CN113671919B - 一种建筑陶瓷间歇式球磨机泥浆制备控制方法 - Google Patents
一种建筑陶瓷间歇式球磨机泥浆制备控制方法 Download PDFInfo
- Publication number
- CN113671919B CN113671919B CN202110962112.5A CN202110962112A CN113671919B CN 113671919 B CN113671919 B CN 113671919B CN 202110962112 A CN202110962112 A CN 202110962112A CN 113671919 B CN113671919 B CN 113671919B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- equipment
- ball milling
- ball mill
- 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
- 239000002002 slurry Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000000919 ceramic Substances 0.000 title claims abstract description 14
- 238000002360 preparation method Methods 0.000 title claims abstract description 11
- 238000000498 ball milling Methods 0.000 claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000005484 gravity Effects 0.000 claims abstract description 18
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 239000000463 material Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000004537 pulping Methods 0.000 description 6
- 239000002994 raw material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32404—Scada supervisory control and data acquisition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Crushing And Grinding (AREA)
Abstract
一种建筑陶瓷间歇式球磨机泥浆制备控制方法,包括以下步骤:步骤S1:在球磨车间的设备中配置合适的传感器,采集设备工作时的数据;步骤S2:对收集后的数据进行清洗与按照时间顺序进行排列;步骤S3:根据预处理数据的数量与生产工艺选择相关的模型,将预处理数据代入模型进行训练,步骤S4:输入实时采集的数据到最终模型,预测出球磨车间调整参数的预测值,根据知识判断模型预测调整参数的预测值是否合理,其中调整参数为泥浆水分、筛余、流速与比重,本技术方案通过获取球磨车间中的设备的实际生产数据进行建模,在生产前只需要在最终模型上输入相关的原料数据以及泥浆规格要求,即可预测出球磨车间中的设备之间如何配合能够产出相应规格的泥浆。
Description
技术领域
本发明涉及建筑陶瓷泥浆制备技术领域,特别是一种建筑陶瓷间歇式球磨机泥浆制备控制方法。
背景技术
球磨机是物料被破碎之后,再进行粉碎的关键设备。这种类型磨矿机是在其筒体内装入一定数量的钢球作为研磨介质,球磨机可以运用于建筑陶瓷的泥浆生产。在建筑陶瓷原料球磨机泥浆制备车间,球磨是耗电及耗水高的工序。由于球磨的目的是为了获得合格的泥浆,包括泥浆的水分、细度、流速合格,同时需要兼顾制浆成本且提高制浆效率,以上控制都是依靠员工的经验进行操作,所以造成泥浆的质量及成本不一样。
如果使用传统泥浆制备技术,不仅致使员工的工作量增大和制浆成本的增加,且造成制备泥浆的质量不稳定,也不利于制浆效率的提高及后工序生产稳定性。
发明内容
针对上述缺陷,本发明的目的在于提出一种建筑陶瓷间歇式球磨机泥浆制备控制方法。
为达此目的,本发明采用以下技术方案:
一种建筑陶瓷间歇式球磨机泥浆制备控制方法包括以下步骤:
步骤S1:在球磨车间的设备中配置合适的传感器,并通过物联网采集设备工作时的数据;
