国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      基于模糊預(yù)測模型的選礦廠磨礦過程礦漿濃度檢測方法

      文檔序號:9261504閱讀:459來源:國知局
      基于模糊預(yù)測模型的選礦廠磨礦過程礦漿濃度檢測方法
      【專利說明】基于模糊預(yù)測模型的選礦廠磨礦過程礦漿濃度檢測方法 【技術(shù)領(lǐng)域】
      [0001] 本發(fā)明屬于礦漿濃度檢測技術(shù)領(lǐng)域,設(shè)及選礦廠磨礦分級系統(tǒng)礦漿濃度的在線檢 測,特別是一種基于模糊預(yù)測模型的選礦廠磨礦過程礦漿濃度檢測方法。 【【背景技術(shù)】】
      [0002] 我國大型選礦廠中濕式球磨閉路磨礦分級系統(tǒng)應(yīng)用十分廣泛,作為其中表征生產(chǎn) 過程關(guān)鍵狀態(tài)信息的礦漿濃度(包括磨礦濃度和溢流濃度),絕大部分依然通過人工實驗 和離線分析的方式獲得,無法直接應(yīng)用到磨礦過程優(yōu)化控制中,使得磨礦分級系統(tǒng)運(yùn)行中 磨機(jī)欠載和漲肚現(xiàn)象時有發(fā)生,嚴(yán)重影響了磨礦生產(chǎn)效率和產(chǎn)品質(zhì)量,有時甚至造成設(shè)備 損壞事故進(jìn)而機(jī)組停運(yùn),給選礦廠帶來很大的經(jīng)濟(jì)損失。更重要的是,磨機(jī)是選礦廠的耗電 大戶,其耗電量約占廠用電的30%左右,由于磨機(jī)輸出礦漿濃度無法在線檢測用于閉環(huán)控 審IJ,對其仍舊采用人工控制的手段,所W磨機(jī)無法一直運(yùn)行在最佳工況下,造成廠用電消耗 大,產(chǎn)品粒度波動明顯,經(jīng)濟(jì)效益差。
      [0003]國外原礦選礦廠磨礦過程的自動化程度較高,計算機(jī)檢測技術(shù)也得到了普遍的使 用,但是國外選礦廠多采用的是半/自磨累池旋流分級系統(tǒng),與國內(nèi)廣泛采用的鋼球磨螺 旋分級系統(tǒng)結(jié)構(gòu)不同,無法照搬。
      [0004]國內(nèi)有部分選礦廠采用過程儀表,W硬件形式實現(xiàn)磨礦過程中礦漿濃度的直接檢 巧。,目前較為成熟的礦漿濃度直接檢測方法有:超聲波法,通過超聲波在礦漿介質(zhì)中傳播時 的衰減量獲得磨礦過程的礦漿濃度,但該方法對工作環(huán)境和傳感器要求高,礦漿介質(zhì)中溫 度、粘稠度、磁性甚至氣泡都對其檢測精度產(chǎn)生影響,且超聲波探頭需經(jīng)常標(biāo)定,維護(hù)不便; 濃度壺砰重法,通過對壺中礦漿稱重并參照重量濃度對照表得到礦漿濃度值,該方法需根 據(jù)不同礦漿礦物類別制作不同的濃度對照表,精度有限,且實時性差;核子密度計檢測法, 利用能量衰減法對礦漿濃度進(jìn)行測量,實現(xiàn)了非接觸式檢測,但其在管道內(nèi)出現(xiàn)結(jié)垢時易 出錯,實時性仍顯不足,且存在核福射及核廢料處理等問題。從上述直接檢測方法在我國選 礦廠的應(yīng)用情況來看,該類方法成本投資大,設(shè)備操作復(fù)雜,對工作環(huán)境要求高,因此只能 做離線分析,無法提供準(zhǔn)確的在線檢測結(jié)果;而且,由于球磨機(jī)具有封閉的筒體結(jié)構(gòu)、旋轉(zhuǎn) 撞擊的工作方式W及分級機(jī)不停進(jìn)行攬拌提升,造成其工作環(huán)境復(fù)雜惡劣且磨礦過程中礦 漿的濃度變化呈現(xiàn)動態(tài)性,最終導(dǎo)致直接檢測方法實際應(yīng)用效果不佳。
      [0005] 針對直接檢測存在的問題,目前對磨礦過程中礦漿濃度的間接檢測方法也有了很 大的發(fā)展,所謂礦漿濃度間接檢測是指通過測量磨礦過程中其他相關(guān)過程變量,并分別依 據(jù)磨礦濃度、溢流濃度與該些過程變量間的關(guān)系來間接預(yù)測各自的濃度值。該類方法主要 通過綜合多個過程變量實現(xiàn)對特定礦漿濃度的預(yù)測,由于繼承了各過程變量表征礦漿濃度 的優(yōu)勢,使得最終預(yù)測結(jié)果精確度和可靠性得到了保證。該類方法主要通過建立預(yù)測模型 實現(xiàn),并W設(shè)備簡單、檢測快速得W在實際工業(yè)過程中廣泛應(yīng)用。有的應(yīng)用灰關(guān)聯(lián)分析法 選擇礦漿濃度預(yù)測模型的輔助變量,并W此構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的磨礦礦漿濃度預(yù)測模型, 但該類方法由于神經(jīng)網(wǎng)絡(luò)模型隱層基函數(shù)中屯、選取的隨機(jī)性,W及模型學(xué)習(xí)過程中對問題 的特征數(shù)值化,勢必造成過程變量信息的丟失,使得神經(jīng)網(wǎng)絡(luò)在實際推廣和應(yīng)用上受到了 不少的限制。模糊建模采用易于理解的語言規(guī)則且所得模糊模型具有很好的穩(wěn)定性和魯椿 性,但在模糊建模中,輔助變量選擇、模糊化方案確定和規(guī)則集的構(gòu)建通常是跟據(jù)操作人員 和專家的知識和經(jīng)驗,該就不可避免的會產(chǎn)生一定的局限性和主觀性,從而影響到模糊預(yù) 測模型的精度和泛化能力。而且對于該種多維模糊模型,均會遇到規(guī)則的爆炸問題,從而使 得模糊模型的設(shè)計和應(yīng)用變得十分困難。為解決該些問題,基于對現(xiàn)場記錄數(shù)據(jù)的分析和 計算,自動構(gòu)建出模糊預(yù)測模型的輔助變量集、模糊化方案W及規(guī)則集。因此,在此基礎(chǔ)上 設(shè)計出來的磨礦過程礦漿濃度模糊預(yù)測模型更適合預(yù)測對象變量的特性,為選礦廠磨礦過 程能夠在自動控制下始終穩(wěn)定、高效運(yùn)行提供了保證。 【
      【發(fā)明內(nèi)容】

      [0006] 本發(fā)明的目的在于解決上述現(xiàn)有技術(shù)中的問題,提供一種基于模糊預(yù)測模型的選 礦廠磨礦過程礦漿濃度檢測方法,該方法通過構(gòu)建磨礦濃度和溢流濃度模糊預(yù)測模型實現(xiàn) 對選礦廠磨礦過程中兩關(guān)鍵礦漿濃度的穩(wěn)定可靠估計。該樣不僅為磨礦過程的優(yōu)化控制及 過程監(jiān)控提供了有效保證,而且能夠提高選礦廠的經(jīng)濟(jì)效益。
      [0007] 為了實現(xiàn)上述目的,本發(fā)明采用W下技術(shù)方案予W實現(xiàn):
      [0008] -種基于模糊預(yù)測模型的選礦廠磨礦過程礦漿濃度檢測方法,W磨礦濃度和溢流 濃度的連續(xù)檢測為目標(biāo),構(gòu)建模糊預(yù)測模型實現(xiàn)對選礦廠磨礦過程中兩種礦漿濃度的在線 估計,其中,模糊模型的輔助變量選擇方案、模糊化方案W及預(yù)測規(guī)則集是通過對現(xiàn)場記錄 數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)自動獲得,具體包括W下步驟:
      [0009] 1)根據(jù)人工操作狀態(tài)下現(xiàn)場記錄的給礦量M、返砂水量Wu、排礦水量W。。、電耳電流 I。。、磨機(jī)電流Im及分級機(jī)電流I。組成預(yù)選屬性集,W磨礦濃度Cg和溢流濃度C作為決策 屬性,分別選取磨機(jī)內(nèi)礦漿濃度處于82%的高濃度、80%的正常濃度和79%的低濃度W及 螺旋分級機(jī)溢流濃度處于60%的高濃度、58 %的正常濃度和56%的低濃度等穩(wěn)定工況時 的歷史數(shù)據(jù),分別構(gòu)成磨礦濃度預(yù)選數(shù)據(jù)庫和溢流濃度預(yù)選數(shù)據(jù)庫;
      [0010] 2)使用基于鄰域決策分辨率的屬性集評價量度及特征集選擇方法,對兩個預(yù)選數(shù) 據(jù)庫進(jìn)行特征屬性集選擇,根據(jù)屬性子集對于決策空間的分辨力量度對候選屬性集進(jìn)行評 價,并將最終選擇的特征屬性集作為相應(yīng)模糊預(yù)測模型的輔助變量選擇方案;分別構(gòu)建出 磨礦濃度特征數(shù)據(jù)庫和溢流濃度特征數(shù)據(jù)庫;
      [0011] 3)使用基于有效信息比率的模糊化方案構(gòu)建方法,針對步驟2)形成的兩個礦漿 濃度特征數(shù)據(jù)庫,分別計算其中每一連續(xù)屬性在變量論域上離散化對應(yīng)的劃分點(diǎn)位置和劃 分區(qū)間數(shù)量;選擇梯形函數(shù)作為隸屬度函數(shù),原連續(xù)屬性在離散劃分區(qū)間內(nèi)的最小值和最 大值之間的隸屬度函數(shù)取值為1,而在該劃分區(qū)間內(nèi)最小屬性值與上一劃分區(qū)間內(nèi)最大屬 性值之間定義線性非減函數(shù)作為隸屬度函數(shù),其中,最初劃分區(qū)間除外;在該劃分區(qū)間內(nèi)最 大屬性值與下一劃分區(qū)間內(nèi)最小屬性值之間定義線性非增函數(shù)作為隸屬度函數(shù),其中,最 終劃分區(qū)間除外;按照劃分點(diǎn)從小到大的順序,依次將上述隸屬度函數(shù)定義為輸入連續(xù)變 量對應(yīng)語言值的隸屬度函數(shù),對于離散變量使用單點(diǎn)模糊化方法定義其上隸屬度函數(shù),完 成相應(yīng)模糊預(yù)測模型的模糊化方案構(gòu)建;
      [0012] 4)針對步驟2)形成的磨礦濃度特征數(shù)據(jù)庫和溢流濃度特征數(shù)據(jù)庫,通過步驟3) 構(gòu)建的相應(yīng)模糊化方案進(jìn)行模糊化擴(kuò)展;并在模糊擴(kuò)展后的兩個數(shù)據(jù)庫上使用模糊預(yù)測規(guī) 則提取算法得到兩個礦漿濃度模糊預(yù)測模型中使用的預(yù)測規(guī)則;
      [0013] 5)在步驟1)~步驟4)的基礎(chǔ)上,使用乘機(jī)推理機(jī)作為模糊推理策略;選擇 Mamdani含義下對模糊規(guī)則的解釋,應(yīng)用模糊并進(jìn)行組合的獨(dú)立推理,計算中S-范數(shù)算子 采用最大算子,t-范數(shù)算子采用代數(shù)積算子;則對于形式化為IF-T肥N規(guī)則的兩預(yù)測模型 的模糊預(yù)測規(guī)則,如下:
      [001引其中,X= (X^X2,…,Xm0T和y分別表示模糊系統(tǒng)輸入和輸出對應(yīng)的語言變量. ^和公^分別表示定義在Xi和y的各自論域上的模糊集合;對于同一論域下模糊集合A', 上述乘積推理機(jī)根據(jù)模糊規(guī)則庫R推導(dǎo)出模糊集合B'的隸屬度函數(shù)為:
      [0017]
      [0018] 其中
      Py為規(guī)則Ri后件為勺條件概率;對于某輸入實 值點(diǎn)Xeir',選擇單值模糊器將實值點(diǎn)X=林:,為,...,而4映射為論域上的模糊單值A(chǔ)', 其隸屬度函數(shù)為:
      [0019]
      [0020] 而后選擇中屯、平均解模糊器,對于由U'條模糊IF-T肥N規(guī)則組成的模糊規(guī)則庫, 該模糊系統(tǒng)實值輸出/如下:
      [0021]
      [00過 歹'為模糊規(guī)則Ri后件B1的中屯、;
      [0023] 應(yīng)用上述模糊系統(tǒng)構(gòu)建方法,根據(jù)磨礦濃度預(yù)測規(guī)則和溢流濃度預(yù)測規(guī)則,分別 建立模糊預(yù)測系統(tǒng)對磨礦濃度和溢流濃度進(jìn)行預(yù)估,從而實現(xiàn)磨礦過程礦漿濃度的連續(xù)檢 測。
      [0024] 本發(fā)明進(jìn)一步的改進(jìn)在于:
      [0025] 步驟1)中,給礦量M、返砂水量Wf,、排礦水量W。。、電耳電流I。。、磨機(jī)電流1。、分級 機(jī)電流I。、磨礦濃度Cg和溢流濃度C該八個屬性按照相等的時間間隔同時被寫入磨礦濃 度預(yù)選數(shù)據(jù)庫和溢流濃度預(yù)選數(shù)據(jù)庫內(nèi),每一條記錄代表一個對象。
      [0026] 步驟2)中,基于鄰域決策分辨率的屬性集評價量度及特征集選擇方法,包括W下 步驟:
      [0027]2-1)將數(shù)據(jù)庫數(shù)據(jù)中所有數(shù)值型屬性的值線性歸一化至區(qū)間[0, 1],將所有名義 型屬性的值都編碼為一系列互異的值;
      [0028] 2-2)對某預(yù)選數(shù)據(jù)庫進(jìn)行處理后進(jìn)行特征集選擇,對于磨礦濃度預(yù)選數(shù)據(jù)庫,該 預(yù)選數(shù)據(jù)庫包括6個維,分別是;給礦量M、返砂水量Wu、排礦水量W。。、電耳電流I。。、磨機(jī)電 流Im、分級機(jī)電流I。和磨礦濃度C g;初始化屬性全集A = {M,W W W。。,I。。,Im,I。},特征子集 w/二0,決策屬性D = {Cg},算法終止闊值e > 0 ;
      [0029] 2-3)計算當(dāng)前特征候選集CT = A-red,并根據(jù)W下公式計算加入候選集CT中單 個屬性a;后特征子集red的鄰域決策分辨率NDDR e值),其中B = red U a;;
      [00礎(chǔ)式中,SbUi) = {Xj.|DB(Xi,Xj.) < 5}表示對象Xi根據(jù)屬性子空間B相對于常數(shù)5 G [(U]的鄰域信息粒,爐(Xi,Xj.)表示對象Xi和對象Xj.之間相對于屬性集B的歐式距 離;NDC(S,(Xi))表征了鄰域信息粒5,(Xi)內(nèi)決策分布的結(jié)構(gòu)信息,信息粒5,(Xi)中的決 策分布集中度越高,則有效分類區(qū)分信息蘊(yùn)含量越高;S為磨礦濃度屬性中的工況分類數(shù) 量,且s = 3;N是預(yù)選數(shù)據(jù)庫中對象的數(shù)量;P(dj.| Sc(Xi))表示信息粒Sc(Xi)中工況dj.下 的條件概率;
      [0033] 2-4)根據(jù)W下公式,計算出屬性相對于特征子集red的重要度指標(biāo) SIG(a。red, D);
      [0034] S!G{a,,red,D) = NDDR,''此,' {0)- NDDRfJP)
      [00對其中,M)DRred做和'WCAw化(巧分別是加入屬性a;前后特征子集red的鄰域決 策分辨率;
      [0036]2-5)對候選集CT中其他屬性重復(fù)步驟2-
      當(dāng)前第1頁1 2 3 4 5 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
      1