基于泡沫图像特征和物元可拓模型的锑浮选工况识别

针对锑浮选泡沫图像特征相互耦合、重要度差异显著引起工况难以识别的问题, 提出一种锑浮选工况识别方法. 首先, 在结合敏感性指数与主元分析法选取关键泡沫特征的基础上, 建立物元可拓模型, 通过关联函数计算关键泡沫特征与预设工况类别的关联度; 然后, 引入博弈论, 将层次分析法和熵权法确定的主、客观权重优化融合, 得到泡沫特征的综合权重; 最后, 计算综合关联度, 实现浮选工况的准确识别. 锑浮选工业现场的生产数据验证了所提出方法的有效性.

     

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.     

基于泡沫图像特征的金锑浮选入矿品位估计

入矿品位是金锑浮选加药量控制的重要依据.针对入矿品位在线检测困难的问题,提出一种基于泡沫图像特征的入矿品位估计方法.该估计方法首先针对样本数据中存在的不确定性,提出一种基于核主元分析(KPCA)和模糊C均值聚类–概率支持向量回归(FCM--PSVR)的建模方法,然后利用泡沫图像特征与加药量等数据建立起金锑入矿品位和精矿品位的估计模型,最后采用基于专家规则的方法对入矿品位估计结果的可信度进行评价.该方法在金锑浮选工艺中进行了工业验证,为指导金锑浮选加药量的控制起到了重要作用.     

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.     

基于自相关函数的模糊时间序列优化算法

针对模糊时间序列模型中模糊推理规则的优化问题, 提出一种时间序列的自相关理论与模糊时间序列相结合的算法. 首先考查数据平稳化; 然后运用传统的数据模糊化方法得到模糊集, 进而建立模糊规则, 并运用自相关函数理论对模糊规则进行优化; 最后通过对Alabama 大学注册人数的预测验证了所提出算法的有效性.

     

考虑属性权重优化的犹豫模糊多属性决策方法

针对属性权重完全未知的犹豫模糊多属性决策问题, 提出一种属性权重多目标优化方法. 首先, 根据属性值的均值、方差以及属性间的关联度建立属性权重确定模型; 然后, 利用方案与犹豫模糊正理想点的相似度对方案进行排序; 最后, 通过算例分析表明了所提出方法的有效性和可行性.

     

基于混合蛙跳与阴影集优化的粗糙模糊聚类算法

针对粗糙模糊聚类算法对初值敏感、易陷入局部最优和聚类性能依赖阈值选择等问题, 提出一种混合蛙跳与阴影集优化的粗糙模糊聚类算法(SFLA-SRFCM). 通过设置自适应调节因子, 以增加混合蛙跳算法的局部搜索能力; 利用类簇上、下近似集的模糊类内紧密度和模糊类间分离度构造新的适应度函数; 采用阴影集自适应获取类簇阈值. 实验结果表明, SFLA-SRFCM 算法是有效的, 并且具有更好的聚类精度和有效性指标.

     

基于光束平差法的双目视觉里程计研究

机器人自定位是实现机器人自动导航及其他智能行为的前提, 一种基于光束平差法的移动机器人双目视觉里程计可以有效地实现机器人自定位. 为此, 首先采用点模式匹配方法建立相邻图像之间的特征匹配关系, 根据立体视觉算法得到匹配点对的三维对应关系; 然后, 计算摄像机的相对运动参数, 并采用光束平差分段优化算法对其进行优化. 所提出的双目视觉里程计能够避免车轮半径变化、空转、打滑等对里程计测量精度的影响, 相对定位精度较高.

     

基于数据子空间PLS建模技术的热轧轧制力优化设定

针对机理模型难以刻画的热轧精轧生产过程, 采用基于数据子空间的偏最小二乘方法建立热轧轧制力数据模型, 并构建轧制力优化模型, 利用改进的粒子群优化算法对优化模型计算求解. 结果表明, 使用数据驱动方法建立的轧制力数据模型能够揭示精轧过程轧制力的机理规律, 可以替代机理模型在实际系统中的应用. 通过对整体优化模型的求解, 可以提高热轧精轧产品的质量, 降低能源消耗, 表明基于数据驱动的建模和优化方法在实际生产中具有较大的应用价值.

     

非均匀多采样率非线性系统的模糊辨识

针对非均匀多采样率非线性系统辨识问题, 提出一种基于模糊模型的辨识方法. 首先, 分析了非线性系统在输入信号非均匀周期刷新, 输出信号周期采样的情况下, 非线性系统可以通过提升技术, 利用多个局部的线性模型加权组合来描述; 然后, 提出一个基于GK模糊聚类和递推最小二乘的模糊辨识算法; 最后, 针对化工pH 中和过程非线性系统, 采用非均匀采样数据建立其模糊模型, 以验证所提出方法的有效性.

     

基于纹理粗细度测量的铝土矿浮选过程最佳精选泡沫状态分析

为实现铝土矿浮选生产工况的自动监测和智能评价,提出一种基于机器视觉的精选泡沫最佳生产状态量化分析与选择方法。首先,通过改进LBP算子实现精选泡沫图像表面纹理粗细度特征的提取;然后,进一步分析了精矿品位与精选泡沫纹理特征间的关系,以获得最佳生产工况下的精选泡沫表面纹理粗细度特征区间。该方法可以实时监测精选泡沫表面纹理的变化,并自动鉴别精选泡沫是否处于最佳生产状态,为实现铝土矿浮选过程优化控制奠定了基础。     

基于多源数据的铝土矿浮选生产指标集成建模方法

在长流程浮选过程中,生产指标难以在线检测,造成操作不及时,影响系统的稳定运行.本文提出了一种基于多源数据的铝土矿浮选过程生产指标集成建模方法.首先结合浮选机理和现场工人经验,分析影响和反映生产指标的多源数据(生产数据和泡沫图像特征数据);然后分别建立各生产指标预测子模型和同步误差补偿子模型;最后采用信息熵和智能协调策略分别构建精矿品位和尾矿品位的集成预测模型.工业验证和工况分析表明,本文集成建模方法具有良好的预测性能和较强的泛化性,为基于生产指标的浮选过程操作参数控制和全流程优化奠定基础.     

基于改进粒子群优化的模糊熵煤尘图像分割

针对基本粒子群算法易陷入局部最优和过早收敛的缺陷,提出权重因子自适应的粒子群算法,并对部分粒子进行Morlet变异操作,由此得到改进粒子群优化算法.将该算法和模糊熵相结合并用于图像分割,利用改进粒子群优化算法来搜索使模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值.通过与其他两种粒子群算法的分割结果进行比较,该算法取得了令人满意的分割结果,且算法运算时间较小,满足煤尘浓度实时精确测量的要求.     

A new froth image classification method based on the MRMR-SSGMM hybrid model for recognition of reagent dosage condition in the coal flotation process

Intelligent separation is a core technology in the transformation, upgradation, and high-quality development of coal. Realising the intelligent recognition and accurate classification of coal flotation froth is a key technology of intelligent separation. At present, the coal flotation process relies on artificial recognition of froth features for adjusting the reagent dosage. However, owing to the low accuracy and subjectivity of artificial recognition, some problems arise, such as reagent wastage and unqualified product quality. Thus, this paper proposes a new froth image classification method based on the maximal-relevance-minimal-redundancy (MR MR)-semi-supervised Gaussian mixture model (SSGMM) hybrid model for recognition of reagent dosage condition in the coal flotation process. First, the features of morphology, colour, and texture are extracted, and the optimal froth image features are screened out using the maximal-relevance-minimal-redundancy (MRMR) feature selection algorithm based on class information. Second, the traditional GMM clusterer is improved, called SSGMM, by introducing a small number of marked samples, the traditional GMM’ problems of unclear training goals, invisible clustering results, and artificially judged clustering results are solved. Then a new hybrid classification model is proposed by combining the MRMR with the modified GMM (SSGMM) which can be named as (MRMR - SSGMM). The optimal froth image features are screened by MRMR to provide the SSGMM classifier. In the process of training and learning the feature samples, using the marked feature samples of froth images to guide the unmarked feature samples. The information of marked feature samples of froth images is mapped to the unmarked feature samples, the classification of the froth images were realised. Finally, the accuracy of the SSGMM classifier is used as the evaluation criterion for the screened features by MRMR. By automatically executing the entire learning process to find the best number of froth image features and the optimal image features, so that the classifier achieves the maximum classification accuracy. Experimental results show that the proposed classification method achieves the best results in accuracy and time, compared with other benchmark classification methods. Application results show that the method can provide reliable guidance for the adjustment of the reagent dosage, realize the accurate and timely control of the reagent dosage, reduce the consumption of the reagent and the incidence of production accidents, and stabilize the product quality in the coal flotation production process.

     

基于LBPV的浮选泡沫图像纹理特征提取*

在浮选生产中,浮选泡沫表面纹理与浮选工况密切相关,直接反映泡沫层的矿化程度(品位高低).为了给浮选操作提供指导,提出了一种基于LBPV( local binary pattern variance)的泡沫图像纹理特征提取方法.该方法通过融合泡沫图像局部空间结构和对比度来提取泡沫图像纹理特征,然后将LBPV纹理特征应用于...     

基于模糊子空间聚类的0 阶岭回归TSK 模糊系统

经典数据驱动型TSK模糊系统在利用高维数据训练模型时,由于规则前件采用的特征过多,导致规则的解释性和简洁性下降.对此,根据模糊子空间聚类算法的子空间特性,为TSK模型添加特征抽取机制,并进一步利用岭回归实现后件的学习,提出一种基于模糊子空间聚类的0阶岭回归TSK模型构建方法.该方法不仅能为规则抽取出重要子空间特征,而且可为不同规则抽取不同的特征.在模拟和真实数据集上的实验结果验证了所提出方法的优势.