CN112892823B - 基于人工智能算法的制砂控制方法及系统 - Google Patents
基于人工智能算法的制砂控制方法及系统 Download PDFInfo
- Publication number
- CN112892823B CN112892823B CN202110058072.1A CN202110058072A CN112892823B CN 112892823 B CN112892823 B CN 112892823B CN 202110058072 A CN202110058072 A CN 202110058072A CN 112892823 B CN112892823 B CN 112892823B
- Authority
- CN
- China
- Prior art keywords
- sand
- equipment
- stone
- parameters
- production line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000004576 sand Substances 0.000 title claims abstract description 299
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims abstract description 116
- 239000004575 stone Substances 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 40
- 239000000843 powder Substances 0.000 claims abstract description 35
- 238000003860 storage Methods 0.000 claims abstract description 30
- 239000000428 dust Substances 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 28
- 239000000463 material Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008447 perception Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000002156 mixing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 239000002994 raw material Substances 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 238000007873 sieving Methods 0.000 description 5
- 238000000926 separation method Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 239000004567 concrete Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- RBTBFTRPCNLSDE-UHFFFAOYSA-N 3,7-bis(dimethylamino)phenothiazin-5-ium Chemical compound C1=CC(N(C)C)=CC2=[S+]C3=CC(N(C)C)=CC=C3N=C21 RBTBFTRPCNLSDE-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229960000907 methylthioninium chloride Drugs 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000011232 storage material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C21/00—Disintegrating plant with or without drying of the material
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
Abstract
本发明公开了一种基于人工智能算法的制砂控制方法及系统，该方法包括：基于人工智能算法，采集砂石生产线各生产设备入口和出口的砂石物理参数，砂石物理参数包括：砂石产量数据、砂石粗细数据、级配数据、砂石的石粉含量数据；根据特征参数及预设目标砂石物理参数，对砂石生产线上的各生产设备的工作参数进行调节，砂石生产线上的各生产设备包括：供料设备、破碎设备、制砂设备、筛分设备、除尘设备、储料设备、运输设备。本发明可以保证制砂石的质量和效率，降低由人为因素导致的出错率，同时降低管理和人工成本，提高生产效益。
Description
技术领域
本发明涉及制砂技术领域，尤其涉及一种基于人工智能算法的制砂控制方法及系统。
