煤泥浮選過程復(fù)雜,影響因素眾多,部分變量檢測手段落后,存在測量精度不高或時效性差等現(xiàn)象,由于缺失部分變量,過程模型輸入變量的維度低而導(dǎo)致模型精度不高。因此,本文通過過程變量采集、藥劑預(yù)測模型、控制系統(tǒng)這三方面,基于在線、離線數(shù)據(jù)對浮選過程智能控制作了研究。論文以煤泥浮選過程為研究對象,對煤泥浮選過程進行了變量分析,并根據(jù)實際生產(chǎn)現(xiàn)狀,確定了煤泥浮選過程變量的采集方式、檢測設(shè)備與藥劑添加的執(zhí)行機構(gòu),基于變量數(shù)據(jù)的采集,建立了基于DNN算法的浮選藥劑用量預(yù)測模型,以藥劑用量預(yù)測模型為基礎(chǔ),構(gòu)建了基于數(shù)據(jù)驅(qū)動的浮選過程智能控制系統(tǒng),實現(xiàn)浮選過程藥劑智能添加。結(jié)合浮選車間實際情況,通過硬件的選型以及幾何位置布置,建立了泡沫圖像采集系統(tǒng)。對泡沫圖像裝置的相機、鏡頭、光源等硬件及幾何位置作了分析與比較,發(fā)現(xiàn)采用幀率達到30fps、全局曝光方式的工業(yè)相機所采集的圖像清晰、質(zhì)量高。對采集到的浮選泡沫圖像作預(yù)處理,提取泡沫圖像特征并分析,并確定主要特征值。以平均梯度作為圖像清晰度評價函數(shù),挑選出質(zhì)量高的圖像,通過濾波效果比較,采用核尺寸為3的中值濾波。在泡沫圖像的預(yù)處理的基礎(chǔ)上,通過圖像的灰度化提取顏色... 

【文章來源】：中國礦業(yè)大學江蘇省211工程院校教育部直屬院校

【文章頁數(shù)】：110 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
變量注釋表
1 緒論
    1.1 課題背景及意義
    1.2 論文主要工作
2 文獻綜述
    2.1 浮選過程控制研究現(xiàn)狀
    2.2 浮選過程變量檢測現(xiàn)狀
    2.3 機器學習算法的應(yīng)用
    2.4 其他理論知識
3 基于數(shù)據(jù)驅(qū)動的浮選過程控制系統(tǒng)框架
    3.1 浮選過程概述
    3.2 基于數(shù)據(jù)驅(qū)動的煤泥浮選過程控制系統(tǒng)的整體框架
    3.3 過程變量檢測方法及藥劑執(zhí)行機構(gòu)
    3.4 本章小結(jié)
4 煤泥浮選泡沫圖像特征提取及主要特征的確定
    4.1 泡沫圖像采集系統(tǒng)
    4.2 泡沫圖像靜態(tài)特征提取
    4.3 泡沫圖像動態(tài)特征提取
    4.4 泡沫圖像主要特征的確定
    4.5 本章小結(jié)
5 基于圖像特征的尾礦灰分的軟測量研究
    5.1 尾礦圖像采集
    5.2 尾礦圖像特征提取
    5.3 尾礦灰分軟測量模型
    5.4 尾礦灰分的自動采集
    5.5 本章小結(jié)
6 基于DNN算法的浮選藥劑用量預(yù)測模型
    6.1 模型的輸入輸出數(shù)據(jù)
    6.2 基于不同算法下的預(yù)測模型對比
    6.3 預(yù)測結(jié)果比較
    6.4 藥劑用量預(yù)測模型的構(gòu)成
    6.5 本章小結(jié)
7 煤泥浮選過程智能控制系統(tǒng)的構(gòu)建
    7.1 浮選過程控制系統(tǒng)的設(shè)計
    7.2 控制器的設(shè)計
    7.3 軟件通訊及數(shù)據(jù)交互
    7.4 控制系統(tǒng)的具體構(gòu)建
    7.5 本章小結(jié)
8 總結(jié)與展望
    8.1 主要結(jié)論
    8.2 主要創(chuàng)新點
    8.3 展望
參考文獻
附錄
作者簡歷
學位論文數(shù)據(jù)集


