CN117284817B - 用于带式输送机的除尘方法及系统 - Google Patents
用于带式输送机的除尘方法及系统 Download PDFInfo
- Publication number
- CN117284817B CN117284817B CN202311581665.1A CN202311581665A CN117284817B CN 117284817 B CN117284817 B CN 117284817B CN 202311581665 A CN202311581665 A CN 202311581665A CN 117284817 B CN117284817 B CN 117284817B
- Authority
- CN
- China
- Prior art keywords
- dust
- spray
- control parameters
- spray control
- control parameter
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 441
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000007921 spray Substances 0.000 claims abstract description 363
- 239000000463 material Substances 0.000 claims abstract description 112
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 17
- 239000000523 sample Substances 0.000 claims description 52
- 238000005507 spraying Methods 0.000 claims description 45
- 238000011156 evaluation Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 238000005265 energy consumption Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005453 pelletization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G69/00—Auxiliary measures taken, or devices used, in connection with loading or unloading
- B65G69/18—Preventing escape of dust
- B65G69/185—Preventing escape of dust by means of non-sealed systems
- B65G69/188—Preventing escape of dust by means of non-sealed systems with spraying means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D47/00—Separating dispersed particles from gases, air or vapours by liquid as separating agent
- B01D47/06—Spray cleaning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G15/00—Conveyors having endless load-conveying surfaces, i.e. belts and like continuous members, to which tractive effort is transmitted by means other than endless driving elements of similar configuration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2247/00—Details relating to the separation of dispersed particles from gases, air or vapours by liquid as separating agent
- B01D2247/08—Means for controlling the separation process
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/04—Detection means
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种用于带式输送机的除尘方法及系统，涉及带式输送机技术领域，方法包括：对输送物料、输送环境进行信息采集，得到物料数据和环境数据；基于物料数据、环境数据、输送速度进行物料输送过程中的粉尘预测；对预测粉尘浓度进行偏差计算，得到预测粉尘浓度偏差；以满足预测粉尘浓度偏差为约束条件，对喷雾降尘装置的控制参数进行寻优，获得最优喷雾控制参数；根据最优喷雾控制参数对输送物料进行除尘。能够解决现有的带式输送机除尘方法存在除尘控制参数设置不准确导致物料除尘质量和除尘稳定性较差的技术问题，可以提高除尘控制参数设置的准确性，从而可以提高物料除尘质量和除尘稳定性，同时可以节约除尘资源消耗。
Description
技术领域
本公开涉及带式输送机技术领域，并且更具体地，涉及一种用于带式输送机的除尘方法及系统。
背景技术
带式输送机在输送物体过程中，如何治理产生的粉尘一直都是一个非常重要的问题，湿式除尘装置是带式输送机常见的除尘装置之一，现有的湿式除尘装置通常是根据带式输送机传送带的输送速度来调节喷雾控制参数，并没有考虑到物料和周围环境的实际情况，导致喷雾控制参数与实际除尘所需匹配度较低，造成物料除尘质量和除尘稳定性较差，同时也造成了不必要的资源浪费。
现有的带式输送机除尘方法存在的不足之处在于：由于除尘控制参数设置不准确导致物料除尘质量和除尘稳定性较差。
发明内容
因此，为了解决上述技术问题，本公开的实施例采用的技术方案如下：
用于带式输送机的除尘方法，所述方法应用于一种用于带式输送机的除尘系统，所述系统包括信息采集单元、粉尘预测单元、除尘优化控制单元，且所述除尘优化控制单元与一喷雾降尘装置通信连接，包括以下步骤：通过信息采集单元对目标带式输送机的输送物料、输送环境进行信息采集，得到物料数据和环境数据，其中所述物料数据包括物料类型、物料粒径，所述环境数据包括环境温度、环境湿度、风速、风向；在粉尘预测单元内，基于所述物料数据、所述环境数据、目标输送速度进行物料输送过程中的粉尘预测，生成预测粉尘浓度；根据预设合格粉尘浓度对所述预测粉尘浓度进行偏差计算，得到预测粉尘浓度偏差；当所述预测粉尘浓度偏差大于0时，在除尘优化控制单元内，以满足所述预测粉尘浓度偏差为约束条件，对所述喷雾降尘装置的控制参数进行寻优，获得最优喷雾控制参数，所述最优喷雾控制参数为能源消耗与水源消耗综合最低的喷雾控制参数；基于所述目标输送速度计算获得所述喷雾降尘装置的启动时间节点；在所述启动时间节点下激活所述喷雾降尘装置，并根据所述最优喷雾控制参数控制所述喷雾降尘装置对所述输送物料进行除尘。
