基于数据驱动模型的回转滚筒内部颗粒流预测和分类方法技术

一种基于数据驱动模型的回转滚筒内部颗粒流预测和分类方法，该方法结合回转滚筒离散元模型生成的颗粒流动数据，提取出与颗粒运动行为的相关特征，通过长短期记忆LSTM方法构建数据驱动模型，对回转滚筒内部混合颗粒的流动数据时序特征进行预测，并对回转滚筒的多种工况标签进一步分类。该方法结合离散元模型能够提供每个粒子轨迹的可视化，采集代表滚筒内部颗粒流动特征的宏观和微观数据。该方法基于数据驱动模型，从离散元模拟的历史数据中提取出与颗粒运动行为相关的特征表示，并通过挖掘混合颗粒运动全过程数据，建立和运动状态相关的映射关系。因此，使回转滚筒内部混合颗粒流动的预测和分类方法，能够低成本、更高效、更快速实现。实现。实现。

【技术实现步骤摘要】
基于数据驱动模型的回转滚筒内部颗粒流预测和分类方法


[0001]本专利技术涉及回转滚筒颗粒运动领域，特别是涉及一种基于数据驱动模型的回转滚筒内部颗粒流预测和分类方法。

技术介绍

[0002]回转滚筒作为常见的工业设备，回转滚筒广泛应用于物料颗粒相关的各种行业中。然而，回转滚筒内部的不同性质颗粒流往往呈现出各种现象，如混合、雪崩和离析。这些回转滚筒特有的特征，尤其是颗粒混合物的均匀性，对整体行业生产有重大影响，包括质量和热传递、颗粒破碎和磨机磨损。因此，需要通过量化和预测最佳操作条件，以实现更好的提高破碎和粉磨效率以降低能耗。
[0003]过去，基于从各种实验收集数据和半经验模型研究了回转滚筒的混合和偏析过程。由于物料存在颗粒密度、粒径和形状差异，回转滚筒运动过程中普遍存在混合偏析行为。特别是回转滚筒中轴向偏析出现时，介质和物料颗粒轴向分布并不均匀，产生交替的偏析带特征。这情况下，混合颗粒体系中的轴向偏析结构，降低了整体研磨效率。
[0004]目前，传统的基于模型的方法往往需要广泛的领域知识，并且还必须进行繁琐的参数标定和实验验证。尽管过去已经观察到计算性能的巨大增长，基于物理模型的数值方法，仍然难以在大型工业中应用。相反，数据驱动方法不依赖于大量的先验专家知识，能够从历史数据中提取出与运动行为相关的特征表示，并通过挖掘颗粒运动全过程数据建立它们和运动状态之间的映射关系。
[0005]因而，有必要研究一种基于数据驱动模型的预测和分类方法，结合离散元模拟的数据，有效地学习回转滚筒混合颗粒系统的流动行为，进而实现低成本、快速预测操作参数和实时分类工况类别。

技术实现思路

[0006]针对现有技术的不足，本专利技术提供一种实现低成本、快速预测操作参数和实时分类工况类别的基于数据驱动模型的回转滚筒内部颗粒流预测和分类方法。
[0007]本专利技术采用的技术方案如下：根据回转滚筒在不同时间的颗粒轴向偏析数据和碰撞能量数据，通过长短期记忆方法构建用于回转滚筒内部颗粒流预测和分类的数据驱动模型，对回转滚筒内部混合颗粒的流动数据时序特征进行预测，并对回转滚筒的多种工况标签进一步分类。
[0008]进一步的，包括如下步骤，
[0009]S1、基于离散元模拟回转滚筒内部颗粒运动，模拟参数均与实验保持一致；
[0010]S2、通过不通位置角度的相机捕捉颗粒混合和偏析过程，统计回转滚筒内部每个粒子信息，包括坐标、速度、能量、接触检测和运动状态等；然后，分析不同特征信息对混合颗粒整体流动影响的相关性，进而提取出能显著表征宏观角度和微观角度的颗粒流动特征；
[0011]S3、将回转滚筒中颗粒轴向偏析数据作为宏观流动特征，将碰撞能量作为微观流动特征，统计并计算出回转滚筒在不同时间的颗粒轴向偏析数据和碰撞能量数据；
[0012]S4、采用LSTM方法建立数据驱动模型框架：
[0013]重复步骤S1和S3，模拟不同的工况条件下的回转滚筒内部颗粒流动案例，选取回转滚筒转速、填充率和长径比三种不同的工况条件作为LSTM模型的输入变量；以轴向偏析指数和相对区域能量作为LSTM模型的输出变量，建立用于回转滚筒内部颗粒流预测和分类的数据驱动模型框架；
[0014]S5、超参数优化模型并建立标准数据驱动模型：
[0015]在搭建数据驱动模型框架的基础上，确定所述数据驱动模型的输入和输出参数后，通过最小化预测值和目标值之间的差异来训练标准数据驱动模型，进而对标准数据驱动模型参数:时间窗长度、隐含层神经元个数、隐含层层数进行优化，经比较后确定最优数据驱动模型参数；
[0016]S6、训练数据驱动模型并验证预测和分类效果：
[0017]在模型训练过程中，将不同工况的数据集打乱，随机选择80％离散元数据作为训练集；输入所构建的标准数据驱动模型进行训练，并用于交叉验证，剩下的20％数据作为测试集；绘制图片，将训练后数据驱动模型的颗粒流动预测和分类结果和离散元模拟结果进行对比，进而验证该数据驱动模型在回转滚筒混合颗粒工业应用中具有快速预测和参数优化的潜力。
[0018]进一步的，步骤S1中，在基于离散元模拟回转滚筒内部颗粒运动时，需根据实验参数建立等尺度的离散元回转滚筒模型；获取所述实验参数的实验装置包括回转滚筒和多相机采集系统，所述离散元模型为透明回转滚筒，所述透明回转滚筒内部填充有完全偏析状态的两种直径类型的透明玻璃颗粒。
[0019]进一步的，步骤S1中，为了模拟不同状态的颗粒运动行为，所述回转滚筒的工况参数包括：长径比0.5～3，填充率为10％～30％，转速为40rpm～80rpm；模型中使用的时间步长为瑞利时间步长的25％。
[0020]进一步的，步骤S3中，在提取所述轴向偏析数据时，将每个回转滚筒的每个径向截面视为一个计算单元，对各个径向截面求混合指数及该截面颗粒在滚筒中权重；
[0021]然后，根据径向截面的轴向中心补偿距离，计算滚筒内部颗粒的轴向偏析ACNN数据；
[0022]所述轴向偏析ACNN数据公式为：
[0023][0024]式中，L
now
为两种颗粒的实际轴向中心补偿距离；L
min
、L
max
分别是完全混合时轴向偏析距离、完全偏析时轴向距离。
[0025]进一步的，在所述步骤S3中，
[0026]在提取具有碰撞能量的数据时，对整个计算区域进行N
i
×
N
j
×
N
z
的网格划分，统计颗粒流动过程中碰撞次数和每次碰撞的能量损失，计算各区域总能量损失；
[0027]接着，统计每组的相关对象总数，即介质与物料颗粒的数量总和；
[0028]再用区域总能量E
i，j，z
除以相关对象总数N
n
，即获得相对区域能量RRTE数据；
[0029]其中，在较长滚筒中，将各区域能量沿着径向叠加到轴向截面，公式如下：
