一种建筑陶瓷间歇式球磨机泥浆制备控制方法与流程

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.为达此目的，本发明采用以下技术方案：
6.一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：
7.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；
8.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；
9.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；
10.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；
11.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。
12.优选的，所述步骤s1具体如下：
13.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；
14.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；
15.通过scada系统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，收集后的数据scada通过握手机制把实际生产数据传输至设备仿真层。
16.优选的，所述步骤s2中对数据进行清洗采包括数据处理以及数据挑选；
17.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；
18.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。
19.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。
20.优选的，所述步骤s3包括如下步骤：
21.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；
22.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；
23.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。
24.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：
25.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：
26.α
n
为当前调整参数的权重值，α
n
‑1为前一组调整
27.参数的权重值，n为调整参数组数，y(x)为第x组调整参数中x调整参数的具体数据。
28.优选的，所述步骤s4的具体步骤如下：
29.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；
30.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；
31.其中所述知识判断模型表达如下：
[0032][0033]
其中r2为预测评分，所述y
(i)
为第i组的调整参数的实际值，为第i组的调整参数的实际值的平均值，为第i组的调整参数的预测值。
[0034]
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技术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
[0035]
图1是本发明的流程示意图；
[0036]
图2是本发明一个实施例中球磨机的球磨频次统计图；
[0037]
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；
[0038]
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；
[0039]
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
[0040]
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。
[0041]
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。
[0042]
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。
[0043]
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。
[0044]
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：
[0045]
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；
[0046]
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；
[0047]
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；
[0048]
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；
[0049]
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。
[0050]
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。
[0051]
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技术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。
[0052]
为此本技术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，本技术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。
[0053]
优先的，所述步骤s1具体如下：
[0054]
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；
[0055]
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；
[0056]
通过scada系统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，收集后的数据scada通过握手机制把实际生产数据传输至设备仿真层。
[0057]
本技术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。
[0058]
优先的，所述步骤s2中对数据进行清洗采包括数据处理以及数据挑选；
[0059]
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；
[0060]
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。
[0061]
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。
[0062]
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。
[0063]
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。
[0064]
优先的，所述步骤s3包括如下步骤：
[0065]
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；
[0066]
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；
[0067]
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。
[0068]
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。而本技术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。
[0069]
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。
[0070]
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：
[0071]
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：
[0072]
α
n
为当前调整参数的权重值，α
n
‑1为前一组调整参数的权重值，n为调整参数组数，y(x)为第x组调整参数中x调整参数的具体数据。
[0073]
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，α
n
‑1为系统默认的参数，只有当计算第二组数据更新第一组权重值时α
n
‑1才为前一组调整参数的权重值。
[0074]
优选的，所述步骤s4的具体步骤如下：
[0075]
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；
[0076]
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；
[0077]
其中所述知识判断模型表达如下：
[0078][0079]
其中r2为预测评分，所述y
(i)
为第i组的调整参数的实际值，为第i组的调整参
数的实际值的平均值，为第i组的调整参数的预测值。
[0080]
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。
[0081]
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。
[0082]
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。