用于带式输送机的除尘系统，所述系统包括信息采集单元、粉尘预测单元、除尘优化控制单元，且所述除尘优化控制单元与一喷雾降尘装置通信连接，包括：输送信息采集模块，所述输送信息采集模块用于通过信息采集单元对目标带式输送机的输送物料、输送环境进行信息采集，得到物料数据和环境数据，其中所述物料数据包括物料类型、物料粒径，所述环境数据包括环境温度、环境湿度、风速、风向；预测粉尘浓度生成模块，所述预测粉尘浓度生成模块用于在粉尘预测单元内，基于所述物料数据、所述环境数据、目标输送速度进行物料输送过程中的粉尘预测，生成预测粉尘浓度；预测粉尘浓度偏差得到模块，所述预测粉尘浓度偏差得到模块用于根据预设合格粉尘浓度对所述预测粉尘浓度进行偏差计算，得到预测粉尘浓度偏差；最优喷雾控制参数获得模块，所述最优喷雾控制参数获得模块用于当所述预测粉尘浓度偏差大于0时，在除尘优化控制单元内，以满足所述预测粉尘浓度偏差为约束条件，对所述喷雾降尘装置的控制参数进行寻优，获得最优喷雾控制参数，所述最优喷雾控制参数为能源消耗与水源消耗综合最低的喷雾控制参数；启动时间节点计算模块，所述启动时间节点计算模块用于基于所述目标输送速度计算获得所述喷雾降尘装置的启动时间节点；输送物料除尘模块，所述输送物料除尘模块用于在所述启动时间节点下激活所述喷雾降尘装置，并根据所述最优喷雾控制参数控制所述喷雾降尘装置对所述输送物料进行除尘。
由于采用了上述技术方法，本公开相对于现有技术来说，取得的技术进步有如下几点：
可以解决现有的带式输送机除尘方法存在除尘控制参数设置不准确导致物料除尘质量和除尘稳定性较差的技术问题。首先，获取目标带式输送机的物料数据和环境数据，其中所述物料数据包括物料类型、物料粒径，所述环境数据包括环境温度、环境湿度、风速、风向；然后基于所述物料数据、所述环境数据、目标输送速度进行物料输送过程中的粉尘预测，生成预测粉尘浓度；将所述预测粉尘浓度减去预设合格粉尘浓度，将两者之差作为预测粉尘浓度偏差；当所述预测粉尘浓度偏差大于0时，以满足所述预测粉尘浓度偏差为约束条件，对所述喷雾降尘装置的控制参数进行寻优，获得最优喷雾控制参数，其中所述最优喷雾控制参数为能源消耗与水源消耗综合最低的喷雾控制参数；进一步根据目标输送速度和喷雾降尘装置的位置坐标计算获得启动时间节点；最后在所述启动时间节点下激活所述喷雾降尘装置，并根据所述最优喷雾控制参数控制所述喷雾降尘装置对所述输送物料进行除尘。通过上述方法可以提高除尘控制参数设置的准确性，从而可以提高物料除尘质量和除尘稳定性，同时可以节约除尘资源消耗。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的描述中所需要使用的附图作简单的介绍。
图1为本申请提供了一种用于带式输送机的除尘方法的流程示意图；
图2为本申请提供了一种用于带式输送机的除尘方法中生成预测粉尘浓度的流程示意图；
图3为本申请提供了一种用于带式输送机的除尘系统的结构示意图。
附图标记说明：输送信息采集模块01、预测粉尘浓度生成模块02、预测粉尘浓度偏差得到模块03、最优喷雾控制参数获得模块04、启动时间节点计算模块05、输送物料除尘模块06。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
基于上述描述，如图1所示，本公开提供了一种用于带式输送机的除尘方法，所述方法应用于一种用于带式输送机的除尘系统，所述系统包括信息采集单元、粉尘预测单元、除尘优化控制单元，且所述除尘优化控制单元与一喷雾降尘装置通信连接，包括：
带式输送机既可以输送各种粒径的散料，也可以输送各种形状的物体，对于运行环境和输送物品的要求较低，且运行稳定性较高，因此应用范围十分广泛。
本申请提供的方法用于对带式输送机的除尘装置进行精准控制，来达到提高物料除尘质量和除尘稳定性的技术效果，所述方法具体实施于一种用于带式输送机的除尘系统，且所述系统包括信息采集单元、粉尘预测单元、除尘优化控制单元，其中所述信息采集单元用于对带式输送机的输送物料信息、运行环境信息等进行采集；所述粉尘预测单元用于对信息采集结果进行输送过程中的粉尘浓度预测；所述除尘优化控制单元用于对除尘装置的除尘控制参数进行优化，其中所述除尘装置本申请中是指喷雾降尘装置，其中喷雾降尘是一种通过高压喷射形成雾滴，并将雾滴与悬浮在空气中的细小粉尘进行融合，从而吸附空气中的粉尘颗粒，来达到降尘的目的；所述除尘优化控制单元通过信号传输的方式与所述喷雾降尘装置进行数据交互。
通过信息采集单元对目标带式输送机的输送物料、输送环境进行信息采集，得到物料数据和环境数据，其中所述物料数据包括物料类型、物料粒径，所述环境数据包括环境温度、环境湿度、风速、风向；
在本申请实施例中，首先，通过信息采集单元对目标带式输送机的输送物料、输送环境进行信息采集，其中所述信息采集单元中包括多种类型的传感器，例如：温度传感器、图像传感器、湿度传感器等，本领域技术人员可根据实际需要采集的数据类型进行设置；
其中目标带式输送机是指待进行除尘控制优化的带式输送机，且目标带式输送机上装载有喷雾降尘装置；其中输送物料是指带式输送机运输的实际物体，例如：煤炭、粮食、水泥等不同类型不同粒径的散料；得到物料数据和环境数据，其中所述物料数据包括物料类型、物料粒径，物料类型包括煤炭、粮食等，物料粒径是指物料的平均粒径，可通过采样计算获得；所述环境数据包括环境温度、环境湿度、风速、风向，其中环境数据会对粉尘产生量造成影响，例如：湿度越小，粉尘产生量越大；风速越大，粉尘产生量越大。
通过获得目标带式输送机的输送物料数据和所处环境数据，为下一步进行粉尘浓度预测提供了数据支持，同时可以提高粉尘浓度预测的准确性。
在粉尘预测单元内，基于所述物料数据、所述环境数据、目标输送速度进行物料输送过程中的粉尘预测，生成预测粉尘浓度；
在本申请实施例中，其中粉尘预测单元内嵌有基于BP神经网络构建的粉尘预测通道，在所述粉尘预测单元内，通过所述粉尘预测通道对所述物料数据、所述环境数据、目标输送速度进行物料输送过程中的粉尘浓度预测，其中所述目标输送速度为物料在带式输送机传输带上的输送速度，得到预测粉尘浓度。
如图2所示，在一个实施例中，所述方法还包括：
基于BP神经网络构建粉尘预测通道，其中所述粉尘预测通道包括第一粉尘预测通道和第二粉尘预测通道；
在本申请实施例中，基于BP神经网络构建第一粉尘预测通道和第二粉尘预测通道，其中所述第一粉尘预测通道和所述第二粉尘预测通道为机器学习中可以进行迭代优化的神经网络模型，通过训练数据集进行监督学习获得。通过样本训练数据对所述第一粉尘预测通道和所述第二粉尘预测通道进行监督学习，并根据训练完成的第一粉尘预测通道和第二粉尘预测通道组建粉尘预测通道。
在一个实施例中，所述方法还包括：
所述第一粉尘预测通道的输出层与所述第二粉尘预测通道的输入层相连接；
基于工业大数据，以带式输送机除尘为索引条件进行信息检索，获取同源带式输送机的历史除尘数据；
通过对所述历史除尘数据进行信息提取获得多个样本物料数据、多个样本输送速度和多个样本粉尘浓度，以及多个样本第一粉尘浓度、多个样本环境数据和多个样本粉尘浓度；
以所述多个样本物料数据、所述多个样本输送速度和所述多个样本粉尘浓度作为训练数据对所述第一粉尘预测通道进行监督训练，得到符合预期指标的第一粉尘预测通道；
以所述多个样本第一粉尘浓度、所述多个样本环境数据和所述多个样本粉尘浓度作为训练数据对所述第二粉尘预测通道进行监督训练，得到第二粉尘预测通道。
在本申请实施例中，其中所述第一粉尘预测通道包括输入层、预测分析层、输出层，所述第一粉尘预测通道的输入层的输入数据为物料数据和物料的输送速度，输出层的输出数据为第一预测粉尘浓度；所述第二粉尘预测通道包括输入层、预测分析层、输出层，所述第二粉尘预测通道的输入层的输入数据为第一预测粉尘浓度和环境数据，输出层的输出数据为预测粉尘浓度；且所述第一粉尘预测通道的输出层与所述第二粉尘预测通道的输入层相连接，即将所述第一粉尘预测通道的输出结果作为所述第二粉尘预测通道的输入数据。
工业大数据技术是一种挖掘海量工业数据中有价值信息的方法，通过工业大数据技术可以提高信息检索的准确性和全面性。基于工业大数据技术，将带式输送机除尘作为搜索条件进行信息检索，获取同源带式输送机的历史除尘数据，其中同源带式输送机是指与所述目标带式输送机相同类型、相同型号的设备，且同源带式输送机与所述目标带式输送机装载的喷雾降尘装置的类型、型号也相同。
然后对所述历史除尘数据进行信息提取，得到多个样本物料数据、多个样本输送速度和多个样本粉尘浓度，其中所述样本物料数据、所述样本输送速度和所述样本粉尘浓度具有对应关系；得到多个样本第一粉尘浓度、多个样本环境数据和多个样本粉尘浓度，其中所述样本第一粉尘浓度、所述样本环境数据和所述样本粉尘浓度具有对应关系。
将所述多个样本物料数据、所述多个样本输送速度和所述多个样本粉尘浓度作为第一训练数据集，并按照预设数据划分规则将所述第一训练数据集划分为第一训练集和第一验证集，其中预设数据划分规则本领域技术人员可根据实际训练数据量进行设置，通常设置第一训练集占比为90%，第一验证集占比为10%。然后根据所述第一训练集和所述第一验证集对所述第一粉尘预测通道进行监督训练和验证训练。
首先，在所述第一训练集中随机选组一组训练数据作为第一组训练数据，其中所述第一组训练数据包括第一样本物料数据、第一样本输送速度和第一样本粉尘浓度；通过所述第一组训练数据对所述第一粉尘预测通道进行监督训练，获得第一预测粉尘浓度；然后将所述第一预测粉尘浓度和所述第一样本粉尘浓度进行比对，当两者一致时，进行下一组训练数据的监督训练；当两者不一致时，根据两者之间的粉尘浓度偏差对所述第一粉尘预测通道的权重参数进行校正，然后继续进行下一组训练数据的监督训练。不断进行迭代监督训练，直到所述第一粉尘预测通道的输出结果趋于稳定时，然后通过所述第一验证集对所述第一粉尘预测通道进行验证训练，当所述第一粉尘预测通道的输出结果准确率大于或等于预期指标时，获得训练完成的第一粉尘预测通道，其中所述预期指标可根据实际需求进行设置，其中需求精度越高，则预期指标越高，通常可设置预期指标为输出结果准确率96%。
将所述多个样本第一粉尘浓度、所述多个样本环境数据和所述多个样本粉尘浓度作为第二训练数据对所述第二粉尘预测通道进行监督训练，其中所述第二粉尘预测通道的训练方法与所述第一粉尘预测通道的训练方法相同，在此不进行展开说明。
将所述物料数据和所述目标输送速度输入所述第一粉尘预测通道进行粉尘浓度预测，得到第一预测粉尘浓度；
将所述第一预测粉尘浓度和所述环境数据输入所述第二粉尘预测通道进行粉尘浓度预测，获得所述预测粉尘浓度。
在本申请实施例中，将所述物料数据和所述目标输送速度输入所述第一粉尘预测通道进行粉尘浓度预测，输出第一预测粉尘浓度；然后将所述第一预测粉尘浓度和所述环境数据输入所述第二粉尘预测通道进行粉尘浓度预测，得到预测粉尘浓度。通过基于BP神经网络构建第一粉尘预测通道和第二粉尘预测通道，并结合物料数据、环境数据、输送速度进行物料输送过程中粉尘浓度的综合预测，可以提高预测粉尘浓度获得的准确性和合理性，从而可以提高除尘控制的准确性。
根据预设合格粉尘浓度对所述预测粉尘浓度进行偏差计算，得到预测粉尘浓度偏差；
在本申请实施例中，获取预设合格粉尘浓度，其中所述预设合格粉尘浓度本领域技术人员可基于实际空气质量需求进行设置，其中需求质量越高，则预设合格粉尘浓度越低。然后将所述预测粉尘浓度减去所述预设合格粉尘浓度，并将两者之差作为预测粉尘浓度偏差，获得预测粉尘浓度偏差。通过获得预测粉尘浓度偏差，为下一步进行除尘分析提供了数据支持。
当所述预测粉尘浓度偏差大于0时，在除尘优化控制单元内，以满足所述预测粉尘浓度偏差为约束条件，对所述喷雾降尘装置的控制参数进行寻优，获得最优喷雾控制参数，所述最优喷雾控制参数为能源消耗与水源消耗综合最低的喷雾控制参数；
在本申请实施例中，当所述预测粉尘浓度偏差小于等于0时，表征物料输送过程中产生的预测粉尘浓度在空气质量合格范围之内，则不需要进行除尘处理；当所述预测粉尘浓度偏差大于0时，表征物料输送过程中产生的预测粉尘浓度超出空气质量合格范围，需要进行除尘处理，则在除尘优化控制单元内，将满足所述预测粉尘浓度偏差为约束条件，即除尘效果大于等于预测粉尘浓度偏差，以所述喷雾降尘装置除尘工作时的能源和水源综合消耗最低为寻优目的，
对所述喷雾降尘装置的控制参数进行寻优，并将能源消耗与水源消耗综合最低的喷雾控制参数作为最优喷雾控制参数。
在一个实施例中，所述方法还包括：
获取所述喷雾降尘装置的喷雾控制参数，其中所述喷雾控制参数包括喷雾压力、单位流量和喷雾角度；
采集获得所述喷雾降尘装置的喷雾压力调整阈值、单位流量调整阈值和喷雾角度调整阈值，并根据所述喷雾压力调整阈值、所述单位流量调整阈值和所述喷雾角度调整阈值构建控制参数空间；
在所述控制参数空间内，以满足所述预测粉尘浓度偏差为约束条件，对喷雾控制参数进行寻优，得到所述最优喷雾控制参数。
在本申请实施例中，首先，获取所述喷雾降尘装置的喷雾控制参数，其中所述喷雾控制参数包括喷雾压力、单位流量和喷雾角度；其中喷雾压力越大，除尘效果越好，但同时能耗也越高；单位流量越大，除尘效果越好，但同时能耗和水源消耗也越多；其中喷雾角度会影响水雾的均匀度，其中喷雾角度越大，水雾均匀度越低，除尘效果越差。
采集获得所述喷雾降尘装置的喷雾压力调整阈值、单位流量调整阈值和喷雾角度调整阈值，其中调整阈值是指所述喷雾降尘装置的控制参数可调范围，本领域技术人员可根据设备的基本参数进行设置，根据所述喷雾压力调整阈值、所述单位流量调整阈值和所述喷雾角度调整阈值组建控制参数空间。然后在所述控制参数空间内，将满足所述预测粉尘浓度偏差作为约束条件，以能源和水源综合消耗最低做为寻优目的，对喷雾控制参数进行寻优，获得最优喷雾控制参数。
在一个实施例中，所述方法还包括：
在所述控制参数空间内，随机选择生成多个初始喷雾控制参数；
将所述多个初始喷雾控制参数输入除尘预测器进行除尘性能效果预测，并将除尘效果预测结果中满足所述预测粉尘浓度偏差的初始喷雾控制参数进行提取，获得多个喷雾控制参数；
在本申请实施例中，首先，在所述控制参数空间的喷雾压力调整阈值中随机选择一喷雾压力作为第一喷雾压力，在单位流量调整阈值中随机选择一单位流量作为第一单位流量，在喷雾角度调整阈值中随机选择一喷雾角度作为第一喷雾角度，并根据第一喷雾压力、第一单位流量、第一喷雾角度组建第一初始喷雾控制参数，基于获得第一初始喷雾控制参数相同的方法随机生成多个初始喷雾控制参数。
基于BP神经网络构建除尘预测器，所述除尘预测器的输入数据为喷雾控制参数，输出数据抑制粉尘浓度即除尘效果。基于工业大数据技术进行信息检索，得到多个样本喷雾控制参数和多个样本抑制粉尘浓度，并将所述多个样本喷雾控制参数和多个样本抑制粉尘浓度作为训练数据对所述除尘预测器进行监督训练，其训练方法与所述第一粉尘预测通道的训练方法相同，得到训练完成的除尘预测器。
将所述多个初始喷雾控制参数输入训练完成的除尘预测器进行除尘性能效果预测，得到多个抑制粉尘浓度，并将所述多个抑制粉尘浓度中大于等于所述预测粉尘浓度偏差的初始喷雾控制参数进行提取，得到多个喷雾控制参数。通过根据预测粉尘浓度偏差对初始喷雾控制参数进行筛选，可以保证筛选获得的喷雾控制参数满足除尘质量要求。
根据寻优性能评估函数对所述多个喷雾控制参数进行寻优性能评估，得到多个寻优性能指数；
在本申请实施例中，构建寻优性能评估函数，然后根据所述寻优性能评估函数对所述多个喷雾控制参数进行寻优性能评估，得到多个寻优性能指数。
在一个实施例中，所述方法还包括：
在可视化仿真平台内，对所述喷雾降尘装置进行仿真建模，构建喷雾降尘孪生模型；
基于所述多个喷雾控制参数在所述喷雾降尘孪生模型中进行模拟运行，得到多个资源消耗数据，其中所述资源消耗数据包括单位时间能源消耗量和单位时间水源消耗量；
构建寻优性能评估函数：
；
其中，为第i喷雾控制参数的寻优性能指数，/>为能源消耗的权重系数，/>为水源消耗的权重系数，/>为第i喷雾控制参数的单位时间能源消耗量，/>为第i喷雾控制参数的单位时间水源消耗量；
根据所述寻优性能评估函数对所述多个资源消耗数据进行寻优性能评估，得到多个寻优性能指数。
在本申请实施例中，首先，获取所述喷雾降尘装置的基本信息和运行参数，并基于数字孪生技术，根据所述基本信息和所述运行参数在可视化仿真平台内对所述喷雾降尘装置进行仿真建模，生成喷雾降尘孪生模型。其中可视化仿真平台是一种用于创建、运行和分析仿真模型的工具，通过图形化界面和可视化元素使用户能够更容易地理解和操作复杂的仿真过程。常用的可视化仿真平台包括Arena、MATLAB等，本领域技术人员可根据实际情况选择适配的可视化仿真平台。通过利用可视化仿真平台对喷雾降尘装置进行仿真建模，可以提高喷雾降尘装置模拟运行准确性和真实性。然后将所述多个喷雾控制参数依次输入所述喷雾降尘孪生模型中进行模拟运行，得到多个资源消耗数据，其中所述资源消耗数据包括单位时间能源消耗量和单位时间水源消耗量，其中单位时间本领域技术人员可自行设置，例如：每分钟等。
构建寻优性能评估函数：
；
在所述寻优性能评估函数中，其中为第i喷雾控制参数的寻优性能指数，所述第i喷雾控制参数为所述多个喷雾控制参数中的任意一个；/>为能源消耗的权重系数，/>为水源消耗的权重系数，其中/>和/>的值可根据能源消耗和水源消耗对综合资源成本的影响程度进行设置，其中哪项指标的影响程度越大，则对应的权重系数也就越大，可通过现有的变异系数法进行权重设置，其中变异系数法为本领域技术人员常用的赋权方法，在此不进行展开说明；/>为第i喷雾控制参数的单位时间能源消耗量，/>为第i喷雾控制参数的单位时间水源消耗量。
然后根据所述寻优性能评估函数对所述多个资源消耗数据进行寻优性能评估，得到多个寻优性能指数，其中所述寻优性能指数和喷雾控制参数具有一一对应的关系，其中寻优性能指数越高，表征综合能源消耗越低，效果越好。通过构建寻优性能评估函数进行寻优性能评估，可以提高寻优性能评估的准确性和效率。
将所述多个寻优性能指数按照指数从大到小进行排列，生成寻优性能指数序列，并提取所述寻优性能指数序列中前N个寻优性能指数对应的喷雾控制参数作为第一喷雾控制参数，得到N个第一喷雾控制参数，将后M个寻优性能指数对应的喷雾控制参数作为第二喷雾控制参数，获得M个第二喷雾控制参数，其中N与M的和为所述寻优性能指数的个数；
依次对N个第一喷雾控制参数进行追随数量计算，并根据追随数量计算结果对M个第二喷雾控制参数进行响应聚类，得到N个喷雾控制参数簇；
在N个喷雾控制参数簇中，根据预设寻优步长对第二喷雾控制参数进行更新，并基于所述寻优性能评估函数对第二喷雾参数更新结果进行寻优性能评估，得到M个第二寻优性能指数；
当M个第二寻优性能指数大于对应喷雾控制参数簇中的第一喷雾控制参数的寻优性能指数时，则用第二寻优性能指数对应的第二喷雾参数更新结果对簇中的第一喷雾控制参数进行替换；
基于所述预设寻优步长，继续在N个喷雾控制参数簇中进行迭代寻优，直到当前次数满足预设寻优次数阈值，则输出N个优化喷雾控制参数簇；
将N个优化喷雾控制参数簇中的寻优性能指数总和最大的优化喷雾控制参数簇标记第一最优喷雾控制参数簇，然后依次对所述最优喷雾控制参数簇中的喷雾控制参数进行可行性评估，根据可行性评估结果获得最优喷雾控制参数。
在本申请实施例中，首先，将所述多个寻优性能指数按照指数从大到小进行排列，得到寻优性能指数序列；然后提取所述寻优性能指数序列中前N个寻优性能指数对应的喷雾控制参数作为第一喷雾控制参数，将后M个寻优性能指数对应的喷雾控制参数作为第二喷雾控制参数，其中N与M的和为所述寻优性能指数的个数，且M远大于N，其中N和M的具体指本领域技术人员可根据实际情况自行设置，例如：N与M的和为100，其中N为10，M为90；得到N个第一喷雾控制参数和M个第二喷雾控制参数。
然后依次对N个第一喷雾控制参数进行追随数量计算，得到N个追随数量，其中所述追随数量和所述第一喷雾控制参数一一对应，其中追随数量计算方法为：首先，将N个第一喷雾控制参数的寻优性能指数进行相加求和，得到第一性能指数总和；然后将第一喷雾控制参数的寻优性能指数与第一性能指数总和的比值乘以M取整，并将取整结果作为所述第一喷雾控制参数的追随数量。
根据追随数量计算结果对M个第二喷雾控制参数进行响应聚类，其中响应聚类是指以N个第一喷雾控制参数为聚类中心构建N个喷雾控制参数簇，并将M个第二喷雾控制参数添加到喷雾控制参数偏差最小的第一喷雾控制参数的喷雾控制参数簇中，当喷雾控制参数簇中第二喷雾控制参数的数量等于对应的追随数量计算结果时，则不再添加第二喷雾控制参数，并将剩余的第二喷雾控制参数添加到其他喷雾控制参数偏差最小的第一喷雾控制参数的喷雾控制参数簇中，得到N个喷雾控制参数簇。
在所述N个喷雾控制参数簇中，根据预设寻优步长对第二喷雾控制参数进行更新，其中所述预设寻优步长包括喷雾压力更新步长、单位流量更新步长、喷雾角度更新步长，可根据实际寻优需求精度进行设置，其中需求精度越高，则预设寻优步长越小；并基于所述寻优性能评估函数对第二喷雾参数更新结果进行寻优性能评估，得到M个第二寻优性能指数。当M个第二寻优性能指数大于对应喷雾控制参数簇中的第一喷雾控制参数的寻优性能指数时，则用第二寻优性能指数对应的第二喷雾参数更新结果对簇中的第一喷雾控制参数进行替换。基于所述预设寻优步长，继续在N个喷雾控制参数簇中进行迭代更新，直到当前寻优次数等于预设寻优次数阈值时，则停止寻优，其中所述预设寻优次数阈值本领域技术人员可根据实际情况进行设置，例如：设置预设寻优次数阈值为寻优次数2000次，并输出当前喷雾控制参数簇作为优化喷雾控制参数簇，获得N个优化喷雾控制参数簇。
基于所述寻优性能评估函数依次计算N个优化喷雾控制参数簇中优化喷雾控制参数的寻优性能指数，并将优化喷雾控制参数簇中的多个寻优性能指数进行相加求和，得到N个寻优性能指数总和。然后将N个寻优性能指数总和中寻优性能指数总和最大的优化喷雾控制参数簇标记第一最优喷雾控制参数簇。
通过利用寻优算法进行寻优获得第一最优喷雾控制参数簇，可以提高第一最优喷雾控制参数簇获得的准确性，同时可以获得综合资源消耗最低的多个喷雾控制参数，为进行最优喷雾控制参数筛选提供了支持。
然后依次对所述最优喷雾控制参数簇中的喷雾控制参数进行可行性评估，并将满足可行性指标的寻优性能指数最大的喷雾控制参数作为最优喷雾控制参数。
在一个实施例中，所述方法还包括：
基于所述喷雾降尘孪生模型对所述最优喷雾控制参数簇中的喷雾控制参数进行可行性评估，得到多个可行性指数；
根据预设可行性指标对所述多个可行性指数进行筛选，将满足所述预设可行性指标的可行性指数对应的喷雾控制参数进行提取，得到多个可行喷雾控制参数；
将所述多个可行喷雾控制参数中寻优性能指数最大的可行喷雾控制参数标记为最优喷雾控制参数并输出，获得所述最优喷雾控制参数。
在本申请实施例中，通过所述喷雾降尘孪生模型对所述最优喷雾控制参数簇中的喷雾控制参数进行模拟实验和可行性评估，其中可行性评估是指判断喷雾控制参数在实际应用过程中能否达到或实现，当喷雾控制参数可以持续实现时，则可行性指数为1；当喷雾控制不能持续实现或不能实现时，则可行性指数为0；得到多个可行性指数。例如：假设喷雾控制参数中喷雾压力较大时，由于实际供电电压不稳定或电机运行功率不能提供所述喷雾压力，则所述喷雾控制参数的实际可行性为0；或者喷雾控制参数中单位流量较大时，实际供水量不足或实际水压较低不能满足所述单位流量，则实际可行性为0。
获取预设可行性指标，所述预设可行性指标为1，然后根据所述预设可行性指标对所述多个可行性指数进行筛选，并将所述多个可行性指数中指数为1的可行性指数对应的喷雾控制参数进行提取，得到多个可行喷雾控制参数。最后将所述多个可行喷雾控制参数中寻优性能指数最大的可行喷雾控制参数标记为最优喷雾控制参数并进行输出，得到最优喷雾控制参数。
通过对最优喷雾控制参数簇中的喷雾控制参数进行可行性评估，可以进一步提高最优喷雾控制参数的实用性和准确性。
基于所述目标输送速度计算获得所述喷雾降尘装置的启动时间节点；
在本申请实施例中，获取所述喷雾降尘装置在所述目标带式输送机上的位置坐标，并根据所述位置坐标计算得到所述喷雾降尘装置与目标带式输送机的起始位置的直线距离。将所述直线距离除以所述目标输送速度计算获得第一物料输送时间，并将所述第一物料输送时间设置为所述喷雾降尘装置的启动时间节点，例如：假设直线距离为20米，目标输送速度为2米每秒，则第一物料输送时间为10秒，则可设置启动时间节点为10秒后。其中所述启动时间节点未考虑喷雾降尘装置启动损耗时间，若考虑启动损耗时间，可用第一物料输送时间减去启动损耗时间设置启动时间节点。通过计算获得所述启动时间节点，为下一步进行喷雾降尘装置的启动控制提供了数据支持。
在所述启动时间节点下激活所述喷雾降尘装置，并根据所述最优喷雾控制参数控制所述喷雾降尘装置对所述输送物料进行除尘。
在本申请实施例中，当所述目标带式输送机开始工作时，在所述启动时间节点下激活所述喷雾降尘装置，并根据所述最优喷雾控制参数控制所述喷雾降尘装置对所述输送物料进行除尘。通过上述方法可以解决现有的带式输送机除尘方法存在除尘控制参数设置不准确导致物料除尘质量和除尘稳定性较差的技术问题，可以提高除尘控制参数设置的准确性，从而可以提高物料除尘质量和除尘稳定性，同时可以节约除尘资源消耗。
在一个实施例中，如图3所示提供了一种用于带式输送机的除尘系统，包括：输送信息采集模块01、预测粉尘浓度生成模块02、预测粉尘浓度偏差得到模块03、最优喷雾控制参数获得模块04、启动时间节点计算模块05、输送物料除尘模块06、其中：
输送信息采集模块01，所述输送信息采集模块01用于通过信息采集单元对目标带式输送机的输送物料、输送环境进行信息采集，得到物料数据和环境数据，其中所述物料数据包括物料类型、物料粒径，所述环境数据包括环境温度、环境湿度、风速、风向；
预测粉尘浓度生成模块02，所述预测粉尘浓度生成模块02用于在粉尘预测单元内，基于所述物料数据、所述环境数据、目标输送速度进行物料输送过程中的粉尘预测，生成预测粉尘浓度；
预测粉尘浓度偏差得到模块03，所述预测粉尘浓度偏差得到模块03用于根据预设合格粉尘浓度对所述预测粉尘浓度进行偏差计算，得到预测粉尘浓度偏差；
最优喷雾控制参数获得模块04，所述最优喷雾控制参数获得模块04用于当所述预测粉尘浓度偏差大于0时，在除尘优化控制单元内，以满足所述预测粉尘浓度偏差为约束条件，对所述喷雾降尘装置的控制参数进行寻优，获得最优喷雾控制参数，所述最优喷雾控制参数为能源消耗与水源消耗综合最低的喷雾控制参数；
启动时间节点计算模块05，所述启动时间节点计算模块05用于基于所述目标输送速度计算获得所述喷雾降尘装置的启动时间节点；
输送物料除尘模块06，所述输送物料除尘模块06用于在所述启动时间节点下激活所述喷雾降尘装置，并根据所述最优喷雾控制参数控制所述喷雾降尘装置对所述输送物料进行除尘。
在一个实施例中，所述系统还包括：
粉尘预测通道构建模块，所述粉尘预测通道构建模块用于基于BP神经网络构建粉尘预测通道，其中所述粉尘预测通道包括第一粉尘预测通道和第二粉尘预测通道；
第一预测粉尘浓度得到模块，所述第一预测粉尘浓度得到模块用于将所述物料数据和所述目标输送速度输入所述第一粉尘预测通道进行粉尘浓度预测，得到第一预测粉尘浓度；
预测粉尘浓度获得模块，所述预测粉尘浓度获得模块用于将所述第一预测粉尘浓度和所述环境数据输入所述第二粉尘预测通道进行粉尘浓度预测，获得所述预测粉尘浓度。
在一个实施例中，所述系统还包括：
输出输入模块，所述输出输入模块是指所述第一粉尘预测通道的输出层与所述第二粉尘预测通道的输入层相连接；
历史除尘数据获取模块，所述历史除尘数据获取模块用于基于工业大数据，以带式输送机除尘为索引条件进行信息检索，获取同源带式输送机的历史除尘数据；
信息提取模块，所述信息提取模块用于通过对所述历史除尘数据进行信息提取获得多个样本物料数据、多个样本输送速度和多个样本粉尘浓度，以及多个样本第一粉尘浓度、多个样本环境数据和多个样本粉尘浓度；
第一粉尘预测通道得到模块，所述第一粉尘预测通道得到模块用于以所述多个样本物料数据、所述多个样本输送速度和所述多个样本粉尘浓度作为训练数据对所述第一粉尘预测通道进行监督训练，得到符合预期指标的第一粉尘预测通道；
第二粉尘预测通道训练模块，所述第二粉尘预测通道训练模块用于以所述多个样本第一粉尘浓度、所述多个样本环境数据和所述多个样本粉尘浓度作为训练数据对所述第二粉尘预测通道进行监督训练，得到第二粉尘预测通道。
在一个实施例中，所述系统还包括：
喷雾控制参数获取模块，所述喷雾控制参数获取模块用于获取所述喷雾降尘装置的喷雾控制参数，其中所述喷雾控制参数包括喷雾压力、单位流量和喷雾角度；
控制参数空间构建模块，所述控制参数空间构建模块用于采集获得所述喷雾降尘装置的喷雾压力调整阈值、单位流量调整阈值和喷雾角度调整阈值，并根据所述喷雾压力调整阈值、所述单位流量调整阈值和所述喷雾角度调整阈值构建控制参数空间；
最优喷雾控制参数得到模块，所述最优喷雾控制参数得到模块用于在所述控制参数空间内，以满足所述预测粉尘浓度偏差为约束条件，对喷雾控制参数进行寻优，得到所述最优喷雾控制参数。
在一个实施例中，所述系统还包括：
初始喷雾控制参数生成模块，所述初始喷雾控制参数生成模块用于在所述控制参数空间内，随机选择生成多个初始喷雾控制参数；
喷雾控制参数获得模块，所述喷雾控制参数获得模块用于将所述多个初始喷雾控制参数输入除尘预测器进行除尘性能效果预测，并将除尘效果预测结果中满足所述预测粉尘浓度偏差的初始喷雾控制参数进行提取，获得多个喷雾控制参数；
寻优性能评估模块，所述寻优性能评估模块用于根据寻优性能评估函数对所述多个喷雾控制参数进行寻优性能评估，得到多个寻优性能指数；
寻优性能指数序列生成模块，所述寻优性能指数序列生成模块用于将所述多个寻优性能指数按照指数从大到小进行排列，生成寻优性能指数序列，并提取所述寻优性能指数序列中前N个寻优性能指数对应的喷雾控制参数作为第一喷雾控制参数，得到N个第一喷雾控制参数，将后M个寻优性能指数对应的喷雾控制参数作为第二喷雾控制参数，获得M个第二喷雾控制参数，其中N与M的和为所述寻优性能指数的个数；
喷雾控制参数簇得到模块，所述喷雾控制参数簇得到模块用于依次对N个第一喷雾控制参数进行追随数量计算，并根据追随数量计算结果对M个第二喷雾控制参数进行响应聚类，得到N个喷雾控制参数簇；
第二寻优性能指数得到模块，所述第二寻优性能指数得到模块用于在N个喷雾控制参数簇中，根据预设寻优步长对第二喷雾控制参数进行更新，并基于所述寻优性能评估函数对第二喷雾参数更新结果进行寻优性能评估，得到M个第二寻优性能指数；
第一喷雾控制参数替换模块，所述第一喷雾控制参数替换模块用于当M个第二寻优性能指数大于对应喷雾控制参数簇中的第一喷雾控制参数的寻优性能指数时，则用第二寻优性能指数对应的第二喷雾参数更新结果对簇中的第一喷雾控制参数进行替换；
优化喷雾控制参数簇输出模块，所述优化喷雾控制参数簇输出模块用于基于所述预设寻优步长，继续在N个喷雾控制参数簇中进行迭代寻优，直到当前次数满足预设寻优次数阈值，则输出N个优化喷雾控制参数簇；
最优喷雾控制参数获得模块，所述最优喷雾控制参数获得模块用于将N个优化喷雾控制参数簇中的寻优性能指数总和最大的优化喷雾控制参数簇标记第一最优喷雾控制参数簇，然后依次对所述最优喷雾控制参数簇中的喷雾控制参数进行可行性评估，根据可行性评估结果获得最优喷雾控制参数。
在一个实施例中，所述系统还包括：
喷雾降尘孪生模型构建模块，所述喷雾降尘孪生模型构建模块用于在可视化仿真平台内，对所述喷雾降尘装置进行仿真建模，构建喷雾降尘孪生模型；
资源消耗数据得到模块，所述资源消耗数据得到模块用于基于所述多个喷雾控制参数在所述喷雾降尘孪生模型中进行模拟运行，得到多个资源消耗数据，其中所述资源消耗数据包括单位时间能源消耗量和单位时间水源消耗量；
寻优性能评估函数构建模块，所述寻优性能评估函数构建模块用于构建寻优性能评估函数：
；
函数参数模块，所述函数参数模块是指其中，为第i喷雾控制参数的寻优性能指数，/>为能源消耗的权重系数，/>为水源消耗的权重系数，/>为第i喷雾控制参数的单位时间能源消耗量，/>为第i喷雾控制参数的单位时间水源消耗量；
寻优性能指数得到模块，所述寻优性能指数得到模块用于根据所述寻优性能评估函数对所述多个资源消耗数据进行寻优性能评估，得到多个寻优性能指数。
在一个实施例中，所述系统还包括：
可行性指数得到模块，所述可行性指数得到模块用于基于所述喷雾降尘孪生模型对所述最优喷雾控制参数簇中的喷雾控制参数进行可行性评估，得到多个可行性指数；
可行喷雾控制参数得到模块，所述可行喷雾控制参数得到模块用于根据预设可行性指标对所述多个可行性指数进行筛选，将满足所述预设可行性指标的可行性指数对应的喷雾控制参数进行提取，得到多个可行喷雾控制参数；
优喷雾控制参数获得模块，所述优喷雾控制参数获得模块用于将所述多个可行喷雾控制参数中寻优性能指数最大的可行喷雾控制参数标记为最优喷雾控制参数并输出，获得所述最优喷雾控制参数。
综上所述，与现有技术相比，本公开的实施例具有以下技术效果：
（1）通过寻优获得最优喷雾控制参数，并根据最优喷雾控制参数控制进行除尘控制，可以提高除尘控制参数设置的准确性，从而可以提高物料除尘质量和除尘稳定性，同时可以节约除尘资源消耗。
（2）通过基于BP神经网络构建第一粉尘预测通道和第二粉尘预测通道，并结合物料数据、环境数据、输送速度进行物料输送过程中粉尘浓度的综合预测，可以提高预测粉尘浓度获得的准确性和合理性，从而可以提高除尘控制的准确性。
（3）通过利用寻优算法对喷雾控制参数进行寻优，由于该算法具有较强的全局搜索能力，因此可以提高第一最优喷雾控制参数簇获得的准确性，同时设置可行性指标进行可行性筛选，并将符合可行性指标且寻优性能指数最大的喷雾控制参数作为最优喷雾控制参数，可以进一步提高最优喷雾控制参数获得的实用性和准确性。
以上所述实施例仅表达了本公开的几种实施方式，但并不能因此而理解为对发明专利范围的限制。因此，在不脱离如由所附权利要求限定的本公开构思的范围的情况下，本领域普通技术人员可做出各种类型的替换、修改和变更，并且这些替换、修改和变更都属于本公开的保护范围。
Claims (8)
1.用于带式输送机的除尘方法，其特征在于，所述方法应用于一种用于带式输送机的除尘系统，所述系统包括信息采集单元、粉尘预测单元、除尘优化控制单元，且所述除尘优化控制单元与一喷雾降尘装置通信连接，包括：
通过信息采集单元对目标带式输送机的输送物料、输送环境进行信息采集，得到物料数据和环境数据，其中所述物料数据包括物料类型、物料粒径，所述环境数据包括环境温度、环境湿度、风速、风向；
在粉尘预测单元内，基于所述物料数据、所述环境数据、目标输送速度进行物料输送过程中的粉尘预测，生成预测粉尘浓度；
根据预设合格粉尘浓度对所述预测粉尘浓度进行偏差计算，得到预测粉尘浓度偏差；
当所述预测粉尘浓度偏差大于0时，在除尘优化控制单元内，以满足所述预测粉尘浓度偏差为约束条件，对所述喷雾降尘装置的控制参数进行寻优，获得最优喷雾控制参数，所述最优喷雾控制参数为能源消耗与水源消耗综合最低的喷雾控制参数；
基于所述目标输送速度计算获得所述喷雾降尘装置的启动时间节点；
在所述启动时间节点下激活所述喷雾降尘装置，并根据所述最优喷雾控制参数控制所述喷雾降尘装置对所述输送物料进行除尘。
