CN115079563A - 一种砂石分离机的监测控制方法 - Google Patents
一种砂石分离机的监测控制方法 Download PDFInfo
- Publication number
- CN115079563A CN115079563A CN202210595335.7A CN202210595335A CN115079563A CN 115079563 A CN115079563 A CN 115079563A CN 202210595335 A CN202210595335 A CN 202210595335A CN 115079563 A CN115079563 A CN 115079563A
- Authority
- CN
- China
- Prior art keywords
- information
- sand
- obtaining
- torsion
- image
- 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
Links
Images
Classifications
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
Abstract
本发明公开了一种砂石分离机的监测控制方法,通过图像采集设备获得第一图像信息,所述第一图像信息包括待分离砂石总量;根据所述第一图像信息,获得砂石量信息;将所述砂石量信息输入评估模型,获得注水量信息;获得扭转强度规则列表,所述扭转强度规则列表包括待搅拌砂石混合液、扭转强度及分离结果的对应关系;基于所述扭转强度规则列表,根据所述注水量信息、所述砂石量信息,获得预测扭转强度信息;根据所述预测扭转强度信息,获得扭转控制策略,并按照所述扭转控制策略控制砂石分离机的搅拌速度。解决现有技术中砂石分离机按照既定的模式进行运转,不考虑分离砂石的具体特征,因而存在砂石分离效果不佳同时能耗损失不可控的技术问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种砂石分离机的监测控制方法。
背景技术
砂石分离机在使用的时候主要是用来清理干净搅拌车并且会对当中的砂石等进行回收利用,这样即可以很好的避免混凝土等造成的污染,同时也是可以在一定程度上解决建筑材料的使用,由水泵抽取清水然后注入到搅拌车当中,等到洗完结束的污水及残渣是会倒入到洗车的排水漏槽当中,之后是会由水泵抽取搅拌池当中的污水然后形成高速流动水流冲入到砂石分离设备当中;砂与石是会从污水中被分离出来,因此也是可以再次的成为搅拌混凝土的原材料,如何实现对砂石的有效分离是砂石分离机主要的考量因素。现有技术中砂石分离机按照既定的模式进行运转,不考虑分离砂石的具体特征,因而存在砂石分离效果不佳同时能耗损失不可控的技术问题。
发明内容
本发明旨在解决上述技术缺陷,通过提供一种砂石分离机的监测控制方法,用以解决现有技术中砂石分离机按照既定的模式进行运转,不考虑分离砂石的具体特征,因而存在砂石分离效果不佳同时能耗损失不可控的技术问题。达到了针对待分离砂石的具体状态进行对应的分离控制,既保证砂石的分离效果,又避免设备造成不必要的能耗和磨损,同时分析计算过程加入了人工智能技术通过机器学习提高计算效率和结果精准度的技术效果。
为此,本发明第一个目的在于提出一种砂石分离机的监测控制方法,所述方法应用于监测控制系统,所述系统包括监测控制装置,所述监测控制装置包括图像采集设备,所述方法包括:通过图像采集设备获得第一图像信息,所述第一图像信息包括待分离砂石总量;根据所述第一图像信息,获得砂石量信息;将所述砂石量信息输入评估模型,获得注水量信息;获得扭转强度规则列表,所述扭转强度规则列表包括待搅拌砂石混合液、扭转强度及分离结果的对应关系;基于所述扭转强度规则列表,根据所述注水量信息、所述砂石量信息,获得预测扭转强度信息;根据所述预测扭转强度信息,获得扭转控制策略,并按照所述扭转控制策略控制砂石分离机的搅拌速度。
本发明第二个目的在于提供一种砂石分离机的监测控制系统,所述系统包括:
第一获得单元,所述第一获得单元用于通过图像采集设备获得第一图像信息,所述第一图像信息包括待分离砂石总量;
第二获得单元,所述第二获得单元用于根据所述第一图像信息,获得砂石量信息;
第三获得单元,所述第三获得单元用于将所述砂石量信息输入评估模型,获得注水量信息;
第四获得单元,所述第四获得单元用于获得扭转强度规则列表,所述扭转强度规则列表包括待搅拌砂石混合液、扭转强度及分离结果的对应关系;
第五获得单元,所述第五获得单元用于基于所述扭转强度规则列表,根据所述注水量信息、所述砂石量信息,获得预测扭转强度信息;
第一执行单元,所述第一执行单元用于根据所述预测扭转强度信息,获得扭转控制策略,并按照所述扭转控制策略控制砂石分离机的搅拌速度。
