一、粗集神经网络在阳离子反浮选控制中的应用（论文文献综述）
武文泽[1]（2020）在《基于机器视觉的选煤厂输送机皮带磨损故障诊断研究》文中研究表明矿用皮带输送机在长时间、高负荷的运行下会在皮带表面产生较为明显的磨损,如果不加以监测,一旦磨损加剧,造成皮带磨通或断裂,会对生产造成不良影响,带来经济损失,甚至危及人身安全,造成严重生产事故。目前对皮带安全防护的研究较多,但大多集中在皮带撕裂、跑偏等急性故障,对于上面提到的慢性故障涉及不多,本文研究的目的是代替皮带磨损的日常人工巡检,提供更可靠、更有效、也更智能的皮带磨损故障诊断方法,因此,具有较好的新颖性和实用价值。皮带磨损会形成层次分明的磨损分层,大部分磨损分层条纹是几条与皮带机运输方向平行的直线条纹,从未磨损到磨损五层,拍摄皮带磨损图片并分类,共采集到144张磨损图片。由于工业现场环境复杂,有些皮带磨损条纹是环形,有些磨损皮带会在皮带两边呈现干扰条纹,这些情况对皮带磨损的检测都造成了较大干扰。首先,提出灰度分析法。将皮带图像在平行于磨痕方向灰度做平均后以垂直于磨痕方向为横坐标,平均灰度为纵坐标绘制出平均灰度曲线,磨损分层界面由于亮度较高会产生一个波峰,将平均灰度曲线与正弦函数拟合后求残差计算相应的波峰个数可以简单判断皮带磨损层数进而识别皮带的磨损程度,但由于工业现场皮带磨损条纹不都是线性,还存在环形条纹,因此该灰度分析方法在判断此类皮带磨损程度时存在缺陷。其次,提出基于人工图像特征提取的诊断方法。提取皮带磨损图片的7个纹理特征（灰度共生矩阵纹理特征4个、Tamura纹理特征3个）、2个灰度颜色特征以及基于皮带磨损图像的特点的2个图像统计特征（图像熵、图像标准差）,共计11个图像特征。利用支持向量机（SVM）与线性判别式分析（LDA）分别对提取到的图像特征按照磨损层数进行分类学习。实验表明:基于SVM方法的分类正确率为83.8%,基于LDA方法的分类正确率为82.4%。最后,提出基于深度学习的诊断方法。将工业现场的144张图片按磨损层数分为6类分别用AlexNet深度神经网络与GoogLeNet深度神经网络进行迁移训练,其中AlexNet数据集与测试集比例为8:2,此外选14张不同类别的磨损图像作为检测集。由于5层磨损的图片数据集较少,采用加高斯噪声、鱼眼变换、傅里叶低通滤波与直方图均衡化4种方式扩充5层磨损的数据集。分别将未扩充数据集与扩充数据集后的样本用GoogLeNet做迁移训练。实验表明:AlexNet迁移训练的平均正确率为91.5%,未扩充数据集的GoogLeNet迁移训练平均正确率为87.7%,扩充5层磨损数据集后平均正确率为89.2%。可见,AlexNet深度神经网络方法识别效果最好,能够用于皮带磨损慢性故障的诊断。
潘丽荣[2]（2019）在《选煤厂浮选自动控制系统研究与应用》文中认为选煤厂浮选系统作为煤炭洗选加工的重要组成环节,提高其自动化控制水平对提升煤炭质量,提高生产效率有着重要意义。浮选自动化控制越来越受到重视,如药剂的自动添加、设备的自动调整等。因此,对于浮选自动控制系统的研究意义重大。本文对目前国内外选煤厂所用到的自动化生产和监控技术进行分析总结,针对浮选工艺中加药制度难以精确量化,回收率偏低,浮选指标波动频繁等因素导致产品质量下降,生产效率较低的问题。本文以选煤厂的浮选系统为研究对象,研究了浮选系统的工艺流程,分析了影响浮选精度的主要因素并采用了前馈反馈控制算法来优化浮选过程;其次,通过分析与浮选精煤灰分有关的重要因素,建立了浮选药剂的添加模型,并通过实验仿真验证了模型的正确性,确定了浮选药剂的使用类型以及药剂配比方案;最后本文设计了浮选自动控制系统,并选取西门子s7-300为PLC控制的核心模块,配合wincc显示控制模块实现控制与监控功能。系统软件主要通过对PLC的编程实现自动控制,使系统能够对药剂添加进行程序指导,并建立了上位监测系统实时控制监测现场的洗煤过程,最终实现了选煤厂浮选系统的自动控制。通过对选煤厂浮选自动控制系统的研究,可以提高生产效率并确保了产品质量,能够对选煤厂自动化控制领域进行补充和完善,具有一定的理论研究和工程应用价值。
陈晓天[3]（2017）在《基于智能加药的煤泥浮选控制系统研究》文中提出浮选加药作为煤泥浮选过程的重要环节,其药剂量的准确添加对浮选的效果有很大的影响。目前煤泥浮选生产中由于缺少高精度的浮选变量检测设备和有效的加药策略,加药量的多少往往只能凭借工人的生产经验去添加。这种加药的方法不仅加重了工人的劳动强度,而且还会因为主观因素造成浮选精煤灰分的不稳定,从而影响了生产的效益。为了解决上述问题,本文在对赵楼选煤厂煤泥浮选工艺深入分析的基础上,运用智能加药技术对煤泥浮选控制系统进行了研究。制定了以浮选精煤灰分作为系统的主要被控量,以向矿浆预处理器中添加的浮选药剂量作为系统的控制量,以图像识别技术和专家系统作为监督手段的总体方案。首先,通过对该选煤厂煤泥浮选工艺过程和实际的生产记录数据进行了研究分析,确立了对浮选加药的重要过程参数;在此基础上构建了基于GRNN神经网络的浮选加药预测模型,并用交叉验证搜索算法对该神经网络模型的参数进行求解,通过与BP、GA-BP预测模拟的对比,得出其在浮选加药方面的优越性。然后,在对泡沫图像去噪声处理的基础上,通过MIV值评价法对影响精煤灰分的泡沫特征进行了筛选,建立了基于RBF神经网络的浮选精煤灰分预测模型,并用递归最小二乘法对其模型参数进行求解,进而通过与BP网络的比较,得到其在浮选精煤灰分预测方面的优越性。再次,在对浮选精煤灰分预测和泡沫图像特征提取的基础上,建立以专家系统为核心的浮选加药量矫正模型,对浮选预测加药量进行在线修正。最后,在以上研究的基础上,搭建了系统的软硬件模型,并对系统做了仿真运行,验证了其研究的可行性。
