CN110276128A - 一种基于dajypls算法的浓密机底流浓度预测方法 - Google Patents
一种基于dajypls算法的浓密机底流浓度预测方法 Download PDFInfo
- Publication number
- CN110276128A CN110276128A CN201910541282.9A CN201910541282A CN110276128A CN 110276128 A CN110276128 A CN 110276128A CN 201910541282 A CN201910541282 A CN 201910541282A CN 110276128 A CN110276128 A CN 110276128A
- Authority
- CN
- China
- Prior art keywords
- matrix
- source domain
- data
- aiming field
- dajypls
- 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.)
- Granted
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明提供一种基于DAJYPLS算法的浓密机底流浓度预测方法,涉及湿法冶金技术领域。本发明步骤如下:步骤1:确定建立模型所需的数据集;步骤2:对数据集中数据标准化处理;步骤3:基于JYPLS算法建立DAJYPLS预测模型;步骤4:对于目标域给定新样本xnew,DAJYPLS预测模型输出浓度预测值该方法可实现当现场采样数据较少时,仍可以建立出准确的预测模型,以协助操作员进行控制,保证浓密脱水过程安全、稳定运行,提高综合经济效益,同时减少压滤机的故障率。
Description
技术领域
本发明涉及湿法冶金技术领域,尤其涉及一种基于域适应联合输出偏最小二乘(DAJYPLS)算法的浓密机底流浓度预测方法。
背景技术
随着国家的快速发展,工业化、城镇化进程的不断推进,对矿物资源的不断开发利用,高品位矿石正在逐步减少,金属资源日益枯竭。业界不得不越来越多地面临从贫、细、杂矿石中回收矿物资源的问题,矿产资源供给面临空前的压力。如何经济高效地利用低品位有色金属矿物资源生产金属产品,对我国的可持续发展具有重要意义。而湿法冶金工艺正具有可处理低品位复杂矿石、生产高效、低排放等优点,在有色金属冶炼领域有着越来越广泛的应用。提高湿法冶金生产流程的自动化水平,实现湿法冶金全流程优化控制已成为我国业界亟需解决的重要问题。
矿物加工是典型的流程工业过程,其生产机理复杂,工序环节众多,各个工序相互影响,相互耦合。浓密脱水工序是其中一道非常重要的工序,浓密机是该过程的关键设备。浓密机底流浓度的控制是浓密脱水生产过程中的关键,由于浓密机底流浓度反应了浓密机浓密过程效果及浓密机运行状况,底流浓度过高会导致浓密机压耙、底流管道堵塞等,底流浓度过低或造成浓密脱水过程中能耗增加、压滤机等设备台效降低、生产效率降低、增加压滤机滤布损耗等,所以对浓密机底流浓度进行合理的控制,使其底流浓度在设定范围内变化尤为重要。因此需要对浓密机底流浓度进行实时监测,但是实际工业现场很难完成对浓密机底流浓度进行在线实时监测,所以引入软测量技术进行质量预报。
目前质量预测方法主要有两大类,一类是基于机理建模的方法;另一类是基于数据驱动的方法,例如回归分析法和人工神经元网络。基于机理建模的方法建立在事先对工业过程有充分了解的基础上,在面对具有强非线性和模型不确定性的工业过程时,往往难以完成机理建模;而基于数据驱动的方法主要依据过程的可测数据,建模过程并不依赖于过程自身的机理。基于回归分析法的质量预测方法通过对工业生产过程中积累的历史数据进行回归分析,离线的建立质量的预测模型,并进行在线质量预测,其中的偏最小二乘方法(PLS)应用最为广泛。
基于偏最小二乘的质量预测方法使用成分提取的方法建立质量预测模型。在进行主成分提取时,同时考虑输入数据信息和输出数据信息,保证从输入数据和输出数据中所提取出的主成分之间相关性最大,用提取出的主成分进行回归建模。偏最小二乘算法具有运算复杂度较低,解释效果较好等优点。上几种方法都是建立在拥有充足数据样本的基础上,对于一个刚投入生产的新批次生产过程,由于生产过程运行的时间较短,通常无法获得充足的过程数据。如果采用类似于上述的建模方法,所建立的预测模型往往预测精度较低无法满足生产需求。而按照传统方法就必须重新设计实验以获取过程数据,这将耗费大量的人力财力,建模效率低下,严重拖慢了新过程实现生产运行优化的速度,不利于企业实时调整生产策略与扩大生产规模。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于DAJYPLS算法的浓密机底流浓度预测方法,可实现当现场采样数据较少时,仍可以建立出准确的预测模型,以协助操作员进行控制,保证浓密脱水过程安全、稳定运行,提高综合经济效益,同时减少压滤机的故障率。
