制装置的连接示意图；
图4是本发明实施例的稻谷加工单元的结构示意图。
附图标记：
砻谷机110、碾米机120、糙米分离机130、
砻谷机数据采集器210、碾米机数据采集器220、样品检测器230、
协同控制单元300。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，多个的含义是两个以上。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接、断开等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面参考图1至图4描述根据本发明第一方面实施例的砻谷碾米协同控制方法。
本发明实施例的砻谷碾米协同控制方法，包括以下步骤：
获取砻谷加工过程中的砻谷机运行数据，砻谷机运行数据包括与多个砻谷工艺参数一一对应的多个砻谷工艺采集值，多个砻谷工艺参数组成砻谷工艺参数组；
获取碾米加工过程中的碾米机运行数据，碾米机运行数据包括与多个碾米工艺参数一一对应的多个碾米工艺采集值，多个碾米工艺参数组成碾米工艺参数组；
获取经砻谷碾米加工后稻谷样品的实时检测数据，实时检测数据包括稻谷样品在多种状态指标下的多个稻谷品质采集值；
基于神经网络，并根据砻谷机运行数据、碾米机运行数据，建立能耗预测模型和碎米率预测模型；
基于机器学习算法，根据能耗预测模型、碎米率预测模型，实时检测数据，对砻谷工艺参数组和碾米工艺参数组中部分砻谷工艺参数和部分碾米工艺参数进行优化调整，以获得多个优化工艺参数，多个优化工艺参数组成优化工艺参数组；
根据优化工艺参数组，对稻谷加工进行实时控制。
参考图1至图4，在进行稻谷加工时，利用数据采集单元来分别采集砻谷机110的运行数据、碾米机120的运行数据、稻谷样品的实时检测数据，然后利用协同控制单元300对采集的数据进行处理，具体结合神经网络和机器学习算法来进行处理，以调整砻谷机110和碾米机120的相关参数，最后根据调整得到的优化工艺参数组来实现对稻谷加工过程的实时协同控制。在一些实施例中，砻谷机110和碾米机120之间可连接糙米分离机130，砻谷机110和碾米机120可设置多个，稻谷样品可采用稻谷“星2号”，具体品种信息如表1所示。与传统人工控制相比，采用本发明实施例的砻谷碾米协同控制方法，来对稻谷“星2号”进行处理，在产量相同的前提下进行比较，最主要的碎米率、碾减率、能耗都相对更低，具体对比如表2所示。
表1
| 编号 | 品种 | 水分含量 | 蛋白质含量 | 长宽比 |
| 3245 | 星2号 | 12.28％ | 8.24％ | 3.24 |
表2
根据本发明实施例的砻谷碾米协同控制方法，至少具有如下技术效果：通过分别获取砻谷加工时砻谷机运行数据和碾米加工时碾米机运行数据，基于神经网络来建立能耗预测模型和碎米率预测模型，并根据神经网络模型和实时检测数据，利用遗传算法来优化砻谷和碾米加工过程的性能，最终利用优化工艺参数组来实现砻谷和碾米的协同控制，进而实现稻米加工过程和产品的精准智能控制，达到降低稻米加工能耗和损耗的目的。相较于一些现有技术，利用本发明实施例的砻谷碾米协同控制方法的稻谷加工设备，可保证高可靠性和稳定性，能精准控制大米加工精度的同时使碎米率、碾减率偏差以及能耗最低。
在本发明的一些实施例中，基于神经网络，并根据砻谷机运行数据、碾米机运行数据，建立能耗预测模型和碎米率预测模型，包括以下步骤：
根据砻谷工艺参数组和碾米工艺参数组确定稻谷加工工艺的决策变量组；
对砻谷机运行数据和碾米机运行数据剔除异常值并进行归一化处理，以获得样本集，并对样本集中的样本按4：1比例随机分为训练集和测试集；
以决策变量组作为神经网络的输入变量，以能耗、碎米率分别作为神经网络的输出变量，利用训练集对神经网络进行训练，以获得能耗预测模型、碎米率预测模型；
利用测试集，对神经网络进行测试。
具体地，决策变量组的是通过对砻谷工艺参数组和碾米工艺参数组进行相关典型参数选择来确定，从而作为神经网络模型的自变量。通过获取砻谷机运行数据和碾米机运行数据可获得用于训练和测试神经网络的训练集和测试集，利用训练集对神经网络训练以获得能耗预测模型和碎米率预测模型，利用测试集对神经网络测试以保证训练误差满足所允许的预设误差范围。
在本发明的一些实施例中，能耗预测模型和碎米率预测模型分别由以下关系数学模型进行约束：
y(E)＝f(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12)，
y(S)＝f(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12)，
其中，y(E)表示能耗预测模型，y(S)表示碎米率预测模型，x1表示砻谷机快辊线速度，x2表示砻谷机慢胶辊线速度，x3表示砻谷机线速度差，x4表示砻谷机胶辊辊距，x5表示砻谷机风量，x6表示砻谷机胶辊辊压，x7表示碾米道数，x8表示碾米机进料流量，x9表示碾米室内风压，x10表示碾米室内温度，x11表示碾米机砂辊转速，x12表示碾米机出料口压力。