步骤S2:对收集后的数据进行清洗与按照时间顺序进行排列,得到预处理数据;
步骤S3:根据预处理数据的数量与生产工艺选择相关的模型,将预处理数据代入模型进行训练,得到最终模型;
步骤S4:输入实时采集的数据到最终模型中,预测出球磨车间调整参数的预测值,根据知识判断模型预测调整参数的预测值是否合理,其中调整参数为球磨时间、加水量、化工量、球石加入量、泥浆水分、筛余、流速与比重;
若不合理,则重复步骤S1-S3,对相应的模型进行修正、优化及更新。
优选的,所述步骤S1具体如下:
所述球磨车间的设备包括,流水线的各种加工装配设备和PLC控制设备的一种或者多种的组合;
在球磨车间的设备上安装对应的数字孪生硬件设备,其中数字孪生硬件设备包括传感器、数据采集和监视设备一种或多种的组合;
通过SCADA***控制数字孪生硬件设备进行采集实际球磨车间的设备的实际生产数据,数据收集后,SCADA***通过握手机制把实际生产数据传输至设备仿真层。
优选的,所述步骤S2中对数据进行清洗包括数据处理以及数据挑选;
其中数据处理包括如下至少一种方法或多种方法的结合:数据归一化、标数据准化、数据降维;
所述数据挑选为对异常数据进行剔除,其中所述异常数据是指在数据采集过程中获得的跟生产不相符的数据或者生产发生异常过程中采集的数据。
优选的,若出现异常数据,在数据在按照时间顺序进行排列过程中,获取异常数据出现的时间的前后端点数据的平均值,并将该平均值排序在异常数据出现的时间。
优选的,所述步骤S3包括如下步骤:
步骤S31:在多个份预处理数据中,找出每个球磨机的球磨频次与找出每个球磨机的装载的干料量、球磨总时间;
步骤S32:使用集成学习梯度提升决策树GradientBoostingRegressor回归模型并根据干料量、球磨总时间、泥浆水分、筛余、流速及比重得到训练模型;
步骤S33:将预处理数据按预设比例划分为训练集数据与测试集数据,并将训练集数据代入到训练模型中,训练得到最终模型。
优选的,所述步骤S33设置所述训练模型中还需对每一项数据的权重值进行更新,具体步骤如下:
获取多组所述调整参数数据,获取每一项数据的权重值,其中获取权重值公式如下:
优选的,所述步骤S4的具体步骤如下:
步骤S41:将测试集数据代入到最终模型中获取由泥浆水分、筛余、流速和比重的预测值;
步骤S42:将泥浆水分、筛余、流速和比重的预测值代入到知识判断模型中得到预测评分,判断预测评分是否大于阈值,若是,则保留最终模型,若否则重复步骤S1-S3;
其中所述知识判断模型表达如下:
本发明的有益效果:本技术方案通过获取球磨车间中的设备的实际生产数据进行建模,在生产前只需要在最终模型上输入相关的原料数据以及泥浆规格要求,即可预测出球磨车间中的设备之间具体如何配合能生产出相应规格的泥浆。即便是新手也可以通过本申请的模型进行生产前的预测,获取生产数据,无需经验老道的师傅来进行预测,大大提高了泥浆生产的稳定性与生产原料的投入。
附图说明
图1是本发明的流程示意图;
图2是本发明一个实施例中球磨机的球磨频次统计图;
图3是本发明一个实施例中干料量与球磨总时间的关系图;
图4是本发明一个实施例中最终模型预测值与实际值的对比图;
图5是本发明一个实施例中不同最终模型预测值在知识判断模型的得分对比图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1~5所示,一种建筑陶瓷间歇式球磨机泥浆制备控制方法,包括以下步骤:
步骤S1:在球磨车间的设备中配置合适的传感器,并通过物联网采集设备工作时的数据;
步骤S2:对收集后的数据进行清洗与按照时间顺序进行排列,得到预处理数据;
步骤S3:根据预处理数据的数量与生产工艺选择相关的模型,将预处理数据代入模型进行训练,得到最终模型;
步骤S4:输入实时采集的数据到最终模型中,预测出球磨车间调整参数的预测值,根据知识判断模型预测调整参数的预测值是否合理,其中调整参数为球磨时间、加水量、化工量、球石加入量、泥浆水分、筛余、流速与比重;
若不合理,则重复步骤S1-S3,对相应的模型进行修正、优化及更新。
如果使用传统泥浆制备技术,泥浆的质量均是通过有经验的师傅进行调配与判断,这样不仅致使员工的工作量增大和制浆成本的增加,且造成制备泥浆的质量不稳定,也不利于制浆效率的提高及后工序生产稳定性。
本技术方案通过获取球磨车间中的设备的实际生产数据进行建模,在生产前只需要在最终模型上输入相关的原料数据以及泥浆规格要求,即可预测出球磨车间中的设备之间具体如何配合能生产出相应规格的泥浆。即便是新手也可以通过本申请的模型进行生产前的预测,获取生产数据,无需经验老道的师傅来进行预测,大大提高了泥浆生产的稳定性与生产原料的投入。