背景技术
砂石是工程建设的重要原材料，特别是由于混凝土建筑结构的大量采用，砂石的使用量在不断增长，对砂石的质量要求越来越高。混凝土的制备过去一直采用天然砂，但是使用天然砂容易对环境产生破坏，且随着市场需求量的增加，天然砂资源有限，其价格逐年增加，生产质量也呈下降趋势。如今的公路桥隧工程建设地区条件越来越复杂，尤其是在高原地区，对于建筑材料的生产与运输将花费更多的人力、物力和财力。基于此，机制砂是指通过制砂装置和其它附属设备加工而成的砂子，成品更加规则，可以根据不同工艺要求加工成不同规则和大小的砂子，更能满足日常需求，机制砂的应用不仅可以保障施工质量，还可以满足环境保护需要，具有极强的经济性。
但是，在现有的制砂石过程中，如存在错误，只能等原料运行完流程后，发现成品砂石中存在的问题，而这样就会带来以下问题：第一，会使时间延迟，导致不合格料过多，无法高效利用原料；第二，人为影响因素过大，出错的几率较高。
发明内容
本发明实施例提供一种基于人工智能算法的制砂控制方法，用以保证制砂石的质量和效率，降低由人为因素导致的出错率，同时降低管理和人工成本，提高生产效益，该方法包括：
基于人工智能算法，采集砂石生产线各生产设备入口和出口的砂石物理参数，所述砂石物理参数包括：砂石产量数据、砂石粗细数据、级配数据、砂石的石粉含量数据；
根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的各生产设备的工作参数进行调节，所述砂石生产线上的各生产设备包括：供料设备、破碎设备、制砂设备、筛分设备、除尘设备、储料设备、运输设备。
可选的，采集砂石生产线各生产设备入口和出口的砂石物理参数，包括：
采集各生产设备出口和入口的砂石的图像数据；
根据所述图像数据，获取各生产设备出口和入口的砂石的特征参数。
可选的，根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的各生产设备的工作参数进行调节，包括：
根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的破碎设备的工作参数进行调节；
将调节工作参数后的破碎设备破碎后的砂石传至筛分设备进行筛分处理；
根据所述筛分结果，将调节工作参数后的破碎设备破碎后的砂石传至制砂设备或破碎设备进行处理。
可选的，根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的各生产设备的工作参数进行调节之后，所述方法还包括：
当所述特征参数中砂石的石粉含量或级配数据的调整达不到所述预设目标砂石物理参数时，对砂石进行筛分处理和/或掺配处理。
可选的，所述方法还包括：
根据所述特征参数及预设目标砂石物理参数，判断所述砂石生产线上的砂石是否需要清洗，若需要，则对所述砂石生产线上的砂石进行清洗。
本发明实施例还提供一种基于人工智能算法的制砂控制系统，用以保证制砂石的质量和效率，降低由人为因素导致的出错率，同时降低管理和人工成本，提高生产效益，该系统包括：
数据感知模块，用于基于人工智能算法，采集砂石生产线各生产设备入口和出口的砂石物理参数，所述砂石物理参数包括：砂石产量数据、砂石粗细数据、级配数据、砂石的石粉含量数据；
控制处理模块，用于根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的各生产设备的工作参数进行调节，所述砂石生产线上的各生产设备包括：供料设备、破碎设备、制砂设备、筛分设备、除尘设备、储料设备、运输设备。
可选的，数据感知模块进一步用于：
采集各生产设备出口和入口的砂石的图像数据；
根据所述图像数据，获取各生产设备出口和入口的砂石的特征参数。
可选的，控制处理模块进一步用于：
根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的破碎设备的工作参数进行调节；
将调节工作参数后的破碎设备破碎后的砂石传至筛分设备进行筛分处理；
根据所述筛分结果，将调节工作参数后的破碎设备破碎后的砂石传至制砂设备或破碎设备进行处理。
可选的，控制处理模块进一步用于：
当所述特征参数中砂石的石粉含量或级配数据的调整达不到所述预设目标砂石物理参数时，对砂石进行筛分处理和/或掺配处理。
可选的，所述系统还包括：
砂石清洗模块，用于根据所述特征参数及预设目标砂石物理参数，判断所述砂石生产线上的砂石是否需要清洗，若需要，则对所述砂石生产线上的砂石进行清洗。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明实施例中，通过人工智能算法，采集砂石生产线入口和出口的砂石物理参数，再根据特征参数及预设目标砂石物理参数，对砂石生产线上的各生产设备的工作参数进行调节，实现了在制砂石过程中对生产设备的实时调整，无需等到原料运行完流程后，保证了制砂石的质量和效率，降低了由人为因素导致的出错率，同时降低了管理和人工成本，提高了生产效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中基于人工智能算法的制砂控制方法的流程图；
图2为本发明实施例中基于人工智能算法的制砂控制系统的结构示意图；
