用于涡轮空气分级机的先进人工智能辅助设计方法

《Powder Technology》：Advanced AI-assisted design methodology for turbo air classifiers

　　•提出了一种基于人工智能的框架，用于涡轮空气分级机的最佳运行与设计。•通过优化的多层感知器神经网络模型，实现了高精度的CS和CAI预测。•MPSO–MLPNN模型在CS预测方面表现最佳；GWO–MLPNN模型在CAI预测方面表现最优。•MOBA方法确定了分离精度与准确度之间的帕累托最优平衡点。•提出了用于细粒和粗粒分离的最佳操作策略，从而提升了能源效率。

引言
颗粒尺寸分类在众多工业领域中是一项至关重要的操作，因为它直接影响产品质量、工艺效率以及后续加工的性能。在矿物加工、水泥生产、化学制造、制药以及先进材料工程中，颗粒尺寸的分布会影响到材料的反应性、机械强度、溶解速率、流动性以及表面特性[1]。即便只是略偏离目标尺寸范围，都可能改变产品规格，降低回收效率，或增加后续加工阶段的能源消耗。随着工业应用对粒度分布极为精确的细粉和超细粉的需求日益增加，精准可靠的分类系统已成为现代生产线中不可或缺的组成部分。在现有的技术中，涡轮空气分级机作为一种高效的干法细颗粒分离装置而备受青睐。这类设备利用空气动力学原理，通过快速旋转的转轮与可控的气流场相结合，形成离心力与阻力的平衡。惯性较大的粗颗粒会被向外排出，而较细的颗粒则随气流穿过转轮笼，从而无需液体介质即可实现精确的粒度切割。由于无需用水，不仅减轻了环境负担，还省去了后续干燥工序，进而降低了运营成本。传统的涡轮空气分级机通常由进料口、分散区、分级转轮、导流叶片以及收集系统组成。转轮叶片的几何形状、转速、气流速率以及内部腔室结构共同决定了分离效率与切割粒度。尽管传统设计在机械性能上较为可靠且被广泛采用，但往往依赖经验性调整和简化的流动假设，这可能在复杂工况下限制其性能表现。

一些研究人员致力于提升工业用涡轮空气分级机的颗粒分类性能，重点在于改善流体均匀性、分离效率以及切割精度。例如，Jia等人[2]通过数值模拟与实验研究，针对传统设计中存在的预分散不足及粉尘浓度过高的问题，对一种改进型的下进料转轮式分级机进行了优化。他们发现，倒锥形转轮笼与优化后的导流锥能够有效稳定径向、切向及轴向流速，使得该分级机的工业分类效率达到87%，分离精度为0.58。类似地，Wang等人[3]指出，引入二次空气导流叶片可提高切向流速，减少颗粒进入粗粒级的情况，在30°安装角度下可实现最高的分类精度（K=0.71）。Zeng等人[4]进一步研究了三种不同类型的导流叶片，发现对数螺旋形叶片能够提升流场均匀性，减少湍流能量损失，使切割粒度降低6–24%，同时还能提高分类精度指标。此外，Huang等人[5]与Li等人[6]研究了带扰动结构的转轮，发现齿状叶片与尾翼叶片能够产生不同尺度的涡流，从而更好地控制流体流动，在优化后的转轮转速与进料速率下，分类效率可达94.9%。Sun等人[7]则分析了三转轮水平分级机中的气固流动情况，发现M形轴向与切向流速分布能够延长颗粒在设备内的停留时间，从而使切割粒度达到7.2–25.7微米，超细粉产出率超过71%。Esmaeilpour等人[8]与Peng等人[9]则强调了操作参数的重要性，指出通过优化进料配置、转轮转速以及空气流量，不仅可以提高生产速率与分类效率，还能降低能源消耗。

