磨礦過程參數軟測量與綜合優(yōu)化控制的研究.pdf

1、選礦過程是將原礦向精礦轉化，保證后續(xù)冶煉作業(yè)高效、順利進行的必要工序。而選礦過程的工作效率主要取決于磨礦作業(yè)對礦石粉碎細化的能力以及浮選作業(yè)對精礦的回收率。將自動控制技術應用于磨礦作業(yè)是提高磨礦效率和產品質量的有效手段。本文在詳細研究了磨礦過程原理的基礎上，以實現磨礦過程綜合優(yōu)化控制為目標，針對當前磨礦過程控制中存在的一系列問題，提出了系統(tǒng)的解決方案。 1.針對以往無法在線檢測磨機主要參數—磨礦濃度的問題，提出了灰色軟測量方法實

2、現了磨礦濃度的實時測量?；诨谊P聯(lián)分析理論給出了一致關聯(lián)度算法用于軟測量輔助變量選擇，并給出了一種實用的組合確認方法以規(guī)范輔助變量集。實驗結果表明，一致關聯(lián)度算法可以準確地反映數據間的相關性，同時，一致關聯(lián)度算法與組合確認方法的結合應用大大提高了輔助變量篩選速度，改善了軟測量模型的估計精度，估計結果的平均相對誤差保持在0.7％以下。進一步，針對實際應用中，工況的變化和工作點的漂移，提出了ε-PD-I短期校正方法和雙模型熱備的長期校正方法

3、相結合的綜合軟測量模型校正策略。仿真結果表明，該策略增強了系統(tǒng)運行的穩(wěn)定性，比傳統(tǒng)的PID方法超調更小，且需要調整的參數更少。在此基礎上，將磨礦濃度的實時檢測引入到磨機串級控制環(huán)節(jié)中，改善了原有控制策略單純依靠外部信息而導致的穩(wěn)定性差、精度低的不足，提高了控制性能； 2.針對目前無法對磨礦生產率進行實時有效地檢測，本文提出了應用支持向量機(SVM)方法，實現對磨礦生產率的在線預測。通過對現有SVM方法的分析比較，選擇了新型的混合

4、核支持向量機(MKSVM)作為預測模型的建模工具，并引入遺傳算法解決了MKSVM缺乏核參數確定方法的問題。仿真結果表明，該預測方法同時具有較好的逼近性能和泛化性能，預測結果的平均相對誤差更?。?3.應用小波神經網絡實現了磨機運行故障的在線診斷。運用小波分析的特征提取功能，對辨識模型的輸入信號進行特征提取，加快了模型訓練速度，提高了識別準確性。仿真結果表明，該方法可以準確辨別出磨機運行故障，為及時調整磨機的控制策略提供了必要保證；