CN110577091A - 基于人工智能稳定混匀矿质量的方法、***及介质 - Google Patents

基于人工智能稳定混匀矿质量的方法、***及介质 Download PDF

Info

Publication number
CN110577091A
CN110577091A CN201910267375.7A CN201910267375A CN110577091A CN 110577091 A CN110577091 A CN 110577091A CN 201910267375 A CN201910267375 A CN 201910267375A CN 110577091 A CN110577091 A CN 110577091A
Authority
CN
China
Prior art keywords
content
representing
component content
discharging
neuron
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.)
Granted
Application number
CN201910267375.7A
Other languages
English (en)
Other versions
CN110577091B (zh
Inventor
董宁
顾奕华
李刚
张慧峰
马力
尹川
林玉华
倪伟菊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baoshan Iron and Steel Co Ltd
Shanghai Baosight Software Co Ltd
Original Assignee
Baoshan Iron and Steel Co Ltd
Shanghai Baosight Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Baoshan Iron and Steel Co Ltd, Shanghai Baosight Software Co Ltd filed Critical Baoshan Iron and Steel Co Ltd
Priority to CN201910267375.7A priority Critical patent/CN110577091B/zh
Publication of CN110577091A publication Critical patent/CN110577091A/zh
Application granted granted Critical
Publication of CN110577091B publication Critical patent/CN110577091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • 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
    • B65G65/00—Loading or unloading
    • B65G65/30—Methods or devices for filling or emptying bunkers, hoppers, tanks, or like containers, of interest apart from their use in particular chemical or physical processes or their application in particular machines, e.g. not covered by a single other subclass
    • B65G65/32—Filling devices
    • 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
    • B65G69/04—Spreading out the materials conveyed over the whole surface to be loaded; Trimming heaps of loose materials
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
    • C22B1/00—Preliminary treatment of ores or scrap
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Geology (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Health & Medical Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本发明提供了一种基于人工智能稳定混匀矿质量的方法、***及介质，包括：目标速率获取步骤：获取当前混匀堆料计划，根据获取的混匀堆料计划，计算获得总的目标速率、物料的目标成分含量及出料槽的出料速率，根据出料槽的出料速率计算物料的当前成分含量；物料含量判断步骤：根据获得的物料的目标成分含量及物料的当前成分含量，判断物料的当前成分含量是否符合物料的目标成分含量：若是，则返回目标速率获取步骤继续执行；否则，则进入槽速率优化步骤继续执行。本发明通过神经网络在线调整各槽切出速率的方法，智能控制切出物料含量的稳定性，减少人力频繁试错的成本，***更加智能。

Description

基于人工智能稳定混匀矿质量的方法、***及介质
技术领域
本发明涉及钢铁制造技术领域，具体地，涉及基于人工智能稳定混匀矿质量的方法、 ***及介质。
背景技术
在钢铁制造业领域，原料厂的混匀技术一直是核心技术，要混出合格的成品混匀矿， 主要采用人工结合计算机辅助计算的方式进行配料、调节圆盘给料机切出速率，用多尝 试的方法，让输出的成品混匀矿、TFe的含量达到合格的指标，虽然已经实施多年，基 本可以满足实际需要，但是耗费人工大量的精力去尝试调节速率，要凭多年的经验才能 更快的混出合格的成品混匀矿。由于大多数的原料厂是露天的，气候、温度或操作人员 误操作等外界因素的影响，成品混匀矿的、TFe等含量又会有所偏差，于是就需要操作 工重新调节速率来维持成品混匀矿的质量，有时会造成质量偏差较大，甚至成品混匀矿 的损失。
原料厂要混出合格的成品混匀矿，主要采用人工结合计算机辅助计算的方式进行配 料、调节圆盘给料机切出速率，用多尝试的方法，让输出的成品混匀矿、TFe的含量达 到合格的指标，虽然已经实施多年，基本可以满足实际需要，但是耗费人工大量的精力 去尝试调节速率，要凭多年的经验才能更快的混出合格的成品混匀矿。
开发智能混匀***，运用人工智能的方法实时在线调整圆盘给料机切出速率来稳定 物料质量，由此降低成本，提高混匀效果和效率
专利文献CN104649036B(申请号：201410811600.6)公开了一种提高混匀料稳定性的堆积方法，根据配料品种总数M和混匀矿配料仓数目N大小关系，以及配料仓参与配 料能力大小V，制定堆料计划：根据堆料总量A和参与配料N设定分组配料的组数m个 BLOCK，当某个BLOCK中，出现配料品种多，配料仓数少的情况，为实现在单一BLOCK 中有二种或更多的配料在同一个仓中下料，先按照近Si原则，进行料种选择，即所选 两种或更多种配料的SiO2含量相近，将单一BLOCK分成几段，按照预配比的计划量， 多种配料按顺序进仓，依次切出，实现在单一BLOCK中，有二种或更多的配料在同一个 仓中下料，保证混匀矿配料成分稳定。
专利文献CN1299051A(申请号：00100426.3)公开了一种混匀矿智能化堆积控制方法,包括制定大致计划、动态配槽和故障处理,制定大致计划是依照堆积计划表和预 想成分表,并根据经验用模糊综合评判原理以最能接近目标堆积成分为目的,计算各 原料品种和数量的最佳值,即得到大致计划表,然后对各个配料槽的切出量进行动态 配槽,即根据已经从定量给料器输出原料的成分、数量,推算出已堆出的混匀矿中特定 成分如SiO2、TFe的含量,再根据此值调整定量给料器的切出速度
专利文献CN104561411A(申请号：201510034618.4)公开一种能有效提高混匀矿质量的配料方法，其特征在于包括对小矿种和***配矿进行预配混造堆的原料准备步骤； 装备的配料料仓数为配料料仓数＝堆料层数/堆积层数+X，其中X≥0的料仓准备步骤； 按成分差异的优先顺序：SiO2＞TFe＞水分＞粒度，将成分差异大的配料矿种选择装在 相邻近的两个仓内的原料装仓步骤；在满足生产需要的条件下，造堆上料量逼近上料量 下限值，其中：上料量下限值＝配料仓量程下限值×配料仓个数的造堆步骤。
以上专利均为配槽和配料的方法，而本发明涉及人工智能调速的方法。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于人工智能稳定混匀矿质量的 方法、***及介质。
根据本发明提供的一种基于人工智能稳定混匀矿质量的方法，包括：
目标速率获取步骤：获取当前混匀堆料计划，根据获取的混匀堆料计划，计算获得总的目标速率、物料的目标成分含量及出料槽的出料速率，根据出料槽的出料速率计算 物料的当前成分含量；
物料含量判断步骤：根据获得的物料的目标成分含量及物料的当前成分含量，判断 物料的当前成分含量是否符合物料的目标成分含量：若是，则返回目标速率获取步骤继续执行；否则，则进入槽速率优化步骤继续执行；
槽速率优化步骤：根据获得的物料的目标成分含量及物料的当前成分含量，使用神 经网络算法计算各出料槽的优化出料速率；
槽速率调整步骤：根据获得的各出料槽的优化出料速率及总的目标速率，对各出料 槽的出料速率进行调整。
优选地，所述目标速率获取步骤：
所述当前混匀堆料计划包括：堆料计划时间表、原料分配用量表、原料成分表、各各个品种物料的干量、含水量百分比、总的混匀堆料时间、出料槽的剩余出料时间、各 个时刻的出料槽内所有品种物料的剩余湿量之和、各个品种物料的成分含量；
根据所述当前混匀堆料计划，获得各个品种物料的品种物料干量及含水量百分比， 计算获得各品种物料的湿量，计算公式如下：
根据所述当前混匀堆料计划，获得总的混匀堆料时间，再根据获得的各品种物料的 湿量，计算获得总的目标速率，计算公式如下：
根据所述当前混匀堆料计划，获得各个品种物料的目标成分含量，再根据获得的各 个品种物料的湿量，计算获得物料的目标成分含量，计算公式如下：
品种物料的成分＝品种物料的成分含量*品种物料湿量
根据所述当前混匀堆料计划，获得出料槽内所有品种物料的剩余湿量和及出料槽的 剩余时间，计算获得出料槽的出料速率，计算公式如下：
根据获取的出料槽的出料速率，计算获得物料的当前成分含量，计算公式如下：
物料的当前成分含量
＝出料槽1正在切出的品种物料的成分含量×出料槽1的出料速率
+出料槽2正在切出的品种物料的成分含量×出料槽2的出料速率+…
+出料槽n正在切出的品种物料的成分含量×出料槽n的出料速率
其中，
n表示出料槽的个数。
优选地，所述槽速率优化步骤：
出料槽的速率变化值获取步骤：将获得的物料的目标成分含量、物料的当前成分含 量及预设的成分含量的偏差作为神经网络算法的输入，计算各出料槽的优化出料速率，计算过程如下：
人工神经网络隐含层第j个神经元的输入为：
其中，
m为输入层的神经元个数；
代表第p个训练样本的输入层第j个神经元，所述获得的物料的目标成分含量、物料的当前成分含量及预设的成分含量的偏差分别输入至神经元
表示隐含层第i个神经元在第p个训练样本作用下的输入；
ωji表示输入层和隐含层之间的权值；
表示隐含层第j个神经元在第p个训练样本作用下的输出；
表示隐含层第i个神经元在第p个训练样本作用下的输出；
θi表示隐含层神经元i的阈值；
g(x)是隐含层神经元的非线性映射函数，包括：Sigmoid函数；
人工神经网络输出层第k个神经元的输入为：
其中，
表示输出层第k个神经元在第p个训练样本作用下的输入；
ωki表示输出层和隐含层之间的权系数；
θk表示输出层神经元k的阈值；