佟曦[4]（2016）在《基于ESN混沌时间序列的RBF神经网络对浮选经济指标的预测分析》文中研究指明选矿企业作为典型的连续流程型企业,其最关键生产指标通常指精矿品位及作业回收率,对于浮选过程而言,精矿品位的稳定与否更是对企业的经济效益起着决定性的作用。传统的选矿厂通常参考要达到的经济目标根据选矿流程机理和工厂生产积累的经验把要达到的生产指标分解为对应的工艺指标,例如给矿粒度、矿浆浓度和浮选剂添加量等,车间工作人员的工作则是将这些工艺指标控制在在规定的范围内,而生产管理人员则按照工艺指标是否在规定范围内来判断生产操作的好坏。本文的所研究的主要是通过对浮选生产过程关键工艺指标进行优化从而实现对浮选生产过程中浮选经济指标最优控制的目的。本文以某选矿厂采集的浮选经济指标数据为基础,选取给矿品位、给矿粒度、给矿浓度、给矿流量四种数据作为RBF神经系统的输入量,精矿品位以及作业回收率两种指标作为神经网络的输出量,利用MATLAB软件中的simulink工具箱进行编译程序、模拟仿真。对比实际曲线与期望曲线之间的误差,观察实际曲线是否平滑,调节神经网络与混沌时间序列结合后的系统精度,考察调整参数后系统的拟合程度是否已达到要求值。实验结果分析表明:利用RBF神经网络可对混沌系统进行预测分析,算法简便,响应速度快,省去许多繁琐的步骤,提高运算效率。同时通过对Mackey-Glass和Lorenz混沌系统的模拟仿真也直接表明了利用神经网络对混沌系统的建模及分析可以有效提高系统的的精度。同时,对于浮选过程的建模及仿真也充分说明了RBF神经网络可对混沌时间序列进行有效预测,也是可以应用与生产实践的有效方法,也为未来的研究打好了基础。
桂艳球[5]（2014）在《基于数据的铜浮选过程网络化建模与工况特性分析》文中研究说明：铜浮选生产是铜矿选别中的重要工艺过程,浮选过程工艺参数众多、参数间存在复杂关联且存在对浮选工况不同影响,导致工艺参数难以实时调节,从而影响浮选工况的稳定运行。当前铜浮选过程中积累了海量的生产运行数据,从数据中挖掘出有效的知识用于工况特性分析,对提高铜选矿过程的资源利用率和生产效率具有重要意义。网络化数据挖掘是采用复杂网络的方法来建模,通过将大规模实际数据对象及对象间的关系映射为网络拓扑的形式,将网络拓扑作为一种知识表示方式,采用复杂网络的理论和方法,对网络拓扑结构进行分析和挖掘,发现蕴涵的浮选操作间联系规律的信息和知识。通过建立基于数据的铜浮选过程网络化模型,用复杂网络方法研究浮选生产过程大规模数据对象间的相互关系,并对不同工况下网络拓扑特性进行研究,识别关键工艺参数,并对铜浮选过程工况特性进行分析。因此,论文的研究内容和主要创新点如下：（1）针对铜浮选过程中参数多且参数间严重耦合特点,通过分析参数度量样本间的相似性,综合考虑铜浮选过程中工艺参数对工况的不同影响,提出了利用工艺参数关联网络来辨识敏感参数的方法。为了建立准确的浮选过程网络模型,首先利用拉依达准则与标准化方法进行数据预处理,再以参数为节点,参数间联系为连边,基于时间序列相似性度量与最小生成树方法构建参数关联网络模型,最后利用基于加权网络凝聚度及节点重要度指标评估方法辨识敏感参数。（2）为了准确地识别浮选过程的不同工况,提出了决策参数集的概念,基于决策参数集样本间的相似性分析,选取合理阈值构建决策参数集关联网络。利用改进的K-means聚类算法探寻关联网络子社团,进而识别浮选过程的不同工况,并分析不同工况对应的子社团拓扑特性,揭示了网络拓扑特性与浮选过程工况的联系,所提方法将对于浮选过程中多参数间关系的直观分析与工况识别提供新途径和新方法。图18幅,表7个,参考文献72篇。
王光辉[6]（2012）在《煤泥浮选过程模型仿真及控制研究》文中研究表明随着原煤入洗量的增大、入洗原煤的煤质变化波动较大以及市场对煤炭产品品质要求日益严格的形势下，作为煤炭洗选过程的主要环节，浮选过程的自动化水平则越来越被人们重视。但是，在煤泥浮选自动化实施的过程中面临着一些难题，阻碍着浮选过程自动化发展的步伐。首先，煤泥浮选过程变量的检测设备和手段严重滞后于控制策略的研究；其次，缺乏有效实用的控制模型来指导浮选过程的自动控制；再次，虽然控制理论的研究已经十分成熟，但是真正应用于浮选过程的控制策略还不完善。因此，论文分别从煤泥浮选过程变量检测、浮选过程建模和浮选过程控制系统构建三个方面进行了研究。论文是在选煤厂实际生产环境下进行研究的。论文以薛湖选煤厂浮选设备浮选床及其配套设施为研究对象，针对该厂浮选过程中存在的实际问题进行系统分析，结合煤泥浮选过程控制变量分析，确定了以浮选入料灰分、浮选入料流量和浮选入料浓度为干扰变量；捕收剂和起泡剂的添加量为操作变量；尾矿灰分为被控变量的控制结构。为了建立煤泥浮选过程的药剂添加量模型，制定了离线试验方案，在现场进行连续20天的采样，采样数据包括原煤灰分、浮选入料灰分、浮选入料流量、浮选入料浓度、浮选精煤和尾矿灰分、捕收剂和起泡剂的加药量。