具体地，可确定砻谷机快慢胶辊线速度和线速度差、胶辊辊距和辊压、风量、碾米道数、碾米机进料流量、碾米室内风压和温度、砂辊转速、出料口压力，这些稻谷加工工艺的关键参数来作为决策变量，以建立与能耗、碎米率相关的预测模型。在一些实施例中，还可以根据进一步要求，建立与产量等其他相关性能的预测模型。
在本发明的一些实施例中，基于机器学习算法，根据能耗预测模型、碎米率预测模型，实时检测数据，对砻谷工艺参数组和碾米工艺参数组中部分砻谷工艺参数和部分碾米工艺参数进行优化调整，以获得多个优化工艺参数，包括以下步骤：
根据能耗预测模型、碎米率预测模型，实时检测数据建立目标函数组，目标函数组用于表征砻谷碾米加工的工艺性能与决策变量组的关系；
基于遗传算法，对目标函数组求一组最优解，以获得优化工艺参数组，优化工艺参数组与决策变量组相对应。
具体地，目标函数组包括多个目标函数，多个目标函数可分别基于神经网络模型和稻谷样品加工品质建立。目标函数的自变量范围具体由稻谷加工工艺参数或稻谷样品加工品质的性能标准为约束。对于多个目标函数，机器学习算法更适合采用多目标遗传算法来对目标函数进行最优求解，从而最终获得与决策变量组中各决策变量一一对应的优化工艺参数组中的多个优化工艺参数。
在本发明的一些实施例中，目标函数组包括能耗目标函数、碎米率目标函数、碾减率目标函数，目标函数组由以下关系数学模型进行约束：
f1＝min(y(E))，
f2＝min(y(S))，
其中，f1表示能耗目标函数、f2表示碎米率目标函数、f3表示碾减率目标函数，y(E)表示能耗预测模型，y(S)表示碎米率预测模型，DOMR表示稻谷样品的实际碾减率，DOMG表示稻谷样品的预设碾减率，
表示稻谷样品碾减率的最小偏差。
在一些实施例中，目标函数组不限于包括能耗目标函数、碎米率目标函数、碾减率目标函数，还可根据实际需求，建立产量目标函数、脱壳率目标函数、留胚率目标函数等一些相关函数。
在本发明的一些实施例中，基于遗传算法，对目标函数组求一组最优解，以获得优化工艺参数组，包括以下步骤：
步骤S1：在解空间中均匀产生K个染色体个体，每一个染色体个体的维度均为12，以生成初代种群，确定种群规模N＝100，确定最大进化代数为150，对选择比例、交叉概率、变异概率进行初始化；
步骤S2：基于目标函数组的计算值，对初代种群中每一个染色体个体进行快速非支配排序和拥挤度的计算；
步骤S3：对初代种群进行选择、交叉、变异操作，以获得下一代种群；
步骤S4：将初代种群与下一代种群合并，以获得新种群；
步骤S5：基于目标函数组的计算值，对新种群中每一个染色体个体进行快速非支配排序和拥挤度的计算；
步骤S6：对新种群选择符合条件的个体来组成新初代种群；
步骤S7：确定演化过程的进化代数，若进化代数小于最大进化代数，则进化代数的数量加一，并转至步骤S3，若进化代数大于最大进化代数，则中止迭代并输出优化工艺参数组。
具体地，遗传算法可采用基于线性加权的多目标遗传算法，如RWGA、VEGA，还可采用基于Pareto排序的多目标遗传算法，如MOGA、NSGA、NSGA-II。
在本发明的一些实施例中，根据优化工艺参数，对稻谷加工进行实时控制，包括以下步骤：
获取当前稻谷加工时段的实时检测数据，并确定砻谷碾米工艺性能的目标值；
若实时检测数据达到目标值，则确定相对应的优化工艺参数组，并以优化工艺参数组来保持设备运行；
若实时检测数据未达到目标值，则根据砻谷机运行数据、碾米机运行数据、利用训练后的神经网络进行时间序列预测，以获得下一个稻谷加工时段所更新的优化工艺参数组，直至实时检测数据达到目标值，则确定相对应的优化工艺参数组，并以优化工艺参数组来保持设备运行。
具体地，通过在一段时间内实时监测采用优化工艺参数后的稻谷品质，从而确定该时间段的优化工艺参数是否符合最终要求，若符合，则采用此时的优化工艺参数组，若不符合，则利用神经网络进行预测，得到能耗和碎米率预测参数，将预测参数进行反归一化处理得到实际预测值以更新优化工艺参数，直至优化工艺参数符合要求，从而实现对稻谷加工过程的实时协同控制。
在本发明的一些实施例中，砻谷工艺参数包括砻谷机的进料流量、出料流量、砻谷能耗、胶辊辊距、胶辊辊压、胶辊线速度、胶辊线速度差；碾米工艺参数包括碾米机述进料流量、出料流量、碾米能耗、碾米室内风压、碾米室内温度、砂辊转速、出料口压力、出料口温度；多种状态指标包括品种、水分含量、粒型、脱壳率、碾减率、碎米率、整精米率、留胚率。
根据本发明第二方面实施例的砻谷碾米协同控制装置，包括：稻谷加工单元、数据采集单元、协同控制单元300。稻谷加工单元包括多个砻谷机110和多个碾米机120，砻谷机110用于对稻谷脱除颖壳，碾米机120用于对砻谷机110处理后的稻谷进行去糙；数据采集单元包括砻谷机数据采集器210、碾米机数据采集器220、样品检测器230，砻谷机数据采集器210用于获取多个砻谷机110的运行数据，碾米机数据采集器220用于获取多个碾米机120的运行数据，样品检测器230用于获取多个稻谷样品的多种状态指标的采集值；协同控制单元300用于执行如本发明第一方面实施例的任一的砻谷碾米协同控制方法。