图3为本发明实施例中数据感知模块的第一结构示意图；
图4为本发明实施例中数据感知模块的第二结构示意图；
图5为本发明实施例中在制砂石过程中时对各生产设备进行调节的工艺流程图；
图6为本发明实施例中第一筛分示例图；
图7为本发明实施例中第二筛分示例图；
图8为本发明实施例中筛分设备和分流设备的俯视图。
附图标记如下：
1 支撑板，
2 遮光板，
3 感知设备，
4 补光设备。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例提供的一种基于人工智能算法的制砂控制方法的流程图，如图1所示，该方法包括：
步骤101、基于人工智能算法，采集砂石生产线各生产设备入口和出口的砂石物理参数，所述砂石物理参数包括：砂石产量数据、砂石粗细数据、级配数据、砂石的石粉含量数据。
在实施例中，为了实现对多个砂石物理参数的无接触采集，提高工作效率，采集砂石生产线入口和出口的砂石物理参数，包括：
步骤100、采集各生产设备出口和入口的砂石的图像数据；
在步骤100中，对于各生产设备出口和入口的砂石，可直接利用图像采集设备于任意角度、距离取像。图像采集设备包括但不限于手机、相机、摄像机、摄像头、监控等。
可以理解的是，所述图像数据是指目标区域内的砂石的图像，该图像可以从任意角度进行采集。
步骤200、根据所述图像数据，获取各生产设备出口和入口的砂石的特征参数。
在步骤200中，可以将机制砂表面图像信息输入通过机器学习训练好的模型，并自动计算得出机制砂的石粉含量。所述石粉含量检测模型预先基于预设的机器学习模型训练得到，该机器学习模型具体可以为深度学习模型，例如卷积神经网络。
具体来说，上述步骤100至步骤200提供的方案的应用，测试不需要使用检测仪器和试剂，采用非接触式的图像采集与人工智能计算的方式，图像采集设备便携，图像信息取样便利；实时获取机制砂石粉含量，采集机制砂表面图像信息后即可实时得到目标信息，可以实现机制砂生产过程中的实时调整以及施工等场景下的石粉含量快速验核，省时省力；不依赖于工程人员的经验，排除人为误差，能够较好地控制输出成果的准确程度。
步骤102、根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的各生产设备的工作参数进行调节，所述砂石生产线上的各生产设备包括：供料设备、破碎设备、制砂设备、筛分设备、除尘设备、储料设备、运输设备。
在实施例中，根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的各生产设备的工作参数进行调节，包括：
根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的破碎设备的工作参数进行调节；
将调节工作参数后的破碎设备破碎后的砂石传至筛分设备进行筛分处理；
根据所述筛分结果，将调节工作参数后的破碎设备破碎后的砂石传至制砂设备或破碎设备进行处理。
具体实施时，可以根据采集砂石生产线入口和出口的砂石物理参数及预设目标砂石物理参数，对破碎设备进行反馈调节(如调整出料口、力矩等)。调节后，首先，通过供料设备，将原料输送到破碎设备进行破碎，形成细料和粗料的混合物料，破碎后的混合物料进入筛分机进行筛分(注：根据制砂机的使用要求，设置某一尺寸，对粗细料进行分流)，将符合要求的细料送入制砂处，将不符合要求的粗料经连续运输设备(比如皮带机)返回破碎机进行二次破碎。如果一次破碎满足不了要求，可以进行分级破碎。
本发明实施例提供的基于人工智能算法的制砂控制方法，通过人工智能算法，采集砂石生产线入口和出口的砂石物理参数，再根据特征参数及预设目标砂石物理参数，对砂石生产线上的各生产设备的工作参数进行调节，实现了在制砂石过程中对生产设备的实时调整，无需等到原料运行完流程后，保证了制砂石的质量和效率，降低了由人为因素导致的出错率，同时降低了管理和人工成本，提高了生产效益。
在本发明实施例中，实现对制砂过程的两级调整，保证砂石的合格率和制砂效率，根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的各生产设备的工作参数进行调节之后，所述方法还包括：
当所述特征参数中砂石的石粉含量或级配数据的调整达不到所述预设目标砂石物理参数时，对砂石进行筛分处理和/或掺配处理。
具体实施实施，举例来说，对在制砂环节中含泥量调整能力达到极限仍然无法满足目标含泥量区间要求的：
A.如果石粉含量高于砂的特征参数目标区间上限值，可以通过筛分设备对砂进行筛分，具体的筛分示例图可参见图6；B.如果石粉含量低于砂的特征参数目标区间下限值，可以通过计算比例添加石粉，达到要求，具体的筛分示例图可参见图7。该筛分设备和分流设备(图6和图7)的俯视图可参见图8。
具体的，对于A，假设砂的含粉量目标区间是[a,b](其中a,b均为实数，b≥a，且a,b∈[0,1])，实测砂的含粉量为c，且c∈(b,1]，则通过实时分离设备，将比例为
的砂从连续运输设备(比如皮带机)分离，并将分离出的砂进行彻底筛分(机械筛分、或者水洗，当然优先采用机械筛分)，筛分出来的泥留存备用、筛分出来的不含泥的砂全部连续回掺，以得到含泥量在[a,b]范围内的砂；优选地，若含粉量的最优目标是p(其中p为实数，p∈[a,b])，则实时分离出来进行筛分的比例为