为解决上述技术问题,本发明所采取的技术方案是:
本发明提供一种基于DAJYPLS算法的浓密机底流浓度预测方法,包括如下步骤:
步骤1:确定建立模型所需的数据集;所述数据集包括源域数据和目标域数据;将当前工业现场称为目标域,将与当前工业现场情况相似的已稳定运行一段时间的工业现场称为源域;获取源域与目标域中输出质量指标一致的数据作为数据集;所述输出质量指标为浓密机底流浓度;
步骤1.1:在源域数据库中筛选出与当前工业现场情况相似的稳定数据集作为源域数据;源域数据包括输入矩阵输出矩阵其中ms,ns分别是源域输入、输出矩阵的变量维度,ls是源域样本数量,R代表实数;
步骤1.2:在目标域中将离线测量样本值作为目标域数据;目标域数据包括输入矩阵输出矩阵其中mt,nt分别是目标域输入、输出矩阵的变量维度,lt是目标域样本数量;
步骤2:对源域数据中的Xs、Ys以及目标域数据中的Xt、Yt进行标准化处理,即对矩阵中的各列进行零均值和单位方差处理;得出Xt的均值μxt,标准差σxt;Yt的均值μyt,标准差σyt;其中, 代表Xt中第k个输入变量所对应的均值,代表Xt中第k个输入变量所对应的标准差,其中k=1,…,mt;
步骤3:基于JYPLS算法建立DAJYPLS预测模型;
建立JYPLS预测模型:
Xs=TsPs T+Exs (2)
Xt=TtPt T+Ext (3)
Ts=XsWs (4)
Tt=XtWt (5)
其中,YJ为联合质量指标矩阵,为联合质量指标矩阵YJ的载荷矩阵,(*)T代表(*)的转置,分别为源域和目标域输入矩阵的得分矩阵,分别为源域和目标域输入矩阵的载荷矩阵,分别为源域和目标域输入矩阵的权值矩阵。表示YJ的预测误差,分别为Xs,Xt的预测误差。其中,A是隐变量空间中变量的个数,并要求ns=nt;
构造目标函数,求解源域和目标域输入矩阵的权值矩阵Ws,Wt;
目标函数构造如下,求解
s.t.wi(wi)T=1
其中,i=1,…,A,μi为罚因子, 为源域输入矩阵的权值向量,为目标域输入矩阵的权值向量;为源域得分向量,为目标域得分向量;cov(·)表示协方差,var(·)表示方差;
结合式(4),(5),引入拉格朗日乘子λ,代入式(6)得
其中
将式(7)对wi求导令其为零得出:
Σwi=λwi (10)
当λ为式(10)的最大特征值时对应的特征向量wi为最优解,将得到的wi代入式(1)-(5),求解出模型参数;这种求解模型参数的方法称为DAJYPLS算法;
求解DAJYPLS算法中参数的具体步骤为:
步骤3.1:令i=1;
步骤3.2:对Σ进行奇异值分解,得到权值矩阵wi;
步骤3.3:求源域和目标域得分向量
步骤3.4:求联合载荷向量
步骤3.5:求源域和目标域载荷向量
步骤3.6:求残差,
步骤3.7:若i=A,顺序执行步骤3.8;否则i=i+1,循环返回到步骤3.2;
步骤3.8:计算权值矩阵最终得出Ws、Wt、QJ;
步骤4:对于目标域给定新样本xnew,DAJYPLS预测模型输出浓度预测值
步骤4的具体步骤如下:
步骤4.1:对xnew进行标准化处理,
步骤4.2:计算模型输出浓度预测值
采用上述技术方案所产生的有益效果在于:本发明提供的一种基于DAJYPLS算法的浓密机底流浓度预测方法,相比现有技术,本发明的一种DAJYPLS浓密机底流浓度预测方法,该方法在JYPLS数学模型基础上加入修正项重新构建目标函数,实现了得分矩阵与输出矩阵之间协方差最大化和隐变量空间中源域与目标域数据经验分布差异最小化之间的权衡。通过将相似过程中已有的历史数据信息迁移应用到新过程中,解决了新过程难以建立预测模型的问题;与直接利用新过程数据建模的普通偏最小二乘方法相比,该方法能够加快建模速度,提高预测精度,使得新的生产过程能够快速投入生产;与JYPLS迁移学习方法相比,DAJYPLS方法也较大幅度提高了预测精度。本方法并不需要两个过程完全相同,对于输入矩阵的变量数与样本数,该方法不做任何限制。然而由于需要将相似过程的输出数据矩阵联合起来,输出矩阵的变量数目和属性必须相同。本发明针对某浓密机现场数据进行了仿真实验研究,可实现当现场采样数据较少时,仍可以建立出准确的预测模型,以协助操作员进行控制,保证浓密脱水过程安全、稳定运行,提高综合经济效益,同时减少压滤机的故障率。
