基于多神经网络的磨矿粒度软测量模型

讨论了多神经网络的建模思路及其实现,针对某选矿厂实际一段磨矿分级过程建立了相应的多神经网络粒度软测量模型,并进行了仿真试验。结果表明,模型具有较高的精度,能成功地对磨矿产品粒度进行估计。     

基于改进的FOA-LSSVM磨矿粒度软测量模型

以典型的两段磨矿回路为研究对象,针对磨矿粒度在线检测困难而难以满足实时控制的难题,提出一种新的软测量建模方法。应用最小二乘支持向量机(LSSVM)进行磨矿粒度软测量建模,为解决参数设置的盲目性,利用改进的变步长果蝇优化算法(FOA)较强的寻优能力对LSSVM的惩罚系数和核参数进行优化。对该模型进行预测仿真,同时与网格搜索法、粒子群法和未改进的果蝇算法优化的LSSVM模型进行对比实验。结果表明,相对于其他模型,改进的FOA-LSSVM收敛速度快,预测精度最高,较好地实现了对磨矿粒度的实时检测。     

基于全局时滞间隔辨识的磨矿粒度软测量

磨矿粒度作为磨矿过程中最关键、最直接反应磨矿好坏的生产指标,不仅影响到后续选别工艺的稳定性,还直接关系到分选过程中生产的精矿品位和金属回收率,实现对磨矿粒度的精准预测,不仅能提高磨矿效率、降低能耗,同时也是实现磨矿智能优化控制的有效途径之一。然而在实际生产过程中,由于磨矿过程中大时滞和非线性等问题的干扰,使得磨矿粒度的预测难度变大,且预测精确度不高。将时滞辨识方法引入到磨矿粒度的软测量中,是一个有效的解决思路,但传统时滞辨识算法不仅需要大量的经验知识辅助进行时滞范围的选取,并且所得时滞序列还不具有有序性,难以应用到实际生产过程中。因此,提出了一种基于全局时滞间隔辨识的磨矿粒度软测量方法。通过数据时序性分析确定全局时滞范围,并分别以互相关函数和互信息函数作为关联度函数,使用时滞间隔代替时滞进行基于细分矩形法(DIRECT)的初步寻优,通过累加最优时滞间隔序列得到最终的时滞序列,以此保证时滞序列的有序性。最后将时滞信息引入梯度提升树(GBDT)中进行预测建模。通过仿真数据和真实磨矿过程数据上的结果表明,该方法在减少了对于经验知识需求的同时,能有效解决时滞序列的无序性问题,且软测量的预测精度...     

基于神经网络的软测量建模

介绍了软测量建模技术,神经网络与软测量建模技术,以及基于神经网络的软测量建模的应用,发展现状和前景。     

基于BP神经网络的机器人转角测量

以AS-UII机器人为研究对象,提出了一种间接测量机器人转角的方法。该方法利用BP神经网络建立模型,以多组电机速度、运行时间为样本,解决了机器人转角与电机速度、运行时间的关系问题。实验证明,该方法是有效可行的。因此,可以根据电机速度、运行时间来间接确定机器人的转角,为机器人的路径规划提供角度参数。     

基于BP神经网络遗传算法的药型罩优化

线性聚能装药爆破效果的影响因素有很多,且各因素的影响多是非线性的,而且非常复杂,其中药型罩结构的优化设计一直是重点。为了探索有效的药型罩优化方法,本研究对楔形罩运用正交试验法设计方案,利用ANSYS/LS-DYNA进行数值模拟获得结果,再以结构参数和最大射流速度分别作为BP神经网络的输入和输出进行训练,并将预测值作为适应度,结合遗传算法对药型罩进行最优结构药型罩参数和最优最大射流速度搜索。结果表明,该方法能够结合正交试验法和BP神经网络遗传算法的优点,快速精确地进行药型罩结构优化。     

基于BP神经网络的爆破参数优化

针对露天矿山台阶爆破效果欠佳造成后续工艺效率不高的现象,以某露天矿为依托,利用BP神经网络系统建立爆破参数优化预测模型,对现场爆破参数进行优化,对比优化前后的现场爆破效果证明模型优化的爆破参数大大改善了爆破效果,100 cm以上大块率减小6.88个百分点,60 cm以下块度增加了35.94个百分点,为提高铲装效率创造了条件。     

用激光连续测量和控制磨矿粒度

激光技术在选矿工业中应用磨矿粒度的连续测量和控制,在七十年代初就已开始研究。到1975年世界上制成了第一台激光粒度仪。并在选矿厂的实际磨矿分级作业中进行了现厂试验。据报导,试验结果不仅在技术上完全达到了连续测量和控制磨矿粒度的目的,而且在经济上也取得了很好的效果。     

基于案例推理软测量的磨矿分级过程先进控制

针对磨矿分级过程中磨矿粒度难以在线检测和直接闭环控制的难题,采用案例推理技术建立了磨矿粒度的在线软测量模型,并在此基础上设计了对磨矿粒度进行闭环控制的先进推断控制系统。该先进控制系统能够根据磨矿分级作业的运行工况对底层PID控制器的设定值进行自动调节,然后通过PID控制回路对调整后的设定值进行跟踪,从而实现对磨矿粒度的闭环控制。在某选矿厂的工业应用表明,该先进控制系统能够对磨矿粒度进行较好的在线估计和控制。     

基于改进狮群算法和BP神经网络模型的磨矿浓度预测

针对当前选矿生产过程中磨矿参数难以实时测量,导致的无法对磨矿流程控制进行有效实时优化的问题,提出了一种基于改进狮群算法和BP神经网络的磨矿浓度预测方法。传统的狮群算法(Lion Swarm Optimization, LSO)存在容易陷入局部最优解和局部搜索能力弱的问题,通过改变狮王更新方式的同时加入衰减因子,来提升全局搜索能力,避免陷入局部最优解,对于母狮和学习狮的更新方式引入了动态学习策略,来优化局部搜索能力,并在仿真测试中验证了改进算法的优越性。同时利用改进的算法代替BP神经网络中的梯度下降法,来搜索最优的权值和阈值,提升BP神经网络收敛速度和收敛精度。试验结果表明,改进狮群算法优化的BP神经网络(Improved Lion Swarm Optimization-BP,ILSO-BP)在此预测问题上有更好的效果。     

基于PSO优化BP神经网络的变压器故障诊断

为克服BP神经网络算法在故障诊断应用中的缺点,提出了粒子群优化BP神经网络的方法,并在此基础上优化BP神经网络的结构来提高准确率。最后,通过对变压器故障诊断在Matlab中的仿真结果,验证了此方法有较高的准确率和较快的收敛速度。     

基于BP神经网络的爆破参数优化研究

在某露天矿由于爆破参数与岩石特性不相符合,导致爆破效果不是太好,大块率高,留有根底,炸药单耗偏高,大块率高势必会导致二次破碎的费用偏高,还会对铲装运输等后续程序产生影响,这都直接影响着矿山的经济效益。通过BP神经网络对矿山爆破参数进行优化,改善爆破效果,提高矿山的经济效益。     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法(PSO)优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

基于PLS的磨矿粒度实时在线测量方法

磨矿粒度对指导生产具有重要意义,但粒度分析仪测量周期较长且不可避免地需要维修,为确保实时获得准确有效的粒度在线检测值,本文研究了一种硬件仪表与预测模型相结合的粒度实时在线测量方式。即,在粒度分析仪的基础上采用PLS算法建立粒度的预测模型,并采用RPLS算法进行模型更新。通过预测结果与仪表测量值的对比分析,实现仪表的故障诊断,及时发现硬件仪表的故障并通知操作员进行检修。更重要的是,在仪表进行检修期间,模型的预测结果可代替仪表,为操作人员提供参考,从而实现了真正的实时在线测量,为磨矿过程的优化控制提供了有利条件。     

基于GA优化BP神经网络变压器故障诊断的研究

BP算法基于梯度下降原理是一种局部寻优算法,在变压器故障诊断应用中网络学习过程收敛速度慢,且易陷入局部极小值。而遗传算法(GA)具有并行计算的特点,可以有效防止搜索过程收敛于局部最优解。将二者结合起来,由GA寻找最优的BP神经网络权值与相应节点的阈值。仿真结果表明:此方法既能快速收敛,又能大大提高避免陷入局部极小的能力,改善了故障诊断的精度和速度。     

基于ALNAFSA优化BP神经网络的行星齿轮箱故障诊断

以行星齿轮箱为研究对象,提出了一种新型故障诊断方法。介绍了一种改进的自适应局部邻域人工鱼群算法(ALNAFSA),用该算法优化BP神经网络,避免了BP出现局部极值。对行星齿轮箱进行了实验,提取出5种工况的样本熵并构成特征向量,将其输入到ALNAFSA-BP模型中进行分类识别。与BP神经网络模型进行比较,结果表明,ALNAFSA-BP神经网络故障诊断准确率显著提高,达到95%。     

怎样确定最佳磨矿粒度

磨矿粒度,也称磨矿细度。指的是磨矿产物中小于某特定粒度粒级的产率。对于选矿而言,磨矿粒度至关重要。在生产中,一些选矿厂的磨矿粒度并不合适。如宜春钽铌矿的两段磨矿,就存在一段过磨而二段欠磨的问题。倘若磨矿粒度过粗,则磨矿产物中就会有大量有用矿物未能单体分离而得不到回收,选矿回收率自然低。反之,如果磨矿粒度过细,那么磨矿产物中的有用矿物虽已     

基于权值优化的BP神经网络的煤矿配电网故障诊断

井下配电网发生故障后,当故障信息不完全或不一致,导致故障诊断难以得到正确结论,而传统BP神经网络存在收敛速度慢、网络的泛化能力较差等缺点。针对上诉问题,提出了一种基于优化权值的BP神经网络的配电网故障诊断方法。通过配电网实例证明了该方法具有较快的收敛速度和较高的诊断准确性,具有良好的应用前景。     

优化大山选矿厂磨矿粒度组成提高铜浮选指标

针对大山选矿厂磨矿产品粒度组成不合理的问题,进行了优化磨机球荷特性,提高磨矿产品粒度均匀性,增加中间可选粒级含量的实验室试验和工业化试验,工业试验结果表明,在优化磨机球荷特性后,磨矿分级溢流中磨矿细度、易选粒级(-200+38μm)含量分别提高了3.83、5.86个百分点,+200μm过粗粒级含量减少了3.75个百分点。进一步在实验室条件下对优化后的3#磨机分级溢流样和未优化的4#磨机分级溢流样进行浮选闭路试验,结果表明,前者在原矿品位略低的情况下铜精矿的产率和回收率分别高出0.52和1.24个百分点,达到了优化磨矿产品粒度组成提高铜浮选指标的结果。     

基于遗传算法优化的煤粉着火温度BP神经网络预测模型

采用遗传算法（GA）对BP神经网络（结构和初始权值、阈值）进行了优化，获得了影响煤粉着火温度预测的主要煤质指标（M_ad，A_ad，V_ad，O_ad），建立了优化的煤粉着火温度BP神经网络预测模型．对20个校验样本的预测结果表明：预测值与试验值的平均相对误差为0.29%，均方差为59.29，达到了较高的预测精度．