本發(fā)明涉及破碎機設備領(lǐng)域,具體涉及一種破碎機給料量智能控制方法、裝置及可讀介質(zhì),其方法包括:S1,構建初始的目標料位預測模型,并將其作為當前輪次的目標料位預測模型進(jìn)入下一步驟;S2,實(shí)時(shí)獲取破碎機進(jìn)料口外的進(jìn)料圖像,對進(jìn)料圖像處理后確定進(jìn)料粒徑分布,將設定的破碎機目標負載和進(jìn)料粒徑分布輸入當前輪次的目標料位預測模型,輸出當前輪次的目標料位;S3,獲取實(shí)時(shí)給料速度和實(shí)時(shí)料位,根據實(shí)時(shí)給料速度、實(shí)時(shí)料位和當前輪次的目標料位計算目標給料速度,以解決調整滯后性的問(wèn)題;
對智能礦山的認識; 智能選礦關(guān)鍵技術(shù); 質(zhì)量在線(xiàn)檢測技術(shù); 工藝智能控制技術(shù); 研究成果及應用;
磨礦浮選智能控制的工程實(shí)踐,唐雅婧,中國恩菲工程技術(shù)有限公司,根據現場(chǎng)了解情況,目前4000t/a選礦廠(chǎng)處理的礦石來(lái)礦差異較大,包括:高峰山42#礦、高峰山低硫、老廠(chǎng)塘坑、老區低硫、大箐低硫、大箐42 #礦等礦種。不同礦石之間的浮選特性存在差異,其藥劑制度、工藝參數等均有差異。
杜浩,蘭州理工大學(xué)材料工程專(zhuān)業(yè)碩士研究生?,F階段主要研究方向為基于視覺(jué)傳感電弧增材制造路徑規劃及成形控制。