本发明第三个目的在于提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、本发明实施例提供的一种砂石分离机的监测控制方法,所述方法应用于监测控制系统,所述系统包括监测控制装置,所述监测控制装置包括图像采集设备,所述方法包括:通过图像采集设备获得第一图像信息,所述第一图像信息包括待分离砂石总量;根据所述第一图像信息,获得砂石量信息;将所述砂石量信息输入评估模型,获得注水量信息;获得扭转强度规则列表,所述扭转强度规则列表包括待搅拌砂石混合液、扭转强度及分离结果的对应关系;基于所述扭转强度规则列表,根据所述注水量信息、所述砂石量信息,获得预测扭转强度信息;根据所述预测扭转强度信息,获得扭转控制策略,并按照所述扭转控制策略控制砂石分离机的搅拌速度。达到了针对待分离砂石的具体状态进行对应的分离控制,既保证砂石的分离效果,又避免设备造成不必要的能耗和磨损,同时分析计算过程加入了人工智能技术通过机器学习提高计算效率和结果精准度的技术效果,从而解决了现有技术中砂石分离机按照既定的模式进行运转,不考虑分离砂石的具体特征,因而存在砂石分离效果不佳同时能耗损失不可控的技术问题。
2、本申请实施例的一种砂石分离机的监测控制方法,通过重力感应器获得第一感应力集合、第二感应力集合,所述第一感应集合与第一位置区域相对应,所述第二感应力集合与第二位置区域相对应;分别根据所述第一感应力集合、所述第二感应力集合,获得第一均匀性、第二均匀性;分别判断所述第一均匀性、第二均匀性是否满足第二预定条件,获得判断结果;根据所述判断结果,获得调整控制策略达到了实时监测分离状态,对于分离效果不满足要求的进行及时调整,避免造成分离不佳而返工,确保分离机运行参数控制与分离效果相匹配的技术效果。
3、本申请实施例的一种砂石分离机的监测控制方法,通过根据所述第一感应力集合、所述第二感应力集合,获得设备受力信息;根据所述扭转控制策略,获得扭转强度信息;将所述设备受力信息、扭转强度信息输入损耗预测模型;获得所述损耗预测模型的第三输出结果,所述第三输出结果包括预测损耗结果;当所述预测损耗结果超过第三预设条件时,获得预警信息。达到了通过分离机运行过程中的受力进行监测评估,实现对砂石分离机中设备的损耗进行监测和预警,延长设备使用寿命的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种砂石分离机的监测控制方法的流程示意图;
图2为本申请实施例中另一种砂石分离机的监测控制方法的流程示意图;
图3为本申请实施例中另一种砂石分离机的监测控制方法的流程示意图;
图4为本申请实施例中另一种砂石分离机的监测控制方法的流程示意图;
图5为本申请实施例一种砂石分离机的监测控制系统的示意图;
图6为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第一执行单元16,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
下面详细描述本发明的实施例,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。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
在本发明的描述中,需要说明的是流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
下面参考附图描述根据本发明实施例的一种砂石分离机的监测控制方法。
本申请的技术方案为:通过图像采集设备获得第一图像信息,所述第一图像信息包括待分离砂石总量;根据所述第一图像信息,获得砂石量信息;将所述砂石量信息输入评估模型,获得注水量信息;获得扭转强度规则列表,所述扭转强度规则列表包括待搅拌砂石混合液、扭转强度及分离结果的对应关系;基于所述扭转强度规则列表,根据所述注水量信息、所述砂石量信息,获得预测扭转强度信息;根据所述预测扭转强度信息,获得扭转控制策略,并按照所述扭转控制策略控制砂石分离机的搅拌速度。解决了现有技术中砂石分离机按照既定的模式进行运转,不考虑分离砂石的具体特征,因而存在砂石分离效果不佳同时能耗损失不可控的技术问题。
实施例一
如图1所示,本申请实施例提供了一种砂石分离机的监测控制方法,所述方法应用于监测控制系统,所述系统包括监测控制装置,所述监测控制装置包括图像采集设备、重力感应器,所述方法包括:
具体而言,监测控制装置用于对砂石分离机监测过程中的数据监测和采集,将采集到的数据与监测控制系统进行通信传输,监测控制系统将接收到的数据进行分析运算处理,得到对应的控制指令与砂石分离机的控制器进行连接,发送对应的控制调节指令,对砂石分离机进行操作控制。其中图像采集设备为用于进行图像采集的设备,对需要进行图像采集的砂石、混合液、分离结果等进行图像采集,重力感应器设置在分离机的侧壁上,重力感应器对在分离机侧壁上受到的压力进行感应检测。
步骤S100通过图像采集设备获得第一图像信息,所述第一图像信息包括待分离砂石总量;
具体而言,通过图像采集设备如摄像头对需要进行砂石分离处理的砂石进行图像采集,第一图像信息为待分离砂石的总体图像,涵盖了准备进行砂石分离的所有砂石状态,包括数量及形态。
步骤S200根据所述第一图像信息,获得砂石量信息;
进一步的,如图2所示,所述根据所述第一图像信息,获得砂石量信息,步骤S200包括:
步骤S210设置第一参照物,所述第一参照物具有第一重量;
步骤S220根据所述第一图像信息,获得采集特征信息;