附图说明
图1为本发明实施例提供的软测量系统装置图,其中1代表软测量系统的显示模块,2代表软测量系统的算法模块,3代表软测量系统的数据传输模块,4代表软测量系统的数据采集模块,5代表浓密机行走架,6代表压力传感器1,7代表压力传感器2,8代表压力传感器3,9代表钢缆,10代表电缆,11代表配重;
图2为本发明实施例提供的浓密机底流浓度预测方法流程图;
图3为本发明实施例提供的源域输入变量△Pa12、△Pa23的示意图;
图4为本发明实施例提供的现场A的软测量模型在线测量的源域输出变量底流浓度值的示意图;
图5为本发明实施例提供的目标域输入变量△Pb12、△Pb23的示意图;
图6为本发明实施例提供的目标域现场B的离线测量的输出变量底流浓度值的示意图;
图7为本发明实施例提供的三种建模方法预测结果对比图;
图8为本发明实施例提供的三种方法预测结果的相对误差结果图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本申结合具体实例对发明内容在现场采集工业数据下进行了仿真实验,验证所提出的预测方法的有效性。以下将进行实施实例介绍:
由先验知识得到压力与底流浓度的关系:
CUF=a1+a2△P12+a3△P23+a4△P12·△P23+a5△P23 2 (11)
△P12=P2-P1 (12)
△P23=P3-P2 (13)
其中,P1,P2和P3为压力传感器1、压力传感器2、压力传感器3的值,CUF为底流浓度,a1、a2、a3、a4、a5分别代表待确定的回归系数;
由式(11)可知输入变量为△P12,△P23,△P12·△P23,△P23 2,输出变量为底流浓度CUF;
实际的生产过程中,操作条件的改变或者新生产线的建立都将使原先建立的预测模型失效,然而由于新旧过程的内在机理的是一致的,它们之间必然存在一定的相似性。如果能够采用某种策略,利用相似过程中有用的数据信息来帮助新过程建模,将能够避免进行大量的重复试验,提高建模效率。
本申以两个工业现场浓密机设备为例进行研究,两现场的软测量系统装置示意图如图1所示,某选矿现场A浓密机设备已经运营一段时间,且浓密机底流浓度软测量系统已经稳定运营一定时间,据现场反馈信息,其浓密机底流浓度在线预测质量完全符合工业现场需求,故将现场A数据作为源域数据。
由于工业需求,某选矿现场B需要引入软测量技术对浓密机底流浓度进行在线实时监测,但是由于现场B的矿石与现场A的矿石之间存在一些差异,所以浓密机入料情况发生改变,外加两个现场其他因素也存在一定的差异,因此不能够直接采用现场A所建立起的软测量模型,需要对现场B重新建模进行底流浓度在线预测。然而每次搭建一个软测量模型都需要耗费大量的时间和财力进行数据采集。为了快速准确建立预测模型,引入迁移学习方法。
如图2所示,本实施例的方法如下所述。
本发明提供一种基于DAJYPLS算法的浓密机底流浓度预测方法,本发明以两台浓密机为例。采用两套相似的生产设备,各自的内部参数设置不同,分别进行A过程和B过程两个生产过程,其中A过程的生产时间长且数据完备,而B过程是全新的生产过程数据少。包括如下步骤:
步骤1:确定建立模型所需的数据集;所述数据集包括源域数据和目标域数据;将当前工业现场称为目标域,将与当前工业现场情况相似的已稳定运行一段时间的工业现场称为源域;获取源域与目标域中输出质量指标一致的数据作为数据集;所述输出质量指标为浓密机底流浓度;
步骤1.1:在源域数据库中筛选出与当前工业现场情况相似的稳定数据集作为源域数据;源域数据包括输入矩阵输出矩阵其中ms,ns分别是源域输入、输出矩阵的变量维度,ls是源域样本数量,R代表实数;
步骤1.2:在目标域中将离线测量样本值作为目标域数据;目标域数据包括输入矩阵输出矩阵其中mt,nt分别是目标域输入、输出矩阵的变量维度,lt是目标域样本数量;
本实施例中在现场A选取300组样本数据作为源域数据,现场B共离线采集88组数据,将其中26组作为目标域数据,利用源域和目标域数据作为训练数据进行建模,现场B其余62组数据作为测试数据用于预测;源域和目标域输入输出数据如图3-图6所示;其中图3为源域输入,图4为源域输出,图5为目标域输入,图6为目标域输出;
