CN117244678B - 砂磨机智能监测控制系统及方法 - Google Patents
砂磨机智能监测控制系统及方法 Download PDFInfo
- Publication number
- CN117244678B CN117244678B CN202311309428.XA CN202311309428A CN117244678B CN 117244678 B CN117244678 B CN 117244678B CN 202311309428 A CN202311309428 A CN 202311309428A CN 117244678 B CN117244678 B CN 117244678B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- flow
- pressure
- mechanical seal
- seal water
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000004576 sand Substances 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 214
- 239000013598 vector Substances 0.000 claims abstract description 199
- 230000004044 response Effects 0.000 claims abstract description 22
- 238000012098 association analyses Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 100
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000002075 inversion recovery Methods 0.000 claims description 2
- 238000007789 sealing Methods 0.000 abstract description 60
- 230000008569 process Effects 0.000 abstract description 24
- 238000000227 grinding Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000003756 stirring Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011133 lead Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000011343 solid material Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
公开了一种砂磨机智能监测控制系统及方法。其首先获取机封水装置在预定时间段内多个预定时间点的机封水流量值和机封水压力值,接着,将所述多个预定时间点的机封水流量值和机封水压力值分别按照时间维度排列为机封水流量时序输入向量和机封水压力时序输入向量,然后,对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行局部逐位置响应关联分析以得到流量‑压力局部时序关联特征向量的序列,接着,对所述流量‑压力局部时序关联特征向量的序列进行全时序关联编码以得到流量‑压力时序关联特征,最后,基于所述流量‑压力时序关联特征,确定是否生成机封水泵转速的控制指令。这样,可以提升砂磨工艺的稳定性和一致性。
Description
技术领域
本公开涉及砂磨机领域,且更为具体地,涉及一种砂磨机智能监测控制系统及方法。
背景技术
ALC-3900L艾砂磨机是一种在液体中对固体物料连续进行分散和超细研磨的机器,适用于有色金属选矿厂(金、铜、铅、锌、钼、镍)和黑色金属选矿厂的二、三段再磨作业。磨砂机的机封水装置调试是磨削工艺中至关重要的一步,它对于保证磨削质量、提高生产效率和延长设备寿命具有重要作用。
然而,传统的机封水装置调试需要人工逐步调整机封水泵转速和分水阀开度,这需要花费大量的时间和精力,而且在调试过程中可能需要多次反复调整,导致生产效率低下。此外,传统的机封水装置调试通常依赖于操作人员的主观判断和经验,调试结果容易受到个人技能水平和主观意识的影响,导致结果的不一致性和不准确性。并且,传统的人工调试方式缺乏自动化控制的能力,限制了调试过程的精确度和稳定性,并增加了操作人员的工作负担。
因此,期望一种优化的砂磨机智能监测控制系统。
发明内容
有鉴于此,本公开提出了一种砂磨机智能监测控制系统及方法,其可以实现机封水装置的自动化调节和控制,减少人为因素的干扰,提高调试的准确性、效率和可追溯性,从而提升砂磨工艺的稳定性和一致性。
根据本公开的一方面,提供了一种砂磨机智能监测控制方法,其包括:
获取机封水装置在预定时间段内多个预定时间点的机封水流量值和机封水压力值;
将所述多个预定时间点的机封水流量值和机封水压力值分别按照时间维度排列为机封水流量时序输入向量和机封水压力时序输入向量;
对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行局部逐位置响应关联分析以得到流量-压力局部时序关联特征向量的序列;
对所述流量-压力局部时序关联特征向量的序列进行全时序关联编码以得到流量-压力时序关联特征;以及
基于所述流量-压力时序关联特征,确定是否生成机封水泵转速的控制指令。
根据本公开的另一方面,提供了一种砂磨机智能监测控制系统,其包括:
数据采集模块,用于获取机封水装置在预定时间段内多个预定时间点的机封水流量值和机封水压力值;