步骤S230基于所述采集特征信息对所述第一参照物进行图像采集,获得第三图像信息;
步骤S240分别对所述第一图像信息、所述第三图像信息进行特征提取,获得第一图像特征、第二图像特征;
步骤S250根据所述第一重量、所述第二图像特征,获得第一对应关系;
步骤S260基于所述第一对应关系,根据所述第一图像特征,获得所述砂石量信息。
具体而言,通常待分析砂石位于搅拌车内,不便于进行计量,同时计量过程费时费力,误差率大,为了提高对待分离砂石的快速识别和计量,本申请实施例利用图像特征的处理和统计,通过设定第一参照物,第一参照物为具有具体重量即第一重量,且对于进行砂石计量具有参考意义的物体,如单位体积的砂石,对第一图像信息进行采集特征信息的获取,其中采集特征信息为进行第一图像信息采集过程中的参数,如采集角度、采集像素、采集距离、光线环境等,按照同样的采集特征信息进行第一参照物的图像采集,确保第一图像信息、第三图像信息的成像效果接近,能够准确对第一图像信息中的待分离砂石进行准确识别和量化分析,通过将第三图像信息中具有已知重量、体积的第一参照物的图像进行图像特征提取,第二图像特征为对第一参照物图像特征,得到第一重量与第二图像特征之间的对应计算关系即第一对应关系,第一图像特征则为对第一图像信息进行图像特征提取的结果,基于第一对应关系即图像特征与重量之间的映射关系,对第一图像信息中的待分离砂石的图像特征进行转换分析,得到第一图像特征中待分离砂石的对应重量信息即砂石量信息。
步骤S300将所述砂石量信息输入评估模型,获得注水量信息;
进一步的,如图3所示,所述将所述砂石量信息输入评估模型,获得注水量信息,步骤S300包括:
步骤S310构建神经网络模型;
步骤S320获得历史处理数据,所述历史处理数据包括处理砂石量、注水量分离效果信息;
步骤S330按照预设要求对所述分析效果信息进行筛选,获得筛选处理数据集,所述筛选处理数据集包括处理砂石量、注水量;
步骤S340根据所述筛选处理数据集,获得模型训练数据,通过模型连续数据对所述神经网络模型进行训练,获得所述评估模型;
步骤S350获得所述评估模型的第二输出结果,所述第二输出结果包括所述注水量信息。
具体而言,根据砂石量信息进行加入水量的匹配计算,由于分离过程需要利用水流的高速流转使得砂石进行分离,对于砂石进入的水量需要按照待分离砂石的状态重量进行确定,以使得加入水量后得到的砂石混合液的浓度满足分离要求,砂石混合液的浓度对于分离效果具有一定的影响,浓度过高过低均不利于分离,应保持在适合的浓度范围内对于提高分离效果具有意义,为了提高受力评估的准确性,本申请加入了神经网络模型,利用前期进行作业分离的历史数据进行模型的训练,将历史处理数据中满足分离效果的历史数据作为训练样本,从中随机抽取训练数据对神经网络模型进行训练,所述训练的过程实质为监督学习的过程,每一组监督数据均包括处理砂石量以及标识注水量的标识信息,将处理砂石量输入到神经网络模型中,根据用来标识注水量的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,使得输出的注水量信息更加合理、准确,进而达到准确进行砂石混合液配置的效果,提升评估的准确性,所述评估模型即为经过训练收敛的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks,ANN),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将待分离砂石总量信息输入神经网络模型,则输出与其相匹配的注水量信息,实现通过计算机机器学习进行注水量的自动评估,保证砂石混合液的混合浓度满足分离效果,通过加入人工智能技术有效提高了运算效率和评估结果的可靠性,避免人工经验操作带来的误差而影响分离效果。
步骤S400获得扭转强度规则列表,所述扭转强度规则列表包括待搅拌砂石混合液、扭转强度及分离结果的对应关系;
具体而言,扭转强度规则列表为按照历史数据进行构建的扭转强度与砂石混合液、扭转强度及分离结果之间的映射关系,为经过实践积累出的数据,能够保证对应关系的可靠性,通过扭转强度规则列表中的数据关系按照不同的砂石混合液的重量、状态设置不同的扭转强度得到不同的分离结果,因而根据扭转强度规则列表可以实现基于设定分离结果的要求,按照待搅拌砂石混合液的重量进行对应扭转强度的匹配。
步骤S500基于所述扭转强度规则列表,根据所述注水量信息、所述砂石量信息,获得预测扭转强度信息;
步骤S600根据所述预测扭转强度信息,获得扭转控制策略,并按照所述扭转控制策略控制砂石分离机的搅拌速度。
