本發(fā)明涉及篩分，尤其涉及一種高拋射強(qiáng)度振動篩及其分級性能模擬和預(yù)測方法。

背景技術(shù)：

1、隨著動力煤入選工藝向精細(xì)化發(fā)展，3-6mm粘濕細(xì)粒煤的干法深度篩分成為行業(yè)難題。傳統(tǒng)彈性篩面在高拋射工況下存在堵孔、篩分效率低等問題，而濕法篩分因成本高、系統(tǒng)復(fù)雜難以推廣。

2、高拋射強(qiáng)度振動篩通過增大顆粒拋射動能，為干法篩分提供了新路徑，但其動力學(xué)行為與多場耦合機(jī)制尚未得到充分研究。現(xiàn)有技術(shù)普遍將橡膠彈簧簡化為線性剛度元件，無法量化彈性篩面振幅衰減過程中的能量耗散，缺乏橡膠彈簧應(yīng)力-篩面動力學(xué)參數(shù)-顆粒運(yùn)動-篩分效果協(xié)同優(yōu)化的量化指標(biāo)，導(dǎo)致工程應(yīng)用中橡膠彈簧壽命短，篩分效率波動大等問題。高拋射強(qiáng)度振動篩是適用于粘濕細(xì)粒煤干法深度篩分的新型篩分設(shè)備，當(dāng)前關(guān)于高拋射強(qiáng)度振動篩的研究，主要側(cè)重于采集高拋射強(qiáng)度振動篩系統(tǒng)所測得的數(shù)據(jù)與分析。然而，這種研究方式存在明顯的局限性：一方面，僅僅依靠采集數(shù)據(jù)往往受到多種客觀條件的約束，難以全面且深入地剖析高拋射強(qiáng)度振動篩系統(tǒng)特性，無法靈活地對各種復(fù)雜多變的工況進(jìn)行模擬研究，導(dǎo)致對系統(tǒng)內(nèi)部深層次的物理機(jī)制與動態(tài)特性的認(rèn)知不夠透徹；另一方面，在分級性能預(yù)測方面，在機(jī)器學(xué)習(xí)中，采用的預(yù)測模型的參數(shù)設(shè)置不夠精確，且未考慮到動力學(xué)參數(shù)的影響。

技術(shù)實現(xiàn)思路

1、鑒于上述的分析，本發(fā)明實施例旨在提供一種高拋射強(qiáng)度振動篩分級性能預(yù)測方法，用以解決現(xiàn)有高拋射強(qiáng)度振動篩分級性能預(yù)測方面采用的預(yù)測模型的參數(shù)設(shè)置不夠精確，且未考慮到動力學(xué)參數(shù)影響的問題。

2、一方面，本發(fā)明實施例提供了一種高拋射強(qiáng)度振動篩系統(tǒng)，所述系統(tǒng)包括振動篩、多組擊打裝置；每組擊打裝置均包括左、右固定裝置以及擊打梁；左、右固定裝置結(jié)構(gòu)相同，均包括金屬外套、橡膠彈簧；橡膠彈簧為具有中心通孔的圓柱體；擊打梁左右兩端安裝在橡膠彈簧通孔中；橡膠彈簧安裝在金屬外套中；所述金屬外套固定在振動篩左右側(cè)板上；所述擊打梁通過左、右固定裝置固定在振動篩彈性篩面下方。

3、進(jìn)一步的，所述系統(tǒng)還包括：多通道數(shù)據(jù)采集儀、計算機(jī)、多個加速度傳感器；多個加速度傳感器分別布置在振動篩左右側(cè)板、每個擊打梁、彈性篩面上，加速度傳感器通過網(wǎng)線與多通道數(shù)據(jù)采集儀連接，多通道數(shù)據(jù)采集儀將數(shù)據(jù)傳輸至計算機(jī)。

4、另一方面，本發(fā)明實施例提供了高拋射強(qiáng)度振動篩系統(tǒng)的振動篩分級性能模擬方法，將振動篩系統(tǒng)劃分為多個單元，建立各個單元彈性篩面的三維模型，設(shè)置擊打梁與彈性篩面之間的軸距、篩長和傾角；

5、在recurdyn軟件中導(dǎo)入所述三維模型，對三維模型中各個部件進(jìn)行參數(shù)設(shè)置；在彈性篩面上構(gòu)建三個矩形區(qū)域，在所述矩形區(qū)域標(biāo)記接觸域彈性篩面觀測點，生成多體動力學(xué)模型和各部件的壁面文件；

6、在edem軟件導(dǎo)入生成的彈性篩面、擊打梁、振動篩左右側(cè)板、金屬外套、橡膠彈簧壁面文件，并創(chuàng)建顆粒工廠空間模型，設(shè)置物料粒度和濕度、給料速度；

