一、基于模糊神经网络的重介质密度控制（论文文献综述）
胡富月[1]（2021）在《重介分选过程灰分自动控制系统研究》文中进行了进一步梳理近几年选煤厂的智能化改造正在如火如荼的进行着,重介质分选过程作为煤炭洗选加工过程中极为重要的一个环节,由自动分流、自动补水、自动加介、桶位平衡、密度智能设定等各个环节自动化的实现,使得重介质分选自动控制得到较大发展。在实际生产过程中由于原煤煤质的改变和波动以及在线灰分仪本身存在的测量误差,使得灰分闭环控制环节（密度智能设定）的调节速度以及调节准确性仍需提高。根据选煤厂实际生产情况的调研和分析,重介分选系统中灰分闭环控制环节的主要问题有在线灰分仪检测原煤和精煤时,由于煤流不稳定、煤质波动、煤层厚度不同等导致在线灰分仪检测数据的误差较大以及数据丢失严重以及精煤和原煤灰分值与分选密度设定值之间的相关性存在其它因素的干扰,使得相关性较差并全面性不够。针对上述的问题,本文提出重介分选过程灰分自动控制系统,首先分析研究重介分选工艺过程,从在线灰分仪测量数据条件出发,对煤炭洗选工艺过程进行整改,之后对灰分数据等工业性实验数据进行数据预处理—插值分析,采用多变量统计过程控制（Multivariable statistical process control,MSPC）中主成分分析法对灰分值数据、皮带运输量数据、生产数据等进行处理和分析,采用MSPC中的T2统计量图对数据进行实时监测并分析其统计数据是否处于正常状态,当统计正常状态时,精煤灰分实际值与灰分目标值差值小于等于0.5%。当统计异常状态时,精煤灰分超出灰分目标值合格范围,采用模糊神经网络构建的密度预测模型进行密度预测,调整分选密度设定值,之后再通过密度自动控制系统,将实际密度值调节到分选密度设定值附近稳定波动。论文首先介绍重介分选过程中的自动分流、自动补水、自动加介、桶位平衡等各个环节以及重介分选工艺流程,并详细分析在重介分选过程中精煤产品质量波动的主要影响因素,并将多种因素通过MSPC处理和分析。从硬件方面改善在线灰分仪本身存在的测量误差;从软件方面通过插值分析提高灰分数据准确性。重介分选过程灰分自动控制,通过工业现场试验并采集实时数据进行分析,得到插值分析法的参数,MSPC的主元成分,T2统计量图的边界范围,模糊神经网络算法的参数。分别通过MATLAB进行仿真,插值分析法可以代表原本数据90%以上,MSPC的主元分析法可以代表全部数据的80%以上,T2统计量图中的F分布边界可以明确的区别统计样本是否正常,模糊神经网络的密度预测模型,密度设定预测值与实际密度设定值误差较小,预测效果良好。本文采用AB生产的1769系列PLC为控制底层,上位机软件采用组态王为管理层,软件平台采用MATLAB、SQL数据库以及OPC服务器作为后台。控制底层与管理层采用4-20m A电流信号和Modbus/TCP和Modbus 485通讯协议实现数据传输,管理层与后台采用OPC通讯协议实现数据传输。本系统在汾西矿业集团中兴选煤厂试运行,试运行阶段运行效果良好,可以较好解决灰分闭环控制阶段中由于煤质波动、检测数据误差、控制时间滞后等问题,灰分的稳定性和合格率得到了很大的提高。
彭勇[2]（2021）在《基于多参数灵敏度分析及参数优化的重介质选煤动态模型》文中进行了进一步梳理重介质选煤是当前我国煤炭洗选过程的主要处理方式,其动态模型是对选煤工艺过程特性分析、优化和先进控制的重要基础,因此精确的动态模型是实现选煤智能化,减少煤炭不清洁使用,提高选煤厂经济效益的关键。而质量平衡模型是一种求解方便、易于实现自动控制,并且利用矿浆中各物料的质量平衡关系描述原料投入、产量与损耗之间关系的动态模型,基于此类模型可以实现重介质选煤过程的控制系统设计。但在建立质量平衡模型过程中存在大量不确定性的模型参数,目前,这些不确定性参数主要是依靠经验或实验试凑来获得,因此,模型难以精确刻画实际动态过程。为解决上述问题,本文针对基于质量平衡原理的重介质选煤过程动态模型,将多参数灵敏度分析、元启发式优化算法以及增强学习相结合,以实际工业数据为驱动,在模型参数取值范围内进行优化,建立了一种机理知识与数据混合驱动的重介质选煤数学模型。本文的主要工作如下:（1）针对重介质选煤过程动态模型不确定模型参数众多,导致后续优化算法的复杂程度上升及计算耗时过长等问题,本文对比分析了不同多参数灵敏度分析方法,给出了选择系统,并通过分析多种灵敏度分析方法,结合重介质选煤过程动态模型特点,利用基于方差的Sobol’灵敏度分析方法对模型参数进行灵敏度分析,筛选出关键参数。在保证灵敏度结果准确的前提下,通过实验确定所需采样最小数目,决策出矿浆分离比例与溢流、底流灰分比例常数等对模型起主导作用的关键参数。（2）针对传统食饵-捕食者算法因恒定步长而导致易陷入局部最优的问题,为提高模型参数优化的准确性,提出了一种增强捕食-食饵优化算法。