锑浮选过程加药量自适应迭代学习控制

针对现有的加药量控制方法需要浮选过程动态模型或是鲁棒性不足的问题, 提出一种基于自适应动态规划 (ADP) 的浮选过程加药量自适应迭代学习控制方法. 首先, 将药剂量控制问题转化为两级优化问题 (问题 1 和问题 2). 其中, 基于前馈控制原理求解问题 1 得出前馈补偿分量以抑制外界扰动. 然后, 采用基于值迭代的 ADP 算法, 求解问题 2 以得到最优反馈增益, 从而设计一个数据驱动的最优加药量控制策略使最终的生产指标 (精矿品位和尾矿品位) 跟踪给定值, 且药剂量消耗最少. 最后, 通过工业生产数据进行仿真验证, 证明所提方法的收敛性和稳定性.     

流程工业知识自动化及其在铝电解生产中的应用

流程工业中存在大量的知识型工作,其中包括企业管理、车间调度和设备运行等,它是需要相关人员对知识的利用和创造才能完成的工作.流程工业知识自动化通过知识发现技术获得相关的领域知识,并采用知识推理方法进行自动推理,从而能够自主决策,最终实现流程工业的智慧化、绿色化以及高效化生产.论文综述了国内外有关流程工业在知识发现、自动推理以及自主决策等知识自动化相关的研究现状,以及基于知识的自动化应用技术以及相关的工业软件,并对这些方法以及已开发的软件存在的问题进行了分析.通过铝电解槽况辨识以及异常槽况的溯因分析详细阐述了流程工业知识自动化在铝电解行业的一些研究工作.     

Canopy-Kmeans聚类和组合优化的铁矿预配料智能调度

铁矿预配料的原料种类繁多、化学成分差异较大,且下料槽个数有限、生产约束多,原料下料次序难以确定.针对该配料调度难题,本文提出了一种基于聚类算法和组合优化的铁矿混匀过程预配料智能调度方法.分别根据原料成分中SiO_2,TFe含量的差异,采用Canopy-Kmeans聚类方法进行两次聚类,然后综合考虑各项约束条件,利用融合专家规则的组合优化和小范围穷举思想对聚类结果进行组合与排序,得到原料共槽方案与共槽下料次序,以保证在有限下料槽的情况下配完所有原料,且配得的混匀料化学元素含量始终尽可能稳定.经我国某钢铁厂实际生产数据验证,所提方法与现有人工计算方法相比,大幅缩减了运算时间,且矿物化学元素指标的波动小,具有实用价值.     

基于模糊认知网络的改进非线性Hebbian算法

针对难以用机理模型准确描述的非线性系统,研究基于模糊认知网络(fuzzy cognitive networks,FCN)的非线性系统建模和参数辨识问题.首先,建立非线性系统的具有数值推理和模糊信息表达的模糊认知网络模型,利用包含节点、权值和反馈的有向图表示系统.其次,由于模型的精确性取决于权值参数,提出了一种带终端约束的非线性Hebbian学习算法(nonlinear Hebbian learning,NHL).该算法在权值的学习过程中引入了FCN模型中节点的系统实际值,在原更新机制的基础上,增加了包含反馈值与预测值差值的修正项,然后归一化得到最终权值迭代公式.该算法具有收敛速度快、学习结果精准等优点,解决了传统非线性Hebbian算法对初始值依赖性强的缺点.最后将所提出的方法运用到水箱控制系统,仿真结果说明了基于FCN的非线性Hebbian学习算法的有效性.     

泡沫图像特征驱动的锑粗选加药控制策略

锑粗选工序的加药控制直接影响精选与扫选的性能.通常由人工观察泡沫手动调节药剂.这种方式,存在控制滞后、主观随意性大、易导致浮选性能不稳定甚至恶化的问题.对此,我们提出一种泡沫图像特征驱动的锑粗选加药控制策略.利用概率支持向量回归方法建立基于锑粗选关键泡沫图像特征与加药量的入矿品位估计模型;在此基础上,采用操作模式匹配方法实现加药量的预设定,快速满足入矿品位类型变化后新的控制要求;并采用基于区间II型模糊系统的加药反馈控制器减小泡沫状态与期望的偏差.工业验证结果表明,该方法能有效代替人工加药并改善了锑浮选性能.     

