面向磨矿过程的随机配置网络软测量方法研究

作     者：杨春鹏 

作者单位：齐鲁工业大学 

学位级别：硕士

导师姓名：孙凯

授予年度：2024年

学科分类：081902[工学-矿物加工工程] 0819[工学-矿业工程] 08[工学] 

主      题：软测量 随机配置网络 工况变化 在线学习 集成学习 

摘      要：半自磨-球磨-破碎(Semi-autogenous ball mill crusher,SABC)系统是矿石处理领域中常见的工艺流程,其溢流矿浆浓度是评估磨机处理能力和矿石细化程度的重要指标。然而,SABC系统机理复杂,溢流矿浆浓度难以用传统方法实时检测。软测量模型利用过程数据建模,能够有效预测关键变量,为该指标的准确预测提供了可行方法。然而,非线性、变工况及非理想数据问题会降低模型性能。随机配置网络(Stochastic configuration network,SCN)收敛速度快,泛化性能好,具有无限逼近特性被广泛用于工业过程建模。因此,本研究围绕SCN算法,研究数据集成及模型集成的软测量方法,旨在提高目标变量的预测精度。研究内容如下: (1)针对设备磨损导致工况渐变及测量数据漂移问题,将动态数据集成的遗忘因子滑动窗口策略与SCN网络结合,提出了一种基于SCN网络的在线更新软测量算法。首先,将SCN作为基础学习器,利用历史数据建立离线模型。其次,设计了一种新的动态遗忘因子滑动窗口(Dynamic forgetting factor sliding window,DFSW)方法,结合新旧样本之间的相似性和最新模型的泛化误差计算遗忘因子,提高了模型对渐变数据漂移的适应性。最后,通过结合DFSW的自适应学习能力与SCN的快速收敛和良好的泛化能力,实现模型的在线更新。 (2)将所提出的DFSW-SCN算法应用于实际的研磨过程,验证该算法的有效性。首先,介绍了铜矿石SABC系统的基本原理,并对其工艺特点进行了分析,为开发在线学习软测量算法提供了指导。随后,对数据进行统计分析,验证了该过程具有渐变特性。最后,采用提出的DFSW-SCN算法预测SABC系统中旋流器溢流矿浆的浓度。与其他先进的在线学习技术进行比较,验证了该算法的有效性和优越性,为在实际磨矿工业过程中的应用奠定了理论基础。 (3)针对磨矿过程中设备维护和停机导致的多工况及非理想数据(冗余和异常值)问题,提出了一种模型集成的鲁棒非负绞杀(Nonnegative garrote,NNG)SCN软测量算法。首先,采用模糊C均值聚类方法将历史数据划分为多个局部工况,并基于不同工况数据构建局部SCN模型。其次,引入鲁棒NNG策略对构建的局部模型进行优化,提高模型的鲁棒性,减小冗余变量的影响。最后,通过计算预测样本的隶属度,结合工况识别策略选择合适的局部鲁棒NNG-SCN模型,并将预测值进行加权融合,实现多模型集成的预测输出。