参考图3和图4，稻谷加工单元对稻谷进行砻谷和碾米的加工，具体地，稻谷加工单元包括多个砻谷机110、多个碾米机120、糙米分离机130；数据采集单元中的砻谷机数据采集器210、碾米机数据采集器220具体采用相应的传感器来进行数据采集，样品检测器230采用稻米品种在线监测系统进行数据采集；协同控制单元300通过处理数据采集单元所采集的数据，从而来进行对稻谷加工单元的实时协同控制。
根据本发明实施例的砻谷碾米协同控制装置，至少具有如下技术效果：通过在协同控制单元300中执行本发明实施例的谷碾米协同控制方法，并由数据采集单元中的砻谷机数据采集器210、碾米机数据采集器220、样品检测器230，来分别获取砻谷机运行数据、碾米机运行数据、实时检测数据，从而对稻谷加工单元中的多个砻谷机110和多个碾米机120实现协同控制，进而实现稻米加工过程和产品的精准智能控制，达到降低稻米加工能耗和损耗的目的。相较于一些现有技术，利用本发明实施例的砻谷碾米协同装置可保证高可靠性和稳定性，能精准控制大米加工精度的同时使碎米率、碾减率偏差以及能耗最低。
根据本发明第三方面实施例的计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如本发明第一方面实施例的任一的砻谷碾米协同控制方法。
根据本发明实施例的计算机可读存储介质，至少具有如下技术效果：通过将本发明实施例的计算机可读存储介质导入至微处理芯片中，以使得微处理芯片能在本发明第二方面实施例的砻谷碾米协同控制装置中执行本发明第一方面实施例的砻谷碾米协同控制方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种砻谷碾米协同控制方法，其特征在于，包括以下步骤：
获取砻谷加工过程中的砻谷机运行数据，所述砻谷机运行数据包括与多个砻谷工艺参数一一对应的多个砻谷工艺采集值，多个所述砻谷工艺参数组成砻谷工艺参数组；
获取碾米加工过程中的碾米机运行数据，所述碾米机运行数据包括与多个碾米工艺参数一一对应的多个碾米工艺采集值，多个所述碾米工艺参数组成碾米工艺参数组；
获取经砻谷碾米加工后稻谷样品的实时检测数据，所述实时检测数据包括所述稻谷样品在多种状态指标下的多个稻谷品质采集值；
根据所述砻谷工艺参数组和所述碾米工艺参数组确定稻谷加工工艺的决策变量组，所述决策变量组包括多个决策变量，多个所述决策变量为与砻谷加工过程能耗、碾米率相关的多个砻谷工艺参数和多个碾米工艺参数；
对所述砻谷机运行数据和所述碾米机运行数据剔除异常值并进行归一化处理，以获得样本集，并对所述样本集中的样本按4∶1比例随机分为训练集和测试集；
以所述决策变量组作为神经网络的输入变量，以能耗、碎米率分别作为所述神经网络的输出变量，利用所述训练集对所述神经网络进行训练，以获得所述能耗预测模型、所述碎米率预测模型；
利用所述测试集，对所述神经网络进行测试；
根据所述能耗预测模型、所述碎米率预测模型，所述实时检测数据建立目标函数组，所述目标函数组用于表征所述砻谷碾米加工的工艺性能与所述决策变量组的关系；
基于遗传算法，对所述目标函数组求一组最优解，以获得优化工艺参数组，所述优化工艺参数组与所述决策变量组相对应；
根据所述优化工艺参数组，对稻谷加工进行实时控制。
2.根据权利要求1所述的砻谷碾米协同控制方法，其特征在于，所述能耗预测模型和所述碎米率预测模型分别由以下关系数学模型进行约束：
y(E)＝f(x1，x2，x3，x4，x5，x6，x7，x8，x9，x10，x11，x12)，
y(S)＝f(x1，x2，x3，x4，x5，x6，x7，x8，x9，x10，x11，x12)，
其中，y(E)表示所述能耗预测模型，y(S)表示所述碎米率预测模型，x1表示砻谷机快辊线速度，x2表示砻谷机慢胶辊线速度，x3表示砻谷机线速度差，x4表示砻谷机胶辊辊距，x5表示砻谷机风量，x6表示砻谷机胶辊辊压，x7表示碾米道数，x8表示碾米机进料流量，x9表示碾米室内风压，x10表示碾米室内温度，x11表示碾米机砂辊转速，x12表示碾米机出料口压力。
3.根据权利要求1所述的砻谷碾米协同控制方法，其特征在于，所述目标函数组包括能耗目标函数、碎米率目标函数、碾减率目标函数，所述目标函数组由以下关系数学模型进行约束：
f1＝min(y(E))，
f2＝min(y(S))，
其中，f1表示所述能耗目标函数、f2表示所述碎米率目标函数、f3表示所述碾减率目标函数，y(E)表示所述能耗预测模型，y(S)表示所述碎米率预测模型，DOMR表示稻谷样品的实际碾减率，DOMG表示稻谷样品的预设碾减率，
表示稻谷样品碾减率的最小偏差。
4.根据权利要求1所述的砻谷碾米协同控制方法，其特征在于，所述基于遗传算法，对所述目标函数组求一组最优解，以获得所述优化工艺参数组，包括以下步骤：
