跳汰机人工神经网络控制技术研究

论文摘要

跳汰选矿是物理选矿的一种重要方法。我国目前入洗原煤的50%左右是用跳汰机分选的。跳汰机作为跳汰选煤的关键设备,其控制包括分层和排料两个方面,控制效果的好坏直接决定了分选效率的高低。由于传统的控制方法是基于精确的系统数学模型的控制,适于解决线性、时不变等相对简单的问题,而对于跳汰机这样复杂的非线性、大滞后系统,建立精确的数学模型极其困难,因此传统的控制方法很难达到良好的控制效果。本文的主要研究工作包括:在详细分析了影响跳汰机分选效果的因素后,指出:尽管分层是排料的前提,但跳汰是一个连续的过程,分层和排料是同时进行的,排料的好坏直接影响着分层效果,分层和排料的共同作用决定了跳汰机分选效率的高低,跳汰机的控制必须将二者结合考虑,而目前的控制系统仍然是简单的、粗放的控制,问题的关键是没有解决跳汰床层分层状态的在线检测。分析了跳汰床层γ射线分层状态检测系统的构成及实现方法,有效解决了分层状态的在线检测问题,为跳汰机有效控制系统的建立确定了基本的、可靠的平台。通过采集分层状态典型样本数据,使用人工神经网络和支持向量机学习算法,建立了跳汰机分层、排料一体模型。提出了把跳汰机分选效果（终极目标-矸石带煤）作为目标函数,即把性能函数直接作为目标函数,而把分层和排料的众多过程变量作为输入,利用人工神经网络的分布并行处理、非线性映射、自适应学习和鲁棒容错等特性,通过实验确定了适合跳汰机特性的网络拓扑结构、隐含层数目、隐含层节点数,并用遗传算法对神经网络的权值和阈值进行了优化。研究了基于统计学习理论的支持向量机算法在跳汰机矸石段的模式识别问题,发现专门针对有限样本情况的支持向量机比人工神经网络具有更大的优越性,表现在测试误差进一步变小。对支持向量机的核函数进行了线性函数、多项式函数、径向基函数和S型函数的对比,并利用最小二乘支持向量机进行了仿真,针对此项研究,发现了径向基函数作为核函数时训练误差和测试误差均较小。由于预测控制注重的是模型功能,而不是结构形式,过程的描述可以通过简单的实验获得,不需要深入了解过程的内部机理。因此,预测控制算法改变了现代控制理论对模型结构较严格的要求,更着眼于根据功能要求,按最方便途径建立多样性模型。这一点对于跳汰机这种理论严重落后于实践的系统尤为适用。从模型算法控制、动态矩阵控制和广义预测控制这三种预测控制算法和基于神经网络的预测控制分析入手,提出了利用事先离线训练好的神经网络预测器,通过预测下一时刻的矸石带煤量实现跳汰机风阀周期预测控制的方法,并利用BP神经网络构建了矸石带煤预测器以及优化器,利用已取得的样本数据进行了仿真,结果表明,矸石带煤有了明显的降低。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的背景与意义
• 1.1.1 煤炭在我国能源结构中的主体地位将是长期的
• 1.1.2 我国选煤大发展是必然趋势
• 1.1.3 跳汰选煤研究意义重大
• 1.2 跳汰选煤研究的历史与现状
• 1.2.1 跳汰理论滞后于实践
• 1.2.2 跳汰机过程控制的现状及技术难点
• 1.3 自动控制技术的发展及对跳汰控制的影响
• 1.3.1 跳汰控制的发展
• 1.3.2 智能控制技术在跳汰控制中的应用现状
• 1.3.3 跳汰机智能控制研究的必要性和可行性
• 1.4 本文结构及技术路线
• 第二章 影响跳汰机分选效果的因素及测控方式研究
• 2.1 跳汰机的结构特征
• 2.1.1 跳汰机的机体
• 2.1.2 跳汰机的空气室
• 2.1.3 跳汰机的风阀
• 2.1.4 跳汰机的排料机构
• 2.1.5 跳汰机结构的可调参数
• 2.2 原煤性质
• 2.3 跳汰机的操作变量
• 2.3.1 跳汰过程
• 2.3.2 跳汰周期分析
• 2.3.3 跳汰机的操作变量
• 2.4 跳汰机的测控方式
• 2.4.1 传统方式下分层状态检测
• 2.4.2 传统方式下跳汰机的控制
• 2.4.3 γ射线跳汰床层密度探测器
• 2.4.4 现场基于床层密度探测的跳汰机排料系统的模糊控制
• 2.5 本章小结
• 第三章 基于人工神经网络的跳汰过程状态识别
• 3.1 现场实验及样本数据
• 3.2 基于BP网络的模式识别
• 3.2.1 矸石带煤BP网络拓扑结构的设计
• 3.2.2 隐含层函数的选择
• 3.2.3 BP网络算法
• 3.2.4 隐含层数目的选择
• 3.2.5 隐含层节点数的选择
• 3.3 遗传算法与神经网络的结合
• 3.3.1 遗传算法分析
• 3.3.2 遗传算法的实现
• 3.3.3 遗传算法优化神经网络权值及阈值的步骤
• 3.4 遗传算法与神经网络结合的仿真结果
• 3.5 基于RBF网络的矸石带煤模式识别
• 3.5.1 RBF网络的结构
• 3.5.2 RBF网络设计
• 3.6 本章小结
• 第四章 基于支持向量机的跳汰过程状态识别
• 4.1 统计学习理论的基本思想
• 4.1.1 VC维
• 4.1.2 推广性的界与结构风险最小化原理
• 4.1.3 结构风险最小化基本想法
• 4.2 支持向量机基本方法
• 4.3 支持向量机算法
• 4.4 基于支持向量机的跳汰过程状态识别
• 4.4.1 基于ε-SVR算法和ν-SVR算法的仿真
• 4.4.2 基于最小二乘支持向量机（Least-Square SVM）算法的仿真
• 4.5 本章小结
• 第五章 基于神经网络预测控制的跳汰风阀控制研究
• 5.1 MPC应用现状及跳汰预测模型构建思路
• 5.2 预测控制的基本原理
• 5.2.1 模型算法控制分析
• 5.2.2 动态矩阵控制分析
• 5.2.3 广义预测控制分析
• 5.3 神经网络预测控制
• 5.3.1 神经网络在预测控制中的应用
• 5.3.2 基于BP神经网络的预测控制
• 5.3.3 神经网络预测控制中控制量的计算
• 5.4 神经网络预测控制在跳汰风阀控制中的应用
• 5.4.1 跳汰风阀控制思路
• 5.4.2 跳汰风阀神经网络预测控制的设计
• 5.5 本章小结
• 主要工作与创新点
• 附录
• 参考文献
• 攻读博士学位期间发表的学术论文目录
• 致谢