粗糙集—神经网络智能系统在浮选过程中的应用研究

论文摘要

浮选过程机理模型由于其自身复杂性和其假设条件在工业生产中很难得到满足,因而其应用受到一定的限制。对此问题,本文将神经网络和粗糙集理论引入浮选建模过程中,将数据预处理和软测量模型与浮选生产工艺有机结合,探索浮选过程的建模与智能优化方法。本文主要工作如下所述: （1）介绍了鞍钢集团弓长岭矿山公司选矿厂阳离子反浮选过程工艺流程,并对浮选过程进行了详细系统分析,论述了浮选过程自动控制研究现状,综述了粗糙集理论、神经网络和智能系统的研究概况。 （2）研究了智能系统建模前数据预处理技术。采用模糊聚类-线性回归方法获得采集数据置信区间,去除数据中“坏样”样本。采用控制图法对浮选过程实时数据进行监测,为浮选过程优化控制提供良好的输入数据。 （3）详细研究了浮选工艺流程,了解操作条件对浮选技术指标的影响,为浮选过程经济技术指标（精矿品位和浮选回收率）软测量模型选择合适辅助变量。采用主元分析法和径向基神经网络技术建立浮选技术指标预测模型。主元分析法用来对神经网络模型输入进行降维处理,简化模型复杂度;RBF神经网络采用最近邻聚类学习算法进行训练。 （4）结合粗糙集理论和神经网络的各自特点,提出了一种基于粗糙集一神经网络的浮选过程药剂用量数学模型,并且与基于粗糙集控制思想的浮选过程药剂添加模型进行了比较。将浮选过程经济技术指标软测量模型和浮选过程药剂添加模型的浮选过程控制用于弓长岭矿山公司选矿厂实际生产,取得了很好的应用效果。

论文目录

• 摘要
• ABSTRACT
• 1 前言
• 1.1 浮选过程概述
• 1.1.1 阳离子反浮选过程的工艺流程
• 1.1.2 浮选过程系统分析
• 1.2 浮选过程自动控制现状
• 1.2.1 以稳定浮选过程为控制目标
• 1.2.2 以追求最大回收率为控制目标
• 1.2.3 以追求最佳经济效益为控制目标
• 1.3 浮选过程控制存在的问题
• 1.4 论文主要工作
• 2 粗糙集-神经网络智能系统
• 2.1 引言
• 2.2 粗糙集理论及其应用研究
• 2.2.1 粗糙集理论概述
• 2.2.2 粗糙集的理论研究
• 2.2.3 粗糙集的应用研究
• 2.3 人工神经网络
• 2.3.1 人工神经网络概述
• 2.3.2 人工神经网络分类
• 2.3.3 神经网络研究热点
• 2.4 粗糙集-神经网络智能系统
• 2.4.1 粗糙集与神经网络
• 2.4.2 粗糙集与神经网络集成的研究现状评述
• 2.4.3 粗糙集与神经网络集成的存在问题及展望
• 2.5 小结
• 3 智能建模前的数据预处理
• 3.1 引言
• 3.2 离线学习系统的数据预处理
• 3.2.1 样本数据采集
• 3.2.2 基于模糊C均值聚类的数据预处理
• 3.2.3 基于粗糙集理论的数据清洗
• 3.3 在线控制系统的数据预处理
• 3.3.1 实时测量数据的除噪滤波
• 3.3.2 基于控制图法的数据预处理
• 3.4 小结
• 4 基于PCA-RBF神经网络的浮选过程软测量模型
• 4.1 引言
• 4.2 PCA-RBF神经网络软测量模型的结构
• 4.3 输入数据集降维：PCA算法
• 4.3.1 主元分析方法概述
• 4.3.2 输入数据集降维
• 4.4 RBF神经网络
• 4.4.1 RBF神经网络概述
• 4.4.2 RBF神经网络的学习算法
• 4.5 PCA-RBF神经网络模型的训练和测试
• 4.6 小结
• 5 基于粗糙集控制理论的浮选过程药剂用量模型
• 5.1 引言
• 5.2 粗糙集控制的基本思想
• 5.3 浮选过程的粗糙集控制
• 5.3.1 条件属性集合与决策属性集合的确定
• 5.3.2 粗糙集控制模型设计过程利用的数据表
• 5.3.3 浮选数据的采集与完备
• 5.3.4 浮选数据离散化
• 5.3.5 离散数据表的预处理
• 5.3.6 条件属性约简
• 5.3.7 决策表属性值约简
• 5.3.8 决策表的智能查询
• 5.4 测试与仿真
• 5.4.1 覆盖率测试
• 5.4.2 准确度测试
• 5.5 小结
• 6 粗糙集—神经网络智能系统在浮选过程中的应用
• 6.1 引言
• 6.2 粗糙集-神经网络模型设计
• 6.2.1 模型结构
• 6.2.2 BP神经网络设计
• 6.2.3 网络输入-输出数据的产生
• 6.3 模型的仿真对比
• 6.3.1 粗糙集模型与粗糙集-神经网络模型的仿真对比
• 6.3.2 神经网络模型与粗糙集-神经网络模型的仿真对比
• 6.4 小结
• 7 浮选过程智能控制系统的工业应用
• 7.1 引言
• 7.2 智能控制系统的总体结构
• 7.2.1 智能控制系统硬件结构
• 7.2.2 智能控制系统软件结构
• 7.3 浮选过程智能控制系统的工业应用
• 7.3.1 工业实验
• 7.3.2 经济效益分析
• 7.4 小结
• 8 结论与展望
• 8.1 主要结论
• 8.2 发展与展望
• 参考文献
• 攻读博士学位期间完成的论文和承担的科研项目
• 论文主要创新点摘要
• 致谢
• 大连理工大学学位论文版权使用授权书
• 附录1 子组均值与波动范围
• 附录2 计算变量上下限的常数表
• 附录3 均值的上下限和波动范围的上下限的计算结果