在矿物加工领域，颗粒分类并非仅仅是辅助性的分离步骤，而是直接影响磨矿效率、矿物解离程度、下游回收率、产品质量以及整体能源消耗的关键操作。一个突出的实际问题是，若分类效果不佳，已解离的细颗粒可能会重新回到磨矿系统中，导致过度磨矿、能耗增加、产生矿泥，进而降低浮选或分离效率。同时，若粗颗粒误入细粒产品中，也会降低产品规格并减弱工艺的选择性。当处理颗粒尺寸分布宽、形状不规则、进料速率变化大且操作条件波动频繁的复杂矿石时，这些问题会更加严重。因此，工业用分级机必须同时实现理想的切割粒度、较高的分类精度、稳定的处理量以及合理的能耗水平。然而，这些目标往往相互矛盾，且高度依赖于多种耦合变量。这就需要采用智能方法，能够有效捕捉分级机的非线性行为，从而为矿物加工过程中的分级系统提供可靠的决策支持。现有研究表明，涡轮空气分级机的性能既受结构设计的影响，也受操作条件的影响。对导流叶片、转轮笼、叶片结构、进料方式、转轮转速以及空气流量等进行调整，都可能显著改变内部流场、湍流分布、颗粒停留时间、离心力与阻力的平衡关系，最终影响切割粒度与分类精度。不过，大多数传统研究通常仅限于特定的几何结构、预定的操作范围，或基于计算流体力学模拟与实验测试的参数分析。虽然这些方法能提供重要的物理见解，但在需要探索广阔的操作空间或处理多个相互冲突的性能目标时，往往存在计算成本高、耗时长的问题。此外，转轮转速、主气流、次气流、颗粒运动轨迹以及分类指标之间的耦合与非线性关系，难以仅通过简单的经验公式或单独的单因素分析来完全描述。正是这些局限性推动了智能替代建模与优化策略的发展，这类方法能够从现有数据中学习复杂的输入-输出关系，并快速搜索出最优操作条件。因此，上述传统的结构与操作研究为本研究所提出的基于人工智能的框架提供了物理基础，而机器学习与多目标优化则为涡轮空气分级机的设计与运行提供了高效的预测、权衡分析及决策支持手段。

在此背景下，人工神经网络、支持向量机以及集成学习等机器学习技术，为构建数据驱动的预测模型提供了有力支持，这类模型能够在不同的操作条件下估算切割粒度、分离效率以及能耗等关键性能指标。除了预测建模之外，基于人工智能的优化方法，如遗传算法与群体智能技术，还可以实现多目标优化，旨在在提高处理量与产品品质的同时，降低能耗并减少误分类现象。此外，智能的数据驱动模型还有潜力支持实时监测、自适应控制以及故障检测等功能，进一步提升系统的运行稳定性，减少停机时间。因此，将机器学习与人工智能相结合，有望为提升工业颗粒分类系统的性能、可持续性及经济效益提供有效的解决方案。近期的一些研究进一步证实了机器学习与人工智能在颗粒处理系统中的重要性，尤其是在颗粒尺寸监测、颗粒尺寸分布调控、预测建模以及过程控制方面。Zou等人[10]提出了一种分层智能控制策略，用于工业磨矿-分级系统中的矿物颗粒尺寸调控，该策略结合了长短期记忆网络、卷积神经网络以及专家控制系统，实现了半自磨、球磨与水力旋流器操作的协同控制，从而提高了处理量并降低了能耗。Thon等人[11]总结了人工智能在颗粒技术中的应用，指出数据驱动与混合建模方法能够支持预测建模、工艺优化、故障识别、放大试验以及不同颗粒处理单元操作中的智能控制。在矿石颗粒分析领域，Wang等人[12]表明，基于深度学习的物体检测与图像分割技术，为在复杂工业环境中实现自动颗粒尺寸监测提供了有效方案，即便面对颗粒形状不规则、存在遮挡或粉尘较多的情况也能正常工作。Khakbiz等人[13]则证明，支持向量机与高斯过程回归模型能够准确描述高能球磨纳米复合粉末的颗粒尺寸分布与表面演变规律，进一步证明了机器学习模型在捕捉非线性粉末加工行为方面的适用性。在结晶过程中，Wang等人[14]开发了一种基于神经网络的非线性模型预测控制框架，并结合深度学习图像分析技术，实现了在线颗粒尺寸分布的测量与调控。类似地，Ficzere等人[15]将深度学习应用于药品粉末混合物的数字图像，能够同时估算活性成分浓度与颗粒尺寸分布，为质量监控提供了快速工具。这些研究均表明，人工智能与机器学习在颗粒相关过程的建模、监测与控制方面发挥着越来越重要的作用。然而，它们在涡轮空气分级机领域的应用，尤其是在集成替代建模与多目标优化切割粒度及分类精度方面，仍然十分有限。

