大型粉磨设备球磨机系统优化调度.pdf

中国科技期刊数据库 工业 A 收稿日期：2023 年 12 月 21 日 作者简介：王轶（1979），男，汉族，安徽黄山人，本科，苏州中材建设有限公司，高级工程师，研究方向为法水泥生产线电气自动化相关技术研究发。-17-大型粉磨设备球磨机系统优化调度 王 轶 莫道圣 苏州中材建设有限公司，江苏 苏州 215300 摘要：摘要：球磨机是水泥行业中必不可少的磨矿破碎设备，也是上述行业内的高能耗设备，决定球磨机能耗和研磨效率的主要因素是其内部研磨介质的运动轨迹。针对如何在运行时提高研磨效率，本文提出采用图像检测和运动轨迹分析技术实时监测研磨介质的运动状态，并调整球磨机的运行参数使得研磨介质能够维持在最佳的运动状态，以降低球磨机的功耗、提高球磨机的生产效率。首先通过图像采集模块获取研磨介质的运行实况，再使用均衡化、归一化等算法优化图像获取符合网络输入标准的目标图像；其次使用 KM匹配算法对相邻N帧图像执行匹配操作，并使用扩展卡尔曼滤波算法预测目标的运动位置；最后将预测的运动轨迹与最佳运动轨迹向比较，调节设备的转动参数使其达到最佳的研磨效率。关键词：关键词：球磨机；YOLO；轨迹预测；KM 匹配 中图分类号：中图分类号：TD453 0 引言 球磨机是以钢球为介质将物料磨碎的磨矿设备，在水泥等工业部门有广泛的应用。球磨机的工作原理1是通过旋转滚筒使筒内的介质钢球做抛落运动与物料发生碰撞和摩擦从而起到研磨的作用，由此可看出滚筒内介质钢球的运动状态2将直接影响球磨机的研磨效率。传统方法并不能根据筒体内变化的运动形态调整滚筒转速。本文设计的优化调度系统通过图像处理技术和轨迹预测技术3-4，代替了传统的仿真模拟确定滚筒转速的方式。利用 0V5640 监控设备采集球磨机滚筒内的运行图像，使用图像识别和轨迹预测算法对筒体内介质钢球的运动形态进行分析，判断是否达到最佳转速。1 大型粉磨设备球磨机优化调度系统设计方案 本系统主要包括硬件设备和软件系统两部分。硬件部分负责筒体内研磨介质运动状态的图像采集和调节球磨机滚筒转速；软件部分负责对物料和介质钢球运动轨迹的预测和判断球磨机滚筒是否工作在最佳状态。系统的主要功能由以下 3 个模块：图像采集模块、运动轨迹预测模块、滚筒转速调节模块。（1）图像采集模块：使用 ov5640 图像采集设备，将采集到图像后将图像信息传入图像处理模块对图像进行预处理。（2）运动轨迹预测模块：该模块负责图像处理，使用图像识别速度和精度都非常高的YOLO算法用作目标检测算法，使用扩展卡尔曼滤波算法预测目标的运动轨迹目标识别和目标轨迹预测功能，为本系统的核心模块。（3）球磨机滚筒转速调节模块：该模块主要实现球磨机转速的调节功能，根据轨迹预测模块预测的运功轨迹与经过计算得出的最佳运动轨迹相比较，适当的调节滚筒转速。2 球磨机介质钢球运动轨迹原理分析 2.1 介质钢球在球磨机内的三种典型运动形态 泻落式运动4-6：球磨机筒体运转度较低时，介质则沿着介质的倾斜的堆积面泻落下来。在泻落式运动过程中矿料的粉碎主要有研磨介质互相滑动产生的压碎和研磨作用实现；抛落式运动：当球磨机筒体转速较高时，介质沿圆形轨迹上升到一定高度后做抛落运动。在抛落式运动过程中研磨介质自由下落，矿料会受到介质强烈的冲击作用，而且还受到介质的磨剥作用，磨沿效果最好。；离心式运动：当球磨机筒体转速上升到一个临界值后，介质和矿料在离心力的作用下做离心运动而不下落，介质和矿料之间没有相对运动这种情况下不发生研磨作用。实际上，单一的物料运动形态是不存在的，球磨机中既存在抛落式运动也存在泻落式运动。根据颗粒中国科技期刊数据库 工业 A-18-的运动轨迹和磨矿效果的不同，球磨机中物料可以分为以下 5 个区域：磨剥区：主要靠介质之间相互的剪切作用对位于介质之间的物料进行研磨；泻落区：介质从物料上面自由滚落，以较低的冲击能量将物料磨碎；抛落区：介质沿着抛物线轨迹做抛落运动，再此过程中介质将携带较大的势能；冲击破碎区：携带较大势能的介质落到物料上以高能量冲击将物料粉碎；惰性区：介质和物料运动较为缓慢，磨矿作用很弱。2.2 介质运动轨迹方程 由上部分可知当介质处于抛落式运动形态时所具备的冲击能量最大且介质落回到冲击破碎区拥有最佳的研磨效果，因此通过分析抛落式运动形态下的介质的运动规律来追求最佳的研磨效果为了方便讨论，做如下讨论：介质与筒体之间、介质与介质之间不存在相对滑动；介质直径远远小于筒体直径，因此，分析是可以将介质视为质点，可以用筒体半径近似代表最外层介质的回转半径；磨机内的矿料对球磨机运动的影响较小，分析时可忽略不计；与球磨机回转轴垂直的任意截面上的介质的运动状态相同。