向量化模块,用于将所述多个预定时间点的机封水流量值和机封水压力值分别按照时间维度排列为机封水流量时序输入向量和机封水压力时序输入向量;
关联分析模块,用于对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行局部逐位置响应关联分析以得到流量-压力局部时序关联特征向量的序列;
全时序关联编码模块,用于对所述流量-压力局部时序关联特征向量的序列进行全时序关联编码以得到流量-压力时序关联特征;以及
转速控制模块,用于基于所述流量-压力时序关联特征,确定是否生成机封水泵转速的控制指令。
根据本公开的实施例,其首先获取机封水装置在预定时间段内多个预定时间点的机封水流量值和机封水压力值,接着,将所述多个预定时间点的机封水流量值和机封水压力值分别按照时间维度排列为机封水流量时序输入向量和机封水压力时序输入向量,然后,对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行局部逐位置响应关联分析以得到流量-压力局部时序关联特征向量的序列,接着,对所述流量-压力局部时序关联特征向量的序列进行全时序关联编码以得到流量-压力时序关联特征,最后,基于所述流量-压力时序关联特征,确定是否生成机封水泵转速的控制指令。这样,可以提升砂磨工艺的稳定性和一致性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的砂磨机智能监测控制方法的流程图。
图2示出根据本公开的实施例的砂磨机智能监测控制方法的架构示意图。
图3示出根据本公开的实施例的砂磨机智能监测控制方法的子步骤S130的流程图。
图4示出根据本公开的实施例的砂磨机智能监测控制方法的子步骤S150的流程图。
图5示出根据本公开的实施例的砂磨机智能监测控制系统的框图。
图6示出根据本公开的实施例的砂磨机智能监测控制方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
针对上述技术问题,本公开的技术构思为在机封水装置调试过程中,实时获取机封水装置的机封水流量值和机封水压力值,并在后端引入数据处理和分析算法来对于机封水流量值和机封水压力值进行时序协同分析,以此来判断机封水装置是否调试完成,即机封水压力和流量是否满足预定要求,若不满足则生成机封水泵转速和分水阀开度的控制指令。这样,能够实现机封水装置的自动化调节和控制,减少人为因素的干扰,提高调试的准确性、效率和可追溯性,从而提升砂磨工艺的稳定性和一致性。
图1示出根据本公开的实施例的砂磨机智能监测控制方法的流程图。图2示出根据本公开的实施例的砂磨机智能监测控制方法的架构示意图。如图1和图2所示,根据本公开实施例的砂磨机智能监测控制方法,包括步骤:S110,获取机封水装置在预定时间段内多个预定时间点的机封水流量值和机封水压力值;S120,将所述多个预定时间点的机封水流量值和机封水压力值分别按照时间维度排列为机封水流量时序输入向量和机封水压力时序输入向量;S130,对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行局部逐位置响应关联分析以得到流量-压力局部时序关联特征向量的序列;S140,对所述流量-压力局部时序关联特征向量的序列进行全时序关联编码以得到流量-压力时序关联特征;以及,S150,基于所述流量-压力时序关联特征,确定是否生成机封水泵转速的控制指令。
具体地,在本公开的技术方案中,首先,获取机封水装置在预定时间段内多个预定时间点的机封水流量值和机封水压力值。接着,考虑到由于所述机封水流量值和所述机封水压力值在机封水装置的调试过程中的时间维度上都具有着时序的动态变化规律,为了能够对于调试过程进行更好地监测分析,以此来更准确地进行机封水装置的调试过程控制,在本公开的技术方案中,需要将所述多个预定时间点的机封水流量值和机封水压力值分别按照时间维度排列为机封水流量时序输入向量和机封水压力时序输入向量,以此来分别整合所述封水流量值和所述机封水压力值在时序上的分布信息。
继而,再对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行逐位置响应关联以得到流量-压力时序关联输入向量,以此来建立所述封水流量值和所述机封水压力值之间的逐时间响应关联关系,以便于后续对于这两者的时序协同特征分布信息进行有效地捕捉和刻画,提高对于机封水装置的过程控制精度。
然后,在对于所述封水流量值和所述机封水压力值之间的时序关联特征进行提取时,为了能够更好地捕捉到所述封水流量值和所述机封水压力值在时间维度上的时序协同关联特征信息,在本公开的技术方案中,进一步对所述流量-压力时序关联输入向量进行向量切分以得到流量-压力局部时序关联输入向量的序列。通过将所述流量-压力时序关联输入向量进行向量切分,可以将其分解成多个较短的局部时序输入向量,每个局部时序输入向量对应着机封水装置调试过程中的一个时间段,并且其包含了该时间段内的所述封水流量值和所述机封水压力值之间的时序关联分布信息。这样,有利于在特征捕捉时更加关注机封水装置调试过程中封水流量值和机封水压力值之间的局部时序关联变化和细节,有助于模型更好地理解机封水装置调试过程中有关于封水流量和所述机封水压力之间的关联动态变化,并捕捉两者之间的时序关联特征信息。
进一步地,为了能够提高对机封水装置调试过程中有关于所述封水流量值和所述机封水压力值的时序协同关联细节变化的捕捉能力,在本公开的技术方案中,进一步对所述流量-压力局部时序关联输入向量的序列中的各个流量-压力局部时序关联输入向量进行基于线性插值的上采样以得到上采样流量-压力局部时序关联输入向量的序列,以此来增加数据的密度和平滑度,从而更好地表示所述封水流量和所述机封水压力的时序关联特征。
接着,将所述上采样流量-压力局部时序关联输入向量的序列通过基于一维卷积层的时序特征提取器中进行特征挖掘,以分别提取出所述预定时间段内的各个局部时间段中有关于所述封水流量值和所述机封水压力值的局部时序关联特征分布信息,即所述封水流量值和所述机封水压力值在时间维度上的局部时序协同变化特征,从而得到流量-压力局部时序关联特征向量的序列。