其利用增强学习思想使得搜索个体利用神经网络将自身的状态信息映射到搜索步长的变化,根据步长变化更新惩奖机制,并以此在进化迭代过程中不断更新网络权重,实现搜索步长的自适应增减,最终提高了优化性能,实现了对重介质动态模型的参数寻优。所提算法不仅可用于模型参数的估计,对于其他优化问题的求解也具有一定的参考价值。（3）通过实验探究所提方法及建立模型的有效性与准确性。结果表明,增强捕食-食饵优化算法能够提高对关键参数最优值的搜索能力,使得所求得模型的均方根误差和概率密度标准差相较于其他模型较小,更能反应实际工业过程,表明了所提模型的有效性与准确性。该论文有图33幅,表6个,参考文献84篇。
傅逸灵[3]（2021）在《数据驱动的重介质选煤过程运行状态评价方法》文中研究说明煤炭资源是我国经济社会发展的重要支柱,为经济的可持续快速发展提供动力和支撑。我国煤炭储量丰富,产量位居全球首位,但原煤入选比重相对于世界其余产煤国家较低。因此,提高煤炭资源的利用效率对于保证我国的可持续发展意义重大。重介质选煤工艺因其分选精度高、入选范围宽,便于实施自动化控制等优点而广泛应用于选煤厂。重介质选煤的主要目的是去除原煤中的矸石和杂质,从而提高原煤的质量。然而在实际选煤过程中,由于大量的干扰以及不确定因素,使选煤流程随洗选过程的进行而偏离设定的最优工作点,导致煤产品质量的稳定性下降。为了保证煤产品质量的稳定性,提高选煤厂综合经济效益,研究重介质选煤过程细致而稳健的运行状态评价及非优因素识别方法具有重要意义。本文以重介质选煤过程为背景,建立了重介质选煤过程全流程动态仿真平台,并以此为基础进行重介质选煤过程运行状态评价方法的研究,为实现重介质选煤过程的运行优化控制、生产调整以及提升煤产品质量打下良好的基础。主要研究内容包含以下三个方面:（1）本课题以重介质原煤洗选流程为背景,根据重介质选煤过程的工艺及特点,分析各个典型重介质选煤工艺流程的特性和机理,以及影响重介质选煤过程分选效果的主要因素。在已有研究工作的基础上,建立包括原煤分选筛、煤介混合、旋流器分选,重介质回收、重介质调配等流程的重介质选煤全流程机理模型,并搭建基于Simulink仿真环境的重介质选煤全流程仿真平台。以全流程仿真平台为基础,通过仿真分析主要操作变量改变的情况下,重介质选煤过程全流程主要性能指标的变化情况。重介质选煤全流程仿真平台为重介质选煤过程的模拟、运行状态评价方法以及运行控制算法的研究提供了验证平台。（2）针对重介质选煤过程具有强非线性、过程动态时变特性,提出一种基于综合经济指标驱动的长短期记忆网络（Comprehensive Economic Index Driven Long short Term Memory Network,ILSTM）的重介质选煤过程运行状态评价方法。在LSTM无监督特征学习的基础上引入综合经济指标约束项,迫使长短期记忆网络学习与综合经济指标相关的原始数据特征表达,建立基于ILSTM网络的重介质选煤过程运行特征提取模型。在此基础上,利用根据综合经济指标划分的状态等级数据训练运行状态识别模型,构建重介质选煤过程运行状态评价模型。当运行状态非优时,本文结合长短期记忆网络的结构特点,提出了一种基于LSTM自编码器贡献图算法的非优因素识别方法,利用变量对非优状态的贡献率识别过程非优原因。通过重介质选煤过程全流程仿真平台生成的数据集验证了其有效性。（3）针对重介质选煤过程综合经济指标样本有限的问题,本文通过堆叠的方式将LSTM网络拓展为深度结构模型,提出了一种基于深度综合经济指标驱动深度长短期记忆网络（Deep ILSTM）半监督学习机制的重介质选煤过程运行状态评价方法,以使运行状态评价模型能够利用有限的综合经济指标数据信息提取出复杂的过程动态特征。LSTM可以充分利用无标签数据挖掘出过程数据间的过程动态特征,用于解决综合经济指标数据有限条件下的重介质选煤过程运行状态评价问题。将堆叠后DLSTM网络运用于无标签数据的特征提取,并结合有标签数据约束特征提取过程,构建DILSTM网络。完成过程运行特征提取后,利用有标签数据进行状态识别模型的训练,获得运行状态评价模型。最后,在重介质选煤过程仿真平台生成的选煤过程数据集上验证了所提方法的有效性和实用性。
寇金成[4]（2021）在《选煤厂重介质悬浮液密度控制方案优化》文中研究表明针对屯兰矿选煤厂原重介质悬浮液密度控制方案存在的调节实时性差、稳定性差以及调节范围受限的问题,根据重介质分选工艺,提出优化方案总体设计框架,并对合格介质桶液位预测、智能控制模式及切换进行分析。优化后的密度控制方案经实际应用发现,当调节悬浮液密度下降0.02 g/cm3时,耗时约3 min;当调节上升0.06 g/cm3时,耗时约15 min,并可将悬浮液密度稳定在0.005 g/cm3.
