CN115532421B - 一种大型立式磨机选粉机智能调控方法 - Google Patents
一种大型立式磨机选粉机智能调控方法 Download PDFInfo
- Publication number
- CN115532421B CN115532421B CN202210301596.3A CN202210301596A CN115532421B CN 115532421 B CN115532421 B CN 115532421B CN 202210301596 A CN202210301596 A CN 202210301596A CN 115532421 B CN115532421 B CN 115532421B
- Authority
- CN
- China
- Prior art keywords
- control
- vertical mill
- output
- value
- data
- 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
- 239000000843 powder Substances 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000007246 mechanism Effects 0.000 claims abstract description 54
- 230000033001 locomotion Effects 0.000 claims abstract description 18
- 230000001105 regulatory effect Effects 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 239000002245 particle Substances 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 239000000428 dust Substances 0.000 claims description 19
- 238000000227 grinding Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000009471 action Effects 0.000 abstract description 2
- 238000007599 discharging Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract description 2
- 238000007873 sieving Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- -1 thermal engineering Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C15/00—Disintegrating by milling members in the form of rollers or balls co-operating with rings or discs
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C23/00—Auxiliary methods or auxiliary devices or accessories specially adapted for crushing or disintegrating not provided for in preceding groups or not specially adapted to apparatus covered by a single preceding group
- B02C23/18—Adding fluid, other than for crushing or disintegrating by fluid energy
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C15/00—Disintegrating by milling members in the form of rollers or balls co-operating with rings or discs
- B02C2015/002—Disintegrating by milling members in the form of rollers or balls co-operating with rings or discs combined with a classifier
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Disintegrating Or Milling (AREA)
Abstract
本发明公开了一种大型立式磨机选粉机智能调控***及调控方法,涉及矿山设备与智能制造技术领域。本发明的目的在于利用一种综合智能调控方法对立磨机进行实时调控:根据立磨机的工况数据及特点,获得历史工况的各状态分布,采用模型预测控制算法对调控装置中动叶片的运动状态进行预测,用预测值辅助状态识别,采用闭环反馈控制方法对立磨选粉机进行实时调整,实现立磨机的智能调节,使立磨选粉机能够高效稳定的运行;调控装置在立磨机原有结构上增加了导风叶片、减速机构及限位机构,由电机驱动减速机构带动主轴,导风叶片在主轴带动下转动,限位机构对装置起到限位作用。在调控装置的作用下,立磨选粉机有效提高了选粉精度、出粉量及筛粉效率。