具体而言,根据注水量信息、砂石量信息得到待分离砂石混合液的重量、浓度信息,基于得到的砂石混合液的重量和浓度信息在扭转强度规则列表中进行对应的分离结果、扭转强度的匹配分析,在确保了分离结果后,可以得到对应的扭转强度,如分离结果为确定的,按照混合液的重量确定对应的扭转强度以实现分离结果,预测扭转强度信息即按照注水量信息、砂石量信息得到的混合液信息匹配出的扭转强度,对于不同的重量形态要求的砂石混合液采用不同的扭转强度进行选择可以实现不同的分离效果,通常扭转速度快会实现较好的分离效果,但是扭转速度过快会造成能耗也会造成设备的磨损,如何平衡分离效果和设备损耗之前的平衡,是本申请所解决的技术问题,根据砂石混合液的重量计算其需要的扭转强度,通过历史实验数据的精准匹配计算,避免扭转过低影响分离效果以及扭转过高造成的设备损耗,扭转控制策略包括了设定砂石分离机的开机功率和控制扭转速度以及整个分离过程中的扭转强度控制,如开机速度为A后加速至B再保持平稳,利用设定的扭转控制策略对砂石分离机进行运转控制,实现针对待分离砂石的具体状态进行对应的分离控制,既保证砂石的分离效果,又避免设备造成不必要的能耗和磨损,同时分析计算过程加入了人工智能技术通过机器学习提高计算效率和结果精准度的技术效果,解决了现有技术中砂石分离机按照既定的模式进行运转,不考虑分离砂石的具体特征,因而存在砂石分离效果不佳同时能耗损失不可控的技术问题。
进一步的,如图4所示,所述方法包括:
步骤S710通过所述图像采集设备获得第二图像信息,所述第二图像信息包括砂石混合液特征信息;
步骤S720对所述第二图像信息进行特征提取,获得所述砂石混合液特征信息;
步骤S730将所述砂石混合液特征信息、所述砂石量信息输入状态评测模型,所述状态评测模型通过多组训练数据经过训练收敛获得,其中,每组训练数据均包括砂石混合液特征信息、砂石量信息以及标识砂石混合浓度的标识信息;
步骤S740获得所述状态评测模型的第一输出结果,所述第一输出结果包括混合状态评测结果,所述混合状态评测结果用于表示与输入的砂石混合液特征信息、砂石量信息相匹配的砂石混合液的浓度;;
步骤S750判断所述混合状态评测结果是否满足第一预定条件;
步骤S760当不满足时,基于所述混合状态评测结果获得补充注水量信息。
具体而言,砂石分离过程中需要对砂石进行搅拌,对于浓度高的砂石混合液需要加入清水进行搅拌,以使其搅拌均匀,通常注水多少及是否需要注水是通过人工判断,难免受到人为因素影响其准确性,本申请实施例在搅拌过程中对砂石混合液进行实时监测,通过图像采集设备获取搅拌的砂石混合液,第二图像信息即对搅拌中的砂石混合液特征的采集,通过图像采集设备对搅拌过程中的砂石混合液进行实时图像采集,并对图像信息进行砂石混合液特征信息提取,砂石混合液特征信息主要反应砂石混合液的浓度,通过液体的混装度、流动性参数来体现,通过砂石混合液特征信息和砂石量信息进行综合分析,确定当前的混合液搅拌的是否均匀浓度是否符合要求,若混合液浓度大则需要进行注水,按照浓度和要求之间的差值计算出注水量,按照计算得到的注水量控制水泵进行注水,以实现对砂石混合液浓度的自动调节过程,确保砂石混合液在利于进行分离的浓度范围内,为了提高混合液浓度评测结果的准确性,本申请实施例加入了人工智能技术,通过机器深度学习进行浓度的分析评估,状态评测模型即为通过机器学习的神经网络模型,利用历史实验数据对神经网络模型的训练收敛,所述状态评测模型通过多组训练数据经过训练收敛获得,每组训练数据均包括砂石混合液特征信息、砂石量信息以及标识砂石混合浓度的标识信息,模型学习到砂石混合液浓度的评估算法按照输入的砂石混合液特征信息、砂石量信息进行计算处理,得到与其相匹配的砂石混合浓度信息即混合状态评测结果,提升了运算速度和计算准确性,为进行准确的砂石混合液的浓度调整夯实了基础,当混合状态评测结果不满足第一预定条件时,则按照混合状态评测结果和第一预定条件中的浓度值计算出差值,按照差值结合砂石总量进行注水量的计算,按照计算结果进行补充注水量的控制操作,以确保砂石混合液的浓度,从而保证分离效果。
进一步的,所述方法包括:
步骤S810通过重力感应器获得第一感应力集合、第二感应力集合,所述第一感应集合与第一位置区域相对应,所述第二感应力集合与第二位置区域相对应;
步骤S820分别根据所述第一感应力集合、所述第二感应力集合,获得第一均匀性、第二均匀性;
步骤S830分别判断所述第一均匀性、第二均匀性是否满足第二预定条件,获得判断结果;
步骤S840根据所述判断结果,获得调整控制策略。
进一步的,所述根据所述判断结果,获得调整控制策略,步骤S840包括:
步骤S841当所述判断结果为第一结果时,所述调整控制策略为提高搅拌速度;
步骤S842当所述判断结果为第二结果时,所述调整控制策略为保持搅拌速度。
具体而言,通过在分离机侧壁上设置的重力感应器对搅拌过程中砂石对侧壁的打击力进行感应监测,在搅拌分离过程中,通过分离机内的旋转叶片带动下砂石混合液进行旋转,砂石混合液在旋转过程中会对侧壁进行打击,从而产生打击重力,由于在搅拌旋转过程中要实现砂石的分离,砂石会存在不同的区域内,随着分离过程的推进,感应到的打击力会逐渐形成对应的打击区域,第一位置区域即为较小颗粒的沙子进行旋转打击的区域,第二位置区域即为较大颗粒的石子旋转过程中打击的区域,第一感应力集合即对于小颗粒沙子进行打击区域的感应力总和,若分离效果好,则第一感应力集合应保持在均匀范围内,若第一感应力集合的均匀性差,则表明当前区域内分离效果不均匀,存在不同颗粒大小范围,在进行第一均匀性计算时,由于沙子的颗粒形态有差异,同时打击的角度也会存在力矩影响,因而存在差异性但由于其具有共同的物理特性因而差异性应保持在一定的范围内,所以在进行均匀性分析时应考虑感应力的合理范围,对第一感应力集合进行数据预处理,预处理可以为对第一感应力集合进行离散度分析,基于离散度分析结果得到数据的均值范围,在均值范围内计算均匀性,同样的第二感应力集合是针对第二位置区域采集到的感应力总和,对第二感应力集合进行数据分析,找到第二位置区域的力度范围,将第二感应力集合中符合力度范围内的数据进行筛选,将筛选出的结果进行均匀性分析,若第二均匀性符合要求则表明该区域的颗粒物相似度高,反之则低,若第一均匀性和第二均匀性均不满足要求,同时第一感应集合和第二感应集合重叠范围大时,则判断当前分离效果不佳,需要提高转速来提升分离效果,第一结果即为第一均匀性、第二均匀性不满足第二预定条件,其中,第一结果包括了第一均匀性、第二均匀性均不满足、有一个满足和/或第一感应集合与第二感应集合重叠度高多种结果。