[发明专利]一种盘磨系统的粉体粒度分布形状估计方法及其系统

权利要求书

1.一种盘磨系统的粉体粒度分布形状估计方法，其特征在于，包括以下步骤：

步骤1，采集盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙和粉体粒度分布形状的PDF，即粉粒粒度分布形状的概率密度函数的数据；

步骤2，采用具有高斯型激励函数的RBF神经网络，包括一组高斯基函数和相对应的权值，利用逆运算方法对不同时刻的与所述粉体粒度分布形状的PDF相对应的权值进行解耦计算；

步骤3、采用BP神经网络构建权值的非线性动态模型，所述非线性动态模型的调节变量为当前时刻盘磨系统的进料量、磨盘压力、磨盘转速、磨盘间隙和所述权值，输出变量为下一时刻的所述权值，由此获得权值向量的估计值；

步骤4、利用步骤3所述由BP神经网络构建的权值的非线性动态模型，结合步骤2所述RBF神经网络近似所述粉体粒度分布形状的PDF，得到粉体粒度分布形状的PDF的动态模型，用于对粉体粒度分布形状的PDF进行估计。

2.根据权利要求1所述的盘磨系统的粉体粒度分布形状估计方法，其特征在于，所述步骤2包括以下步骤：

步骤2-1，将所述进料量、磨盘压力、磨盘转速、磨盘间隙作为输入变量，所述粉体粒度分布的PDF作为输出变量；

步骤2-2、采用具有高斯型激励函数的RBF神经网络近似所述粉体粒度分布形状的PDF，

步骤2-3、利用逆运算方法对不同时刻粉体粒度分布形状的PDF相对应的权值进行解耦计算。

3.根据权利要求2所述的盘磨系统的粉体粒度分布形状估计方法，其特征在于，所述步骤2.2中的近似方法为：

设粉体粒度y为描述动态盘磨系统输出的一致有界随机过程变量，y∈[a,ξ]；

在任一采样时刻k，u(k)为该时刻与所述输入变量对应的调节输入向量，u(k)∈R^m；

在任一采样时刻k，粉体粒度分布形状可以通过其概率密度函数来描述，其定义式如下：

式中，γ(y,u(k))为粉体粒度分布形状的PDF；P(a≤y＜ξ,u(k))表示盘磨系统在调节输入变量u(k)作用下的所述粉体粒度y落在区间[a,ξ]内的概率，本式表明粉体粒度分布形状的PDF由调节输入向量u(k)进行调节；

设区间[a,b]为已知且连续且有界，采用如下具有高斯型激励函数的RBF神经网络来逼近输出所述PDF：

首先，定义第l个网络节点的基函数R_l(y)如下式所示：

式中，l表示第l个网络节点，n为网络节点总数，μ_l表示第l个网络节点的基函数的中心值，σ_l表示第l个网络节点的基函数的宽度；

然后，利用RBF神经网络逼近原理，得出此时粉体粒度分布形状的PDF采用RBF神经网络的近似表示，即

式中,w_l(u(k))为与第l个网络节点的基函数相对应的权值；

此外，由于粉体粒度分布形状的PDF需要满足如下自然隐含条件

则此时粉体粒度分布形状的PDF近似表达式为

γ(y,u(k))＝C(y)V(k)+L(y)

式中

V(k)＝[ω₁(u(k)),ω₂(u(k)),....,ω_n-1(u(k))]^T

上式表明，一旦所述基函数R_l(y)确定，所述有界区间[a,b]已知，则在n个所述权值中有n－1个是相互独立的。