基于混合模型的浓密洗涤过程关键变量预测

摘要

资源问题已经成为我国可持续发展战略的根本问题，由于对矿物资源的大量开发利用，使得我国具有经济价值的高品位矿石正在迅速减少，金属资源枯竭形势十分严峻;而另一方面，我国却蕴藏着大量的低品位有色金属资源。如何利用低品位有色金属资源对可持续发展有着重要意义。湿法冶金能够处理复杂矿、低品位矿等，并且对环境污染较少，因此，得到了广泛的应用。
　　浓密洗涤过程是湿法冶金过程的一道关键工序，其底流浓度是衡量浓密洗涤过程质量的关键指标。目前浓密机底流浓度的控制仍处于人工操作状态，其浓度、流量的波动都比较大，对后续生产过程造成较大影响。同时浓密机由于影响因素多、非线性、大时滞、慢时变等特性，实现其自动控制一直是一个难题。要实现浓密洗涤过程优化控制，建立与控制相关的浓密洗涤过程关键变量预测模型是关键。
　　本文针对上述问题，在深入分析湿法冶金浓密洗涤过程特点的基础上，利用机理建模与数据建模相结合的混合建模方法，全面系统地开展了湿法冶金浓密洗涤过程关键变量软测量方法及应用方面的研究。本文的主要研究工作归纳如下：
　　(1)从浓密洗涤过程矿浆沉降原理出发，依据固体通量理论和质量守恒理论建立浓密洗涤过程矿浆浓度分布机理模型。通过对所建立的模型进行仿真，深入了解了浓密洗涤过程的特性，找出了影响浓密洗涤过程的主要因素，确定了软测量模型中的辅助变量，为建立软测量模型奠定基础。
　　(2)针对动态机理模型难以在工业现场直接应用的难题，采用并联混合建模方法建立浓密洗涤过程的软测量模型，该模型由简化的机理模型与数据补偿模型共同组成。简化的机理模型用以描述浓密过程的整体趋势，降低模型的运算量;补偿模型用以补偿机理模型的预测误差。考虑到浓密洗涤过程的非线性特性，采用最小二乘支持向量机算法实现对预报误差的非线性拟合。在上述稳态模型的基础上为了使模型更好地投入实际应用，建立浓密过程的动态预测模型。仿真结果表明，与单纯的机理模型相比，混合模型的预测效果更好，可以更好的跟踪过程的动态变化，提高了模型的预测精度。
　　(3)针对软测量模型无法在线跟踪过程慢时变特性的问题，提出了一种基于模型评价的模型校正策略。通过高斯混合模型对混合模型误差分布特性进行描述，实现对模型性能的评价以及实时的模型输出误差补偿;然后当采集样本集达到一定数量，且此时的预测误差较大时，采用自适应最小二乘支持向量机算法对数据模型进行校正。通过模型输出误差补偿和在线参数校正的联合作用，进一步提高了模型的预测精度与实用性。仿真结果验证了这一校正策略的有效性。

目录

声明

摘要

第1章 绪论

1．1 课题背景及意义

1．2 浓密洗涤过程建模研究现状

1．3 本文主要工作

第2章 湿法冶金浓密洗涤过程机理建模

2．1 引言

2．2 浓密洗涤过程简介

2．3 浓密洗涤过程动态机理模型

2．4 模型仿真分析

2．4．1 机理模型仿真分析

2．4．2 辅助变量选择

2．5 本章小结

第3章 基于LS-SVM的浓密洗涤过程混合建模

3．1 引言

3．2 浓密洗涤过程的混合模型结构

3．3 浓密洗涤过程简化机理模型

3．4 基于LS-SVM方法的数据补偿模型

3．4．1 最小二乘支持向量机(LS-SVM)

3．4．2 核函数的选取

3．5 模型仿真分析

3．5．1 数据预处理

3．5．2 静态混合模型仿真及分析

3．5．3 动态混合模型仿真及分析

3．6 本章小结

第4章 湿法冶金浓密洗涤过程混合模型校正

4．1 引言

4．2 基于评价的模型校正整体框架

4．3 基于GMM的模型性能评价

4．4 模型校正策略

4．4．1 基于GMM的预测输出误差补偿

4．4．2 模型在线参数更新

4．4．3 基于评价的模型校正流程

4．5 仿真分析

4．6 本章小结

第5章 总结与展望

参考文献

致谢