兼顾排屑与降载作用的叶轮拐角单笔清根刀具

清根加工作为叶轮拐角区域残余材料的补加工工艺,在整体叶轮数控加工中占据十分重要的地位。盖盘叶轮清根加工具有推刀进给、拐角曲面曲率大、切削余量大、空间几何受限等特点。而传统球头铣刀刀尖点切削性能不足,应用于盖盘叶轮清根加工会导致切削载荷大和切屑挤压,造成刀具过早失效、加工表面质量差等问题。本文针对盖盘叶轮清根加工的特点和难点,提出一种面向不同拐角尺寸的具有削顶结构以及大容屑槽结构的刀具,并推导了切削刃的表达式。对传统球头铣刀和新式削顶铣刀进行仿真与实验,结果表明,新式削顶铣刀较传统球头铣刀切削力降载高达77.6%,切削过程更平稳可靠,加工质量更高。

基于相空间重构和PSO-K-means的球磨机负荷状态识别方法

针对球磨机振动信号具有强随机性、非平稳性和非线性等内在特性导致负荷状态难以识别的问题,提出一种基于相空间重构和PSO-K-means的球磨机负荷状态识别方法。首先,利用改进前后的自相关系数算法对Lorenz与Rossler两种混沌时间序列进行数值模拟,得出延迟时间和嵌入维数精准有效的计算方法;其次,验证出球磨机筒体振动信号具有混沌特性后对其时间序列进行相空间重构,恢复出等价的混沌吸引子;接着,针对3种不同负荷状态下的相空间吸引子进行特征提取,分析了关联维数特征量的变化规律;最后,将关联维数作为特征向量输入PSO-K-means聚类模型中对球磨机负荷状态进行分类与识别。结果表明,PSO-K-means聚类模型在负荷状态识别时有较高的精准性,欠负荷、正常负荷、过负荷下识别精度分别为94.2%、96.3%、94.8%。以上结果证实了该方法能够实现对球磨机负荷状态的有效识别。

基于自适应VMD-Hilbert的球磨机负荷参数预测

提出一种自适应变分模态分解(VMD)—希尔伯特(Hilbert)边际谱样本熵和最小二乘支持向量机(LSSVM)提取球磨机振动信号组合特征并预测负荷参数的方法。首先,使用自适应VMD的振动敏感信号调制来分解振动,得到反映振动特性的本征模态函数(IMF)分量;之后,进行Hilbert变换,得到边际谱样本熵;最后,将其作为输入特征向量输入到LSSVM,实现球磨机负荷参数预测。试验结果表明:该方法可以有效地提取球磨机的非线性不稳定的信号特征,较为精确地预测球磨机负荷参数。

基于深度宽卷积残差收缩网络的球磨机负荷状态诊断

针对磨矿复杂工况下球磨机负荷状态准确诊断的难题,提出一种基于深度宽卷积残差收缩网络(Deep Wide Residual Shrinkage Networks, DWRSNs)的球磨机负荷状态诊断方法.首先采用宽卷积神经网络提取振动信号短时特征,建立三层深度残差收缩网络,利用软阈值函数进行非线性变换,再基于注意力机制模块自主学习阈值提取面向负荷状态的高级特征,通过全连接层、softmax层实现球磨机负荷状态的准确分类与判别.实测结果证明,本文提出的DWRSNs方法的拟合度、收敛速度及学习能力均优于现有DCNNs、ResNets和DRSNs诊断方法,且提取的振动信号特征具有高代表性,经TSNE可视化后簇内紧密度高、簇间分界明显.本文方法诊断测试集的准确率超过99%,交叉熵损失为0.077 2,相较于现有负荷状态诊断方法具有更高的准确率且诊断耗时更短,可实现球磨机负荷状态的准确判别,为选冶磨矿过程优化控制、提高磨矿效率提供有效、可靠的判据.

基于自适应网络的球磨机负荷预测方法

鉴于多工况环境下的数据漂移限制了深度学习方法预测球磨机负荷的效果,提出一种基于自适应网络的球磨机负荷预测方法。首先建立基于深度相关对齐的磨矿分级工况划分模型;然后将相对位置编码引入Transformer,对注意力机制进行解耦来将位置信息直接编码进注意力机制,进而提高预测性能;进一步提出一种自适应网络,将分布匹配正则化项应用于Transformer模型的隐层特征,通过减少不同工况之间的分布差异来学习模型隐藏状态的共同参数,提高模型泛化能力;最后采用基于Boosting的方法学习隐藏状态的重要性。试验结果表明,所提自适应预测网络可以明显提高预测球磨机负荷参数的准确性,而且在面对未知工况时预测性能也领先于对比方法。

“双碳”目标下球磨机节能降耗技术研究进展

球磨机广泛应用于冶金矿山行业,磨矿作业的动力消耗与金属消耗较大,如何有效降低能耗与金属消耗是一项重要研究内容。主要从磨机自身结构改进、精确化装补球技术、耐磨材料制备技术三个方面进行综述。磨机自身结构改进主要包括以下措施:球磨机大型化、将边缘传动改为中心传动、将滑动轴承改为滚动轴承、改善研磨介质与衬板种类与形状。精确化装补球技术在我国矿山中应用广泛,均不同程度地降低了球磨机的电耗与球耗。耐磨材料制备技术主要围绕锰钢材料、铸铁材料、合金钢材料、双金属复合材料、磁性材料、橡胶材料的设计与制备进行了阐述,主要通过微合金化设计、热处理制度改进达到细化晶粒、转变组织的目的,提高材料的耐磨性,从而降低磨损率。

基于振动频谱的磨矿过程球磨机负荷参数集成建模方法

以磨矿过程的湿式球磨机为背景,针对传统磨机负荷(ML)检测方法只能依靠灵敏度较低的轴承振动、筒体振声和磨机功率等信号监督判断ML状态,难以检测磨机内部负荷参数的问题,提出了一种基于高灵敏度的筒体振动频谱的集成建模方法.首先,依据磨矿过程的研磨机理,将振动频谱采用波峰聚类方法自动划分具有不同物理意义的分频段;然后利用核偏最小二乘(KPLS)算法分别建立各分频段的ML参数子模型;最后,依据子模型训练数据预测误差的信息熵获得初始权重,加权得到最终的ML参数集成预测模型;在线使用中则根据子模型预测误差的变化进行权值的在线自适应更新.仿真结果证明了该方法的有效性.

基于复合式神经网络的火电厂筒式钢球磨煤机负荷软测量

在对筒式钢球磨煤机运行参数及其负荷检测特点分析的基础上,针对单一负荷检测方法的不足,提出了一种从多传感器信息融合角度出发基于复合式神经网络的磨煤机负荷软测量方法。通过复合式神经网络对钢球磨煤机噪音、入口负压、出入口差压、出口温度和电机电流进行融合,获得磨煤机负荷及负荷的变化率,为有效地实施钢球磨煤机的控制提供了更准确的信息。实际测试表明,该方法能够准确反映钢球磨煤机负荷,具有较高的灵敏度。

基于功率谱分析的球磨机负荷模型

建立了基于功率谱分析的球磨机负荷模型,分析了球磨机负荷、磨音声强和磨音频谱分布三者之间的关系:磨音检测点处的声压与球磨机筒体振动速度的平方成正比,声音频率与球磨机筒体振动频率成正比,随着球磨机负荷的增加,磨音信号逐渐减弱;磨音频谱主要分布在1 500Hz以下,当球磨机正常运行时,磨音频谱分布较为均匀,当球磨机欠磨运行时,磨音频谱主要分布在0～1 000Hz。Matlab仿真结果验证了所建立的球磨机负荷模型的可行性和有效性。

基于流形正则化域适应湿式球磨机负荷参数软测量

针对多工况条件下球磨机关键负荷参数测量面临的复杂性问题,提出基于流形正则化域适应(domain adaptation with manifold regularization,DAMR)湿式球磨机负荷参数软测量的方法。该方法首先采用集成流形约束、最大方差及最大均值差异寻找特征变换矩阵,然后,将源建模领域和未建模领域的特征信息投射到公共子空间,最后,在子空间建立模型得到球磨机关键负荷参数的预测值。实验结果表明该方法能以较高的精度实现未知工况下湿式球磨机关键负荷参数的预测,且该方法对于流程工业多工况软测量和过程监控研究有一定的参考价值。

基于模糊自调整和采样模糊控制的磨机负荷控制策略

针对火电厂球磨机非线性、大惯性及强耦合的特点,提出一种基于模糊自调整和采样模糊控制的磨机负荷控制策略。模糊自调整算法以出口温度和入口负压作为输入变量,通过模糊推理后对磨机负荷的控制目标值进行修正;而采样模糊控制结合采样控制和模糊控制各自的优点,对磨机负荷进行实时控制,这样可以保证球磨机始终稳定运行在最佳工作点附近,从而达到安全生产、节能降耗的目的。提出的控制策略已经成功应用于工业现场,现场试验和统计数据表明该方法具有良好的控制品质和显著的节能效果。

火电厂钢球磨煤机负荷的灰色PID控制系统研究

火电厂钢球磨煤机的负荷对象具有大滞后、慢时变、强非线性等复杂特性,采用常规控制方法难以获得满意的控制效果,提出了基于灰色预测PID控制的球磨机负荷控制方法,它融合了灰色预测与常规PID控制这两者的设计思想,将灰色预测在线预测结果代替被控对象测量值,再进行PID控制运算。Simulink仿真结果表明,灰色预测PID控制在控制的快速性、稳定性、适应性、鲁棒性、抗干扰性上均优于常规PID控制和带Simth预估PID控制。

球磨机负荷检测方法综述

火电厂制粉系统中仍广泛使用钢球磨煤机来磨制煤粉。但大部分球磨机系统都运行在保守工况下,造成制粉单耗大,系统出力小。原因之一就是至今还没有一种实用、准确的方法对磨煤机内的存煤量(磨负荷)进行测量。传统的利用磨煤机进出口差压信号来来表征磨负荷的方法易受通风量、煤种等影响,误差较大。本文归纳了近年来提出来的磨负荷测量方法,如磨电流、振动频谱分析法、基于神经网络的软测量法以及数据融合方法等,并进行了分析比较,最后得出一些有益的结论。

球磨机负荷检测的现状与发展趋势

根据球磨机负荷的检测在球磨过程自动控制中的重要作用 ,论述了球磨机负荷检测的现状 。

基于灰色预测的无模型控制在球磨机负荷控制中的仿真研究

火电厂钢球磨煤机的负荷对象具有大滞后、慢时变、强非线性等复杂特性,采用常规控制方法难以获得满意的控制效果,本文提出了基于灰色预测的无模型自适应负荷控制方法。该方法融合了无模型控制的自适应、抗干扰特性与灰色预测模型的预测时延、抑制超调和快速稳定特性,它将灰色模型的预测结果代替负荷对象输出测量值,再进行无模型自适应闭环控制。仿真结果表明这种控制方法系统响应快、超调小、鲁棒性好、抗干扰能力强,可以有效解决大滞后、非线性及适应性等问题。

球磨机精确化装补球方法

用球径精确化理论改进现有选厂球磨机的装补球方法。新的装补球方法提高了磨机生产率及选别指标 ,并降低了球耗和电耗。工业试验证明 ,新方法效果显著且简单易行。

基于数据融合与案例推理的球磨机负荷优化控制

在以球磨机为主要生产设备的工业过程中,球磨机负荷是与生产效率和能源消耗密切相关的重要指标。针对难以采用常规方法控制球磨机负荷的难题,将多传感器数据融合和案例推理方法相结合,提出了氧化铝生料浆配料过程的球磨机负荷优化控制方法。利用球磨机的振动和电流信号,采用多传感器数据融合方法在线估计出球磨机的负荷状态,在此基础上,采用案例推理方法自动调整进入球磨机的干料总量,从而使球磨机在"最佳负荷状态"下运行。将所提出的优化控制方法进行工业实验,结果表明,球磨机的台时产能得到了较大提高,同时降低了能源消耗并减少了"堵磨"故障次数,取得了良好的经济效益。所提出的方法为化工、冶金和电力等其他行业的球磨机负荷控制提供了重要的参考价值。

自寻优模糊自适应采样PI控制在钢球磨煤机负荷控制中的应用

针对火电厂钢球磨煤机工作特性和控制要求,提出了一种自寻优-模糊自适应采样PI控制相结合的双层控制策略,实现了对钢球磨煤机负荷的优化和实时控制。所开发的钢球磨煤机负荷控制系统,采用基于多传感器信息融合技术的磨煤机负荷检测仪实现负荷的准确测量,并采用可编程逻辑控制器(PLC)与工控机组成一个小型的DCS。实际应用表明,该系统控制性能良好,节能效果显著。

基于即时学习策略的火电厂球磨机负荷软测量

针对电厂球磨机负荷难以进行有效预测的问题,从提高预测模型在线自适应能力的角度出发,提出一种基于即时学习策略的改进SVM建模方法。利用灰色关联分析方法对过程参数进行优化筛选,获得辅助变量;在即时学习策略建模框架下,采用多种群混合优化算法进行SVM预测模型参数的优化选取;基于电厂实际运行数据进行了仿真研究。仿真实验表明,与标准BP神经网络和SVM建模方法的比较,该算法具有更好的预测性能,虽然计算开销有所增加,但能够满足制粉系统球磨机负荷检测的实时性要求。

音频信号分析在球磨机控制系统中的应用

球磨机煤负荷的检测是球磨机实现自动控制、优化运行、节能降耗的关键。提出一种利用音频信号功率谱识别存煤量的方法,该方法能够得到球磨机在不同煤负荷下噪音频谱的特征频带,从而反映出球磨机煤负荷的变化,为把球磨机音频信号引入煤负荷控制系统打下基础。