论文部分内容阅读
球磨机是广泛应用于化工、电力、建筑等行业的重要基础设备,同时也是高耗能设备。其能耗、效率与磨机内部负荷具有密切联系,因此,球磨机负荷参数(料球比、磨矿浓度、充填率)的准确测量是实现优化控制和节能降耗的关键。由于磨机旋转、连续工作等特点使得多种直接检测方法难以实施,无法准确获取内部负荷参数。在实际工业产生中,常采用基于数据驱动方法对负荷参数进行间接测量,在一定程度上提高了对磨机负荷测量的准确性。但是,传统的软测量方法忽略了湿式球磨机多个负荷参数之间的相关性,导致模型预测精度不高。为此,本研究利用多任务正则极限学习机,通过多任务学习将多个负荷参数联系起来,挖掘多个参数之间的隐含信息,共同提高模型的预测性能。另外,在湿式球磨机实际运行过程中,由于矿石成分改变、生产方案变化以及钢球磨损等问题使得磨机运行出现变工况问题。球磨机在多工况条件下建模的辅助变量和待测主导变量的数据分布发生迁移,导致传统软测量建模方法包括上述多任务正则极限学习机均无法得到令人满意的结果。为此,将迁移学习引入湿式磨机的负荷参数测量中,解决多工况条件下磨机负荷参数的软测量问题,以提高模型的预测精度。针对湿式球磨机进行负荷参数测量时遇到的问题,本文主要做了如下研究:1)针对极限学习机在对湿式球磨机的负荷参数进行预测时,忽略各个负荷之间的相关性,导致模型预测精度不高的问题。利用多任务正则极限学习机算法解决上述问题,并在湿式球磨机数据集上进行实验,结果表明此算法可有效地提高模型的预测精度以及泛化能力。2)针对实际过程中工况变化后获得少量标记数据的情形,引入基于半监督极限学习机的域适应算法。该模型在最小化源域和目标域数据预测误差的基础上,通过寻找一个特征变换矩阵使得源域和目标域在此特征变换下共享某些知识,从而可以有效解决多工况条件下目标领域带有少量标签样本的球磨机负荷参数软测量问题。3)针对实际过程中工况变化后没有获得标记数据的情形,引入基于深度极限学习机自编码器的域适应算法。该模型引入一个特征变换矩阵作为隐变量,利用该隐变量将源域和目标域数据映射到一个公共的低维子特征空间上,可以有效解决多工况条件下目标领域中不含有带标签样本的球磨机负荷参数软测量问题。