一种混合机的混匀度预测方法及系统技术方案

本申请涉及钢铁冶炼技术领域，提供的一种混合机的混匀度预测方法及系统，通过将同一时间获取的混合料的堆密度以及混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间，并根据量化后的数据以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率，生成预测样本，然后将预测样本输入到预先训练好的动态预测模型中，所述动态预测模型根据映射关系获得混匀度预测值。本申请实施例提供的混匀度预测方法，在获取到混合料参数及混合机状态参数后，可以在混合料完成混合前，提前预测出混匀度信息，以便通过预测的混匀度信息，更好的指导实际的生产作业。

【技术实现步骤摘要】
一种混合机的混匀度预测方法及系统
本申请涉及钢铁冶炼
，尤其涉及一种混合机的混匀度预测方法及系统。
技术介绍
强力混合机简称混合机，是一种连续旋转的圆筒形机器，用于对物料进行搅拌和混合。参考图1和图2，图1为现有技术中一种强力混合机的主视图，图2为与图1对应的俯视图。图1和图2所示的强力混合机100包括混合筒1、搅拌桨(图中未示出)、称重传感器2、卸料装置3和进料口4，其中搅拌桨包括主桨和副桨。混合机在正常工作中，物料从进料口4进入混合筒1，搅拌桨和混合筒1通过旋转的方式，搅拌盛装于混合筒1内的物料，搅拌混合后的物料经混合筒1底部的卸料装置3排出。混合机是冶金烧结、球团工艺中主要设备之一。在冶金领域的多种生产工艺，如烧结工艺中，通过在配料后设置强力混合机，将配好的铁原料、燃料和各种熔剂，添加适量水分，经强力混合，以形成成分均匀的混合料供给烧结机。在球团工艺中，将混合机布置在造球工序之前，主要作用是将细磨铁精矿粉或其他含铁粉料与少量添加剂充分混匀，强力混合是保障球团矿品质的关键工序之一。由此可知，强力混合机的物料混匀度，对物料后续烧结或者造球的品质，具有重要意义。在原料场的预配料、炉底炉处理含锌混泥的混匀方面，强力混匀具有同样重要的地位和作用。为了获得混匀度更好的物料，现有技术中，一般通过离线检测或者通过观察后续工艺生产环节的生产状况通过人工经验调节混合机相关参数，从而改善物料混匀效果。如球团工艺中，工人通过观察造球后的生球强度、粒度，凭人工经验发现质量有问题时，在粘结剂有保证时，对混合机参数进行调控，改善混合机的混匀度。在实际运行中，这种混匀度检测方法，因为需要人工经验而且样本的离线检测具有较长时间的滞后，而混合机的处理量较大，往往会产生大量混匀度无法满足烧结或者造球要求的物料，或者混匀度勉强满足要求，但是会严重影响烧结或者造球的品质。
技术实现思路
本申请提供了一种混合机的物料混匀度预测方法及系统，以解决物料混匀度的离线检测具有较长时间滞后的问题。本申请第一方面提供一种混合机的混匀度预测方法，混合机的混匀度预测方法包括：实时获取混合料的原料种类、原料配比、堆密度，含水率和粘结剂占比，堆密度根据抽样检测获得，含水率根据混合料成分中原始水分率计算或在混合料进入混合筒前采用水分仪直接测量，各原料配比和粘结剂占比可从混合料的配比数据系统获取；实时检测混合筒转速、主桨转速、副桨转速以及混合筒内混合料的填充率；将同一时刻的堆密度、混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间；根据量化后的堆密度堆密度、混合筒转速、主桨转速和副桨转速，以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率，生成预测样本；将预测样本输入到预先建立的动态预测模型中，获得混匀度预测值，动态预测模型中包含预测样本与混匀度预测值的映射关系。在将预测样本输入到预先建立的动态预测模型中，获得混匀度预测值的步骤之前，还包括：获取与预测样本邻近时序上的学习样本，其中，学习样本包括输入样本，以及输入样本对应的混匀度检测值；利用学习样本在线更新料层厚度动态预测模型，获取更新后的动态预测模型。将同一时刻的堆密度、混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间，具体执行以下步骤：计算堆密度与各原料中密度最大的原料的密度的比值；计算混合筒转速与混合筒的最大转速的比值；计算主桨转速与主桨的最大转速的比值；计算副桨转速与副桨的最大转速的比值。动态预测模型是基于神经网络模型训练生成，并按照以下步骤建立：获取N组独立的混合料参数以及对应的混合机状态参数，混合料参数包括混合料的原料种类、原料配比、堆密度、含水率、粘结剂占比和混合筒内混合料的填充率，混合机状态参数包括混合筒转速、主桨转速和副桨转速；将N组独立的混合料参数以及对应的混合机状态参数，作为N组训练样本的输入；按照预先设定的时间间隔，从混合机不同物料深度获取混合料检测样本，对检测样本进行离线测量，获得混合料的混匀度检测值；并将一个混匀周期的检测值，作为对应N组训练样本的输出；利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练神经网络模型；通过迭代训练过程不断更新神经网络模型的权重参数、偏置参数以及学习因子；若神经网络模型的预测值与检测值达到设定的允差范围，或神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得动态预测模型。动态预测模型还可以是混匀度预测表，并按照以下步骤建立：获取N组独立的混合料参数以及对应的混合机状态参数，混合料参数包括混合料的原料种类、原料配比、堆密度、含水率、粘结剂占比和混合筒内混合料的填充率，混合机状态参数包括混合筒转速、主桨转速和副桨转速；按照预先设定的时间间隔，从混合机不同物料深度获取混合料检测样本，对检测样本进行离线测量，获得混合料的混匀度检测值；对N组独立的混合料参数、混合机状态参数以及对应的混匀度检测值，进行统计分析，建立混匀度预测表。本申请第二方面提供一种混合机的混匀度预测系统，混合机的混匀度预测系统包括：获取模块，用于获取混合料的原料种类、原料配比、堆密度、含水率和粘结剂占比；检测模块，用于检测混合筒转速、主桨转速、副桨转速以及混合筒内混合料的填充率；数据处理模块，用于将同一时刻的堆密度、混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间；样本生成模块，用于根据量化后的堆密度、混合筒转速、主桨转速和副桨转速，以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率，生成预测样本；动态预测模块，用于将预测样本输入到动态预测模型中，利用预测样本与混匀度预测值的映射关系获得混匀度预测值。混合机的混匀度预测系统还包括：学习样本获取模块，用于获取预测样本采集时间点之前，且与预测样本最近的学习样本，其中，学习样本包括学习样本输入，以及学习样本对应的混匀度检测值；预测模型更新模块，用于利用学习样本在线更新动态预测模型，获取更新后的动态预测模型。学习样本获取模块用于：获取预测样本采集时间点之前，且与预测样本最近的预设时间间隔内的历史预测样本；获取与历史预测样本相对应的混匀度检测值。混合机的混匀度预测系统包括混匀度离线测量模块和动态预测训练模块；混匀度离线测量模块用于按照预先设定的时间间隔，从混合机不同物料深度获取混合料检测样本，对检测样本进行离线测量，获得混合料的混匀度检测值；动态预测训练模块，用于：从获取模块和检测模块中获取N组独立的混合料参数以及对应的混合机状态参数；从样本生成模块获取N组训练样本的输入；从混匀度离线测量模块获取混合料的混匀度检测值；并将一个混匀周期的混匀度检测值，作为动态预测模型训练样本的输出；利用训练样本的输入本文档来自技高网...

【技术保护点】
1.一种混合机的混匀度预测方法，其特征在于，所述混合机的混匀度预测方法包括：/n实时获取混合料的原料种类、原料配比、堆密度，含水率和粘结剂占比，所述堆密度根据抽样检测获得，所述含水率根据混合料成分中原始水分率计算或在混合料进入混合筒前采用水分仪直接测量，所述原料配比和所述粘结剂占比可从混合料的配比数据系统获取；/n实时检测混合筒转速、主桨转速、副桨转速以及混合筒内混合料的填充率；/n将同一时刻的堆密度、混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间；/n根据量化后的堆密度堆密度、混合筒转速、主桨转速和副桨转速，以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率，生成预测样本；/n将预测样本输入到预先建立的动态预测模型中，获得混匀度预测值，所述动态预测模型中包含预测样本与混匀度预测值的映射关系。/n

【技术特征摘要】
1.一种混合机的混匀度预测方法，其特征在于，所述混合机的混匀度预测方法包括：
实时获取混合料的原料种类、原料配比、堆密度，含水率和粘结剂占比，所述堆密度根据抽样检测获得，所述含水率根据混合料成分中原始水分率计算或在混合料进入混合筒前采用水分仪直接测量，所述原料配比和所述粘结剂占比可从混合料的配比数据系统获取；
实时检测混合筒转速、主桨转速、副桨转速以及混合筒内混合料的填充率；
将同一时刻的堆密度、混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间；
根据量化后的堆密度堆密度、混合筒转速、主桨转速和副桨转速，以及混合料的原料种类、原料配比、含水率、粘结剂占比和填充率，生成预测样本；
将预测样本输入到预先建立的动态预测模型中，获得混匀度预测值，所述动态预测模型中包含预测样本与混匀度预测值的映射关系。


2.根据权利要求1所述的混合机的混匀度预测方法，其特征在于，在将预测样本输入到预先建立的动态预测模型中，获得混匀度预测值的步骤之前，还包括：
获取与所述预测样本邻近时序上的学习样本，其中，所述学习样本包括输入样本，以及所述输入样本对应的混匀度检测值；
利用所述学习样本在线更新所述动态预测模型，获取更新后的动态预测模型。


3.根据权利要求2所述的混合机的混匀度预测方法，其特征在于，所述获取预测样本采集时间点之前，且与所述预测样本最近的学习样本包括：
获取与所述预测样本邻近时序上预设时间间隔内的历史学习样本；
获取与所述历史预学习样本相对应的混匀度检测值。


4.根据权利要求1所述的混合机的混匀度预测方法，其特征在于，将同一时刻的堆密度、混合筒转速、主桨转速和副桨转速，按照一定收缩比例量化到同一区间，具体执行以下步骤：
计算堆密度与各原料中密度最大的原料的密度的比值；
计算混合筒转速与混合筒的最大转速的比值；
计算主桨转速与主桨的最大转速的比值；
计算副桨转速与副桨的最大转速的比值。


5.根据权利要求1所述的混合机的混匀度预测方法，其特征在于，所述动态预测模型是基于神经网络模型训练生成，并按照以下步骤建立：
获取N组独立的混合料参数以及对应的混合机状态参数，混合料参数包括混合料的原料种类、原料配比、堆密度、含水率、粘结剂占比和混合筒内混合料的填充率，混合机状态参数包括混合筒转速、主桨转速和副桨转速；
将N组独立的混合料参数以及对应的混合机状态参数，作为N组训练样本的输入；
按照预先设定的时间间隔，从混合机不同物料深度获取混合料检测样本，对检测样本进行离线测量，获得混合料的混匀度检测值；并将一个混匀周期的检测值，作为对应N组训练样本的输出；
利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练神经网络模型；
通过迭代训练过程不断更新神经网络模型的权重参数、偏置参数以及学习因子；
若神经网络模型的预测值与检测值达到设定的允差范围，或神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，作为获得的动态预测模型。


6.根据权利要求1所述的混合机的混匀度预测方法，其特征...

【专利技术属性】
技术研发人员：朱佼佼，邱立运，
申请(专利权)人：湖南长天自控工程有限公司，中冶长天国际工程有限责任公司，
类型：发明
国别省市：湖南;43