第二结果为第一均匀性、第二均匀性满足第二预定条件,此时则表明当前分离效果满足要求,不需要进行转速调整。达到了实时监测分离状态,对于分离效果不满足要求的进行及时调整,避免造成分离不佳而返工,确保分离机运行参数控制与分离效果相匹配的技术效果。
进一步的,所述方法包括:
步骤S910根据所述第一感应力集合、所述第二感应力集合,获得设备受力信息;
步骤S920根据所述扭转控制策略,获得扭转强度信息;
步骤S930将所述设备受力信息、扭转强度信息输入损耗预测模型;
步骤S940获得所述损耗预测模型的第三输出结果,所述第三输出结果包括预测损耗结果;
步骤S950当所述预测损耗结果超过第三预设条件时,获得预警信息。
具体而言,除了转速不足无法实现分离效果的情况外,还存在转速过快虽然分离效果满足要求,但存在设备的能耗和磨损的状态,本申请实施例在对于第二结果的情况下,即第一均匀性和第二均匀性均满足了要求,通过感应到的重力集合结合扭转控制策略中当前设定的扭转强度进行计算,预测当前设备受到的损耗情况,如旋转叶轮的损耗,速度越高受到砂石的冲击力越大会造成旋转叶轮的损耗,根据设备受力信息即重力感应器感应到的打击力与扭转强度信息进行分析处理,对于扭转强度信息进行打击力的预测,根据预测的打击力与感应到的感应力进行比对,若感应到的打击力远远大于预测大打击力则表明当前的转速对于正在分离的砂石混合液过大,或者砂石混合液中的砂石存在大颗粒加大了感应力,会加重设备的磨损;若预测的打击力和感应到的力差距不大,则表明符合当前运转分离的要求,符合预期,按照超出的打击力进行磨损状态的评估,得到预测损耗结果,判断预测损耗结果是否超出了预设的要求,若超出了设备损耗的要求时,则发出预警,提醒当前分离机内存在设备磨损需要进行对应调整。为了提高预测损耗结果评估的准确性,本申请实施例利用神经网络模型进行评估,根据扭转强度信息计算出离心力,根据离心力和砂石量信息,计算预测受力信息;根据预测受力信息、设备受力信息计算获得受力差值,将所述受力差值、扭转强度信息作为输入信息输入损耗预测模型,损耗预测模型为机器学习中的神经网络模型,利用多组训练数据经过训练获得,多组训练数据均包括受力差值、扭转强度信息以及标识损耗结果的标识信息,训练的过程实质为监督学习的过程,每一组监督数据均包括受力差值、扭转强度信息以及标识损耗结果的标识信息,将受力差值、扭转强度信息输入到神经网络模型中,根据用来标识损耗结果的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,使得输出的预测损耗结果更加合理、准确,进而达到对分离机运行过程中存在的损耗进行评估和预警,提高运算处理速度和预测结果的可靠性的技术效果。
实施例二
基于与前述实施例中一种砂石分离机的监测控制方法同样发明构思,本发明还提供了一种砂石分离机的监测控制系统,如图5所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于通过图像采集设备获得第一图像信息,所述第一图像信息包括待分离砂石总量;
第二获得单元12,所述第二获得单元12用于根据所述第一图像信息,获得砂石量信息;
第三获得单元13,所述第三获得单元13用于将所述砂石量信息输入评估模型,获得注水量信息;
第四获得单元14,所述第四获得单元14用于获得扭转强度规则列表,所述扭转强度规则列表包括待搅拌砂石混合液、扭转强度及分离结果的对应关系;
第五获得单元15,所述第五获得单元15用于基于所述扭转强度规则列表,根据所述注水量信息、所述砂石量信息,获得预测扭转强度信息;
第一执行单元16,所述第一执行单元16用于根据所述预测扭转强度信息,获得扭转控制策略,并按照所述扭转控制策略控制砂石分离机的搅拌速度。
进一步,所述系统还包括:
第六获得单元,所述第六获得单元用于通过所述图像采集设备获得第二图像信息,所述第二图像信息包括砂石混合液特征信息;
第七获得单元,所述第七获得单元用于对所述第二图像信息进行特征提取,获得所述砂石混合液特征信息;
第二执行单元,所述第二执行单元用于将所述砂石混合液特征信息、所述砂石量信息输入状态评测模型,所述状态评测模型通过多组训练数据经过训练收敛获得,其中,每组训练数据均包括砂石混合液特征信息、砂石量信息以及标识砂石混合浓度的标识信息;
第八获得单元,所述第八获得单元用于获得所述状态评测模型的第一输出结果,所述第一输出结果包括混合状态评测结果,所述混合状态评测结果用于表示与输入的砂石混合液特征信息、砂石量信息相匹配的砂石混合液的浓度;