在解空间中均匀产生K个染色体个体，每一个所述染色体个体的维度均为12，以生成初代种群，确定种群规模N＝100，确定最大进化代数为150，对选择比例、交叉概率、变异概率进行初始化；
基于所述目标函数组的计算值，对所述初代种群中每一个所述染色体个体进行快速非支配排序和拥挤度的计算；
对所述初代种群进行选择、交叉、变异操作，以获得下一代种群；
将所述初代种群与所述下一代种群合并，以获得新种群；
基于所述目标函数组的计算值，对所述新种群中每一个所述染色体个体进行快速非支配排序和拥挤度的计算；
对所述新种群选择符合条件的个体来组成新初代种群；
确定演化过程的进化代数，若所述进化代数小于所述最大进化代数，则所述进化代数的数量加一，并转至所述对所述初代种群进行选择、交叉、变异操作，以获得下一代种群，若所述进化代数大于所述最大进化代数，则中止迭代并输出所述优化工艺参数组。
5.根据权利要求1所述的砻谷碾米协同控制方法，其特征在于，所述根据所述优化工艺参数，对稻谷加工进行实时控制，包括以下步骤：
获取当前稻谷加工时段的所述实时检测数据，并确定砻谷碾米工艺性能的目标值；
若所述实时检测数据达到所述目标值，则确定相对应的所述优化工艺参数组，并以所述优化工艺参数组来保持设备运行；
若所述实时检测数据未达到所述目标值，则根据所述砻谷机运行数据、所述碾米机运行数据、利用训练后的所述神经网络进行时间序列预测，以获得下一个所述稻谷加工时段所更新的所述优化工艺参数组，直至所述实时检测数据达到所述目标值，则确定相对应的所述优化工艺参数组，并以所述优化工艺参数组来保持设备运行。
6.根据权利要求1所述的砻谷碾米协同控制方法，其特征在于，所述砻谷工艺参数包括所述砻谷机的进料流量、出料流量、砻谷能耗、胶辊辊距、胶辊辊压、胶辊线速度、胶辊线速度差；所述碾米工艺参数包括碾米机述进料流量、出料流量、碾米能耗、碾米室内风压、碾米室内温度、砂辊转速、出料口压力、出料口温度；多种所述状态指标包括品种、水分含量、粒型、脱壳率、碾减率、碎米率、整精米率、留胚率。
7.一种砻谷碾米协同控制装置，其特征在于，包括：
稻谷加工单元，包括多个砻谷机和多个碾米机，所述砻谷机用于对稻谷脱除颖壳，所述碾米机用于对所述砻谷机处理后的稻谷进行去糙；
数据采集单元，包括砻谷机数据采集器、碾米机数据采集器、样品检测器，所述砻谷机数据采集器用于获取多个所述砻谷机的运行数据，所述碾米机数据采集器用于获取多个所述碾米机的运行数据，所述样品检测器用于获取多个稻谷样品的多种状态指标的采集值；
协同控制单元，用于执行如权利要求1至6任一所述的砻谷碾米协同控制方法。
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至6任一所述的砻谷碾米协同控制方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210377217.9A CN114721270B (zh) | 2022-04-11 | 2022-04-11 | 一种砻谷碾米协同控制方法、装置及存储介质 |
| US18/083,460 US20230321664A1 (en) | 2022-04-11 | 2022-12-16 | Method and device for cooperative control of rice hulling and rice polishing, and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210377217.9A CN114721270B (zh) | 2022-04-11 | 2022-04-11 | 一种砻谷碾米协同控制方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114721270A CN114721270A (zh) | 2022-07-08 |
| CN114721270B true CN114721270B (zh) | 2022-11-01 |
Family
ID=82242763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210377217.9A Active CN114721270B (zh) | 2022-04-11 | 2022-04-11 | 一种砻谷碾米协同控制方法、装置及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230321664A1 (zh) |
| CN (1) | CN114721270B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01164453A (ja) * | 1987-12-17 | 1989-06-28 | Tiger Kawashima Co Ltd | 穀類処理装置 |
