针铁矿法沉铁过程双层结构优化控制

针铁矿沉铁过程是锌冶炼过程中一个非常重要的环节,其中最重要的是控制氧气添加量,因此本文提出一种针铁矿沉铁过程双层结构优化控制方法.上层定义氧气利用率衡量理论消耗量与实际添加量的差别,以过程氧气利用率最高为目标优化设定级联反应器出口二价铁离子浓度下降梯度,下层以过程氧气消耗最少和出口离子浓度与上层设定值误差最小为优化目标,过程动态模型和工艺条件为约束,求解构造的非线性优化控制问题得到各反应器最优氧气添加速率.为减少不确定性干扰对系统的影响,采用一种模型参数自适应校正的方法对模型参数进行校正保证优化控制器的性能.最后根据过程离子浓度采样值计算过程实际氧气利用率作为上层优化参数重更新反应器出口二价铁离子浓度最优设定值.由于下层优化问题约束多且约束多呈非线性,采用Legendre伪谱法求解下层优化问题.仿真结果表明,所提出的双层结构优化控制方法能实现过程准确控制,减少过程氧气消耗.     

针铁矿法沉铁过程亚铁离子浓度预测

针对针铁矿法沉铁过程出口亚铁离子浓度离线化验获得,存在很大滞后性,难以实现沉铁过程实时控制的问题,研究反应器出口亚铁离子浓度在线预测方法.本文在分析沉铁过程化学反应机理的基础上,考虑铜离子对反应过程的影响,结合连续搅拌反应器（Continuous stirred tank reactor,CSTR）特性,建立了针铁矿法沉铁过程的机理模型,并提出了基于信息交换的双粒子群搜索算法（Double particle swarm optimization,DPSO）优化选择机理模型的参数,构建基于最小二乘支持向量机（Least squares support vector machine,LS-SVM）的机理模型输出误差的补偿模型,采用并联补集成方式建立了亚铁离子浓度的集成预测模型.工业现场数据验证了所建模型能有效地反映亚铁离子浓度的变化趋势,为针铁矿法沉铁过程的优化控制奠定了基础.     

铅锌烧结过程综合透气性的集成预测模型

针对铅锌烧结过程透气性的预测具有模型不确定性和输入变量不确定性等特点,建立了综合透气性智能集成预测模型.首先建立了基于满意聚类的T-S综合透气性预测模型,针对聚类后各子模型结论参数的辨识工作计算复杂、容易陷入局部极值的问题,将混合粒子群优化算法用于这些结论参数的辨识;然后利用灰色理论建立了时间序列综合透气性预测模型;最后利用信息熵技术将2个预测模型进行集成,以获得集成预测模型.选取实际生产过程中100组合格的数据,分别用以上3种预测模型来预测相应的综合透气性,其相对误差的平均值分别为2.1%.3.2%,1.8%.实验结果表明,本文提出的集成预测方法能够有效地克服不确定性带来的影响、提高综合透气性的预测精度.     

一种净化过程钻离子浓度的混合智能预测方法

针对锌湿法冶炼净化过程的复杂性,提出了一种结合粒子群算法和案例推理方法的净化过程Ⅱ段出口钴离子浓度混杂预测模型.考虑到不同时期案例所起的作用不一样,提出了一种综合加权相似函数.针对案例推理方法中属性权重选择和近邻个数的选取问题,提出了带有变异的惯性权重自适应粒子群算法优化方法,优化最近邻算法中特征权重矢量和近邻数,提高案例的检索精度.以净化过程生产数据进行实验验证和对比分析,计算结果表明改进的案例推理模型精度优于神经网络模型,模型预测结果可以作为过程信息用于净化过程的优化控制.     

铅锌烧结过程烧穿点的集成预测模型

针对影响铅锌烧结过程烧穿点的因素具有不确定性的特点, 提出一种基于信息熵技术的烧穿点集成预测模型. 首先利用软测量技术获得烧穿点. 然后建立基于满意聚类的T-S预测模型以降低不确性因素所带来的影响,并将共轭梯度法和粒子群优化算法有机结合起来进行T-S模型中各个子模型的参数辨识, 以提高辨识精度. 接着建立基于工艺参数的神经网络预测模型. 最后考虑到信息熵技术具有信息融合和降低不确定性的能力, 利用其将以上预测模型进行集成. 实验结果表明所提出的集成预测模型具有较高的预测精度和较强的适应性.     

基于智能融合策略的钴离子浓度预测模型

针对湿法炼锌净化过程中钴离子浓度难以准确检测的问题,提出一种基于智能融合策略的钴离子浓度组合预测模型.首先从提高模型预测精度的角度出发,考虑不同核函数对预测性能的影响,分别建立两个在线支持向量回归子模型,并采用改进粒子群优化算法进行子模型参数寻优;然后通过熵值法智能融合策略建立组合预测模型.仿真实验表明,组合模型具有良好的预测性能,预测效果能满足硫酸锌溶液净化过程中对钴离子浓度值的误差要求.     

基于在线辨识的特征模型预测函数控制研究

工业生产过程中运用模型控制问题,对于传统的预测函数控制,一旦预测模型与实际生产过程失配就会造成控制系统的控制性能下降.由于传统的预测函数控制算法中的预测模型通常是离线获得的,因此模型易出现失配.即使采用在线辨识方法来获取预测模型,由于在线辨识需花费时间,影响系统的实时性.通过构建实时数据库的监控层,实时采集生产过程控制参数,在监控层利用在线辨识方法辨识出被控过程的特征模型,然后将辨识出的特征模型作为预测函数控制算法的预测模型传至过程控制回路.采用获得在线辨识预测模型,不会影响系统的实时性.实验结果表明,根据在线辨识的特征模型与实际被控过程的失配很小,并提高了系统的控制性能.     

氧化铝蒸发浓度的自适应加权LSSVR预测

针对氧化铝蒸发过程的工业现场出口料液浓度在线检测困难、操作参数具有时变性以及传统离线预测所存在的不足等特点,提出了一种多输入多输出系统的自适应加权最小二乘支持向量回归,并用于氧化铝蒸发过程出口料液浓度的在线预测.谊方法根据模型预测效果自适应在线调整建模的训练样本集,利用主元分析提取主元作为分段加权支持向量回归模型的输入,采用网格搜索和交叉验证法对多输入多输出模型参数进行优化.采用工业现场的实测数据进行实验分析,计算结果表明;该方法能够很好地在线预测氧化铝蒸发过程出口料液浓度,相比基于最小二乘支持向量回归以及基于BP神经网络的浓度预测模型,谊方法具有更高的预测精度和更好的泛化性能,满足实际工业生产在线优化控制要求.     

KPCA-模糊加权LSSVM预测方法及其应用

针对工业系统参数缓慢变化和工业现场数据存在噪声和变量间存在多重相关性,提出了一种KPCA-模糊加权LSSVM预测方法;采用KPCA去除数据的噪声和降低样本数据各参数间的多重相关性,减少样本数据维数;针对不同时期样本数据重要程度不一样,提出了模糊加权的思想;利用改进微粒群算法(PSO)优化LSSVM模型的惩罚因子和核函数参数;以净化除钴过程生产数据进行验证分析,仿真结果表明,KPCA一模糊加权LSSVM预测模型精度高于主成分回归(PCR)和LSSVM,能满足工业现场钴离子浓度预测的要求.     

基于改进蝗虫算法优化长短时记忆神经网络的多参数瓦斯浓度预测模型研究

为了高效挖掘煤矿安全监测监控系统海量数据中包含的有效信息,提高煤矿瓦斯浓度预测精度,提出一种改进的蝗虫优化算法(IGOA)优化长短时记忆神经网络(LSTM)的多参数瓦斯浓度预测模型.首先对瓦斯多参数时间序列进行相关性分析和小波去噪;其次通过重构线性缩减因子c、引入柯西-高斯混合变异和最优邻域扰动策略联合改进蝗虫优化算法,提高其全局寻优能力,以此来优化LSTM相关超参数,构建瓦斯浓度预测模型;最后,以实测数据为样本进行实验验证,将提出的模型与BP、LSTM、PSO-LSTM以及GOA-LSTM模型对比,可得到提出的模型具有更好的预测效果,平均绝对百分比误差和均方根误差两种误差评价指标分别为0.531％、2.48×10-3.结果表明,提出的瓦斯浓度预测模型具有更高的预测性能.