Description
技术领域
本发明涉及矿山设备与智能制造技术领域。具体涉及一种大型立式磨机选粉机智能调控***及调控方法。
背景技术
大型立式磨机是一种基于智能制造的高端的大型矿山装备,广泛应用于水泥、电力、冶金、化工、非金属矿等行业。它集破碎、干燥、粉磨、分级输送于一体,生产效率高,可将块状、颗粒状及粉状原料磨成所要求的粉状物料。大型立磨主要由磨盘、电机、选粉机、磨辊、液压缸、减速机、摇臂和蓄能器等组成,零部件数量庞大,具有机、电、液、热工、气动等复杂多源信息,监控操作点多(监控操作点多达500多个),受到内部流场、粉尘颗粒、部件与部件之间多方面的作用力,受力工况极其复杂。运行过程中涉及气体、固体颗粒以及热传递等多物理场的耦合,进矿量、回转速度、出矿量、用水量、物料粒度等运行参数众多且它们之间的耦合关系复杂,运行参数优化调控难度大。
大型立磨选粉机是用来将大型立磨粉磨的粉体进行分选的装置,选粉机作为决定产品粒度、粒级宽度、粒度分布的关键部件,是大型立磨的核心部件之一。传统的高效组合式选粉机选粉机中将动态选粉机(旋转笼子)和静态选粉机(导风叶)结合在一起,即圆柱形的笼子作为转子,在它的四周均布了导风叶片,使气流进入选粉机区,粗细粉分离。但是传统的立磨选粉机内部环境复杂,相互干涉比较严重,不适于粉磨硬质和磨蚀性的物料,且使用寿命较短,维修较频繁,立磨出现故障等问题时无法及时发现和调整维修,导致立磨选粉机工作效率不太理想。此外选粉机阻力较大,叶片磨损大,能耗也大。传统的筛粉工作中,一些立磨设备中需要既能对立磨选粉机实时调节又能提高筛粉效率和降低能耗的机构。因此,为解决上述问题,并达成提高效率降低能耗的目的,提出一种大型立式磨机选粉机智能调控***及调控方法。
发明内容
本发明的目的在于提供一种大型立式磨机选粉机智能调控***及调控方法。利用一种综合的智能调控方法对立磨选粉机进行实时调控,根据立磨选粉机的工况数据及特点,获得历史工况的各状态分布,采用模型预测控制算法对调控装置中动叶片的运动状态进行预测,用预测值辅助状态识别,采用闭环反馈控制方法对立磨选粉机中的补偿叶片结构进行实时调整,实现立磨选粉机的智能调节,使立磨选粉机能够高效稳定的运行。
为实现上述目的,本发明提供如下技术方案:
一种大型立式磨机选粉机智能调控***,包括控制单元以及立磨选粉机,控制单元包括:数据预处理单元、立磨颗粒传感器、电机位置传感器、多变量模型预测控制器、闭环反馈控制单元。
立磨选粉机包括连接板,所述连接板的上方固定安装有倒锥和格栅,所述倒锥位于所述格栅的内部,所述格栅的顶部固定安装有挡风环,所述倒锥外表面阵列分布有四组补偿装置,每组补偿装置均包括补偿叶片和防尘箱,所述补偿叶片包括动叶片、主轴和定叶片,所述防尘箱固定安装在倒锥与连接板的连接面处,所述补偿叶片中的定叶片安装在所述倒锥的外表面,所述定叶片通过主轴与动叶片连接;所述防尘箱中安装有电机,
所述电机上固定安装有四个支脚,每个支脚上有两个定位孔,电机通过定位孔固定在防尘箱中,端盖通过固定螺母固定在电机输出端,电机的输出轴与减速机构的输入齿轮固定连接,输入齿轮上啮合有输出齿轮,所述输出齿轮与所述主轴固定连接,且输出齿轮上开有限位孔。
防尘箱内设置有限位机构,限位机构包括两个左右对称设置的支撑板,支撑板中间设置有固定架,所述固定架上安装有定位销,所述定位销一端缠绕有线圈,所述定位销对应减速机构的输出齿轮上的限位孔,所述输出齿轮上标有刻度,所述限位孔设有多个且阵列分布在输出齿轮上。
进一步地,本发明还提供一种大型立式磨机选粉机智能调控***及调控方法,包括如下步骤:
步骤1、数据采集与处理
以动叶片转动角度作为控制输出f,立磨颗粒传感器及电机位置传感器采集到的数据经过数据预处理后的采集特征作为控制输入X。
S1.1、在上述步骤中,设计变量为X=[x1;x2;x3;x4]T,其中x1、x2、x3和x4分别表示为出粉量、颗粒细度、粉磨质量、电机转动速度;
S1.2、所述多变量模型预测控制器通过将输出转化为动叶片转动角度,降低控制输出的维度。
步骤2、多变量模型预测控制
在多变量模型预测控制中,不同时刻采集特征对应的预测结果不同,确定预测控制的特征形式及时域长度N,在时域长度N的范围内通过特征形式进行多步预测,得到下一时刻控制输出的预测值fp,随着时间向前,预测***未来输出时还需提前预时域内的控制输入
S2.1、在每一个采样时刻,根据获得的当前测量信息,求解一个有限时域开环优化问题,并将得到的控制序列的第一个元素作用于被控对象;在下一个采样时刻,重复上述过程:用新的测量值刷新优化问题并重新求解。
S2.2、在各传感器采集历史监测数据过程中,对采样***,假设在各采样时刻I=Ts,2Ts,3Ts...,其对应输出的动叶片转动角度为μ1,μ2,μ3…,则
f(I)=μI,(I=1,2,3…),
当***趋于稳定且输出较为理想时,考虑到立磨内部环境对监测误差的影响,在时域长度取N时(I>N后的μI与误差同级,可忽略不计),则
f(I)=μI,(I=1,2,3…,N),
S2.3、预测控制的特征形式为:
x(I+1)=f(x(I),X(I)) (1)
f(I)=h(x(I),X(I)) (2)
