CN108734197A - 一种湿法冶金浓密洗涤过程的故障监测与诊断方法 - Google Patents
一种湿法冶金浓密洗涤过程的故障监测与诊断方法 Download PDFInfo
- Publication number
- CN108734197A CN108734197A CN201810344519.XA CN201810344519A CN108734197A CN 108734197 A CN108734197 A CN 108734197A CN 201810344519 A CN201810344519 A CN 201810344519A CN 108734197 A CN108734197 A CN 108734197A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- parameter
- sample
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明涉及一种湿法冶金浓密洗涤过程的故障监测与诊断方法,步骤为:确定故障状态及影响因素,提取故障特征,采集样本数据;对采集的三维矩阵数据进行预处理,得到二维数据阵;根据二维数据阵,为进行样本训练,得到训练集;将训练集对SVM分类器进行训练,得到一个训练好的基于SVM的浓密机底流管道堵塞故障检测模型;用得到的检测模型对测试集进行标签预测,辅助实际决策和控制,或与实际结果比较,调整支持向量机分类器的参数。本发明利用支持向量机特有的优势解决小样本、非线性及高维模式识别问题,可以推广应用到函数估计等其他机器学习问题中,来辅助实际决策和控制,调整支持向量机分类器的参数,达到较理想的测试结果。
Description
技术领域
本发明涉及一种湿法冶金领域中的浓密洗涤技术,具体为一种湿法冶 金浓密洗涤过程的故障监测与诊断方法。
背景技术
湿法冶金是处理复杂矿、低品位矿、且对环境污染较少的一种冶金方 法。湿法冶金是指金属矿物原料在酸性介质或碱性介质的水溶液中进行化 学处理或有机溶剂萃取、分离杂质、提取金属及其化合物的过程。
固液分离作为湿法冶金中连接浸出过程与置换过程的中间环节,位置 关键作用明显,浓密洗涤过程是以浓密机为主要设备进行固液分离的。浓 密机作为大型的固液分离设备,造价昂贵结构复杂,实际生产现场浓密机 的生产环境比较恶劣、干扰因素较多,从而造成浓密洗涤过程工况复杂。 由于控制不当、操作不当或疏于检测等因素,可能导致洗涤出的矿液质量 超标,如“跑浑”和底流浓度过低等异常状况,影响金属回收率和硫精矿的压滤效果,严重时甚至会导致“压耙”事故,使生产过程中断。浓密机一旦发生 严重故障致使洗涤工序无法进行,导致整个冶金工程生产瘫痪,造成巨大 浪费和严重经济损失。对浓密洗涤过程的运行状态进行监测可以及时检测 过程干扰以及其他的异常工况,定位并诊断引发故障的原因变量,有效预 防“压耙”、“跑浑”等故障的发生,是实现浓密洗涤过程安全经济生产的关键, 对保证生产过程安全运行,提高产品质量和生产效率有着重要意义。
浓密机是浓密洗涤过程中的关键设备,它起到了将矿浆中固相和液相 分离的作用。浓密机的构造主要有工作桥梁、刮泥传动装置、底部呈圆锥 形的槽体、主轴提升装置、传动主轴、耙架和刮板组成。浓密机采用的传 动方式为电机通过联轴器带动行星摆线减速器,减速器出轴通过一对开式 齿轮带动涡轮减速器传至主轴,从而带动耙子转动。
生产现场金矿的浓密洗涤过程使用一台高效浓密机,浓密机检测量有: 来料浓度、来料流量、浓密机溢流槽液位、溢流流量、底耙压力、底流浓 度、浓密机驱动电机的功率、浓密机洗水添加量,底流流量以及底流渣浆 泵功率等。浓密机的控制目标是使浓密机能够正常稳定的运行,要求浓密 机底流浓度控制在工艺要求的范围之内,以便在浓密机中维持一个浓缩泥 浆床,保持一定的浓缩层有利于压缩,加强浓密,提高整个过程的运行效率。浓密机的溢流槽的液位也要控制在要求的设定值附近,超过设定值太 多会引起溢流水溢出。底耙压力不能太大,否则可能使耙子负荷太大,造 成“压耙”现象,影响正常工作。
在实际生产过程中,浓密机底流管道易发生堵塞,主要是由于控制不 当、自然因素(异物调入浓密机)等原因,造成生产过程延误,同时造成 巨大的人力、物力及财力消耗。
发明内容
针对现有技术中湿法冶金的浓密洗涤过程存在浓密机底流管道易发生 堵塞故障或失效的潜在可能性等不足,本发明要解决的问题是提供一种湿 法冶金浓密洗涤过程的故障监测与诊断方法。
为解决上述技术问题,本发明采用的技术方案是:
本发明一种湿法冶金浓密洗涤过程的故障监测方法,包括以下步骤:
1)确定故障状态及影响因素,提取故障特征,采集用于选定训练集和 测试集的样本数据;,
2)为建模和在线监测需要,对采集的三维矩阵数据进行预处理,得到 二维数据阵;
3)根据二维数据阵,为进行样本训练,得到训练集;
4)将训练集对SVM分类器进行训练,得到一个训练好的基于SVM的 浓密机底流管道堵塞故障检测模型;
5)用得到的检测模型对测试集进行标签预测,辅助实际决策和控制, 或与实际结果比较,调整支持向量机分类器的参数。
步骤2)中对采集数据进行预处理为:
将被训练的样本数据输入,进行数据归一化处理,
其中,x为原始数据,y为归一化后的数据,xmax为原始数据中的最大 值,xmin为原始数据中的最小值。
步骤4)中将训练集对SVM分类器进行训练,得到一个训练好的基于 SVM的浓密机底流管道堵塞故障检测模型为:
采用径向基函数做为核函数:
其中,xi为特征向量,σ为核函数参数,x为输入向量;
该径向基核函数的每个基函数中心对应一个支持向量,网络结构及其 网络权值由算法自动确定。
步骤5)中还包括:用得到的检测模型对测试集进行标签预测,并与实 际结果比较,调整支持向量机分类器的参数。
本发明一种湿法冶金浓密洗涤过程的故障诊断方法,于包括以下步骤:
采用支持向量机(SVM)方法对浓密机底流管道运行状况进行实时监 测时,当检测出管道堵塞故障,采用随机森林分类方法对故障进行诊断, 确定故障类型,进一步采取针对性措施;
对故障进行诊断包括以下步骤:
1)分析浓密洗涤工业过程,当浓密机底流管道发生堵塞时,确定故障 类型及影响因素,即提取每一类故障特征;
2)样本数据采集,从生产现场历史数据库获取历史数据,经数据分析、 生产现场实际过程分析和现场专家知识调查,确定历史故障时间段,得到 训练数据和测试数据,进一步得到训练样本和测试样本;
3)样本训练,将每类故障设定一个标签,并将训练样本输入,得到一 个训练好的基于随机森林分类的浓密机底流管道堵塞故障诊断模型;