李真[5]（2021）在《选煤厂重介质分选智能控制系统研究》文中研究指明针对选煤厂重介质分选系统悬浮液液位、密度的时变性、耦合性以及非线性特点,设计基于模糊PID控制的智能控制系统,稳定悬浮液密度,实现悬浮液液位的动态平衡。根据选煤厂重介质分选系统操作经验和各输入、输出变量的理论值,设计模糊子集和论域、模糊控制规则,建立基于悬浮液液位、密度的模糊控制器,实现模糊PID控制。仿真结果表明,与原PID控制方案相比,模糊PID控制方案的控制精度更高,跟随性更好,保证了分选系统液位的动态平衡,悬浮物密度的稳定。
蔡先锋[6]（2020）在《基于模糊控制的重悬浮液密度控制系统研究》文中研究指明为了解决常规PID控制器无法自适应重介质悬浮液密度测控环节参数整定需求的问题,提出了基于模糊控制算法的PID控制模型,并针对当前重介选煤工艺存在的多参数的时变性和非线性等诸多特征的耦合现象,结合专家实操经验,设计了模糊推理控制器,对密控系统的参数自整定过程进行了研究。研究结果表明:模糊PID控制方法能有效减小系统的超调量,提高系统的响应速度,缩短系统的调节时间,增强系统的动态性能,达到了预期要求。
张凌智,代伟,马小平[7]（2020）在《重介质选煤过程先进控制：研究进展及展望》文中进行了进一步梳理基于传统控制方法的重介质选煤过程自动控制存在能耗高、灰分含量波动大等问题,而先进控制能够改善过程动态性能,使系统运行接近最优状态。首先介绍了重介质选煤工艺流程,分析了重介质选煤过程的多时间尺度、多速率特性,并基于重介质选煤过程强非线性、多变量耦合、时变性、多干扰等因素,分析了重介质选煤过程先进控制在数学建模、运行指标跟踪控制、稳定性、关键参量精确感知等方面的难点;然后从重介质选煤过程建模、重介质悬浮液密度控制、精煤灰分控制等方面,综述了重介质选煤过程先进控制的研究进展;最后展望了重介质选煤过程先进控制未来的研究方向:基于大数据的重介质选煤可视化平台建设,面向重介质选煤过程的知识和数据混合驱动的智能优化与控制,产品质量与效率预测方法研究,重介质选煤虚拟实验平台搭建。
于中山[8]（2020）在《基于X射线图像处理的煤矸识别技术研究》文中认为近年来,国家大力发展洁净煤技术,十分重视煤炭资源的绿色开发和清洁高效使用。煤矸分选是提高煤质减轻环境污染的有效途径,而煤矸识别是实现煤炭智能开采与加工的核心技术之一。传统的煤矸识别方法普遍存在识别精度低、稳定性能差、适用范围小等问题。针对这些不足,本文深入研究了基于X射线图像处理的煤矸识别方法,提高了识别系统的准确度和稳定度。其主要研究工作和贡献如下:（1）基于X射线透射的相关理论,进而推导出射线探测的物质识别原理,并对已搭建的两代光电分选系统的相关硬件及工作流程进行介绍。以常见的3种烟煤（焦煤、肥煤、气煤）和对应地区的矸石为研究对象,利用试验样机分别采集煤矸的单双能X射线图像,并建立样本集数据库。（2）煤矸图像的预处理。首先分析成像过程中的噪声源,经过试验选用表现较好的自适应中值滤波法对图像进行降噪处理。接着采用Canny算子边缘检测优化的二值图像分割方法,有效分割出煤矸目标区域,去除了输送带背景信息的干扰。最后,初步统计了煤矸区域的基本属性信息,为煤矸识别方法的研究奠定了基础。（3）提出一种联合特征下的基于粒子群算法优化法平面型隶属度函数模糊支持向量机（PSO-NP-FSVM）的煤矸单能识别方法。首先提取煤矸灰度特征下的5个特征参量,为了增强煤矸纹理特征对旋转变化的鲁棒性,对图像进行LBP变换后,提取纹理特征下的4个特征参量。为了提高分类的准确率和稳定性,设计了PSO-NP-FSVM分类器,该模型优化了传统支持向量机的二值分类方式,并且通过粒子群算法对模糊支持向量机的核心参数惩罚因子c和核参数δ进行寻优,充分发挥了模型的分类性能。交叉验证试验结果表明,在9维联合特征识别下,PSO-NP-FSVM分类器模型的识别准确率相比FSVM和PSO-FSVM分类器模型分别提升了 3.34%和2.09%,较灰度和纹理单一特征的识别准确率分别提升了 5.21%和2.29%。（4）提出一种基于K值和一种基于R值的煤矸双能识别方法。为了进一步减弱煤矸厚度等因素对识别精度的影响,针对煤矸R值的求解相对复杂的情况,在仅需识别出煤矸类别的前提下,采用一种基于煤矸灰度峰值计算K值的简易识别方法。当需要具体识别出样本中的含煤（矸）量时,提出一种基于R值法结合Canny算子边缘检测优化多阈值Otsu分割的煤矸识别方法。首先计算出煤矸的R值图像,经过映射处理后对图像进行分割,将图像分为输送带层、烟煤层和矸石层。最后,为了使识别结果更加直观可见,对分割后的图像进行伪彩色处理。试验结果表明,当设定分选阈值K为1.3时,3种烟煤的平均识别准确率达到97.44%,矸石的平均识别准确率达到96.52%;当设定样本含煤量55%为分选阈值时,3种烟煤的平均识别准确率达到97.61%,矸石的平均识别准确率达到100%。这两种方法均能高效的识别出煤矸且增添了识别的延展性。图[69]表[20]参[91]