其中x(I),X(I),f(I)分别为I时刻***的状态,控制输入、控制输出。
S2.4、由上述(1)(2)两式可以计算***f(Ι)的未来时间内的输出,记为:fp(I+1/I),fp(I+2/I),...,fp(I+p/I),p为预测时域。
S2.5、随着时间向前,预测***未来输出时还需***时域内的控制输入 这是预测预测控制优化的设计变量。
步骤3、立磨动叶片运动模型优化
对采集的特征参数进行综合分析,结合参数的可控性及实际含义确定特征参数的取值范围;对降维后的控制输出进行分析,参照控制装置的实际模型,确定输出约束。为满足控制***的预测输出值与实际输出值之间的误差最小,需要控制***获得最佳控制输入,降低预测输出值与实际输出值之间的累计误差。累计误差值越小,模型预测的整个过程准确度越高。
S3.1、同时,***应满足的控制输入及输出约束为:
0≤X(I+i)≤Xmax,i≥0
0≤f(I+i)≤360°,i≥0
式中X(I+i)为I+i时刻的控制输入,Xmax代表最大控制输入;f(I+i)代表I+i时刻的控制输出,在多变量模型预测控制中,将控制输出转化为动叶片转动角度,以降低控制输出的维度,故控制输出f(I+i)的取值范围为0~360°。
S3.2、假设***当前每一时刻实际输出为:d(I+1),d(I+2),...,d(I+p),则为满足控制***的预测输出值与实际输出值之间的误差最小,需要控制***获得最佳控制输入。预测输出值与实际输出值之间的累计误差为:
式中di为i时刻的实际输出值,fp(i/I)代表通过模型预测得到的在时域p内的i时刻预测得到I时刻的预测输出值,δ代表累计误差。
所述累计误差值越小,代表模型预测的整个过程准确度越高,因此,所述公式的收敛准则为:δ≤εδ,其中εδ为极小值。
步骤4、闭环反馈控制
通过模型预测控制算法对调控装置中动叶片的运动状态进行预测及立磨动叶片运动模型优化,用预测值辅助状态识别,与伺服电机、减速机构及限位机构等调节机构共同组成对立磨选粉机补偿叶片转动角度进行调节的闭环反馈控制单元,其控制方法步骤如下:
S4.1通过多变量模型预测控制获得立磨动叶片运动模型并对其进行优化,利用综合特征筛选方法对工况数据进行分析,获得理想状态下的预测响应,并选择合适的控制输入。根据历史数据中关键参数的取值范围,确定控制输入的范围。
S4.2、对立磨运行状态下采集的实时数据进行分析,获得控制输入的实际值。
S4.3、通过立磨选粉机实际的补偿叶片旋转角度,对比该时刻的补偿叶片预测角度,通过闭环反馈控制对***进行调节,根据该时刻的状态,对立磨运行状况进行判断,使***能够根据被测参数,环境及原材料的成本的变化而自动对***进行调节,使***随时处于最佳状态。
步骤5、立磨实时参数评估
S5.1、对采集到的实时数据进行空值和异常值检测,将读取出来的空值舍弃并读取历史数据中的平均值进行填补,消除空值对数据检测的采样间隔带来的影响,在空值处填补完成后,继续读取下一个采样间隔的数据进行检测,重复该过程直至获得足够的样本库。
S5.2、在样本库记录的过程中,如果出现超出历史数据中各参数取值范围的差异数据,则认为该时刻的数据为异常值,记录异常值出现次数,读取本次采样间隔内的数据的平均值并对异常值进行替换。
S5.3、计算立磨每一个采样间隔中各参数的平均值、方差、标准差及异常值出现的次数,将计算所得数值作为立磨工况判断的特征值,对立磨实时输入参数进行评估,并根据已有的运行工况记录判断立磨运行的稳定性。
步骤6、立磨运行状态识别
基于立磨平稳运行的状态评估指标,对立磨工况状态进行分析,计算每个参数在稳定工况下的均值、方差和异常值出现次数,建立稳定工况的数据库。
S6.1、当稳定指标中的参数出现异常时,启动控制程序,程序会从稳定工况数据库中搜索控制目标,返回距离当前状态最近的点作为待选工况。
S6.2、比较当前状态与待选工况的差异,通过对可调参数的调节实现对可控变量的调整,直至参数整体达到目标值。
S6.3、根据建立的稳定工况数据库,在立磨运行状态稳定后,判断该状态下的立磨运行工况是否符合要求,否则对控制输入进行调节,使***进入最佳状况。
与现有技术相比,本发明的有益效果是:控制***经过模型预测及闭环反馈控制对限位机构进行调控,进而对电机旋转角度进行控制,通过电机驱动减速机构,减速机构带动主轴及与主轴固定连接的动叶片的旋转,再通过颗粒传感器及电机位置传感器获得相应的数据,反馈到控制***,再进一步的达到对立磨选粉机内部流场控制的目的,对选粉机内部进行流场***的调节,从而提高选粉细度及质量。
附图说明
图1为立磨整机结构示意图。
图2为立磨选粉机转笼的原有机构示意图。
图3为一种大型立式磨机选粉机智能调控***及调控方法的总体结构。
图4为一种大型立式磨机选粉机智能调控***及调控方法中补偿叶片及防尘箱的结构示意图。
图5为一种大型立式磨机选粉机智能调控***及调控方法中电机、减速机构及限位机构的结构示意图。
图6为一种大型立式磨机选粉机智能调控***及调控方法中电机及减速机构的结构示意图。
图7为一种大型立式磨机选粉机智能调控***及调控方法中减速机构及限位机构的结构示意图。
图8为一种大型立式磨机选粉机智能调控***及调控方法中的总体设计流程图。
图9为一种大型立式磨机选粉机智能调控***及调控方法中的控制流程图。
图10为一种大型立式磨机选粉机智能调控***及调控方法中的控制示意图。
