论文部分内容阅读
赤铁矿选矿生产全流程由原矿破碎筛分、强磁磨矿—强磁选、竖炉焙烧、弱磁磨矿—弱磁选—反浮选、精矿脱水和尾矿浓缩等生产过程及全流程控制系统组成。原矿经过选矿生产全流程物理化学交互作用转化为铁精矿。精矿品位是反映选矿生产全流程产品质量的生产指标。企业管理者决策精矿品位的目标值范围,生产线管理者将其分解为选矿生产全流程各过程运行指标与反映过程加工产品的质量、效率和消耗的工艺参数和各过程控制系统的设定值,过程控制系统使过程输出跟踪设定值,从而将精矿品位控制在目标值范围内。因为精矿品位无法在线检测,加上生产条件和运行工况变化使得管理者难以在动态环境下进行准确决策,往往不能保证产品质量稳定。但选矿生产全流程的各过程的输入输出变量、运行指标和精矿品位等工业数据可以持续记录和存储。采用上述工业大数据研究精矿品位的预报方法对于实现选矿生产智能优化决策有着重要实际意义,而且对于机理分析与机器学习相结合的学习方法的研究也具有重要学术意义。
本文在国家973计划项目“复杂生产制造全流程一体化控制系统整体控制策略与运行控制方法(2009CB320601)”、国家科技支撑计划“选矿全流程先进控制技术(2012BAF19G01)”和国家自然科学基金“数据驱动复杂工业系统运行优化控制及应用(61525302)”的支持下,开展了选矿生产全流程精矿品位的预报方法研究。主要成果如下:
1)通过选矿生产全流程的机理分析和全流程控制系统动态性能分析,提出了选矿生产全流程在稳态运行和动态运行工况下精矿品位预报问题的描述,并分析了对建立选矿生产全流程精矿品位预报方法的挑战性难题。
2)通过全流程控制系统作用下选矿生产全流程稳态运行的特性分析,建立了稳态工况环境下选矿生产全流程精矿品位预报模型,提出了基于改进ε支持向量回归的精矿品位预报方法。其中,改进的ε支持向量回归方法针对经典ε支持向量回归采用统一惩罚因子,无法有效反映不同大小的预报误差对模型性能影响的问题,引入新的惩罚因子系数,提出了根据训练样本预报误差的大小,结合训练样本集方差、标准差和样本间距离分布选择惩罚因子系数的方法,并采用公开数据集进行仿真实验,验证了所提改进方法及其在线算法比经典ε支持向量回归算法的精度与收敛速度明显提高。采用上述改进方法,结合精矿品位预报模型,提出了选矿生产全流程精矿品位预报方法。使用某赤铁矿选矿全流程生产数据仿真实验,结果表明所提方法与现有文献方法相比预报精度更高。
3)通过选矿生产线在全流程控制系统作用下动态运行的特性分析,建立了在生产条件和运行工况变化时精矿品位的预报模型。针对精矿品位与以前时刻的精矿品位、各过程的运行指标和输入与输出变量相关,并且上述三类信息具有不同时间尺度的特点,提出了机理分析与多尺度信息深度学习相结合的动态工况下精矿品位预报方法。该方法由反映过程变量对精矿品位影响的多尺度深度拼接卷积网络预报子模型、反映过程运行指标对精矿品位影响的全连接神经网络预报子模型、反映过去时刻精矿品位对精矿品位影响的全连接神经网络预报子模型和多尺度信息神经网络集成模型组成。其中,多尺度深度拼接卷积网络预报子模型每个特征提取层采用不同尺寸卷积核,并将各层输出的最优尺度特征信息跨层拼接在一起,作为网络最后的全连接层进行输出变换,提高了过程变量对精矿品位影响的预报精度;多尺度信息神经网络集成模型根据预报误差损失函数的梯度信息同时训练上述三个预报子模型网络参数,实现了不同时间尺度信息对精矿品位影响作用权重的协同优化。采用某赤铁矿选矿生产全流程的实际数据,对所提出的精矿品位预报方法进行仿真实验,结果表明当生产条件和工况变化时,所提方法比现有文献方法的预报精度明显提高。
4)设计并开发了选矿生产全流程精矿品位预报仿真实验系统。该系统由硬件平台和软件系统组成。硬件平台由云端的预报模型训练服务器、就地的数据采集处理计算机和精矿品位预报计算机组成;软件系统由预报模型训练软件、多尺度数据采集与处理软件和精矿品位预报软件组成。其中,预报模型训练软件包括模型训练方案管理、训练参数可视化配置、训练过程监控、预报模型评价、模型与校正参数下载、生产工况可视化分析、数据管理和用户管理等模块;多尺度数据采集处理软件包括过程变量采集、运行指标与精矿品位化验数据采集、数据预处理、批量上传等模块;精矿品位预报软件包括本文所提预报算法、工况分析、参数远程校正、输入预处理、精矿品位实时预报、结果显示与上传等模块。预报模型训练软件运行在云端的服务器上,通过生产工况可视化分析决策采用稳态工况或动态工况的精矿品位预报算法,同时校正预报算法中的权重参数并进行仿真实验决策是否下传校正的权重参数;多尺度数据采集与处理软件运行在数据采集处理计算机上,采集与处理各过程输入与输出和运行指标与精矿品位;精矿品位预报软件实现本文提出的预报算法。采用某选矿企业的生产全流程实际数据,使用该仿真实验系统对所提出的预报方法进行仿真实验。在选矿生产全流程稳态运行工况下,精矿品位预报均方误差为0.01,最大相对误差0.56%,预报误差全部位于允许的误差范围内;在动态运行工况下,精矿品位预报均方误差为0.11,最大相对误差1.7%,预报误差在允许的误差范围内的比例达90%。实验结果验证了所提方法和所研制的仿真实验系统的有效性。
本文在国家973计划项目“复杂生产制造全流程一体化控制系统整体控制策略与运行控制方法(2009CB320601)”、国家科技支撑计划“选矿全流程先进控制技术(2012BAF19G01)”和国家自然科学基金“数据驱动复杂工业系统运行优化控制及应用(61525302)”的支持下,开展了选矿生产全流程精矿品位的预报方法研究。主要成果如下:
1)通过选矿生产全流程的机理分析和全流程控制系统动态性能分析,提出了选矿生产全流程在稳态运行和动态运行工况下精矿品位预报问题的描述,并分析了对建立选矿生产全流程精矿品位预报方法的挑战性难题。
2)通过全流程控制系统作用下选矿生产全流程稳态运行的特性分析,建立了稳态工况环境下选矿生产全流程精矿品位预报模型,提出了基于改进ε支持向量回归的精矿品位预报方法。其中,改进的ε支持向量回归方法针对经典ε支持向量回归采用统一惩罚因子,无法有效反映不同大小的预报误差对模型性能影响的问题,引入新的惩罚因子系数,提出了根据训练样本预报误差的大小,结合训练样本集方差、标准差和样本间距离分布选择惩罚因子系数的方法,并采用公开数据集进行仿真实验,验证了所提改进方法及其在线算法比经典ε支持向量回归算法的精度与收敛速度明显提高。采用上述改进方法,结合精矿品位预报模型,提出了选矿生产全流程精矿品位预报方法。使用某赤铁矿选矿全流程生产数据仿真实验,结果表明所提方法与现有文献方法相比预报精度更高。
3)通过选矿生产线在全流程控制系统作用下动态运行的特性分析,建立了在生产条件和运行工况变化时精矿品位的预报模型。针对精矿品位与以前时刻的精矿品位、各过程的运行指标和输入与输出变量相关,并且上述三类信息具有不同时间尺度的特点,提出了机理分析与多尺度信息深度学习相结合的动态工况下精矿品位预报方法。该方法由反映过程变量对精矿品位影响的多尺度深度拼接卷积网络预报子模型、反映过程运行指标对精矿品位影响的全连接神经网络预报子模型、反映过去时刻精矿品位对精矿品位影响的全连接神经网络预报子模型和多尺度信息神经网络集成模型组成。其中,多尺度深度拼接卷积网络预报子模型每个特征提取层采用不同尺寸卷积核,并将各层输出的最优尺度特征信息跨层拼接在一起,作为网络最后的全连接层进行输出变换,提高了过程变量对精矿品位影响的预报精度;多尺度信息神经网络集成模型根据预报误差损失函数的梯度信息同时训练上述三个预报子模型网络参数,实现了不同时间尺度信息对精矿品位影响作用权重的协同优化。采用某赤铁矿选矿生产全流程的实际数据,对所提出的精矿品位预报方法进行仿真实验,结果表明当生产条件和工况变化时,所提方法比现有文献方法的预报精度明显提高。
4)设计并开发了选矿生产全流程精矿品位预报仿真实验系统。该系统由硬件平台和软件系统组成。硬件平台由云端的预报模型训练服务器、就地的数据采集处理计算机和精矿品位预报计算机组成;软件系统由预报模型训练软件、多尺度数据采集与处理软件和精矿品位预报软件组成。其中,预报模型训练软件包括模型训练方案管理、训练参数可视化配置、训练过程监控、预报模型评价、模型与校正参数下载、生产工况可视化分析、数据管理和用户管理等模块;多尺度数据采集处理软件包括过程变量采集、运行指标与精矿品位化验数据采集、数据预处理、批量上传等模块;精矿品位预报软件包括本文所提预报算法、工况分析、参数远程校正、输入预处理、精矿品位实时预报、结果显示与上传等模块。预报模型训练软件运行在云端的服务器上,通过生产工况可视化分析决策采用稳态工况或动态工况的精矿品位预报算法,同时校正预报算法中的权重参数并进行仿真实验决策是否下传校正的权重参数;多尺度数据采集与处理软件运行在数据采集处理计算机上,采集与处理各过程输入与输出和运行指标与精矿品位;精矿品位预报软件实现本文提出的预报算法。采用某选矿企业的生产全流程实际数据,使用该仿真实验系统对所提出的预报方法进行仿真实验。在选矿生产全流程稳态运行工况下,精矿品位预报均方误差为0.01,最大相对误差0.56%,预报误差全部位于允许的误差范围内;在动态运行工况下,精矿品位预报均方误差为0.11,最大相对误差1.7%,预报误差在允许的误差范围内的比例达90%。实验结果验证了所提方法和所研制的仿真实验系统的有效性。