| WO2018016597A1 (ja) * | 2016-07-22 | 2018-01-25 | 株式会社サタケ | 穀物処理施設の運転補助システム |
| CN108927243A (zh) * | 2018-09-20 | 2018-12-04 | 长沙荣业软件有限公司 | 一种碾米机及大米加工碾米工序分布式协同智能控制方法 |
| CN110782025A (zh) * | 2019-12-31 | 2020-02-11 | 长沙荣业智能制造有限公司 | 一种稻米加工在线工艺检测方法 |
| CN111337450A (zh) * | 2020-03-16 | 2020-06-26 | 中国科学院合肥物质科学研究院 | 一种大米加工精度等级的快速无损判定方法及装置 |
| CN113298537A (zh) * | 2021-04-30 | 2021-08-24 | 华中农业大学 | 基于物联网的稻米全链条质量信息智能检测系统及方法 |
| CN113365731A (zh) * | 2019-02-08 | 2021-09-07 | 株式会社佐竹 | 用于碾磨设备的运转辅助装置、以及碾磨设备 |
| CN114160234A (zh) * | 2021-11-17 | 2022-03-11 | 长沙荣业软件有限公司 | 碾米生产工艺控制方法及米珍生产线 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2947174T3 (es) * | 2019-03-19 | 2023-08-02 | Buehler Ag | Sistema industrializado para el reconocimiento de granos de arroz y procedimiento del mismo |
-
2022
- 2022-04-11 CN CN202210377217.9A patent/CN114721270B/zh active Active
- 2022-12-16 US US18/083,460 patent/US20230321664A1/en active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01164453A (ja) * | 1987-12-17 | 1989-06-28 | Tiger Kawashima Co Ltd | 穀類処理装置 |
| WO2018016597A1 (ja) * | 2016-07-22 | 2018-01-25 | 株式会社サタケ | 穀物処理施設の運転補助システム |
| CN108927243A (zh) * | 2018-09-20 | 2018-12-04 | 长沙荣业软件有限公司 | 一种碾米机及大米加工碾米工序分布式协同智能控制方法 |
| CN113365731A (zh) * | 2019-02-08 | 2021-09-07 | 株式会社佐竹 | 用于碾磨设备的运转辅助装置、以及碾磨设备 |
| CN110782025A (zh) * | 2019-12-31 | 2020-02-11 | 长沙荣业智能制造有限公司 | 一种稻米加工在线工艺检测方法 |
| CN111337450A (zh) * | 2020-03-16 | 2020-06-26 | 中国科学院合肥物质科学研究院 | 一种大米加工精度等级的快速无损判定方法及装置 |
| CN113298537A (zh) * | 2021-04-30 | 2021-08-24 | 华中农业大学 | 基于物联网的稻米全链条质量信息智能检测系统及方法 |
| CN114160234A (zh) * | 2021-11-17 | 2022-03-11 | 长沙荣业软件有限公司 | 碾米生产工艺控制方法及米珍生产线 |
Non-Patent Citations (5)
| Title |
|---|
| 基于大数据的碾米机精准制造策略探讨;黄文雄等;《粮食与食品工业》;20220415;全文 * |
| 基于机器视觉技术的大米品质检测综述;陈建伟等;《粮食与食品工业》;20080615(第03期);全文 * |
| 基于近红外漫反射光谱的稻谷谷壳率和整精米率预测;李路等;《食品与发酵工业》;20180308(第06期);全文 * |
| 水稻加工在线工艺检测;蒋志荣等;《粮食加工》;20190601(第03期);全文 * |
| 降低杂交稻谷加工破碎率途径的研究Ⅱ 碾米条件下的碎米率结合砻谷条件的综合分析;徐润琪等;《中国粮油学报》;20030820(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230321664A1 (en) | 2023-10-12 |
| CN114721270A (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108595913B (zh) | 鉴别mRNA和lncRNA的有监督学习方法 | |
