CN116161450B - 一种定量装车抗煤质变化干扰防偏载控制方法 - Google Patents

Abstract

本发明涉及一种定量装车抗煤质变化干扰防偏载控制方法，包括：描述监控；煤质变化判断；确定卸料速率；卸料过程；闭环反馈。本发明利用结合上仓输煤***提供的相关数据，结合仓容，以及配料和卸料速度等在装车过程中实时计算仓内煤质变化情况，为实时装车提供可靠数据，并在实际卸料过程中根据卸料速率，定量仓内剩余煤量等数据实时调整溜槽卸料高度，保证装车时不会出现偏载的情况。

Description

一种定量装车抗煤质变化干扰防偏载控制方法

技术领域

本发明涉及一种定量装车抗煤质变化干扰防偏载控制方法，是一种应用于自动化运输机械***的工艺方法，是一种用于快速定量装车站在装车过程中防止因煤质变化而产生的偏载的装车控制方法。

背景技术

当前，自动化定量装车的偏载检测的方法主要有两种：1.使用激光雷达从上方扫描已经装好煤的车厢，获得车厢三维图像，从而检测车厢偏载情况，如专利CN113625299所述，这种方法检测装车偏载的缺陷在于只能按照固定的控制参数及形态进行装车控制，无法在装车过程中煤质出现较大变化时给出有效的应对。2.通过在铁路钢轨上加装多个位置传感器和质心传感器来实现装车过程中的偏载检测，如专利CN110817483所述，这种方法的缺陷在于现场安装传感器设备较多，维护工作量大，容错率低，不同煤种需要不同的质心曲线，抗煤质变化干扰能力较差。

鉴于快速定量装车过程中煤质变化对装车效果会产生较大的影响，在装车过程中，每节车皮所装的额定载重是相同的，如果煤质变化较大时，同等重量的煤体积必将发生较大的变化，因为车皮的容积是固定的，所以煤质变化时按照前一节装车参数进行装车时必然会出现前后偏载的情况。缓冲仓和定量仓均为较封闭的容器，无法安装煤质检测传感器及***，如何实时检测煤质变化，并针对性的做出控制调整实现防偏载，是一个需要解决的问题。

发明内容

为了克服现有技术的问题，本发明提出了一种定量装车抗煤质变化干扰防偏载控制方法。所述的方法结合上仓输煤***提供的相关数据，结合仓容，以及配料和卸料速度等在装车过程中实时计算仓内煤质变化情况，为实时装车提供可靠数据，并在实际卸料过程中根据卸料速率，定量仓内剩余煤量等数据实时调整溜槽卸料高度，保证装车时不会出现偏载的情况。

本发明的目的是这样实现的：一种定量装车抗煤质变化干扰防偏载控制方法，所述的方法所使用的***包括：缓冲仓称重传感器、缓冲仓料位传感器、煤质判断单元、定量仓称重传感器、定量仓料位传感器、卸料速率计算单元、神经网络模型单元、执行器、溜槽流量、余量反馈单元，所述方法包括如下步骤：

步骤1，描述监控：煤质判断单元以30s为采样周期，缓冲仓称重传感器获取仓内煤重量m，缓冲仓料位传感器测得缓冲仓内煤料的高度，进而计算出缓冲仓内的煤料体积v，从而获得采样周期内煤质参数 ；

步骤2，煤质变化判断：将当前煤质ρ与前次装车时的煤质ρ’进行比较，如果前后两个采样周期的煤质参数变化超过判断阈值时，需要对卸料溜槽的高度，角度的参数做出相应的调整；

步骤3，确定溜槽卸料控制参数：根据缓冲仓内煤质计算结果得出装车时卸料速率，以及定量仓剩余煤量、料位重量、料位分布、物料形态关联溜槽卸料控制参数，根据参考值以及实际卸料状态形成神经网络训练模型，实时控制溜槽位置以达到防偏载的目的；

