發(fā)布時間：2018-10-24 19:47

【摘要】：磨礦產品粒度直接關系到選礦廠的金屬回收率、精礦品位等技術指標,針對磨礦過程滯后時間長、參數(shù)時變嚴重、強非線性、強耦合等特性,采用案例推理技術(CBR)實現(xiàn)磨礦粒度優(yōu)化。相似度計算是CBR中案例檢索的關鍵環(huán)節(jié),直接關系到案例檢索的精度。傳統(tǒng)采用歐式距離計算相似度的方法,通常假設案例各屬性的權重固定且相互獨立,而該假設往往不能滿足實際應用。針對此問題,提出一種基于粒子群優(yōu)化算法(PSO)的自學習相似度計算方法,并將其引入案例推理中,構成粒度指標智能優(yōu)化設定系統(tǒng),并聯(lián)合常規(guī)的基礎控制系統(tǒng),構建了磨礦過程優(yōu)化設定控制系統(tǒng),保證磨礦過程整體優(yōu)化穩(wěn)定運行。應用到某大型選礦廠的磨礦流程,取得了明顯成效,具有推廣應用價值。
[Abstract]:The granularity of grinding products is directly related to the technical indexes such as metal recovery, concentrate grade and so on. Aiming at the characteristics of grinding process, such as long lag time, serious time-varying parameters, strong nonlinearity and strong coupling, etc. The CBR technology (CBR) is used to optimize the grinding granularity. Similarity calculation is the key link of case retrieval in CBR, which is directly related to the accuracy of case retrieval. The traditional Euclidean distance method for similarity calculation usually assumes that the weight of each attribute is fixed and independent of each other, but the assumption can not meet the practical application. In order to solve this problem, a self-learning similarity calculation method based on particle swarm optimization (PSO) algorithm is proposed, and it is introduced into Case-Based reasoning (CBR) to form an intelligent optimization system for granularity index, and to combine with the conventional basic control system. The optimal setting control system of grinding process is constructed to ensure the whole optimum and stable operation of grinding process. The grinding process applied to a large concentrator has achieved remarkable results and is worth popularizing and applying.
【作者單位】： 周口師范學院機械與電氣工程學院;周口師范學院物理與電信工程學院;
【基金】：國家自然科學基金(11547227) 河南省自然科學基金(152300410134) 河南省科技攻關計劃項目(132102210179.132102210577,142102210599) 高校微課教學活動在網絡學習空間中的實效研究(15A880023) 河南省教育技術裝備和實踐教育研究項目(GZS310)
【分類號】：TD921.4;TP18

【相似文獻】

相關期刊論文 前10條

1 王麗;;磨礦過程的穩(wěn)態(tài)優(yōu)化[J];沈陽化工學院學報;2009年01期

2 武俊杰;戴惠新;;淺析磨礦過程的影響因素[J];云南冶金;2009年06期

3 肖慶飛;段希祥;;磨礦過程中應注意的問題分析及對策研討[J];礦產綜合利用;2006年04期

4 И.Л.郭瓦力斯基;Б.В.涅夫斯基;苑家良;;磨礦過程的自動調節(jié)[J];有色金屬(冶煉部分);1955年09期

5 趙智明;階躍試驗信號建立磨礦過程動態(tài)模型的研究[J];有色金屬(選礦部分);1997年05期

6 馬翼;;梅山選礦廠磨礦過程控制研究與應用[J];礦業(yè)快報;2008年11期

7 陳寧寧;蔡昌友;;磨礦過程控制仿真實驗平臺的研究[J];價值工程;2010年20期

8 劉建書,鄒建華,萬百五,萬維漢,王銳;基于神經網絡質量模型的磨礦過程智能控制[J];有色金屬;2004年01期

9 劉曉青;劉琪;;基于案例推理的磨礦過程粒度設定方法研究[J];礦山機械;2011年02期

10 陳俊文;大型選礦廠磨礦過程控制系統(tǒng)設計[J];基礎自動化;1999年02期

相關會議論文 前3條

1 趙大勇;岳恒;周平;柴天佑;;基于智能優(yōu)化控制的磨礦過程綜合自動化系統(tǒng)[A];第16屆中國過程控制學術年會暨第4屆全國故障診斷與安全性學術會議論文集[C];2005年

2 劉建書;萬維漢;王銳;;基于神經網絡質量模型的磨礦過程智能控制[A];首屆全國有色金屬自動化技術與應用學術年會論文集[C];2003年

3 趙大勇;丁進良;周平;柴天佑;;磨礦過程智能運行優(yōu)化控制[A];PCC2009—第20屆中國過程控制會議論文集[C];2009年

相關博士學位論文 前1條

1 李勇;磨礦過程參數(shù)軟測量與綜合優(yōu)化控制的研究[D];大連理工大學;2006年

相關碩士學位論文 前10條

1 左良軍;基于METSIM軟件的磨礦過程控制仿真系統(tǒng)的設計與開發(fā)[D];東北大學;2013年

2 郭衛(wèi)平;無模型自適應預測控制在磨礦過程中的應用研究[D];河北工業(yè)大學;2015年

3 李海新;磨礦過程的穩(wěn)態(tài)檢測與優(yōu)化[D];東北大學;2009年

4 劉斌;帶區(qū)間約束的磨礦過程非線性狀態(tài)估計研究[D];中南大學;2013年

5 何曉峰;磨礦過程綜合自動化系統(tǒng)研究及應用[D];東南大學;2006年

6 王清;磨礦過程溢流粒度軟測量研究[D];東北大學;2009年

7 董q，

本文編號：2292380