第一判断单元,所述第一判断单元用于判断所述混合状态评测结果是否满足第一预定条件;
第九获得单元,所述第九获得单元用于当不满足时,基于所述混合状态评测结果获得补充注水量信息。
进一步,所述系统还包括:
第三执行单元,所述第三执行单元用于设置第一参照物,所述第一参照物具有第一重量;
第十获得单元,所述第十获得单元用于根据所述第一图像信息,获得采集特征信息;
第十一获得单元,所述第十一获得单元用于基于所述采集特征信息对所述第一参照物进行图像采集,获得第三图像信息;
第十二获得单元,所述第十二获得单元用于分别对所述第一图像信息、所述第三图像信息进行特征提取,获得第一图像特征、第二图像特征;
第十三获得单元,所述第十三获得单元用于根据所述第一重量、所述第二图像特征,获得第一对应关系;
第十四获得单元,所述第十四获得单元用于基于所述第一对应关系,根据所述第一图像特征,获得所述砂石量信息。
进一步,所述系统还包括:
第一构建单元,所述第一构建单元用于构建神经网络模型;
第十五获得单元,所述第十五获得单元用于获得历史处理数据,所述历史处理数据包括处理砂石量、注水量分离效果信息;
第十六获得单元,所述第十六获得单元用于按照预设要求对所述分析效果信息进行筛选,获得筛选处理数据集,所述筛选处理数据集包括处理砂石量、注水量;
第十七获得单元,所述第十七获得单元用于根据所述筛选处理数据集,获得模型训练数据,通过模型连续数据对所述神经网络模型进行训练,获得所述评估模型;
第十八获得单元,所述第十八获得单元用于获得所述评估模型的第二输出结果,所述第二输出结果包括所述注水量信息。
进一步,所述系统还包括:
第十九获得单元,所述第十九获得单元用于通过重力感应器获得第一感应力集合、第二感应力集合,所述第一感应集合与第一位置区域相对应,所述第二感应力集合与第二位置区域相对应;
第二十获得单元,所述第二十获得单元用于分别根据所述第一感应力集合、所述第二感应力集合,获得第一均匀性、第二均匀性;
第二判断单元,所述第二判断单元用于分别判断所述第一均匀性、第二均匀性是否满足第二预定条件,获得判断结果;
第二十一获得单元,所述第二十一获得单元用于根据所述判断结果,获得调整控制策略。
进一步,所述系统还包括:
第四执行单元,所述第四执行单元用于当所述判断结果为第一结果时,所述调整控制策略为提高搅拌速度;
第五执行单元,所述第五执行单元用于当所述判断结果为第二结果时,所述调整控制策略为保持搅拌速度。
进一步,所述系统还包括:
第二十一获得单元,所述第二十一获得单元用于根据所述第一感应力集合、所述第二感应力集合,获得设备受力信息;
第二十二获得单元,所述第二十二获得单元用于根据所述扭转控制策略,获得扭转强度信息;
第一输入单元,所述第一输入单元用于将所述设备受力信息、扭转强度信息输入损耗预测模型;
第二十三获得单元,所述第二十三获得单元用于获得所述损耗预测模型的第三输出结果,所述第三输出结果包括预测损耗结果;
第二十四获得单元,所述第二十四获得单元用于当所述预测损耗结果超过第三预设条件时,获得预警信息。
前述图1实施例一中的一种砂石分离机的监测控制方法的各种变化方式和具体实例同样适用于本实施例的一种砂石分离机的监测控制系统,通过前述对一种砂石分离机的监测控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种砂石分离机的监测控制系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图6来描述本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种砂石分离机的监测控制方法的发明构思,本发明还提供一种计算机设备,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种砂石分离机的监测控制方法的任一方法的步骤。
其中,在图6中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明实施例提供的一种砂石分离机的监测控制方法,所述方法应用于监测控制系统,所述系统包括监测控制装置,所述监测控制装置包括图像采集设备,所述方法包括:通过图像采集设备获得第一图像信息,所述第一图像信息包括待分离砂石总量;根据所述第一图像信息,获得砂石量信息;将所述砂石量信息输入评估模型,获得注水量信息;获得扭转强度规则列表,所述扭转强度规则列表包括待搅拌砂石混合液、扭转强度及分离结果的对应关系;基于所述扭转强度规则列表,根据所述注水量信息、所述砂石量信息,获得预测扭转强度信息;根据所述预测扭转强度信息,获得扭转控制策略,并按照所述扭转控制策略控制砂石分离机的搅拌速度。达到了针对待分离砂石的具体状态进行对应的分离控制,既保证砂石的分离效果,又避免设备造成不必要的能耗和磨损,同时分析计算过程加入了人工智能技术通过机器学习提高计算效率和结果精准度的技术效果,从而解决了现有技术中砂石分离机按照既定的模式进行运转,不考虑分离砂石的具体特征,因而存在砂石分离效果不佳同时能耗损失不可控的技术问题。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,ab,ac,b c,或a b c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指