通过对数据的整理分析发现，在采样期间内，原煤灰分和浮选入料灰分波动大，并且保持着较好的相关性；浮选入料流量由于工艺流程的原因，波动范围较大；浮选入料浓度波动范围较小；浮选精煤灰分比要求指标都偏低并且保持在一个较好的水平；尾矿灰分一般偏低并且波动较大。最终确定了以满足尾矿灰分为主要目标。利用原煤-1.4g/cm3和+1.8g/cm3两个密度级的基础灰分样品，配制灰分从6.58%到85%不同灰分级的煤浆样品，分别对两组样品在CIE推荐的（0/45）反射样品测量的标准照明和观察几何条件下进行图像采集。每组样品中不同灰分级的煤浆图像在表观上已经有了良好的区分度，并且随着灰分的增高，图像的灰度也呈现增大的趋势。对其中一组样品进行XRD分析，结果表明，随着煤浆样品灰分的升高，其高岭石的含量也相应增加，煤浆样品图像的灰度也相应增大，因此可以用煤浆样品图像的灰度来预测煤浆的灰分含量。通过原煤灰分和浮选入料灰分采样的数据的分析表明：原煤灰分与浮选入料的灰分保持着相同的变化趋势，因此可以建立原煤灰分和浮选入料灰分的预测模型，通过原煤灰分仪在线预测浮选入料的灰分。搭建了煤泥浮选控制系统的硬件平台。通过建立的数据采集模块将原煤灰分仪的数据采集到浮选控制系统中，结合浮选入料的软测量模型实现浮选入料灰分的在线监测。改进了煤浆灰分的在线检测传感器，实现了尾矿灰分的在线检测。应用光照模型，推导了图像灰度值和光强之间的模型，确定了煤浆图像灰度值的大小的主要影响参数是漫反射系数K a和镜面反射系数K S，这两个系数都与被拍摄物质的基本光学属性决定，验证了建立煤浆图像的灰度与煤浆灰分之间的软测量模型来实现煤浆灰分检测的可能性。选取灰度图像的平均灰度值、方差、平滑度、偏度、能量、熵六个特征值作为煤浆灰度图像特征，对利用基础灰分样品得到的两组煤浆图片的灰度直方图进行分析表明，随着煤浆灰分增大，灰度直方图的平均灰度值、方差、平滑度不断增大，能量则随着灰分的增大不断减小，偏度和熵随着灰分的增大并没有呈现很强的规律性。对煤浆灰度图像的6个特征值进行相关性分析表明：除了灰度图像的偏度与实际灰分值之间的相关性不显着之外，其它5个灰度图像的特征值均与煤浆的实际灰分值之间存在着较强的相关关系。将灰度平均值、方差、平滑度、熵和能量这5个特征向量作为煤浆灰分BP神经网络训练模型的输入建立煤浆灰分的软测量模型。将用最小二乘法得到的煤浆灰分预测模型和利用BP神经网络建立的模型的MSE和R值对比得到：利用BP神经网络得到的煤浆灰分的软测量模型的准确程度更高。但是对于浮选入料等灰分比较低的煤浆，该方法建立的软测量模型误差较大。建立了原煤灰分与浮选入料之间的关系模型，实现了浮选入料灰分的预测。将浮选入料流量、浓度灰分和浮选尾矿灰分作为煤泥浮选药剂添加量模型的输入，捕收剂和起泡剂的药剂流量作为该模型的输出。采样得到的浮选入料流量、浓度灰分和浮选尾矿灰分与浮选药剂添加量之间的关系呈离散状态。对浮选药剂添加量模型的输出进行PCA分析表明：输入变量的前三个特征维的贡献率的总和超过了90%，故选取前三个特征维作为煤泥浮选药剂添加量模型的输入。利用采样得到的94组实验数据建立了煤泥浮选过程药剂添加量的GA-SVMR模型，误差分析表明：GA-SVMR的预测能力强于SVMR获得的预测模型。在建立的GA-SVMR煤浆灰分预测模型的基础上建立的基于模型参考的模糊自适应控制系统，通过仿真表明设计的基于模型参考的模糊自适应控制系统，能够随着对象的变化，自适应地调整自身的结构参数，弥补模型预测中存在的偏差，因此能够有效地和预测模型相结合对系统实现较好的控制性能。应用串口通讯协议，开发了基于COM口单向数据流的灰分数据采集模块，实现了灰分仪数据与控制系统数据的无缝衔接。构建了基于OPC协议的MATLAB与iFix接口通讯协议，实现了MATLAB与上位机之间的数据共享。
刘小波[7]（2012）在《泡沫图像处理技术在矿物浮选作业中的应用》文中研究指明结合云南省院省校合作项目浮选泡沫层测控系统开发及产业化研发过程,介绍一种基于数字图像处理及识别技术的浮选过程控制新思路。在浮选生产中,浮选泡沫表面纹理与浮选工况密切相关,直接反映泡沫层的矿化程度（品位高低）。通过对云南某铅锌矿选厂浮选泡沫图像的分析处理,提取出能够表示泡沫层特征的参数,达到间接测量气泡的大小、纹理、稳定性、流动性等泡沫层特征状况。采用邻域灰度相关矩阵法提取特征参数,然后用神经网络进行分类,给出浮选效果的分类判断。
李启福[8]（2012）在《铝土矿泡沫浮选过程精矿品位预测模型的研究》文中研究指明泡沫浮选广泛应用于矿物分离。精矿品位是泡沫浮选过程的重要质量指标,然而目前多数浮选工厂都是通过离线化验得到精矿品位,离线化验需要较长时间,导致调节滞后。为此,本文研究如何建立准确的精矿品位预测模型,为实现浮选过程的优化控制提供指导。论文在对浮选机理深入分析的基础上,分别建立了精矿品位与回收率的关系模型以及回收率的机理模型,从而实现精矿品位的机理预测。尽管该机理模型能够较好地反映工业过程,但由于做了较多的简化和假设,模型预测结果误差较大,其预测精度不能满足工业需求,为此基于泡沫图像特征探讨了精矿品位的数据建模方法。文中,简单介绍了泡沫图像获取系统结构,给出了浮选槽表面泡沫各种图像特征的获取方法,并对获取到的泡沫图像特征数据进行了异常点去除和小波去噪等预处理,建立了以泡沫特征数据为输入的B样条偏最小二乘（B Spline Partial Least Squares, BS-PLS）精矿品位预测模型。考虑到该数据模型能够取得较高精度,但其泛化能力较差,预测结果不稳定,而机理模型有较好的泛化能力,故采用信息熵的方法将机理模型与数据模型集成,建立了精矿品位预测的集成模型；为保证模型预测精度,采用滑窗滚动方法更新两个单一模型的参数和集成模型的权值,且用集成模型偏差对输出进行了修正。基于工业现场数据进行仿真验证,仿真结果表明,集成模型的预测结果要优于两个单一模型,满足工业应用中的精度和稳定性要求,为建立优化控制系统提供可靠依据。
孙健[9]（2012）在《交叉口公交信号优先智能控制算法研究》文中提出面对城市交通的严峻形势,发展城市公共交通以提高公共道路资源利用效率已经成为共识,而公交信号优先作为先进公共交通系统中的重要组成部分已成为缓解城市交通问题的有效途径,如何在考虑时间资源条件和能源消耗的前提下,坚持公交优先并科学保障多方式交通流协同运行,己成为亟待解决的难题。论文采用绿灯时间延长和绿灯提前启亮两种控制策略,基于粗糙集理论和延误面积模型两种算法,综合考虑了公交信号优先对其他社会车辆造成的延误、速度、尾气排放等影响,对交叉口公交信号优先进了改进研究,实现了公交车在时间上的优先通行,取得了很好的效果。本论文研究主要的内容有以下几个方面：1.对公交信号优先控制策略进行了研究,重点研究了主动优先控制策略中绿灯延长和绿灯提前启亮两种方式。2.结合粗糙集理论构建了红灯相位车辆急切度、绿灯相位阻塞度、绿灯相位公交车优先度等三个粗糙控制参数,建立了粗糙控制系统,以中关村北大街-学院南路交叉口为研究对象,以粗糙控制参数为条件属性,绿灯时间延长为决策属性建立了决策表,使用粗糙集理论对该决策表进了约简,获取了粗糙控制规则作为控制策略,最后根据控制规则在交叉口应用情况,使用延误模型,分别对采用粗糙控制和定时控制的两种方式进行了对比,结果表明,使用粗糙控制算法可以减少公交车乘客在交叉口的平均等待时间大约是6.86%,实现了公交车在交叉口时间通行权上的优先。33.对公交车流率和交叉口延误之间的关系进了研究,结合延误面积模型构建并计算了车均人时总延误、车均延误、尾气车均排放等参数,建立了交叉口效益模型,根据效益模型,以中关村北大街-学院南路交叉口为研究对象,对采用绿灯延长时间动态变化和绿灯延长时间固定两种方式对各相位绿灯延长时间进行了合理分配,采用绿灯延长时间动态变化方式比采用绿灯延长时间固定方式,所实现的交通效益值的优化程度为22.618%；从而在交叉口的交通效益最大化的情况下使公交车获得了优先通过权。
马百杰[10]（2012）在《阴离子反浮选智能加药控制的研究》文中进行了进一步梳理阴离子反浮选过程中药剂添加对精矿指标影响重大,但浮选药剂与其影响因素之间具有强非线性、不确定性,难以用精确的数学模型来描述,常规控制方法难以实现药剂添加的精确控制。长期以来,一直是人工调节药剂添加量,使精矿品位容易波动并且药剂浪费严重。为解决上述难题,本文依据某选矿厂浮选生产实际,提出了一个基于图像识别系统与OPC通信的阴离子反浮选智能加药控制方案。首先,根据图像识别系统,通过相机/摄像机实时传递图像给控制中心处理,然后控制处理中心经过处理,得到有用的信息,根据得到的信息来对浮选过程中精矿品位与回收率进行实时预测。。结果表明本文所提图像识别系统有利于精矿品位与回收率的实时预测。有了精矿品位与回收率的准确预测,通过粗糙集-神经网络,得到药剂添加的控制法则,实现药剂合理添加。然后,以厂区现有网络通信及设备为基础,利用OPC技术实现厂区数据通信,以SQL SERVER作为系统数据库、VB.NET作为系统开发平台构建了智能控制系统。通过仿真研究表明,智能加药控制模型能够实现药剂添加量的准确预测。智能加药控制模型能够通过OPC通信技术实现与加药机上位机软件组态王的数据交换,从而达到药剂添加智能控制的目的。
二、粗集神经网络在阳离子反浮选控制中的应用（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、粗集神经网络在阳离子反浮选控制中的应用（论文提纲范文）
（1）基于机器视觉的选煤厂输送机皮带磨损故障诊断研究（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 |
| 1.2 研究路线和内容 |
| 1.3 本章小结 |
| 2 文献综述 |
| 2.1 皮带防护综述 |
| 2.2 机器视觉在选矿领域的应用 |
| 2.3 本章小结 |
| 3 基于灰度分布分析的皮带磨损故障诊断 |
| 3.1 皮带磨损实验准备 |
| 3.2 灰度分布分析判断方法 |
| 3.3 灰度分布曲线的平均滤波分析与拟合分析 |
| 3.4 非线性复杂皮带磨损分析 |
| 3.5 本章小结 |
| 4 基于图像特征提取和SVM、LDA的皮带磨损故障诊断 |
| 4.1 图像特征参数提取 |
| 4.2 支持向量机皮带磨损识别 |
| 4.3 线性判别式分析(LDA)法识别 |
| 4.4 本章小结 |
| 5 基于深度学习的皮带磨损故障诊断 |
| 5.1 AlexNet皮带磨损图像分类 |
| 5.2 GoogLeNet皮带磨损图像分类 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 研究结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（2）选煤厂浮选自动控制系统研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 浮游选煤研究现状综述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 选煤技术介绍 |
| 1.3.1 重介质选煤技术 |
| 1.3.2 浮选选煤技术 |
| 1.3.3 浮游选煤技术中常用的药剂 |
| 1.4 论文研究内容及章节安排 |
| 1.5 本章小结 |
| 2 选煤厂浮选工艺研究 |
| 2.1 选煤厂主洗系统的工艺流程 |
| 2.2 浮选系统的工艺流程 |
| 2.3 浮选药剂添加流程 |
| 2.4 浮选精度影响因素分析 |
| 2.5 浮选过程控制算法研究 |
| 2.6 本章小结 |
| 3 选煤厂浮选药剂添加模型研究 |
| 3.1 选煤厂入浮原煤性质分析 |
| 3.1.1 入浮原煤浮选试验 |
| 3.1.2 浮选速度试验 |
| 3.2 最佳药剂配比模型建立 |
| 3.2.1 建模工具的选择 |
| 3.2.2 模型建立 |
| 3.2.3 模型验证 |
| 3.3 药剂类别及用药量试验 |
| 3.4 药剂比例试验与分析 |
| 3.5 本章小结 |
| 4 浮选自动控制系统设计 |
| 4.1 浮选控制系统 |
| 4.2 浮选系统控制策略 |
| 4.2.1 前馈控制方法研究 |
| 4.2.2 反馈控制方法研究 |
| 4.3 浮选控制系统硬件设计 |
| 4.3.1 信号采集装置选型 |
| 4.3.2 PLC控制器及执行单元 |
| 4.4 浮选控制系统软件设计 |
| 4.4.1 编程软件STEP |
| 4.4.2 人机交互界面的设计 |
| 4.4.3 信号传输方式 |
| 4.5 本章小结 |
| 5 浮选自动控制系统调试运行结果 |
| 5.1 浮选控制系统调试 |
| 5.2 主洗控制系统调试 |
| 5.3 系统调试结果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）基于智能加药的煤泥浮选控制系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 课题来源与背景意义 |
| 1.3 浮选智能加药在国内外的研究现状 |
| 1.4 论文研究的主要内容及章节安排 |
| 2 基于智能加药的煤泥浮选控制系统方案设计 |
| 2.1 引言 |
| 2.2 煤泥浮选基本原理及工艺过程简介 |
| 2.3 基于智能加药的煤泥浮选控制系统设计方案 |
| 2.4 本章小结 |
| 3 基于神经网络的煤泥浮选加药量预测 |
| 3.1 引言 |
| 3.2 浮选加药过程参数的选取 |
| 3.3 基于BP神经网络的浮选加药量预测 |
| 3.4 基于GA-BP神经网络的浮选加药量预测 |
| 3.5 基于GRNN神经网络的浮选加药量预测 |
| 3.6 预测结果比较 |
| 3.7 本章小结 |
| 4 基于泡沫图像的煤泥浮选精煤灰分预测 |
| 4.1 引言 |
| 4.2 浮选泡沫图像特征值的选取 |
| 4.3 基于泡沫图像的浮选精煤灰分的预测 |
| 4.4 本章小结 |
| 5 基于专家系统的煤泥浮选加药设计与实现 |
| 5.1 引言 |
| 5.2 专家系统的简介与构成 |
| 5.3 专家系统的设计步骤 |
| 5.4 煤泥浮选加药的专家系统设计与实现 |
| 5.5 本章小结 |
| 6 基于智能加药的煤泥浮选控制系统实现 |
| 6.1 系统的硬件构成 |
| 6.2 系统的软件构成 |
| 6.3 系统的模拟运行 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于ESN混沌时间序列的RBF神经网络对浮选经济指标的预测分析（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 浮选经济指标的理论研究及国内外发展现状 |
| 1.2.1 浮选经济指标的理论研究 |
| 1.2.2 国内外研究现状 |
| 1.3 论文的各章节安排 |
| 2.浮选工艺原理及发展过程 |
| 2.1 浮选工艺理论概述 |
| 2.2 浮选基本概况 |
| 2.2.1 浮选中对精矿品位测量的方法 |
| 2.2.2 影响浮选的因素 |
| 2.3 浮选工艺的演变 |
| 2.3.1 阶段磨矿和粗细分选工艺 |
| 2.3.2 联合工艺及泡沫分选 |
| 3.混沌时间序列与RBF神经网络的建模与控制 |
| 3.1 混沌的定义以及方法 |
| 3.2 经典混沌系统 |
| 3.3 RBF神经网络（径向基函数）结构 |
| 3.3.1 RBF神经网络模型的结构 |
| 3.3.2 RBF神经网络的分类 |
| 3.4 RBF神经网络常用函数 |
| 3.4.1 高斯函数 |
| 4.混沌系统的相空间重构 |
| 4.1 混沌时间序列的相空间重构 |
| 4.1.1 相空间重构发展历程 |
| 4.1.2 嵌入定理 |
| 4.1.3 嵌入维数的确定 |
| 4.1.4 虚假临近点法 |