【參考文獻】：
期刊論文
[1]基于模糊控制理論的PID控制器設(shè)計[J]. 蘇興華.  中國管理信息化. 2019(03)
[2]基于OpenCV環(huán)境的SIFT、SURF、ORB算法比較分析[J]. 劉偉,錢莉.  化工自動化及儀表. 2018(09)
[3]SURF和RANSAC的特征圖像匹配[J]. 王衛(wèi)兵,白小玲,徐倩.  哈爾濱理工大學學報. 2018(01)
[4]大數(shù)據(jù)技術(shù)在煤炭工業(yè)中的研究現(xiàn)狀與應(yīng)用展望[J]. 馬小平,代偉.  工礦自動化. 2018(01)
[5]基于模糊控制的礦井排水控制系統(tǒng)優(yōu)化研究[J]. 宋紹樓,姚凈千.  控制工程. 2017(10)
[6]谷歌TensorFlow機器學習框架及應(yīng)用[J]. 章敏敏,徐和平,王曉潔,周夢昀,洪淑月.  微型機與應(yīng)用. 2017(10)
[7]基于ORB特征的圖像誤匹配剔除方法研究[J]. 黃麗,李曉明.  機電工程. 2017(05)
[8]模糊自整定PID控制方案在自動加藥系統(tǒng)中的應(yīng)用[J]. 潘蓮輝,張美義,甘桂裕,廖承業(yè).  化工自動化及儀表. 2017(03)
[9]基于GA-BP神經(jīng)網(wǎng)絡(luò)的浮選加藥量預(yù)測[J]. 郭西進,邵輝,王廣勝,陳曉天.  煤炭工程. 2017(02)
[10]基于廣義回歸神經(jīng)網(wǎng)絡(luò)的浮選加藥量預(yù)測[J]. 郭西進,陳曉天.  煤炭技術(shù). 2017(02)

博士論文
[1]電力中文文本數(shù)據(jù)挖掘技術(shù)及其在可靠性中的應(yīng)用研究[D]. 邱劍.浙江大學 2016
[2]基于機器學習的作物病害圖像處理及病變識別方法研究[D]. 譚文學.北京工業(yè)大學 2016
[3]基于機器視覺的煤質(zhì)快速分析方法研究[D]. 張澤琳.中國礦業(yè)大學 2014
[4]煤泥浮選過程模型仿真及控制研究[D]. 王光輝.中國礦業(yè)大學 2012
[5]礦物浮選泡沫圖像序列動態(tài)特征提取及工業(yè)應(yīng)用[D]. 牟學民.中南大學 2012
[6]粒子群算法的基本理論及其改進研究[D]. 劉建華.中南大學 2009
[7]軟測量建模方法研究及其工業(yè)應(yīng)用[D]. 傅永峰.浙江大學 2007

碩士論文
[1]基于大數(shù)據(jù)與深度學習的生理信號分析[D]. 宋銀濤.南京郵電大學 2017
[2]基于機器學習算法的信用風險預(yù)測模型研究[D]. 甘鷺.北京交通大學 2017
[3]基于差分曝光模型的桌面式視線跟蹤系統(tǒng)的研究與實現(xiàn)[D]. 譚雅翔.西安電子科技大學 2017
[4]基于浮選泡沫圖像特征提取方法的研究及應(yīng)用[D]. 馮潔.電子科技大學 2017
[5]基于智能加藥的煤泥浮選控制系統(tǒng)研究[D]. 陳曉天.中國礦業(yè)大學 2017
[6]基于圖像灰度特征的浮選尾礦灰分軟測量研究[D]. 高博.中國礦業(yè)大學 2016
[7]煤泥浮選加藥控制系統(tǒng)的研究與開發(fā)[D]. 郭智平.太原理工大學 2016
[8]基于SIFT的浮選泡沫圖像動態(tài)特性提取方法[D]. 張平.大連理工大學 2016
[9]浮選工藝參數(shù)控制系統(tǒng)的研究[D]. 顧紅超.中國礦業(yè)大學 2015
[10]選煤廠煤樣圖像采集系統(tǒng)設(shè)計與實現(xiàn)[D]. 蘇曉蘭.中國礦業(yè)大學 2014



本文編號：3631009