接下来将分析介质脱离点的运动方程、回落点的运动方程来推导筒体的最佳转速。图 1 介质的运动轨迹分析（1）脱落点的运动方程 以筒体中心为坐标原点建立直角坐标系（如图 1）7，假设在 A 点之前，钢球处于离心力和重力作用下，产生一个径向分力 N 等于重力。此外，还有一个切向分力，其大小等于相邻层钢球的推力。当超过 A 点后，钢球将以切向速度作为初速度进行抛落运动。通过分析可得脱离点的轨迹方程为可得钢球在脱离点的速度为：cosgRa（2）回落点的运动方程 假设抛物线轨迹为理想抛物线，将 A 点的速度代入后，得到介质的抛落运动方程为并解出介质回落点的坐标：24 sin cosBxRaa、24RsinByacosa 由上述公式可知介质的运动形态与球磨机滚筒的半径 R 和滚筒的转速相关，且存在最佳解。3 图像识别及轨迹预测算法 3.1 图像识别及轨迹预测流程 如图 2 所示。（1）YOLO 网络训练：对图像进行预处理操作并输入到网络中训练；之后使用 IoU 对训练好的模型进行评估。（2）运动目标检测：获取研磨介质的运行实况，再使用均衡化、归一化等算法优化图像获取符合网络输入标准的目标图像，同时为减少识别目标数量，将排除图像边缘的目标，最后采用训练好的网络检测运动目标。（3）多目标运动轨迹预测5：使用 KM 匹配算法将当前检测框中的目标与上一时刻预测框中的目标进行数据关联。采用扩展卡尔曼滤波算法预测每个运动目标下一帧的位置坐标，并对检测结果进行标注。3.2 YOLO 图像识别网络训练 本文模型网络将选择将目标检测问题转换为回归问题的 YOLO 网络，通过合并分类和定位任务到一个步骤，直接检测物体的位置及类别，检测速度可以满足实时分析的要求。YOLO 包括 CSPDarkNet53 骨干网络、特征融合模块 PANet 以及视野增强模块 SPP。卷积层采用不同尺寸的卷积核（11、33 和 77）以捕获多尺度特征，并使用泄露修正函数作为激活函数。损失函数：123SlosslosslosslossSSS分类中心坐标及宽高置信度 中国科技期刊数据库 工业 A-19-图 2 图像识别及轨迹预测流程图 通过使用反向传播策略来更新模型的权重参数和模型的损失函数，反复迭代至收敛。神经元连接权重和偏置的更新可根据以下公式完成：lllCwww和 lllCbbb 其中:lw表示第l层神经元的权重;lb表示神经元第l层的偏置;表示学习率;C 表示代价函数。3.3 扩展卡尔曼滤波算法预测运动目标轨迹 使用预训练的模型对图像中的运动目标进行检测，将检测结果放入目标集合 G 中，并给每个目标赋予一个唯一标识，用于获取其位置信息、速度信息和标注信息。使用扩展卡尔曼滤波算法进行轨迹预测。采用以下公式计算系统模型和观测模型：11?11 kkkkkXF XG W 其中:1()XkRn表示n维目标状态向量;Fk线性化状态转移矩阵;Gk 输入矩阵;Wk 输入参数。获取目标某一时刻的坐标和速度信息，运动状态向量Xk：x轴和 y 轴上的位置和速度使用 x k和 y k表示；s k表示检测面积，r k表示检测框宽高比；xyvkvk、和 svk分别表示为对应维度上的速度。Fk 可以表示为:其中t表示时刻 t k和()1t k的时间间隔，用帧数差表示。3.4 KM 目标检测算法 将视频流输入到预训练模型中，该模型将定位并识别出当前帧中的运动目标同时放入集合 G。KM 匹配算法的实现流程为：计算上一帧预测目标集合 J 与匹配失败的集合 R 的并集，命名为 T,之后将集合 G 与集合 T 进行匹配；采用二分法对集合 T 进行筛选，若 T中的目标数量小于 G 中的数量，则将 T 集合置于二分图的左侧再进行匹配，否则置于右侧进行匹配，采用当前帧的标识目标与上一帧的标识目标的交并比作为二分图的权重；最后使用 KM 匹配算法获取最佳匹配对象。3.5 算法实现流程 运动目标轨迹预测算法的整体过程为使用预训练模型识别输入图像中的检测目标并为其赋予唯一标识数据集图像图像均衡化归一化图像YOLO网络模型训练IoU网络模型评估摄像头视屏图像均衡化归一化图像调用YOLO网络检测运动目标获取目标位置EKF预测目标位置KM目标匹配更新目标位置输出下一时刻运动目标位置YOLO网络训练运动目标检测多目标运动轨迹预测中国科技期刊数据库 工业 A-20-同时记录位置信息；为保证目标在运动过程中不被丢失，采用 KM 算法对目标进行追踪；通过扩展卡尔曼滤波算法对目标下一时刻的运动位置进行预测；最后更新目标的位置信息并输出目标的预测位置信息。