基于影子趋势对比的矿热炉炉况在线辨识及趋势预测

矿热炉埋弧冶炼炉况影响因素复杂且偶发迁移和跃变, 炉况发展趋势难以把握, 给冶炼过程控制带来挑战. 对此, 本文在深入分析埋弧冶炼机理的基础上, 建立了可表征反应区内电弧热与电阻热交互耦合关系的反应区操作电阻模型, 实现炉况发展趋势的在线跟踪. 当炉况发生迁移或跃变时, 利用前序炉况下所得模型生成影子趋势信息, 并综合考虑冶炼工艺及电弧电阻与料层电阻的动态特性差异, 辨析炉况变化的成因, 形成规则化的待辨识参数在线选取方法, 解决了炉况变化前后采样点少, 传统辨识方法无法适用的问题. 工业现场验证表明, 所提出方法可在复杂条件下对冶炼炉况进行准确跟踪, 并给出可靠的炉况发展趋势预测, 为冶炼过程的精细化生产奠定了基础.     

基于相关向量机的硫泡沫浮选液位软测量

针对硫浮选过程中常规检测方法难以准确检测浮选槽液位的缺陷,提出一种基于相关向量机(RVM)的浮选液位软测量方法。该方法基于采集的浮选泡沫表层图像,通过提取硫浮选泡沫溢流速度和泡沫稳定度动态图像特征,融合浮选过程充气量、矿浆流量等过程参数,结合RVM建模思想,实现硫浮选过程中浮选槽液位的预测。工业数据仿真结果验证了所提方法的有效性、可行性。     

基于泡沫图像特征的浮选槽液位智能优化设定方法

浮选生产过程中浮选槽液位通常根据经验人工设定,具有主观随意性﹑液位波动大,使精/尾矿品位不满足要求.为此,提出一种基于浮选泡沫图像多特征的浮选槽液位智能优化设定的方法.在浮选槽工作原理以及液位与泡沫图像特征间关系的分析基础上,将基于案例推理的浮选槽液位预设定﹑基于多泡沫图像特征的改进LS-SVM（Least squares support vector machine）品位预测及基于BP神经网络的自学习模糊推理智能补偿等模型有机集成,提出了充分利用泡沫图像特征的液位智能优化设定方法.将该方法在某铝土矿浮选生产过程进行应用验证,可使粗选槽液位波动减小,提高了粗选精/尾矿品位合格率、总精矿品位合格率及回收率.     

基于模糊操作模式的砷盐除钴过程操作参数协同优化

针对湿法炼锌砷盐除钴过程工况变化频繁和操作参数之间具有强耦合关系,导致操作参数优化困难的问题,提出了一种基于模糊操作模式的操作参数协同优化方法.根据大量的砷盐除钴工业运行数据,提炼初始操作模式库,根据入口工况参数,采用模糊匹配方法检索出相似操作模式,在操作模式重用时综合考虑系统参数缓慢变化和资源消耗的特点,然后采用灰色模糊最小二乘支持向量机（Least squares support vector machine,LSSVM）评估操作模式重用后的操作参数的可行性,并根据评估结果采用模糊专家规则修正操作参数.在工况发生变化时,系统能自动优化设定操作参数.工业验证结果表明,本文提出的操作参数协同优化方法保证了生产稳定,可有效提高净化后溶液中钴离子浓度的合格率和降低锌粉的消耗.     

Boost型电路双闭环功率因数校正控制策略

以Boost拓扑电路为基础,对其进行深入分析,建立理想情况下的电压平衡方程式.提出一种给定占空比的电压和电流反馈的功率因数校正控制策略,利用MATLAB/Simu-link进行仿真.仿真结果表明,与平均电流法控制策略相比,在保证输出电压稳定控制精度的情况下,改善了系统的响应速度.在STM32F103X(ARM)为主控制器的实验平台上进行实验,结果表明系统输出电压稳定,纹波电压小,输入电流波形正弦度好,功率因数接近1.表明该策略具有良好的功率因数校正控制效果.