进而,还考虑到由于所述封水流量值和所述机封水压力值之间不仅在各个局部时间段内具有着局部的时序关联关系,还在整个预定时间段内具有着整体的关联特征信息。也就是说,所述封水流量值和所述机封水压力值之间的局部时序协同关联特征信息在整个预定时间段内具有着基于时序整体的关联关系。因此,为了能够捕捉封水流量和所述机封水压力之间的全局时序关联特征,以更好地理解它们之间的动态变化和相互影响,在本公开的技术方案中,进一步将所述流量-压力局部时序关联特征向量的序列通过基于Bi-LSTM的时序上下文编码器中进行编码,以提取出所述各个局部时间段内有关于所述封水流量值和所述机封水压力值之间的局部时序协同变化特征基于时序全局的上下文关联特征信息,从而得到流量-压力时序上下文关联特征向量。
相应地,如图3所示,对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行局部逐位置响应关联分析以得到流量-压力局部时序关联特征向量的序列,包括:S131,对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行逐位置响应关联以得到流量-压力时序关联输入向量;S132,对所述流量-压力时序关联输入向量进行向量切分以得到流量-压力局部时序关联输入向量的序列;S133,对所述流量-压力局部时序关联输入向量的序列中的各个流量-压力局部时序关联输入向量进行基于线性插值的上采样以得到上采样流量-压力局部时序关联输入向量的序列;以及,S134,通过基于深度神经网络模型的时序特征提取器分别对所述上采样流量-压力局部时序关联输入向量的序列进行特征提取以得到所述流量-压力局部时序关联特征向量的序列。
更具体地,在步骤S134中,所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。值得一提的是,一维卷积层是深度学习中常用的一种神经网络层,用于处理一维序列数据,例如时间序列数据或文本数据。它是卷积神经网络(Convolutional Neural Network,CNN)的基本组成部分之一。一维卷积层通过应用一维卷积操作在输入数据上提取特征。卷积操作使用一个可学习的滤波器(也称为卷积核或内核),在输入序列上滑动并执行逐元素乘法和求和操作,从而生成输出序列。这个过程可以看作是对输入序列进行局部感知和特征提取。一维卷积层的滤波器通常具有固定的宽度和可学习的参数。通过训练过程,卷积层可以学习到不同滤波器对输入序列的不同特征进行响应。多个滤波器可以并行应用于输入序列,生成多个特征图(也称为通道),每个特征图对应一个滤波器。一维卷积层通常与其他神经网络层(如池化层和全连接层)结合使用,构建卷积神经网络模型。这些模型在许多任务中取得了很好的效果,如语音识别、情感分析、文本分类等。即,一维卷积层是一种用于处理一维序列数据的神经网络层,通过卷积操作提取输入序列的特征。
相应地,在步骤S140中,对所述流量-压力局部时序关联特征向量的序列进行全时序关联编码以得到流量-压力时序关联特征,包括:将所述流量-压力局部时序关联特征向量的序列通过基于Bi-LSTM的时序上下文编码器以得到流量-压力时序上下文关联特征向量作为所述流量-压力时序关联特征。值得一提的是,Bi-LSTM是双向长短期记忆网络(Bidirectional Long Short-Term Memory Network)的简称。它是一种循环神经网络(Recurrent Neural Network,RNN)的变体,用于处理序列数据。传统的循环神经网络在处理序列数据时,只考虑当前时刻之前的上下文信息。而Bi-LSTM引入了双向性,同时考虑了当前时刻之前和之后的上下文信息。这种双向性使得Bi-LSTM能够更好地捕捉序列中的长期依赖关系。Bi-LSTM由两个LSTM组成,一个按时间顺序处理输入序列,另一个按时间逆序处理输入序列。每个LSTM单元由一个遗忘门、输入门和输出门组成,通过这些门控制信息的流动和记忆的更新。正向LSTM按照时间顺序处理序列,而反向LSTM按照时间逆序处理序列。最后,正向和反向LSTM的输出被连接在一起形成最终的输出。通过使用Bi-LSTM,可以获得对序列数据在时间上前后关系的全面建模。基于Bi-LSTM的时序上下文编码器被用于对流量-压力局部时序关联特征向量的序列进行编码,以获得流量-压力时序上下文关联特征向量。这样可以更全面地捕捉流量-压力数据中的时序关联信息,为后续的任务提供更丰富的特征表示。
然后,再将所述流量-压力时序上下文关联特征向量通过分类器以得到分类结果,所述分类结果用于表示调试机封水流量是否满足预定要求。也就是说,利用所述封水流量值和所述机封水压力值的全局时序协同关联特征分布信息来进行分类处理,从而对于调试机封水流量和压力是否满足预定要求进行检测,以判断机封水装置是否调试完成。进而,基于所述分类结果,生成机封水泵转速和分水阀开度的控制指令,即响应于所述机封水压力和流量不满足预定要求,则进行封水泵转速和分水阀开度的自适应控制以完成封水装置调试。这样,能够实现机封水装置的自动化调节和控制,减少人为因素的干扰,提高调试的准确性、效率和可追溯性。
相应地,如图4所示,基于所述流量-压力时序关联特征,确定是否生成机封水泵转速的控制指令,包括:S151,将所述流量-压力时序上下文关联特征向量通过分类器以得到分类结果,所述分类结果用于表示调试机封水流量是否满足预定要求;以及,S152,基于所述分类结果,生成机封水泵转速的控制指令。
