一种基于机器学习算法的智能破碎机排料口自动调节系统的制作方法

本发明涉及一种基于机器学习算法的智能破碎机排料口自动调节系统。

背景技术：

1、一般来说，制砂机成套设备包括颚式破碎机、圆锥破和制砂机。

2、在检测制砂机的制砂效果时，一般先投入少量石料，最后工作人员在粉罐中检测出砂量和出砂粒径，从而判断制砂机的制砂效果。如果出砂量和出砂粒径不达标，那么，工作人员则会对圆锥破和制砂机进行调节（包括调节圆锥破的排料口尺寸、制砂机的转子转速、或者调节辊式制砂机的两辊间隙），工作人员调试结束后，再投入少量石料，再对出砂量和出砂粒径进行检测，以此类推。

3、由于石料经过圆锥破、振动筛和制砂机破碎成粉料，需要很长时间，使得检测周期也需要很长，这大大增加了检测周本，浪费了大量的原料。

4、所以在日常的操作中，影响圆锥破碎机的产量的因素之一就是排料口的调整，操作人员必须熟练掌握排料口的调整大小，才能保证顺利的生产，并且保证排料口产出的成品骨料的粒径满足要求。不同的圆锥破碎机排料口的尺寸所产出的成品骨料的粒径不同。

5、cn114768922a公开了一种圆锥破碎机排料口尺寸智能调整方法、装置及可读介质，在该方案中，构建了圆锥破碎机排料口尺寸预测模型，将所述圆锥破碎机排料口尺寸预测值与圆锥破碎机排料口尺寸阈值进行比较，根据比较结果获取调整指令并发送至定锥总成控制系统，由所述定锥总成控制系统调整圆锥破碎机排料口尺寸。但是，在该方案中，其输入模型的是外成品骨料的骨料图像，针对骨料图像分析其骨料粒径、骨料级配曲线面积差、骨料针状度和骨料个数等参数。

6、也就是说，在上述方案中，输入仅仅为图像，而由于破碎环境恶劣，图像分析难度系数大，准确率不高，由此造成预测结果不准确。

技术实现思路

1、本发明要解决的技术问题是：

2、1）调节精度低，无法根据物料特性和破碎效果实时调整排料口大小的技术问题；

3、2）缺乏智能决策能力，无法根据破碎机的运行状态和物料特性进行优化调节的技术问题；

4、3）系统稳定性和鲁棒性差，易受环境因素和设备故障影响的技术问题；

5、4）缺乏远程监控和诊断功能，不利于设备的维护和管理的技术问题；

6、因此提供一种基于机器学习算法的智能破碎机排料口自动调节系统。

7、为解决上述问题，本发明是通过以下技术方案实现的：

8、一种基于机器学习算法的智能破碎机排料口自动调节系统，包含智能破碎机系统，智能破碎机系统中的数据采集模块与控制器相连接，在控制器中设置机器学习模型模块，机器学习模型模块与排料口调节模块相连接；

9、智能破碎机系统包括颚式破碎机，在颚式破碎机的入料口设置有给料机，所述的颚式破碎机出料端连接圆锥破，圆锥破的出料口连接初级振动筛，初级振动筛第一出口连接粉罐，初级振动筛第二出口连接次级振动筛，初级振动筛第三出口通过第一传送机构连接制砂机，制砂机的出料口通过出料传送机构连接次级振动筛，次级振动筛的出料口连接粉罐；所述的次级振动筛第一出口连接粉罐，次级振动筛第二出口连接第二料仓，次级振动筛第三出口在通过第二传送机构连接制砂机；

10、在第一传送机构和第二传送机构上均设置有监控设备，监控设备为称重装置和图像粒度分析仪，称重装置和图像粒度分析仪均与控制器相连接；

11、在机器学习模型模块中，做如下处理：

12、步骤1：多源数据采集：通过智能破碎机系统中的称重装置和图像粒度分析仪，将数据传送给机器学习模型模块中；

13、多源数据包括：

14、①、在智能破碎机系统中，给料机入料之前设置物料检测装置，获取入料前的物料粒度、物料硬度等物理参数；

15、②、第一传送机构和第二传送机构上的称重装置和图像粒度分析仪，获取初次破碎以及多次破碎后的物料粒度分布；

16、③、圆锥破的排料口尺寸；

17、步骤2：构建粒级分布—排料口模型：

18、p = (b s + i - s) f；

19、其中，p是排料粒度分布矩阵，b是碎裂分布函数矩阵，s是碎裂概率函数矩阵，i是单位矩阵，f是给料粒度分布矩阵；

20、步骤3：建立神经网络修正模块；

21、步骤4：将同样的输入同时送入粒级分布—排料口模型和神经网络修正模块；其中，经过粒级分布—排料口模型得到初步预测的排料粒度分布；经过神经网络修正模块得到修正量δ

p；

22、步骤5：初步预测的排料粒度分布与神经网络预测的修正量相加，得到最终精确的排料粒度分布；

23、步骤6：根据最终精确的排料粒度分布，控制器根据模型的输出和设备状态信息，自动调整排料口大小，并实现远程监控和控制。

24、步骤3具体包括：

25、步骤3.1：构建cnn特征提取网络，经过cnn特征提取网络得到特征图

f

img；

26、步骤3.2：通过全局平均池化，将特征图

f

img空间维度压平，得到图像特征向量

v

img；

27、步骤3.3：特征融合：

28、步骤 a：将数值特征通过一个全连接层，升维至与图像特征相同的维度，得到

v

gap；

29、步骤 b：计算融合向量

v

fused：

30、

v

fused=

v

img×σ(

v

gap)；

31、其中σ是sigmoid激活函数；

32、步骤3.4：将融合后的特征输入全连接层堆叠，输出排料口修正量δ

p。

33、在颚式破碎机和圆锥破上均设置有状态监测模块，状态监测模块包括振动传感器和温度传感器，实时监测破碎机的振动情况和温度变化，将设备状态信息与粒度数据一起输入机器学习模型。

34、控制器连接有报警装置，报警装置为蜂鸣器。

35、初级振动筛第二出口连接第一料仓，第一料仓再通过传送机构连接次级振动筛。

36、次级振动筛还连接有第三料仓。

37、还包括步骤7：状态监测模块实时监测破碎机的振动情况和温度变化，将设备状态信息输入机器学习模型，具体包括：

38、步骤7.1：采集当前圆锥破的排料口尺寸

d、圆锥破的温度t和振动幅度a；

39、步骤7.2：当温度t＞t高，且a＞a幅时，设备出现非正常的剧烈振动或轴承温度急剧升高时，圆锥破停机检测；

40、其中，t高为圆锥破的最高额定值t高，a幅为圆锥破的最大振动幅度a幅，单位毫米每秒；

41、步骤7.3：当t均＜t＜t高时，δt=| t – t均|，则δt每升高0.5℃，则排料口尺寸

d增大1mm；

42、当a均＜a＜a幅，δa =| a – a均|，则δa每增加0.2mm/s，则排料口尺寸

d增大1mm；

43、其中，t均为圆锥破正常工作时的平均温度值，a均为圆锥破正常工作时的平均振动幅度阈值。

44、与现有技术相比，本发明具有以下有益效果：

45、1、提高调节精度：通过机器学习算法建立破碎粒级与排料口大小的数学模型，实现根据物料特性和破碎效果实时调整排料口大小，提高调节精度。

46、2、增强智能决策能力：利用深度学习算法和迁移学习技术，提高模型的准确性和适应性，使系统能够根据破碎机的运行状态和物料特性进行优化调节。

47、3、提高系统稳定性和鲁棒性：采用自适应学习率的优化算法和动量项，减少模型训练过程中的震荡，提高模型的稳定性。同时，通过多传感器融合和状态监测，提前预警设备异常，避免因设备故障影响破碎粒级。

48、4、实现远程监控和诊断：开发智能化的控制系统，集成传感器、机器学习模型和排料口调节装置，具备自动诊断、智能决策和远程控制功能，方便操作人员在不同地点对设备进行管理和维护。