邱佳楷[9]（2020）在《重介分选过程密度宽域智能控制方法研究与应用》文中认为近些年来随着智能化洗煤厂的不断推进,重介分选作为煤炭洗选中必不可少的环节,以自动补水及自动分流为主要控制对象的重介分选自动控制得到了较大的发展。但在实际生产中由于原煤煤质的变化以及灰分回控的发展,对密度的控制范围以及密度的调节速度提出了更高的要求。通过对生产现场的调研与分析,现有分选系统无法满足生产的主要原因有合格介质桶的缓冲能力有限无法满足密度在大幅调节时所带来的的悬浮液体积的改变以及补水阀与分流阀的控制流量有限无法快速大范围的调节密度。因此本文提出重介分选过程密度宽域智能控制,分析研究重介分选工艺过程,从控制的角度出发将分选过程分为密度稳态控制、密度阶跃上升控制、密度阶跃下降控制,对三种控制模式及其切换策略进行研究。针对现有三产品重介旋流器分选工艺存在的合格介质桶缓冲能力不足的问题提出反分流工艺,将合格介质桶中悬浮液通过反分流泵输送到浓介桶中以增加合格介质桶的缓冲能力;对于密度调节缓慢的问题通过加介阀向合格介质桶中添加浓介以增加密度上调的速度。宽域密度控制方案采用系统切换,对于不同的工况采用不同的控制模式。稳态模式下分流阀采用模糊控制,补水阀采用PID控制,加介阀采用恒值控制;密度阶跃下降模式下反分流与补水阀均采用PID控制;密度阶跃上升模式加介阀采用采样控制,补水阀采用PID控制。模式之间切换通过采用BP神经网络与SVM分类共同完成,由BP神经网络实现对于调节过后合格介质桶液位的预测,SVM根据预测得到的液位以及密度偏差值等因素对工况进行判断,实现模式之间的切换。在制定完控制方案后,本文详细分析了重介分选过程中合格介质桶内流量的变化,最终以合格介质桶中体积的平衡关系以及介质的平衡关系,建立了重介分选的传递函数矩阵。通过工业现场实验并采集数据进行分析,得到了传递函数的参数。最终通过Simulink进行仿真验证,仿真结果表明可以顺利实现模式之间的切换,并且有较好的调节效果。本文采用AB生产的1769系列PLC为底层核心硬件,上位机软件采用组态王完成底层硬件与上层软件平台的连接。软件平台采用OPC通讯方式实现软件之间的通讯,包括Python、数据库以及OPC服务器端之间的通讯。本系统已经在新柳选煤厂进行试运行,试运行阶段系统运行可靠,可以很好的解决由于现场煤层夹矸所带来的的密度设定值反复调节及调节幅度大等问题,密度的稳定性得到了很大的提高。
洪志鑫[10]（2020）在《基于数据驱动的重介密度控制智能化研究》文中研究说明《中国制造2025》明确提出以大数据、云计算、人工智能为代表的信息技术成为经济增长的新引擎。选煤厂智能化尚处于起步阶段,在装备、技术、工艺和管理上还存在许多难题。全面建设智能化选煤厂是提升核心竞争力的重大战略举措,对加快推动煤炭产业转型升级、培育新的经济增长点具有重大意义。因此,本文以密度为主线贯穿全文,从灰分仪优化升级、在线密度预测、分选高精度控制、智能控制系统这四个方面,基于在线、离线数据对重选分选过程智能控制做了研究。论文分析了有源灰分仪的测量原理和监测结构,对于传统的双能γ射线灰分仪,发现其结构特点为单点式监测技术,为此将其硬件优化成多点式全截面监测,实现了被监测煤层的横截面积基本全覆盖,消除了偶然误差,提高了代表性。同时,为综合多点探测器的灰分数据时,根据多点的安装方式,煤流的分布,比较多种权重系数计算的数学方法,发现以最小二乘法计算的系数作为权重综合计算后的加权值,与化验值的符合程度最高,以此作为静态标定。后通过随机选取两班共6个生产会分数据做误差评价分析,结果表明,计算输出的灰分值优于大部分单点测灰数据,能够极大的从硬件软件上提高灰分仪精度。对改造后的灰分仪接入现场,选取系统生产时等间隔采集的一组的精煤灰分、原煤灰分、悬浮液密度数据;通过分析重介分选工艺,原煤进入系统要经过众多分选分级设备,使得同一时间采集到实时原煤信息数据、产品信息数据、悬浮液密度数据并不具有相关性,因此精煤产品灰分是跟时间有关的多变量影响结果。