图中:1-连接板、2-倒锥、3-格栅、4-挡风环、5-补偿叶片及防尘箱、501-动叶片、502-主轴、503-定叶片、504-防尘箱、6-电机、601-支脚、602-定位孔、603-固定螺母、7-减速机构、701-输入齿轮、702-输出齿轮、703-限位孔、8-限位机构、801-支撑板、802-磁极、803-固定架、804-定位销、805-线圈。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本实施例公开的一些方面相一致的装置和方法的例子。
请参阅图1-6,一种大型立式磨机选粉机智能调控***及调控方法,该智能控制***可以根据传感器采集的数据通过相关算法及闭环反馈控制对控制装置上的动叶片进行调节,使控制装置时刻处于最佳状态;
包括控制单元以及立磨选粉机,控制单元包括:数据预处理单元、立磨颗粒传感器、电机位置传感器、多变量模型预测控制器、闭环反馈控制单元。
数据预处理单元用于对立磨颗粒传感器采集的数据进行异常值处理、空值处理、离散化处理和归一化处理;
立磨颗粒传感器采用实时立式磨机的粉磨颗粒的监测仪器对粉磨颗粒的出粉量、颗粒细度及粉磨质量进行实时更新,出粉量、颗粒细度及粉磨质量主要用于更新模型预测控制中的输入参数。
电机位置传感器采用实时电机转动的监测仪器对电机转动角度进行实时更新。
大型立式磨机流场控制***:大型立式磨机选粉机智能调控***位于立磨选粉机内部,选粉机智能调控***主体包括两大部分:电机部分和限位机构部分;限位机构可以通过限制减速机构中从动齿轮的位置进而控制补偿叶片结构中动叶片的位置;电机则通过电机传感器监测仪器对电机转过角度的实时更新,通过控制器调控进而改变动叶片的角度。
多变量模型预测控制器:模型预测控制是一种基于预测模型的有限时域滚动优化闭环控制方法,能较好地应对***的不确定性及立磨内部环境的复杂性,优化过程中可以清晰地表示出运行约束及控制目标,考虑到大型立式磨机选粉机智能调控控制***的动态响应,采用时间向前滚动式的有限时域优化策略。
闭环反馈控制单元:根据多变量模型预测控制进行优化所得输出与立磨运行中输出的实际值进行对比,判断立磨运行状态,当判定的状态异常时,从稳定工况模式中读取工况记录,得到控制的目标值,然后根据推荐的目标值对此时的可控参数进行控制;
立磨选粉机包括连接板1,所述连接板1的上方固定安装有倒锥2和格栅3,所述倒锥2位于所述格栅3的内部,所述格栅3的顶部固定安装有挡风环4,所述倒锥2外表面阵列分布有四组补偿装置5,每组补偿装置5均包括补偿叶片和防尘箱504,所述补偿叶片包括动叶片501、主轴502和定叶片503,所述防尘箱504固定安装在倒锥2与连接板1的连接面处,所述补偿叶片中的定叶片503安装在所述倒锥2的外表面,所述定叶片503通过主轴502与动叶片501连接;所述防尘箱504中安装有电机6,
所述电机6上固定安装有四个支脚601,每个支脚601上有两个定位孔602,电机6通过定位孔602固定在防尘箱504中,端盖通过固定螺母603固定在电机6输出端,电机6的输出轴与减速机构7的输入齿轮701固定连接,输入齿轮701上啮合有输出齿轮702,所述输出齿轮702与所述主轴502固定连接,且输出齿轮702上开有限位孔703。
防尘箱504内设置有限位机构8,限位机构8包括两个左右对称设置的支撑板801,支撑板801中间设置有固定架803,所述固定架803上安装有定位销804,所述定位销804一端缠绕有线圈805,所述定位销804对应减速机构7的输出齿轮702上的限位孔703,所述输出齿轮702上标有刻度,所述限位孔703设有多个且阵列分布在输出齿轮702上。
本发明实施例在实际应用时,通过设有的减速机构7,使补偿装置5上的主轴502可以稳定的运行,使与主轴502固定安装的动叶片501在运动时更易于固定位置,在限位机构8通过限位孔703进行限位时更准确,其变化量的幅度控制在限位范围之内,避免转速过大导致发生碰撞,使装置发生损坏,提高了装置的安全性和使用寿命。
本发明实施例在实际应用时,通过减速机构7的输出齿轮702带动主轴502转动,与主轴502固定连接的动叶片501同步转动,定叶片503固定在倒锥2上,使整个装置工作时,动叶片501转动更加平稳,风力补偿调节过程可以稳定地进行,使选粉质量更好,选粉效率更高。
通过设有的电机6带动减速机构7转动,限位机构8通过对减速机构7的限位来进行控制。即颗粒进入立磨选粉机后,经过颗粒传感器监测颗粒的细度及出粉量,将监测的结果发送到控制***,控制***通过调节装置对伺服电机及现为机构进行调节,同时电机位置传感器通过监测电机转过的角度对控制***进行反馈。
本发明实施例在实际应用时,通过所述颗粒传感器和电机位置传感器的监测及控制***,对调节装置进行控制,从而达到对伺服电机和限位机构的控制,进而控制立磨选粉机内部流场变化,调节出粉细度,提高选粉质量。
本发明实施例在实际应用时,通过设有的减速机构7可以使电机6的动力传输到主轴502上,通过输入齿轮701和输出齿轮702的齿数比,使输出齿轮702转速大大降低,驱动主轴502可以稳定地运行,选粉效果更好,选粉质量进一步提高。
本发明实施例在实际应用时,通过在输出齿轮702上设有多个限位孔,在进行限位控制时,限位机构8通过磁极802及线圈805控制限位销804的移动,可以对减速机构7进行限位控制,在输出齿轮702上增加刻度可以使装置的调节精度更高,定位更加准确。
本发明实施例在实际应用时,防尘箱1可以防止粉尘对一种立磨选粉机风力补偿装置的动力驱动及控制结构造成影响,提高了装置的使用寿命,补偿叶片机构5固定安装在倒锥上可以更好地随着立磨选粉机内部气流循环对流场进行调节,进一步提高了选粉效率和效果。
本发明通过电机6驱动减速机构7,使与减速机构7上输出齿轮702固定连接的主轴502可以平稳地运行,使装置的风力补偿效果更好,通过限位机构8,限位孔703的作用,使装置调节能力提高,控制立磨内部流场的稳定运行,电机6与减速机构7一端固定连接,减速机构7与主轴502一端固定连接,驱动主轴502旋转,主轴502与动叶片501固定连接,动叶片501与定叶片503通过主轴502构成旋转结构,提高了装置的安全性,进一步提高选粉的效率。
模型预测控制是一类特殊的控制。它的当前控制动作是在每一个采样瞬间通过求解一个有限时域开环最优控制问题而获得。过程的当前状态作为最优控制问题的初始状态,解得的最优控制序列只实施第一个控制作用。这是它与那些使用预先计算控制律的算法的最大不同。本质上模型预测控制求解一个开环最优控制问题。
进一步地,本发明还提供一种大型立式磨机选粉机智能调控方法,包括如下步骤:
步骤1、数据采集与处理
以动叶片转动角度作为控制输出f,立磨颗粒传感器及电机位置传感器采集到的数据经过数据预处理后的采集特征作为控制输入X。
S1.1、在上述步骤中,设计变量为X=[x1;x2;x3;x4]T,其中x1、x2、x3和x4分别表示为出粉量、颗粒细度、粉磨质量、电机转动速度;
S1.2、所述多变量模型预测控制器通过将输出转化为动叶片转动角度,降低控制输出的维度。
步骤2、多变量模型预测控制
在多变量模型预测控制中,不同时刻采集特征对应的预测结果不同,确定预测控制的特征形式及时域长度N,在时域长度N的范围内通过特征形式进行多步预测,得到下一时刻控制输出的预测值fp,随着时间向前,预测***未来输出时还需提前预时域内的控制输入
S2.1、在每一个采样时刻,根据获得的当前测量信息,求解一个有限时域开环优化问题,并将得到的控制序列的第一个元素作用于被控对象;在下一个采样时刻,重复上述过程:用新的测量值刷新优化问题并重新求解。
S2.2、在各传感器采集历史监测数据过程中,对采样***,假设在各采样时刻I=Ts,2Ts,3Ts...,其对应输出的动叶片转动角度为μ1,μ2,μ3…,则
f(I)=μI,(I=1,2,3…),
当***趋于稳定且输出较为理想时,考虑到立磨内部环境对监测误差的影响,在时域长度取N时(I>N后的μI与误差同级,可忽略不计),则
f(I)=μI,(I=1,2,3…,N),
S2.3、预测控制的特征形式为:
x(I+1)=f(x(I),X(I)) (1)
f(I)=h(x(I),X(I)) (2)
其中x(I),X(I),f(I)分别为I时刻***的状态,控制输入、控制输出。
S2.4、由上述(1)(2)两式可以计算***f(Ι)的未来时间内的输出,记为:fp(I+1/I),fp(I+2/I),...,fp(I+p/I),p为预测时域。
S2.5、随着时间向前,预测***未来输出时还需***时域内的控制输入 这是预测预测控制优化的设计变量。
步骤3、立磨动叶片运动模型优化
对采集的特征参数进行综合分析,结合参数的可控性及实际含义确定特征参数的取值范围;对降维后的控制输出进行分析,参照控制装置的实际模型,确定输出约束。为满足控制***的预测输出值与实际输出值之间的误差最小,需要控制***获得最佳控制输入,降低预测输出值与实际输出值之间的累计误差。累计误差值越小,模型预测的整个过程准确度越高。
S3.1、同时,***应满足的控制输入及输出约束为:
0≤X(I+i)≤Xmax,i≥0
0≤f(I+i)≤360°,i≥0
式中X(I+i)为I+i时刻的控制输入,Xmax代表最大控制输入;f(I+i)代表I+i时刻的控制输出,在多变量模型预测控制中,将控制输出转化为动叶片转动角度,以降低控制输出的维度,故控制输出f(I+i)的取值范围为0~360°。
S3.2、假设***当前每一时刻实际输出为:d(I+1),d(I+2),...,d(I+p),则为满足控制***的预测输出值与实际输出值之间的误差最小,需要控制***获得最佳控制输入。预测输出值与实际输出值之间的累计误差为:
式中di为i时刻的实际输出值,fp(i/I)代表通过模型预测得到的在时域p内的i时刻预测得到I时刻的预测输出值,δ代表累计误差。
所述累计误差值越小,代表模型预测的整个过程准确度越高,因此,所述公式的收敛准则为:δ≤εδ,其中εδ为极小值。
步骤4、闭环反馈控制
通过模型预测控制算法对调控装置中动叶片的运动状态进行预测及立磨动叶片运动模型优化,用预测值辅助状态识别,与伺服电机、减速机构及限位机构等调节机构共同组成对立磨选粉机补偿叶片转动角度进行调节的闭环反馈控制单元,其控制方法步骤如下:
S4.1通过多变量模型预测控制获得立磨动叶片运动模型并对其进行优化,利用综合特征筛选方法对工况数据进行分析,获得理想状态下的预测响应,并选择合适的控制输入。根据历史数据中关键参数的取值范围,确定控制输入的范围。
S4.2、对立磨运行状态下采集的实时数据进行分析,获得控制输入的实际值。
S4.3、通过立磨选粉机实际的补偿叶片旋转角度,对比该时刻的补偿叶片预测角度,通过闭环反馈控制对***进行调节,根据该时刻的状态,对立磨运行状况进行判断,使***能够根据被测参数,环境及原材料的成本的变化而自动对***进行调节,使***随时处于最佳状态。
步骤5、立磨实时参数评估
S5.1、对采集到的实时数据进行空值和异常值检测,将读取出来的空值舍弃并读取历史数据中的平均值进行填补,消除空值对数据检测的采样间隔带来的影响,在空值处填补完成后,继续读取下一个采样间隔的数据进行检测,重复该过程直至获得足够的样本库。
S5.2、在样本库记录的过程中,如果出现超出历史数据中各参数取值范围的差异数据,则认为该时刻的数据为异常值,记录异常值出现次数,读取本次采样间隔内的数据的平均值并对异常值进行替换。
S5.3、计算立磨每一个采样间隔中各参数的平均值、方差、标准差及异常值出现的次数,将计算所得数值作为立磨工况判断的特征值,对立磨实时输入参数进行评估,并根据已有的运行工况记录判断立磨运行的稳定性。
步骤6、立磨运行状态识别
基于立磨平稳运行的状态评估指标,对立磨工况状态进行分析,计算每个参数在稳定工况下的均值、方差和异常值出现次数,建立稳定工况的数据库。
S6.1、当稳定指标中的参数出现异常时,启动控制程序,程序会从稳定工况数据库中搜索控制目标,返回距离当前状态最近的点作为待选工况。
S6.2、比较当前状态与待选工况的差异,通过对可调参数的调节实现对可控变量的调整,直至参数整体达到目标值。
S6.3、根据建立的稳定工况数据库,在立磨运行状态稳定后,判断该状态下的立磨运行工况是否符合要求,否则对控制输入进行调节,使***进入最佳状况。
本领域技术人员在考虑说明书及实施例处的公开后,将容易想到本公开的其他实施方案。本申请旨在涵盖本公开的任何变形、用途或者适应性变化,这些变形、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (4)
1.一种大型立式磨机选粉机智能调控方法,所述调控方法基于一种大型立式磨机选粉机智能调控***,所述大型立式磨机选粉机智能调控***包括控制单元以及立磨选粉机,所述控制单元包括:数据预处理单元、立磨颗粒传感器、电机位置传感器、多变量模型预测控制器以及闭环反馈控制单元;
所述立磨选粉机包括连接板(1),所述连接板(1)的上方固定安装有倒锥(2)和格栅(3),所述倒锥(2)位于所述格栅(3)的内部,所述格栅(3)的顶部固定安装有挡风环(4),所述倒锥(2)外表面阵列分布有四组补偿装置(5),每组补偿装置(5)均包括补偿叶片和防尘箱(504),所述补偿叶片包括动叶片(501)、主轴(502)和定叶片(503),所述防尘箱(504)固定安装在倒锥(2)与连接板(1)的连接面处,所述补偿叶片中的定叶片(503)安装在所述倒锥(2)的外表面,所述定叶片(503)通过主轴(502)与动叶片(501)连接;所述防尘箱(504)中安装有电机(6);
所述电机(6)上固定安装有四个支脚(601),每个支脚(601)上有两个定位孔(602),电机(6)通过定位孔(602)固定在防尘箱(504)中,端盖通过固定螺母(603)固定在电机(6)输出端,电机(6)的输出轴与减速机构(7)的输入齿轮(701)固定连接,输入齿轮(701)上啮合有输出齿轮(702),所述输出齿轮(702)与所述主轴(502)固定连接,且输出齿轮(702)上开有限位孔(703);
防尘箱(504)内设置有限位机构(8),限位机构(8)包括两个左右对称设置的支撑板(801),支撑板(801)中间设置有固定架(803),所述固定架(803)上安装有定位销(804),所述定位销(804)一端缠绕有线圈(805),所述定位销(804)对应减速机构(7)的输出齿轮(702)上的限位孔(703),所述输出齿轮(702)上标有刻度,所述限位孔(703)设有多个且阵列分布在输出齿轮(702)上;
其特征在于,所述方法包括如下步骤:
步骤1、数据采集与预处理
以动叶片转动角度作为控制输出f,立磨颗粒传感器及电机位置传感器采集到的数据经过数据预处理后的采集特征作为控制输入X;
S1.1、在上述步骤中,设计变量为X=[x1;x2;x3;x4]T,其中x1、x2、x3和x4分别表示为出粉量、颗粒细度、粉磨质量、电机转动速度;
S1.2、所述多变量模型预测控制器通过将输出转化为动叶片转动角度,降低控制输出的维度;
步骤2、多变量模型预测控制
在多变量模型预测控制中,不同时刻采集特征对应的预测结果不同,确定预测控制的特征形式及时域长度N,在时域长度N的范围内通过特征形式进行多步预测,得到下一时刻控制输出的预测值fp,随着时间向前,预测***未来输出时还需提前预时域内的控制输入
步骤3、立磨动叶片运动模型优化
对采集的特征参数进行综合分析,结合参数的可控性及实际含义确定特征参数的取值范围;对降维后的控制输出进行分析,参照控制装置的实际模型,确定输出约束;为满足控制***的预测输出值与实际输出值之间的误差最小,需要控制***获得最佳控制输入,降低预测输出值与实际输出值之间的累计误差;累计误差值越小,模型预测的整个过程准确度越高;
同时,***应满足的控制输入及输出约束为:
0≤X(I+i)≤Xmax,i≥0
0≤f(I+i)≤360°,i≥0
式中X(I+i)为I+i时刻的控制输入,Xmax代表最大控制输入;f(I+i)代表I+i时刻的控制输出,在多变量模型预测控制中,将控制输出转化为动叶片转动角度,以降低控制输出的维度,故控制输出f(I+i)的取值范围为0-360°;
如果***当前每一时刻实际输出为:d(I+1),d(I+2),...,d(I+p),则为满足控制***的预测输出值与实际输出值之间的误差最小,需要控制***获得最佳控制输入;预测输出值与实际输出值之间的累计误差为:
式中di为i时刻的实际输出值,fp(i/I)代表通过模型预测得到的在时域p内的i时刻预测得到I时刻的预测输出值,δ代表累计误差;
所述累计误差值越小,代表模型预测的整个过程准确度越高,因此,公式的收敛准则为:δ≤εδ,其中εδ为极小值;
步骤4、闭环反馈控制
通过模型预测控制算法对调控装置中动叶片的运动状态进行预测及立磨动叶片运动模型优化,用预测值辅助状态识别,与伺服电机、减速机构及限位机构等调节机构共同组成对立磨选粉机补偿叶片转动角度进行调节的闭环反馈控制单元;
步骤5、立磨实时参数评估
步骤6、立磨运行状态识别
基于立磨平稳运行的状态评估指标,对立磨工况状态进行分析,计算每个参数在稳定工况下的均值、方差和异常值出现次数,建立稳定工况的数据库;
步骤2具体为:
S2.1、在每一个采样时刻,根据获得的当前测量信息,求解一个有限时域开环优化问题,并将得到的控制序列的第一个元素作用于被控对象;在下一个采样时刻,重复上述过程:用新的测量值刷新优化问题并重新求解;
S2.2、在各传感器采集历史监测数据过程中,对采样***,假设在各采样时刻I=Ts,2Ts,3Ts...,其对应输出的动叶片转动角度为μ1,μ2,μ3…,则
f(I)=μI,(I=1,2,3…),
当***趋于稳定且输出较为理想时,考虑到立磨内部环境对监测误差的影响,在时域长度取N时,则
f(I)=μI,(I=1,2,3…,N),
S2.3、预测控制的特征形式为:
x(I+1)=f(x(I),X(I)) (1)
f(I)=h(x(I),X(I)) (2)
其中x(I),X(I),f(I)分别为I时刻***的状态,控制输入、控制输出;
S2.4、由上述(1)(2)两式可以计算***f(Ι)的未来时间内的输出,记为:fp(I+1/I),fp(I+2/I),...,fp(I+p/I),p为预测时域;
S2.5、随着时间向前,预测***未来输出时还需***时域内的控制输入 这是预测预测控制优化的设计变量。
2.如权利要求1所述的一种大型立式磨机选粉机智能调控方法,其特征在于,步骤4具体为:
S4.1、通过多变量模型预测控制获得立磨动叶片运动模型并对其进行优化,利用综合特征筛选方法对工况数据进行分析,获得理想状态下的预测响应,并选择合适的控制输入;根据历史数据中关键参数的取值范围,确定控制输入的范围;
S4.2、对立磨运行状态下采集的实时数据进行分析,获得控制输入的实际值;
S4.3、通过立磨选粉机实际的补偿叶片旋转角度,对比该时刻的补偿叶片预测角度,通过闭环反馈控制对***进行调节,根据该时刻的状态,对立磨运行状况进行判断,使***能够根据被测参数,环境及原材料的成本的变化而自动对***进行调节,使***随时处于最佳状态。
3.如权利要求2所述的一种大型立式磨机选粉机智能调控方法,其特征在于,步骤5具体为:
S5.1、对采集到的实时数据进行空值和异常值检测,将读取出来的空值舍弃并读取历史数据中的平均值进行填补,消除空值对数据检测的采样间隔带来的影响,在空值处填补完成后,继续读取下一个采样间隔的数据进行检测,重复该过程直至获得足够的样本库;
S5.2、在样本库记录的过程中,如果出现超出历史数据中各参数取值范围的差异数据,则认为该时刻的数据为异常值,记录异常值出现次数,读取本次采样间隔内的数据的平均值并对异常值进行替换;
S5.3、计算立磨每一个采样间隔中各参数的平均值、方差、标准差及异常值出现的次数,将计算所得数值作为立磨工况判断的特征值,对立磨实时输入参数进行评估,并根据已有的运行工况记录判断立磨运行的稳定性。
4.如权利要求3所述的一种大型立式磨机选粉机智能调控方法,其特征在于,步骤6具体为:
S6.1、当稳定指标中的参数出现异常时,启动控制程序,程序会从稳定工况数据库中搜索控制目标,返回距离当前状态最近的点作为待选工况;
S6.2、比较当前状态与待选工况的差异,通过对可调参数的调节实现对可控变量的调整,直至参数整体达到目标值;
S6.3、根据建立的稳定工况数据库,在立磨运行状态稳定后,判断该状态下的立磨运行工况是否符合要求,否则对控制输入进行调节,使***进入最佳状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210301596.3A CN115532421B (zh) | 2022-03-24 | 2022-03-24 | 一种大型立式磨机选粉机智能调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210301596.3A CN115532421B (zh) | 2022-03-24 | 2022-03-24 | 一种大型立式磨机选粉机智能调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115532421A CN115532421A (zh) | 2022-12-30 |
CN115532421B true CN115532421B (zh) | 2024-06-21 |
Family
ID=84723749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210301596.3A Active CN115532421B (zh) | 2022-03-24 | 2022-03-24 | 一种大型立式磨机选粉机智能调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115532421B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102151605A (zh) * | 2011-03-17 | 2011-08-17 | 浙江大学 | 基于模型辨识和预测控制的立磨先进控制方法及*** |
CN103028480A (zh) * | 2012-12-10 | 2013-04-10 | 上海凯盛节能工程技术有限公司 | 一种基于模糊pid算法的立磨智能控制*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6218448B2 (ja) * | 2013-06-17 | 2017-10-25 | 三菱日立パワーシステムズ株式会社 | 竪型粉砕分級装置 |
CN105372581B (zh) * | 2015-11-18 | 2018-05-15 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析***及方法 |
CN106990763B (zh) * | 2017-04-20 | 2017-12-29 | 浙江大学 | 一种基于数据挖掘的立磨运行调控***及方法 |
CN112631121B (zh) * | 2020-11-19 | 2023-04-28 | 济南大学 | 水泥自立式辊压磨自动监测控制方法及*** |
-
2022
- 2022-03-24 CN CN202210301596.3A patent/CN115532421B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102151605A (zh) * | 2011-03-17 | 2011-08-17 | 浙江大学 | 基于模型辨识和预测控制的立磨先进控制方法及*** |
CN103028480A (zh) * | 2012-12-10 | 2013-04-10 | 上海凯盛节能工程技术有限公司 | 一种基于模糊pid算法的立磨智能控制*** |
Also Published As
Publication number | Publication date |
---|---|
CN115532421A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11294353B2 (en) | Spindle thermal error compensation method insensitive to cooling system disturbance | |
CN101038277B (zh) | 基于最小二乘-支持向量机的制粉过程煤粉细度软测量方法 | |
CN101434045B (zh) | 一种数控机床电机电流与切削负荷关系标定装置 | |
CN111443597B (zh) | 用于控制立磨矿粉粒度的装置及方法 | |
CN104117554B (zh) | 一种高精度矫直机自动控制***及控制方法 | |
CN204535985U (zh) | 机床电主轴可靠性试验台对中调节装置 | |
CN109443689A (zh) | 一种雷达天线旋转工作时动态气动力的风洞试验测量装置及其测量方法 | |
CN101623667A (zh) | 磨机负荷自动控制方法及*** | |
CN106676934A (zh) | 一种高浓磨浆***经济优化运行控制方法及*** | |
CN202240898U (zh) | 利用砂轮气流场在线检测砂轮磨损装置 | |
CN102343549B (zh) | 利用砂轮气流场在线检测砂轮磨损的方法和装置 | |
CN115532421B (zh) | 一种大型立式磨机选粉机智能调控方法 | |
US3960330A (en) | Method for maximizing throughput in an ore grinding system | |
CN113333070A (zh) | 磨粉机及其调控方法 | |
CN209302869U (zh) | 磨煤机自动调节*** | |
CN104307886A (zh) | 一种复合轧机包覆轧制的大时滞agc控制方法 | |
CN108452895B (zh) | 一种球磨机节能控制方法 | |
JP2013513773A (ja) | 発電プラントを監視および制御するためのシステムならびに関連する方法 | |
CN117290752A (zh) | 一种磨煤机煤粉细度的预测方法 | |
CN2239020Y (zh) | 双恒定给料皮带秤 | |
CN113289759B (zh) | 干法粉磨***微粉粒度分布调控方法及装置 | |
Hulthén et al. | Algorithm for dynamic cone crusher control | |
Zhang et al. | Application of neural network predictive control in cement combined grinding | |
CN109107744B (zh) | 一种中速磨风煤比和油压动态趋优调整方法 | |
CN111612211A (zh) | 一种磨煤机煤粉细度的预测建模方法 |
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 |