CN111598298A - 一种选煤厂浮选药剂加药量的预测方法 - Google Patents
一种选煤厂浮选药剂加药量的预测方法 Download PDFInfo
- Publication number
- CN111598298A CN111598298A CN202010297836.8A CN202010297836A CN111598298A CN 111598298 A CN111598298 A CN 111598298A CN 202010297836 A CN202010297836 A CN 202010297836A CN 111598298 A CN111598298 A CN 111598298A
- Authority
- CN
- China
- Prior art keywords
- flotation
- hidden layer
- prediction model
- coal preparation
- neural network
- 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
- 238000005188 flotation Methods 0.000 title claims abstract description 47
- 239000003245 coal Substances 0.000 title claims abstract description 23
- 239000003153 chemical reaction reagent Substances 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000002360 preparation method Methods 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 13
- 239000004088 foaming agent Substances 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 239000007788 liquid Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 239000012141 concentrate Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 239000010883 coal ash Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
- B03D1/00—Flotation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
- B03D2203/00—Specified materials treated by the flotation agents; specified applications
- B03D2203/02—Ores
- B03D2203/04—Non-sulfide ores
- B03D2203/08—Coal ores, fly ash or soot
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种选煤厂浮选药剂加药量的预测方法，本发明涉及选煤技术领域，收集选煤厂这些参数一段时间的生产数据；寻找一个较好的训练样本数；计算最佳隐含层节点数所在的区间，并利用寻找BP神经网络的最佳隐含层节点数Nh；再利用Von‑RDPSO算法寻找BP神经网络的最佳初始权值和阈值；进行预测模型的训练；对得到的预测模型进行检验；将处理后的数据输入训练好的预测模型中，输出当前生产条件下捕收剂和起泡剂的加药量；删除样本库中的第一个样本，向样本库添加获取到的新数据。结合现场生产情况筛选出对浮选药剂加药量影响程度较大的因素，通过收集的历史数据建立预测捕收剂和起泡剂加药量的模型，实现指导生产、节约药剂成本的目的。
Description
技术领域
本发明涉及选煤技术领域，具体涉及一种选煤厂浮选药剂加药量的预测方法。
背景技术
煤泥浮选是依据煤和矸石表面润湿性的差异进行分选，是细粒和极细粒物料分选中应用最广、效果最好的一种选煤方法，而浮选加药又是浮选的重要环节、加药的好坏决定了浮选的成败。影响传统浮选药剂添加好坏的因素主要在于浮选生产人员的生产经验以及细心管理程度，眼看、手调、定性操作，既不准确也不及时，影响了浮选产品的数质量指标。虽有文献提出了对加药量的跟踪控制，但都没有指出加药量给定多少合适。近年来，神经网络在预测方面的应用非常广泛，但由于浮选选煤中变量过多，不确定因素大，使用现有的BP神经网络算法很难取得理想的预测效果，而准确的预测结果才能对浮选生产具有指导意义，同时为生产节约药剂成本，因此需要为此研究更好的算法以得到准确的预测值。
发明内容
本发明的目的在于针对现有技术的缺陷和不足，提供一种设计合理的选煤厂浮选药剂加药量的预测方法，结合现场生产情况筛选出对浮选药剂加药量影响程度较大的因素，通过收集的历史数据建立预测捕收剂和起泡剂加药量的模型，实现指导生产、节约药剂成本的目的。
为达到上述目的，本发明采用了下列技术方案：它的操作步骤如下：
步骤一、选择浮选精煤灰分、入浮浓度、浮选机的入料流量、浮选机的清水流量、浮选机液位、浮选入料池液位、浮选精矿池液位、浮选精矿池液位增长速度作为输入参数，输出参数为捕收剂和起泡剂的加药量，收集选煤厂这些参数一段时间的生产数据；
步骤二、训练集和测试集数据的归一化处理；
步骤三、对训练集样本数进行简单二分法遍历寻优，寻找一个较好的训练样本数；
步骤四、计算最佳隐含层节点数所在的区间[a,b]，并利用Von-RDPSO算法寻找BP神经网络的最佳隐含层节点数Nh；
步骤五、在最佳隐含层节点数Nh的基础上，再利用Von-RDPSO算法寻找BP神经网络的最佳初始权值和阈值；
步骤六、利用具有最佳隐含层节点数Nh、最优初始权值和阈值的BP神经网络进行预测模型的训练；
步骤七、对得到的预测模型进行检验，预测模型在测试集上的预测结果的最大误差和累积误差均满足要求则通过检验，否则返回步骤四，继续寻找BP神经网络的最优结构和参数，直至预测模型通过检验；
步骤八、对获取的新数据进行异常判断处理、缺值处理及归一化处理；
步骤九、将处理后的数据输入训练好的预测模型中，输出当前生产条件下捕收剂和起泡剂的加药量；
步骤十、删除样本库中的第一个样本，向样本库添加获取到的新数据。
进一步地，所述的步骤二中的测试集的数目选为20，归一化处理是将数据处理为范围为-1至0的数。
进一步地，所述的步骤十中的样本库的滚动更新使得预测模型具有自适应能力。
进一步地，所述的步骤四中利用Von-RDPSO算法寻找BP神经网络的最佳隐含层节点数的具体步骤如下：选取具有一层隐含层的BP神经网络；联立下面三个公式计算最佳隐含层节点数所在的区间[a,b]：
Nh＝log2 Ni，其中，k为样本数，Ni为输入层节点数，NO为输出层节点数，Nh为隐含层节点数，当i＞Nh时，
α为1至10之间的常数；在区间[a,b]上利用Von-RDPSO算法寻找最佳的隐含层节点数Nh。
采用上述方法后，本发明的有益效果是：本发明提供了一种选煤厂浮选药剂加药量的预测方法，结合现场生产情况筛选出对浮选药剂加药量影响程度较大的因素，通过收集的历史数据建立预测捕收剂和起泡剂加药量的模型，实现指导生产、节约药剂成本的目的。
附图说明：
图1是本发明的结构示意图。
图2是本发明对训练集体本数寻优时的仿真结果图。
图3是具体实施方式预测误差结果统计图。
图4是具体实施方式结果统计表。
具体实施方式：
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-图4所示，本具体实施方式应用于潘集选煤厂浮选1系统中，其具体包括如下步骤：
步骤一、收集选煤厂3个月左右的生产数据；
步骤二、对收集的数据进行异常值判断处理和归一化处理；
步骤三、在MATLAB上对处理后的数据进行初步仿真，对训练集样本数寻优，根据仿真结果选择对药剂加药量影响较大的因素，最终选择浮选精煤灰分、入浮浓度、浮选机的入料流量、浮选机的清水流量、浮选机液位、浮选入料池液位、浮选精矿池液位、浮选精矿池液位增长速度作为输入参数，输出参数为捕收剂和起泡剂的加药量，测试集样本数选为20，训练集样本数最终选择为1248，其仿真结果如图2所示；
步骤四、选取具有一层隐含层的BP神经网络；联立下面三个公式计算最佳隐含层节点数所在的区间[a,b]：
步骤五、在最佳隐含层节点数Nh的基础上，利用Von-RDPSO算法寻找BP神经网络的最佳初始权值和阈值；
步骤六、利用由步骤四和步骤五得到的BP神经网络对训练集进行预测模型的训练；
步骤七、测试集对由步骤六得到的预测模型进行检验，若其捕收剂最大误差不超过4，起泡剂最大误差不超过2，且两者累积误差之和不超过40则预测模型通过检验，否则返回步骤四继续寻找BP神经网络的最优结构和参数，并进行预测模型的训练，直至满足要求；
步骤八、对获取到的生产新数据进行异常判断处理、缺值处理及归一化处理；
步骤九、将处理后的数据输入训练好的预测模型中，输出当前生产条件下捕收剂和起泡剂的加药量；
步骤十、删除样本库中的第一个样本，向样本库添加获取到的新数据；
步骤十一、对潘集选煤厂15天左右的应用结果进行了统计分析，统计结果如图3所示，相对误差绝对值在5％和10％以内的加药量预测值所占比例如图4所示，从图3和图4可以看出除了个别预测值的误差较大外，大部分预测数据的精度基本满足了生产的需求，说明该模型已经具备了对浮选加药量预测的能力。
采用上述方法后，本具体实施方式的有益效果如下：本具体实施方式提供了一种选煤厂浮选药剂加药量的预测方法，结合现场生产情况筛选出对浮选药剂加药量影响程度较大的因素，通过收集的历史数据建立预测捕收剂和起泡剂加药量的模型，实现指导生产、节约药剂成本的目的。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种选煤厂浮选药剂加药量的预测方法，其特征在于：它的操作步骤如下：
步骤(一)、选择浮选精煤灰分、入浮浓度、浮选机的入料流量、浮选机的清水流量、浮选机液位、浮选入料池液位、浮选精矿池液位、浮选精矿池液位增长速度作为输入参数，输出参数为捕收剂和起泡剂的加药量，收集选煤厂这些参数一段时间的生产数据；
步骤(二)、训练集和测试集数据的归一化处理；
步骤(三)、对训练集样本数进行简单二分法遍历寻优，寻找一个较好的训练样本数；
步骤(四)、计算最佳隐含层节点数所在的区间，并利用Von-RDPSO算法寻找BP神经网络的最佳隐含层节点数；
步骤(五)、在最佳隐含层节点数Nh的基础上，再利用Von-RDPSO算法寻找BP神经网络的最佳初始权值和阈值；
步骤(六)、利用具有最佳隐含层节点数Nh、最优初始权值和阈值的BP神经网络进行预测模型的训练；
步骤(七)、对得到的预测模型进行检验，预测模型在测试集上的预测结果的最大误差和累积误差均满足要求则通过检验，否则返回步骤(四)，继续寻找BP神经网络的最优结构和参数，直至预测模型通过检验；
步骤(八)、对获取的新数据进行异常判断处理、缺值处理及归一化处理；
步骤(九)、将处理后的数据输入训练好的预测模型中，输出当前生产条件下捕收剂和起泡剂的加药量；
步骤(十)、删除样本库中的第一个样本，向样本库添加获取到的新数据。
2.根据权利要求1所述的一种选煤厂浮选药剂加药量的预测方法，其特征在于：所述的步骤(二)中的测试集的数目选为20，归一化处理是将数据处理为范围为-1至0的数。
3.根据权利要求1所述的一种选煤厂浮选药剂加药量的预测方法，其特征在于：所述的步骤(四)中利用Von-RDPSO算法寻找BP神经网络的最佳隐含层节点数的具体步骤如下：选取具有一层隐含层的BP神经网络；联立下面三个公式计算最佳隐含层节点数所在的区间：
4.根据权利要求1所述的一种选煤厂浮选药剂加药量的预测方法，其特征在于：所述的步骤(十)中的样本库的滚动更新使得预测模型具有自适应能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010297836.8A CN111598298A (zh) | 2020-04-16 | 2020-04-16 | 一种选煤厂浮选药剂加药量的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010297836.8A CN111598298A (zh) | 2020-04-16 | 2020-04-16 | 一种选煤厂浮选药剂加药量的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111598298A true CN111598298A (zh) | 2020-08-28 |
Family
ID=72183342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010297836.8A Pending CN111598298A (zh) | 2020-04-16 | 2020-04-16 | 一种选煤厂浮选药剂加药量的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598298A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128126A (zh) * | 2021-04-26 | 2021-07-16 | 湖南理工学院 | 一种基于生成对抗网络的浮选加药过程的建模方法 |
| CN113448245A (zh) * | 2021-04-14 | 2021-09-28 | 华南师范大学 | 一种基于深度学习的污水处理过程溶解氧控制方法及系统 |
| CN114130525A (zh) * | 2021-11-29 | 2022-03-04 | 湖南柿竹园有色金属有限责任公司 | 一种选矿设备控制方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519770A (zh) * | 2018-04-27 | 2018-09-11 | 东北大学 | 一种浮选过程运行控制的实验平台 |
| CN108520380A (zh) * | 2018-04-10 | 2018-09-11 | 东华大学 | 一种基于改进的bp神经网络的库存预测方法 |
| CN110220908A (zh) * | 2019-07-02 | 2019-09-10 | 太原理工大学 | 一种浮选精煤灰分的在线检测系统及其在线检测方法 |
| CN110516954A (zh) * | 2019-08-23 | 2019-11-29 | 昆明理工大学 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
-
2020
- 2020-04-16 CN CN202010297836.8A patent/CN111598298A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520380A (zh) * | 2018-04-10 | 2018-09-11 | 东华大学 | 一种基于改进的bp神经网络的库存预测方法 |
| CN108519770A (zh) * | 2018-04-27 | 2018-09-11 | 东北大学 | 一种浮选过程运行控制的实验平台 |
| CN110220908A (zh) * | 2019-07-02 | 2019-09-10 | 太原理工大学 | 一种浮选精煤灰分的在线检测系统及其在线检测方法 |
| CN110516954A (zh) * | 2019-08-23 | 2019-11-29 | 昆明理工大学 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨晓鸿等: "浮选加药量预测模型的研究", 《选煤技术》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113448245A (zh) * | 2021-04-14 | 2021-09-28 | 华南师范大学 | 一种基于深度学习的污水处理过程溶解氧控制方法及系统 |
| CN113128126A (zh) * | 2021-04-26 | 2021-07-16 | 湖南理工学院 | 一种基于生成对抗网络的浮选加药过程的建模方法 |
| CN113128126B (zh) * | 2021-04-26 | 2022-06-10 | 湖南理工学院 | 一种基于生成对抗网络的浮选加药过程的建模方法 |
| CN114130525A (zh) * | 2021-11-29 | 2022-03-04 | 湖南柿竹园有色金属有限责任公司 | 一种选矿设备控制方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598298A (zh) | 一种选煤厂浮选药剂加药量的预测方法 | |
| CN105486831B (zh) | 一种钢卷质量检测系统 | |
| CN110737874B (zh) | 一种基于空间关系的流域水质监测异常值检测方法 | |
| CN111275307A (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
| CN109858029A (zh) | 一种提高语料整体质量的数据预处理方法 | |
| CN110309609A (zh) | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 | |
| CN111126865B (zh) | 一种基于科技大数据的技术成熟度判断方法和系统 | |
| CN105628646B (zh) | 一种卷烟在线焦油预测及预警方法 | |
| CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
| CN111724203B (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
| CN108614536B (zh) | 一种卷烟制丝工艺关键因素的复杂网络构建方法 | |
| CN114677052A (zh) | 基于tarch模型的天然气负荷波动非对称性分析方法及系统 | |
| CN112861076A (zh) | 一种基于线性回归模型的铂钯品位的预测方法 | |
| CN114154686A (zh) | 一种基于集成学习的大坝变形预测方法 | |
| CN113946621A (zh) | 一种基于关联规则的制丝车间数据波动关系的挖掘方法 | |
| CN109298999B (zh) | 一种基于数据分布特征的核心化软件测试方法和装置 | |
| CN108614547B (zh) | 一种基于削减因子的工业控制协议安全评估方法 | |
| CN109920490B (zh) | 一种氧化铝生产蒸发过程鲁棒动态数据校正方法及其系统 | |
| Siregar et al. | Distribution Testing On The Average Room Occupancy Rate Of Hotels By Province In 2013-2017 | |
| CN117368434A (zh) | 一种基于大数据的水质监测系统 | |
| CN114757412A (zh) | 一种基于聚类分析耦合神经网络预测的不良数据辨识方法 | |
| CN118016181A (zh) | 定量描述三元复合驱采出井结垢程度的方法 | |
| CN117648353A (zh) | 一种全网舆情监测方法 | |
| CN114881290A (zh) | 一种基于数理统计分析耦合神经网络预测的不良数据辨识方法 | |
| CN104331592B (zh) | 一种基于收敛cev的威布尔型截尾特性控制图的制作方法 |
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: 20200828 |
|
| RJ01 | Rejection of invention patent application after publication |