基于数据驱动的氧化还原电位软测量技术研究

发布时间：2020-11-01 00:14

　　 生物氧化提金技术主要应用在含砷、含硫等难处理金矿石处理中,是“绿色冶金”的一个重要发展方向,具有生产成本低,有害物质排放少的优点。在氧化预处理过程中,氧化还原电位(ORP)是氧化槽中细菌活性和氧化反应程度的体现,ORP高意味着细菌的活性高,矿石氧化程度充分,最终的提金率也比较高,因此,ORP作为生产现场操作的重要依据。由于细菌氧化预处理过程具有非线性、滞后性等特征,ORP的变化趋势无法判断,不能有效指导工业生产。基于上述问题,本文以新疆某金矿的生物氧化预处理过程为研究背景,提出了采用软测量的方法对ORP进行测量,从而为工艺现场操作控制提供指导。本文的研究内容主要包括:1)对生物氧化预处理和ORP的研究现状进行了综述,对软测量的机理进行了阐述,提出了采用最小二乘支持向量机(LSSVM)的方法实现氧化预处理过程中的ORP值的软测量。2)介绍了支持向量机分类、支持向量机回归和最小二乘支持向量机的理论,将新的智能算法——人工蜂群算法(ABC)引入到LSSVM模型的参数优化当中。3)针对人工蜂群算法,通过引入欧氏距离,使得蜂群中的雇佣蜂和观察蜂采取了不同的搜索策略,并对改进的算法和标准的算法做了性能测试,结果表明改进的算法收敛速度快。建立了基于改进的ABC-LSSVM的模型,采用非线性函数和UCI数据集进行了测试验证,预测效果较好。4)研究了细菌氧化矿石的机理、工艺流程及生物氧化预处理过程的影响因素,确立了细菌氧化预处理过程中ORP的软测量模型,利用现场数据,采用改进的ABC-LSSVM方法建立软测量模型并进行仿真,效果良好,并利用MATLAB GUI完成了一个生物氧化预处理过程的ORP软测量仿真平台。
【学位单位】：新疆大学
【学位级别】：硕士
【学位年份】：2015
【中图分类】：TF831;TP18
【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题研究的背景与意义
    1.2 生物氧化提金预处理工艺的研究现状
    1.3 ORP研究现状
    1.4 软测量技术研究现状
    1.5 论文的研究内容及章节安排
第二章 软测量建模技术
    2.1 软测量技术基本原理
        2.1.1 辅助变量的选择
        2.1.2 数据预处理
        2.1.3 软测量模型的建立
        2.1.4 软测量模型的校正
    2.2 软测量建模方法
        2.2.1 机理建模方法
        2.2.2 基于数据驱动的建模方法
        2.2.3 混合建模方法
    2.3 本章小结
第三章 支持向量机及参数优化选择
    3.1 支持向量分类机
    3.2 支持向量回归机
    3.3 最小二乘支持向量机
    3.4 基于ABC算法的模型参数选择
        3.4.1 标准人工蜂群算法
        3.4.2 改进的人工蜂群算法
        3.4.3 改进的ABC算法描述
        3.4.4 改进ABC算法仿真与性能测试
        3.4.5 适应度函数的选取
        3.4.6 改进的ABC-LSSVM预测流程图
        3.4.7 非线性函数仿真验证
    3.5 UCI数据性能验证
    3.6 本章小结
第四章 基于数据驱动的氧化还原电位软测量
    4.1 生物氧化提金工艺介绍及影响因素分析
        4.1.1 难处理金矿石预处理方法
        4.1.2 生物氧化机理
        4.1.3 生物氧化预处理——氰化提金工艺
        4.1.4 生物氧化预处理过程影响因素
    4.2 生物氧化预处理过程ORP软测量建模
        4.2.1 辅助变量的选择
        4.2.2 辅助变量预处理
        4.2.3 数据归一化
        4.2.4 生物氧化预处理过程ORP软测量建模
    4.3 基于人工蜂群算法优化LSSVM的ORP软测量模型
    4.4 基于PSO优化LSSVM的ORP软测量模型
    4.5 基于MatlabGUI的ORP软测量仿真平台
    4.6 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
在读期间发表的论文
致谢