步骤4，卸料过程：溜槽放下，根据计算卸料速率开始卸料，并在卸料过程通过余量检测反馈单元不断检测卸料量，并将卸料量反馈给神经网络模型，神经网络模型根据以往的训练不断调整卸料量，已到达满载并防止煤料散落。

进一步的，所述的判断阈值的范围是：0.3~0.6吨/m³。

本发明的优点和有益效果是：本发明利用结合上仓输煤***提供的相关数据，结合仓容，以及配料和卸料速度等在装车过程中实时计算仓内煤质变化情况，为实时装车提供可靠数据，并在实际卸料过程中根据卸料速率，定量仓内剩余煤量等数据实时调整溜槽卸料高度，保证装车时不会出现偏载的情况。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明实施例一所述方法所使用的***的原理框图；

图2是本发明实施例一所述方法的流程图；神经网络模型的结构示意图；

图3是本发明实施例一所述方法的卸料三段示意图；

图4是本发明实施例一所述方法的神经网络模型的结构示意图。

具体实施方式

实施例一：

本实施例是一种定量装车抗煤质变化干扰防偏载控制方法，所述方法所使用的装车站***为通常带有缓冲仓、定量仓和溜槽的常规定量装车站。所述的方法所使用的***包括：缓冲仓称重传感器、缓冲仓料位传感器、煤质判断单元、定量仓称重传感器、定量仓料位传感器、卸料速率计算单元、神经网络模型单元、执行器、溜槽流量、余量反馈单元，如图1所示。本实施例在缓冲仓中设有测量物料量的料位传感器和称重传感器。在常规的装车站中，缓冲仓通常不安装称重传感器，为了能够获得当前煤料质量，本实施例在缓冲仓中也安装了称重传感器。料位传感器可以是激光雷达或其他能够测量煤料在缓冲仓的堆积高度的测量手段，用以测量缓冲仓中煤料的高度，并通过缓冲仓的水平截面面积，计算出当前缓冲仓中的煤料体积v。

控制器为控制***的核心，用于实现溜槽的闭环控制，执行器为控制***的执行部分，包括溜槽、驱动溜槽的油缸以及液压***。控制器中设有计算煤质的煤质判断单元、计算卸料速率的卸料速率计算单元、能够通过人工智能对多种不同情况产生相关应对神经网络模型、检测溜槽输出量并进行反馈的余量测量和反馈单元。

卸料速率以及余料待装量通过称重传感器的实际数值计算得出称重数据并计算其变化率（求导），将给定位置r(t)与计算的位置的差值e(t)输入到闭环控制器，闭环控制器经过计算输出控制过程值给功率放大器（比例阀），协同驱动伺服液压缸调节溜槽位置y(t)，物料卸料过程中引起定量仓物料重量Q的变化，计算dQ/dt得出卸料流量进而计算出溜槽位置并返回至控制器形成闭环控制，见图1。

所述方法包括如下步骤，流程如图2所示：

步骤1，描述监控：煤质判断单元以30s为采样周期，缓冲仓称重传感器获取仓内煤重量m，缓冲仓料位传感器测得缓冲仓内煤料的高度，进而计算出缓冲仓内的煤料体积v，从而获得采样周期内煤质参数 。

扫描监控主要是为了获取当前缓冲仓中煤料的单位体积的重量，即煤质ρ。缓冲仓称重称重传感器获取仓内煤重量m，采用料位传感器及其相应的计算获得缓冲仓内当前煤料的体积v，从而获得当前采样周期内煤质参数 ，计算得到的煤质参数，为卸料时是否进行防偏载补偿以及补偿多少提供参考。

步骤2，煤质变化判断：将当前煤质ρ与前次装车是的煤质ρ’进行比较，如果前后两个采样周期的煤质参数变化超过判断阈值时，需要对卸料溜槽的高度，角度的参数做出相应的调整。

煤质参数变化在一定范围内，对装车效果影响不大，并不会出现偏载的情况，则回到步骤1，继续进行监测。当前后两个采样周期煤质参数变化超过判断阈值时，需要对卸料溜槽的高度，角度等参数做出相应的调整。判断阈值一般设在0.5t/m³左右。

步骤3，确定溜槽卸料控制参数：根据缓冲仓内煤质计算结果得出装车时卸料速率，以及定量仓剩余煤量、料位重量、料位分布、物料形态关联溜槽卸料控制参数，根据参考值以及实际卸料状态形成神经网络训练模型，实时控制溜槽位置以达到防偏载的目的；

本实施例将卸料过程分为三个阶段S1、S2、S3。S1为卸料初始阶段，如图3所示。图3中0、S1、S2、S3四条中心线表示的是溜槽中心与车厢的四个相对位置，双点划线表示堆积在车厢中煤料的形态。0到S1段是煤料从车厢前端开始堆积，煤堆前端和两侧形成斜坡。当煤堆前端斜坡形成后，卸料进入S2阶段，煤堆只在两侧形成斜坡，顶部形成水平面。S2阶段较长，装车过程大部分为S2阶段，S2阶段一直延续到接近车厢尾部。当卸料达到车厢尾部时，卸料进入S3阶段，煤堆形成两侧和后部倾斜，装车结束，如图3所示。卸料三个过程的卸料速率是不尽相同的，防偏载卸料控制方法是根据缓冲仓内煤质计算结果得出装车时落煤速率以及定量仓剩余煤量关联溜槽位置参考值，得以控制溜槽的卸料过程。但由于装车时落煤速率以及定量仓剩余煤量关联溜槽位置是一个非线性关联，并且很难用精确的数据模型进行描述，本实施例采取了根据参考值以及实际卸料状态形成神经网络训练模型，即通过大量以往的装车数据，对神经网络模型进行训练。经过训练后的模型，实时控制溜槽位置以达到防偏载的目的，神经网络结构如图4所示。

卸料速率：从溜槽中实时流出的物料量dQ/dt，是神经网络输入层的重要参数。通过物料流速的检测我们可以对由溜槽进入车厢的落料体积进行积分计算。

定量仓剩余煤量：剩余量反应的是定量仓内剩余的煤的重量。

料位重量：料位重量是定量仓内配好的待装煤总量。

料位分布：料位分布主要是指溜槽中存有煤的重量以及已装入车厢中的煤的重量。

物料形态：物料形态主要指放入车厢内煤的总体积计算以及车厢中所呈现出来的装车效果。

要想达到较好的装车效果且车厢前后不偏载，首先我们需要控制卸料速度，需要将卸料速度与车速进行动态匹配，卸料速度的调节主要由调整闸门的开合度来

要想达到较好的装车效果且车厢前后不偏载，首先需要控制卸料速度，需要将卸料速度与车速进行动态匹配，卸料速度的调节主要由调整闸门的开合度来实现，煤质变化会影响落料速度，所以卸料速率是神经网络模型重要输入参数。在煤质变化较大的条件下要达到良好的装车效果且前后不偏载，需要实时掌握定量仓剩余煤量以及溜槽中及已装入车厢中的煤的重量比例，再结合装入车厢中的煤炭体积，以及剩余车厢可装料体积和待放入车厢中的煤炭体积进行比较计算，用得到的比较数据对后续的放煤形态进行计算规划，从而得出溜槽的位置调整值，以保证最终的装车效果，达到前后不偏载的要求。

神经网络模型主要是通过大量的模型训练来确定各输入层参数的影响因数，以及它们对于溜槽位置调整量所占有的权重，进而可以通过这些影响因素的调整得到良好调整效果。

步骤4，卸料过程：溜槽放下，根据计算卸料速率开始卸料，并在卸料过程通过余量检测反馈单元不断检测卸料量，并将卸料量反馈给神经网络模型，神经网络模型根据以往的训练不断调整卸料量，已到达满载并防止煤料散落。

卸料时溜槽在完全打开的状态下落料进入车厢的速率是非常关键的控制参数，0-S1时的落煤速率以及到S1时定量仓中剩余的煤量将决定S1-S2装车过程中溜槽所处的高度（平煤高度）；S1-S2过程中设置5个监测点，看落煤速率以及定量仓内剩余煤量是否满足装车形态要求。如果满足装车形态的要求，则不动作，继续按原有参数装车。如果不满足装车形态的要求，则回到步骤3，通过神经网络及时调整溜槽位置；S2-S3过程中，监测车厢尾部物料状态，防止物料洒落。

实施例二：

本实施例是实施例一的改进，是实施例一关于所述的判断阈值范围的细化，本实施例所述的判断阈值的范围是：0.3~0.6吨/m³。

影响煤质变化的因素很多，粒径、湿度等的影响都可能影响煤质的变化。根据出售的需要卖出的煤料由几种粒径不同的煤料配比而成，由于配比不同产生单位体积的变化，即为煤质变化。煤质还会因为煤料中含水量的变化而影响煤质。尽管煤料商品的湿度应当控制在一定范围内，但煤料转场运输过程中总会出现一些变化，如水分蒸发等，使煤质发生变化。判断阈值用于判断煤料的单位体积的重量变化，即煤质的变化是否超出阈值的范围，以便做出是否需要调控卸料过程的决定。

最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案（比如使用的装车站***、各种公式的运用、步骤的先后顺序等）进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (2)

1.一种定量装车抗煤质变化干扰防偏载控制方法，所述的方法所使用的***包括：缓冲仓称重传感器、缓冲仓料位传感器、煤质判断单元、定量仓称重传感器、定量仓料位传感器、卸料速率计算单元、神经网络模型单元、执行器、溜槽流量、余量反馈单元，其特征在于，所述方法包括如下步骤：

步骤1，描述监控：煤质判断单元以30s为采样周期，缓冲仓称重传感器获取仓内煤重量m，缓冲仓料位传感器测得缓冲仓内煤料的高度，进而计算出缓冲仓内的煤料体积v，从而获得采样周期内煤质参数；

步骤2，煤质变化判断：将当前煤质ρ与前次装车时的煤质ρ’进行比较，如果前后两个采样周期的煤质参数变化超过判断阈值时，需要对卸料溜槽的高度，角度的参数做出相应的调整；

步骤3，确定溜槽卸料控制参数：根据缓冲仓内煤质计算结果得出装车时卸料速率，以及定量仓剩余煤量、料位重量、料位分布、物料形态关联溜槽卸料控制参数，根据参考值以及实际卸料状态形成神经网络训练模型，实时控制溜槽位置以达到防偏载的目的；将卸料过程分为三个阶段S1、S2、S3；S1为卸料初始阶段，0到S1阶段是煤料从车厢前端开始堆积，煤堆前端和两侧形成斜坡；当煤堆前端斜坡形成后，卸料进入S2阶段，煤堆只在两侧形成斜坡，顶部形成水平面；S2阶段较长，装车过程大部分为S2阶段，S2阶段一直延续到接近车厢尾部；当卸料达到车厢尾部时，卸料进入S3阶段，煤堆形成两侧和后部倾斜，装车结束；

步骤4，卸料过程：溜槽放下，根据计算卸料速率开始卸料，并在卸料过程通过余量检测反馈单元不断检测卸料量，并将卸料量反馈给神经网络模型，神经网络模型根据以往的训练不断调整卸料量，已到达满载并防止煤料散落；卸料时溜槽在完全打开的状态下落料进入车厢的速率是非常关键的控制参数，0-S1时的落煤速率以及到S1时定量仓中剩余的煤量将决定S1-S2装车过程中溜槽所处的高度；S1-S2过程中设置5个监测点，看落煤速率以及定量仓内剩余煤量是否满足装车形态要求；如果满足装车形态的要求，则不动作，继续按原有参数装车；如果不满足装车形态的要求，则回到步骤3，通过神经网络及时调整溜槽位置；S2-S3过程中，监测车厢尾部物料状态，防止物料洒落。

2.根据权利要求1所述的方法，其特征在于，所述的判断阈值的范围是：0.3~0.6吨/m³。