[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

说明书

本发明属于粉体粒度控制领域，具体涉及一种盘磨系统的粉体粒度分布形状估计方法及其系统，包括以下步骤：1)通过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；2)采用RBF神经网络对权值进行解耦计算；3)采用BP神经网络构建权值的非线性动态模型，由此获得权值向量的估计值；4)对粉体粒度分布形状的PDF进行估计。本发明应用于食品加工行业的粉体粒度分布形状的估计，同时也可用于冶金行业选矿过程的矿粉粒度、水泥生产过程的水泥粒度等复杂工业过程的粉体粒度分布形状的估计。

技术领域

本发明属于粉体粒度控制领域，具体涉及一种盘磨系统的粉体粒度分布形状估计方法及其系统。

背景技术

在食品加工行业，面粉粒度常作为小麦粉质量等级的评价指标之一，必须符合一定的粒度要求，太大或太小都会影响生产指标要求和效率，通过对面粉粒度的控制，可以更好地把握面粉粉的品质变化，为后续的食品加工工序提供符合要求的原材料，从而提高生产效率及面粉质量。目前在实际生产中通常将粉体粒度的均值或者方差作为作为衡量面粉质量的重要指标，然而，均值或者方差并不能表征粉体粒度分布形状的全部信息，而粉体粒度分布形状包含了粉体的均值或者方差的所有信息。因此，将粉体粒度分布形状取代传统的均值或方差作为衡量面粉质量指标具有更为广泛的应用。

在面粉生产过程中，影响盘磨系统的粉体粒度分布形状的因素有很多，如进料量、磨盘转速、磨盘间隙、磨盘压力等，而这些变量中，喂料量可以通过喂料器的振动频率进行调节，通过设置变频器频率可以有效控制带动动磨盘的主电机转速，磨盘间隙可采用机械或者液压调节装置完成等，因此，如何建立一个以进料量、磨盘转速、磨盘间隙、磨盘压力为输入变量，以粉体粒度分布形状为输出的盘磨系统的数学模型对粉体粒度分布形状的估计变得至关重要，和常规的建模方法不同的是，粉体粒度分布形状是一个空间分布，而非传统意义上的时序数据，因此，传统的建模方法(如机理建模或经验建模)将无法建立精确的刻画盘磨系统动态模型。

因此，鉴于粉粒粒度分布形状在衡量面粉质量的重要性，如何实现对盘磨系统的粉体粒度分布形状估计，不但可以有效对小麦粉的品质变化进行估计，而且对降低能耗和提高生产效率提供一定的指导。

发明内容

针对上述存在的技术问题，本发明提供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。

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。

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]；