基于模型迁移的磨矿过程混合蛙跳算法-小波神经网络软测量建模及重构

摘要：
以磨矿过程的关键工艺指标(磨矿粒度和磨机排矿速率)为预测对象,提出一种基于小波神经网络（WNN）的自适应软测量建模方法.通过对磨矿过程工艺的分析,选取了软测量模型的辅助变量,利用混合蛙跳算法(SFLA)对WNN软测量模型的结构参数(小波函数伸缩因子、平移因子和网络连接权重)进行优化,实现软测量模型输入输出变量之间的非线性映射;并采用模型迁移思想及输入输出修正规划方法实现软测量模型的重构,以解决输入矿石品位改变这一动态工况下的模型自适应校正问题.仿真结果表明,所提出的模型能够显著提高磨矿过程中经济技术指标预测的精度和鲁棒性,满足磨矿生产过程的实时控制要求.
关键词：
磨矿过程; 软测量; 小波神经网络; 混合蛙跳算法; 模型迁移
中图分类号： TK 232
文献标志码： A     

部分反馈神经网络对腊样芽孢杆菌DM423分批培养过程中生物量的软测量

神神经网络以其较强的非线性处理能力在生物化工中有着广泛的应用前景，本文应用部分反馈神经网络对分批培养过程中的腊样芽孢杆菌DM423的生物量进行软测量，构建了拓扑结构为11-5-1的部分反馈神经网络。网络的输入量为pH、温度、溶氧量和葡萄糖浓度的延时量，并也将网络输出的生物量浓度进行延时、反馈作为网络输入量，生物量浓度当时值为输出量，网络的泛化能力较好，测试样本的均方差为0.5610-3。此外，所建立的部分反馈神经网络具有良好鲁棒性和预测能力。     

单纯形微粒群优化算法及其应用

将微粒群优化算法(PSO)与单纯形法(SM)相结合,提出单纯形微粒群优化算法(SPSO)。通过对5种常用测试函数进行优化和比较,结果表明SPSO比PSO和SM都更容易找到全局最优解。然后将SPSO用于催化裂化装置主分馏塔粗汽油干点软测量,建立基于SPSO的粗汽油干点神经网络软测量模型,通过与实际工业数据对比,表明该模型具有高的精度、好的性能和广阔的应用前景。     

工业过程软测量研究

综述工业过程软测量研究现状.论述软测量过程中辅助变量的选择,过程数据的预处理,软测量模型的建立及软仪表校正方法,提出工业过程软测量的实现方案.评述基于回归分析、BP神经网络、RBF神经网络、支持向量机等当前主要软测量建模方法的特点及其在工业过程软测量中的应用.指出当前工业过程软测量实现过程中存在的诸如误差处理、软仪表校正等问题及今后软测量技术与优化控制相结合的研究与发展方向.     

强磁选过程优化运行的智能设定控制方法

赤铁矿强磁选优化运行过程中,工艺指标精矿与尾矿品位难以在线实时检测,而且这两个工艺指标与底层回路控制器的漂洗水流量、励磁电流和给矿浓度等关键过程变量之间存在强非线性、强耦合、时变等动态特性,很难建立精确的数学模型,因此常规的基于数学模型的控制方法难以应用.针对上述问题,本文融合数据与知识的方法,提出了一种智能设定控制方法,其中包括基于案例推理的回路预设定模型、基于主元分析与RBF神经网络的品位软测量模型以及基于规则推理的动态补偿模型.该方法通过响应边界条件的变化,自动在线调整适宜工作点.工业试验表明该方法可有效提高精矿品位,降低尾矿品位.     

ε不敏感支持向量回归在化工数据建模中的应用

针对化工领域数据建模小样本、不适定性等问题 ,提出了一种用ε不敏感支持向量回归 (ε SVR)方法进行实际过程建模的想法 ,以解决人工神经网络等方法在数据建模中的“过拟合”、泛化性差等问题 .在分析ε SVR特性的基础上 ,用一个非线性函数逼近例子验证了ε SVR在小样本情况下比BP前馈神经网络具有更优良的建模能力 .将ε SVR应用到丙烯腈聚合反应过程质量指标软测量混合模型中 ,仿真和现场运行结果表明ε SVR是一种非常有效的化工数据建模方法 .     

多变量动态模糊偏最小二乘建模方法及其应用

针对复杂工业过程存在的多变量、非线性和时变不确定性问题,将动态PLS与模糊建模方法相结合,提出一种基于DFPLS(动态模糊偏最小二乘)的多变量非线性动态建模方法。该方法外部采用动态PLS方法解决多变量高维共线性问题,并描述系统的动态特性;内部采用FCM(模糊c均值聚类)与TSK模糊模型相结合,建立多个子模型的方法来拟合系统的非线性。将本方法应用于氧化铝生产过程中铝酸钠溶液组分浓度的软测量,仿真实验表明该方法预测精度高,泛化能力强,用于铝酸钠溶液组分浓度的在线检测是可行有效的。     

磨矿过程产品粒度软测量的比较研究

磨矿粒度(GPS)难以进行直接在线检测且化验过程滞后,必须采用软测量技术对其进行在线估计以及在此基础上的闭环控制.针对一个实际的两段式磨矿回路流程,分别基于多元回归、案例推理(CBR)和神经网络(NN)技术建立了三种磨矿粒度软测量模型,并对其进行了基于工业试验的比较研究.结果表明,基于CBR的磨矿粒度软测量方法优于BP神经网络软测量(BP-NN)方法和多元回归模型估计方法.