7、在recurdyn軟件和edem軟件進(jìn)行耦合參數(shù)設(shè)置，edem軟件實時反饋顆粒對彈性篩面的力，并傳遞到多體動力學(xué)模型中進(jìn)行彈性篩面的位移、速度、加速度、應(yīng)力、應(yīng)變分布、沖擊力動力學(xué)參數(shù)的模擬；

8、根據(jù)模擬結(jié)果計算篩分效率、錯配率、限上率、限下率。

9、進(jìn)一步的，三個矩形區(qū)域為對稱軸重合的第一至第三矩形區(qū)域；第一至第三矩形區(qū)域左右方向的對稱軸與彈性篩面沿料流方向的中軸線重合；第一矩形區(qū)域位于第二矩形區(qū)域正中央，第二矩形區(qū)域位于第三矩形區(qū)域正中央；第二矩形區(qū)域的寬等于振動篩擊打梁的直徑，第二矩形區(qū)域的寬正對振動篩擊打梁，第二矩形區(qū)域的長為第二矩形的寬的1.56倍；第一矩形區(qū)域的寬等于沿料流方向相鄰兩個篩孔的中心點間距；第一矩形區(qū)域的長等于第一矩形區(qū)域?qū)挼?.13倍；第三矩形區(qū)域的寬等于第二矩形區(qū)域?qū)挼?.5倍；第三矩形區(qū)域的長等于第三矩形區(qū)域?qū)挼?.66倍。

10、進(jìn)一步的，在所述矩形區(qū)域標(biāo)記接觸域彈性篩面觀測點包括：第一至第十四觀測點；所述第一、第二觀測點為距離第一至第三矩形區(qū)域中心點最近的篩孔頂點；第三至第十四觀測點為第一至第三矩形區(qū)域中矩形的12個頂點；所述第一至第十四觀測點位于彈性篩面的中層。

11、進(jìn)一步的，篩分效率η的計算公式為：

12、

13、其中，η是篩分效率，ec和ef分別是粗、細(xì)顆粒的正配率，mc和mf分別是粗、細(xì)顆粒的錯配物含量，γc和γc,t分別是篩上產(chǎn)品的實際和理論產(chǎn)率，γf和γf,t分別是篩下產(chǎn)品的實際和理論產(chǎn)率。

14、進(jìn)一步的，錯配率mo計算公式為：

15、

16、限上率of計算公式為：of＝m篩上小于規(guī)定粒度/m篩上總*100％，

17、限下率uc計算公式為：uc＝m篩下大于規(guī)定粒度/m篩下總*100％，

18、of是限上率，uc是限下率，m篩上小于規(guī)定粒度為篩上小于規(guī)定尺寸顆粒質(zhì)量，m篩上總為篩上顆?？傎|(zhì)量，m篩下大于規(guī)定粒度為篩下大于規(guī)定尺寸顆粒的質(zhì)量，m篩下總為篩下顆?？傎|(zhì)量。

19、另一方面，本發(fā)明實施例提供了一種高拋射強(qiáng)度振動篩分級性能預(yù)測方法，獲取參數(shù)組合在不同參數(shù)指標(biāo)值下的篩分效率、錯配率、限上率、限下率，所述參數(shù)組合包括：激振力、激振頻率、擊打梁與彈性篩面之間的軸距、篩長和傾角、物料粒度和濕度、給料速度，彈性篩面觀測點的位移、速度、加速度、應(yīng)力、應(yīng)變分布、沖擊力；基于不同參數(shù)組合指標(biāo)值以及各參數(shù)組合指標(biāo)值對應(yīng)的篩分效率、錯配率、限上率、限下率構(gòu)造訓(xùn)練樣本集；

20、搭建bp神經(jīng)網(wǎng)絡(luò)模型，將訓(xùn)練樣本集中激振力、激振頻率、擊打梁與彈性篩面之間的軸距、篩長和傾角、物料粒度和濕度、給料速度，彈性篩面觀測點的位移、速度、加速度、應(yīng)力、應(yīng)變分布、沖擊力作為輸入特征輸入給bp神經(jīng)網(wǎng)絡(luò)模型，將篩分效率、錯配率、限上率、限下率作為所述bp神經(jīng)網(wǎng)絡(luò)模型輸出目標(biāo)值，對bp神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型；

21、獲取高拋射強(qiáng)度振動篩的激振力、激振頻率、擊打梁與彈性篩面之間的軸距、篩長和傾角、物料粒度和濕度、給料速度，彈性篩面觀測點的位移、速度、加速度、應(yīng)力、應(yīng)變分布、沖擊力輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型預(yù)測得到振動篩篩分效率、錯配率、限上率、限下率。

22、進(jìn)一步的，訓(xùn)練過程中采用紅嘴藍(lán)鵲算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)各層之間連接的權(quán)重和各層神經(jīng)元的偏置，基于最優(yōu)的權(quán)重和偏置組合得到訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型。

23、進(jìn)一步的，訓(xùn)練過程中采用紅嘴藍(lán)鵲算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)各層之間連接的權(quán)重和各層神經(jīng)元的偏置，包括如下步驟：

24、步驟1、對紅嘴藍(lán)鵲算法中每個個體進(jìn)行初始化，所述初始化包括對每個個體賦予初始化的bp神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置；

25、步驟2、將紅嘴藍(lán)鵲種群劃分為若干個小團(tuán)體，在小團(tuán)體內(nèi)，獲取小團(tuán)體最優(yōu)解；根據(jù)小團(tuán)體最優(yōu)解更新團(tuán)體中每個個體的位置；

26、個體位置通過以下公式更新：xnew＝xold+α(xleader-xold)，其中xold表示當(dāng)前小團(tuán)體內(nèi)每個個體位置，代表的bp神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置，xleader為小團(tuán)體中的最優(yōu)解，α為隨機(jī)補(bǔ)充因子，取值范圍(0,1)；

27、步驟3、所有小團(tuán)體協(xié)作進(jìn)行全局搜索，找出步驟2個體位置更新后所有小團(tuán)體中的全局最優(yōu)解xglobal；根據(jù)全局最優(yōu)解xglobal對每個個體位置進(jìn)行更新，包括x'new＝xnew+β(xglobal-xnew)，其中，xnew表示步驟2更新后的個體位置，β為全局隨機(jī)補(bǔ)充因子，取值范圍(0,1)；迭代次數(shù)加1；

28、步驟4、重復(fù)執(zhí)行步驟2，3，直到預(yù)設(shè)迭代次數(shù)，將最后一次迭代所得到的每個x'new個體位置以及每次迭代得到的全局最優(yōu)解分別代入bp神經(jīng)網(wǎng)絡(luò)對所有訓(xùn)練樣本計算預(yù)測的均方誤差，選取均方誤差最小的一組解所對應(yīng)的x'new個體位置作為訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置。

29、與現(xiàn)有技術(shù)相比，本發(fā)明至少可實現(xiàn)如下有益效果之一：

30、1、本發(fā)明高拋射強(qiáng)度振動篩系統(tǒng)在傳統(tǒng)的振動篩基礎(chǔ)上加入了多組擊打裝置；每組擊打裝置均包括左、右固定裝置以及擊打梁；左、右固定裝置結(jié)構(gòu)相同，均包括金屬外套、橡膠彈簧；橡膠彈簧為具有中心通孔的圓柱體；擊打梁左右兩端安裝在橡膠彈簧通孔中；橡膠彈簧安裝在金屬外套中；所述金屬外套固定在振動篩左右側(cè)板上；所述擊打梁通過左、右固定裝置固定在振動篩彈性篩面下方。通過擊打裝置的設(shè)置有效地解決了振動篩堵孔的問題，提高了篩分效率。

31、2、本發(fā)明高拋射強(qiáng)度振動篩系統(tǒng)基于recurdyn軟件和edem軟件進(jìn)行耦合數(shù)值模擬，揭示了橡膠彈簧變形驅(qū)動、彈性篩面動力學(xué)參數(shù)變化、顆粒運(yùn)動響應(yīng)、篩分效果的交互規(guī)律。

32、3、本發(fā)明高拋射強(qiáng)度振動篩分級性能預(yù)測方法基于激振力、激振頻率、擊打梁與彈性篩面之間的軸距、篩長和傾角、物料粒度和濕度、給料速度，彈性篩面觀測點的位移、速度、加速度、應(yīng)力、應(yīng)變分布、沖擊力不同參數(shù)組合指標(biāo)值以及各參數(shù)組合指標(biāo)值對應(yīng)的篩分效率、錯配率、限上率、限下率構(gòu)造訓(xùn)練樣本集；獲取高拋射強(qiáng)度振動篩的激振力、激振頻率、擊打梁與彈性篩面之間的軸距、篩長和傾角、物料粒度和濕度、給料速度，彈性篩面觀測點的位移、速度、加速度、應(yīng)力、應(yīng)變分布、沖擊力輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型預(yù)測得到振動篩篩分效率、錯配率、限上率、限下率。提供了一種精確的預(yù)測方法，據(jù)此可以對高拋射強(qiáng)度振動篩進(jìn)行參數(shù)調(diào)節(jié)，使其工作在篩分效果最佳且穩(wěn)定的狀態(tài)。

33、4、本發(fā)明高拋射強(qiáng)度振動篩分級性能預(yù)測方法訓(xùn)練過程中采用紅嘴藍(lán)鵲算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)各層之間連接的權(quán)重和各層神經(jīng)元的偏置，使得bp神經(jīng)網(wǎng)絡(luò)模型獲得了最優(yōu)的權(quán)重和偏置組合，提高了預(yù)測精度。

34、本發(fā)明中，上述各技術(shù)方案之間還可以相互組合，以實現(xiàn)更多的優(yōu)選組合方案。本發(fā)明的其他特征和優(yōu)點將在隨后的說明書中闡述，并且，部分優(yōu)點可從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過說明書以及附圖中所特別指出的內(nèi)容中來實現(xiàn)和獲得。