基于多目標(biāo)分層遺傳算法的溢流粒度軟測量.pdf

1、碩士學(xué)位論文基于多目標(biāo)分層遺傳算法的溢流粒度軟測量Multi—objectiveHierarchicalGeneticAlgorithmBasedSoft—sensorofOverflowParticleSize學(xué)21209123大連理工大學(xué)DalianUniversityofTechnology大連理工大學(xué)碩士學(xué)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(chǎn)狀況及后續(xù)產(chǎn)品質(zhì)量的重要指標(biāo)。由于影響溢流粒度的因素很多且關(guān)系復(fù)雜，

2、難以建立機理驅(qū)動粒度檢測模型，因此，工業(yè)現(xiàn)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(shù)據(jù)，可以采用數(shù)據(jù)驅(qū)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(shù)據(jù)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(zhǔn)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(biāo)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(shù)類型及相關(guān)參數(shù)，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(guān)聯(lián)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(shè)計了遺傳算法各層編碼策略，并構(gòu)建了以平均絕對百分誤差(MeanAbsolutePercentageError

4、，MAPE)和均方根誤差(RootMeanSquareError，RMSE)為標(biāo)準(zhǔn)的適應(yīng)度函數(shù)來計算遺傳算法每一層個體的適應(yīng)度值。鑒于模糊模型訓(xùn)練過程中可能出現(xiàn)異常解，本文將LM貝葉斯正則化方法融入訓(xùn)練過程。為驗證本文方法的有效性，分別選取標(biāo)準(zhǔn)數(shù)據(jù)集和我國某選礦廠實際生產(chǎn)數(shù)據(jù)進行實驗，并與已有多種方法進行對比實驗，實驗結(jié)果表明本文方法對含噪聲磨礦數(shù)據(jù)進行軟測量建模具有較好的準(zhǔn)確性和穩(wěn)定性。基于本文方法所實現(xiàn)的軟件系統(tǒng)在實際應(yīng)用中效果顯著