为此本申请的技术方案在球磨车间中的设备安装有传感器,通过传感器可以获取到设备在实际生产中的数据,生产的数据在通过联网采集设备进行采集;采集后的数据需要进行清洗处理后才能被使用,随后对不同规格的泥浆进行建模,使用预处理数据对模型进行训练,以保证的出来的最终模型输出的结果实用性。同时为了保证最终模型的结果准确性,本申请在得出最终模型后会将最终模型代入到知识判断模型中进行评分,若评分低于阈值,怎说明最终模型对于调整参数的预测值的准确性还是有所欠缺,需要对其重建。
优先的,所述步骤S1具体如下:
所述球磨车间的设备包括,流水线的各种加工装配设备和PLC控制设备的一种或者多种的组合;
在球磨车间的设备上安装对应的数字孪生硬件设备,其中数字孪生硬件设备包括传感器、数据采集和监视设备一种或多种的组合;
通过SCADA***控制数字孪生硬件设备进行采集实际球磨车间的设备的实际生产数据,数据收集后,SCADA***通过握手机制把实际生产数据传输至设备仿真层。
本申请中设置有设备仿真层,在设备仿真层中会虚拟出球磨车间的设备,并以图像的形式可视化,方便工作人员在工作时实时设备的工作状态。同时最终模型的数学模型会设置于设备仿真层中,可以在设备仿真层中输入泥浆所需规格,即可在设备仿真层中看到相关的调整参数。
优先的,所述步骤S2中对数据进行清洗包括数据处理以及数据挑选;
其中数据处理包括如下至少一种方法或多种方法的结合:数据归一化、标数据准化、数据降维;
所述数据挑选为对异常数据进行剔除,其中所述异常数据是指在数据采集过程中获得的跟生产不相符的数据或者生产发生异常过程中采集的数据。
由于收集到的数据是不能直接被最终模型所使用,需要将其转化为模型能使用的数据类型,同时在收集数据时有可能受到外界的影响而出现异常数据,在对数据进行清洗时,需要将异常数据删除,避免训练出来的最终模型出错。
优先的,若出现异常数据,在数据在按照时间顺序进行排列过程中,获取异常数据出现的时间的前后端点数据的平均值,并将该平均值排序在异常数据出现的时间。
因为在泥浆的制备时,其工序是有顺序性的,为了实现数据的数据间可追溯和为建模提供基础条件,必须将收集到的数据按时间顺序进行排列。而出现异常数据时,由于会删除异常数据,所以导致在出现异常数据该时间点或时间段的数据会变为空。为了保证数据的完整和时间顺序性。在出现异常数据时间点前后时间上获取正常的数据值的平均值来弥补空白的数据。
优先的,所述步骤S3包括如下步骤:
步骤S31:在多个份预处理数据中,找出每个球磨机的球磨频次与找出每个球磨机的装载的干料量、球磨总时间;
步骤S32:使用集成学习梯度提升决策树GradientBoostingRegressor回归模型并根据干料量、球磨总时间、泥浆水分、筛余、流速及比重得到训练模型;
步骤S33:将预处理数据按预设比例划分为训练集数据与测试集数据,并将训练集数据代入到训练模型中,训练得到最终模型。
由于泥浆的规格受到干料量、球磨总时间以及球磨机的球磨频次所影响,所以在实施例中对球磨工序获得的数据做数据统计分析,通过球磨机的样本数量,找出每个球磨机的球磨频次如图2;找出每个球磨机的装载的干料量、球磨总时间情况如图3。而泥浆的规格体现为泥浆的水分、筛余、流速及比重,通过将不同的干料量、球磨总时间、泥浆水分、筛余、流速及比重进行关联得到的模型就会得到不同泥浆规格的最终模型。而本申请中采用梯度提升决策树GradientBoostingRegressor回归模型来构建最终模型,是因为他是一种逐步集成,迭代更新的数学模型,在通过大量的训练数据训练后可以对原有的模型进行迭代更新,保证模型的预测结果的准确,最终确保最终模型具有教稳定性与极高的准确性。
而在一个实施例中,训练集数据与测试集数据的预设比例的比例为8∶2,而具体的预设比例可以根据预处理数据的量来决定,当预处理数据的数据量较大时,可以提高测试集数据的比值,以确保最终模型的准确性。
优先的,所述步骤S33设置所述训练模型中还需对每一项数据的权重值进行更新,具体步骤如下:
获取多组所述调整参数数据,获取每一项数据的权重值,其中获取权重值公式如下:
在调整参数中的泥浆水分、筛余、流速及比重都需要通过上去权重值公式分别求出其最终的权重值,由于在模型的初期无法正确的计算出每一项数据的权重,所以导致最终模型的结果不准确。所以当有真实的训练集数据时可以将其代入权重值公式中,不断更新其权重值,以保证在输入的数据对调整参数的影响是正确的。当第一组数据进行权重计算时,αn-1为***默认的参数,只有当计算第二组数据更新第一组权重值时αn-1才为前一组调整参数的权重值。
优选的,所述步骤S4的具体步骤如下:
步骤S41:将测试集数据代入到最终模型中获取由泥浆水分、筛余、流速和比重的预测值;
步骤S42:将泥浆水分、筛余、流速和比重的预测值代入到知识判断模型中得到预测评分,判断预测评分是否大于阈值,若是,则保留最终模型,若否则重复步骤S1-S3;