| 4.1.5 延时时间τ的确定 |
| 4.2 典型混沌系统 |
| 4.2.1 Mackey-Glass混沌系统定义 |
| 4.2.2 Lorenz混沌系统定义 |
| 4.3 利用混沌蚁群算法优化RBF神经网络 |
| 4.3.1 混沌蚁群优化算法 |
| 4.3.2 混沌蚁群算法的特点 |
| 4.3.3 混沌蚁群优化算法的数学模型 |
| 4.3.4 利用混沌蚁群优化算法训练 RBF 神经网络的步骤 |
| 4.3.5 模拟仿真 |
| 4.4 本章小结 |
| 5.仿真实验及其设计 |
| 5.1 仿真实验的设计流程 |
| 5.1.1 混沌系统的归一化 |
| 5.2 仿真实验结果 |
| 5.2.1 Mackey-Glass方程仿真 |
| 5.2.2 Lorenz方程仿真 |
| 5.3 本章小结 |
| 6.浮选经济指标的预测 |
| 6.1 浮选精矿指标预测模型 |
| 6.2 实验仿真 |
| 6.2.1 在MATLAB环境下编译函数 |
| 6.2.2 数据的采集及整理 |
| 6.2.3 预测仿真步骤 |
| 6.3 结论 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）基于数据的铜浮选过程网络化建模与工况特性分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 基于数据的矿物浮选过程模型研究现状 |
| 1.2.1 基于数据的建模方法研究现状 |
| 1.2.2 基于数据的矿物浮选过程模型研究现状 |
| 1.3 基于数据的复杂网络建模与应用 |
| 1.4 本文研究内容和结构安排 |
| 2 复杂网络模型与统计特征 |
| 2.1 复杂网络的基本概念 |
| 2.1.1 复杂网络图的表示 |
| 2.1.2 复杂网络拓扑特性 |
| 2.2 复杂网络模型 |
| 2.2.1 规则网络 |
| 2.2.2 随机网络 |
| 2.2.3 小世界网络 |
| 2.2.4 BA无标度网络 |
| 2.3 复杂网络社团结构 |
| 2.3.1 社团结构描述 |
| 2.3.2 复杂网络社团探寻方法 |
| 2.4 本章小结 |
| 3 铜浮选过程分析及网络化建模框架 |
| 3.1 铜浮选机理 |
| 3.1.1 浮选基本原理 |
| 3.1.2 铜浮选工艺过程 |
| 3.2 浮选过程重要参数分析 |
| 3.2.1 铜优浮选过程参数采集分析 |
| 3.2.2 浮选工况的主要影响因素 |
| 3.2.3 表征浮选工况的泡沫图像特征 |
| 3.3 铜浮选过程网络化建模总体框架 |
| 3.4 本章小结 |
| 4 铜浮选过程工艺参数网络化建模与敏感参数辨识 |
| 4.1 铜浮选过程数据预处理 |
| 4.1.1 异常样本剔除 |
| 4.1.2 数据标准化 |
| 4.2 铜浮选过程工艺参数网络化建模 |
| 4.2.1 时序参数相似性度量 |
| 4.2.2 网络信息过滤 |
| 4.3 铜浮选过程敏感参数辨识 |
| 4.3.1 加权复杂网络 |
| 4.3.2 基于加权网络凝聚度的节点重要性评估方法 |
| 4.4 铜浮选过程实例分析 |
| 4.5 本章小结 |
| 5 基于社团探寻的铜浮选过程工况识别及拓扑特性分析 |
| 5.1 决策参数集关联网络构建 |
| 5.1.1 决策参数集关联网络构建 |
| 5.1.2 阈值的选取 |
| 5.2 基于改进的K-means聚类的网络社团探寻方法 |
| 5.2.1 初始聚类中心节点选择 |
| 5.2.2 基于Normal矩阵的谱平分法 |
| 5.2.3 基于改进的K-means聚类算法的网络社团探寻 |
| 5.3 社团探寻的工况识别及拓扑特性分析 |
| 5.3.1 基于社团探寻的工况识别及分析 |
| 5.3.2 基于社团子网的不同工况拓扑特性分析 |
| 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 |
| 攻读学位期间主要旳研究成果 |
（6）煤泥浮选过程模型仿真及控制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| Extended Abstract |
| 目录 |
| Contents |
| 图清单 |
| 表清单 |
| 1 绪论 |
| 1.1 课题来源及背景 |
| 1.2 论文主要工作 |
| 2 文献综述 |
| 2.1 煤泥浮选过程数学模型研究现状 |
| 2.2 浮选过程变量软测量 |
| 2.3 煤泥浮选系统控制研究现状 |
| 2.4 煤泥浮选过程控制中存在的问题 |
| 2.5 本文涉及的其他理论知识 |
| 2.6 本章小结 |
| 3 煤泥浮选过程试验分析 |
| 3.1 煤泥浮选过程研究环境 |
| 3.2 煤泥浮选过程控制变量分析 |
| 3.3 原煤可浮性评价 |
| 3.4 煤泥浮选过程变量离线数据采集 |
| 3.5 不同灰分煤浆样品图像采集 |
| 3.6 原煤性质与浮选入料性质对比 |
| 3.7 本章小结 |
| 4 煤泥浮选控制系统方案 |
| 4.1 系统整体架构思路 |
| 4.2 浮选过程变量检测设备及操作变量执行机构 |
| 4.3 控制系统搭建 |
| 4.4 本章小结 |