对于A情况，其对应的筛分装置如图6。具体的，对于B情况，则采用实时、连续向连续运输设备上的含粉量低的砂添加石粉的方法解决，若实测含粉量为c，砂的生产速度为V m3/min，则石粉的添加速度应该为
(其中ρ为砂的密度，单位kg/m3)；优选地，若含粉量的最优目标是p(其中p为实数，p∈[a,b])，则实时、连续向连续运输设备上的含粉量低的砂添加石粉的速度应该为
(其中ρ为砂的密度，单位kg/m3)。特别声明，因为计算单位、代数含义的变化改变而形成的新的公式，只要采用了本思路，亦应该受到保护或者视为已经被本发明公开。最后通过输送设备将砂输送到下一环节。
对在制砂环节中粒径级配调整能力达到极限仍然无法满足目标级配区域要求的：可以采取分流-选择性筛分的手段进行处理。筛分的计算思路同含粉量。具体的，对在制砂环节中砂粒径调整能力达到极限仍然无法满足目标级配要求的，可以通过计算砂偏离目标区间最大和最小(例如处于某区间的砂含量显著高于目标区间、或者处于某区间的砂含量显著低于目标区间、或者某区间砂含量显著高于目标区间，另一区间砂含量显著低于目标区间)的区间，且该区间砂含量影响级配最显著，可以通过采取分流-选择性筛分的手段进行处理，具体的：A.如果砂在某一粒径区间(例如:1.18mm-2.36mm)的含量显著高于该目标区间上限值，可以通过筛分设备对砂进行筛分；B.如果砂在某一粒径区间(例如:0.60mm-1.18mm)的含量显著低于该目标区间下限值，可以通过计算比例添加处于该区间的砂，达到要求。C.如果某区间砂含量显著高于目标区间，另一区间砂含量显著低于目标区间具体，可以先通过A步骤，再通过B步骤。(注：显著高于、显著低于，指的是只需要通过改变该区间的砂含量，即可使得砂的级配处于目标区间内)
具体方法如下：对于A，假设砂在1.18mm-2.36mm区间的目标含量是[a,b](其中a,b均为实数，b≥a，且a,b∈[0,1])，实测砂在1.18mm-2.36mm区间的目标含量为c，且c∈(b,1]，则通过实时分离设备，将比例为[(c-b)/(c-b c)，(c-a)/(c-ac)]的砂从连续运输设备(比如皮带机)分离，并将分离出的砂进行筛分，筛除处于1.18mm-2.36mm区间的砂，并将筛除的砂存储在对应的储料空间(可以设置某孔径的单独的储料空间)。将筛分出来的不含1.18mm-2.36mm区间的砂全部连续回掺，以得到砂在1.18mm-2.36mm区间的含量在[a,b]范围内；优选地，若处于1.18mm-2.36mm区间的砂含量的最优目标是p(其中p为实数，p∈[a,b])，则实时分离出来进行筛分的比例为(c-p)/(c-pc)。对于A情况，其对应图6。
具体的，对于B情况，假设砂在0.60mm-1.18mm区间的目标含量是[a,b](其中a,b均为实数，b≥a，且a,b∈[0,1])，实测砂在0.60mm-1.18mm区间的目标含量为c，且c∈(0,a]，则在对应的储料空间(可以设置某筛孔区间单独的储料空间)实时、连续向连续运输设备上的砂添加在0.60mm-1.18mm区间的砂，若砂的生产速度为V m3/min，则利用对应的储料空间向连续运输设备上的砂添加该区间砂的速度应该为[(a-c)/(1-a)ρV,(b-c)/(1-b)ρV]kg/min(其中ρ为砂的密度，单位kg/m3)；优选地，若处于0.60mm-1.18mm区间的砂含量的最优目标是p(其中p为实数，p∈[a,b])，则实时、连续向连续运输设备上的砂添加处于0.60mm-1.18mm区间的砂的速度应该为(p-c)/(1-p)ρV kg/min(其中ρ为砂的密度，单位kg/m3)。
具体的，对于C情况，如果砂在某一粒径区间(例如:1.18mm-2.36mm)的含量显著高于该目标区间上限值，同时在0.60mm-1.18mm区间的含量显著低于该目标区间下限值，这时可以先通过A步骤，按A情况的计算思路，计算需要分流的比例对砂进行分流，将分流1的砂通过筛分后再全部连续回掺，使得高于某区间的砂在目标区间内；再通过B步骤，首先，重新对砂的实际级配进行计算，再按B情况的计算思路计算需要添加的砂的添加速率。特别声明，因为计算单位、代数含义的变化改变而形成的新的公式，只要采用了本思路，亦应该受到保护或者视为已经被本发明公开。
制砂过程完成后，通过输送设备将砂输送到下一环节。
为了满足工作需要，该方法还包括：
根据所述特征参数及预设目标砂石物理参数，判断所述砂石生产线上的砂石是否需要清洗，若需要，则对所述砂石生产线上的砂石进行清洗。
具体实施时，先根据特征参数及预设目标砂石物理参数，判断所述砂石生产线上的砂石是否需要清洗，若需要，则对所述砂石生产线上的砂石进行清洗，且在此过程中可以对洗砂设备进行实时调节。若不需要，则通过输送设备将砂输送到储料处，进行下一环节。
基于同一发明构思，本发明实施例中还提供了一种基于人工智能算法的制砂控制系统，如下面的实施例所述。由于基于人工智能算法的制砂控制系统解决问题的原理与基于人工智能算法的制砂控制方法相似，因此，基于人工智能算法的制砂控制系统的实施可以参见基于人工智能算法的制砂控制方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图2为本发明实施例提供的一种基于人工智能算法的制砂控制系统，如图2所示，该系统包括：