将时间序列LSTM的长短时记忆网络应用于密度预测模型的建立,通过确定最佳时间步数（即延时时间）,隐含层层数和节点数,并跟传统无时间序列的神经网络进行了对比,结果表明,LSTM模型精度（MAPE为0.007g/cm3）比传统BP神经网络模型精度（MAPE为0.015g/cm3）提高了0.008个密度点。因此,可以利用LSTM建立的原煤和精煤灰分、悬浮液密度密度三者之间的神经网络模型,根据精煤所需产品灰分以及原煤灰分对悬浮密度进行在线预测。将在线密度预测结果输出设定至生产系统,为保证悬浮液能够稳定在该设定密度的允许误差内,采用效果良好的传统PID技术控制响应速度较快的泵根补水阀;着重对分流阀开度进行建模分析,并将补水阀门的开度也引入输入变量中,形成悬浮液密度、悬浮液磁性物含量、合格介质通液位、补水阀开度的4输入和分流阀开度1输出的GA-SVMR遗传支持向量回归机模型。仿真结果表明,分流阀门预测开度与现场开度可以达到几乎完全吻合,决定系数达到高达0.9960,平均误差为0.15%,高度适配现场操作。将训练好的模型嵌入系统,根据给定的预测密度等参数进行分流阀门开度的实时给定和控制。在灰分仪精度提高、密度在线预测、密度高精度控制输出基础上,提出了重介分选过程智能控制框架——双闭环智能控制系统,以数据驱动体系驱动,其中,数据驱动包含数据准备、数据挖掘和应用继承三个环节。针对选煤厂各种海量生产的数据,通过设置存储规则和采集规则完成数据准备,为数据挖掘的预测做准备。同时该系统中各种软硬件的相互通讯和数据交互,并采用iFix上位机软件和S7-300下位机编程,将系统生产过程可视化界面展示,设计了手动、自动、智能控制系统的调节模式,实现了数据驱动体系构建;最后对现场应用结果做了评价分析,表明基于数据驱动重介分选智能控制系统效果表现良好。该论文有图41幅,表19个,参考文献96篇。
二、基于模糊神经网络的重介质密度控制（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于模糊神经网络的重介质密度控制（论文提纲范文）
（1）重介分选过程灰分自动控制系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 重介灰分闭环控制方法研究现状 |
| 1.2.2 重介质分选系统方法研究现状 |
| 1.3 研究内容 |
| 第2章 影响重介分选过程中灰分自动控制的因素 |
| 2.1 重介质选煤概况 |
| 2.1.1 重介质选煤基本原理 |
| 2.1.2 重介质选煤设备 |
| 2.2 重介分选过程系统分析 |
| 2.2.1 重介选煤工艺流程 |
| 2.2.2 分选过程密度控制和灰分控制分析 |
| 2.3 重介分选灰分控制系统影响因素分析 |
| 2.3.1 系统参数影响分析 |
| 2.3.2 灰分仪测量数据误差分析 |
| 2.3.3 精煤产品灰分数据影响分析 |
| 2.4章节小结 |
| 第3章 重介分选过程灰分自动控制方案设计 |
| 3.1 重介分选灰分闭环控制模型构建 |
| 3.1.1 灰分闭环控制系统设计 |
| 3.1.2 灰分闭环控制系统的控制步骤 |
| 3.2 基于单变量统计过程控制研究 |
| 3.2.1 SPC基本原理应用以及控制图介绍 |
| 3.2.2 SPC控制图控制研究 |
| 3.3 基于MSPC的闭环控制研究 |
| 3.2.1 基于MSPC的主成分分析数据预处理研究 |
| 3.2.2 基于MSPC中T2图实时监测的研究 |
| 3.2.3 SPC 方法和MSPC 方法对比分析 |
| 3.4章节小结 |
| 第4章 重介分选过程灰分控制系统建模研究 |
| 4.1 重介分选控制过程变量分析 |
| 4.2 重介分选控制过程变量预处理 |
| 4.3 基于MSPC中主成分分析法数据处理应用 |
| 4.4 基于MSPC中T2图实时监测应用 |
| 4.5 基于模糊神经网络建立密度预测模型 |
| 4.5.1 模糊神经网络基本特征 |
| 4.5.2 模糊神经网络算法求解步骤 |
| 4.5.3 建立密度预测模型 |
| 4.6章节小结 |
| 第5章 重介质灰分回控系统应用与效果 |
| 5.1 灰分自动控制系统架构 |
| 5.2 灰分闭环控制硬件系统选型 |
| 5.2.1 传感器及执行装置的选型 |
| 5.2.2 PLC选型及服务器 |
| 5.3 灰分闭环控制软件系统研发 |
| 5.3.1 控制系统通讯搭建 |
