基于貝葉斯核學習的軟測量模型在濃密洗滌過程中的應用.pdf

1、我國蘊藏著豐富的有色金屬資源，但是隨著社會經(jīng)濟的快速發(fā)展和工業(yè)化進程的推進，加速了對有色金屬資源的消耗，使得有色金屬資源日趨枯竭，嚴重地制約著我國經(jīng)濟社會的可持續(xù)發(fā)展。濕法冶金能夠處理復雜礦、低品位礦，環(huán)境污染少，能夠高效利用礦產(chǎn)資源，同時易于實現(xiàn)生產(chǎn)過程的連續(xù)化和自動化。濃密洗滌過程是濕法冶金過程的一道關鍵工序，其底流濃度是衡量濃密洗滌過程質量的關鍵指標。為了實現(xiàn)對濃密洗滌過程的控制和優(yōu)化，需要建立高精度的濃密洗滌過程模型。
　

2、　本文針對濕法冶金濃密洗滌過程關鍵變量難以在線測量的問題，在深入分析濃密洗滌過程特點的基礎上，利用機理建模與數(shù)據(jù)建模相結合的混合建模方法實現(xiàn)濃密洗滌過程關鍵變量的在線預報，在此基礎上研究了基于模型評價的模型校正策略，實現(xiàn)模型的在線應用。本文的主要研究工作歸納如下:
　　(1)從濃密洗滌過程礦漿沉降原理出發(fā)，依據(jù)固體通量理論和質量守恒理論建立濃密洗滌過程礦漿濃度分布機理模型。通過對所建立的模型進行模擬仿真，深入了解了濃密洗滌過程的特

3、性，找出了影響濃密洗滌過程的主要因素，確定了軟測量模型中的輔助變量，為建立軟測量模型奠定了基礎。
　　(2)針對原有機理模型難以在工業(yè)現(xiàn)場直接應用的難題，采用并聯(lián)混合建模方法建立濃密洗滌過程的軟測量模型。該模型由簡化機理模型與數(shù)據(jù)補償模型共同組成，因此能夠發(fā)揮不同建模方法的優(yōu)點。考慮到濃密洗滌過程所具有的非線性特性，采用最小二乘支持向量機方法實現(xiàn)對機理模型預報誤差的非線性擬合，并利用貝葉斯方法對最小二乘支持向量機的參數(shù)進行估計。通

4、過模擬仿真分析，可以看出混合模型能夠對機理模型的預測誤差進行補償，進一步提高了模型預測精度。
　　(3)針對軟測量模型無法跟蹤過程慢時變的特性，提出了一種基于模型性能評價的模型校正策略。通過高斯混合模型對混合模型預測誤差的分布進行描述，實現(xiàn)模型性能評價。基于GMM模型評價結果，采用偏差補償和模型校正的混合校正策略。當評價指標在正常范圍內(nèi)，采用GMM模型對輸出誤差進行補償;當連續(xù)多個預測誤差較大時，采用在線參數(shù)校正和GMM模型輸出誤