其中所述知识判断模型表达如下:
如图4~图5所示,得到最终模型后,在最终模型处输入实际生产的数据,得到泥浆水分、筛余、流速和比重的预测值,然后在收集实际生产中的泥浆水分、筛余、流速和比重的真实值,将两个数值都代入知识判断模型中,导出预测评分,所述预测评分R2的值在0~1之间,越靠近1时,代表最终模型的预测效果越好,反之越靠近0时,代表预测效果越差,需要重新对最终模型进行建模。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种建筑陶瓷间歇式球磨机泥浆制备控制方法,其特征在于:包括以下步骤:
步骤S1:在球磨车间的设备中配置合适的传感器,并通过物联网采集设备工作时的数据;
步骤S2:对收集后的数据进行清洗与按照时间顺序进行排列,得到预处理数据;
步骤S3:根据预处理数据的数量与生产工艺选择相关的模型,将预处理数据代入模型进行训练,得到最终模型;
步骤S4:输入实时采集的数据到最终模型中,预测出球磨车间调整参数的预测值,根据知识判断模型预测调整参数的预测值是否合理,其中调整参数为泥浆水分、筛余、流速与比重;
若不合理,则重复步骤S1-S3,对相应的模型进行修正、优化及更新;
所述步骤S4的具体步骤如下:
步骤S41:将测试集数据代入到最终模型中获取由泥浆水分、筛余、流速和比重的预测值;
步骤S42:将泥浆水分、筛余、流速和比重的预测值代入到知识判断模型中得到预测评分,判断预测评分是否大于阈值,若是,则保留最终模型,若否则重复步骤S1-S3;
其中所述知识判断模型表达如下:
所述步骤S3包括如下步骤:
步骤S31:在多个份预处理数据中,找出每个球磨机的球磨频次与找出每个球磨机的装载的干料量、球磨总时间;
步骤S32:使用集成学习梯度提升决策树GradientBoostingRegressor回归模型并根据干料量、球磨总时间、泥浆水分、筛余、流速及比重得到训练模型;
步骤S33:将预处理数据按预设比例划分为训练集数据与测试集数据,并将训练集数据代入到训练模型中,训练得到最终模型;
所述步骤S33设置所述训练模型中还需对每一项数据的权重值进行更新,具体步骤如下:
获取多组所述调整参数数据,获取每一项数据的权重值,其中获取权重值公式如下:
2.根据权利要求1所述的一种建筑陶瓷间歇式球磨机泥浆制备控制方法,其特征在于:所述步骤S1具体如下:
所述球磨车间的设备包括,流水线的各种加工装配设备和PLC控制设备的一种或者多种的组合;
在球磨车间的设备上安装对应的数字孪生硬件设备,其中数字孪生硬件设备包括传感器、数据采集和监视设备一种或多种的组合;
通过SCADA***控制数字孪生硬件设备进行采集实际球磨车间的设备的实际生产数据,数据收集后,SCADA***通过握手机制把实际生产数据传输至设备仿真层。
3.根据权利要求1所述的一种建筑陶瓷间歇式球磨机泥浆制备控制方法,其特征在于:所述步骤S2中对数据进行清洗包括数据处理以及数据挑选;
其中数据处理包括如下至少一种方法或多种方法的结合:数据归一化、标数据准化、数据降维;
所述数据挑选为对异常数据进行剔除,其中所述异常数据是指在数据采集过程中获得的跟生产不相符的数据或者生产发生异常过程中采集的数据。
4.根据权利要求3所述的一种建筑陶瓷间歇式球磨机泥浆制备控制方法,其特征在于:若出现异常数据,在数据在按照时间顺序进行排列过程中,获取异常数据出现的时间的前后端点数据的平均值,并将该平均值排序在异常数据出现的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110962112.5A CN113671919B (zh) | 2021-08-20 | 2021-08-20 | 一种建筑陶瓷间歇式球磨机泥浆制备控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110962112.5A CN113671919B (zh) | 2021-08-20 | 2021-08-20 | 一种建筑陶瓷间歇式球磨机泥浆制备控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113671919A CN113671919A (zh) | 2021-11-19 |
CN113671919B true CN113671919B (zh) | 2023-02-24 |
Family
