通过控制合理的入料粒径能够有效提高对辊破碎机层压破碎效率,但在分析物料破碎过程时存在腔内物料不可视、破碎数据难采集等问题。为了提高对辊破碎机的破碎效率,优化其破碎过程的分析方法,采用离散元法(discrete element method,DEM)...通过控制合理的入料粒径能够有效提高对辊破碎机层压破碎效率,但在分析物料破碎过程时存在腔内物料不可视、破碎数据难采集等问题。为了提高对辊破碎机的破碎效率,优化其破碎过程的分析方法,采用离散元法(discrete element method,DEM)与多体动力学(multibody dynamics,MBD)建立联合仿真模型,探究对辊破碎机层压破碎过程中物料的破碎规律;并进行对辊破碎机层压破碎试验,分析不同入料粒径配比时矿石物料的孔隙率对破碎效率的影响,并试验验证联合仿真模型的准确性。结果表明:对辊破碎机的物料破碎由单颗粒破碎和层压破碎组成,破碎过程分为料层密实、物料破碎和结团排料3个阶段;为提高对辊破碎机破碎效率需要控制入料粒径不小于辊隙的40%,在此条件下,通过混入尺寸大小为入料粒径50%~100%的矿石降低物料孔隙率可以提高破碎效率;DEM-MBD联合仿真与试验结果的碎后粒径分布曲线基本吻合,从而验证建立的联合仿真模型的可靠性。展开更多
磨音信号是反映磨机运行状态的一个重要参数,准确区分不同状态下的磨机信号将直接影响后续磨机运行参数优化的结果。通过聚类算法可以对磨音信号进行分类,为使磨音信号聚类效果更优,不仅需要类内距离小,还需要类间距离尽可能大。由此提...磨音信号是反映磨机运行状态的一个重要参数,准确区分不同状态下的磨机信号将直接影响后续磨机运行参数优化的结果。通过聚类算法可以对磨音信号进行分类,为使磨音信号聚类效果更优,不仅需要类内距离小,还需要类间距离尽可能大。由此提出一种基于局部稳定性加权动态时间规划(Local Stability Dynamic Time Warping,LSDTW)和优化k-medoids的磨音信号聚类方法。首先为克服动态时间规划(Dynamic Time Warping,DTW)得到的计算结果对噪声高度敏感的缺点,使用局部稳定性估计对DTW加权计算来降低噪声对计算结果的影响,其次针对k-medoids聚类需要多次计算才能确定聚类个数的不足,提出使用异常迭代模式(Abnormal Pattern,AP)优化k-medoids方法选取代表性的初始集群中心。采用优化k-medoids方法对LS-DTW的结果进行聚类分析,以平均轮廓系数作为评价标准,对比LS-DTW-k-medoids、DTW-k-medoids、DTW-优化k-medoids、k-means++算法效果可知,经本文方法聚类后,类内紧致性更优。展开更多
文摘通过控制合理的入料粒径能够有效提高对辊破碎机层压破碎效率,但在分析物料破碎过程时存在腔内物料不可视、破碎数据难采集等问题。为了提高对辊破碎机的破碎效率,优化其破碎过程的分析方法,采用离散元法(discrete element method,DEM)与多体动力学(multibody dynamics,MBD)建立联合仿真模型,探究对辊破碎机层压破碎过程中物料的破碎规律;并进行对辊破碎机层压破碎试验,分析不同入料粒径配比时矿石物料的孔隙率对破碎效率的影响,并试验验证联合仿真模型的准确性。结果表明:对辊破碎机的物料破碎由单颗粒破碎和层压破碎组成,破碎过程分为料层密实、物料破碎和结团排料3个阶段;为提高对辊破碎机破碎效率需要控制入料粒径不小于辊隙的40%,在此条件下,通过混入尺寸大小为入料粒径50%~100%的矿石降低物料孔隙率可以提高破碎效率;DEM-MBD联合仿真与试验结果的碎后粒径分布曲线基本吻合,从而验证建立的联合仿真模型的可靠性。
文摘磨音信号是反映磨机运行状态的一个重要参数,准确区分不同状态下的磨机信号将直接影响后续磨机运行参数优化的结果。通过聚类算法可以对磨音信号进行分类,为使磨音信号聚类效果更优,不仅需要类内距离小,还需要类间距离尽可能大。由此提出一种基于局部稳定性加权动态时间规划(Local Stability Dynamic Time Warping,LSDTW)和优化k-medoids的磨音信号聚类方法。首先为克服动态时间规划(Dynamic Time Warping,DTW)得到的计算结果对噪声高度敏感的缺点,使用局部稳定性估计对DTW加权计算来降低噪声对计算结果的影响,其次针对k-medoids聚类需要多次计算才能确定聚类个数的不足,提出使用异常迭代模式(Abnormal Pattern,AP)优化k-medoids方法选取代表性的初始集群中心。采用优化k-medoids方法对LS-DTW的结果进行聚类分析,以平均轮廓系数作为评价标准,对比LS-DTW-k-medoids、DTW-k-medoids、DTW-优化k-medoids、k-means++算法效果可知,经本文方法聚类后,类内紧致性更优。