仅有少数研究探讨了机器学习与人工智能在空气分级过程建模与优化中的应用，尤其是旋转离心式分级机领域。例如，Huang等人[16]分析了不同转速下的时域压力信号，通过概率密度函数、标准差以及功率谱密度等方法来表征流动不稳定性。他们开发了一种基于注意力机制增强版的卷积神经网络与长短期记忆网络组合模型，其性能优于支持向量机与反向传播神经网络模型，研究结果表明，主导频率由准强迫涡流运动决定，且负载状态下的功率谱密度是无负载时的1.5倍。Henryk Otwinowski等人[17]则提出了一种模糊逻辑分类系统，该系统综合考虑了进料颗粒尺寸、转轮转速、气压以及测试时长等因素，能够以低于9%的相对误差预测切割粒度与索特平均直径，同时可实现每分钟362克的分离速率。尽管人工智能与机器学习在工业空气分级领域具有巨大潜力，但目前只有少数研究（尤其是参考文献[16]和[17]）涉及了其在这一领域的应用，这说明该领域仍存在较大的研究空白。正因如此，本研究提出了一种全新的集成框架，该框架将先进的机器学习模型与多目标优化技术相结合，提供了一种全面、数据驱动且具备实际应用价值的方法，用于提升涡轮空气分级机的性能。在预测建模方面，采用了多层感知器神经网络。这些神经网络的结构配置与训练参数则是通过三种元启发式算法进行优化的，分别是改进型粒子群优化算法、海洋捕食者算法以及灰狼优化算法。这种混合建模策略使得在复杂且高度非线性的操作条件下，仍能准确预测切割粒度与分类效率等关键性能指标。随后，再通过多目标蝙蝠算法进行多目标优化。在这一阶段，首要目标是尽量使分类精度指数趋近于1，从而实现更高的分类精确度，同时将切割粒度限制在两个可行的范围内，以确保其在工业应用中的可行性。通过将基于机器学习的预测建模与多目标优化相结合，本研究弥补了当前人工智能辅助分级机优化方面的不足，提供了一种系统且可靠的框架，能够同时预测系统性能、捕捉复杂的操作相互作用，并确定最优操作条件。此外，所提出的框架还大幅降低了高精度仿真所需的计算成本，以及大量实验研究所需的时间与经费。

章节摘录
水平式涡轮空气分级机
Sun等人[18]提供的数据被用作案例研究，用以评估本研究中提出的方法的适用性与可靠性。Sun等人设计并建模了一种新型水平式涡轮空气分级机，旨在克服传统设计中常见的缺陷，尤其是高转轮转速要求以及过大的轴承负荷问题。他们的目标是通过重新设计气流结构，提升细粉的分级效率。

机器学习
在本节中，采用了机器学习方法，基于现有数据集构建回归模型，用于预测水平式涡轮空气分级机的各项性能指标。首先介绍了所选的机器学习方法，以及用于优化其结构与训练参数的元启发式优化技术，以此提升模型的预测精度与泛化能力。模型的开发过程包括……

多目标优化
水平式涡轮空气分级机的分离效率受诸多相互关联的操作参数影响，其中RS、VFRP以及VFRS共同决定了切割粒度与分类精度指数。调整这些参数会改变内部涡流强度、离心力以及向上的冲洗流，从而对性能产生非线性甚至相互矛盾的影响。例如，提高转轮转速可能会因强化离心分离作用而降低CS值。

结论
本研究提出了一种基于人工智能的集成框架，用于水平式涡轮空气分级机的性能预测与操作优化。该研究方法将多层感知器神经网络与三种元启发式优化算法（MPSO、MPA和GWO）相结合，以此准确建模操作变量与分类器性能之间的非线性关系。随后，采用多目标蝙蝠算法进行多目标优化，以最小化CRediT作者贡献度。保罗·罗德里格斯：监督、项目管理、形式分析、概念设计。比朱·特鲁维尔·赛义德：方法论、形式分析、概念设计。阿纳斯·D·萨利比：软件、方法论、研究。法尔霍德·阿利舍罗夫：初稿撰写、软件、方法论。普拉蒂库马尔·S·沙塔：可视化、验证、软件。T·拉马钱德兰：初稿撰写、可视化、研究。沙巴兹·琼贾：初稿撰写、可视化、数据整理。帕尔迪普·辛格。利益冲突声明：作者声明不存在任何可能影响本文所汇报工作的已知财务利益或个人关系。致谢：作者感谢卡利德国王大学科学研究处通过编号为RGP2/523/46的大规模群体研究项目为这项工作提供的资助。保罗·罗德里格斯|比朱·特鲁维尔·赛义德|阿纳斯·D·萨利比|法尔霍德·阿利舍罗夫|普拉蒂库马尔·S·沙塔|T·拉马钱德兰|沙巴兹·琼贾|帕尔迪普·辛格·贝恩斯|伊斯拉·阿贝德·贾瓦德|阿西尔·斯梅拉特