4)检验测试,将需测试样本输入到诊断模型,输出诊断结果,来辅助 实际决策和控制;
对故障进行诊断还包括以下步骤:将输出诊断结果与实际结果比较, 调整随机森林分类器的参数。
步骤1)中确定故障类型为三类,第一类为矿浆黏度过大,第二类为底 流浓度过大,第三类为异物掉入浓密机。
步骤2)中还包括:
对训练样本结合间歇过程数据特点进行标准化处理,将三维数据按照D 展开方式,即保留操作周期而将时间和过程变量两个维数上的数据糅合在 一起,构成二维矩阵X(I×JK),其每一行包含一次操作周期内的所有数据;
标准化处理如下:
其中,为标准化后的数据;为采集数据的平均值;sjk为数据的 方差,I为操作周期,i为当前操作次数。
步骤3)中将随机森林分类通过粒子群优化随机森林算法进行参数优 化,步骤为:
301)确定粒子群算法的初始参数,随机设定随机森林生成一棵树所随 机选取的属性特征数量m和最终生成的决策树数量n;
302)确定训练数据集、测试集,利用Bagging集成学习理论训练得到 随机森林中的决策树分类器;用测试集数据,经过随机森林算法进行分类, 计算随机森林分类准确率;
303)将随机森林分类准确率作为粒子群算法的目标函数,采用粒子群 算法对属性特征数量m和最终生成的决策树数量n进行迭代优化,选取确定 最终模型的参数并生成随机森林模型。
优化后参数m为38,n为150。
步骤301)中,对步骤301)中的初始参数为:粒子群大小、初始位置 以及初始速度。
本发明具有以下有益效果及优点:
1.本发明湿法冶金浓密洗涤过程的故障监测方法利用支持向量机 (SupportVector Machine,SVM)许多特有的优势解决小样本、非线性及 高维模式识别问题,可以推广应用到函数估计等其他机器学习问题中,用 得到的检测模型对测试集进行标签预测,将需测试样本输入到检测模型, 输出检测结果,来辅助实际决策和控制,或与实际结果比较,调整支持向 量机分类器的参数,达到较理想的测试结果。
2.本发明湿法冶金浓密洗涤过程的故障诊断方法采用随机森林分类方 法对故障进行诊断,确定故障类型,并用粒子群对随机森林的两参数进行 优化,提高了分类的准确率,进一步采取针对性措施,通过仿真实验已验 证其有效性和合理性,为浓密机底流管道堵塞故障诊断提供了重要途径, 对切实保障现代复杂系统运行的安全性和可靠性,具有十分重要的意义, 对浓密机底流管道易发生堵塞现象有效实施监测,避免由于控制不当、自然因素(异物调入浓密机)等原因造成生产过程延误,同时造成巨大的人 力、物力及财力消耗。
附图说明
图1为本发明涉及的周边传动浓密机结构示意图;
图2为本发明涉及的浓密机工作原理图;
图3为本发明中数据集的最优超平面示意图;
图4为本发明中SVM线性不可分情况示意图;
图5为本发明中支持向量机结构示意图;
图6为本发明中间歇过程监测的三个阶段示意图;
图7为本发明中间歇过程的三维数据表示;
图8为本发明中将三维数据展开成二维数据的六种方式;
图9为本发明中变量选取位置示意图;
图10为底流排矿泵流量与浓密机池内的压力值的关系仿真图;
图11为本发明中基于SVM方法建立浓密机底流管道堵塞故障检测流 程图;
图12为本发明中浓密机底流管道堵塞故障检测的仿真效果图;
图13为本发明中单棵决策树训练过程示意图;
图14为本发明中基于粒子群对随机森林参数优化后浓密机底流管道故 障诊断仿真结果图;
图15为随机森林参数优化前浓密机底流管道故障诊断仿真结果图;
图16为本发明中粒子群优化随机森林参数流程图;
图17为本发明涉及的平台总体结构的两层C/S架构图;
图18为本发明涉及的平台硬件结构图;
图19为本发明涉及的平台软件架构图;
图20为本发明涉及的服务器端软件结构图;
图21为本发明涉及的客户端软件功能图;
图22为本发明涉及的DBMS的工作模式图;
图23为发明实施例中实际生产现场数据流向图。
其中,1为中心旋转支座,2为栏杆,3为旋转桁架,4为传动装置,5 为刮板,6为槽体,7为浓密机,8为底流泵,9为电机,10为渣浆泵。
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
如图11所示,本发明一种湿法冶金浓密洗涤过程的故障监测方法,包 括以下步骤:
1)采集用于选定训练集和测试集的样本数据;
2)为建模和在线监测需要,对采集的三维矩阵数据进行预处理,得到 二维数据阵;
3)根据二维数据阵,进行样本训练,得到训练集;
4)将训练集对SVM分类器进行训练,得到一个训练好的基于SVM的 浓密机底流管道堵塞故障检测模型;
5)用得到的检测模型对测试集进行标签预测,辅助实际决策和控制, 或与实际结果比较,调整支持向量机分类器的参数。
本发明方法中,浓密洗涤过程所使用的浓密机结构如图1所示,是直 径30m的液压驱动周边齿条传动浓缩机。
本实施例中,基于SVM方法建立浓密机底流管道堵塞故障检测模型流 程图如图11所示,浓密机的主要作用是将来自上游的未浓缩矿浆通过浓密 机沉降浓缩,生成后续生产过程合适浓度的矿浆。来自上游未浓缩的矿浆 通过管道进入浓密机,通过安装在浓密机上的耙子对矿浆进行搅拌,耙子 有电机进行驱动,搅拌作用一方面对矿浆通过搅拌进行均化处理,防止矿 浆在浓密机内部分布不均;另一方面由于耙子的搅拌作用,使浓密机的矿 浆处于运动状态,防止矿浆在底部凝聚,保证矿浆不压耙,以防造成生产 事故。浓缩后的矿浆通过浓密机底部的底流泵输出,通过矿浆管道送入后 续工序作业,在输出矿浆管道上安装浓度计和流量计,以方便对底流打出 的矿浆进行浓度和流量的检测。浓密机底流浓度的控制是通过调整底流泵 频率改变底流泵转速而改变底流流量来实现的,为了实现对底流泵生产过 程的监控,安装有底流泵频率反馈的底流泵功率检测等装置。浓密机澄清 的溢流水则随着浓密机的溢流槽流走。其工作原理如图2所示。
步骤1)中,首先分析浓密洗涤工业过程,确定故障状态及影响因素, 即提取故障特征。浓密机底流管道运行过程可分为正常状态和堵塞状态, 确定影响此过程的5个观测变量。
步骤2)中,样本数据采集是从生产现场历史数据库获取历史数据,经 数据分析、生产现场实际过程分析和现场专家知识调查,确定历史故障时 间段,得到50组故障样本,并确定训练样本100组(其中60组正常,40 组故障),测试样本30组(20组正常,10组故障)。
样本训练用于线性不可分的情况,将训练的样本输入,经数据归一化 处理,公式(2-24)
其中,x为原始数据,y为归一化后的数据,xmax为原始数据中的最大 值,xmin为原始数据中的最小值。