步骤2:对源域数据中的Xs、Ys以及目标域数据中的Xt、Yt进行标准化处理,即对矩阵中的各列进行零均值和单位方差处理;得出Xt的均值μxt,标准差σxt;Yt的均值μyt,标准差σyt;其中, 代表Xt中第k个输入变量所对应的均值,代表Xt中第k个输入变量所对应的标准差,其中k=1,…,mt;
步骤3:基于JYPLS算法建立DAJYPLS预测模型;
建立JYPLS预测模型:
Xs=TsPs T+Exs (2)
Xt=TtPt T+Ext (3)
Ts=XsWs (4)
Tt=XtWt (5)
其中,YJ为联合质量指标矩阵,为联合质量指标矩阵YJ的载荷矩阵,(*)T代表(*)的转置,分别为源域和目标域输入矩阵的得分矩阵,分别为源域和目标域输入矩阵的载荷矩阵,分别为源域和目标域输入矩阵的权值矩阵。表示YJ的预测误差,分别为Xs,Xt的预测误差。其中,A是隐变量空间中变量的个数,并要求ns=nt;
构造目标函数,求解源域和目标域输入矩阵的权值矩阵Ws,Wt;
目标函数构造如下,求解
s.t.wi(wi)T=1
其中,i=1,…,A,μi为罚因子, 为源域输入矩阵的权值向量,为目标域输入矩阵的权值向量;为源域得分向量,为目标域得分向量;cov(·)表示协方差,var(·)表示方差;
结合式(4),(5),引入拉格朗日乘子λ,代入式(6)得
其中
将式(7)对wi求导令其为零得出:
Σwi=λwi (10)
当λ为式(10)的最大特征值时对应的特征向量wi为最优解,将得到的wi代入式(1)-(5),便可求解出模型参数;这种求解模型参数的方法称为DAJYPLS算法;
求解DAJYPLS算法中参数的具体步骤为:
步骤3.1:令i=1;
步骤3.2:对Σ进行奇异值分解,得到权值矩阵wi;
步骤3.3:求源域和目标域得分向量
步骤3.4:求联合载荷向量
步骤3.5:求源域和目标域载荷向量
步骤3.6:求残差,
步骤3.7:若i=A,顺序执行步骤3.8;否则i=i+1,循环返回到步骤3.2;
步骤3.8:计算权值矩阵最终得出Ws、Wt、QJ;
步骤4:对于目标域给定新样本xnew,DAJYPLS预测模型输出浓度预测值具体步骤如下:
步骤4.1:对xnew进行标准化处理,
步骤4.2:计算模型输出预测值
由步骤4.2知
这是DAJYPLS算法后的预测模型,然后和浓密机软测量模型
CUF=a1+a2△P12+a3△P23+a4△P12·△P23+a5△P23 2
结合起来就是这样
xnew=[△P12,△P23,△P12·△P23,△P23 2]=[x1,x2,x3,x4]
所以
其中代表Wt·QJ T的第个行向量,其中
本实施例中分别采用PLS,JYPLS和DAJYPLS三种方法进行建模预测。为了直观地说明所建立的浓密机底流浓度软测量模型的效果,以底流浓度观测值作为纵坐标,以软测量模型的预测值作为横坐标对余下的62组数据进行预测,结果如图7所示。此外,三种方法预测结果的相对误差结果如图8所示,RMSE、MAE指标见表1。
表1三种方法预测结果RMSE、MAE指标
从具体运行情况来看,本发明的方法很好地解决了对于新的生产过程少样本情况下快速准确建立预测模型的问题。根据具体实例的实验数据可以看出,底流浓度模型预测准确,可以满足实际工业生产的要求。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (2)
1.一种基于DAJYPLS算法的浓密机底流浓度预测方法,其特征在于:包括如下步骤:
步骤1:确定建立模型所需的数据集;所述数据集包括源域数据和目标域数据;将当前工业现场称为目标域,将与当前工业现场情况相似的已稳定运行一段时间的工业现场称为源域;获取源域与目标域中输出质量指标一致的数据作为数据集;所述输出质量指标为浓密机底流浓度;
步骤1.1:在源域数据库中筛选出与当前工业现场情况相似的稳定数据集作为源域数据;源域数据包括输入矩阵输出矩阵其中ms,ns分别是源域输入、输出矩阵的变量维度,ls是源域样本数量,R代表实数;
步骤1.2:在目标域中将离线测量样本值作为目标域数据;目标域数据包括输入矩阵输出矩阵其中mt,nt分别是目标域输入、输出矩阵的变量维度,lt是目标域样本数量;
步骤2:对源域数据中的Xs、Ys以及目标域数据中的Xt、Yt进行标准化处理,即对矩阵中的各列进行零均值和单位方差处理;得出Xt的均值μxt,标准差σxt;Yt的均值μyt,标准差σyt;其中, 代表Xt中第k个输入变量所对应的均值,代表Xt中第k个输入变量所对应的标准差,其中k=1,…,mt;
步骤3:基于JYPLS算法建立DAJYPLS预测模型;
建立JYPLS预测模型:
Xt=TtPt T+Ext (3)
Ts=XsWs (4)
Tt=XtWt (5)
其中,YJ为联合质量指标矩阵,为联合质量指标矩阵YJ的载荷矩阵,(*)T代表(*)的转置,分别为源域和目标域输入矩阵的得分矩阵,分别为源域和目标域输入矩阵的载荷矩阵,分别为源域和目标域输入矩阵的权值矩阵;表示YJ的预测误差,分别为Xs,Xt的预测误差;其中,A是隐变量空间中变量的个数,并要求ns=nt;
构造目标函数,求解源域和目标域输入矩阵的权值矩阵Ws,Wt;
目标函数构造如下,求解
s.t.wi(wi)T=1
其中,i=1,…,A,μi为罚因子, 为源域输入矩阵的权值向量,为目标域输入矩阵的权值向量;为源域得分向量,为目标域得分向量;cov(·)表示协方差,var(·)表示方差;
结合式(4),(5),引入拉格朗日乘子λ,代入式(6)得
其中
将式(7)对wi求导令其为零得出:
Σwi=λwi (10)
当λ为式(10)的最大特征值时对应的特征向量wi为最优解,将得到的wi代入式(1)-(5),求解出模型参数;这种求解模型参数的方法称为DAJYPLS算法;
求解DAJYPLS算法中参数的具体步骤为:
步骤3.1:令i=1;
步骤3.2:对Σ进行奇异值分解,得到权值矩阵wi;
步骤3.3:求源域和目标域得分向量
步骤3.4:求联合载荷向量
步骤3.5:求源域和目标域载荷向量
步骤3.6:求残差,
步骤3.7:若i=A,顺序执行步骤3.8;否则i=i+1,循环返回到步骤3.2;
步骤3.8:计算权值矩阵Wt=Wt(Pt TWt)-1,最终得出Ws、Wt、QJ;
步骤4:对于目标域给定新样本xnew,DAJYPLS预测模型输出浓度预测值
2.根据权利要求1所述的一种基于DAJYPLS算法的浓密机底流浓度预测方法,其特征在于:所述步骤4的具体步骤如下:
步骤4.1:对xnew进行标准化处理
步骤4.2:计算模型输出浓度预测值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910541282.9A CN110276128B (zh) | 2019-06-21 | 2019-06-21 | 一种基于dajypls算法的浓密机底流浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910541282.9A CN110276128B (zh) | 2019-06-21 | 2019-06-21 | 一种基于dajypls算法的浓密机底流浓度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276128A true CN110276128A (zh) | 2019-09-24 |
CN110276128B CN110276128B (zh) | 2023-04-07 |
Family
ID=67961494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910541282.9A Active CN110276128B (zh) | 2019-06-21 | 2019-06-21 | 一种基于dajypls算法的浓密机底流浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276128B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110947237A (zh) * | 2019-11-29 | 2020-04-03 | 北京矿冶科技集团有限公司 | 一种基于浓密机-压滤机生产平衡的协同优化控制方法 |
CN112445136A (zh) * | 2020-12-16 | 2021-03-05 | 北京科技大学 | 一种基于连续时间神经网络的浓密机预测控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104296801A (zh) * | 2014-06-12 | 2015-01-21 | 东北大学 | 湿法冶金浓密洗涤过程关键变量检测方法 |
CN108536979A (zh) * | 2018-04-18 | 2018-09-14 | 东北大学 | 一种基于浓密机机理模型的底流浓度预测方法 |
CN108734197A (zh) * | 2018-04-17 | 2018-11-02 | 东北大学 | 一种湿法冶金浓密洗涤过程的故障监测与诊断方法 |
CN108950203A (zh) * | 2018-08-22 | 2018-12-07 | 东北大学 | 一种浓密脱水工序智能协调优化方法 |
CN109061101A (zh) * | 2018-06-29 | 2018-12-21 | 东北大学 | 浓密机底流浓度、泥层高度、内部矿量软测量装置和方法 |
CN109242194A (zh) * | 2018-09-25 | 2019-01-18 | 东北大学 | 一种基于混合模型的浓密机底流浓度预测方法 |
CN109276945A (zh) * | 2018-10-24 | 2019-01-29 | 东北大学 | 一种浓密脱水过程入料异常工况的自愈控制方法 |
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 |
-
2019
- 2019-06-21 CN CN201910541282.9A patent/CN110276128B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104296801A (zh) * | 2014-06-12 | 2015-01-21 | 东北大学 | 湿法冶金浓密洗涤过程关键变量检测方法 |
CN108734197A (zh) * | 2018-04-17 | 2018-11-02 | 东北大学 | 一种湿法冶金浓密洗涤过程的故障监测与诊断方法 |
CN108536979A (zh) * | 2018-04-18 | 2018-09-14 | 东北大学 | 一种基于浓密机机理模型的底流浓度预测方法 |
CN109061101A (zh) * | 2018-06-29 | 2018-12-21 | 东北大学 | 浓密机底流浓度、泥层高度、内部矿量软测量装置和方法 |
CN108950203A (zh) * | 2018-08-22 | 2018-12-07 | 东北大学 | 一种浓密脱水工序智能协调优化方法 |
CN109242194A (zh) * | 2018-09-25 | 2019-01-18 | 东北大学 | 一种基于混合模型的浓密机底流浓度预测方法 |
CN109276945A (zh) * | 2018-10-24 | 2019-01-29 | 东北大学 | 一种浓密脱水过程入料异常工况的自愈控制方法 |
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 |
Non-Patent Citations (5)
Title |
---|
FEI CHU ET AL.: "Final quality prediction method for new batch processes based on improved JYKPLS process transfer model", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
RAMIN NIKZAD-LANGERODI ET AL.: "Domain-Invariant Partial Least Squares Regression", 《ANALYTICAL CHEMISTRY》 * |
THEODORA KOURTI ET AL.: "Product transfer between sites using Joint-Y PLS", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
王旭: "针对浓密机泥层高度的偏最小二乘建模及其校正方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
王雅琳等: "基于核偏最小二乘的砷盐净化除钴过程钴离子浓度软测量", 《中南大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110947237A (zh) * | 2019-11-29 | 2020-04-03 | 北京矿冶科技集团有限公司 | 一种基于浓密机-压滤机生产平衡的协同优化控制方法 |