q为隐含层的神经元个数；
人工神经网络输出层第k个神经元的输出为：
其中，
表示输出层第k个神经元的输出，即出料槽的速率变化值；
输出层激活函数的导函数为：
对于第p个训练样本的输入模式对的二次型误差函数，即性能指标为：
其中，
Jp表示性能指标；
表示预设目标输出值；
判定性能指标Jp是否符合预设标准：若是，则进入槽速率调整步骤继续执行；否则， 则进入性能指标调整步骤继续执行。
优选地，所述性能指标调整步骤：
按使误差函数Jp减小最快的方向调整加权系数，利用梯度下降法，直到获得满意的 加权系数集为止，调整过程如下：
其中，
η表示学习速率；
Δωki表示权系数的调整增量；
表示性能指标求导；
表示隐含层和输出层的权系数；
表示对输出层的输出求导；
因此输出层的任意神经元k的加权系数修正公式为：
其中，
表示输出层的中间变量；
可得隐层的权值变量调整为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
表示输入层的中间变量；
输出层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωki表示调整的输出层和隐含层之间的权系数增量；
k表示输出层的某个神经元序号；
隐含层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
学习过程按使误差函数J减小最快的方向调整加权系数，可得输出层和隐含层的任 意神经元k和i的所有样本作用时的加权系数增量公式：
根据获得的加权系数增量，对加权系数ωki和ωji进行修改，返回槽速率优化步骤继 续执行。
优选地，所述槽速率调整步骤：
根据获得的总的目标速率和输出层第k个神经元的输出调整各个出料槽的速率， 将调整后的各个出料槽的速率相加获得神经网络优化后的各槽速率之和，计算获得出料 槽k最终的目标速率，计算方式如下：
出料槽k最终的目标速率＝μ×神经网络优化后的槽k目标速率，k＝1，2，……，n；
根据获得出料槽k最终的目标速率，调整各出料槽的速率。
本发明提供的基于人工智能稳定混匀矿质量的***，可以通过本发明给的基于人工智能稳定混匀矿质量的方法的步骤流程实现。本领域技术人员可以将所述基于人工 智能稳定混匀矿质量的方法，理解为所述基于人工智能稳定混匀矿质量的***的一个 优选例。
根据本发明提供的一种基于人工智能稳定混匀矿质量的***，包括：
目标速率获取模块：获取当前混匀堆料计划，根据获取的混匀堆料计划，计算获得总的目标速率、物料的目标成分含量及出料槽的出料速率，根据出料槽的出料速率计算 物料的当前成分含量；
物料含量判断模块：根据获得的物料的目标成分含量及物料的当前成分含量，判断 物料的当前成分含量是否符合物料的目标成分含量：若是，则调用目标速率获取模块；否则，则调用槽速率优化模块；
槽速率优化模块：根据获得的物料的目标成分含量及物料的当前成分含量，使用神 经网络算法计算各出料槽的优化出料速率；
槽速率调整模块：根据获得的各出料槽的优化出料速率及总的目标速率，对各出料 槽的出料速率进行调整。
优选地，所述目标速率获取模块：
所述当前混匀堆料计划包括：堆料计划时间表、原料分配用量表、原料成分表、各各个品种物料的干量、含水量百分比、总的混匀堆料时间、出料槽的剩余出料时间、各 个时刻的出料槽内所有品种物料的剩余湿量之和、各个品种物料的成分含量；
根据所述当前混匀堆料计划，获得各个品种物料的品种物料干量及含水量百分比， 计算获得各品种物料的湿量，计算公式如下：
根据所述当前混匀堆料计划，获得总的混匀堆料时间，再根据获得的各品种物料的 湿量，计算获得总的目标速率，计算公式如下：
根据所述当前混匀堆料计划，获得各个品种物料的目标成分含量，再根据获得的各 个品种物料的湿量，计算获得物料的目标成分含量，计算公式如下：
品种物料的成分＝品种物料的成分含量*品种物料湿量
根据所述当前混匀堆料计划，获得出料槽内所有品种物料的剩余湿量和及出料槽的 剩余时间，计算获得出料槽的出料速率，计算公式如下：
根据获取的出料槽的出料速率，计算获得物料的当前成分含量，计算公式如下：
物料的当前成分含量
＝出料槽1正在切出的品种物料的成分含量×出料槽1的出料速率
+出料槽2正在切出的品种物料的成分含量×出料槽2的出料速率+…
+出料槽n正在切出的品种物料的成分含量×出料槽n的出料速率
其中，
n表示出料槽的个数。
优选地，所述槽速率优化模块：
出料槽的速率变化值获取模块：将获得的物料的目标成分含量、物料的当前成分含 量及预设的成分含量的偏差作为神经网络算法的输入，计算各出料槽的优化出料速率，计算过程如下：
人工神经网络隐含层第j个神经元的输入为：
其中，
m为输入层的神经元个数；
代表第p个训练样本的输入层第j个神经元，所述获得的物料的目标成分含量、物料的当前成分含量及预设的成分含量的偏差分别输入至神经元
表示隐含层第i个神经元在第p个训练样本作用下的输入；
ωji表示输入层和隐含层之间的权值；
表示隐含层第j个神经元在第p个训练样本作用下的输出；
表示隐含层第i个神经元在第p个训练样本作用下的输出；
θi表示隐含层神经元i的阈值；
g(x)是隐含层神经元的非线性映射函数，包括：Sigmoid函数；
人工神经网络输出层第k个神经元的输入为：
其中，
表示输出层第k个神经元在第p个训练样本作用下的输入；
ωki表示输出层和隐含层之间的权系数；
θk表示输出层神经元k的阈值；
q为隐含层的神经元个数；
人工神经网络输出层第k个神经元的输出为：
其中，
表示输出层第k个神经元的输出，即出料槽的速率变化值；
输出层激活函数的导函数为：
对于第p个训练样本的输入模式对的二次型误差函数，即性能指标为：
其中，
Jp表示性能指标；
表示预设目标输出值；
判定性能指标Jp是否符合预设标准：若是，则调用槽速率调整模块；否则，则调用性能指标调整模块。
优选地，所述性能指标调整模块：
按使误差函数Jp减小最快的方向调整加权系数，利用梯度下降法，直到获得满意的 加权系数集为止，调整过程如下：
其中，
η表示学习速率；
Δωki表示权系数的调整增量；
表示性能指标求导；
表示隐含层和输出层的权系数；
表示对输出层的输出求导；
因此输出层的任意神经元k的加权系数修正公式为：
其中，
表示输出层的中间变量；
可得隐层的权值变量调整为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
表示输入层的中间变量；
输出层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωki表示调整的输出层和隐含层之间的权系数增量；
k表示输出层的某个神经元序号；
隐含层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
学习过程按使误差函数J减小最快的方向调整加权系数，可得输出层和隐含层的任 意神经元k和i的所有样本作用时的加权系数增量公式：
根据获得的加权系数增量，对加权系数ωki和ωji进行修改，调用槽速率优化模块；
所述槽速率调整模块：
根据获得的总的目标速率和输出层第k个神经元的输出调整各个出料槽的速率， 将调整后的各个出料槽的速率相加获得神经网络优化后的各槽速率之和，计算获得出料 槽k最终的目标速率，计算方式如下：
出料槽k最终的目标速率＝μ×神经网络优化后的槽k目标速率，k＝1，2，……，n；
根据获得出料槽k最终的目标速率，调整各出料槽的速率。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，其特征在于，所 述计算机程序被处理器执行时实现上述中任一项所述的基于人工智能稳定混匀矿质量的方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
本发明通过神经网络在线调整各槽切出速率的方法，智能控制切出物料含量的稳定 性，减少人力频繁试错的成本，***更加智能。现场作业过程中，智能调节圆盘给料机切出速率的方法得到有效利用，经过一年的监控，切出物料质量稳定，减少废料率，达 到了智能调整圆盘给料机切出速率的效果，为原料厂有效节约成本。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目 的和优点将会变得更明显：
图1为本发明的优选例1提供的神经网络的模型示意图。
图2为本发明的优选例1提供的智能混匀***的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人 员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于 本发明的保护范围。
根据本发明提供的一种基于人工智能稳定混匀矿质量的方法，包括：
目标速率获取步骤：获取当前混匀堆料计划，根据获取的混匀堆料计划，计算获得总的目标速率、物料的目标成分含量及出料槽的出料速率，根据出料槽的出料速率计算 物料的当前成分含量；
物料含量判断步骤：根据获得的物料的目标成分含量及物料的当前成分含量，判断 物料的当前成分含量是否符合物料的目标成分含量：若是，则返回目标速率获取步骤继续执行；否则，则进入槽速率优化步骤继续执行；
槽速率优化步骤：根据获得的物料的目标成分含量及物料的当前成分含量，使用神 经网络算法计算各出料槽的优化出料速率；
槽速率调整步骤：根据获得的各出料槽的优化出料速率及总的目标速率，对各出料 槽的出料速率进行调整。
具体地，所述目标速率获取步骤：
所述当前混匀堆料计划包括：堆料计划时间表、原料分配用量表、原料成分表、各各个品种物料的干量、含水量百分比、总的混匀堆料时间、出料槽的剩余出料时间、各 个时刻的出料槽内所有品种物料的剩余湿量之和、各个品种物料的成分含量；
根据所述当前混匀堆料计划，获得各个品种物料的品种物料干量及含水量百分比， 计算获得各品种物料的湿量，计算公式如下：
根据所述当前混匀堆料计划，获得总的混匀堆料时间，再根据获得的各品种物料的 湿量，计算获得总的目标速率，计算公式如下：
根据所述当前混匀堆料计划，获得各个品种物料的目标成分含量，再根据获得的各 个品种物料的湿量，计算获得物料的目标成分含量，计算公式如下：
品种物料的成分＝品种物料的成分含量*品种物料湿量
根据所述当前混匀堆料计划，获得出料槽内所有品种物料的剩余湿量和及出料槽的 剩余时间，计算获得出料槽的出料速率，计算公式如下：
根据获取的出料槽的出料速率，计算获得物料的当前成分含量，计算公式如下：
物料的当前成分含量
＝出料槽1正在切出的品种物料的成分含量×出料槽1的出料速率
+出料槽2正在切出的品种物料的成分含量×出料槽2的出料速率+…
+出料槽n正在切出的品种物料的成分含量×出料槽n的出料速率
其中，
n表示出料槽的个数。
具体地，所述槽速率优化步骤：
出料槽的速率变化值获取步骤：将获得的物料的目标成分含量、物料的当前成分含 量及预设的成分含量的偏差作为神经网络算法的输入，计算各出料槽的优化出料速率，计算过程如下：
人工神经网络隐含层第j个神经元的输入为：
其中，
m为输入层的神经元个数；
代表第p个训练样本的输入层第j个神经元，所述获得的物料的目标成分含量、物料的当前成分含量及预设的成分含量的偏差分别输入至神经元
表示隐含层第i个神经元在第p个训练样本作用下的输入；
ωji表示输入层和隐含层之间的权值；
表示隐含层第j个神经元在第p个训练样本作用下的输出；
表示隐含层第i个神经元在第p个训练样本作用下的输出；
θi表示隐含层神经元i的阈值；
g(x)是隐含层神经元的非线性映射函数，包括：Sigmoid函数；
人工神经网络输出层第k个神经元的输入为：
其中，
表示输出层第k个神经元在第p个训练样本作用下的输入；
ωki表示输出层和隐含层之间的权系数；
θk表示输出层神经元k的阈值；
q为隐含层的神经元个数；
人工神经网络输出层第k个神经元的输出为：
其中，
表示输出层第k个神经元的输出，即出料槽的速率变化值；
输出层激活函数的导函数为：
对于第p个训练样本的输入模式对的二次型误差函数，即性能指标为：
其中，
Jp表示性能指标；
表示预设目标输出值；
判定性能指标Jp是否符合预设标准：若是，则进入槽速率调整步骤继续执行；否则， 则进入性能指标调整步骤继续执行。
具体地，所述性能指标调整步骤：
按使误差函数Jp减小最快的方向调整加权系数，利用梯度下降法，直到获得满意的 加权系数集为止，调整过程如下：
其中，
η表示学习速率；
Δωki表示权系数的调整增量；
表示性能指标求导；
表示隐含层和输出层的权系数；
表示对输出层的输出求导；
因此输出层的任意神经元k的加权系数修正公式为：
其中，
表示输出层的中间变量；
可得隐层的权值变量调整为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
表示输入层的中间变量；
输出层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωki表示调整的输出层和隐含层之间的权系数增量；
k表示输出层的某个神经元序号；
隐含层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
学习过程按使误差函数J减小最快的方向调整加权系数，可得输出层和隐含层的任 意神经元k和i的所有样本作用时的加权系数增量公式：
根据获得的加权系数增量，对加权系数ωki和ωji进行修改，返回槽速率优化步骤继 续执行。
具体地，所述槽速率调整步骤：
根据获得的总的目标速率和输出层第k个神经元的输出调整各个出料槽的速率， 将调整后的各个出料槽的速率相加获得神经网络优化后的各槽速率之和，计算获得出料 槽k最终的目标速率，计算方式如下：
出料槽k最终的目标速率＝μ×神经网络优化后的槽k目标速率，k＝1，2，……，n；
根据获得出料槽k最终的目标速率，调整各出料槽的速率。
本发明提供的基于人工智能稳定混匀矿质量的***，可以通过本发明给的基于人工智能稳定混匀矿质量的方法的步骤流程实现。本领域技术人员可以将所述基于人工 智能稳定混匀矿质量的方法，理解为所述基于人工智能稳定混匀矿质量的***的一个 优选例。
根据本发明提供的一种基于人工智能稳定混匀矿质量的***，包括：
目标速率获取模块：获取当前混匀堆料计划，根据获取的混匀堆料计划，计算获得总的目标速率、物料的目标成分含量及出料槽的出料速率，根据出料槽的出料速率计算 物料的当前成分含量；
物料含量判断模块：根据获得的物料的目标成分含量及物料的当前成分含量，判断 物料的当前成分含量是否符合物料的目标成分含量：若是，则调用目标速率获取模块；否则，则调用槽速率优化模块；
槽速率优化模块：根据获得的物料的目标成分含量及物料的当前成分含量，使用神 经网络算法计算各出料槽的优化出料速率；
槽速率调整模块：根据获得的各出料槽的优化出料速率及总的目标速率，对各出料 槽的出料速率进行调整。
具体地，所述目标速率获取模块：
所述当前混匀堆料计划包括：堆料计划时间表、原料分配用量表、原料成分表、各各个品种物料的干量、含水量百分比、总的混匀堆料时间、出料槽的剩余出料时间、各 个时刻的出料槽内所有品种物料的剩余湿量之和、各个品种物料的成分含量；
根据所述当前混匀堆料计划，获得各个品种物料的品种物料干量及含水量百分比， 计算获得各品种物料的湿量，计算公式如下：
根据所述当前混匀堆料计划，获得总的混匀堆料时间，再根据获得的各品种物料的 湿量，计算获得总的目标速率，计算公式如下：
根据所述当前混匀堆料计划，获得各个品种物料的目标成分含量，再根据获得的各 个品种物料的湿量，计算获得物料的目标成分含量，计算公式如下：
品种物料的成分＝品种物料的成分含量*品种物料湿量
根据所述当前混匀堆料计划，获得出料槽内所有品种物料的剩余湿量和及出料槽的 剩余时间，计算获得出料槽的出料速率，计算公式如下：
根据获取的出料槽的出料速率，计算获得物料的当前成分含量，计算公式如下：
物料的当前成分含量
＝出料槽1正在切出的品种物料的成分含量×出料槽1的出料速率
+出料槽2正在切出的品种物料的成分含量×出料槽2的出料速率+…
+出料槽n正在切出的品种物料的成分含量×出料槽n的出料速率
其中，
n表示出料槽的个数。
具体地，所述槽速率优化模块：
出料槽的速率变化值获取模块：将获得的物料的目标成分含量、物料的当前成分含 量及预设的成分含量的偏差作为神经网络算法的输入，计算各出料槽的优化出料速率，计算过程如下：
人工神经网络隐含层第j个神经元的输入为：
其中，
m为输入层的神经元个数；
代表第p个训练样本的输入层第j个神经元，所述获得的物料的目标成分含量、物料的当前成分含量及预设的成分含量的偏差分别输入至神经元
表示隐含层第i个神经元在第p个训练样本作用下的输入；
ωji表示输入层和隐含层之间的权值；
表示隐含层第j个神经元在第p个训练样本作用下的输出；
表示隐含层第i个神经元在第p个训练样本作用下的输出；
θi表示隐含层神经元i的阈值；
g(x)是隐含层神经元的非线性映射函数，包括：Sigmoid函数；
人工神经网络输出层第k个神经元的输入为：
其中，
表示输出层第k个神经元在第p个训练样本作用下的输入；
ωki表示输出层和隐含层之间的权系数；
θk表示输出层神经元k的阈值；
q为隐含层的神经元个数；
人工神经网络输出层第k个神经元的输出为：
其中，
表示输出层第k个神经元的输出，即出料槽的速率变化值；
输出层激活函数的导函数为：
对于第p个训练样本的输入模式对的二次型误差函数，即性能指标为：
其中，
Jp表示性能指标；
表示预设目标输出值；
判定性能指标Jp是否符合预设标准：若是，则调用槽速率调整模块；否则，则调用性能指标调整模块。
具体地，所述性能指标调整模块：
按使误差函数Jp减小最快的方向调整加权系数，利用梯度下降法，直到获得满意的 加权系数集为止，调整过程如下：
其中，
η表示学习速率；
Δωki表示权系数的调整增量；
表示性能指标求导；
表示隐含层和输出层的权系数；
表示对输出层的输出求导；
因此输出层的任意神经元k的加权系数修正公式为：
其中，
表示输出层的中间变量；
可得隐层的权值变量调整为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
表示输入层的中间变量；
输出层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωki表示调整的输出层和隐含层之间的权系数增量；
k表示输出层的某个神经元序号；
隐含层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
学习过程按使误差函数J减小最快的方向调整加权系数，可得输出层和隐含层的任 意神经元k和i的所有样本作用时的加权系数增量公式：
根据获得的加权系数增量，对加权系数ωki和ωji进行修改，调用槽速率优化模块；
所述槽速率调整模块：
根据获得的总的目标速率和输出层第k个神经元的输出调整各个出料槽的速率， 将调整后的各个出料槽的速率相加获得神经网络优化后的各槽速率之和，计算获得出料 槽k最终的目标速率，计算方式如下：
出料槽k最终的目标速率＝μ×神经网络优化后的槽k目标速率，k＝1，2，……，n；
根据获得出料槽k最终的目标速率，调整各出料槽的速率。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，其特征在于，所 述计算机程序被处理器执行时实现上述中任一项所述的基于人工智能稳定混匀矿质量的方法的步骤。
下面通过优选例，对本发明进行更为具体地说明。
优选例1：
本发明主要解决的技术问题是提供一种基于人工智能调节混匀***圆盘给料机切 出速率来稳定物料质量的方法，当混匀过程中SiO2、TFe的含量有波动时，此方法可以实时在线调整圆盘给料机切出速率，使混匀物料质量稳定，采用的算法为神经网络算法，利用BP神经网络的前馈运算和误差反向传播，且可以逼近任意非线性函数的特点，使 每个槽的切出速度达到合理的要求，SiO2、TFe的含量在合格范围内，调节下图中的槽 速率(y1～y10)，最终使下面公式成立：
SiO2目标含量＝槽1正在切出物料的SiO2含量×槽1速率(y1)
+槽2正在切出物料的SiO2含量×槽2速率(y2)+…
+槽10正在切出物料的SiO2含量×槽10速率(y10)
具体实施方案如下：
该混匀***首先载入大堆计划，大堆计划包括堆计划时间表、原料分配用量表、原料成分表等，根据计划表，算出要混出的SiO2、TFe的目标含量(以SiO2为例，TFe的 计算公式相同)，大堆总的目标速率等参数。
SiO2当前含量＝槽1正在切出物料的SiO2含量×槽1当前速率
+槽2正在切出物料的SiO2含量×槽2当前速率+…
+槽10正在切出物料的SiO2含量×槽10当前速率
然后选择大堆即开始大堆，所有的圆盘给料机开始运行，在非‘全自动控制’模式给每个槽选择要切出的品种，一般大于一半的槽，点击‘优化’，可通过神经网络在线 调整各槽的切出速率，或者自动模式下，即勾选上‘全自动模式’按钮，混匀***会按 默认的顺序切出，当发现当前的SiO2含量与目标SiO2含量偏差大于允许偏差时，自动 启动神经网络优化各槽速率。
所提出的神经网络在计算机中通过C++实现，具体方法如下：
1.把SiO2目标含量、SiO2当前含量,TFe目标含量、TFe当前含量以及SiO2、TFe 含量偏差作为神经网络的输入端，所述的SiO2目标含量、SiO2当前含量,TFe目标含量、 TFe当前含量全部由前述公式求出，根据隐含层神经元公式在经过无 数次样本训练过程中，增加或减少隐含层神经元数量，发现隐含层为12个神经元时， 效果最佳，并在所述人工神经网络控制模块的输出端输出10个槽的最优速率，神经网 络的模型如附图1所示。
2.通过反馈原理，把反馈的值作为控制的输入，是自动控制理论的核心，智能混匀***就用了这个原理，流程图如附图2所示：
3.模型搭建好后，进行神经网络算法的实现：
1)对采样得到的训练样本数据进行归一化处理；
2)初始化权值ωij和ωki，ωij是人工神经网络输入层和隐含层之间的权值，ωki是人工 神经网络隐含层和输出层之间的权值；
所述的前向计算方式为：
人工神经网络隐含层第j个神经元的输入为：
其中，
m为输入层的神经元个数；
代表第p个训练样本的输入层第j个神经元；
表示隐含层第i个神经元在样本P作用下的输入
ωji表示输入层和隐含层之间的权值
表示隐含层第j个神经元在样本P作用下的输出；
θi表示隐含层神经元i的阈值
式中g(x)是隐含层神经元的非线性映射函数，例如Sigmoid函数：
人工神经网络输出层第k个神经元的输入为：
其中，
表示输出层第k个神经元在样本P作用下的输入
ωik表示隐含层和输出层之间的权值
θk表示输出层神经元i的阈值
q为隐含层的神经元个数，
为隐含层第i个神经元的输出。
人工神经网络输出层第k个神经元的输出为：
即：
...
式中，因为y1,y2……y10为速率增量值可以是增加或减少的，所以输出层神经元活化函数取为正负对称的Sigmoid函数：
表示输出层第k个神经元的输出
表示输出层第k个神经元的输出
输出层激活函数的导函数为：
对于每一个样本p的输入模式对的二次型误差函数，也就是性能指标J为：
JP表示性能指标
表示目标输出
学习过程按使误差函数Jp减小最快的方向调整加权系数，利用梯度下降法，直到获 得满意的加权系数集为止。
其中，
η表示学习速率；
Δωki表示权系数的调整增量；
表示性能指标求导；
表示隐含层和输出层的权系数；
表示对输出层的输出求导；
ωik表示：输出层和隐含层之间的权系数
表示：隐含层的输出
θk表示：输出层的阈值
其中，
表示：为了简化计算，设的输出层的中间变量。
因此输出层的任意神经元k的加权系数修正公式为
则最终
同理，可得隐层的权值变量调整为：
Δωij表示：调整的输入层和隐含层之间的权系数增量
表示：为了简化计算，设的输入层的中间变量。
表示：输入层的输出
输出层的任意神经元k在样本p作用时的加权系数改进公式为：
Δωik表示：调整的输出层和隐含层之间的权系数增量
k表示：输出层的某个神经元
隐含层的任意神经元k在样本p作用时的加权系数改进公式为：
Δωij表示：调整的输入层和隐含层之间的权系数增量
如果学习过程按使误差函数J减小最快的方向调整加权系数，采用类似的推导过程 可得输出层和隐含层的任意神经元k和i的所有样本作用时的加权系数增量公式：
4.每次神经网络输出各槽的速率后，需要把各槽速率相加，用总的目标速率放大或 缩小，运用的公式为：
槽k最终的目标速率＝μ×神经网络优化后的槽k目标速率(k＝1，2……10)
5.神经网络算法调节圆盘给料机切出速率采用C++开发语言进行编写。
优选例2：
根据神经网络的算法，采用C++编译程序，采用C#编译前台画面，操作时，在画面上选择大堆即开始大堆，所有的圆盘给料机开始运行，画面上有可勾选的‘全自动模式’。在非‘全自动控制’模式给每个槽选择要切出的品种，一般大于一半的槽，点击‘优化’， 可通过神经网络在线调整各槽的切出速率，或者自动模式下，即勾选上‘全自动模式’ 按钮，混匀***会按默认的顺序切出，当发现当前的含量与目标含量偏差大于允许偏 差时，自动启动神经网络优化各槽速率。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***、 装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系 统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的***、装置及其各个模块可以 被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件 内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以 是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特 定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意 相互组合。

Claims (10)

1.一种基于人工智能稳定混匀矿质量的方法，其特征在于，包括：
目标速率获取步骤：获取当前混匀堆料计划，根据获取的混匀堆料计划，计算获得总的目标速率、物料的目标成分含量及出料槽的出料速率，根据出料槽的出料速率计算物料的当前成分含量；
物料含量判断步骤：根据获得的物料的目标成分含量及物料的当前成分含量，判断物料的当前成分含量是否符合物料的目标成分含量：若是，则返回目标速率获取步骤继续执行；否则，则进入槽速率优化步骤继续执行；
槽速率优化步骤：根据获得的物料的目标成分含量及物料的当前成分含量，使用神经网络算法计算各出料槽的优化出料速率；
槽速率调整步骤：根据获得的各出料槽的优化出料速率及总的目标速率，对各出料槽的出料速率进行调整。
2.根据权利要求1所述的基于人工智能稳定混匀矿质量的方法，其特征在于，所述目标速率获取步骤：
所述当前混匀堆料计划包括：堆料计划时间表、原料分配用量表、原料成分表、各各个品种物料的干量、含水量百分比、总的混匀堆料时间、出料槽的剩余出料时间、各个时刻的出料槽内所有品种物料的剩余湿量之和、各个品种物料的成分含量；
根据所述当前混匀堆料计划，获得各个品种物料的品种物料干量及含水量百分比，计算获得各品种物料的湿量，计算公式如下：
根据所述当前混匀堆料计划，获得总的混匀堆料时间，再根据获得的各品种物料的湿量，计算获得总的目标速率，计算公式如下：
根据所述当前混匀堆料计划，获得各个品种物料的目标成分含量，再根据获得的各个品种物料的湿量，计算获得物料的目标成分含量，计算公式如下：
品种物料的成分＝品种物料的成分含量*品种物料湿量
根据所述当前混匀堆料计划，获得出料槽内所有品种物料的剩余湿量和及出料槽的剩余时间，计算获得出料槽的出料速率，计算公式如下：
根据获取的出料槽的出料速率，计算获得物料的当前成分含量，计算公式如下：物料的当前成分含量＝出料槽1正在切出的品种物料的成分含量×出料槽1的出料速率+出料槽2正在切出的品种物料的成分含量×出料槽2的出料速率+…+出料槽n正在切出的品种物料的成分含量×出料槽n的出料速率
其中，
n表示出料槽的个数。
3.根据权利要求2所述的基于人工智能稳定混匀矿质量的方法，其特征在于，所述槽速率优化步骤：
出料槽的速率变化值获取步骤：将获得的物料的目标成分含量、物料的当前成分含量及预设的成分含量的偏差作为神经网络算法的输入，计算各出料槽的优化出料速率，计算过程如下：
人工神经网络隐含层第j个神经元的输入为：
其中，
m为输入层的神经元个数；
代表第p个训练样本的输入层第j个神经元，所述获得的物料的目标成分含量、物料的当前成分含量及预设的成分含量的偏差分别输入至神经元
表示隐含层第i个神经元在第p个训练样本作用下的输入；
ωji表示输入层和隐含层之间的权值；
表示隐含层第j个神经元在第p个训练样本作用下的输出；
表示隐含层第i个神经元在第p个训练样本作用下的输出；
θi表示隐含层神经元i的阈值；
g(x)是隐含层神经元的非线性映射函数，包括：Sigmoid函数；
人工神经网络输出层第k个神经元的输入为：
其中，
表示输出层第k个神经元在第p个训练样本作用下的输入；
ωki表示输出层和隐含层之间的权系数；
θk表示输出层神经元k的阈值；
q为隐含层的神经元个数；
人工神经网络输出层第k个神经元的输出为：
其中，
表示输出层第k个神经元的输出，即出料槽的速率变化值；
输出层激活函数的导函数为：
对于第p个训练样本的输入模式对的二次型误差函数，即性能指标为：
其中，
Jp表示性能指标；
表示预设目标输出值；
判定性能指标Jp是否符合预设标准：若是，则进入槽速率调整步骤继续执行；否则，则进入性能指标调整步骤继续执行。
4.根据权利要求3所述的基于人工智能稳定混匀矿质量的方法，其特征在于，所述性能指标调整步骤：
按使误差函数Jp减小最快的方向调整加权系数，利用梯度下降法，直到获得满意的加权系数集为止，调整过程如下：
其中，
η表示学习速率；
Δωki表示权系数的调整增量；
表示性能指标求导；
表示隐含层和输出层的权系数；
表示对输出层的输出求导；
因此输出层的任意神经元k的加权系数修正公式为：
其中，
表示输出层的中间变量；
可得隐层的权值变量调整为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
表示输入层的中间变量；
输出层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωki表示调整的输出层和隐含层之间的权系数增量；
k表示输出层的某个神经元序号；
隐含层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
学习过程按使误差函数J减小最快的方向调整加权系数，可得输出层和隐含层的任意神经元k和i的所有样本作用时的加权系数增量公式：
根据获得的加权系数增量，对加权系数ωki和ωji进行修改，返回槽速率优化步骤继续执行。
5.根据权利要求4所述的基于人工智能稳定混匀矿质量的方法，其特征在于，所述槽速率调整步骤：
根据获得的总的目标速率和输出层第k个神经元的输出调整各个出料槽的速率，将调整后的各个出料槽的速率相加获得神经网络优化后的各槽速率之和，计算获得出料槽k最终的目标速率，计算方式如下：
出料槽k最终的目标速率＝μ×神经网络优化后的槽k目标速率，k＝1，2，……，n；
根据获得出料槽k最终的目标速率，调整各出料槽的速率。
6.一种基于人工智能稳定混匀矿质量的***，其特征在于，包括：
目标速率获取模块：获取当前混匀堆料计划，根据获取的混匀堆料计划，计算获得总的目标速率、物料的目标成分含量及出料槽的出料速率，根据出料槽的出料速率计算物料的当前成分含量；
物料含量判断模块：根据获得的物料的目标成分含量及物料的当前成分含量，判断物料的当前成分含量是否符合物料的目标成分含量：若是，则调用目标速率获取模块；否则，则调用槽速率优化模块；
槽速率优化模块：根据获得的物料的目标成分含量及物料的当前成分含量，使用神经网络算法计算各出料槽的优化出料速率；
槽速率调整模块：根据获得的各出料槽的优化出料速率及总的目标速率，对各出料槽的出料速率进行调整。
7.根据权利要求6所述的基于人工智能稳定混匀矿质量的***，其特征在于，所述目标速率获取模块：
所述当前混匀堆料计划包括：堆料计划时间表、原料分配用量表、原料成分表、各各个品种物料的干量、含水量百分比、总的混匀堆料时间、出料槽的剩余出料时间、各个时刻的出料槽内所有品种物料的剩余湿量之和、各个品种物料的成分含量；
根据所述当前混匀堆料计划，获得各个品种物料的品种物料干量及含水量百分比，计算获得各品种物料的湿量，计算公式如下：
根据所述当前混匀堆料计划，获得总的混匀堆料时间，再根据获得的各品种物料的湿量，计算获得总的目标速率，计算公式如下：
根据所述当前混匀堆料计划，获得各个品种物料的目标成分含量，再根据获得的各个品种物料的湿量，计算获得物料的目标成分含量，计算公式如下：
品种物料的成分＝品种物料的成分含量*品种物料湿量
根据所述当前混匀堆料计划，获得出料槽内所有品种物料的剩余湿量和及出料槽的剩余时间，计算获得出料槽的出料速率，计算公式如下：
根据获取的出料槽的出料速率，计算获得物料的当前成分含量，计算公式如下：物料的当前成分含量＝出料槽1正在切出的品种物料的成分含量×出料槽1的出料速率+出料槽2正在切出的品种物料的成分含量×出料槽2的出料速率+…+出料槽n正在切出的品种物料的成分含量×出料槽n的出料速率
其中，
n表示出料槽的个数。
8.根据权利要求7所述的基于人工智能稳定混匀矿质量的***，其特征在于，所述槽速率优化模块：
出料槽的速率变化值获取模块：将获得的物料的目标成分含量、物料的当前成分含量及预设的成分含量的偏差作为神经网络算法的输入，计算各出料槽的优化出料速率，计算过程如下：
人工神经网络隐含层第j个神经元的输入为：
其中，
m为输入层的神经元个数；
代表第p个训练样本的输入层第j个神经元，所述获得的物料的目标成分含量、物料的当前成分含量及预设的成分含量的偏差分别输入至神经元
表示隐含层第i个神经元在第p个训练样本作用下的输入；
ωji表示输入层和隐含层之间的权值；
表示隐含层第j个神经元在第p个训练样本作用下的输出；
表示隐含层第i个神经元在第p个训练样本作用下的输出；
θi表示隐含层神经元i的阈值；
g(x)是隐含层神经元的非线性映射函数，包括：Sigmoid函数；
人工神经网络输出层第k个神经元的输入为：
其中，
表示输出层第k个神经元在第p个训练样本作用下的输入；
ωki表示输出层和隐含层之间的权系数；
θk表示输出层神经元k的阈值；
q为隐含层的神经元个数；
人工神经网络输出层第k个神经元的输出为：
其中，
表示输出层第k个神经元的输出，即出料槽的速率变化值；
输出层激活函数的导函数为：
对于第p个训练样本的输入模式对的二次型误差函数，即性能指标为：
其中，
Jp表示性能指标；
表示预设目标输出值；
判定性能指标Jp是否符合预设标准：若是，则调用槽速率调整模块；否则，则调用性能指标调整模块。
9.根据权利要求8所述的基于人工智能稳定混匀矿质量的***，其特征在于，所述性能指标调整模块：
按使误差函数Jp减小最快的方向调整加权系数，利用梯度下降法，直到获得满意的加权系数集为止，调整过程如下：
其中，
η表示学习速率；
Δωki表示权系数的调整增量；
表示性能指标求导；
表示隐含层和输出层的权系数；
表示对输出层的输出求导；
因此输出层的任意神经元k的加权系数修正公式为：
其中，
表示输出层的中间变量；
可得隐层的权值变量调整为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
表示输入层的中间变量；
输出层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωki表示调整的输出层和隐含层之间的权系数增量；
k表示输出层的某个神经元序号；
隐含层的任意神经元k在第p个训练样本作用时的加权系数改进公式为：
Δωji表示调整的输入层和隐含层之间的权系数增量；
学习过程按使误差函数J减小最快的方向调整加权系数，可得输出层和隐含层的任意神经元k和i的所有样本作用时的加权系数增量公式：
根据获得的加权系数增量，对加权系数ωki和ωji进行修改，调用槽速率优化模块；
所述槽速率调整模块：
根据获得的总的目标速率和输出层第k个神经元的输出调整各个出料槽的速率，将调整后的各个出料槽的速率相加获得神经网络优化后的各槽速率之和，计算获得出料槽k最终的目标速率，计算方式如下：
出料槽k最终的目标速率＝μ×神经网络优化后的槽k目标速率，k＝1，2，……，n；
根据获得出料槽k最终的目标速率，调整各出料槽的速率。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的基于人工智能稳定混匀矿质量的方法的步骤。
CN201910267375.7A 2019-04-03 2019-04-03 基于人工智能稳定混匀矿质量的方法、***及介质 Active CN110577091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910267375.7A CN110577091B (zh) 2019-04-03 2019-04-03 基于人工智能稳定混匀矿质量的方法、***及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910267375.7A CN110577091B (zh) 2019-04-03 2019-04-03 基于人工智能稳定混匀矿质量的方法、***及介质

Publications (2)

Publication Number Publication Date
CN110577091A true CN110577091A (zh) 2019-12-17
CN110577091B CN110577091B (zh) 2021-07-06

Family

ID=68810442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910267375.7A Active CN110577091B (zh) 2019-04-03 2019-04-03 基于人工智能稳定混匀矿质量的方法、***及介质

Country Status (1)

Country Link
CN (1) CN110577091B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118898A (zh) * 2021-10-22 2022-03-01 中冶南方工程技术有限公司 一种改进的混匀配料Block计划生成的方法、装置以及存储介质
CN114118899A (zh) * 2021-10-22 2022-03-01 中冶南方工程技术有限公司 一种混匀配料Block计划生成的方法、装置以及存储介质
CN114516553A (zh) * 2022-03-31 2022-05-20 宝钢资源控股(上海)有限公司 一种多品种铁矿石在港口的混匀生产***及方法
CN115520680A (zh) * 2021-06-25 2022-12-27 南京宝地梅山产城发展有限公司 一种基于料机无人化的精确堆料和取料方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1299051A (zh) * 2000-01-31 2001-06-13 上海宝钢集团公司 混匀矿智能化堆积控制方法
CN102059071A (zh) * 2010-11-16 2011-05-18 吕斌 一种用于烧结生产的自动配料控制***
CN205739532U (zh) * 2016-05-13 2016-11-30 缪磊 一种陶瓷干粉原料智能配比***
JP2017047976A (ja) * 2015-08-31 2017-03-09 宇部興産機械株式会社 ベルトコンベヤシステムの制御方法
CN107601064A (zh) * 2017-09-19 2018-01-19 中国计量大学 基于神经网络的直落失重式物料下料机及其控制器
CN107697660A (zh) * 2017-09-19 2018-02-16 中国计量大学 基于机器学习的螺杆式物料配料机控制方法
CN207786513U (zh) * 2017-12-26 2018-08-31 广州发展集团股份有限公司 自动配煤***
US10138728B2 (en) * 2015-05-29 2018-11-27 Joy Global Underground Mining Llc Controlling an output of a mining system
CN108946205A (zh) * 2018-08-28 2018-12-07 上海慧安科技股份有限公司 一种基于港口的铁矿配料混匀***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1299051A (zh) * 2000-01-31 2001-06-13 上海宝钢集团公司 混匀矿智能化堆积控制方法
CN102059071A (zh) * 2010-11-16 2011-05-18 吕斌 一种用于烧结生产的自动配料控制***
US10138728B2 (en) * 2015-05-29 2018-11-27 Joy Global Underground Mining Llc Controlling an output of a mining system
JP2017047976A (ja) * 2015-08-31 2017-03-09 宇部興産機械株式会社 ベルトコンベヤシステムの制御方法
CN205739532U (zh) * 2016-05-13 2016-11-30 缪磊 一种陶瓷干粉原料智能配比***
CN107601064A (zh) * 2017-09-19 2018-01-19 中国计量大学 基于神经网络的直落失重式物料下料机及其控制器
CN107697660A (zh) * 2017-09-19 2018-02-16 中国计量大学 基于机器学习的螺杆式物料配料机控制方法
CN207786513U (zh) * 2017-12-26 2018-08-31 广州发展集团股份有限公司 自动配煤***
CN108946205A (zh) * 2018-08-28 2018-12-07 上海慧安科技股份有限公司 一种基于港口的铁矿配料混匀***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李智，姚驻斌，张望兴，贺超武: "基于神经网络的混匀配料优化方法", 《钢铁研究》 *
赵波，王汉珍，张亚然: "iFix5.1在冶金原料混匀***中的应用", 《冶金自动化》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115520680A (zh) * 2021-06-25 2022-12-27 南京宝地梅山产城发展有限公司 一种基于料机无人化的精确堆料和取料方法
CN114118898A (zh) * 2021-10-22 2022-03-01 中冶南方工程技术有限公司 一种改进的混匀配料Block计划生成的方法、装置以及存储介质
CN114118899A (zh) * 2021-10-22 2022-03-01 中冶南方工程技术有限公司 一种混匀配料Block计划生成的方法、装置以及存储介质
CN114516553A (zh) * 2022-03-31 2022-05-20 宝钢资源控股(上海)有限公司 一种多品种铁矿石在港口的混匀生产***及方法

Also Published As

Publication number Publication date
CN110577091B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN110577091B (zh) 基于人工智能稳定混匀矿质量的方法、***及介质
CN110605178B (zh) 一种重介分选过程智能控制***及方法
Ramasamy et al. Control of ball mill grinding circuit using model predictive control scheme
CN101226377B (zh) 沥青混凝土搅拌设备配料误差的鲁棒控制方法
CN103968924A (zh) 一种基于多阶段控制的配料称重控制方法
CN104965532B (zh) 一种水泥生料配料控制***及方法
CN101907867B (zh) 一种基于工况识别的烧结终点参数自整定专家控制方法
CN100546791C (zh) 沥青混合料搅拌设备冷骨料给料控制方法
CN104384009B (zh) 一种基于Bang‑Bang控制的水泥联合粉磨预测控制方法
CN111765956B (zh) 料仓物料称重称量方法、料仓、装置和计算机可读存储介质
CN106886150B (zh) 一种基于c#的开路水泥联合半终粉磨自动控制方法及***
CN106406099B (zh) 基于模糊匹配和率值反馈的水泥配料***及方法
CN111932391B (zh) 一种碎矿或磨矿流程考察粒度分布数据一致性修正的计算方法
CN103129942A (zh) 一种颗粒料或粉料的加料称量控制***
CN102054125A (zh) 一种稳定入炉烧结矿化学成分的方法
CN116643547B (zh) 生产***的调控方法、生产***、电子设备及存储介质
CN114807596B (zh) 一种矿堆的配料控制方法和装置
CN112631121A (zh) 水泥自立式辊压磨自动监测控制方法及***
CN111668851A (zh) 一种电采暖负荷调节优化方法及装置
CN114637206B (zh) 一种基于双聚类自适应模糊神经网络的重量控制方法
Mutturi Dynamic optimization of fed-batch bioprocesses using flower pollination algorithm
CN115496403A (zh) 一种车间物流***调度方法、装置、电子设备及存储介质
CN110703713B (zh) 一种提高单装置多产品加工方案切换效率的方法
CN102540888B (zh) 一种在线指导自动控制方法
CN110639684B (zh) 一种半终水泥粉磨***的协调优化控制方法

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