数据感知模块201，用于基于人工智能算法，采集砂石生产线入口和出口的砂石物理参数，所述砂石物理参数包括：砂石产量数据、砂石粗细数据、级配数据、砂石的石粉含量数据；
控制处理模块202，用于根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的各生产设备的工作参数进行调节，所述砂石生产线上的各生产设备包括：供料设备、破碎设备、制砂设备、筛分设备、除尘设备、储料设备、运输设备。
其中，控制处理模块202可以为控制系统，其可以根据数据感知模块201上传的感知信息，对附属机械进行实时反馈调节(调节的方式包括机械的位置、角度、仪表盘、内部各组成零件等，但也可以不局限于设备，包括电流、电压等外部条件)。
具体地，对于供料设备，控制处理模块202通过设置的砂的特征参数目标区间控制供料设备进行供料，且能根据数据感知模块201上传的信息对供料设备进行反馈调节(如调整传输设备速度)，并通过输送设备将原料输送到破碎处。
对于制砂设备，控制处理模块202通过设置的砂的特征参数确定目标区间，控制制砂设备进行制砂，且能根据数据感知模块201上传的信息对制砂设备进行反馈调节(如调整转速、皮带松紧带等)。对于含粉量和级配，若制砂系统参数调节能力已经用尽仍然无法满足对含粉量和级配的要求，则进行筛分或者掺配；若已经满足要求，则输出为成品砂。
对于储料设备，控制处理模块202通过设置的目标参数判定成品是否合格，如果合格，则通过储料环节A对成品进行储存，如果不合格，则通过储料环节B对成品进行储存，有针对性的与下一次制砂原料混合使用，起到节约原料的效果，且控制处理模块202能根据数据感知模块201上传的信息对储料设备进行反馈调节。在制砂石过程中，实时对各生产设备进行调节的工艺流程图可参见图5。
在本发明实施例中，如图3和图4所示，数据感知模块201包括：支撑板1、遮光板2、感知设备3、补光设备4。其中，感知设备2通过支撑板1设置在砂石生产线各生产设备的入口和出口传送带的上方。遮光板2设置在支撑板1上，用于遮挡射入传送带上的光线。补光设备4设置在支撑板上，用于所述感知设备3的感知区域进行补光处理。其中，感知设备包括但不限于手机、相机、摄像机、摄像头、监控等。
数据感知模块201可依据对砂石的参数需求设置多个，其能对砂石的粗细、级配、石粉含量等进行实时感知，能对出料信息进行多样化感知，可依据实际情况不局限于利用图像(还包括音频、视频等)进行感知，还可进行简易的抽样检查(如测定石粉含量的亚甲蓝法)，相应的数据感知模块201也可相应变化。
在本发明实施例中，数据感知模块201进一步用于：
采集各生产设备出口和入口的砂石的图像数据；
根据所述图像数据，获取各生产设备出口和入口的砂石的特征参数。
在本发明实施例中，控制处理模块202进一步用于：
根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的破碎设备的工作参数进行调节；
将调节工作参数后的破碎设备破碎后的砂石传至筛分设备进行筛分处理；
根据所述筛分结果，将调节工作参数后的破碎设备破碎后的砂石传至制砂设备或破碎设备进行处理。
在本发明实施例中，控制处理模块202进一步用于：
当所述特征参数中砂石的石粉含量或级配数据的调整达不到所述预设目标砂石物理参数时，对砂石进行筛分处理和/或掺配处理。
在本发明实施例中，所述系统还包括：
砂石清洗模块，用于根据所述特征参数及预设目标砂石物理参数，判断所述砂石生产线上的砂石是否需要清洗，若需要，则对所述砂石生产线上的砂石进行清洗。
为了实现上述目的，根据本申请的另一方面，还提供了一种计算机设备。该计算机设备包括存储器、处理器、通信接口以及通信总线，在存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例中的方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
综上所述，本发明具有如下优点：
1、将人工智能和图像处理技术用于制砂石生产中，可以实现全程自动化操作，排除人对制砂质量的影响，杜绝人工安全生产事故，减少人力成本的使用。
2、通过数据感知模块201和控制处理模块202，可以实现主要机械的实时反馈调整，提高材料综合利用效率，可实时感知出料的各类特征，如图像、音频、视频等，可从多方面进行感知并反馈调整；
3、砂石物理参数采集主要采用人工智能中的深度学习，模型结构以卷积神经网络(Convolutional Neural Networks,CNN)为主，但不局限于此，且神经网络的参数可依据实际需求调整；
4、可将流程中产生的不合格料有针对性的与下一次制砂原料混合使用，起到节约原料的效果；
5、可将本发明推广至建筑领域其他方面以及其他行业的流程操作，如水泥生产流程、混凝土施工流程等，可达到实时反馈调整的效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能算法的制砂控制方法，其特征在于，包括：
基于人工智能算法，利用图像采集设备采集砂石生产线各生产设备入口和出口的砂石物理参数作为特征参数，所述砂石物理参数包括：砂石产量数据、砂石粗细数据、级配数据、砂石的石粉含量数据；