| 5.3.2 上位机界面研发 |
| 5.4 灰分闭环控制系统应用效果 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（2）基于多参数灵敏度分析及参数优化的重介质选煤动态模型（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 重介质选煤模型的研究现状 |
| 1.3 本文主要内容 |
| 2 重介质选煤过程及动态模型建立 |
| 2.1 重介质选煤过程机理描述 |
| 2.2 重介质选煤过程动态模型 |
| 2.3 模型有效性验证 |
| 2.4 需要优化的参数 |
| 2.5 本章小结 |
| 3 基于Sobol’法的重介质分选过程模型多参数灵敏度分析 |
| 3.1 灵敏度分析类别与常见方法 |
| 3.2 Sobol’灵敏度分析方法 |
| 3.3 多参数灵敏度分析现实过程 |
| 3.4 实验结果 |
| 3.5 本章小结 |
| 4 基于增强捕食-食饵优化算法的重介质选煤模型参数优化方法 |
| 4.1 捕食-食饵优化算法 |
| 4.2 增强捕食-食饵优化算法 |
| 4.3 目标函数及算法参数设计 |
| 4.4 结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）数据驱动的重介质选煤过程运行状态评价方法（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 运行状态评价方法研究现状 |
| 1.3 本文主要内容 |
| 2 重介质选煤过程及其运行状态评价问题 |
| 2.1 重介质选煤过程描述 |
| 2.2 重介质选煤工艺流程与特性分析 |
| 2.3 重介质选煤过程运行状态评价问题 |
| 2.4 本章小结 |
| 3 重介质选煤过程全流程建模与仿真 |
| 3.1 引言 |
| 3.2 重介质选煤过程模型 |
| 3.3 重介质选煤过程全流程仿真分析 |
| 3.4 本章小结 |
| 4 基于ILSTM网络的重介质选煤过程运行状态评价方法 |
| 4.1 引言 |
| 4.2 RNN和 LSTM网络 |
| 4.3 基于ILSTM网络的重介质选煤过程运行状态评价方法 |
| 4.4 仿真实验与分析 |
| 4.5 本章小结 |
| 5 基于DILSTM网络半监督学习机制的重介质选煤过程运行状态评价方法 |
| 5.1 引言 |
| 5.2 基于DILSTM网络半监督学习机制的重介质选煤过程运行状态评价方法.. |
| 5.3 仿真实验与分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）选煤厂重介质悬浮液密度控制方案优化（论文提纲范文）
| 1 工艺分析 |
| 2 总体方案设计 |
| 3 智能控制原理分析 |
| 3.1 合格介质桶液位预测 |
| 3.2 智能控制模式及切换 |
| 4 应用效果 |
| 5 结 论 |
（5）选煤厂重介质分选智能控制系统研究（论文提纲范文）
| 0 引言 |
| 1 基本原理 |
| 2 控制策略 |
| 3 控制系统实现 |
| 3.1 模糊子集与论域 |
| 3.2 模糊控制规则 |
| 3.3 解模糊化 |
| 4 系统仿真 |
| 5 结语 |
（6）基于模糊控制的重悬浮液密度控制系统研究（论文提纲范文）
| 1 重悬浮液控制原理 |
| 2 模糊神经网络 Fuzzy-PID 控制器设计 |
| 2.1 模糊神经网络 Fuzzy-PID 控制器工作原理 |
| 2.2 模糊推理控制器设计 |
| 3 试验仿真与分析 |
| 4 结语 |
（7）重介质选煤过程先进控制：研究进展及展望（论文提纲范文）
| 0 引言 |
| 1 重介质选煤工艺 |
| 2 重介质选煤过程先进控制结构 |
| 3 重介质选煤过程先进控制难点分析 |
| 4 重介质选煤过程建模 |
| 5 重介质悬浮液密度控制 |
| 6 精煤灰分控制 |
| 7 总结与展望 |
（8）基于X射线图像处理的煤矸识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题依据 |
| 1.2 课题的研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 常用的煤矸分选方法 |
| 1.3.2 煤矸识别方法综述 |