| CN109086527B (zh) | 一种基于风电机组运行状态的实用化等值建模方法 | |
| CN110674120A (zh) | 一种风电场数据清洗方法及装置 | |
| CN101158693A (zh) | 基于多核独立元分析的批量生产过程故障检测方法 | |
| CN108629091B (zh) | 一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法 | |
| CN113255848A (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
| CN108581633A (zh) | 一种基于遗传算法优化多传感监测刀具状态的方法 | |
| Campbell et al. | Milling and flour quality | |
| CN112317010B (zh) | 一种小麦智慧制粉-电子粉师系统 | |
| CN114721270B (zh) | 一种砻谷碾米协同控制方法、装置及存储介质 | |
| CN116400126A (zh) | 一种具有数据处理系统的低压电力箱 | |
| CN107175146A (zh) | 一种大米加工系统 | |
| CN109933040B (zh) | 基于层次密度峰值聚类和最相似模态的故障监测方法 | |
| CN116404186A (zh) | 一种功率型锂锰电池生产系统 | |
| CN110427019B (zh) | 一种基于多变量判别分析的工业过程故障分类方法及控制装置 | |
| CN109939773B (zh) | 协同碾米方法、系统、协作关系确定方法及碾米系统 | |
| CN111178604A (zh) | 一种95598故障工单数预测方法 | |
| CN110244787A (zh) | 转速控制系统的调节方法及装置 | |
| CN117332358A (zh) | 一种玉米浸泡水处理方法及系统 | |
| CN105759787B (zh) | 一种基于切换有监督线性动态系统模型的故障诊断方法 | |
| CN117168860A (zh) | 一种荞麦剥壳机在线实时品效智能检测装置与方法 | |
| Parrenin et al. | A decision support tool for the first stage of the tempering process of organic wheat grains in a mill | |
| CN111814861B (zh) | 一种基于双自学习模型的在线冷却控制方法 | |
| CN115169453A (zh) | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220708 Assignee: HUNAN CHENZHOU GRAIN & OIL MACHINERY Co.,Ltd. Assignor: CENTRAL SOUTH University OF FORESTRY AND TECHNOLOGY Contract record no.: X2023980034486 Denomination of invention: A collaborative control method, device, and storage medium for rice hulling and milling Granted publication date: 20221101 License type: Common License Record date: 20230406 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220708 Assignee: Hunan Zhunong Rice Industry Co.,Ltd. Assignor: CENTRAL SOUTH University OF FORESTRY AND TECHNOLOGY Contract record no.: X2023980034719 Denomination of invention: A collaborative control method, device, and storage medium for rice hulling and milling Granted publication date: 20221101 License type: Common License Record date: 20230417 |
|
| EE01 | Entry into force of recordation of patent licensing contract |