ID=78544675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110962112.5A Active CN113671919B (zh) | 2021-08-20 | 2021-08-20 | 一种建筑陶瓷间歇式球磨机泥浆制备控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113671919B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114373352B (zh) * | 2021-12-20 | 2022-10-28 | 北京科技大学 | 一种选矿厂磨矿分级***检测与控制虚拟仿真实训*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344530A (zh) * | 2013-04-18 | 2013-10-09 | 中国科学院沈阳自动化研究所 | 一种球磨机水泥生料粉磨粒度软测量方法 |
CN106548210A (zh) * | 2016-10-31 | 2017-03-29 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法及装置 |
WO2020245915A1 (ja) * | 2019-06-04 | 2020-12-10 | ホソカワミクロン株式会社 | 学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法 |
CN112115649A (zh) * | 2020-09-29 | 2020-12-22 | 郑州轻工业大学 | 基于数字孪生的立磨机多场耦合***工艺参数优化方法 |
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2400190C2 (de) * | 1974-01-03 | 1982-05-06 | Basf Ag, 6700 Ludwigshafen | Verfahren zum Herstellen einer modifizierten Titan-Komponente für Katalysatoren des Ziegler-Natta-Typs |
DE102011017504A1 (de) * | 2010-09-02 | 2012-03-08 | Siemens Aktiengesellschaft | Verfahren zur Steuerung eines Mühlensystems mit zumindest einer Mühle, insbesondere einer Erzmühle oder Zementmühle |
US11268334B2 (en) * | 2015-07-13 | 2022-03-08 | Halliburton Energy Services, Inc. | Real-time downhole drilling mud viscosity and density estimations |
CN106147457A (zh) * | 2016-08-12 | 2016-11-23 | 安庆市七仙女电器制造有限公司 | 一种电吹风抗菌涂料及其制备方法 |
EP3644267A1 (en) * | 2018-10-26 | 2020-04-29 | Tata Consultancy Services Limited | Method and system for online monitoring and optimization of mining and mineral processing operations |
US20200166909A1 (en) * | 2018-11-20 | 2020-05-28 | Relativity Space, Inc. | Real-time adaptive control of manufacturing processes using machine learning |
CN111026057B (zh) * | 2019-12-16 | 2020-12-15 | 中国建材检验认证集团北京天誉有限公司 | 一种基于vba和深度学习的水泥烧成工艺模型孪生方法及*** |
-
2021
- 2021-08-20 CN CN202110962112.5A patent/CN113671919B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344530A (zh) * | 2013-04-18 | 2013-10-09 | 中国科学院沈阳自动化研究所 | 一种球磨机水泥生料粉磨粒度软测量方法 |
CN106548210A (zh) * | 2016-10-31 | 2017-03-29 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法及装置 |
WO2020245915A1 (ja) * | 2019-06-04 | 2020-12-10 | ホソカワミクロン株式会社 | 学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法 |
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN112115649A (zh) * | 2020-09-29 | 2020-12-22 | 郑州轻工业大学 | 基于数字孪生的立磨机多场耦合***工艺参数优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113671919A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021057349A1 (zh) | 一种重介分选过程智能控制***及方法 | |
CN113671919B (zh) | 一种建筑陶瓷间歇式球磨机泥浆制备控制方法 | |
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
CN109635337B (zh) | 一种基于块增量随机配置网络的工业过程软测量建模方法 | |
CN109342279B (zh) | 基于粉磨机理和神经网络的混合软测量方法 | |
CN111157698B (zh) | 一种利用发射率数据获取黑土土壤全钾含量的反演方法 | |
CN110135618B (zh) | 一种风廓线数据预测方法 | |
CN113642800B (zh) | 建筑陶瓷窑炉烧成制度的数据分析方法及数据分析*** | |
WO2020103508A1 (zh) | 承载煤岩损伤演化的红外辐射量化表征方法 | |
CN110918244A (zh) | 一种水泥粉磨磨机***的控制方法、装置以及相关设备 | |
CN114640905B (zh) | 一种陶瓷生产云数据处理控制***及方法 | |
WO2022037499A1 (zh) | 一种用于造球机的控制***及控制方法 | |
CN1598534A (zh) | 基于案例推理的磨矿***溢流粒度指标软测量方法 | |
CN109507971B (zh) | 一种机制砂质量智能监控***及监控方法 | |
CN110202697B (zh) | 混凝土搅拌装置及其控制方法 | |
CN112883993B (zh) | 一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法 | |
CN108470699B (zh) | 一种半导体制造设备和工艺的智能控制*** | |
CN113591362A (zh) | 一种基于大数据智能控制算法的熟料比例优化调节方法 | |
CN107527066A (zh) | 一种基于嵌入式的杂交稻播种性能检测***及检测方法 | |
CN116665805A (zh) | 一种基于数字孪生的白酒发酵预测和反馈干预*** | |
CN104656436B (zh) | 一种分解炉出口温度建模方法 | |
CN112115620A (zh) | 一种基于分形思想的学习曲线产品单位成本评估方法 | |
CN106408433A (zh) | 一种基于差分处理的粮食产量预测方法和装置 | |
CN112949183A (zh) | 一种水泥生料立磨***异常工况检测***及方法 | |
CN1693297A (zh) | 丁二烯精馏装置先进控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 851600 Pengbo Health Industrial Park Management Committee 111b, Linzhou County, Lhasa City, Tibet Autonomous Region Applicant after: Tibet zhongtaolian Supply Chain Service Co.,Ltd. Address before: 851600 Pengbo Health Industrial Park Management Committee 111b, Linzhou County, Lhasa City, Tibet Autonomous Region Applicant before: Linzhou zhongtaolian Supply Chain Service Co.,Ltd. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |