[發(fā)明專利]一種面向多礦物質(zhì)特性的自適應(yīng)混合縮分方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910979742.6
• 申請(qǐng)日: 2019-10-15
• 公開（公告）號(hào): CN110658050B
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計(jì)）人: 徐玉山;唐仕喜
• 申請(qǐng)（專利權(quán)）人: 鎮(zhèn)江市科瑞制樣設(shè)備有限公司;鹽城師范學(xué)院
• 主分類號(hào): G01N1/38
• 分類號(hào): G01N1/38;G01N1/28
• 代理公司: 鎮(zhèn)江基德專利代理事務(wù)所(普通合伙) 32306
• 代理人: 鄧月芳

1.一種面向多礦物質(zhì)特性的自適應(yīng)混合縮分方法，其特征在于，包括如下步驟：

(1)多礦物質(zhì)特性分級(jí)抽樣測(cè)量與獲取：將礦物質(zhì)破碎后對(duì)粉粒進(jìn)行分級(jí)抽樣，測(cè)定獲取多礦物質(zhì)特性，所述的多礦物質(zhì)特性包括堆積密度D、松散系數(shù)K、比表面形狀系數(shù)φ；

(2)多礦物質(zhì)特性基礎(chǔ)特征庫(kù)構(gòu)建：將所測(cè)定的不同礦物質(zhì)的堆積密度D、松散系數(shù)K、比表面形狀系數(shù)φ作為礦物質(zhì)縮分影響因子存入數(shù)據(jù)庫(kù)中，構(gòu)建多礦物質(zhì)特性基礎(chǔ)特征知識(shí)庫(kù)，以用于訓(xùn)練縮分開口-速度模型；

礦物質(zhì)縮分影響因子中的堆積密度其中h_s,max為最大基礎(chǔ)顆粒的空隙體積分?jǐn)?shù)，K₀為單一粒徑粉體空隙體積分?jǐn)?shù)，a_s,i為i粒級(jí)的顆粒干擾系數(shù)，S_i為i粒級(jí)所占整個(gè)礦物質(zhì)體積分?jǐn)?shù)，n為粒級(jí)組分?jǐn)?shù)，a_s,iS_i反映了基礎(chǔ)顆粒粒度；礦物質(zhì)縮分影響因子中的礦物質(zhì)的松散系數(shù)V₁為礦物質(zhì)的破碎前體積，V₂為礦物質(zhì)的破碎后體積；礦物質(zhì)縮分影響因子中的比表面形狀系數(shù)其中a、b、c依次為顆粒三軸徑的最長(zhǎng)、次長(zhǎng)、最短的半距離，p為顆粒三軸徑中最短半距離和次長(zhǎng)半距離的比值，q為顆粒三軸徑中次長(zhǎng)半距離和最長(zhǎng)半距離的比值；

(3)縮分開口-速度模型構(gòu)建與訓(xùn)練：

①礦物質(zhì)縮分影響因子獲取S31：實(shí)時(shí)獲取當(dāng)前礦物質(zhì)的堆積密度D、松散系數(shù)K、比表面形狀系數(shù)φ；

②自適應(yīng)混合縮分控制初始化S32：?jiǎn)?dòng)初始化，初始化啟動(dòng)后依據(jù)縮分開口-速度模型進(jìn)行自適應(yīng)控制，所述縮分開口-速度模型采用的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)N，N的偏置b_k取值為0.5，k＝0,1,2,3，礦物質(zhì)的堆積密度D、松散系數(shù)K、比表面形狀系數(shù)φ的實(shí)時(shí)數(shù)據(jù)為輸入層；

③雙卷積-采樣特征提取S33：提取C_ij-S_ij為雙卷積-采樣特征層，i＝1,2；j＝1,2,3,4,5，其中C_ij為第i層第j個(gè)卷積特征結(jié)點(diǎn)，S_ij為第i層第j個(gè)采樣特征結(jié)點(diǎn)；

④量子神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)模糊優(yōu)化S34：通過在自適應(yīng)混合縮分控制模型中的輸出層之前增加量子神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)模糊優(yōu)化層，對(duì)不確定性的數(shù)據(jù)進(jìn)行優(yōu)化處理，Qj為量子神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)模糊優(yōu)化層，j＝1,2,3,4,5，所述礦物質(zhì)混合縮分時(shí)縮分機(jī)的實(shí)時(shí)開口尺寸d、開口角度θ、開口斷面弧度Ar與縮分機(jī)電機(jī)速度v為輸出層，每一層的每一個(gè)量為一個(gè)節(jié)點(diǎn)N_i，任一節(jié)點(diǎn)N_i、N_j之間的網(wǎng)絡(luò)權(quán)值W_i,j構(gòu)成當(dāng)前時(shí)刻的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)N＝{W_i,j}，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)的過程，即對(duì)每一組輸入、輸出數(shù)據(jù)進(jìn)行映射，迭代得到新的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)權(quán)值的過程，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中的權(quán)值迭代由激活函數(shù)計(jì)算實(shí)現(xiàn)；

⑤礦物質(zhì)自適應(yīng)混合縮分S35：礦物質(zhì)自適應(yīng)混合縮分控制模型通過反饋訓(xùn)練完成后，得到由縮分開口-速度模型構(gòu)成的控制器，用以實(shí)現(xiàn)礦物質(zhì)自適應(yīng)混合縮分控制；

(4)將訓(xùn)練好的縮分開口-速度模型(d,θ,Ar,v)＝N(D,K,φ)固化到芯片中，得到自適應(yīng)混合縮分控制器，實(shí)時(shí)輸入礦物質(zhì)的堆積密度D、松散系數(shù)K、比表面形狀系數(shù)φ，計(jì)算得到礦物質(zhì)混合縮分時(shí)縮分機(jī)的實(shí)時(shí)開口尺寸d、開口角度θ、開口斷面弧度Ar與縮分機(jī)電機(jī)速度v，實(shí)現(xiàn)對(duì)礦物質(zhì)混合縮分的自適應(yīng)控制。