步骤3)以训练样本为例,其中每个样本结合间歇过程数据特点进行标 准化处理,三维数据X(I×J×K),其中过程变量个数j=5;每一次操作中测量 点的个数K=300,操作周期I=100(每个操作周期时间段为5min,过程变量 采集每秒1次),故建模数据的维数为100×5×300,按照上节D方式展开 为二维矩阵X(I×JK)。
步骤4)中,将训练集对SVM分类器进行训练,得到一个训练好的基 于SVM的浓密机底流管道堵塞故障检测模型,其中采用的核函数为径向基 函数,公式为(2-20),
其中,xi为特征向量,σ为核函数参数,x为输入向量;
惩罚参数C为2,核函数参数σ为1。它与传统RBF算法的重要区别在 于支持向量机中使用的径向基核函数的每个基函数中心对应一个支持向 量,网络结构及其网络权值由算法自动确定。
支持向量机结构如图5所示。
步骤5)是用得到的检测模型对测试集进行标签预测,将需测试样本输 入到检测模型,输出检测结果,来辅助实际决策和控制,或与实际结果比 较,调整支持向量机分类器的参数,来达到较理想的测试结果。
以SVM方法建模,共采用训练样本100组(其中60组正常,40组故 障),测试样本30组(20组正常,10组故障),其中正常数据设为标签1, 错误数据设定标签2,应用于浓密机底流管道堵塞故障检测的仿真效果如图 12所示,最后得到分类的准确率为100%。
本实施例以生产现场需求为驱动,把浓密机底流排矿泵流量、电流、 浓密机池内不同高度的压力值作为变量,变量选取位置如图9所示。
每一个变量的选取都与浓密机底流管道的运行状况有直接或间接的影 响,但若是只选取单个或某两个变量是无法反映出浓密机底流管道堵塞故 障。浓密机底流管道发生堵塞时,底流排矿泵流量会变小;但排矿泵流量 大小只是管道堵塞故障发生的必要条件。以选取浓密机内的某一高度压力 为例分析,当浓密机底流管道发生堵塞时,底流排矿泵流量变小,浓密机 内的压力也会变大。具体底流排矿泵流量与浓密机池内的压力值的关系仿 真图如图10所示。
对训练样本结合间歇过程数据特点进行标准化处理,三维数据按照D 展开方式,保留了操作周期而将时间和过程变量两个维数上的数据糅合在 一起,构成二维矩阵X(I×JK),其每一行包含一次操作周期内的所有数据。
本发明采用分类支持向量机的原理,首先考虑线性可分情况下如何产 生最优超平面。用二维情况说明,如图3所示,空心点和实心点分别代表 两类样本,为最优分类线,拭和从分别为过各类中离最优分类线最近的样 本且平行于最优分类线的直线,它们之间的距离称为分类间隔(Margin)。 最优分类线既能将两类样本正确分开,又能使间隔距离最大,而支持向量 机的目的就是要找出这个最优分类线。设有线性可分的两类样本
(x1,y1),(x2,y2),…,(xn,yn)y∈{-1,+1} (2-1)
可用如下分类方程
w·x+b=0 (2-2)
对它归一化,使其对上述线性可分样本集满足
yi[(wi·xi)+b]-1≥0,i=1,2,…,n (2-3)
这样分类间隔等于2/||w||,分类间隔最大化等价于最小化||w||。,引入空 间的概念,满足式(2-3)并使||w||最小的分类面就是最优分类超平面,即最 优超平面,H1和H2上的训练样本就是支持向量。使分类间隔最大就是对泛 化能力的控制,这也是SVM的核心思想之一。
要找到这样的一个最优超平面,实际上也就是需要在式(2-3)的限制 下,求函数
的最小值。(w·w)表示内积,根据这个约束,可以定义如下的Lagrange函数:
式中,ai≥0为Lagrange系数。对w,b最小化L(w,b,a),这个最小值必定 在鞍点处求得。分别对w,b求偏导并令其等于0得:
由式(2-6)化简得:
式(2-7)中,ai≥0,i=1,2,...,n.将式(2-7)代入式(2-5)中,问题转化为 对偶问题,即最大化泛函:
式(2-8)是具有不等式约束的二次规划问题,存在唯一解。其中,若 ai=0,其对应的样本称为非支持向量;若ai>0,其对应的样本称为支持向 量。解中只有少部分的ai不为零,因此只有少部分的样本为支持向量 (Support Vector,SV),支持向量都集中在离最优超平面最近的位置,即 图1中的H1和H2两侧的直线上。解上述问题得到最优分类函数为
式中ai *是式(2-8),式(2-9)的解,b*是分类阈值,可以用任意一个支 持向量求得。
对于线性不可分的情况,可以在条件式(2-3)中引入个松弛变量ξi≥0, 采取软间隔分类方法来折衷考虑最小错分样本和最大间隔分类。此时数据 集的分布情况如图4所示。这时约束条件式(2-3)转化为:
yi[(wi·xi)+b]≥1-ξi i=1,2,…,n (2-11)
松弛变量ξ表示容许一定的错分情况。此时目标函数变为求下列函数的 极小值:
式中,C>0为惩罚参数,控制对错分样本的惩罚程度,同时影响着支 持向量机的推广能力。此时得到的分类面为广义最优分类面,广义最优分 类面的对偶问题与线性可分情况下非常相似,只是在约束条件式(2-9)中ai存在一个上界C:
在实际问题中,如果存在一个超平面只使少数样本点被错分,则认为 是几乎线性可分的,可以获得广义最优分类面。但往往由于问题的复杂性 在线性情况下很难找到最优超平面进行分类,即数据存在非线性情况,则 必须用超曲面作为分类面,但超曲面的求解往往非常复杂。因此,对于非 线性问题,必须通过非线性变换转化为某个高维空间中的线性问题,在变 换后的空间求最优分类面。也就是把输入样本映射到一个高维特征空间中,然后在这个特征空间中求广义最优分类面。支持向量机在处理非线性情况 时,仅比线性情况多了一个非线性映射环节。设该非线性映射为:
则优化问题就可以转变为:
这类非线性变换函数往往比较复杂,一般不容易求解。但注意到求解 过程只涉及到训练样本间的内积运算(xi·xi),这样,在高维空间中也只需要 进行内积运算φ(xi)·φ(xj)。若能在原空间找到一个函数K使得
K(xi,xj)=φ(xi)·φ(xj) (2-16)
那么,在高维空间中实际上只进行内积运算,而这种内积运算可以通 过原空间中的函数来实现,甚至没必要知道映射φ(x)的具体形式。根据 Hilber-schmidt原理,只要一种核函数K(xi,xj)满足Mercer条件,它就对应 某一变换空间中的内积。因此,用核函数K(xi,xj)代入式(2-15)中,即:
这样就能避免复杂的非线性运算,实现某种非线性变换后的线性分类。 相应的最优分类函数为:
这就是非线性情况下的支持向量机。总之,该算法就是通过某种非线 性映射,将输入向量映射到一个高维特征空间,在这个特征空间中构造最 优分类超平面。在形式上支持向量机分类函数类似于一个神经网络,输出 是中间节点的线性组合,每个中间节点对应于一个支持向量,其结构如图5 所示。
在支持向量机构造超平面的过程中,核函数发挥了很重要的作用,核 函数对算法的泛化能力和算法的效率都有很大的影响。选择适当的核函数 就可以实现某一非线性变换后的线性分类,而计算的复杂度却没有增加。 这一特点为算法可能导致的“维数灾难”问题提供了解决方法在构造判别函 数时,不是对输入空间的样本做非线性变换,然后在特征空间中求解,而 是先在输入空间比较向量,然后再对结果做非线性变换,这样,大的工作量将在输入空间而不是在高维特征空间中完成。
本发明使用采用的核函数为径向基函数核函数(2-20)。在数据处理上 运用了一部分间歇过程的数据处理方式,间歇过程的监测包括三个阶段的 工作,如图6所示。间歇过程的三维数据表示如图7所示。在常见的间歇 过程统计建模和在线监测方法中,三维矩阵通常按照建模的需要被展开成 二维矩阵。从几何角度,将一个三维矩阵展开成二维矩阵有六种方式A~F, 如图8所示,本发明中对训练样本结合间歇过程数据特点进行标准化处理,将三维数据按照D展开方式,即保留操作周期而将时间和过程变量两个维 数上的数据糅合在一起,构成二维矩阵X(I×JK),其每一行包含一次操作周 期内的所有数据。
D展开方式的数学表达如下式,
其中,为标准化后的数据;为采集数据的平均值;sjk为数据的 方差,I为操作周期,i为当前操作次数。
本发明一种湿法冶金浓密洗涤过程的故障诊断方法,包括以下步骤:
采用支持向量机(SVM)方法对浓密机底流管道运行状况进行实时监 测时,当检测出管道堵塞故障,采用随机森林分类方法对故障进行诊断, 确定故障类型,进一步采取针对性措施;
对故障进行诊断包括以下步骤:
1)分析浓密洗涤工业过程,当浓密机底流管道发生堵塞时,确定故障 类型及影响因素,即提取每一类故障特征;
2)样本数据采集,从生产现场历史数据库获取历史数据,经数据分析、 生产现场实际过程分析和现场专家知识调查,确定历史故障时间段,得到 训练数据和测试数据,进一步得到训练样本和测试样本;
3)样本训练,将每类故障设定一个标签,并将训练样本输入,得到一 个训练好的基于随机森林分类的浓密机底流管道堵塞故障诊断模型;
4)检验测试,将需测试样本输入到诊断模型,输出诊断结果,来辅助 实际决策和控制。
对故障进行诊断还包括以下步骤:将输出诊断结果与实际结果比较, 调整随机森林分类器的参数。
在浓密机的浓密生产过程中,最严重的生产事故是压耙。压耙是指浓 密机底部沉积矿浆过多过厚或已压实,导致提耙装置或刮泥装置失效。压 耙事故一旦出现将会导致浓密机停止生产,导致整个洗涤工艺无法进行, 从而影响后续置换提金甚至整个湿法冶金工序,造成直接的重大经济损失。 所以为防止压耙事故的产生,项目中生产现场使用的浓密机设有自动提耙 装置,即传感器感应到底把的压力增大就自动将耙架提起。造成压耙的主要原因有浓密机泥层高度高,造成底流浓度过大,此时应尽快及时地加大 底流的排矿量,使泥层高度降低到适当的范围。也可能是耙架的提升装置 本身由于设计不合理或长期使用受腐烛磨损造成提耙失灵所致。
步骤1)中,本发明方法在当浓密机底流管道发生堵塞时,将常见的故 障类型分为三类:
第一类是矿浆黏度过大:由于温度、物料颗粒过细、矿浆内剩余药剂 过多及矿泥含量过多等因素,会造成矿浆黏度过大。当矿浆黏度过大时, 矿浆易粘在浓密机壁上,顺着浓密机壁往下流,在浓密机底流排矿口形成 堆积,造成浓密机底流管道发生堵塞。
第二类是底流浓度过大:正常的浓密生产过程希望底流浓度维持在一 稳定的范围内,当底流浓度超过这一范围时,需及时打开排矿泵,进行排 矿。造成底流浓度过大原因有:浓密机来料状况异常(流量过大或浓度过 大)、往浓密机内添加的洗水量不足及人为打开排矿泵不及时。若底流浓度 过大时,极易造成浓密机底流管道发生堵塞。
第三类是异物掉入浓密机:由于人为因素或浓密机内器件(叶轮)脱 落,造成浓密机底流管道发生堵塞。此类故障危害极大,极易造成浓密机 压耙生产事故,需及早发现,及时采取针对性措施。
步骤2)中,从生产现场历史数据库获取历史数据,经数据分析、生产 现场实际过程分析和现场专家知识调查,确定历史故障时间段,得到154 组为训练数据(第一类故障54组,第二类故障54组,第三类故障48组) 和30组为测试数据(第一类故障12组,第二类故障12组,第三类故障6 组)。以训练样本为例,其中每个样本结合本章2.2节间歇过程数据特点进 行标准化处理,三维数据X(I×J×K),其中过程变量个数j=5;每一次操作中 测量点的个数K=300,操作周期I=100(每个操作周期时间段为5min,过程 变量采集每秒1次),故建模数据的维数为100×5×300,按照D方式展开为 二维矩阵X(I×JK)。
步骤3)中,将第一类故障设定为标签1,第二类故障设定标签2,第 三类故障设定标签3,并将训练样本输入,得到一个训练好的基于随机森林 分类的浓密机底流管道堵塞故障诊断模型,此诊断模型中的决策树棵树为 500,单棵决策树训练过程如图13所示。
本发明提出了基于粒子群对随机森林故障分类模型参数优化算法,对 建立的湿法冶金浓密机底流管道故障诊断模型进行研究,并同未经参数优 化的随机森林分类方法进行了精度对比,提高了随机森林的分类精度。
基于粒子群算法的参数选择与优化中,首先要确定适应度函数,由于 参数优化的目的是为了获得更高的分类精度,即可转换成分类精度最大化 的优化问题。因此粒子群算法的适应度函数可设置为分类的总体精度。
随机森林作为一种新型集成分类器,具有训练样本数量需求少、人工 干预少、分类精度高等优点,可以处理高维数据并快速得到分类结果。随 机森林算法需要用户设置的参数相对较少,相对于其他传统分类方法具有 良好的鲁棒性,因而在各种分类算法中备受关注。但为了进一步提高分类 精度和效率,通过对随机森林算法关键参数进行优化,可以实现在随机森 林分类运行效率可接受范围内的更高分类精度。因此,随机森林分类的参数优化成为提高分类精度的一个可行途径。
在基于随机森林算法做故障分类时,训练样本一定的情况下,影响分 类精度的主要因素有两个:生成一棵树所随机选取的属性特征数量m和最终 生成的决策树数量n。根据随机森林算法的原理可知:
(1)在随机森林生成的过程中,对于每个选出训练集会对应生成一棵 决策树,在生成决策树的过程中,需要从所有属性特征中随机抽取一定量 属性作为这棵决策树的分裂属性集。在用随机森林算法进行工业故障分类 时,m的大小关系到构建出的决策树能力强弱以及决策树之间的相关性。m 越小,单棵决策树的能力越弱,会有降低随机森林分类器能力的趋势;但 同时决策树之间的相关性越小,会使分类器能力增强。因此,选择合适大小的m,成为决定分类效果的一个关键。
(2)模型决策树的数量n决定了随机森林投票的票数和准确率,依据 大数定律,当n增加时,模型泛化误差收敛,因此不用担心过训练的情况。 这种趋势是理论证明的结果,而实验证明,并不是n越大,分类精度越高, 而是在一定阈值内存在一对使精度最高的参数组合,组合中的n并不一定是 阈值的上界,并且由于两个随机过程的复杂性,无限增加n来换取微小精度 的增加往往不现实。因此需要在运行效率可接受范围内找到可以使分类精度最高的参数n。
因此,参数(m,n)的设置选择是影响随机森林分类效果的重要问题,本 文对此采用一种参数优化:基于粒子群PSO的参数选择与优化。
本发明将随机森林分类通过粒子群优化随机森林算法进行参数优化 (包括粒子群大小、初始位置及初始速度),步骤如图16所示:
301)确定粒子群算法的初始参数,随机设定随机森林生成一棵树所随 机选取的属性特征数量m和最终生成的决策树数量n;
302)确定训练数据集、测试集,利用Bagging集成学习理论训练得到 随机森林中的决策树分类器;用测试集数据,经过随机森林算法进行分类, 计算随机森林分类准确率;
303)将随机森林分类准确率作为粒子群算法的目标函数,采用粒子群 算法对属性特征数量m和最终生成的决策树数量n进行迭代优化,选取确定 最终模型的参数并生成随机森林模型。
本实施例中,优化后参数m为38,n为150。
步骤4)中,将需测试样本输入到诊断模型,输出诊断结果,来辅助实 际决策和控制,或与实际结果比较,调整随机森林分类器的参数,来达到 较理想的测试结果。
随机森林参数优化前浓密机底流管道故障诊断仿真结果如图15所示。 随机森林参数优化前实验结果如下:
训练集总数:154,第一类故障:51,第二类故障:51,第三类故障: 52;
测试集总数:30,第一类故障:12,第二类故障:11,第三类故障:7;
第一类故障:12,误报:0,准确率p1=100%;
第二类故障:11,误报:0,准确率p2=100%;
第三类故障:6,误报:1,准确率p3=85.7143%。
本实施例中,实验数据共184组,其中154组为训练数据(第一类故 障54组,第二类故障54组,第三类故障48组),30组为测试数据(第一 类故障12组,第二类故障12组,第三类故障6组),其中第一类故障类型 设定标签1,第二类故障类型设定标签2,第三类故障类型设定标签3。实 验结果仿真如图14所示。
实验结果如下:
训练集总数:154,第一类故障:50,第二类故障:52,第三类故障: 2;
测试集总数:30,第一类故障:12,第二类故障:12,第三类故障:6;
第一类故障:12,误报:0,准确率100%;
第二类故障:12,误报:0,准确率100%;
第三类故障:6,误报:0,准确率100%。
当浓密机底流管道发生堵塞故障时,通过上节的仿真研究,可以得到 具体的故障类型,针对不同的故障类型,进一步采取针对性措施,具体如 下:
一、当由于矿浆黏度过大,造成浓密机底流管道发生堵塞时,采取措 施如下:立即打开浓密机底流排矿备用泵,随时观察浓密机内压力及底流 流量变化状况;
二、当由于底流浓度过大,造成浓密机底流管道发生堵塞时,采取措 施如下:立即打开浓密机底流排矿备用泵;关闭浓密机入料渣浆泵,使物 料先进精矿泵池(缓冲槽),随时观察浓密机内压力及底流流量变化状况;
三、当由于异物掉入浓密机,造成浓密机底流管道发生塞时,采取措 施如下:立即打开浓密机底流排矿备用泵;关闭浓密机入料渣浆泵,待浓 密机内矿浆排完后,做好停机准备。
本实施例中,湿法冶金浓密机底流管道堵塞故障诊断平台采用两层C/S 框架设计,如图17所示。C/S框架即当下常用的Client/Server(客户机/服务 器)软件系统体系结构,通过将任务合理分配到Client端和Server端,降低 了系统的通讯开销,可以充分利用两段硬件环境的优势。其特点是:由数 据库服务器管理数据和向客户机提供数据,由客户机(前端)显示、访问 和更新数据;所有数据都保存在服务器上,可通过相应的应用程序对数据 进行操作和处理,满足了数据操纵简单和事务处理能力强的要求;客户应 用程序和服务器软件可以放在一台计算机上,但多数情况下放在网络中不 同计算机上,客户软件一般在客户端运行,服务器软件一般在服务器上运 行;两层结构的数据库应用程序和数据分离,因此可以分别开发和维护, 同时也降低了数据库服务器的工作量,减少了网络上的流量,保证了数据 的安全性和完整性。
浓密机底流管道堵塞故障监测与诊断平台的硬件设备主要由四部分组 成:数据服务器、交换机、离线建模计算机和在线监测与故障诊断计算机, 其结构图如图18所示,其功能分别为:
数据源:数据源主要是提供数据给服务器。数据源分为生产现场数据 源和模拟仿真数据源,目前主要采用生产现场数据。
数据库服务器:用于数据采集、数据分发、监测结果的存储和数据库 等功能。
交换机:将服务器和客户端通过以太网连接起来。
客户端:分为建模计算和监测计算机。建模计算机实现从数据服务器 获得离线建模数据,建立SVM检测模型和随机森林诊断模型,并将模型参 数存储至数据库服务器的功能;在线监测与故障诊断计算机则根据数据库 服务器分发的实时数据,通过SVM模型检测程序,对浓密机底流管道运行 状况进行在线监测,如检测出浓密机底流管道出现堵塞故障,则通过随机 森林分类故障诊断程序,确定故障类型,并在界面上报警并显示故障类型。
该平台利用Visual Studio 2010(C#)具有友好可视化编程画面的特点、 MATLABR2014a的强大数值分析和图形显示功能以及SQL Server 2008 R2 数据库的强大数据存取能力。
浓密机底流管道运行监测与故障诊断平台的人机交互界面由C#来编 写完成,这是由于C#具有友好可视化编程画面的特点决定的。C#的效率高 与安全性好:C#的现代化设计能够避免许多在C++编程中常犯的错误;C# 对网络编程新标准的支持:C#编程者可以轻易地在Microsoft.NET平台上构 建应用程序的扩展框架;C#的扩展交互性:C#适合大多数企业应用程序。