CN110947237B (zh) * | 2019-11-29 | 2021-08-06 | 北京矿冶科技集团有限公司 | 一种基于浓密机-压滤机生产平衡的协同优化控制方法 |
CN112445136A (zh) * | 2020-12-16 | 2021-03-05 | 北京科技大学 | 一种基于连续时间神经网络的浓密机预测控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110276128B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109839825B (zh) | 一种稀土萃取过程组分含量的预测控制方法及系统 | |
WO2021007871A1 (zh) | 一种基于云边协同的氧化铝生产运行优化系统及方法 | |
CN110276128A (zh) | 一种基于dajypls算法的浓密机底流浓度预测方法 | |
CN108415393A (zh) | 一种砷化镓产品质量一致性控制方法及系统 | |
Jämsä-Jounela | Future automation systems in context of process systems and minerals engineering | |
CN108265157A (zh) | 智能电弧炉炼钢系统 | |
CN109603617A (zh) | 一种混合匀浆系统及其应用 | |
Yan et al. | Hybrid approach integrating case-based reasoning and Bayesian network for operational adjustment in industrial flotation process | |
CN100370453C (zh) | 稀土串级萃取分离组分含量软测量方法 | |
CN107121490A (zh) | 一种湿法冶金过程中运行状态的评价方法 | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 | |
CN105528621A (zh) | 基于支持向量机的多维度多步骤寿命预测方法 | |
CN104296801A (zh) | 湿法冶金浓密洗涤过程关键变量检测方法 | |
CN105808949B (zh) | 基于泰勒展开的大型模锻压机上横梁速度在线预测方法 | |
CN109902830B (zh) | 基于混沌理论和集成学习的采煤机截割高度预测系统 | |
CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
CN111695300A (zh) | 一种汽轮机阀门流量拟合方法及系统 | |
Bergh et al. | Current status and limitations of copper SX/EW plants control | |
Juuso et al. | Intelligent dynamic simulation of batch cooking | |
Bergh | Combining on-line process measurements and models to empirically test strategies for process monitoring, diagnosis and control | |
CN105573355B (zh) | 分数阶状态空间预测函数控制的储液罐液位控制方法 | |
Peng et al. | Research Status and Prospect of Application of Neural Network in Mineral Processing Prediction | |
KR102417702B1 (ko) | 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 | |
CN111103789B (zh) | 源网荷综合能源调度分析方法、系统及终端设备 | |
CN116385794B (zh) | 基于注意力流转移互蒸馏的机器人巡检缺陷分类方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |