[發明專利]一種盤磨系統的粉體粒度分布形狀估計方法及其系統

在審

• 申請號: 201810542037.5
• 申請日: 2018-05-30
• 公開（公告）號: CN108846178A
• 公開（公告）日: 2018-11-20
• 發明（設計）人: 李明杰;周平
• 申請（專利權）人: 東北大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/04
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李運萍

本發明屬于粉體粒度控制領域，具體涉及一種盤磨系統的粉體粒度分布形狀估計方法及其系統，包括以下步驟：1)通過采集盤磨系統的進料量、磨盤壓力、磨盤轉速、磨盤間隙和粉體粒度分布形狀的PDF；2)采用RBF神經網絡對權值進行解耦計算；3)采用BP神經網絡構建權值的非線性動態模型，由此獲得權值向量的估計值；4)對粉體粒度分布形狀的PDF進行估計。本發明應用于食品加工行業的粉體粒度分布形狀的估計，同時也可用于冶金行業選礦過程的礦粉粒度、水泥生產過程的水泥粒度等復雜工業過程的粉體粒度分布形狀的估計。

技術領域

本發明屬于粉體粒度控制領域，具體涉及一種盤磨系統的粉體粒度分布形狀估計方法及其系統。

背景技術

在食品加工行業，面粉粒度常作為小麥粉質量等級的評價指標之一，必須符合一定的粒度要求，太大或太小都會影響生產指標要求和效率，通過對面粉粒度的控制，可以更好地把握面粉粉的品質變化，為后續的食品加工工序提供符合要求的原材料，從而提高生產效率及面粉質量。目前在實際生產中通常將粉體粒度的均值或者方差作為作為衡量面粉質量的重要指標，然而，均值或者方差并不能表征粉體粒度分布形狀的全部信息，而粉體粒度分布形狀包含了粉體的均值或者方差的所有信息。因此，將粉體粒度分布形狀取代傳統的均值或方差作為衡量面粉質量指標具有更為廣泛的應用。

在面粉生產過程中，影響盤磨系統的粉體粒度分布形狀的因素有很多，如進料量、磨盤轉速、磨盤間隙、磨盤壓力等，而這些變量中，喂料量可以通過喂料器的振動頻率進行調節，通過設置變頻器頻率可以有效控制帶動動磨盤的主電機轉速，磨盤間隙可采用機械或者液壓調節裝置完成等，因此，如何建立一個以進料量、磨盤轉速、磨盤間隙、磨盤壓力為輸入變量，以粉體粒度分布形狀為輸出的盤磨系統的數學模型對粉體粒度分布形狀的估計變得至關重要，和常規的建模方法不同的是，粉體粒度分布形狀是一個空間分布，而非傳統意義上的時序數據，因此，傳統的建模方法(如機理建?；蚪涷灲?將無法建立精確的刻畫盤磨系統動態模型。

因此，鑒于粉粒粒度分布形狀在衡量面粉質量的重要性，如何實現對盤磨系統的粉體粒度分布形狀估計，不但可以有效對小麥粉的品質變化進行估計，而且對降低能耗和提高生產效率提供一定的指導。

發明內容

針對上述存在的技術問題，本發明提供一種盤磨系統的粉體粒度分布形狀估計方法，其特征在于，包括以下步驟：

步驟1，采集盤磨系統的進料量、磨盤壓力、磨盤轉速、磨盤間隙和粉體粒度分布形狀的PDF，即粉粒粒度分布形狀的概率密度函數的數據；

步驟2，采用具有高斯型激勵函數的RBF神經網絡，包括一組高斯基函數和相對應的權值，利用逆運算方法對不同時刻的與所述粉體粒度分布形狀的PDF相對應的權值進行解耦計算；

步驟3、采用BP神經網絡構建權值的非線性動態模型，所述非線性動態模型的調節變量為當前時刻盤磨系統的進料量、磨盤壓力、磨盤轉速、磨盤間隙和所述權值，輸出變量為下一時刻的所述權值，由此獲得權值向量的估計值；

步驟4、利用步驟3所述由BP神經網絡構建的權值的非線性動態模型，結合步驟2所述RBF神經網絡近似所述粉體粒度分布形狀的PDF，得到粉體粒度分布形狀的PDF的動態模型，用于對粉體粒度分布形狀的PDF進行估計。

所述步驟2包括以下步驟：

步驟2-1，將所述進料量、磨盤壓力、磨盤轉速、磨盤間隙作為輸入變量，所述粉體粒度分布的PDF作為輸出變量；

步驟2-2、采用具有高斯型激勵函數的RBF神經網絡近似所述粉體粒度分布形狀的PDF，

步驟2-3、利用逆運算方法對不同時刻粉體粒度分布形狀的PDF相對應的權值進行解耦計算。

所述步驟2.2中的近似方法為：

設粉體粒度y為描述動態盤磨系統輸出的一致有界隨機過程變量，y∈[a,ξ]；