根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的各生产设备的工作参数进行调节，所述砂石生产线上的各生产设备包括：供料设备、破碎设备、制砂设备、筛分设备、除尘设备、储料设备、运输设备；
当所述特征参数中砂石的石粉含量或级配数据的调整达不到所述预设目标砂石物理参数时，对砂石进行筛分处理和/或掺配处理。
2.如权利要求1所述的方法，其特征在于，采集砂石生产线各生产设备入口和出口的砂石物理参数，包括：
采集各生产设备出口和入口的砂石的图像数据；
根据所述图像数据，获取各生产设备出口和入口的砂石的特征参数。
3.如权利要求1所述的方法，其特征在于，根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的各生产设备的工作参数进行调节，包括：
根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的破碎设备的工作参数进行调节；
将调节工作参数后的破碎设备破碎后的砂石传至筛分设备进行筛分处理；
根据所述筛分处理的结果，将调节工作参数后的破碎设备破碎后的砂石传至制砂设备或破碎设备进行处理。
4.如权利要求1所述的方法，其特征在于，还包括：
根据所述特征参数及预设目标砂石物理参数，判断所述砂石生产线上的砂石是否需要清洗，若需要，则对所述砂石生产线上的砂石进行清洗。
5.一种基于人工智能算法的制砂控制系统，其特征在于，包括：
数据感知模块，用于基于人工智能算法，利用图像采集设备采集砂石生产线各生产设备入口和出口的砂石物理参数作为特征参数，所述砂石物理参数包括：砂石产量数据、砂石粗细数据、级配数据、砂石的石粉含量数据；
控制处理模块，用于根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的各生产设备的工作参数进行调节，所述砂石生产线上的各生产设备包括：供料设备、破碎设备、制砂设备、筛分设备、除尘设备、储料设备、运输设备；
控制处理模块进一步用于：
当所述特征参数中砂石的石粉含量或级配数据的调整达不到所述预设目标砂石物理参数时，对砂石进行筛分处理和/或掺配处理。
6.如权利要求5所述的系统，其特征在于，数据感知模块进一步用于：
采集各生产设备出口和入口的砂石的图像数据；
根据所述图像数据，获取各生产设备出口和入口的砂石的特征参数。
7.如权利要求5所述的系统，其特征在于，控制处理模块进一步用于：
根据所述特征参数及预设目标砂石物理参数，对所述砂石生产线上的破碎设备的工作参数进行调节；
将调节工作参数后的破碎设备破碎后的砂石传至筛分设备进行筛分处理；
根据所述筛分处理的结果，将调节工作参数后的破碎设备破碎后的砂石传至制砂设备或破碎设备进行处理。
8.如权利要求5所述的系统，其特征在于，还包括：
砂石清洗模块，用于根据所述特征参数及预设目标砂石物理参数，判断所述砂石生产线上的砂石是否需要清洗，若需要，则对所述砂石生产线上的砂石进行清洗。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110058072.1A CN112892823B (zh) | 2021-01-15 | 2021-01-15 | 基于人工智能算法的制砂控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110058072.1A CN112892823B (zh) | 2021-01-15 | 2021-01-15 | 基于人工智能算法的制砂控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112892823A CN112892823A (zh) | 2021-06-04 |
| CN112892823B true CN112892823B (zh) | 2022-04-15 |
Family
ID=76113919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110058072.1A Active CN112892823B (zh) | 2021-01-15 | 2021-01-15 | 基于人工智能算法的制砂控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112892823B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113413996B (zh) * | 2021-06-28 | 2022-06-21 | 中国水利水电第九工程局有限公司 | 一种砂石加工厂立轴破机制砂湿法量化脱粉调控方法 |
| CN113262871B (zh) * | 2021-06-28 | 2022-08-19 | 中国水利水电第九工程局有限公司 | 一种机制砂石中细碎车间均衡破碎智能控制方法 |
| CN113426548B (zh) * | 2021-06-28 | 2022-06-17 | 中国水利水电第九工程局有限公司 | 一种机制砂石中细碎车间湿筛干破制砂工艺的控制方法 |
| CN113560027A (zh) * | 2021-07-26 | 2021-10-29 | 扬中磊金建材有限公司 | 一种基于plc控制的自动化锥型制砂机 |