| 1.4 课题的研究目标与主要研究内容 |
| 2 基于X射线透射的煤矸光电分选系统 |
| 2.1 X射线透射识别技术 |
| 2.1.1 X射线与物质的相互作用 |
| 2.1.2 X射线透射的衰减规律 |
| 2.1.3 单能X射线透射识别原理 |
| 2.1.4 双能X射线透射识别原理 |
| 2.2 分选系统的结构组成及工作原理 |
| 2.2.1 分选系统的组成及工作流程 |
| 2.2.2 X射线源系统 |
| 2.2.3 X射线线阵列探测器系统 |
| 2.3 本章小结 |
| 3 煤矸X射线图像的预处理 |
| 3.1 煤矸X射线图像的采集 |
| 3.2 X射线图像的滤波处理 |
| 3.2.1 均值滤波 |
| 3.2.2 高斯平滑滤波 |
| 3.2.3 自适应中值滤波 |
| 3.2.4 降噪效果的评估标准 |
| 3.2.5 降噪试验及结果分析 |
| 3.3 煤矸X射线图像分割 |
| 3.3.1 图像分割的常用方法 |
| 3.3.2 迭代阈值法的二值图像分割 |
| 3.3.3 边缘检测优化的二值图像分割 |
| 3.3.4 煤矸目标区域的属性信息统计与提取 |
| 3.4 本章小结 |
| 4 基于单能X射线图像处理的煤矸识别技术研究 |
| 4.1 灰度信息特征提取 |
| 4.2 纹理信息特征提取 |
| 4.2.1 灰度共生矩阵 |
| 4.2.2 LBP图像变换 |
| 4.2.3 煤矸纹理特征提取 |
| 4.3 支持向量机 |
| 4.3.1 支持向量机概述 |
| 4.3.2 线性可分的分类方法 |
| 4.3.3 非线性可分的分类方法 |
| 4.4 模糊支持向量机 |
| 4.4.1 模糊支持向量机分类器 |
| 4.4.2 模糊支持向量机分类机制 |
| 4.4.3 隶属度函数的确定 |
| 4.5 粒子群算法优化的模糊支持向量机 |
| 4.5.1 优化参数 |
| 4.5.2 粒子群优化算法基本理论思想 |
| 4.5.3 粒子群参数寻优步骤 |
| 4.6 基于模糊支持向量机的单能X射线煤矸识别试验及分析 |
| 4.6.1 训练样本特征数据提取 |
| 4.6.2 基于不同特征维度的PSO-NP-FSVM分类器训练 |
| 4.6.3 不同算法搭建分类器训练效果分析 |
| 4.6.4 基于单能X射线图像的煤矸识别分类试验 |
| 4.7 本章小结 |
| 5 基于双能X射线图像处理的煤矸识别技术研究 |
| 5.1 双能煤矸识别方法分析 |
| 5.1.1 双能曲线拟合法 |
| 5.1.2 双能R值法 |
| 5.1.3 灰度直方图峰值求解K值法 |
| 5.2 基于R值与边缘检测优化多阈值Otsu分割的煤矸识别方法 |
| 5.2.1 多阈值Otsu分割算法 |
| 5.2.2 边缘检测优化的多阈值Otsu分割算法 |
| 5.2.3 煤矸R值的映射图像与分割 |
| 5.2.4 煤矸识别的伪彩色方案与煤矸含量的判定 |
| 5.3 基于双能X射线探测技术的煤矸识别试验及分析 |
| 5.3.1 基于灰度直方图峰值求解K值法的煤矸识别试验 |
| 5.3.2 基于R值与改进阈值分割的煤矸识别试验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（9）重介分选过程密度宽域智能控制方法研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 重介分选系统方法研究现状 |
| 1.2.2 重介加介系统方法研究现状 |
| 1.2.3 切换系统的研究现状 |
| 1.3 研究内容 |
| 第二章 传统重介分选密控系统局限性分析 |
| 2.1 重介质选煤概况 |
| 2.1.1 重介质选矿基本原理 |
| 2.1.2 重介旋流器分选原理 |
| 2.2 重介分选过程密控系统分析 |
| 2.2.1 重介选煤工艺流程 |
| 2.2.2 分选过程阶跃响应与稳态响应分析 |
| 2.3 重介分选控制系统影响因素分析 |
| 2.3.1 影响因素分析 |
| 2.3.2 合格介质桶缓冲能力分析 |
| 2.3.3 存在的问题 |
| 2.4 本章小结 |
| 第三章 重介分选过程密度宽域控制方案设计 |
| 3.1 重介分选密度宽域控制模型构建 |
| 3.2 稳态模式控制方案研究 |
| 3.2.1 稳态模式自动控制方案 |
| 3.2.2 稳态模式控制器设计 |
| 3.4 密度阶跃下降控制方案研究 |
| 3.5 密度阶跃上升控制方案研究 |
| 3.6 本章小节 |
| 第四章 重介分选过程密控系统建模研究 |
| 4.1 重介分选控制过程变量分析 |
| 4.2 重介密控系统传递函数求解 |
| 4.3 重介分选密控系统系统辨识 |
| 4.4 本章小结 |
| 第五章 基于BP-ANN与 SVM算法的控制模型切换研究 |
| 5.1 基于BP神经网络算法的合格介质桶液位预测 |
| 5.1.1 BP神经网络原理 |
| 5.1.2 合格介质桶液位预测模型研究 |
| 5.1.3 基于Python实现合格介质桶液位预测模型 |
| 5.2 基于SVM算法的控制切换模型研究 |
| 5.2.1 切换模型研究 |
| 5.2.2 支持向量机原理 |
| 5.2.3 基于SVM的多分类法 |
| 5.2.4 基于Python实现分类模型构建 |
| 5.3 仿真研究 |
| 5.4 本章小结 |
| 第六章 重介分选过程宽域密度控制的实现及运行效果 |
| 6.1 宽域密度控制系统架构 |
| 6.2 宽域密度控制硬件系统选型 |
| 6.2.1 传感器及执行装置的选型 |
| 6.2.2 PLC选型及服务器 |
| 6.3 宽域密度控制软件系统研发 |
| 6.3.1 控制系统通讯搭建 |
| 6.3.2 上位机界面研发 |
| 6.4 宽域密度控制系统应用效果 |
| 6.5 本章小结 |
| 第七章 结论 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（10）基于数据驱动的重介密度控制智能化研究（论文提纲范文）
| 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 |
| 1.3 论文的总体结构 |
| 2 文献综述 |
| 2.1 选煤厂智能化研究现状 |
| 2.2 重介分选研究现状 |
| 2.3 在线测灰仪研究应用现状 |
| 2.4 其它理论知识 |
| 3 重介分选产品在线监测精度优化研究 |
| 3.1 在线测灰仪的基本原理 |
| 3.2 灰分仪硬件优化方案 |
| 3.3 灰分仪软件优化方案 |
| 3.4 本章小结 |
| 4 基于LSTM的重介分选密度参数在线给定 |
| 4.1 人工分选密度的确定 |
| 4.2 重介分选过程变量分析 |
| 4.3 重介分选LSTM模型 |
| 4.4 本章小结 |
| 5 重介分选过程高精度控制 |
| 5.1 重选工艺及参数分析 |
| 5.2 基于GA-SVMR模型分流开度预测 |
| 5.3 基于Python语言的分流阀开度仿真实现 |
| 5.4 本章小结 |
| 6 基于数据驱动的智能控制系统 |
| 6.1 重介分选过程智能控制框架 |
| 6.2 数据准备 |
| 6.3 软硬件通讯及数据交互 |
| 6.4 控制系统构建实现 |
| 6.5 现场应用效果 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 主要结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
四、基于模糊神经网络的重介质密度控制（论文参考文献）
- [1]重介分选过程灰分自动控制系统研究[D]. 胡富月. 太原理工大学, 2021(01)
- [2]基于多参数灵敏度分析及参数优化的重介质选煤动态模型[D]. 彭勇. 中国矿业大学, 2021
- [3]数据驱动的重介质选煤过程运行状态评价方法[D]. 傅逸灵. 中国矿业大学, 2021
- [4]选煤厂重介质悬浮液密度控制方案优化[J]. 寇金成. 山西焦煤科技, 2021(03)
- [5]选煤厂重介质分选智能控制系统研究[J]. 李真. 自动化应用, 2021(01)
- [6]基于模糊控制的重悬浮液密度控制系统研究[J]. 蔡先锋. 选煤技术, 2020(04)
- [7]重介质选煤过程先进控制：研究进展及展望[J]. 张凌智,代伟,马小平. 工矿自动化, 2020(08)
- [8]基于X射线图像处理的煤矸识别技术研究[D]. 于中山. 安徽理工大学, 2020(04)
- [9]重介分选过程密度宽域智能控制方法研究与应用[D]. 邱佳楷. 太原理工大学, 2020(07)
- [10]基于数据驱动的重介密度控制智能化研究[D]. 洪志鑫. 中国矿业大学, 2020(01)