【共引文献】

相关期刊论文 前10条

1 林剑;赵龙;徐剑;余节约;;基于人工蜂群优化的印刷色彩分色[J];包装工程;2011年05期

2 罗钧;刘永锋;付丽;;能耗限制的实时周期任务可靠性感知调度[J];重庆大学学报;2011年08期

3 张姣玲;;人工蜂群算法在多元线性回归中的应用[J];广东技术师范学院学报;2011年09期

4 于明;艾月乔;;基于人工蜂群算法的支持向量机参数优化及应用[J];光电子.激光;2012年02期

5 罗彬;邵培基;罗尽尧;刘独玉;夏国恩;;基于粗糙集理论-神经网络-蜂群算法集成的客户流失研究[J];管理学报;2011年02期

6 赵小强;张守明;;基于人工蜂群的模糊聚类算法[J];兰州理工大学学报;2010年05期

7 陈永强;王宏霞;;一种强鲁棒性的盲分离混合矩阵估计方法[J];电子与信息学报;2012年09期

8 杨琳;孔峰;贺师超;;基于自适应选择策略的人工蜂群算法[J];广西工学院学报;2012年03期

9 王琦;;基于人工蜂群算法的水位流量关系最优定线研究[J];广西水利水电;2012年05期

10 刘婷;张立毅;邹康;鲍韦韦;;基于差分演化二进制人工蜂群算法的多用户检测[J];电路与系统学报;2013年01期

相关博士学位论文 前10条

1 吴德烽;计算智能在三维表面扫描机器人系统中的应用研究[D];大连海事大学;2010年

2 罗彬;基于MMOI方法的电信客户流失预测与挽留研究[D];电子科技大学;2010年

3 董旭初;Bayesian网的最优树分解研究[D];吉林大学;2011年

4 冯业伟;基于支持向量机和移动Agent技术的银行风险早期预警系统研究[D];中国海洋大学;2011年

5 刘路;基于改进支持向量机和纹理图像分析的旋转机械故障诊断[D];天津大学;2011年

6 王亚军;减少OFDM系统的峰均功率比的研究[D];上海交通大学;2011年

7 汪洋;基于视觉测量的铁路列车钩舌检测流水线关键技术研究[D];大连海事大学;2011年

8 肖永豪;蜂群算法及在图像处理中的应用研究[D];华南理工大学;2011年

9 张晓伟;全局优化的若干随机性算法[D];西安电子科技大学;2008年

10 康飞;大坝安全监测与损伤识别的新型计算智能方法[D];大连理工大学;2009年

相关硕士学位论文 前10条

1 姜飞;混合智能优化算法及其应用[D];西安电子科技大学;2011年

2 魏丽;群体动画中运动生成模块的模型研究[D];山东师范大学;2011年

3 张守明;基于人工蜂群的模糊聚类数据挖掘算法研究[D];兰州理工大学;2011年

4 梁建慧;新型智能优化算法及其在图像分割中的应用研究[D];陕西师范大学;2011年

5 黄旭;群智能优化算法及其在PPI网络中的应用研究[D];陕西师范大学;2011年

6 李广宇;基于粒子蜂群算法优化的多支持向量机软测量建模方法研究[D];中南大学;2011年

7 谭世恒;一种新型的群智能优化算法—细胞膜优化算法及其应用[D];华南理工大学;2011年

8 吕琼帅;BP神经网络的优化与研究[D];郑州大学;2011年

9 李婷婷;烟花爆炸算法改进及其性能测试研究[D];华中科技大学;2010年

10 汤天骄;基于DSTAR和神经网络的未知环境移动机器人路径规划方法[D];哈尔滨工业大学;2010年

本文编号：2864723