本發明涉及篩分，尤其涉及一種高拋射強度振動篩及其分級性能模擬和預測方法。
背景技術：
1、隨著動力煤入選工藝向精細化發展，3-6mm粘濕細粒煤的干法深度篩分成為行業難題。傳統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、系統復雜難以推廣。
2、高拋射強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，但其動力學行為與多場耦合機制尚未得到充分研究?，F有技術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，缺乏橡膠彈簧應力-篩面動力學參數-顆粒運動-篩分效果協同優化的量化指標，導致工程應用中橡膠彈簧壽命短，篩分效率波動大等問題。高拋射強度振動篩是適用于粘濕細粒煤干法深度篩分的新型篩分設備，當前關于高拋射強度振動篩的研究，主要側重于采集高拋射強度振動篩系統所測得的數據與分析。然而，這種研究方式存在明顯的局限性：一方面，僅僅依靠采集數據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度振動篩系統特性，無法靈活地對各種復雜多變的工況進行模擬研究，導致對系統內部深層次的物理機制與動態特性的認知不夠透徹；另一方面，在分級性能預測方面，在機器學習中，采用的預測模型的參數設置不夠精確，且未考慮到動力學參數的影響。
技術實現思路
1、鑒于上述的分析，本發明實施例旨在提供一種高拋射強度振動篩分級性能預測方法，用以解決現有高拋射強度振動篩分級性能預測方面采用的預測模型的參數設置不夠精確，且未考慮到動力學參數影響的問題。
2、一方面，本發明實施例提供了一種高拋射強度振動篩系統，所述系統包括振動篩、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、右固定裝置結構相同，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、進一步的，所述系統還包括：多通道數據采集儀、計算機、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板、每個擊打梁、彈性篩面上，加速度傳感器通過網線與多通道數據采集儀連接，多通道數據采集儀將數據傳輸至計算機。
4、另一方面，本發明實施例提供了高拋射強度振動篩系統的振動篩分級性能模擬方法，將振動篩系統劃分為多個單元，建立各個單元彈性篩面的三維模型，設置擊打梁與彈性篩面之間的軸距、篩長和傾角；
5、在recurdyn軟件中導入所述三維模型，對三維模型中各個部件進行參數設置；在彈性篩面上構建三個矩形區域，在所述矩形區域標記接觸域彈性篩面觀測點，生成多體動力學模型和各部件的壁面文件；
6、在edem軟件導入生成的彈性篩面、擊打梁、振動篩左右側板、金屬外套、橡膠彈簧壁面文件，并創建顆粒工廠空間模型，設置物料粒度和濕度、給料速度；
7、在recurdyn軟件和edem軟件進行耦合參數設置，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模型中進行彈性篩面的位移、速度、加速度、應力、應變分布、沖擊力動力學參數的模擬；
8、根據模擬結果計算篩分效率、錯配率、限上率、限下率。
9、進一步的，三個矩形區域為對稱軸重合的第一至第三矩形區域；第一至第三矩形區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；第一矩形區域位于第二矩形區域正中央，第二矩形區域位于第三矩形區域正中央；第二矩形區域的寬等于振動篩擊打梁的直徑，第二矩形區域的寬正對振動篩擊打梁，第二矩形區域的長為第二矩形的寬的1.56倍；第一矩形區域的寬等于沿料流方向相鄰兩個篩孔的中心點間距；第一矩形區域的長等于第一矩形區域寬的1.13倍；第三矩形區域的寬等于第二矩形區域寬的1.5倍；第三矩形區域的長等于第三矩形區域寬的1.66倍。
10、進一步的，在所述矩形區域標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、細顆粒的正配率，mc和mf分別是粗、細顆粒的錯配物含量，γc和γc,t分別是篩上產品的實際和理論產率，γf和γf,t分別是篩下產品的實際和理論產率。
14、進一步的，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篩上小于規定粒度為篩上小于規定尺寸顆粒質量，m篩上總為篩上顆?？傎|量，m篩下大于規定粒度為篩下大于規定尺寸顆粒的質量，m篩下總為篩下顆?？傎|量。