| 5 煤浆灰分软测量方法研究 |
| 5.1 引言 |
| 5.2 基于图像法的煤浆灰分检测原理的理论解释 |
| 5.3 图像灰度特征值及提取方法 |
| 5.4 煤泥图像的模式识别 |
| 5.5 浓度对煤浆灰分模型的影响 |
| 5.6 煤浆灰分预测模型的建立 |
| 5.7 基于原煤灰分的浮选入料软测量模型 |
| 5.8 本章小结 |
| 6 基于GA-SVMR的浮选药剂用量模型 |
| 6.1 浮选过程变量分析 |
| 6.2 输入数据集 PCA 分析 |
| 6.3 浮选药剂用量 SVMR 模型训练与部署 |
| 6.4 浮选药剂用量 GA-SVMR 模型训练与部署 |
| 6.5 本章小结 |
| 7 煤泥浮选智能自适应控制系统 |
| 7.1 开环控制系统 |
| 7.2 基于模型参考的模糊自适应控制系统 |
| 7.3 基于模型参考的模糊自适应煤泥浮选控制系统 |
| 7.4 系统仿真 |
| 7.5 本章小结 |
| 8 煤泥浮选过程智能控制系统的设计与开发 |
| 8.1 跨库跨平台数据共享 |
| 8.2 系统开发环境 |
| 8.3 组态监控系统设计 |
| 8.4 基于 COM 口单向数据流的灰分数据采集模块 |
| 8.5 基于 OPC 的 Matlab 与 iFix 双向数据流通信接口 |
| 8.6 本章小结 |
| 9 结论与展望 |
| 9.1 主要研究结论 |
| 9.2 主要创新点 |
| 9.3 研究工作展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（8）铝土矿泡沫浮选过程精矿品位预测模型的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 过程预测建模方法 |
| 1.2.1 机理建模方法 |
| 1.2.2 数据驱动建模方法 |
| 1.2.3 集成建模方法 |
| 1.3 国内外研究现状 |
| 1.3.1 浮选过程机理建模研究现状 |
| 1.3.2 浮选过程精矿品位传统预测方法研究现状 |
| 1.3.3 图像特征在工业指标预测中的应用现状 |
| 1.4 论文的主要内容和结构安排 |
| 第二章 精矿品位的机理预测模型研究 |
| 2.1 浮选机理 |
| 2.1.1 浮选原理 |
| 2.1.2 浮选工艺 |
| 2.2 精矿品位与回收率的关系 |
| 2.3 回收率的机理模型 |
| 2.3.1 泡沫回收率 |
| 2.3.2 收集回收率 |
| 2.3.3 总的回收率 |
| 2.4 精矿品位的机理预测模型 |
| 2.5 本章小结 |
| 第三章 泡沫图像特征的获取及其数据预处理 |
| 3.1 图像获取系统的搭建 |
| 3.2 泡沫图像特征的获取方法 |
| 3.2.1 颜色特征 |
| 3.2.2 纹理特征 |
| 3.2.3 速度特征 |
| 3.2.4 结构特征 |
| 3.2.5 承载率 |
| 3.3 图像特征数据预处理 |
| 3.3.1 异常值剔除 |
| 3.3.2 小波降噪 |
| 3.4 本章小结 |
| 第四章 基于泡沫图像特征的BS-PLS精矿品位预测模型 |
| 4.1 样条变换 |
| 4.1.1 插值理论 |
| 4.1.2 样条函数 |
| 4.2 偏最小二乘回归理论 |
| 4.2.1 基本原理 |
| 4.2.2 计算方法推导 |
| 4.2.3 交叉有效性 |
| 4.3 BS-PLS预测模型建模思路及其步骤 |
| 4.3.1 建模思路 |
| 4.3.2 建模步骤 |
| 4.4 模型仿真 |
| 4.4.1 模型输入 |
| 4.4.2 数值仿真 |
| 4.5 本章小结 |
| 第五章 基于信息熵集成的精矿品位预测模型 |
| 5.1 机理模型和BS-PLS模型存在的问题 |
| 5.2 基于信息熵的集成预测模型 |
| 5.2.1 信息熵概念及集成模型的结构 |
| 5.2.2 基于信息熵集成预测模型实现步骤 |
| 5.3 模型仿真 |
| 5.4 三种模型的评价 |
| 5.5 模型更新与修正 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间主要的研究成果 |
（9）交叉口公交信号优先智能控制算法研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 目录 |
| 图表目录 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 公交信号优先策略研究 |
| 1.3.2 公交信号优先控制算法研究 |
| 1.4 研究内容及框架 |
| 2 公交信号优先控制策略 |
| 2.1 被动优先控制策略 |
| 2.1.1 网络化配时规划 |
| 2.1.2 调整信号周期 |
| 2.1.3 增加相位时间 |
| 2.1.4 相位分割与限制转弯 |
| 2.2 主动优先控制策略 |
| 2.2.1 绿灯延长 |
| 2.2.2 绿灯提前 |
| 2.2.3 相位插入 |
| 2.2.4 跳跃相位 |
| 2.2.5 相位倒转 |
| 2.2.6 专用相位 |
| 2.3 公交优先条件与策略选择 |
| 2.3.1 研究条件 |
| 2.3.2 优先策略选择 |