[0030][0031]式中，N
Δt
为采集的破碎过程中时间步总数，N
n
为相关对象总数。
[0032]进一步的，在所述步骤S4中，采用LSTM方法所建立的数据驱动模型，包括输入门、遗忘门和输出门；通过调整所述输入门、遗忘门和输出门的状态，控制LSTM网络隐含层之间的信息流向。
[0033]进一步的，在所述步骤S5中，训练预测模型的过程中主要使用交叉熵损失函数loss：
[0034][0035]式中，i和j分别是目标工况的索引与类别索引，和分别是实际和预测的标签；λ是L2正则化项，θ代表模型的可优化参数集合。
[0036]在训练分类模型的过程中主要考虑多工况目标进行分类，需要引入无量纲权重Li对交叉熵损失函数进行修正，修正后的多目标交叉熵损失函数Loss为：
[0037]Loss＝L
i
·
loss
i
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动模型的回转滚筒内部颗粒流预测和分类方法，其特征在于：根据回转滚筒在不同时间的颗粒轴向偏析数据和碰撞能量数据，通过长短期记忆方法构建用于回转滚筒内部颗粒流预测和分类的数据驱动模型，对回转滚筒内部混合颗粒的流动数据时序特征进行预测，并对回转滚筒的多种工况标签进一步分类。2.根据权利要求1所述的基于数据驱动模型的回转滚筒内部颗粒流预测和分类方法，其特征在于：包括如下步骤，S1、基于离散元模拟回转滚筒内部颗粒运动，模拟参数均与实验保持一致；S2、通过不通位置角度的相机捕捉颗粒混合和偏析过程，统计回转滚筒内部每个粒子信息，包括坐标、速度、能量、接触检测和运动状态等；然后，分析不同特征信息对混合颗粒整体流动影响的相关性，进而提取出能显著表征宏观角度和微观角度的颗粒流动特征；S3、将回转滚筒中颗粒轴向偏析数据作为宏观流动特征，将碰撞能量作为微观流动特征，统计并计算出回转滚筒在不同时间的颗粒轴向偏析数据和碰撞能量数据；S4、采用LSTM方法建立数据驱动模型框架：重复步骤S1和S3，模拟不同的工况条件下的回转滚筒内部颗粒流动案例，选取回转滚筒转速、填充率和长径比三种不同的工况条件作为LSTM模型的输入变量；以轴向偏析指数和相对区域能量作为LSTM模型的输出变量，建立用于回转滚筒内部颗粒流预测和分类的数据驱动模型框架；S5、超参数优化模型并建立标准数据驱动模型：在搭建数据驱动模型框架的基础上，确定所述数据驱动模型的输入和输出参数后，通过最小化预测值和目标值之间的差异来训练标准数据驱动模型，进而对标准数据驱动模型参数:时间窗长度、隐含层神经元个数、隐含层层数进行优化，经比较后确定最优数据驱动模型参数；S6、训练数据驱动模型并验证预测和分类效果：在模型训练过程中，将不同工况的数据集打乱，随机选择80％离散元数据作为训练集；输入所构建的标准数据驱动模型进行训练，并用于交叉验证，剩下的20％数据作为测试集；绘制图片，将训练后数据驱动模型的颗粒流动预测和分类结果和离散元模拟结果进行对比，进而验证该数据驱动模型在回转滚筒混合颗粒工业应用中具有快速预测和参数优化的潜力。3.根据权利要求2所述的回转滚筒内部颗粒流预测和分类方法，其特征在于，步骤S1中，在基于离散元模拟回转滚筒内部颗粒运动时，需根据实验参数建立等尺度的离散元回转滚筒模型；获取所述实验参数的实验装置包括回转滚筒和多相机采集系统，所述离散元模型为透明回转滚筒，所述透明回转滚筒内部填充有完全偏析状态的两种直径类型的透明玻璃颗粒。4.根据权利要求3所述的回转滚筒内部颗粒流预测和分类方法，其特征在于，步骤S1中，为了模拟不同状态的颗粒运动行为，所述回转滚筒的工况参数包括：长径比0.5～3，填充率为10％～30％，转速为40rpm～80rpm；模型中使用的时间步长为瑞利时间步长的25％。5.根据权利要求2所述的回转滚筒内部颗粒流预测和分类方法，其特征在于，步骤S...

【专利技术属性】
技术研发人员：黄鹏，缪秋华，应何蓉，郭佳明，贾民平，许飞云，胡建中，
申请(专利权)人：东南大学，
类型：发明
国别省市：