浓密机底流管道运行监测与故障诊断平台的数据采用SQL Server 2008 R2进行存储,这主要由其强大数据存储能力决定的。SQL Server 2008 R2 是Microsoft公司在2008年推出的一款数据库。SQL Server是使用客户机、 服务器体系结构的关系型数据库管理系统(RDBMS),它最初由Microsoft、 Sybase和Ashton-Tate等三家公司共同开发,并与1988年推出了第一个OS/2 版本。该软件有如下特点;在数据库开发方面有数据库镜像、在线恢复与检 索、快速恢复、安全性高、数据隔离等特点;在数据库开发方面有.NET框 架主机、XML技术、SQL服务中介、通告服务、报表服务等特点;在商业 智能方面有分析服务、数据挖掘、集群支持、单机单元、预制缓存等特点。
浓密机底流管道运行监测与故障诊断平台的计算部分是通过Matlab来 实现的,这是由于Matlab在复杂运算、矩阵运算和实时图形显示方面的强 大优势决定的。
本发明中,平台软件架构如图19所示,其中服务器端软件结构如图20 所示,其中包括以下几个部分:
1)数据接受功能:能够将数据源的信息(实际现场生产数据)读取到 服务器上并将其存储到服务器数据的指定位置。
2)数据存储功能:具有完善的数据库存储结构和数据库服务器设置, 保证数据存取的通畅。
3)数据分发功能:具有将服务器数据实时分发,并接受客户端传输数 据的能力。
4)数据维护:具有自动建立数据表,自动存储,实现数据库的日常维 护。
5)客户端管理功能:可以对客户端与服务器的连接、连接状态进行管 理和显示。
客户端软件结构如图21所示,客户端软件主要实现用户登录,离线建 模和在线的过程监测与故障诊断功能,并将监测与故障诊断的结果存储至 数据库中。数据库管理系统如图22示。
本实施例实际生产现场数据流向图如图23示。图中数据源的数据是事 发冶金生产现场的实际数据。离线建模的数据由离线建模数据库调取,建 立的离线模型和离线参数存入系统信息数据库,供在线监测和故障诊断调 用。监测数据来自生产现场,数据采集后经数据接收模块存储到服务器数 据库的同时由工业以太网分发给在线监测和故障诊断模块供在线监测,监 测和故障诊断的结果和信息存入服务器中系统信息数据库。
数据服务器具体功能如下:
(1)能够将实际现场生产过程的实时数据进行高速。及时的传输,并 能够对实时数据进行长期高效的历史存储、数据维护;
(2)连接工厂控制层和故障监测、诊断平台的桥梁,能够实现和工厂 控制层之间数据的双向传输;
(3)数据库管理功能,包括系统配置与管理、数据库的查询和操纵功 能,数据导入/导出管理。
湿法冶金浓密压滤智能协调控制系统平台开始时显示浓密压滤过程监 测界面,在此界面上,可以实时显示湿法冶金浓密洗涤环节各个部分的运 行状况,如浓密机的运行状态及内部的压力,各个渣浆泵的运行状态等。 在浓密压滤协调控制系统中,还包括数据统计界面、故障检测界面、系统 设置界面等。
浓密-压滤过程界面实现各部分运行状况的实时显示,故障检测界面对 浓密机底流流量和浓密机内的压力进行实时曲线显示和底流管道堵塞故障 报警。当浓密机底流管道发生堵塞时,故障检测界面会弹出对话框,显示 “底流管道发生堵塞!”提示文字,报警灯进行闪烁。此时切换到故障诊断 界面,该界面此时会显示故障类型,并提示生产现场工程人员采取何种故 障处理措施。
Claims (10)
1.一种湿法冶金浓密洗涤过程的故障监测方法,其特征在于包括以下步骤:
1)确定故障状态及影响因素,提取故障特征,采集用于选定训练集和测试集的样本数据;
2)为建模和在线监测需要,对采集的三维矩阵数据进行预处理,得到二维数据阵;
3)根据二维数据阵,为进行样本训练,得到训练集;
4)将训练集对SVM分类器进行训练,得到一个训练好的基于SVM的浓密机底流管道堵塞故障检测模型;
5)用得到的检测模型对测试集进行标签预测,辅助实际决策和控制,或与实际结果比较,调整支持向量机分类器的参数。
2.根据权利要求1所述的湿法冶金浓密洗涤过程的故障监测方法,其特征在于步骤2)中对采集数据进行预处理为:
将被训练的样本数据输入,进行数据归一化处理,
其中,x为原始数据,y为归一化后的数据,xmax为原始数据中的最大值,xmin为原始数据中的最小值。
3.根据权利要求1所述的湿法冶金浓密洗涤过程的故障监测方法,其特征在于步骤4)中将训练集对SVM分类器进行训练,得到一个训练好的基于SVM的浓密机底流管道堵塞故障检测模型为:
采用径向基函数做为核函数:
其中,xi为特征向量,σ为核函数参数,x为输入向量;
该径向基核函数的每个基函数中心对应一个支持向量,网络结构及其网络权值由算法自动确定。
4.根据权利要求1所述的湿法冶金浓密洗涤过程的故障监测方法,其特征在于步骤5)中还包括:用得到的检测模型对测试集进行标签预测,并与实际结果比较,调整支持向量机分类器的参数。
5.一种湿法冶金浓密洗涤过程的故障诊断方法,其特征在于包括以下步骤:
采用支持向量机(SVM)方法对浓密机底流管道运行状况进行实时监测时,当检测出管道堵塞故障,采用随机森林分类方法对故障进行诊断,确定故障类型,进一步采取针对性措施;
对故障进行诊断包括以下步骤:
1)分析浓密洗涤工业过程,当浓密机底流管道发生堵塞时,确定故障类型及影响因素,即提取每一类故障特征;
2)样本数据采集,从生产现场历史数据库获取历史数据,经数据分析、生产现场实际过程分析和现场专家知识调查,确定历史故障时间段,得到训练数据和测试数据,进一步得到训练样本和测试样本;
3)样本训练,将每类故障设定一个标签,并将训练样本输入,得到一个训练好的基于随机森林分类的浓密机底流管道堵塞故障诊断模型;
4)检验测试,将需测试样本输入到诊断模型,输出诊断结果,来辅助实际决策和控制;
对故障进行诊断还包括以下步骤:将输出诊断结果与实际结果比较,调整随机森林分类器的参数。
6.根据权利要求5所述的湿法冶金浓密洗涤过程的故障诊断方法,其特征在于步骤1)中确定故障类型为三类,第一类为矿浆黏度过大,第二类为底流浓度过大,第三类为异物掉入浓密机。
7.根据权利要求5所述的湿法冶金浓密洗涤过程的故障诊断方法,其特征在于步骤2)中还包括:
对训练样本结合间歇过程数据特点进行标准化处理,将三维数据按照D展开方式,即保留操作周期而将时间和过程变量两个维数上的数据糅合在一起,构成二维矩阵X(I×JK),其每一行包含一次操作周期内的所有数据;
标准化处理如下:
其中,为标准化后的数据;为采集数据的平均值;sjk为数据的方差,I为操作周期,i为当前操作次数。
8.根据权利要求5所述的湿法冶金浓密洗涤过程的故障诊断方法,其特征在于步骤3)中将随机森林分类通过粒子群优化随机森林算法进行参数优化,步骤为:
301)确定粒子群算法的初始参数,随机设定随机森林生成一棵树所随机选取的属性特征数量m和最终生成的决策树数量n;
302)确定训练数据集、测试集,利用Bagging集成学习理论训练得到随机森林中的决策树分类器;用测试集数据,经过随机森林算法进行分类,计算随机森林分类准确率;
303)将随机森林分类准确率作为粒子群算法的目标函数,采用粒子群算法对属性特征数量m和最终生成的决策树数量n进行迭代优化,选取确定最终模型的参数并生成随机森林模型。
9.根据权利要求8所述的湿法冶金浓密洗涤过程的故障诊断方法,其特征在于:优化后参数m为38,n为150。
10.根据权利要求8所述的湿法冶金浓密洗涤过程的故障诊断方法,其特征在于步骤301)中,对步骤301)中的初始参数为:粒子群大小、初始位置以及初始速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810344519.XA CN108734197A (zh) | 2018-04-17 | 2018-04-17 | 一种湿法冶金浓密洗涤过程的故障监测与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810344519.XA CN108734197A (zh) | 2018-04-17 | 2018-04-17 | 一种湿法冶金浓密洗涤过程的故障监测与诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108734197A true CN108734197A (zh) | 2018-11-02 |
Family
ID=63938980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810344519.XA Pending CN108734197A (zh) | 2018-04-17 | 2018-04-17 | 一种湿法冶金浓密洗涤过程的故障监测与诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734197A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597401A (zh) * | 2018-12-06 | 2019-04-09 | 华中科技大学 | 一种基于数据驱动的设备故障诊断方法 |
CN109657945A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 一种基于数据驱动的工业生产过程故障诊断方法 |
CN109784561A (zh) * | 2019-01-15 | 2019-05-21 | 北京科技大学 | 一种基于集成学习的浓密机底流浓度预测方法 |
CN110132823A (zh) * | 2019-05-15 | 2019-08-16 | 林伟阳 | 一种基于模板匹配与查找轮廓的细胞计数方法 |
CN110245595A (zh) * | 2019-06-05 | 2019-09-17 | 重庆邮电大学 | 基于时频谱图和二维主成分分析的机械轴承故障诊断方法 |
CN110276128A (zh) * | 2019-06-21 | 2019-09-24 | 东北大学 | 一种基于dajypls算法的浓密机底流浓度预测方法 |
CN112326283A (zh) * | 2020-10-16 | 2021-02-05 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种基于小波分析的浓密机底流堵塞故障诊断方法 |
CN114881178A (zh) * | 2022-07-08 | 2022-08-09 | 天津市天锻压力机有限公司 | 一种锻造液压机的故障自识别与诊断方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503459A (zh) * | 2016-10-26 | 2017-03-15 | 南京信息工程大学 | 一种改进随机森林气温数据质量控制方法 |
CN106650815A (zh) * | 2016-12-28 | 2017-05-10 | 北京航天测控技术有限公司 | 动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置 |
CN107065834A (zh) * | 2017-05-25 | 2017-08-18 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
CN107169658A (zh) * | 2017-05-18 | 2017-09-15 | 东北大学 | 基于可信度的湿法冶金浓密机的故障诊断方法 |
CN107218518A (zh) * | 2017-04-17 | 2017-09-29 | 昆明理工大学 | 一种用于排水管道堵塞故障的检测装置的检测方法 |
CN107355686A (zh) * | 2017-06-09 | 2017-11-17 | 昆明理工大学 | 一种排水管道堵塞故障的检测方法 |
-
2018
- 2018-04-17 CN CN201810344519.XA patent/CN108734197A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503459A (zh) * | 2016-10-26 | 2017-03-15 | 南京信息工程大学 | 一种改进随机森林气温数据质量控制方法 |
CN106650815A (zh) * | 2016-12-28 | 2017-05-10 | 北京航天测控技术有限公司 | 动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置 |
CN107218518A (zh) * | 2017-04-17 | 2017-09-29 | 昆明理工大学 | 一种用于排水管道堵塞故障的检测装置的检测方法 |
CN107169658A (zh) * | 2017-05-18 | 2017-09-15 | 东北大学 | 基于可信度的湿法冶金浓密机的故障诊断方法 |
CN107065834A (zh) * | 2017-05-25 | 2017-08-18 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
