基于预测模型的浮选过程pH值控制

矿浆pH值是泡沫浮选过程中的一个非常重要的被控量.目前,多数选厂的矿浆pH值控制基本是依靠现场工人定期对矿浆样本进行pH值测量,凭主观经验对pH调整剂进行调整.由于操作工人的主观性和随意性的影响以及矿浆样本pH值测量与药剂调整间存在的较长的时间滞后,矿浆pH值波动频繁,很难使矿物浮选保持在一个稳定最优生产状态下运行.为了使矿浆pH值保持在一个期望的生产状态,基于浮选泡沫表面视觉信息提出了一种新的矿浆pH值控制方法,分别采用基于泡沫视觉信息的自适应遗传混合神经网络AG-HNN和自适应遗传PID(AG-PID)控制方法建立了矿浆pH值预测模型和pH值控制模型,基于所建立预测和控制模型对浮选药剂用量进行调整,解决了浮选矿浆pH值波动问题.工业浮选现场的实验结果表明该方法可以使矿浆pH值保持在一个期望的范围内,有效提高浮选性能.     

基于机器视觉的矿物浮选pH软测量方法

针对泡沫浮选过程中人工检测矿浆pH值严重滞后以及pH检测仪电极容易积垢导致测量不准等问题,提出基于机器视觉的浮选矿浆pH软测量方法。确定了与矿浆pH值最相关的图像特征泡沫颜色、尺寸和流速;采用减法聚类确定模糊系统的初始结构,并选择变尺度分级混沌方法优化隶属函数和输出权值,最终建立模糊神经网络pH软测量模型。工业实践证明应用该模型在线检测浮选矿浆pH值的可行性。     

一种基于混合神经网络的浮选pH值预测模型

矿物浮选过程中,矿浆pH值作为影响浮选效果的一个重要因素,是实现浮选过程监视及优化控制的一个重要参量。目前的pH值测定仪存在交叉污染、测量滞后等问题,难以获得实时准确的pH值。为使浮选运行在最优状态,在泡沫图像特征提取的基础上,提出一种基于自适应遗传混合神经网络的预测模型,该模型首先利用主元分析(PCA)方法对提取的多个图像特征进行降维,然后采用自适应遗传混合神经网络(AGA-HNN)建立pH值预测模型。最后将该模型应用于浮选现场,预测结果能够实时跟踪实际值,根据预测值实时调整工况条件,改善了浮选效果,提高了浮选效率。     

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.     

基于在线支持向量回归的非线性模型预测控制方法

针对非线性模型预测控制中离线模型难以适应非线性对象实时变化的缺点, 提出一种基于在线支持向量回归的非线性模型预测控制方法. 该方法通过在线支持向量回归离线训练与在线学习相结合的方式, 建立具有在线校正特性的预测模型, 同时采用最速下降原理滚动优化非线性模型预测控制的目标函数, 求得多步控制量. 通过对非线性对象的控制结果表明, 所提出方法有效且具有良好的自适应性.

     

基于图像纹理特征和多级SVM的浮选过程状态识别方法研究

针对浮选泡沫图像的纹理特征,采用多级支持向量机(MLSVMs)方法对浮选生产过程状态进行识别.首先基于灰度共生矩阵,提取浮选泡沫图像的诸如能量、熵及惯性等纹理特性参数来描述浮选泡沫的视觉特征;然后采用归一化后的纹理特征数据样本分别对多级支持向量机进行训练和识别.MLSVMs模型核函数参数采用改进惯性权重的粒子群算法进行优化.测试结果表明,所提出的方法在训练时间和识别正确率上具有较好的性能,可以满足浮选过程的实时监控要求.     

基于支持向量机的质量控制软测量建模

在具体研究支持向量机理论的基础上,提出了一种基于支持向量机的软测量控制方法。针对工业过程变量无法在线测量和大滞后的问题,建立了相应的支持向量机回归模型,将此方法用于合成反应器的质量控制中,实现了输出值的在线预估,并分析了参数调整和核函数的选择对建模的影响,得到了泛化良好的模型仿真结果。     

基于多尺度小波LSSVR的污水处理过程软测量

针对污水处理中某些生物参数难以在线测量的情况,本文提出了一种基于小波核的多尺度最小二乘小波支持向量机软测量建模方法:。首先,选取墨西哥草帽小波函数作为最小二乘支持向量机的核函数,进而设计出多尺度小波最小二乘支持向量回归机(MW-LSSVR)。然后利用该支持向量机和出水水质参数特性建立混合软测量模型,实现对出水BOD浓度、COD浓度在线预测。通过在实际污水处理过程的应用,结果:表明本建模方法:具有较高的预测精度和较快的模型学习速度,能对BOD的做出准确的预测,一定程度上可以替代某些昂贵的在线测量仪表,给污水处理厂工作人员提供了控制操作依据,具有一定的实际应用价值。     

多智能体粒子群优化的SVR 模型预测控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中.     

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.     

数据驱动的锑粗选泡沫图像特征优化设定

针对锑浮选过程中精、尾矿品位难以在线检测, 浮选性能不稳定的问题, 提出一种数据驱动的泡沫图像特征优化设定方法. 该方法根据入矿品位类型对泡沫图像特征进行优化设定, 并针对不同入矿品位类型的样本分布特点,先尝试采用案例推理的方法从历史数据中寻找浮选性能优良的泡沫状态. 若经验知识不足, 则采用基于多中心模糊C均值聚类与概率支持向量回归的区间II 型模糊系统建模方法建立精、尾矿品位指标模型, 并在此基础上利用智能优化方法寻优泡沫图像特征值. 某锑浮选工业实验结果表明了所提出方法的有效性.

     

基于改进DE-NMPC的酸碱中和反应pH值控制

将一种改进的基于差分进化算法的非线性预测控制应用到酸碱中和反应pH值控制系统. 算法充分利用滴定曲线模型, 指导优化过程搜索的初始化空间. 同时, 在变异和选择等操作中改进了差分进化算法, 解决了一类有边界约束的非线性优化问题. 在发酵罐实验装置中进行了测试实验, 取得了较好的效果.     

Probability density function of bubble size based reagent dosage predictive control for copper roughing flotation

As an effective measurement indicator of bubble stability, bubble size structure is believed to be closely related to flotation performance in copper roughing flotation. Moreover, reagent dosage has a very important influence on bubble size structure. In this paper, a novel reagent dosage predictive control method based on probability density function (PDF) of bubble size is proposed to implement the indices of roughing circuit. Firstly, the froth images captured in the copper roughing are segmented by using a two-pass watershed algorithm. In order to characterize bubble size structure with non-Gaussian feature, an entropy based B-spline estimator is hence investigated to depict the PDF of the bubble size. Since the weights of B-spline are interrelated and related to the reagent dosage, a multi-output least square support vector machine (MLS-SVM) is applied to depict a dynamic relationship between the weights and the reagent dosage. Finally, an entropy based optimization algorithm is proposed to determine reagent dosage in order to implement tracking control for the PDF of the output bubble size. Experimental results can show the effectiveness of the proposed method.     

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.     

制冷站双目标权重自适应非线性预测控制

针对传统制冷站控制系统易产生振荡, 且无法实现系统性能整体优化的问题, 本文提出一种制冷站非线性 预测控制策略, 优化目标函数设计为满足建筑冷量需求的同时, 尽可能提高系统整体能效. 为解决上述两个优化目 标之间的矛盾关系, 本文采用模糊逻辑设计了优化目标权重自适应模块, 实时求取权重因子最优解; 针对非线性系 统在线优化求解困难问题, 本文提出了基于神经网络的非线性滚动优化算法, 采用神经网络作为反馈优化控制器, 并将系统优化目标函数作为在线寻优性能指标, 结合Euler-Lagrange方法和随机梯度下降法对控制器权值和阈值进 行在线寻优, 算法计算量小, 占用存储空间适中, 便于采用低成本的现场控制器实现制冷站预测控制. 仿真实验结果 表明, 本文所提出的预测控制策略与PID控制相比, 在未加入优化目标函数权重自适应模块情况下, 系统平均能效 比提高约32.5%; 进行优化目标函数权重自适应寻优后, 系统平均能效提高约39.43%.     

基于T-S 模型的模糊预测控制研究

提出一种基于T—S模型的模糊预测控制策略．利用模糊聚类算法高线辨识T—S模型，采用带遗忘因子的递推最小二乘法进行模型参数的选择性在线学习；对模糊模型在每一采样点进行线性化，将T—S模型表示的非线性系统转化为线性时变状态空间模型，并将约束非线性优化问题转化为线性二次规划问题，解决了非线性预测控制中如何获得非线性模型和非线性优化在线求解的难题．将预测域内的线性模型序列作为预测模型，减小了模型误差，提高了控制性能．pH中和过程的仿真验证了该方法的有效性．     

基于改进型LS-SVM技术的煤泥浮选智能优化控制方法

针对现有的煤泥浮选控制算法公式复杂、评估时间长等问题,文章提出了一种基于多重最小二乘支持向量机(LS-SVM)的浮选精煤灰分综合评估模型;首先,建立了基于LS-SVM的单一煤种的单一估计模型,并利用引力搜索算法对其内部参数进行了优化;其次,设计了模型更新策略,解决了单一模型精度下降的问题;此外,为了解决模型失配问题,还研究了由多个单一模型组成的多个LS-SVM模型以及模型切换机制;最后,进行了工业试验和评价,实验结果表明,煤泥浮选的评估值与实际值的平均相对误差为3.32%,综合模型的估计精度和适应性能够满足工业要求。     

MRMR和SSGMM联合分类模型的煤泥浮选系统药况图像识别

为解决煤泥浮选过程依靠工人肉眼识别泡沫特征来调节药剂用量,造成药剂浪费,产品质量不合格的问题,提出一种MRMR和SSGMM联合分类模型的药况图像识别方法.针对泡沫图像的形态、纹理、颜色特征与泡沫类别具有不同程度的相关性.将精煤灰分作为泡沫的类别信息,利用最大相关最小冗余(MRMR)算法筛选最优特征;针对传统的高斯混合模...