| CN114522791B (zh) * | 2022-01-26 | 2023-04-25 | 深圳市信润富联数字科技有限公司 | 碎石尺寸筛选系统及方法 |
| CN114653722A (zh) * | 2022-02-25 | 2022-06-24 | 福建南方路面机械股份有限公司 | 一种基于分掺法的土壤改良工艺 |
| CN116343938B (zh) * | 2023-02-16 | 2023-11-14 | 重庆茂侨科技有限公司 | 一种机制砂泥粉含量测定方法 |
| CN116273425B (zh) * | 2023-03-21 | 2024-06-04 | 郑州水工机械有限公司 | 一种制砂楼的控制方法及控制系统 |
| CN118988539B (zh) * | 2024-09-25 | 2025-03-11 | 江苏山宝集团有限公司 | 一种dcs制砂控制系统及智能调控方法 |
| CN119493408A (zh) * | 2025-01-17 | 2025-02-21 | 中铁十六局集团有限公司 | 一种机制砂的控制方法、系统、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105057079A (zh) * | 2015-08-10 | 2015-11-18 | 中国黄金集团内蒙古矿业有限公司 | 磨矿矿石粒度控制系统及控制方法 |
| CN105478220A (zh) * | 2016-01-19 | 2016-04-13 | 中国黄金集团内蒙古矿业有限公司 | 矿石破碎系统及破碎机的控制方法 |
| DE102014018489A1 (de) * | 2014-12-16 | 2016-06-16 | Thyssenkrupp Ag | Vorrichtung sowie ein Verfahren zur Herstellung und Analyse einer Mehrzahl von Probewerkstoffen |
| CN106814042A (zh) * | 2017-01-23 | 2017-06-09 | 清华大学 | 光谱采集和分析系统及其控制方法 |
| CN107894379A (zh) * | 2017-11-14 | 2018-04-10 | 沈阳聚德视频技术有限公司 | 一种基于智能视觉的高性能矿石粒度视觉检测系统 |
| CN109355493A (zh) * | 2018-12-29 | 2019-02-19 | 天津市三特电子有限公司 | 生球布料智能控制系统及控制方法 |
| CN110047072A (zh) * | 2019-04-30 | 2019-07-23 | 福建南方路面机械有限公司 | 一种基于移动互联的砂石粒径识别处理系统及处理方法 |
| CN111302686A (zh) * | 2020-03-15 | 2020-06-19 | 中国水利水电第九工程局有限公司 | 利用复杂料源生产混凝土骨料加工工艺及系统 |
| CN111804421A (zh) * | 2020-06-29 | 2020-10-23 | 洛阳智昊工程科技有限公司 | 一种用于骨料破碎设备的无人值守系统及方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3070786B2 (ja) * | 1990-11-22 | 2000-07-31 | 株式会社佐竹製作所 | 粒体分析方法およびその装置と該装置による粉砕機ロール間隙調節装置 |
| CN103163136B (zh) * | 2013-03-25 | 2015-04-15 | 清华大学 | 利用拌和过程图像实时判别混凝土工作度的方法 |
| CN203620750U (zh) * | 2013-12-12 | 2014-06-04 | 中联重科股份有限公司 | 干式制砂系统 |
| CN109933034A (zh) * | 2019-04-24 | 2019-06-25 | 日昌升集团有限公司 | 一种用于砂石骨料生产的信息化管理系统和方法 |
| CN111266177B (zh) * | 2020-02-24 | 2022-03-22 | 新乡市中誉鼎力软件科技股份有限公司 | 一种基于视觉识别的矿山开采用碎石传输控制系统及方法 |
| CN111375480A (zh) * | 2020-04-22 | 2020-07-07 | 世邦工业科技集团股份有限公司 | 一种矿石处理体系 |
-
2021
- 2021-01-15 CN CN202110058072.1A patent/CN112892823B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102014018489A1 (de) * | 2014-12-16 | 2016-06-16 | Thyssenkrupp Ag | Vorrichtung sowie ein Verfahren zur Herstellung und Analyse einer Mehrzahl von Probewerkstoffen |
| CN105057079A (zh) * | 2015-08-10 | 2015-11-18 | 中国黄金集团内蒙古矿业有限公司 | 磨矿矿石粒度控制系统及控制方法 |
| CN105478220A (zh) * | 2016-01-19 | 2016-04-13 | 中国黄金集团内蒙古矿业有限公司 | 矿石破碎系统及破碎机的控制方法 |
| CN106814042A (zh) * | 2017-01-23 | 2017-06-09 | 清华大学 | 光谱采集和分析系统及其控制方法 |
| CN107894379A (zh) * | 2017-11-14 | 2018-04-10 | 沈阳聚德视频技术有限公司 | 一种基于智能视觉的高性能矿石粒度视觉检测系统 |
| CN109355493A (zh) * | 2018-12-29 | 2019-02-19 | 天津市三特电子有限公司 | 生球布料智能控制系统及控制方法 |
| CN110047072A (zh) * | 2019-04-30 | 2019-07-23 | 福建南方路面机械有限公司 | 一种基于移动互联的砂石粒径识别处理系统及处理方法 |
| CN111302686A (zh) * | 2020-03-15 | 2020-06-19 | 中国水利水电第九工程局有限公司 | 利用复杂料源生产混凝土骨料加工工艺及系统 |
| CN111804421A (zh) * | 2020-06-29 | 2020-10-23 | 洛阳智昊工程科技有限公司 | 一种用于骨料破碎设备的无人值守系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于数字图像技术的厂拌水泥稳定碎石骨料均匀性快速检测方法研究;贠青青;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;中国学术期刊（光盘版）电子杂志社;20200630(第06期);全文 * |
| 混凝土数字图像自动分析系统;陆秀峰等;《四川建筑科学研究》;20070825(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112892823A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112892823B (zh) | 基于人工智能算法的制砂控制方法及系统 | |
| CN204194320U (zh) | X射线矿石智能分选设备 | |
| WO2023142262A1 (zh) | 基于深度学习的混凝土配方调整方法、装置及可读介质 | |
| CN116637902B (zh) | 一种智能化废弃渣土多功能资源化处理方法及其系统 | |
| Curtis et al. | Real time material flow monitoring in mechanical waste processing and the relevance of fluctuations | |
| WO2023280299A1 (zh) | 一种基于阈值的动态调整进行智能分选的方法及系统 | |
| CN108677656A (zh) | 一种沥青混合搅拌的防溢料装置及方法 | |
| CN112138858B (zh) | 一种渣土资源化利用系统 | |
| CN105013718A (zh) | 基于多种检测方式的块状固体建筑垃圾分拣系统 | |
| CN112892794B (zh) | 隧洞内智能化制砂实时调整系统及方法 | |
| CN106423913A (zh) | 一种建筑垃圾的分选方法和系统 | |
| JP2016200518A (ja) | 地盤材料の粒度分布測定方法及びシステム | |
| CN107999405A (zh) | 一种建筑垃圾在线分拣系统和分拣方法 | |
| CN103413290A (zh) | 多特征与多层次结合的矿石粒度图像分割方法 | |
| CN106052571A (zh) | 一种智能化快速检测烟用叶丝长度及其分布的装置和方法 | |
| CN202538896U (zh) | 一种碎石制砂生产线 | |
| CN115452736A (zh) | 一种用于钒矿分选的控制方法 | |
| CN117968367B (zh) | 一种利用尾矿制备烘干砂的自动上料系统及方法 | |
| CN102628873A (zh) | 水质监测无线报警与控制系统 | |
| CN112959513A (zh) | 混凝土隧洞内智能化自适应拌合系统及方法 | |
| CN114535063A (zh) | 一种基于人工智能图像识别的井下煤矸分选一体化装置 | |
| CN103084373A (zh) | 一种花岗岩尾矿砂处理方法 | |
| CN203899710U (zh) | 碎石生产系统 | |
| CN116689133A (zh) | 基于深度学习的再生骨料质量控制方法、装置及可读介质 | |
| CN117563766A (zh) | 一种建筑垃圾的分选方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |