论文摘要
选矿过程是一个将原矿石经过物理/化学变化使有用矿物富集的流程工业过程。通常包括磨矿、焙烧和磁选(浮选)等工序,每道工序加工处理后都有不同的产品质量或生产效率的衡量指标,称为工艺指标,而衡量一天或一个班组整个选矿流程的指标称为全流程生产指标,包括精矿产量、品位以及金属回收率,生产工况条件代表当前设备运行状态和原矿性质等对生产过程产生不同限制的约束指标。建立全流程生产指标中精矿产量和工艺指标的预报模型即建立各个工序工艺指标与综合精矿产量之间关系的数学模型具有重要的实际意义和理论价值。全流程生产指标通常不能在线检测,而化验检测的时间较长,若生产的精矿不能够满足产量、品位以及金属回收率的要求,不能实时调整整个生产过程,需要等到化验结果出来以后再做决策,不能保证整个过程的实时控制。本文建立的模型便于分析工艺指标与精矿产量之间的影响关系,使得工艺技术人员更好的控制与操作选矿生产过程,并为选矿生产全流程的运行优化、提高产品产量打下基础。本文依托国家自然科学基金“动态环境下复杂工业全过程多工序工艺指标闭环优化决策方法”,提出了一种新的自适应混沌粒子群优化算法,有效解决了支持向量机参数优化和特征选择的问题,并将其应用到精矿产量预报模型中;针对选矿的多工况特性,提出了一种基于多模型的产量预报模型结构,并通过现场数据验证了所建立模型的有效性。本文的主要研究工作如下:(1)提出了自适应混沌粒子群优化算法,并将其应用到支持向量机建模中针对粒子群优化算法优化参数和特征选择易陷入局部最优的问题,引入了混沌算子替代原算法进化速度公式中的随机数,提高了其全局搜索能力。同时,为了得到更优的解,当适应度函数在一定代数未发生变化时,在当前最优点的邻域网格内产生网格粒子,以提高算法的局部搜索能力。将这种算法应用到支持向量机建模中,并通过标准问题测试,表明所提方法的有效性。(2)建立了基于最小二乘支持向量机和自适应混沌粒子群优化算法的精矿产量预报模型针对选矿过程涉及复杂的物理化学反应,工艺指标和精矿产量之间难以用机理方式建模的问题,将本文第二章提出的建模方法应用到精矿产量预报。采用自适应混沌粒子群优化算法来优化最小二乘支持向量机的核函数参数、惩罚系数并选择输入特征,有效提高建模的精度和速度。通过对比传统的grid search+PCA,GA+PCA,PSO+PCA和PSO+BPS O等优化方法,表明自适应混沌粒子群优化算法具有更高的精度,从而验证了所建立模型的有效性。(3)建立了基于多模型的精矿产量预报模型针对选矿过程的多工况特性,提出了基于多模型的建模方法。在这种结构中,本文采用了模糊最大相似估计聚类算法,它可以辨识不同空间分布的数据,提高了工况辨识的结果,同时,局部模型结构采用多核最小二乘支持向量机,由于不同的核函数代表不同的映射类型,通过加权核函数,可以辨识更复杂的非线性关系。通过对比传统的TSK模糊模型和多神经网络模型,表明其具有更高的精度,从而验证了这种方法的有效性。另外,本文将多模型的方法和第三章的方法进行了对比研究,结果表明多模型的方法具有更高的精度。
论文目录
相关论文文献
- [1].粒子群优化算法在港口船舶物流中的应用[J]. 舰船科学技术 2020(04)
- [2].求解电力系统经济调度问题的改进粒子群优化算法[J]. 控制与决策 2020(08)
- [3].基于改进粒子群优化算法的溶解氧调控系统设计[J]. 传感器与微系统 2020(06)
- [4].基于改进粒子群优化算法的微电网经济调度研究[J]. 上海电气技术 2020(02)
- [5].粒子群优化算法[J]. 软件 2020(05)
- [6].基于扩容和双距离决策的多目标粒子群优化算法[J]. 重庆邮电大学学报(自然科学版) 2020(03)
- [7].改进粒子群优化算法及其在聚类分析中应用[J]. 系统仿真学报 2020(08)
- [8].优质个体最优动态空间变异的粒子群优化算法[J]. 计算机应用研究 2020(08)
- [9].基于自适应粒子群优化算法的无人机三维航迹规划[J]. 海军航空工程学院学报 2020(03)
- [10].基于并行结构的多种群粒子群优化算法[J]. 传感器与微系统 2020(09)
- [11].融入社会影响力的粒子群优化算法[J]. 计算机科学与探索 2020(11)
- [12].基于改进粒子群优化-反向传播神经网络的制造业产能预测[J]. 机械制造 2019(03)
- [13].层次学习骨干粒子群优化算法[J]. 控制与决策 2016(12)
- [14].一种面向网络边缘任务调度问题的多方向粒子群优化算法[J]. 计算机应用与软件 2017(04)
- [15].基于粒子群优化的组播路由算法研究[J]. 信息与电脑(理论版) 2017(10)
- [16].改进的粒子群优化算法的研究[J]. 科技创新与生产力 2017(09)
- [17].一种改进的粒子群优化算法[J]. 陕西师范大学学报(自然科学版) 2016(02)
- [18].改进惯性权重的简化粒子群优化算法[J]. 湖北民族学院学报(自然科学版) 2016(01)
- [19].粒子群优化算法基本研究[J]. 科技经济导刊 2016(21)
- [20].中心粒子群优化算法[J]. 电子测试 2014(23)
- [21].基于粒子群优化算法的器件模型表面势求解[J]. 计算机时代 2015(03)
- [22].具有反向学习和自适应逃逸功能的粒子群优化算法[J]. 计算机应用 2015(05)
- [23].基于不同学习模型的精英反向粒子群优化算法[J]. 小型微型计算机系统 2015(06)
- [24].改进惯性权重的粒子群优化算法[J]. 河西学院学报 2020(05)
- [25].基于粒子群优化算法的算法实现及建筑生形——模拟鸟类觅食形态的建筑雏形设计[J]. 华中建筑 2020(02)
- [26].基于动态种群的双重学习粒子群优化算法[J]. 南昌工程学院学报 2020(01)
- [27].基于博弈机制的多目标粒子群优化算法[J]. 计算机工程与设计 2020(04)
- [28].求解特征值互补问题的基本粒子群优化算法[J]. 内蒙古民族大学学报(自然科学版) 2020(03)
- [29].进化状态判定与学习策略协同更新的二进制粒子群优化算法[J]. 浙江工业大学学报 2020(05)
- [30].粒子群优化算法中惯性权重改进策略综述[J]. 渤海大学学报(自然科学版) 2019(03)
标签:选矿过程论文; 工艺指标论文; 全流程生产指标论文; 精矿产量论文; 数据驱动建模论文; 支持向量机论文; 参数优化论文; 特征选择论文; 自适应混沌粒子群优化算法论文; 多工况论文; 多模型论文; 模糊最大相似估计聚类论文; 聚类验证论文; 多核最小二乘支持向量机论文;