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.     

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.     

改进算法的BP神经网络水质评价模型

在分析BP神经网络算法的基础上,提出了水环境质量评价的改进BP神经网络模型,并编制了相应的程序.将模型运用于流域水质综合评价中,结果表明改进的BP神经网络模型通过变步长法和加入动量项的方法不仅可以减少训练的次数,避免网络训练陷入平坦区,还可以提高网络的精度,减小全局误差.相应所开发的评价系统简单易用,具有广泛的应用前景.     

自适应动量项BP神经网络盲均衡算法

为了消除数字信号在传输过程中产生的码间串扰,使得接收端能够正确解调,对信道畸变进行有效补偿,在基于动量项BP神经网络盲均衡算法的基础上,提出一种能够自适应调节BP神经网络动量项的盲均衡算法.该算法根据盲均衡过程中误差函数的变化情况,自适应调节BP神经网络的动量项,充分发挥动量项在避免网络训练陷于较浅的局部极小点的优势.仿真实验结果表明,该算法在稳定性及收敛性能上均优于固定动量BP神经网络盲均衡算法.     

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.     

Ridge Polynomial神经网络带动量项异步梯度算法的收敛性

将动量项引入到Ridge Polynomial神经网络异步梯度训练算法的误差函数中,有效地改善了算法的收敛效率,并从理论上分析了Ridge Polynomial神经网络的带动量项的异步梯度算法的收敛性,给出了算法的单调性和收敛性(包括强收敛性和弱收敛性)。算法的这些收敛性质对于如何选取学习率和初始权值来进行高效的网络训练是非常重要的。最后通过计算机仿真实验验证了带动量项的异步梯度算法的高效性和理论分析的正确性。     

神经网络的强耦合控制系统仿真研究

研究工业控制领域的优化控制问题,工业控制对象具有强耦合特性,传统方法无法对其进行精确解耦,导致系统控制精度比较低.为提高工业控制系统的控制精度,提出一种PID控制和神经网络相融合的控制方法.利用PID优良动态控制特性和BP神经网络非线性控制特性对控制系统进行解耦,在权值调整算法式中加入增大动量项,提高网络学习效率,并采用粒子群算法优化权值初始值,提高控制精度,减少振荡产生.在MATLAB环境下,对非线性控制系统进行仿真研究,仿真结果表明,PID神经网络提高系统的抗干扰能力,提高系统控制精度,能够对系统进行精确解耦,使工业控制系统的性能得到改善.     

BP神经网络漏钢预测系统优化

针对传统逻辑漏钢预测系统稳定性差、收敛速度慢、收敛精度低等缺点,建立具有自组织、自学习等功能的误差反向传播BP神经网络预测模型.采用变步长并加入动量项、防振荡项等方法,使网络训练过程能够跳出局部极小,加快了收敛速度.系统改变以往只将温度数据作为输入参数的传统,将拉速、中间包钢水温度作为考虑因素,扩大了漏钢因素的考虑范围.实验结果表明,采用BP神经网络对某炼钢厂实际数据进行漏钢预测,预报结果准确,具有较好的在线应用前景.     

基于样本自组织聚类的BP神经网络预测模型

根据实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测实验,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。     

基于PCA与改进BP神经网络相结合的电网中长期负荷预测

本文在标准反向传播神经网络的基础上,提出一种结合主成分分析法和改进的误差反向传播神经网络的方法来对电网中长期的电力负荷进行预测。首先利用主成分分析法对电力负荷的影响因素进行特征提取,有效地降低数据样本的维度,消除数据的冗余和线性信息,保留主要成分作为模型的输入数据。然后在标准的神经网络的反向传播环节中引入动量项和陡度因子。两种方法的结合有效地解决了网络收敛速度慢和容易陷入局部最小值的问题。将此方法应用于济源市的中长期电力负荷预测,实验结果表明,基于主成分分析法与改进的反向传播神经网络相结合的方法比常用的标准的反向传播神经网络、基于多变量的时间序列网络及时间序列网络具有更高的计算效率和预测精度,证明提出的预测模型在电力负荷预测中是有效的。     

详解铝土矿浮选自动加药系统程序

针对铝土矿浮选过程中的自动加药系统,依据西门子S7_200进行了详细的剖析,给出了详尽的系统组成、控制原理、计算方式、编程步骤,并对关键参数的标定提出了指导意见。     

浮选生产过程经济技术指标的软测量建模

依据浮选过程的工艺机理和操作经验,初选了浮选过程经济技术指标神经网络软测量模型的输入变量,运用主元分析法对输入变量进行主元分解,降低输入变量维数且消除了输入变量之间的线性相关性,再通过基于最近邻聚类学习算法的径向基函数神经网络进行建模。仿真结果表明,该模型具有较快的训练速率和较高的预测精度,可以满足浮选过程实时控制的在线软测量要求。     

基于图像特征的锑浮选矿浆pH值预测控制

适宜的矿浆pH值是泡沫浮选高效生产的关键。针对浮选矿浆pH值无法在线检测和控制滞后的问题,提取pH关联泡沫表面敏感特征,建立了基于仿射传播聚类(AP)的多模型最小二乘支持向量机(LSSVM)软测量模型;提出一种基于差分进化(DE)的在线支持向量回归(OSVR)pH值预测控制方法,离线建立和在线校正pH值预测模型,采用DE优化方法求解预测控制决策变量实现pH值实时控制。金锑浮选工业数据表明所提出的控制策略稳定了矿浆pH值,减少了药剂消耗。     

分层模糊控制器在水厂混凝投药过程中的应用

水厂混凝投药过程在给水处理中占有重要的地位,直接关系到出水水质;而这一过程具有非线性、大滞后、多变量等特点,针对这一情况,提出了运用分层模糊控制器来实现混凝剂的最佳投加;论述了分层模糊控制器的设计原理和设计方法,并将其应用于水厂混凝投药这一具体过程;通过Matlab软件对水厂实际数据进行了仿真,结果表明这一方法不但有效可行,而且能避开复杂的数学模型,节约内存资源和计算时间,还能降低劳动强度,减少人为的操作失误,提高控制水平.     

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。     

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.

     

专家控制方法在浮选过程中的应用

针对浮选过程被控对象复杂、数学模型不确定以及控制要求高等特点，提出一种用于阳离子浮选过程的专家控制方法，使系统具备一定的自学习和自组织的能力．所采用的规则表示法能自然、完整地表示浮选过程的知识，又便于知识库的维护．实际应用结果表明，所提出的专家控制方法能够满足浮选过程控制的要求．     

Combined fuzzy based feedforward and bubble size distribution based feedback control for reagent dosage in copper roughing process

A combined fuzzy based feedforward (FBF) and bubble size distribution (BSD) based feedback reagent dosage control strategy is proposed to implement the product indices in copper roughing process. A fuzzy theory based feedforward compensator will be used to calculated the reagent dosage in advance to eliminate the influence of large disturbances according to ore grade and handling capacity. Since the bubble size is believed to be closely related to flotation performance and responds to changes in the reagent dosage, using BSD based feedback predictive control calculates the reagent dosage to stabilize the flotation running. Instead of simple statistic feature, the bubble size with non-Gaussian feature is characterized to be probability density function (PDF) by using B-spline. A multi-output least square support vector machine (MLS-SVM) based is then applied to establish a dynamical relationship between the weights of B-spline and the reagent dosage since the weights are interrelated and related to the reagent dosage. A multiple step based optimization algorithm is finally proposed to determine the reagent dosage. Experimental results can show the effectiveness of the proposed method.     

Adaptive Decoupling Control of Pulp Levels in Flotation Cells

Control of the pulp levels in flotation cells directly affects the grade of the concentrate and the tailings in a concentration plant. Nevertheless, with strong coupling among cell levels and nonlinearities in the flotation process, conventional control strategies cannot achieve satisfactory control performance. In this paper, a nonlinear multi‐model adaptive decoupling control strategy based on adaptive‐network‐based fuzzy inference systems (ANFIS) is proposed for the flotation process, which includes a linear adaptive decoupling controller, an ANFIS‐based nonlinear adaptive decoupling controller, and a switching mechanism. The proposed method not only improves the transient performance and mitigates effects of the nonlinearities on the system, but also guarantees the input‐output stability of the closed‐loop system. Successful application to the flotation process has been made in a concentration plant in China, and the feasibility and efficiency of the proposed method have been validated.