球磨機(jī)是流程工業(yè)中的關(guān)鍵基礎(chǔ)設(shè)備,尤其是化工和冶金領(lǐng)域。然而,由于參數(shù)時(shí)變,大慣性等因素對(duì)球磨機(jī)運(yùn)行過(guò)程的影響,缺乏有效的關(guān)鍵負(fù)荷參數(shù)測(cè)量方法。因此,準(zhǔn)確檢測(cè)磨機(jī)負(fù)荷參數(shù)對(duì)選礦全流程優(yōu)化運(yùn)行和控制有重要的研究意義。軟測(cè)量是借助自動(dòng)控制技術(shù),并合理的運(yùn)用到生產(chǎn)實(shí)踐過(guò)程中,依據(jù)易測(cè)變量與難以直接測(cè)量的待測(cè)過(guò)程變量之間的數(shù)學(xué)關(guān)系,通過(guò)各種數(shù)學(xué)計(jì)算與估計(jì)方法,從而測(cè)量出待測(cè)變量。鑒于此,軟測(cè)量技術(shù)被廣泛應(yīng)用于磨機(jī)負(fù)荷檢測(cè)中,但是,在實(shí)際磨礦生產(chǎn)過(guò)程中,通常不可避免的存在多工況問(wèn)題,使得歷史工況與待測(cè)工況之間的數(shù)據(jù)分布發(fā)生遷移,導(dǎo)致傳統(tǒng)的軟測(cè)量建模方法的預(yù)測(cè)性能下降。針對(duì)選礦過(guò)程中變工況導(dǎo)致的預(yù)測(cè)主導(dǎo)變量模型難以建立的問(wèn)題,本文通過(guò)引入一種有效的學(xué)習(xí)策略—遷移學(xué)習(xí),研究多工況和變工況磨機(jī)負(fù)荷參數(shù)軟測(cè)量建模方法,本文主要工作內(nèi)容概括如下:（1）針對(duì)待建模工況中僅含有少量帶標(biāo)簽樣本的問(wèn)題,本文主要研究了基于半監(jiān)督分布適配的域適應(yīng)方法。通過(guò)充分利用待測(cè)工況中少量的帶標(biāo)簽樣本的標(biāo)簽信息,與傳統(tǒng)的負(fù)荷參數(shù)軟測(cè)量方法相比,取得了良好的預(yù)測(cè)效果,并通過(guò)球磨機(jī)實(shí)驗(yàn)驗(yàn)證了該方法的有效性。（2）針對(duì)磨機(jī)待建模工況中... 

【文章來(lái)源】：太原理工大學(xué)山西省 211工程院校

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

球磨機(jī)內(nèi)磨介質(zhì)的三種運(yùn)動(dòng)狀態(tài)

太原理工大學(xué)碩士研究生學(xué)位論文 1,, inf , ,ppP QW P Q x y d x y 是在集合M M內(nèi)所有的以 P 和 Q 為邊緣分布的聯(lián)合分布。習(xí)的基本方法將遷移學(xué)習(xí)的基本方法分為四種，這四種基本的方法分別是：基型的遷移，基于特征的遷移，及基于關(guān)系的遷移。樣本的遷移的權(quán)重生成規(guī)則，對(duì)數(shù)據(jù)樣本進(jìn)行重用，來(lái)進(jìn)行遷移學(xué)習(xí)。圖 本遷移方法的思想。源域中存在不同種類的動(dòng)物，如狗、鳥、貓種類別。在遷移時(shí)，為了最大限度地和目標(biāo)域相似，可以人為地類別的樣本權(quán)重。

最后利用常用的機(jī)器學(xué)習(xí)分類算法預(yù)測(cè)類別標(biāo)簽。根據(jù)特征的同構(gòu)和異構(gòu)性，又可以分為同構(gòu)和異構(gòu)遷移學(xué)習(xí)。圖2-8 很形象地表示了兩種基于特征的遷移學(xué)習(xí)方法。圖 2-8 特征遷移方法示意圖Figure 2-8 Feature based transfer learning3）基于模型遷移它是找到兩個(gè)域之間共有的模型參數(shù)信息來(lái)完成遷移的。基于模型的遷移策略要求有這樣的假設(shè)條件：兩個(gè)域之間共享一些模型參數(shù)。Zhao 等人提出了 TransEMDT 方法[83]，該算法集成了決策樹和 k 均值聚類算法，用于個(gè)性化的活動(dòng)識(shí)別模型適應(yīng)。Deng等人也用超限學(xué)習(xí)機(jī)做了類似的工作[84]。4）基于關(guān)系遷移基于關(guān)系的遷移學(xué)習(xí)方法(Relation Based Transfer Learning)與上述三種方法具有截然不同的思路。這種方法比較關(guān)注源域和目標(biāo)域的樣本之間的關(guān)系�；陉P(guān)系的遷移學(xué)習(xí)方法很少，見文獻(xiàn)[85]借助于馬爾科夫邏輯網(wǎng)絡(luò) (Markov Logic Net) 來(lái)挖掘不同領(lǐng)域之間的關(guān)系相似性。2.6 本章小結(jié)本章首先對(duì)球磨機(jī)的工作機(jī)理做了介紹，接著介紹了球磨機(jī)負(fù)荷參數(shù)以及負(fù)荷與磨礦生產(chǎn)率的關(guān)系，最后針對(duì)軟測(cè)量建模以及遷移學(xué)習(xí)的相關(guān)理論知識(shí)做了介紹，通過(guò)本章的基礎(chǔ)知識(shí)介紹，為后面的章節(jié)基于遷移學(xué)習(xí)的軟測(cè)量建模方法打下基礎(chǔ)。

【參考文獻(xiàn)】：
期刊論文
[1]磨礦過(guò)程的球磨機(jī)研磨機(jī)理數(shù)值仿真及磨機(jī)負(fù)荷參數(shù)軟測(cè)量綜述[J]. 湯健,喬俊飛,劉卓,周曉杰,余剛,趙建軍.  北京工業(yè)大學(xué)學(xué)報(bào). 2018(11)
[2]基于慢特征重構(gòu)與改進(jìn)DPLS的軟測(cè)量建模[J]. 蔣昕祎,李紹軍,金宇輝.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)
[3]基于貝葉斯ICA的多工況非高斯過(guò)程故障檢測(cè)[J]. 鄧曉剛,徐瑩.  控制工程. 2018(03)
[4]基于流形正則化域適應(yīng)濕式球磨機(jī)負(fù)荷參數(shù)軟測(cè)量[J]. 杜永貴,李思思,閻高偉,程蘭.  化工學(xué)報(bào). 2018(03)
[5]基于流形正則化域適應(yīng)隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)的濕式球磨機(jī)負(fù)荷參數(shù)軟測(cè)量[J]. 賀敏,湯健,郭旭琦,閻高偉.  自動(dòng)化學(xué)報(bào). 2019(02)
[6]一種基于多工況識(shí)別的過(guò)程在線監(jiān)測(cè)方法[J]. 熊偉麗,郭校根.  控制與決策. 2018(03)
[7]一種基于自適應(yīng)模糊高斯核聚類的軟測(cè)量建模方法[J]. 夏源,楊慧中.  上海交通大學(xué)學(xué)報(bào). 2017(06)
[8]基于局部鄰域標(biāo)準(zhǔn)化和貝葉斯推斷的多工況過(guò)程監(jiān)測(cè)[J]. 郭校根,熊偉麗,徐保國(guó).  信息與控制. 2017(01)
[9]Soft measurement model of ring’s dimensions for vertical hot ring rolling process using neural networks optimized by genetic algorithm[J]. 汪小凱,華林,汪曉旋,梅雪松,朱乾浩,戴玉同.  Journal of Central South University. 2017(01)
[10]基于非負(fù)矩陣分解的多模態(tài)過(guò)程故障監(jiān)測(cè)方法[J]. 朱紅林,王帆,侍洪波,譚帥.  化工學(xué)報(bào). 2016(05)

碩士論文
[1]基于遷移學(xué)習(xí)的球磨機(jī)多工況負(fù)荷參數(shù)軟測(cè)量研究與應(yīng)用[D]. 李思思.太原理工大學(xué) 2018
[2]遷移學(xué)習(xí)在濕式球磨機(jī)負(fù)荷參數(shù)軟測(cè)量中的研究與應(yīng)用[D]. 賀敏.太原理工大學(xué) 2018
[3]基于深度學(xué)習(xí)的SAR圖像變化檢測(cè)與語(yǔ)義分析[D]. 毛天祺.戰(zhàn)略支援部隊(duì)信息工程大學(xué) 2018
[4]基于遷移學(xué)習(xí)的濕式球磨機(jī)多工況負(fù)荷參數(shù)軟測(cè)量[D]. 楊飛.太原理工大學(xué) 2017
[5]基于數(shù)據(jù)融合的目標(biāo)模式識(shí)別技術(shù)及應(yīng)用[D]. 王桐.華北電力大學(xué) 2017
[6]面向多模態(tài)TE過(guò)程的故障診斷方法研究[D]. 馬貴昌.沈陽(yáng)理工大學(xué) 2017
[7]球磨過(guò)程的數(shù)學(xué)模型及其試驗(yàn)研究[D]. 孫利波.山東大學(xué) 2006



本文編號(hào)：2952648