CN107355686A (zh) * | 2017-06-09 | 2017-11-17 | 昆明理工大学 | 一种排水管道堵塞故障的检测方法 |
Non-Patent Citations (2)
Title |
---|
常鹏 等: "《间歇过程统计建模及故障诊断研究 基于数据驱动角度》", 31 January 2018 * |
闫菁 等: "LMD特征融合与SVM的供水管道堵塞识别", 《传感器与微系统》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597401A (zh) * | 2018-12-06 | 2019-04-09 | 华中科技大学 | 一种基于数据驱动的设备故障诊断方法 |
CN109657945A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 一种基于数据驱动的工业生产过程故障诊断方法 |
CN109597401B (zh) * | 2018-12-06 | 2020-09-08 | 华中科技大学 | 一种基于数据驱动的设备故障诊断方法 |
CN109784561A (zh) * | 2019-01-15 | 2019-05-21 | 北京科技大学 | 一种基于集成学习的浓密机底流浓度预测方法 |
CN110132823A (zh) * | 2019-05-15 | 2019-08-16 | 林伟阳 | 一种基于模板匹配与查找轮廓的细胞计数方法 |
CN110245595A (zh) * | 2019-06-05 | 2019-09-17 | 重庆邮电大学 | 基于时频谱图和二维主成分分析的机械轴承故障诊断方法 |
CN110276128A (zh) * | 2019-06-21 | 2019-09-24 | 东北大学 | 一种基于dajypls算法的浓密机底流浓度预测方法 |
CN112326283A (zh) * | 2020-10-16 | 2021-02-05 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种基于小波分析的浓密机底流堵塞故障诊断方法 |
CN114881178A (zh) * | 2022-07-08 | 2022-08-09 | 天津市天锻压力机有限公司 | 一种锻造液压机的故障自识别与诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734197A (zh) | 一种湿法冶金浓密洗涤过程的故障监测与诊断方法 | |
CN109784561A (zh) | 一种基于集成学习的浓密机底流浓度预测方法 | |
CN101183260A (zh) | 选矿全流程自动控制方法 | |
CN102109846A (zh) | 中药生产自动化智能控制方法 | |
CN107065834B (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
CN102361014A (zh) | 大规模半导体制造过程的状态监控与故障诊断方法 | |
CN101446827A (zh) | 一种流程工业系统的过程故障分析装置及方法 | |
CN107169658B (zh) | 基于可信度的湿法冶金浓密机的故障诊断方法 | |
CN105278520A (zh) | 基于t-kprm复杂工业过程运行状态评价方法及应用 | |
CN100362440C (zh) | 稀土串级萃取分离智能控制系统及方法 | |
CN104298187B (zh) | 金湿法冶金全流程三层结构过程监测方法 | |
CN108375965A (zh) | 一种基于多变量块交叉相关性剔除的非高斯过程监测方法 | |
CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
CN115657541A (zh) | 一种基于数字孪生精细化建模的空压机监管系统及方法 | |
CN109359662A (zh) | 一种面向百万千瓦超超临界机组非平稳特性的基于因果分析的多层贝叶斯网络故障诊断方法 | |
Stefaniak et al. | Computerised decision-making support system based on data fusion for machinery system’s management and maintenance | |
CN101805071A (zh) | 一种污水处理工艺监督控制方法 | |
CN109240264A (zh) | 一种基于lstm神经网络的制浆过程能耗预测方法 | |
Jiang et al. | Real-time intelligent elevator monitoring and diagnosis: Case studies and solutions with applications using artificial intelligence | |
CN116586199A (zh) | 一种用于黄金尾矿处理的浮选控制系统 | |
DE202020106846U1 (de) | Ein automatisches Überwachungssystem zur Umkehrosmose-Meerwasserentsalzung unter Verwendung einer Energierückgewinnungsvorrichtung vom Turbinentyp | |
CN202677159U (zh) | 一种轮胎硫化群控系统 | |
CN106950946A (zh) | 一种基于优化原则的湿法冶金异常控制方法 | |
CN113323699B (zh) | 一种基于数据驱动的液压支架系统故障源精准辨识方法 | |
Shepherd et al. | Cloud-based artificial intelligence analytics to assess combined sewer overflow performance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |
|
RJ01 | Rejection of invention patent application after publication |