令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质、光介质、或者半导体介质等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。
相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种砂石分离机的监测控制方法,其中,所述方法应用于监测控制系统,所述系统包括监测控制装置,所述监测控制装置包括图像采集设备,所述方法包括:
通过图像采集设备获得第一图像信息,所述第一图像信息包括待分离砂石总量;
根据所述第一图像信息,获得砂石量信息;
将所述砂石量信息输入评估模型,获得注水量信息;
获得扭转强度规则列表,所述扭转强度规则列表包括待搅拌砂石混合液、扭转强度及分离结果的对应关系;
基于所述扭转强度规则列表,根据所述注水量信息、所述砂石量信息,获得预测扭转强度信息;
根据所述预测扭转强度信息,获得扭转控制策略,并按照所述扭转控制策略控制砂石分离机的搅拌速度。
2.如权利要求1所述的方法,其中,所述方法包括:
通过所述图像采集设备获得第二图像信息,所述第二图像信息包括砂石混合液特征信息;
对所述第二图像信息进行特征提取,获得所述砂石混合液特征信息;
将所述砂石混合液特征信息、所述砂石量信息输入状态评测模型,所述状态评测模型通过多组训练数据经过训练收敛获得,其中,每组训练数据均包括砂石混合液特征信息、砂石量信息以及标识砂石混合浓度的标识信息;
获得所述状态评测模型的第一输出结果,所述第一输出结果包括混合状态评测结果,所述混合状态评测结果用于表示与输入的砂石混合液特征信息、砂石量信息相匹配的砂石混合液的浓度;
判断所述混合状态评测结果是否满足第一预定条件;
当不满足时,基于所述混合状态评测结果获得补充注水量信息。
3.如权利要求1所述的方法,其中,所述根据所述第一图像信息,获得砂石量信息,包括:
设置第一参照物,所述第一参照物具有第一重量;
根据所述第一图像信息,获得采集特征信息;
基于所述采集特征信息对所述第一参照物进行图像采集,获得第三图像信息;
分别对所述第一图像信息、所述第三图像信息进行特征提取,获得第一图像特征、第二图像特征;
根据所述第一重量、所述第二图像特征,获得第一对应关系;
基于所述第一对应关系,根据所述第一图像特征,获得所述砂石量信息。
4.如权利要求1所述的方法,其中,所述将所述砂石量信息输入评估模型,获得注水量信息,包括:
构建神经网络模型;
获得历史处理数据,所述历史处理数据包括处理砂石量、注水量分离效果信息;
按照预设要求对所述分析效果信息进行筛选,获得筛选处理数据集,所述筛选处理数据集包括处理砂石量、注水量;
根据所述筛选处理数据集,获得模型训练数据,通过模型连续数据对所述神经网络模型进行训练,获得所述评估模型;
获得所述评估模型的第二输出结果,所述第二输出结果包括所述注水量信息。
5.如权利要求1所述的方法,其中,所述监测控制装置还包括重力感应器,所述方法包括:
通过重力感应器获得第一感应力集合、第二感应力集合,所述第一感应集合与第一位置区域相对应,所述第二感应力集合与第二位置区域相对应;
分别根据所述第一感应力集合、所述第二感应力集合,获得第一均匀性、第二均匀性;
分别判断所述第一均匀性、第二均匀性是否满足第二预定条件,获得判断结果;
根据所述判断结果,获得调整控制策略。
6.如权利要求5所述的方法,其中,所述根据所述判断结果,获得调整控制策略,包括:
当所述判断结果为第一结果时,所述调整控制策略为提高搅拌速度;
当所述判断结果为第二结果时,所述调整控制策略为保持搅拌速度。
7.如权利要求5所述的方法,其中,所述方法包括:
根据所述第一感应力集合、所述第二感应力集合,获得设备受力信息;
根据所述扭转控制策略,获得扭转强度信息;
将所述设备受力信息、扭转强度信息输入损耗预测模型;
获得所述损耗预测模型的第三输出结果,所述第三输出结果包括预测损耗结果;
当所述预测损耗结果超过第三预设条件时,获得预警信息。
8.一种砂石分离机的监测控制系统,其中,所述系统应用于权利要求1-7任一所述方法中,所述系统包括:
第一获得单元,所述第一获得单元用于通过图像采集设备获得第一图像信息,所述第一图像信息包括待分离砂石总量;
第二获得单元,所述第二获得单元用于根据所述第一图像信息,获得砂石量信息;
第三获得单元,所述第三获得单元用于将所述砂石量信息输入评估模型,获得注水量信息;
第四获得单元,所述第四获得单元用于获得扭转强度规则列表,所述扭转强度规则列表包括待搅拌砂石混合液、扭转强度及分离结果的对应关系;
第五获得单元,所述第五获得单元用于基于所述扭转强度规则列表,根据所述注水量信息、所述砂石量信息,获得预测扭转强度信息;