2.如权利要求1所述的方法，其特征在于，所述基于所述物料数据、所述环境数据、目标输送速度进行物料输送过程中的粉尘预测，生成预测粉尘浓度，还包括：
基于BP神经网络构建粉尘预测通道，其中所述粉尘预测通道包括第一粉尘预测通道和第二粉尘预测通道；
将所述物料数据和所述目标输送速度输入所述第一粉尘预测通道进行粉尘浓度预测，得到第一预测粉尘浓度；
将所述第一预测粉尘浓度和所述环境数据输入所述第二粉尘预测通道进行粉尘浓度预测，获得所述预测粉尘浓度。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
所述第一粉尘预测通道的输出层与所述第二粉尘预测通道的输入层相连接；
基于工业大数据，以带式输送机除尘为索引条件进行信息检索，获取同源带式输送机的历史除尘数据；
通过对所述历史除尘数据进行信息提取获得多个样本物料数据、多个样本输送速度和多个样本粉尘浓度，以及多个样本第一粉尘浓度、多个样本环境数据和多个样本粉尘浓度；
以所述多个样本物料数据、所述多个样本输送速度和所述多个样本粉尘浓度作为训练数据对所述第一粉尘预测通道进行监督训练，得到符合预期指标的第一粉尘预测通道；
以所述多个样本第一粉尘浓度、所述多个样本环境数据和所述多个样本粉尘浓度作为训练数据对所述第二粉尘预测通道进行监督训练，得到第二粉尘预测通道。
4.如权利要求1所述的方法，其特征在于，所述以满足所述预测粉尘浓度偏差为约束条件，对所述喷雾降尘装置的控制参数进行寻优，获得最优喷雾控制参数，还包括：
获取所述喷雾降尘装置的喷雾控制参数，其中所述喷雾控制参数包括喷雾压力、单位流量和喷雾角度；
采集获得所述喷雾降尘装置的喷雾压力调整阈值、单位流量调整阈值和喷雾角度调整阈值，并根据所述喷雾压力调整阈值、所述单位流量调整阈值和所述喷雾角度调整阈值构建控制参数空间；
在所述控制参数空间内，以满足所述预测粉尘浓度偏差为约束条件，对喷雾控制参数进行寻优，得到所述最优喷雾控制参数。
5.如权利要求4所述的方法，其特征在于，所述在所述控制参数空间内，以满足所述预测粉尘浓度偏差为约束条件，对喷雾控制参数进行寻优，还包括：
在所述控制参数空间内，随机选择生成多个初始喷雾控制参数；
将所述多个初始喷雾控制参数输入除尘预测器进行除尘性能效果预测，并将除尘效果预测结果中满足所述预测粉尘浓度偏差的初始喷雾控制参数进行提取，获得多个喷雾控制参数；
根据寻优性能评估函数对所述多个喷雾控制参数进行寻优性能评估，得到多个寻优性能指数；
将所述多个寻优性能指数按照指数从大到小进行排列，生成寻优性能指数序列，并提取所述寻优性能指数序列中前N个寻优性能指数对应的喷雾控制参数作为第一喷雾控制参数，得到N个第一喷雾控制参数，将后M个寻优性能指数对应的喷雾控制参数作为第二喷雾控制参数，获得M个第二喷雾控制参数，其中N与M的和为所述寻优性能指数的个数；
依次对N个第一喷雾控制参数进行追随数量计算，并根据追随数量计算结果对M个第二喷雾控制参数进行响应聚类，得到N个喷雾控制参数簇；
在N个喷雾控制参数簇中，根据预设寻优步长对第二喷雾控制参数进行更新，并基于所述寻优性能评估函数对第二喷雾控制参数更新结果进行寻优性能评估，得到M个第二寻优性能指数；
当M个第二寻优性能指数大于对应喷雾控制参数簇中的第一喷雾控制参数的寻优性能指数时，则用第二寻优性能指数对应的第二喷雾控制参数更新结果对簇中的第一喷雾控制参数进行替换；
基于所述预设寻优步长，继续在N个喷雾控制参数簇中进行迭代寻优，直到当前次数满足预设寻优次数阈值，则输出N个优化喷雾控制参数簇；
将N个优化喷雾控制参数簇中的寻优性能指数总和最大的优化喷雾控制参数簇标记第一最优喷雾控制参数簇，然后依次对所述第一最优喷雾控制参数簇中的喷雾控制参数进行可行性评估，根据可行性评估结果获得最优喷雾控制参数。
6.如权利要求5所述的方法，其特征在于，所述根据寻优性能评估函数对所述多个喷雾控制参数进行寻优性能评估，还包括：
在可视化仿真平台内，对所述喷雾降尘装置进行仿真建模，构建喷雾降尘孪生模型；
基于所述多个喷雾控制参数在所述喷雾降尘孪生模型中进行模拟运行，得到多个资源消耗数据，其中所述资源消耗数据包括单位时间能源消耗量和单位时间水源消耗量；
构建寻优性能评估函数：
其中，Fi为第i喷雾控制参数的寻优性能指数，v1为能源消耗的权重系数，v2为水源消耗的权重系数，Ei为第i喷雾控制参数的单位时间能源消耗量，Wi为第i喷雾控制参数的单位时间水源消耗量；
根据所述寻优性能评估函数对所述多个资源消耗数据进行寻优性能评估，得到多个寻优性能指数。
7.如权利要求6所述的方法，其特征在于，所述根据可行性评估结果获得最优喷雾控制参数，还包括：
基于所述喷雾降尘孪生模型对所述第一最优喷雾控制参数簇中的喷雾控制参数进行可行性评估，得到多个可行性指数；
根据预设可行性指标对所述多个可行性指数进行筛选，将满足所述预设可行性指标的可行性指数对应的喷雾控制参数进行提取，得到多个可行喷雾控制参数；
将所述多个可行喷雾控制参数中寻优性能指数最大的可行喷雾控制参数标记为最优喷雾控制参数并输出，获得所述最优喷雾控制参数。
8.用于带式输送机的除尘系统，其特征在于，用于执行权利要求1-7中任一项所述的一种用于带式输送机的除尘方法的步骤，所述系统包括信息采集单元、粉尘预测单元、除尘优化控制单元，且所述除尘优化控制单元与一喷雾降尘装置通信连接，包括：
输送信息采集模块，所述输送信息采集模块用于通过信息采集单元对目标带式输送机的输送物料、输送环境进行信息采集，得到物料数据和环境数据，其中所述物料数据包括物料类型、物料粒径，所述环境数据包括环境温度、环境湿度、风速、风向；
预测粉尘浓度生成模块，所述预测粉尘浓度生成模块用于在粉尘预测单元内，基于所述物料数据、所述环境数据、目标输送速度进行物料输送过程中的粉尘预测，生成预测粉尘浓度；
预测粉尘浓度偏差得到模块，所述预测粉尘浓度偏差得到模块用于根据预设合格粉尘浓度对所述预测粉尘浓度进行偏差计算，得到预测粉尘浓度偏差；
最优喷雾控制参数获得模块，所述最优喷雾控制参数获得模块用于当所述预测粉尘浓度偏差大于0时，在除尘优化控制单元内，以满足所述预测粉尘浓度偏差为约束条件，对所述喷雾降尘装置的控制参数进行寻优，获得最优喷雾控制参数，所述最优喷雾控制参数为能源消耗与水源消耗综合最低的喷雾控制参数；
启动时间节点计算模块，所述启动时间节点计算模块用于基于所述目标输送速度计算获得所述喷雾降尘装置的启动时间节点；
输送物料除尘模块，所述输送物料除尘模块用于在所述启动时间节点下激活所述喷雾降尘装置，并根据所述最优喷雾控制参数控制所述喷雾降尘装置对所述输送物料进行除尘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311581665.1A CN117284817B (zh) | 2023-11-24 | 2023-11-24 | 用于带式输送机的除尘方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311581665.1A CN117284817B (zh) | 2023-11-24 | 2023-11-24 | 用于带式输送机的除尘方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117284817A CN117284817A (zh) | 2023-12-26 |
| CN117284817B true CN117284817B (zh) | 2024-02-06 |
Family
ID=89244735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311581665.1A Active CN117284817B (zh) | 2023-11-24 | 2023-11-24 | 用于带式输送机的除尘方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117284817B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102874615A (zh) * | 2012-10-22 | 2013-01-16 | 大唐甘肃发电有限公司 | 带式输送机输送高粉尘物料的抑尘降尘系统 |
| CN113082899A (zh) * | 2020-01-08 | 2021-07-09 | 张家港市峰林环保自动化科技有限公司 | 一种自动清洁功能的除尘方法及除尘系统 |
| CN113942855A (zh) * | 2021-11-08 | 2022-01-18 | 北京牧之科技有限公司 | 一种智能抑尘系统及方法 |
| CN114117856A (zh) * | 2021-11-25 | 2022-03-01 | 中国矿业大学 | 一种数字孪生驱动的长距离带式输送机运行优化方法 |
| CN117052457A (zh) * | 2023-08-30 | 2023-11-14 | 中国矿业大学(北京) | 隧道施工粉尘治理控制方法、系统、设备及介质 |
-
2023
- 2023-11-24 CN CN202311581665.1A patent/CN117284817B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102874615A (zh) * | 2012-10-22 | 2013-01-16 | 大唐甘肃发电有限公司 | 带式输送机输送高粉尘物料的抑尘降尘系统 |
| CN113082899A (zh) * | 2020-01-08 | 2021-07-09 | 张家港市峰林环保自动化科技有限公司 | 一种自动清洁功能的除尘方法及除尘系统 |
| CN113942855A (zh) * | 2021-11-08 | 2022-01-18 | 北京牧之科技有限公司 | 一种智能抑尘系统及方法 |
| CN114117856A (zh) * | 2021-11-25 | 2022-03-01 | 中国矿业大学 | 一种数字孪生驱动的长距离带式输送机运行优化方法 |
| CN117052457A (zh) * | 2023-08-30 | 2023-11-14 | 中国矿业大学(北京) | 隧道施工粉尘治理控制方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117284817A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
| CN110531029B (zh) | 一种基于环保物联网大数据预测空气质量趋势的装置 | |
| CN112183709B (zh) | 一种垃圾焚烧废气二噁英超标预测预警方法 | |
| CN111832607B (zh) | 一种基于模型剪枝的桥梁病害实时检测方法 | |
| CN110782067B (zh) | 一种基于模糊信息粒化的烧结终点波动范围预测方法 | |
| CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
| CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
| CN106251242B (zh) | 一种风电出力区间组合预测方法 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN114118613A (zh) | 一种焦化土壤污染空间分布预测优化方法及系统 | |
| CN117150677A (zh) | 一种电除尘器选型参数的确定方法及装置 | |
| CN116359285A (zh) | 一种基于大数据的油气浓度智能检测系统及方法 | |
| CN117284817B (zh) | 用于带式输送机的除尘方法及系统 | |
| CN117151701A (zh) | 一种热电联产的工业余热回收利用系统 | |
| CN112986497A (zh) | 基于气体传感器阵列指纹识别的污染气体溯源方法 | |
| Cruz et al. | Machine learning-based indoor air quality baseline study of the offices and laboratories of the northwest and southwest building of Mapúa University–Manila | |
| CN102567785A (zh) | 一种基于数值模型的煤元素分析方法 | |
| Chernyshev et al. | Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site | |
| CN116206169A (zh) | 一种智能煤矸石目标检测方法 | |
| CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 | |
| CN112182483A (zh) | 一种基于空气质量指数的太阳辐射预测方法和装置 | |
| CN105956688A (zh) | 大气中碳浓度和温度的变化趋势预测方法及装置 | |
| CN117540346B (zh) | 大气污染数据高维回归建模的秩序类别变量冗余去除方法 | |
| Jiao et al. | Prediction of dust fall concentrations in urban atmospheric environment through support vector regression | |
| Chernyshev et al. | Digital Object Detection of Construction Site Based on Building Information Modeling and Artificial Intelligence Systems. |
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 |