具体流程如下：（1）加载预训练的 YOLO 模型，用于获取输入图像中待检测目标的相对坐标；（2）检测出当前时刻运动的目标，并获取目标信息，再将每个目标放入检测目标集合 G；（3）判断当前图像是否为首帧，若是,则设置集合 R 为空集，执行（5）；（4）计算上一帧预测目标集合 J 与匹配失败的集合 R 的交集，命名为 T。通过 KM 匹配算法判断集合 G 是否与集合 T 匹配成功。若在集合 T 中不存在与集合 G 中匹配成功的元素，则将该元素放入集合 R 中。若该元素在后续 t 帧中目标依旧未匹配成功，则从集合 R 中删除该元素；（5）对检测目标使用扩展卡尔曼滤波算法预测目标的运动位置；（6）最后更新目标的位置信息并输出目标的预测位置信息；（7）重复步骤 1-5，进行运动轨迹预测，直到设备完成粉磨任务。4 球磨机转筒转速动态调节 根据球磨机介质轨迹分析与球磨机介质运动状态检测和预测相结合的方式。采用检测/预测数据与分析数据做比对，来做出相应的优化调度。在设备启动前，根据球磨机转筒参数和球磨机介质参数，计算球磨机介质的最佳运动状态。在设备启动后，再将轨迹预测结果与最佳运动状态结果相比较，若是介质的运动状态处于非最佳状态，则调节设备的转动参数向最佳运动状态向靠近。5 应用测试 本系统的核心内容是识别球磨机滚筒内钢球介质的运动状态并预测其运动轨迹。首先，系统采集滚筒内钢球介质的运动图像数据。其次，对这些图像进行预处理，然后传入 YOLO 网络进行识别，以检测出图像中的钢球介质。最后，系统通过分析钢球介质在连续图像帧中的位置和运动状态，预测出其运动轨迹。通过这一过程，系统能够实时监测和预测钢球介质在球磨机滚筒内的运动情况。5.1 图像识别及轨迹预测模块测试 本系统利用 OV5647 设备进行图像信息的采集，并将采集到的图像传送到图像识别模块。经过 YOLO 网络的识别，球磨机滚筒内钢球介质的运动图像将被标注并传送至轨迹预测模块，以实现对部分钢球介质轨迹的预测。如图 3 所示，红色标注表示钢球介质的识别结果，而黄色虚线则展示了钢球运动轨迹的预测结果。通过观察轨迹预测线和钢球分布，可以看出轨迹预测模块能够以粗略的方式实现对钢球轨迹的预测功能。图 3 钢球介质图像识别 5.2 转速动态调节模块测试 在设备启动后，该模块会将系统预测的钢球介质的运动轨迹与经过分析计算得出的最佳运动轨迹进行比较。如果钢球介质的运动状态不处于最佳状态，系统会相应地调节设备的转动参数，使其向最佳运动状态靠近。通过不断调节设备的转动参数，可以优化钢球介质的运动状态。图 4 中红色线条为仿真计算得出的最佳转速，蓝色线条为转筒的实时转速。从图中可以看出该模块可以实现动态调节滚筒转速并趋向于最佳转速。图 4 球磨机转筒转速监测图 中国科技期刊数据库 工业 A-21-6 结语 本文为了提高球磨机的工作性能，本文采用了ov5640 图像采集设备来获取球磨机滚筒内运行图像。随后，使用 YOLO 图像识别网络和扩展卡尔曼滤波算法来预测目标的运动轨迹，以分析钢球介质在筒体内的运动形态。通过对钢球介质的运动形态进行分析，可以判断是否达到了最佳转速。相较于传统的采用仿真模拟调节滚筒转速的方法，无法根据物料的研磨程度动态的调节滚筒转速，本系统可以根据滚筒内钢球介质的实时运动形态进行调节，并以此来提高球磨机的工作效率，降低功耗。这样的系统可以实现更精确的调节和优化，从而提高球磨机的性能。参考文献 1朱鹏.浅析球磨机的种类与工作原理J.价值工程,2015(5).2田秋娟.基于离散元方法的大型球磨机工作性能研究D.长春:吉林大学,2011.3任条娟,陈鹏,陈友荣等.基于深度学习的多目标运动轨迹预测算法J.计算机应用研究,2022(4).4Wu Minye,Ling Haibin,Bi Ning,et al.Visual tracking with Multiview trajectory predictionJ.IEEE Trans on Image Processing,2020,29:8355-8367 5尹自信,王楠.不同转速率下球磨机介质运动状态分布行为研究J.有色金属(选矿部分),2022(03):118-123.6饶金辉.基于离散元的球磨机磨球运动规律的研究D.西安:陕西科技大学,2016.7崔振强.球磨机磨矿介质动力学数值仿真分析D.长沙:湖南大学,2020.