| 2.4 本章小结 |
| 3 公交信号优先粗糙控制算法研究 |
| 3.1 粗糙集理论 |
| 3.1.1 知识与知识库 |
| 3.1.2 粗糙集理论 |
| 3.1.3 属性约简与核 |
| 3.1.4 决策规则 |
| 3.1.5 知识获取-可辨识矩阵 |
| 3.1.6 知识的不确定性分析 |
| 3.1.6.1 近似精度 |
| 3.1.6.2 知识的依赖性 |
| 3.1.6.3 属性的重要程度 |
| 3.2 公交信号优先粗糙控制系统设计 |
| 3.2.1 粗糙控制参数分析 |
| 3.2.2 交通调查数据分析 |
| 3.2.3 输入输出空间划分 |
| 3.2.4 公交信号优先粗糙控制系统 |
| 3.2.5 粗糙控制规则的建立 |
| 3.2.6 对附表B-2的约简 |
| 3.3 公交信号优先技术效益评价 |
| 3.3.1 延误模型 |
| 3.3.2 交通效益分析 |
| 3.3.3 实际交叉口仿真 |
| 3.4 本章小结 |
| 4 公交信号优先延误面积模型控制算法研究 |
| 4.1 公交信号优先申请控制流程 |
| 4.1.1 公交优先申请控制原理 |
| 4.1.2 控制流程 |
| 4.2 公交优先配时优化模型 |
| 4.2.1 绿灯时间延长的公交优先方式下交叉口效益分析 |
| 4.2.2 绿灯提前启亮的公交优先方式下交叉口效益分析 |
| 4.3 实证分析 |
| 4.3.1 交叉口现状分析 |
| 4.3.2 实际交叉口效益分析与仿真 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 论文主要内容 |
| 5.2 论文创新点 |
| 5.3 论文展望 |
| 参考文献 |
| 附录A |
| 附录B |
| 附录C |
| 作者简历 |
| 学位论文数据集 |
（10）阴离子反浮选智能加药控制的研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 综述 |
| 1.1.1 浮选过程概述 |
| 1.1.2 浮选自动控制研究现状 |
| 1.1.3 选题的意义 |
| 1.2 本文的结构及主要工作 |
| 第2章 粗糙集理论与图像识别系统 |
| 2.1 粗糙集理论 |
| 2.1.1 粗糙集理论概述 |
| 2.1.2 粗糙集理论的知识获取 |
| 2.2 图像识别系统 |
| 2.2.1 数字图像处理的基本内容 |
| 2.2.2 图像的特征与噪声 |
| 第3章 精矿品位与回收率的预测研究 |
| 3.1 浮选泡沫图像的特征提取 |
| 3.1.1 泡沫图像的预处理 |
| 3.1.2 泡沫图像颜色特征的提取 |
| 3.1.3 泡沫图像纹理物理的提取 |
| 3.2 精矿品位与回收率预测模型的实现 |
| 3.2.1 多元线性回归数学模型 |
| 3.2.2 参数β的最小二乘估计 |
| 3.2.3 回归方程与回归系数的检验 |
| 3.2.4 精矿品位预测模型的实现 |
| 3.2.5 回收率预测模型的实现 |
| 3.2.6 预测模型准确度检测 |
| 第4章 OPC 通信 |
| 4.1 现场工艺环境分析 |
| 4.2 系统总体结构设计 |
| 4.2.1 网络通信 |
| 4.2.2 实时监控 |
| 4.2.3 数据库服务器 |
| 4.3 系统网络通信的实现 |
| 4.3.1 OPC 技术简介 |
| 4.3.2 OPC 数据访问方式 |
| 4.3.3 OPC 客户端的开发 |
| 第5章 智能优化控制研究 |
| 5.1 软件结构 |
| 5.2 软件功能模块及人机界面 |
| 5.2.1 常规功能模块 |
| 5.2.2 系统优化模块 |
| 5.3 软件测试与模型仿真 |
| 5.3.1 软件测试 |
| 5.3.2 粗糙控制规则覆盖率测试 |
| 5.3.3 控制规则集的精确度 |
| 5.3.4 控制规则的泛化能力 |
| 第6章 结论与展望 |
| 参考文献 |
| 致谢 |
四、粗集神经网络在阳离子反浮选控制中的应用（论文参考文献）
- [1]基于机器视觉的选煤厂输送机皮带磨损故障诊断研究[D]. 武文泽. 中国矿业大学, 2020(03)
- [2]选煤厂浮选自动控制系统研究与应用[D]. 潘丽荣. 西安科技大学, 2019(01)
- [3]基于智能加药的煤泥浮选控制系统研究[D]. 陈晓天. 中国矿业大学, 2017(02)
- [4]基于ESN混沌时间序列的RBF神经网络对浮选经济指标的预测分析[D]. 佟曦. 辽宁科技大学, 2016(07)
- [5]基于数据的铜浮选过程网络化建模与工况特性分析[D]. 桂艳球. 中南大学, 2014(03)
- [6]煤泥浮选过程模型仿真及控制研究[D]. 王光辉. 中国矿业大学, 2012(06)
- [7]泡沫图像处理技术在矿物浮选作业中的应用[J]. 刘小波. 计算技术与自动化, 2012(03)
- [8]铝土矿泡沫浮选过程精矿品位预测模型的研究[D]. 李启福. 中南大学, 2012(02)
- [9]交叉口公交信号优先智能控制算法研究[D]. 孙健. 北京交通大学, 2012(10)
- [10]阴离子反浮选智能加药控制的研究[D]. 马百杰. 辽宁科技大学, 2012(06)