19、另一方面，本發明實施例提供了一種高拋射強度振動篩分級性能預測方法，獲取參數組合在不同參數指標值下的篩分效率、錯配率、限上率、限下率，所述參數組合包括：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、應力、應變分布、沖擊力；基于不同參數組合指標值以及各參數組合指標值對應的篩分效率、錯配率、限上率、限下率構造訓練樣本集；
20、搭建bp神經網絡模型，將訓練樣本集中激振力、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、應力、應變分布、沖擊力作為輸入特征輸入給bp神經網絡模型，將篩分效率、錯配率、限上率、限下率作為所述bp神經網絡模型輸出目標值，對bp神經網絡模型進行訓練得到訓練好的bp神經網絡模型；
21、獲取高拋射強度振動篩的激振力、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、應力、應變分布、沖擊力輸入訓練好的bp神經網絡模型預測得到振動篩篩分效率、錯配率、限上率、限下率。
22、進一步的，訓練過程中采用紅嘴藍鵲算法優化bp神經網絡各層之間連接的權重和各層神經元的偏置，基于最優的權重和偏置組合得到訓練好的bp神經網絡模型。
23、進一步的，訓練過程中采用紅嘴藍鵲算法優化bp神經網絡各層之間連接的權重和各層神經元的偏置，包括如下步驟：
24、步驟1、對紅嘴藍鵲算法中每個個體進行初始化，所述初始化包括對每個個體賦予初始化的bp神經網絡的權重和偏置；
25、步驟2、將紅嘴藍鵲種群劃分為若干個小團體，在小團體內，獲取小團體最優解；根據小團體最優解更新團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表示當前小團體內每個個體位置，代表的bp神經網絡的權重和偏置，xleader為小團體中的最優解，α為隨機補充因子，取值范圍(0,1)；
27、步驟3、所有小團體協作進行全局搜索，找出步驟2個體位置更新后所有小團體中的全局最優解xglobal；根據全局最優解xglobal對每個個體位置進行更新，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為全局隨機補充因子，取值范圍(0,1)；迭代次數加1；
28、步驟4、重復執行步驟2，3，直到預設迭代次數，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解分別代入bp神經網絡對所有訓練樣本計算預測的均方誤差，選取均方誤差最小的一組解所對應的x'new個體位置作為訓練好的bp神經網絡的權重和偏置。
29、與現有技術相比，本發明至少可實現如下有益效果之一：
30、1、本發明高拋射強度振動篩系統在傳統的振動篩基礎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、右固定裝置結構相同，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、本發明高拋射強度振動篩系統基于recurdyn軟件和edem軟件進行耦合數值模擬，揭示了橡膠彈簧變形驅動、彈性篩面動力學參數變化、顆粒運動響應、篩分效果的交互規律。
32、3、本發明高拋射強度振動篩分級性能預測方法基于激振力、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、應力、應變分布、沖擊力不同參數組合指標值以及各參數組合指標值對應的篩分效率、錯配率、限上率、限下率構造訓練樣本集；獲取高拋射強度振動篩的激振力、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、應力、應變分布、沖擊力輸入訓練好的bp神經網絡模型預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測方法，據此可以對高拋射強度振動篩進行參數調節，使其工作在篩分效果最佳且穩定的狀態。
33、4、本發明高拋射強度振動篩分級性能預測方法訓練過程中采用紅嘴藍鵲算法優化bp神經網絡各層之間連接的權重和各層神經元的偏置，使得bp神經網絡模型獲得了最優的權重和偏置組合，提高了預測精度。
34、本發明中，上述各技術方案之間還可以相互組合，以實現更多的優選組合方案。本發明的其他特征和優點將在隨后的說明書中闡述，并且，部分優點可從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過說明書以及附圖中所特別指出的內容中來實現和獲得。