更具体地,在步骤S151中,将所述流量-压力时序上下文关联特征向量通过分类器以得到分类结果,所述分类结果用于表示调试机封水流量是否满足预定要求,包括:使用所述分类器的全连接层对所述流量-压力时序上下文关联特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括调试机封水流量满足预定要求(第一标签),以及,调试机封水流量不满足预定要求(第二标签),其中,所述分类器通过软最大值函数来确定所述流量-压力时序上下文关联特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“调试机封水流量是否满足预定要求”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,调试机封水流量是否满足预定要求的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“调试机封水流量是否满足预定要求”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,所述的砂磨机智能监测控制方法,其还包括训练步骤:用于对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM的时序上下文编码器和所述分类器进行训练。应可以理解,训练步骤在砂磨机智能监测控制方法中具有重要作用,通过训练步骤,可以对所使用的神经网络模型进行学习和参数调整,以使其能够更好地适应具体的任务和数据。训练步骤主要涉及对三个组件进行训练:基于一维卷积层的时序特征提取器、基于Bi-LSTM的时序上下文编码器和分类器。1.基于一维卷积层的时序特征提取器训练:一维卷积层用于从流量-压力数据中提取关键的时序特征,在训练步骤中,通过反向传播算法和优化技术(如梯度下降),对一维卷积层的参数进行调整,使其能够更好地捕捉数据中的特征,并提高特征提取的准确性和鲁棒性。2.基于Bi-LSTM的时序上下文编码器训练:Bi-LSTM用于对流量-压力局部时序关联特征向量的序列进行编码,以获取流量-压力时序上下文关联特征向量,在训练步骤中,通过反向传播和优化技术,对Bi-LSTM的参数进行调整,使其能够更好地捕捉序列数据中的时序关联信息,并提高时序编码的效果。3.分类器训练:分类器用于对流量-压力时序关联特征进行分类,以实现对砂磨机状态的监测和控制,在训练步骤中,通过反向传播和优化技术,对分类器的参数进行调整,使其能够更准确地对不同状态进行分类,并提高监测和控制的性能。通过训练步骤,可以使神经网络模型逐渐学习到数据中的模式和特征,提高其对砂磨机状态的理解和判断能力。训练步骤的目的是优化模型的参数,使其能够更好地适应具体的任务,并在实际应用中取得更好的性能和效果。
更具体地,所述训练步骤,包括:获取训练数据,所述训练数据包括机封水装置在预定时间段内多个预定时间点的训练机封水流量值和训练机封水压力值,以及,所述调试机封水流量是否满足预定要求的真实值;将所述多个预定时间点的训练机封水流量值和训练机封水压力值分别按照时间维度排列为训练机封水流量时序输入向量和训练机封水压力时序输入向量;对所述训练机封水流量时序输入向量和所述训练机封水压力时序输入向量进行逐位置响应关联以得到训练流量-压力时序关联输入向量;对所述训练流量-压力时序关联输入向量进行向量切分以得到训练流量-压力局部时序关联输入向量的序列;对所述训练流量-压力局部时序关联输入向量的序列中的各个训练流量-压力局部时序关联输入向量进行基于线性插值的上采样以得到训练上采样流量-压力局部时序关联输入向量的序列;将所述训练上采样流量-压力局部时序关联输入向量的序列通过所述基于一维卷积层的时序特征提取器以得到训练流量-压力局部时序关联特征向量的序列;将所述训练流量-压力局部时序关联特征向量的序列通过所述基于Bi-LSTM的时序上下文编码器以得到训练流量-压力时序上下文关联特征向量;对所述训练流量-压力时序上下文关联特征向量进行基于尺度表征和反演式恢复的特征精度对齐以得到优化后训练流量-压力时序上下文关联特征向量;将所述优化后训练流量-压力时序上下文关联特征向量通过所述分类器以得到分类损失函数值;以及,基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM的时序上下文编码器和所述分类器进行训练。
特别地,在本公开的技术方案中,在本申请的技术方案中,所述训练流量-压力局部时序关联特征向量的序列中的每个训练流量-压力局部时序关联特征向量表达局部时域空间内的流量-压力响应值的局部时序关联特征,而进一步通过基于Bi-LSTM的时序上下文编码器后,可以提取全局时域空间内的各个局部时域空间之间的近程-远程双向上下文关联特征,也就是,所述训练流量-压力时序上下文关联特征向量具有局部时域内-局部时域间多尺度时序关联表达。
但是,所述训练流量-压力时序上下文关联特征向量的这种局部时域内-局部时域间多尺度时序关联表达在通过分类器时,会由于不同尺度的局部时序关联特征的关联精度差异,影响所述训练流量-压力时序上下文关联特征向量通过分类器训练时的训练效果,由此,本申请的申请人在训练过程中,对所述训练流量-压力时序上下文关联特征向量,例如记为V进行基于尺度表征和反演式恢复的特征精度对齐。
相应地,在一个具体示例中,对所述训练流量-压力时序上下文关联特征向量进行基于尺度表征和反演式恢复的特征精度对齐以得到优化后训练流量-压力时序上下文关联特征向量,包括:以如下公式对所述训练流量-压力时序上下文关联特征向量进行基于尺度表征和反演式恢复的特征精度对齐以得到所述优化后训练流量-压力时序上下文关联特征向量;
其中,所述公式为:
其中,V是所述训练流量-压力时序上下文关联特征向量,vi是所述训练流量-压力时序上下文关联特征向量V的第i个位置的特征值,‖V‖0表示所述训练流量-压力时序上下文关联特征向量V的零范数,L是所述训练流量-压力时序上下文关联特征向量V的长度,且α是权重超参数,v'i所述优化后训练流量-压力时序上下文关联特征向量的第i个位置的特征值。
这里,针对基于尺度的对于时序关联特征参数的高维特征编码与多尺度局部关联时序特征编辑之间的精度矛盾,所述基于尺度表征和反演式恢复的特征精度对齐通过将时序关联特征编辑视为时序关联特征参数的高维特征编码的反演式嵌入生成,来通过对作为编码表示的特征值配备尺度表征的稀疏分布均衡,并基于向量计数来进行关联细节的反演式恢复,以实现精度差异在训练过程中的自适应对齐,提升所述训练流量-压力时序上下文关联特征向量通过分类器进行分类回归训练时的训练效果。这样,能够实现机封水装置的自动化调节和控制,减少人为因素的干扰,提高调试的准确性、效率和可追溯性,从而提升砂磨工艺的稳定性和一致性。
综上,基于本公开实施例的砂磨机智能监测控制方法,其可以实现机封水装置的自动化调节和控制,减少人为因素的干扰,提高调试的准确性、效率和可追溯性,从而提升砂磨工艺的稳定性和一致性。
图5示出根据本公开的实施例的砂磨机智能监测控制系统100的框图。如图5所示,根据本公开实施例的砂磨机智能监测控制系统100,包括:数据采集模块110,用于获取机封水装置在预定时间段内多个预定时间点的机封水流量值和机封水压力值;向量化模块120,用于将所述多个预定时间点的机封水流量值和机封水压力值分别按照时间维度排列为机封水流量时序输入向量和机封水压力时序输入向量;关联分析模块130,用于对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行局部逐位置响应关联分析以得到流量-压力局部时序关联特征向量的序列;全时序关联编码模块140,用于对所述流量-压力局部时序关联特征向量的序列进行全时序关联编码以得到流量-压力时序关联特征;以及,转速控制模块150,用于基于所述流量-压力时序关联特征,确定是否生成机封水泵转速的控制指令。
在一种可能的实现方式中,所述关联分析模块130,包括:逐位置响应关联单元,用于对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行逐位置响应关联以得到流量-压力时序关联输入向量;向量切分单元,用于对所述流量-压力时序关联输入向量进行向量切分以得到流量-压力局部时序关联输入向量的序列;上采样单元,用于对所述流量-压力局部时序关联输入向量的序列中的各个流量-压力局部时序关联输入向量进行基于线性插值的上采样以得到上采样流量-压力局部时序关联输入向量的序列;以及,特征提取单元,用于通过基于深度神经网络模型的时序特征提取器分别对所述上采样流量-压力局部时序关联输入向量的序列进行特征提取以得到所述流量-压力局部时序关联特征向量的序列。
这里,本领域技术人员可以理解,上述砂磨机智能监测控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的砂磨机智能监测控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的砂磨机智能监测控制系统100可以实现在各种无线终端中,例如具有砂磨机智能监测控制算法的服务器等。在一种可能的实现方式中,根据本公开实施例的砂磨机智能监测控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该砂磨机智能监测控制系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该砂磨机智能监测控制系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该砂磨机智能监测控制系统100与该无线终端也可以是分立的设备,并且该砂磨机智能监测控制系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图6示出根据本公开的实施例的砂磨机智能监测控制方法的应用场景图。如图6所示,在该应用场景中,首先,获取机封水装置在预定时间段内多个预定时间点的机封水流量值(例如,图6中所示意的D1)和机封水压力值(例如,图6中所示意的D2),然后,将所述多个预定时间点的机封水流量值和机封水压力值输入至部署有砂磨机智能监测控制算法的服务器中(例如,图6中所示意的S),其中,所述服务器能够使用所述砂磨机智能监测控制算法对所述多个预定时间点的机封水流量值和机封水压力值进行处理以得到用于表示调试机封水流量是否满足预定要求的分类结果。
进一步地,对磨砂机进行说明,砂磨机是一种在液体中对固体物料连续进行分散和超细研磨的机器,其适合于有色金属选矿厂(金、铜、铅、锌、钼、镍)和黑色金属选矿厂的二、三段再磨作业。开路磨矿产品中-200目(74微米)含量按需可达70%~100%,设备处理能力每小时可达20~100吨(取决于矿石种类和细度要求)。
砂磨机的结构由主电机、减速机、主轴,搅拌盘、分级盘和研磨筒体等组成,磨机的筒体可以沿轨道轴向平移,检修时操作方便,得以提高工作效率。砂磨机的工作部件由主轴和多个并排串联在轴上的搅拌盘及尾端的分级盘组成,其工作原理为搅拌盘在主轴的带动下高速旋转,经隔渣后的矿浆稳定输入到磨机内,搅拌盘带动筒体内部的磨矿介质和矿浆延轴向螺旋运动和自转运动,在高速旋转产生的离心力及搅拌盘的剧烈搅动作用下,矿物和磨矿介质按粒径从小到大自磨机轴往筒体内壁径向分布,实现大介质磨大颗粒矿物,小介质磨小颗粒矿物的选择性磨矿。此外,每两个搅拌盘之间是一个独立的磨矿区,在一定的给矿压力下,越往后矿浆颗粒越细,从而实现了内部分级、开路磨矿的新工艺。
砂磨机主轴速度由变频系统控制,转速能够无级调速,主轴的速度决定了磨矿的动能,也由此直接影响产品的细度;矿浆物料的流量由进料泵经变频器控制调节,流量决定了物料在研磨腔内的停留时间,由此直接影响产品的细度;此外,研磨介质的充填率越高,研磨效率越好;因此,针对多种不同的物料,调整主轴转速、研磨介质充填率以及单位时间给料量,可以获得不同的研磨效果以满足工艺要求。
基于内部分级和选择性磨矿原理制造的不欠磨不过磨的磨矿设备,砂磨机能够保证磁、重、浮、浸作业的最佳回收率。砂磨机使用2至6毫米磨矿介质,同使用40毫米磨矿介质的单台球磨机相比,在研磨选矿粗选精矿时,电费节省30%以上。
砂磨机具有如下优点:开路磨矿,工艺简单;选择性磨矿,粒度分布狭窄;研磨效率高,节能节球降耗;设备结构紧凑,操作维修简单。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种砂磨机智能监测控制方法,其特征在于,包括:
获取机封水装置在预定时间段内多个预定时间点的机封水流量值和机封水压力值;
将所述多个预定时间点的机封水流量值和机封水压力值分别按照时间维度排列为机封水流量时序输入向量和机封水压力时序输入向量;
对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行局部逐位置响应关联分析以得到流量-压力局部时序关联特征向量的序列;
对所述流量-压力局部时序关联特征向量的序列进行全时序关联编码以得到流量-压力时序关联特征;以及
基于所述流量-压力时序关联特征,确定是否生成机封水泵转速的控制指令;
其中,对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行局部逐位置响应关联分析以得到流量-压力局部时序关联特征向量的序列,包括:
对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行逐位置响应关联以得到流量-压力时序关联输入向量;
对所述流量-压力时序关联输入向量进行向量切分以得到流量-压力局部时序关联输入向量的序列;
对所述流量-压力局部时序关联输入向量的序列中的各个流量-压力局部时序关联输入向量进行基于线性插值的上采样以得到上采样流量-压力局部时序关联输入向量的序列;以及
通过基于深度神经网络模型的时序特征提取器分别对所述上采样流量-压力局部时序关联输入向量的序列进行特征提取以得到所述流量-压力局部时序关联特征向量的序列;
其中,对所述流量-压力局部时序关联特征向量的序列进行全时序关联编码以得到流量-压力时序关联特征,包括:
将所述流量-压力局部时序关联特征向量的序列通过基于Bi-LSTM的时序上下文编码器以得到流量-压力时序上下文关联特征向量作为所述流量-压力时序关联特征。
2.根据权利要求1所述的砂磨机智能监测控制方法,其特征在于,所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
3.根据权利要求2所述的砂磨机智能监测控制方法,其特征在于,基于所述流量-压力时序关联特征,确定是否生成机封水泵转速的控制指令,包括:
将所述流量-压力时序上下文关联特征向量通过分类器以得到分类结果,所述分类结果用于表示调试机封水流量是否满足预定要求;以及
基于所述分类结果,生成机封水泵转速的控制指令。
4.根据权利要求3所述的砂磨机智能监测控制方法,其特征在于,还包括训练步骤:用于对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM的时序上下文编码器和所述分类器进行训练。
5.根据权利要求4所述的砂磨机智能监测控制方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括机封水装置在预定时间段内多个预定时间点的训练机封水流量值和训练机封水压力值,以及,所述调试机封水流量是否满足预定要求的真实值;
将所述多个预定时间点的训练机封水流量值和训练机封水压力值分别按照时间维度排列为训练机封水流量时序输入向量和训练机封水压力时序输入向量;
对所述训练机封水流量时序输入向量和所述训练机封水压力时序输入向量进行逐位置响应关联以得到训练流量-压力时序关联输入向量;
对所述训练流量-压力时序关联输入向量进行向量切分以得到训练流量-压力局部时序关联输入向量的序列;
对所述训练流量-压力局部时序关联输入向量的序列中的各个训练流量-压力局部时序关联输入向量进行基于线性插值的上采样以得到训练上采样流量-压力局部时序关联输入向量的序列;
将所述训练上采样流量-压力局部时序关联输入向量的序列通过所述基于一维卷积层的时序特征提取器以得到训练流量-压力局部时序关联特征向量的序列;
将所述训练流量-压力局部时序关联特征向量的序列通过所述基于Bi-LSTM的时序上下文编码器以得到训练流量-压力时序上下文关联特征向量;
对所述训练流量-压力时序上下文关联特征向量进行基于尺度表征和反演式恢复的特征精度对齐以得到优化后训练流量-压力时序上下文关联特征向量;
将所述优化后训练流量-压力时序上下文关联特征向量通过所述分类器以得到分类损失函数值;以及
基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM的时序上下文编码器和所述分类器进行训练。
6.根据权利要求5所述的砂磨机智能监测控制方法,其特征在于,对所述训练流量-压力时序上下文关联特征向量进行基于尺度表征和反演式恢复的特征精度对齐以得到优化后训练流量-压力时序上下文关联特征向量,包括:以如下公式对所述训练流量-压力时序上下文关联特征向量进行基于尺度表征和反演式恢复的特征精度对齐以得到所述优化后训练流量-压力时序上下文关联特征向量;
其中,所述公式为:
其中,V是所述训练流量-压力时序上下文关联特征向量,vi是所述训练流量-压力时序上下文关联特征向量V的第i个位置的特征值,||V||0表示所述训练流量-压力时序上下文关联特征向量V的零范数,L是所述训练流量-压力时序上下文关联特征向量V的长度,且α是权重超参数,v'i所述优化后训练流量-压力时序上下文关联特征向量的第i个位置的特征值。
7.一种砂磨机智能监测控制系统,其特征在于,包括:
数据采集模块,用于获取机封水装置在预定时间段内多个预定时间点的机封水流量值和机封水压力值;
向量化模块,用于将所述多个预定时间点的机封水流量值和机封水压力值分别按照时间维度排列为机封水流量时序输入向量和机封水压力时序输入向量;
关联分析模块,用于对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行局部逐位置响应关联分析以得到流量-压力局部时序关联特征向量的序列;
全时序关联编码模块,用于对所述流量-压力局部时序关联特征向量的序列进行全时序关联编码以得到流量-压力时序关联特征;以及
转速控制模块,用于基于所述流量-压力时序关联特征,确定是否生成机封水泵转速的控制指令;
其中,所述关联分析模块,包括:
逐位置响应关联单元,用于对所述机封水流量时序输入向量和所述机封水压力时序输入向量进行逐位置响应关联以得到流量-压力时序关联输入向量;
向量切分单元,用于对所述流量-压力时序关联输入向量进行向量切分以得到流量-压力局部时序关联输入向量的序列;
上采样单元,用于对所述流量-压力局部时序关联输入向量的序列中的各个流量-压力局部时序关联输入向量进行基于线性插值的上采样以得到上采样流量-压力局部时序关联输入向量的序列;以及
特征提取单元,用于通过基于深度神经网络模型的时序特征提取器分别对所述上采样流量-压力局部时序关联输入向量的序列进行特征提取以得到所述流量-压力局部时序关联特征向量的序列;
其中,所述全时序关联编码模块,包括:
将所述流量-压力局部时序关联特征向量的序列通过基于Bi-LSTM的时序上下文编码器以得到流量-压力时序上下文关联特征向量作为所述流量-压力时序关联特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311309428.XA CN117244678B (zh) | 2023-10-11 | 2023-10-11 | 砂磨机智能监测控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311309428.XA CN117244678B (zh) | 2023-10-11 | 2023-10-11 | 砂磨机智能监测控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117244678A CN117244678A (zh) | 2023-12-19 |
CN117244678B true CN117244678B (zh) | 2024-03-12 |
Family
ID=89136743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311309428.XA Active CN117244678B (zh) | 2023-10-11 | 2023-10-11 | 砂磨机智能监测控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117244678B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892073B (zh) * | 2024-03-14 | 2024-05-24 | 四川星海数创科技有限公司 | 灌区用水计量系统及用水计量方法 |
CN117943213B (zh) * | 2024-03-27 | 2024-06-04 | 浙江艾领创矿业科技有限公司 | 微泡浮选机的实时监测预警系统及方法 |
CN118065803B (zh) * | 2024-04-19 | 2024-06-21 | 盐城市骊麟石油机械有限公司 | 一种用于采油树井口的密封装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0109157A2 (en) * | 1982-10-15 | 1984-05-23 | Morehouse Industries, Inc. | Automated sandmill control system |
WO2020092816A1 (en) * | 2018-11-01 | 2020-05-07 | Cvd Equipment Corporation | Fluid reactors |
WO2020224713A1 (de) * | 2019-05-09 | 2020-11-12 | Dürr Systems Ag | Verfahren zur kontrolle von werkstücken, kontrollanlage und behandlungsanlage |
CN113365781A (zh) * | 2019-01-10 | 2021-09-07 | 柯尼卡美能达株式会社 | 研磨剂的再生方法以及研磨剂回收处理系统 |
CN114522793A (zh) * | 2021-12-31 | 2022-05-24 | 浙江艾领创矿业科技有限公司 | 选矿细磨控制方法及其选矿细磨控制系统 |
CN115591634A (zh) * | 2022-10-12 | 2023-01-13 | 深圳市尚水智能设备有限公司(Cn) | 一种介质研磨机 |
-
2023
- 2023-10-11 CN CN202311309428.XA patent/CN117244678B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0109157A2 (en) * | 1982-10-15 | 1984-05-23 | Morehouse Industries, Inc. | Automated sandmill control system |
WO2020092816A1 (en) * | 2018-11-01 | 2020-05-07 | Cvd Equipment Corporation | Fluid reactors |
CN113365781A (zh) * | 2019-01-10 | 2021-09-07 | 柯尼卡美能达株式会社 | 研磨剂的再生方法以及研磨剂回收处理系统 |
WO2020224713A1 (de) * | 2019-05-09 | 2020-11-12 | Dürr Systems Ag | Verfahren zur kontrolle von werkstücken, kontrollanlage und behandlungsanlage |
CN114522793A (zh) * | 2021-12-31 | 2022-05-24 | 浙江艾领创矿业科技有限公司 | 选矿细磨控制方法及其选矿细磨控制系统 |
CN115591634A (zh) * | 2022-10-12 | 2023-01-13 | 深圳市尚水智能设备有限公司(Cn) | 一种介质研磨机 |
Also Published As
Publication number | Publication date |
---|---|
CN117244678A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117244678B (zh) | 砂磨机智能监测控制系统及方法 | |
Zarie et al. | Flotation froth image classification using convolutional neural networks | |
CN109514349B (zh) | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 | |
CN107877262B (zh) | 一种基于深度学习的数控机床刀具磨损监测方法 | |
CN111633467B (zh) | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 | |
Tang et al. | Mechanism characteristic analysis and soft measuring method review for ball mill load based on mechanical vibration and acoustic signals in the grinding process | |
Perez et al. | Rock lithological classification using multi-scale Gabor features from sub-images, and voting with rock contour information | |
CN103412489B (zh) | 一种磨矿粒度在线预报系统及方法 | |
Zhang et al. | Controllable-domain-based fuzzy rule extraction for copper removal process control | |
CN108629091A (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 | |
Olivier et al. | Deep convolutional neural network for mill feed size characterization | |
Liu et al. | Machine vision based production condition classification and recognition for mineral flotation process monitoring | |
Wang et al. | An unsupervised method for extracting semantic features of flotation froth images | |
Keshun et al. | Research on intelligent implementation of the beneficiation process of shaking table | |
Olivier et al. | Estimating ore particle size distribution using a deep convolutional neural network | |
CN117334020A (zh) | 智能砂磨机的设备运行故障预测系统及方法 | |
CN112946072A (zh) | 基于机器学习的砂带磨损状态监测方法 | |
CN117072740A (zh) | 气动调节阀的自动控制系统及其方法 | |
CN117065876B (zh) | 智能砂磨机的控制方法及控制系统 | |
CN115740089A (zh) | 一种实时监测模具磨损状态的装置及方法 | |
Olivier et al. | Underflow particle size estimation of hydrocyclones by use of transfer learning with convolutional neural networks | |
CN117258931A (zh) | 砂磨机的自动控制系统及方法 | |
Liu et al. | Operating condition recognition of industrial flotation processes using visual and acoustic bimodal autoencoder with manifold learning | |
Huang et al. | Edge computing accelerated defect classification based on deep convolutional neural network with application in rolling image inspection | |
CN117943213B (zh) | 微泡浮选机的实时监测预警系统及方法 |
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 |