基于多目標分層遺傳算法的溢流粒度軟測量.pdf

1、碩士學位論文基于多目標分層遺傳算法的溢流粒度軟測量Multi—objectiveHierarchicalGeneticAlgorithmBasedSoft—sensorofOverflowParticleSize學21209123大連理工大學DalianUniversityofTechnology大連理工大學碩士學位論文摘要磨礦過程的旋流器溢流粒度是判斷磨礦分級作業(yè)生產狀況及后續(xù)產品質量的重要指標。由于影響溢流粒度的因素很多且關系復雜，

2、難以建立機理驅動粒度檢測模型，因此，工業(yè)現場一般采用離線化驗或在線檢測的方法對溢流粒度進行檢測。然而，離線化驗方法滿足不了實時性要求，在線檢測方法因受噪聲等因素影響測量精度不高。鑒于磨礦過程積累的大量歷史數據，可以采用數據驅動軟測量方法對溢流粒度進行估計，進而為磨礦過程的控制及決策提供參考信息。針對溢流粒度檢測時存在的建模數據含噪聲信號較高，輔助變量難以確定，對溢流粒度建立軟測量模型既要求準確性又要求穩(wěn)定性等問題，本文提出了一種基于多目

3、標分層遺傳算法的溢流粒度模糊建模方法，該方法將模糊模型分為四層：輸入變量層、隸屬度層、規(guī)則庫層和系統(tǒng)集成層。輸入變量層用于獲取軟測量模型的輔助變量，隸屬度層用于獲取隸屬度函數類型及相關參數，對輔助變量進行模糊劃分，規(guī)則庫層用于確定模型的所有規(guī)則，系統(tǒng)集成層將前三層關聯起來，代表一個完整的軟測量模型。為達到各層共同進化的目的，本文設計了遺傳算法各層編碼策略，并構建了以平均絕對百分誤差(MeanAbsolutePercentageError

4、，MAPE)和均方根誤差(RootMeanSquareError，RMSE)為標準的適應度函數來計算遺傳算法每一層個體的適應度值。鑒于模糊模型訓練過程中可能出現異常解，本文將LM貝葉斯正則化方法融入訓練過程。為驗證本文方法的有效性，分別選取標準數據集和我國某選礦廠實際生產數據進行實驗，并與已有多種方法進行對比實驗，實驗結果表明本文方法對含噪聲磨礦數據進行軟測量建模具有較好的準確性和穩(wěn)定性?；诒疚姆椒ㄋ鶎崿F的軟件系統(tǒng)在實際應用中效果顯著