导读:本文包含了溢流粒度论文开题报告文献综述及选题提纲参考文献，主要关键词:计量学,旋流器,溢流粒度,软测量模型
溢流粒度论文文献综述
李晓竹,解华[1]（2016）在《基于AdaBoost的多项式旋流器溢流粒度软测量模型》一文中研究指出为了降低选矿的生产成本和维护成本,提出了基于AdaBoost的多项式旋流器溢流粒度软测量模型。该模型以均方误差最小化为目标函数建立多项式模型,采用AdaBoost加强性能较差的样本的训练提高模型的泛化性和精度。最后将多个模型按照不同的权重集成起来作为最终模型。模型仿真和工业现场的实际应用效果说明,该模型能够比较准确地预测旋流器溢流粒度,保证了水利旋流器溢流粒度的合格率,提高了选矿效率,具有一定的实用性。(本文来源于《计量学报》期刊2016年03期）
赵珺,崔庆磊,刘颖,王伟[2]（2015）在《基于多目标分层遗传模糊建模的磨矿过程溢流粒度软测量》一文中研究指出提出一种基于多目标分层遗传算法的模糊系统对溢流粒度进行软测量,该方法将模糊系统分为4层,即输入层、隶属度层、规则库层和系统集成层.为了达到各层共同进化的目的,设计遗传算法各层编码策略,构建基于平均绝对百分误差和均方根误差的优化目标函数,并采用该函数计算各层个体的适应度.鉴于模糊模型训练过程中可能出现异常解,将L-M贝叶斯正则化方法融入训练过程.对磨矿生产数据的仿真实验验证了所提出方法的有效性.(本文来源于《控制与决策》期刊2015年12期）
崔庆磊[3]（2015）在《基于多目标分层遗传算法的溢流粒度软测量》一文中研究指出磨矿过程的旋流器溢流粒度是判断磨矿分级作业生产状况及后续产品质量的重要指标。由于影响溢流粒度的因素很多且关系复杂,难以建立机理驱动粒度检测模型,因此,工业现场一般采用离线化验或在线检测的方法对溢流粒度进行检测。然而,离线化验方法满足不了实时性要求,在线检测方法因受噪声等因素影响测量精度不高。鉴于磨矿过程积累的大量历史数据,可以采用数据驱动软测量方法对溢流粒度进行估计,进而为磨矿过程的控制及决策提供参考信息。针对溢流粒度检测时存在的建模数据含噪声信号较高,辅助变量难以确定,对溢流粒度建立软测量模型既要求准确性又要求稳定性等问题,本文提出了一种基于多目标分层遗传算法的溢流粒度模糊建模方法,该方法将模糊模型分为四层：输入变量层、隶属度层、规则库层和系统集成层。输入变量层用于获取软测量模型的辅助变量,隶属度层用于获取隶属度函数类型及相关参数,对辅助变量进行模糊划分,规则库层用于确定模型的所有规则,系统集成层将前叁层关联起来,代表一个完整的软测量模型。为达到各层共同进化的目的,本文设计了遗传算法各层编码策略,并构建了以平均绝对百分误差(Mean Absolute Percentage Error, MAPE)和均方根误差(Root Mean Square Error, RMSE)为标准的适应度函数来计算遗传算法每一层个体的适应度值。鉴于模糊模型训练过程中可能出现异常解,本文将L-M贝叶斯正则化方法融入训练过程。为验证本文方法的有效性,分别选取标准数据集和我国某选矿厂实际生产数据进行实验,并与已有多种方法进行对比实验,实验结果表明本文方法对含噪声磨矿数据进行软测量建模具有较好的准确性和稳定性。基于本文方法所实现的软件系统在实际应用中效果显着。(本文来源于《大连理工大学》期刊2015-05-01）
杨昊,周意超,邹春林,吴彩斌[4]（2014）在《旋流器给矿浓度对溢流产品粒度特性影响研究》一文中研究指出阐述了旋流器给矿浓度对溢流产品粒度分布的影响。通过工业试验,研究和分析了旋流器给矿浓度对分级效率、返沙比、分级产品中合格粒级和过粉碎粒级含量的相互关系。当旋流器给矿浓度为44.5%时,能获得分级效果最好、产品质量最佳的最终产品。该产品符合罗逊-莱蒙勒尔方程,是关于旋流器给矿浓度的函数。根据该分布函数可以预测任何旋流器给矿浓度下分级产品的粒度分布结果,对于工业生产具有重要指导意义。(本文来源于《矿山机械》期刊2014年12期）
万维汉,张海峰[5]（2011）在《基于先验知识的旋流器溢流粒度软测量》一文中研究指出旋流器溢流粒度分布在磨矿生产流程和旋流器结构一定的情况下由分离过程参数和入口矿浆粒度分布共同决定。利用旋流器矿浆分离过程中矿浆进出物料守恒,融合分股比和分级系数等旋流器分离模型先验知识,并根据旋流器过程参数对建立软测量模型溢流粒度进行在线预测,通过生产实例验证了软测量模型的有效性和可实用性。(本文来源于《2011中国有色金属行业仪表自动化学术会议论文集》期刊2011-08-31）
李祥崇[6]（2010）在《水力旋流器溢流粒度软测量方法的研究》一文中研究指出水力旋流器是利用离心力场分离不同粒度混合物的高效分离设备,在选矿过程中得到了广泛的应用,而水力旋流器溢流粒度则是衡量其工况的一个重要参数。测定水力旋流器的溢流粒度分布,将其返回到控制回路,保证旋流器粒度组成的最佳化,可以提高金属回收率、降低能耗、增加处理量。由于水力旋流器内流场的复杂性,影响因数和指标参数之间的关系是一个典型的多维非线性系统,很难用简单的线性数学工具来描述,因而很难提出一个系统完整的、简单准确同时又具有一定深度广度的通式。因此,建立准确的模型有一定的难度。本论文是在对磨矿分级工艺、水力旋流器的数学模型和工作原理进行深入分析的基础之上,选取软测量模型所需要的辅助变量,建立了基于BP神经网络的水力旋流器溢流粒度分布的软测量模型。针对BP算法容易陷入局部极小和收敛速度慢的问题,本文利用具有全局搜索能力的群集智能优化方法—粒子群优化算法(PSO),进行优化得出接近全局极小的BP神经网络初始权值和阈值,在此基础上采用BP算法来对问题进行建模,以此来提高神经网络训练效果。对于粒子群优化算法(PSO)的早熟现象,采用一种非线性调整惯性权重思想的PSO算法,并对算法进行了性能测试,测试表明：非线性递减权重PSO算法收敛速度快、搜索精度有了提高。为了检验PSO-BP算法的效果,本文对M-G混沌时间序列的预测问题进行了仿真实验,其结果表明,采用非线性递减权重的算法在一定程度上改善了神经网络的泛化能力。最后,对建立好的软测量模型进行了仿真,从模型的预测效果可以看出,本文所建立的基于BP神经网络的软测量模型能够较好的预测水力旋流器溢流粒度的分布情况。(本文来源于《东北大学》期刊2010-06-01）
王清[7]（2009）在《磨矿过程溢流粒度软测量研究》一文中研究指出选矿是冶金工业必不可少的重要一环,随着我国经济的发展和世界加工制造业中心地位的确立,我国冶金工业正在迅猛发展,随之而来的便是对选矿产品需求的不断增加,这些都促使了选矿业的不断发展,各种检测仪表以及自动化控制系统已在国内选矿厂得到普遍应用。但是作为选矿工业重要一环的磨矿过程,其产品质量的主要衡量标准——粒度的实时检测却很难实现,大大降低了磨矿生产的质量,以致影响整个选矿过程的效率,成为选矿生产的一个瓶颈。实现磨矿粒度的在线检测,对提高磨矿生产率、节约成本具有重要的现实意义,能够带来巨大的经济效益。本文以某铜矿选矿厂的磨矿车间1#系统为研究背景,建立了磨矿粒度软测量模型,并设计了磨矿粒度在线检测系统。主要内容如下：针对磨矿粒度难以实现在线测量,本文采用基于回归分析方法的软测量。在分析了磨矿过程主要设备的工作原理基础上,结合本课题背景的实际生产情况确定出辅助变量并找到过程输入与模型输出的同步关系,将对应时间的变量作为模型输入；在分析算法原理的基础上,本文先后采用了PLS算法、高斯核以及叁次多项式核的KPLS算法对磨矿过程数据进行建模。通过仿真结果的比较并结合实际生产需求,最终确定磨矿溢流粒度软测量模型使用PLS算法进行建模；由于磨矿过程本身的工况会随时间有所变化,另外在分析磨矿过程工艺特点时忽略了一些设备磨损等因素,本文采用了RPLS算法对软测量模型进行在线更新并对更新后的模型预估效果进行仿真。最终综合本文工作,设计了整个软测量系统的实施方案。结合课题背景现有软硬件配置结构,给出了软测量后台预报系统与上位机监控系统以及下位机控制系统之间的结构关系。(本文来源于《东北大学》期刊2009-06-20）
吕丛[8]（2009）在《基于支持向量回归的水力旋流器溢流粒度软测量》一文中研究指出在选矿过程中,磨矿粒度是衡量磨矿分级作业运行品质最重要的工艺指标,直接制约着选矿产品质量和金属回收率,影响着整个选矿厂的经济技术指标。因此在实际生产中,必须采用有效手段实现对磨矿粒度的实时在线检测。由于水力旋流器是磨矿分级中应用非常广泛的分级设备。所以通常在工业生产中,衡量磨矿分级产品质量的标准就是水力旋流器的溢流粒度。而由于水力旋流器内流场的复杂性,对其溢流粒度的估计很难提出一个系统完整的、简单准确同时又具有一定深度和广度的通用式。而软测量技术利用过程中的一些相关信息来估计这些不可在线检测的变量,既容易实现又节约成本,是一种非常可行的办法。本文重点研究了基于支持向量回归的软测量建模方法,从支持向量回归的理论研究、核函数选取及其参数选择等方面进行了详细的讨论。在分析不同核函数所表现出来的特性的基础之上,选取混合核函数作为支持向量回归中的核函数,通过与采用RBF核函数的支持向量回归模型的对比,证明采用混合核函数的支持向量回归模型具有更好的泛化性能。同时对支持向量回归模型参数的选取本文采用粒子群优化算法,通过该方法获得的支持向量回归模型的参数组合可以使回归模型获得更好的泛化性能。在对现有关于水力旋流器分离粒度数学模型的分析以及对影响水力旋流器性能的各种参数说明的基础之上,选取软测量模型需要的辅助变量,并以水力旋流器溢流粒度分布,即磨矿粒度,为主导变量,建立基于支持向量回归的软测量模型。通过与经验模型的对比,证明了这种软测量模型能够得到可靠且泛化性能更好的结果,并且降低了对训练数据的依赖程度。课题主要对水力旋流器溢流粒度分布数学模型的建立、基于支持向量回归建模方法的实现、核函数的选取、模型参数的选择四个方面进行了深入的理论研究,并以某选矿厂的水力旋流器溢流粒度分布情况为研究对象,对软测量模型的实现进行了仿真实验研究。从软测量模型预测的逼近效果以及均方误差值,可以看出此方法在水力旋流器溢流粒度预测中的有效性。(本文来源于《东北大学》期刊2009-06-15）
刘啸时,张曾科[9]（2005）在《选矿过程中水力旋流器溢流粒度分布软测量研究》一文中研究指出水力旋流器溢流粒度是衡量其工作状况的一个重要参数。根据水力旋流器分级理论,利用神经网络等智能学习方法,选择合适的辅助变量构成了软传感器,以实现水力旋流器溢流粒度的在线实时测量。同时,利用现场数据检验软传感器测量精度,验证了方法的可行性与实用性。(本文来源于《矿冶》期刊2005年01期）
张兴宇[10]（1982）在《计算配水法控制分级溢流浓度和粒度》一文中研究指出有用矿物与脉石分离是选矿的基本任务。矿石破碎、磨细,使有用矿物单体分离而又不过粉碎,是选矿获得好的技术经济指标的基础。因此,按设计要求控制磨矿、分级粒度是各选厂管理工作的基本任务。控制分级溢流粒度较先进的办法是应用粒度计,然而国内尚无工业实践。现场一般是应用浓度计控制分级溢流浓度,间接地控制溢流(本文来源于《金属矿山》期刊1982年09期）
溢流粒度论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出一种基于多目标分层遗传算法的模糊系统对溢流粒度进行软测量,该方法将模糊系统分为4层,即输入层、隶属度层、规则库层和系统集成层.为了达到各层共同进化的目的,设计遗传算法各层编码策略,构建基于平均绝对百分误差和均方根误差的优化目标函数,并采用该函数计算各层个体的适应度.鉴于模糊模型训练过程中可能出现异常解,将L-M贝叶斯正则化方法融入训练过程.对磨矿生产数据的仿真实验验证了所提出方法的有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
溢流粒度论文参考文献
[1].李晓竹,解华.基于AdaBoost的多项式旋流器溢流粒度软测量模型[J].计量学报.2016
[2].赵珺,崔庆磊,刘颖,王伟.基于多目标分层遗传模糊建模的磨矿过程溢流粒度软测量[J].控制与决策.2015
[3].崔庆磊.基于多目标分层遗传算法的溢流粒度软测量[D].大连理工大学.2015
[4].杨昊,周意超,邹春林,吴彩斌.旋流器给矿浓度对溢流产品粒度特性影响研究[J].矿山机械.2014
[5].万维汉,张海峰.基于先验知识的旋流器溢流粒度软测量[C].2011中国有色金属行业仪表自动化学术会议论文集.2011
[6].李祥崇.水力旋流器溢流粒度软测量方法的研究[D].东北大学.2010
[7].王清.磨矿过程溢流粒度软测量研究[D].东北大学.2009
[8].吕丛.基于支持向量回归的水力旋流器溢流粒度软测量[D].东北大学.2009
[9].刘啸时,张曾科.选矿过程中水力旋流器溢流粒度分布软测量研究[J].矿冶.2005
[10].张兴宇.计算配水法控制分级溢流浓度和粒度[J].金属矿山.1982