第一执行单元,所述第一执行单元用于根据所述预测扭转强度信息,获得扭转控制策略,并按照所述扭转控制策略控制砂石分离机的搅拌速度。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现上述权利要求1-7中任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210595335.7A CN115079563A (zh) | 2022-05-29 | 2022-05-29 | 一种砂石分离机的监测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210595335.7A CN115079563A (zh) | 2022-05-29 | 2022-05-29 | 一种砂石分离机的监测控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115079563A true CN115079563A (zh) | 2022-09-20 |
Family
ID=83248605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210595335.7A Pending CN115079563A (zh) | 2022-05-29 | 2022-05-29 | 一种砂石分离机的监测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115079563A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117902338A (zh) * | 2024-03-20 | 2024-04-19 | 中储粮成都储藏研究院有限公司 | 平房仓粮食进仓自动控制系统 |
-
2022
- 2022-05-29 CN CN202210595335.7A patent/CN115079563A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117902338A (zh) * | 2024-03-20 | 2024-04-19 | 中储粮成都储藏研究院有限公司 | 平房仓粮食进仓自动控制系统 |
CN117902338B (zh) * | 2024-03-20 | 2024-05-28 | 中储粮成都储藏研究院有限公司 | 平房仓粮食进仓自动控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114266989A (zh) | 一种混凝土拌合物和易性测定方法和装置 | |
CN115079563A (zh) | 一种砂石分离机的监测控制方法 | |
CN104569360B (zh) | 搅拌站混凝土塌落度控制方法与系统 | |
CN110046570B (zh) | 一种粮仓粮食库存动态监管方法和装置 | |
CN102169077B (zh) | 湿式磨矿过程溢流粒度指标混合智能软测量方法 | |
CN109190226A (zh) | 一种磨矿系统溢流粒度指标软测量方法 | |
CN113312846B (zh) | 一种基于混合工艺过程的智能检测方法及系统 | |
WO2018014716A1 (zh) | 一种装载机铲装过程的作业斗数识别方法与识别装置 | |
CN111695730B (zh) | 基于arima及rnn的立磨振动预测方法及装置 | |
TR201801733U5 (tr) | Bi̇r su gi̇derme i̇şlemi̇ni̇n kontrol edi̇lmesi̇ i̇çi̇n düzenek | |
CN109626460A (zh) | 智能煤泥水处理方法及装置 | |
CN110202697B (zh) | 混凝土搅拌装置及其控制方法 | |
CN105088595A (zh) | 基于神经网络模型的印染在线配色设备及方法 | |
WO2024011936A1 (zh) | 一种工艺参数的优化方法及装置 | |
CN115019252B (zh) | 混凝土质量检测方法、装置及监控设备 | |
CN116030386A (zh) | 塌落度检测方法、装置、工程机械及设备 | |
CN113643529B (zh) | 基于大数据分析的停车场车道拥堵预测方法及系统 | |
RU2567330C2 (ru) | Способ автоматического контроля и управления процессом флотации | |
CN115731519A (zh) | 一种非接触式全尾砂膏体搅拌均匀度监测方法及系统 | |
CN112197817B (zh) | 磨机磨矿状态的测量方法、装置及电子设备 | |
CN114289190A (zh) | 浮选加药系统和浮选加药方法 | |
CN109142167B (zh) | 一种磨矿粒度的在线鲁棒正则软测量模型的建立方法 | |
CN111310960A (zh) | 一种能源消耗预测方法及装置 | |
CN116371581A (zh) | 球磨机的控制方法和装置 | |
CN113617113B (zh) | 一种基于异物检测的污水过滤预警方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |