基于数据驱动的浮选过程智能控制
发布时间：2022-02-18 14:34
煤泥浮选过程复杂,影响因素众多,部分变量检测手段落后,存在测量精度不高或时效性差等现象,由于缺失部分变量,过程模型输入变量的维度低而导致模型精度不高。因此,本文通过过程变量采集、药剂预测模型、控制系统这三方面,基于在线、离线数据对浮选过程智能控制作了研究。论文以煤泥浮选过程为研究对象,对煤泥浮选过程进行了变量分析,并根据实际生产现状,确定了煤泥浮选过程变量的采集方式、检测设备与药剂添加的执行机构,基于变量数据的采集,建立了基于DNN算法的浮选药剂用量预测模型,以药剂用量预测模型为基础,构建了基于数据驱动的浮选过程智能控制系统,实现浮选过程药剂智能添加。结合浮选车间实际情况,通过硬件的选型以及几何位置布置,建立了泡沫图像采集系统。对泡沫图像装置的相机、镜头、光源等硬件及几何位置作了分析与比较,发现采用帧率达到30fps、全局曝光方式的工业相机所采集的图像清晰、质量高。对采集到的浮选泡沫图像作预处理,提取泡沫图像特征并分析,并确定主要特征值。以平均梯度作为图像清晰度评价函数,挑选出质量高的图像,通过滤波效果比较,采用核尺寸为3的中值滤波。在泡沫图像的预处理的基础上,通过图像的灰度化提取颜色...
【文章来源】：中国矿业大学江苏省211工程院校教育部直属院校
【文章页数】：110 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
1.1 课题背景及意义
1.2 论文主要工作
2 文献综述
2.1 浮选过程控制研究现状
2.2 浮选过程变量检测现状
2.3 机器学习算法的应用
2.4 其他理论知识
3 基于数据驱动的浮选过程控制系统框架
3.1 浮选过程概述
3.2 基于数据驱动的煤泥浮选过程控制系统的整体框架
3.3 过程变量检测方法及药剂执行机构
3.4 本章小结
4 煤泥浮选泡沫图像特征提取及主要特征的确定
4.1 泡沫图像采集系统
4.2 泡沫图像静态特征提取
4.3 泡沫图像动态特征提取
4.4 泡沫图像主要特征的确定
4.5 本章小结
5 基于图像特征的尾矿灰分的软测量研究
5.1 尾矿图像采集
5.2 尾矿图像特征提取
5.3 尾矿灰分软测量模型
5.4 尾矿灰分的自动采集
5.5 本章小结
6 基于DNN算法的浮选药剂用量预测模型
6.1 模型的输入输出数据
6.2 基于不同算法下的预测模型对比
6.3 预测结果比较
6.4 药剂用量预测模型的构成
6.5 本章小结
7 煤泥浮选过程智能控制系统的构建
7.1 浮选过程控制系统的设计
7.2 控制器的设计
7.3 软件通讯及数据交互
7.4 控制系统的具体构建
7.5 本章小结
8 总结与展望
8.1 主要结论
8.2 主要创新点
8.3 展望
参考文献
附录
作者简历
学位论文数据集
【参考文献】：
期刊论文
[1]基于模糊控制理论的PID控制器设计[J]. 苏兴华. 中国管理信息化. 2019(03)
[2]基于OpenCV环境的SIFT、SURF、ORB算法比较分析[J]. 刘伟,钱莉. 化工自动化及仪表. 2018(09)
[3]SURF和RANSAC的特征图像匹配[J]. 王卫兵,白小玲,徐倩. 哈尔滨理工大学学报. 2018(01)
[4]大数据技术在煤炭工业中的研究现状与应用展望[J]. 马小平,代伟. 工矿自动化. 2018(01)
[5]基于模糊控制的矿井排水控制系统优化研究[J]. 宋绍楼,姚净千. 控制工程. 2017(10)
[6]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[7]基于ORB特征的图像误匹配剔除方法研究[J]. 黄丽,李晓明. 机电工程. 2017(05)
[8]模糊自整定PID控制方案在自动加药系统中的应用[J]. 潘莲辉,张美义,甘桂裕,廖承业. 化工自动化及仪表. 2017(03)
[9]基于GA-BP神经网络的浮选加药量预测[J]. 郭西进,邵辉,王广胜,陈晓天. 煤炭工程. 2017(02)
[10]基于广义回归神经网络的浮选加药量预测[J]. 郭西进,陈晓天. 煤炭技术. 2017(02)
博士论文
[1]电力中文文本数据挖掘技术及其在可靠性中的应用研究[D]. 邱剑.浙江大学 2016
[2]基于机器学习的作物病害图像处理及病变识别方法研究[D]. 谭文学.北京工业大学 2016
[3]基于机器视觉的煤质快速分析方法研究[D]. 张泽琳.中国矿业大学 2014
[4]煤泥浮选过程模型仿真及控制研究[D]. 王光辉.中国矿业大学 2012
[5]矿物浮选泡沫图像序列动态特征提取及工业应用[D]. 牟学民.中南大学 2012
[6]粒子群算法的基本理论及其改进研究[D]. 刘建华.中南大学 2009
[7]软测量建模方法研究及其工业应用[D]. 傅永峰.浙江大学 2007
硕士论文
[1]基于大数据与深度学习的生理信号分析[D]. 宋银涛.南京邮电大学 2017
[2]基于机器学习算法的信用风险预测模型研究[D]. 甘鹭.北京交通大学 2017
[3]基于差分曝光模型的桌面式视线跟踪系统的研究与实现[D]. 谭雅翔.西安电子科技大学 2017
[4]基于浮选泡沫图像特征提取方法的研究及应用[D]. 冯洁.电子科技大学 2017
[5]基于智能加药的煤泥浮选控制系统研究[D]. 陈晓天.中国矿业大学 2017
[6]基于图像灰度特征的浮选尾矿灰分软测量研究[D]. 高博.中国矿业大学 2016
[7]煤泥浮选加药控制系统的研究与开发[D]. 郭智平.太原理工大学 2016
[8]基于SIFT的浮选泡沫图像动态特性提取方法[D]. 张平.大连理工大学 2016
[9]浮选工艺参数控制系统的研究[D]. 顾红超.中国矿业大学 2015
[10]选煤厂煤样图像采集系统设计与实现[D]. 苏晓兰.中国矿业大学 2014
本文编号：3631009
【文章来源】：中国矿业大学江苏省211工程院校教育部直属院校
【文章页数】：110 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
1.1 课题背景及意义
1.2 论文主要工作
2 文献综述
2.1 浮选过程控制研究现状
2.2 浮选过程变量检测现状
2.3 机器学习算法的应用
2.4 其他理论知识
3 基于数据驱动的浮选过程控制系统框架
3.1 浮选过程概述
3.2 基于数据驱动的煤泥浮选过程控制系统的整体框架
3.3 过程变量检测方法及药剂执行机构
3.4 本章小结
4 煤泥浮选泡沫图像特征提取及主要特征的确定
4.1 泡沫图像采集系统
4.2 泡沫图像静态特征提取
4.3 泡沫图像动态特征提取
4.4 泡沫图像主要特征的确定
4.5 本章小结
5 基于图像特征的尾矿灰分的软测量研究
5.1 尾矿图像采集
5.2 尾矿图像特征提取
5.3 尾矿灰分软测量模型
5.4 尾矿灰分的自动采集
5.5 本章小结
6 基于DNN算法的浮选药剂用量预测模型
6.1 模型的输入输出数据
6.2 基于不同算法下的预测模型对比
6.3 预测结果比较
6.4 药剂用量预测模型的构成
6.5 本章小结
7 煤泥浮选过程智能控制系统的构建
7.1 浮选过程控制系统的设计
7.2 控制器的设计
7.3 软件通讯及数据交互
7.4 控制系统的具体构建
7.5 本章小结
8 总结与展望
8.1 主要结论
8.2 主要创新点
8.3 展望
参考文献
附录
作者简历
学位论文数据集
【参考文献】：
期刊论文
[1]基于模糊控制理论的PID控制器设计[J]. 苏兴华. 中国管理信息化. 2019(03)
[2]基于OpenCV环境的SIFT、SURF、ORB算法比较分析[J]. 刘伟,钱莉. 化工自动化及仪表. 2018(09)
[3]SURF和RANSAC的特征图像匹配[J]. 王卫兵,白小玲,徐倩. 哈尔滨理工大学学报. 2018(01)
[4]大数据技术在煤炭工业中的研究现状与应用展望[J]. 马小平,代伟. 工矿自动化. 2018(01)
[5]基于模糊控制的矿井排水控制系统优化研究[J]. 宋绍楼,姚净千. 控制工程. 2017(10)
[6]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[7]基于ORB特征的图像误匹配剔除方法研究[J]. 黄丽,李晓明. 机电工程. 2017(05)
[8]模糊自整定PID控制方案在自动加药系统中的应用[J]. 潘莲辉,张美义,甘桂裕,廖承业. 化工自动化及仪表. 2017(03)
[9]基于GA-BP神经网络的浮选加药量预测[J]. 郭西进,邵辉,王广胜,陈晓天. 煤炭工程. 2017(02)
[10]基于广义回归神经网络的浮选加药量预测[J]. 郭西进,陈晓天. 煤炭技术. 2017(02)
博士论文
[1]电力中文文本数据挖掘技术及其在可靠性中的应用研究[D]. 邱剑.浙江大学 2016
[2]基于机器学习的作物病害图像处理及病变识别方法研究[D]. 谭文学.北京工业大学 2016
[3]基于机器视觉的煤质快速分析方法研究[D]. 张泽琳.中国矿业大学 2014
[4]煤泥浮选过程模型仿真及控制研究[D]. 王光辉.中国矿业大学 2012
[5]矿物浮选泡沫图像序列动态特征提取及工业应用[D]. 牟学民.中南大学 2012
[6]粒子群算法的基本理论及其改进研究[D]. 刘建华.中南大学 2009
[7]软测量建模方法研究及其工业应用[D]. 傅永峰.浙江大学 2007
硕士论文
[1]基于大数据与深度学习的生理信号分析[D]. 宋银涛.南京邮电大学 2017
[2]基于机器学习算法的信用风险预测模型研究[D]. 甘鹭.北京交通大学 2017
[3]基于差分曝光模型的桌面式视线跟踪系统的研究与实现[D]. 谭雅翔.西安电子科技大学 2017
[4]基于浮选泡沫图像特征提取方法的研究及应用[D]. 冯洁.电子科技大学 2017
[5]基于智能加药的煤泥浮选控制系统研究[D]. 陈晓天.中国矿业大学 2017
[6]基于图像灰度特征的浮选尾矿灰分软测量研究[D]. 高博.中国矿业大学 2016
[7]煤泥浮选加药控制系统的研究与开发[D]. 郭智平.太原理工大学 2016
[8]基于SIFT的浮选泡沫图像动态特性提取方法[D]. 张平.大连理工大学 2016
[9]浮选工艺参数控制系统的研究[D]. 顾红超.中国矿业大学 2015
[10]选煤厂煤样图像采集系统设计与实现[D]. 苏晓兰.中国矿业大学 2014
本文编号：3631009
本文链接：https://www.wllwen.com/kejilunwen/kuangye/3631009.html
