基于多模型和粒子群優(yōu)化算法的精礦產(chǎn)量預報模型.pdf

1、選礦過程是一個將原礦石經(jīng)過物理/化學變化使有用礦物富集的流程工業(yè)過程。通常包括磨礦、焙燒和磁選（浮選）等工序，每道工序加工處理后都有不同的產(chǎn)品質(zhì)量或生產(chǎn)效率的衡量指標，稱為工藝指標，而衡量一天或一個班組整個選礦流程的指標稱為全流程生產(chǎn)指標，包括精礦產(chǎn)量、品位以及金屬回收率，生產(chǎn)工況條件代表當前設備運行狀態(tài)和原礦性質(zhì)等對生產(chǎn)過程產(chǎn)生不同限制的約束指標。建立全流程生產(chǎn)指標中精礦產(chǎn)量和工藝指標的預報模型即建立各個工序工藝指標與綜合精礦產(chǎn)量之間

2、關系的數(shù)學模型具有重要的實際意義和理論價值。全流程生產(chǎn)指標通常不能在線檢測，而化驗檢測的時間較長，若生產(chǎn)的精礦不能夠滿足產(chǎn)量、品位以及金屬回收率的要求，不能實時調(diào)整整個生產(chǎn)過程，需要等到化驗結果出來以后再做決策，不能保證整個過程的實時控制。本文建立的模型便于分析工藝指標與精礦產(chǎn)量之間的影響關系，使得工藝技術人員更好的控制與操作選礦生產(chǎn)過程，并為選礦生產(chǎn)全流程的運行優(yōu)化、提高產(chǎn)品產(chǎn)量打下基礎。
　　本文依托國家自然科學基金“動態(tài)環(huán)境

3、下復雜工業(yè)全過程多工序工藝指標閉環(huán)優(yōu)化決策方法”，提出了一種新的自適應混沌粒子群優(yōu)化算法，有效解決了支持向量機參數(shù)優(yōu)化和特征選擇的問題，并將其應用到精礦產(chǎn)量預報模型中;針對選礦的多工況特性，提出了一種基于多模型的產(chǎn)量預報模型結構，并通過現(xiàn)場數(shù)據(jù)驗證了所建立模型的有效性。本文的主要研究工作如下:
　　(1)提出了自適應混沌粒子群優(yōu)化算法，并將其應用到支持向量機建模中針對粒子群優(yōu)化算法優(yōu)化參數(shù)和特征選擇易陷入局部最優(yōu)的問題，引入了混沌

4、算子替代原算法進化速度公式中的隨機數(shù)，提高了其全局搜索能力。同時，為了得到更優(yōu)的解，當適應度函數(shù)在一定代數(shù)未發(fā)生變化時，在當前最優(yōu)點的鄰域網(wǎng)格內(nèi)產(chǎn)生網(wǎng)格粒子，以提高算法的局部搜索能力。將這種算法應用到支持向量機建模中，并通過標準問題測試，表明所提方法的有效性。
　　(2)建立了基于最小二乘支持向量機和自適應混沌粒子群優(yōu)化算法的精礦產(chǎn)量預報模型.
　　針對選礦過程涉及復雜的物理化學反應，工藝指標和精礦產(chǎn)量之間難以用機理方式建模

5、的問題，將本文第二章提出的建模方法應用到精礦產(chǎn)量預報。采用自適應混沌粒子群優(yōu)化算法來優(yōu)化最小二乘支持向量機的核函數(shù)參數(shù)、懲罰系數(shù)并選擇輸入特征，有效提高建模的精度和速度。通過對比傳統(tǒng)的grid search+PCA，GA+PCA，PSO+PCA和PSO+BPSO等優(yōu)化方法，表明自適應混沌粒子群優(yōu)化算法具有更高的精度，從而驗證了所建立模型的有效性。
　　(3)建立了基于多模型的精礦產(chǎn)量預報模型
　　針對選礦過程的多工況特性，提

6、出了基于多模型的建模方法。在這種結構中，本文采用了模糊最大相似估計聚類算法，它可以辨識不同空間分布的數(shù)據(jù)，提高了工況辨識的結果，同時，局部模型結構采用多核最小二乘支持向量機，由于不同的核函數(shù)代表不同的映射類型，通過加權核函數(shù)，可以辨識更復雜的非線性關系。通過對比傳統(tǒng)的TSK模糊模型和多神經(jīng)網(wǎng)絡模型，表明其具有更高的精度，從而驗證了這種方法的有效性。另外，本文將多模型的方法和第三章的方法進行了對比研究，結果表明多模型的方法具有更高的精度。