虎仿超[1]2004年在《高压溶出过程苛性比值与溶出率软测量计算机系统开发》文中研究说明氧化铝高压溶出过程是极其复杂的生产过程,其目的就是在高温、高压的工艺条件下,用苛性钠溶液把铝土矿中的氧化铝溶出。苛性比值与溶出率是高压溶出过程中两个非常重要的经济技术指标,它们不仅决定了氧化铝溶出效率和碱耗,而且对氧化铝的后续生产有着极大的影响。但是,这两个指标的检测在实际生产中存在严重滞后,为此,本文研究了高压溶出过程中苛性比值与溶出率的软测量技术,开发在线预测苛性比值与溶出率计算机系统,具有十分重要的意义。 论文阐述了高压溶出的机理过程,分析影响苛性比值和溶出率各因素之间的关系,利用主元分析找到主导变量,并且对其进行数据处理和误差校正,结合机理分析、神经网络等方法,建立苛性比值与溶出率的软测量模型。 系统的软件开发基于软测量模型的数据预处理、机理建模、神经网络、表格匹配等模块功能,应用Visual C++编写语言,采用面向对象的编程技术、通信技术、数据库技术,开发了数据获取和苛性比值与溶出率预测的核心软件模块以及预测值比较、曲线显示等辅助模块,实现了苛性比值与溶出率的在线预测。 系统通过现场调试运行,实现了上述模块功能,实际运行结果证实系统具有较好的可靠性和实用性,满足工艺要求精度。
李勇刚[2]2004年在《基于智能集成模型的苛性比值与溶出率软测量及应用研究》文中认为作为拜耳法生产氧化铝过程中的重要工序,高压溶出是一个极其复杂的冶金工业过程。在高压溶出过程中,苛性比值与溶出率决定了产品的产量、质量及碱耗。要实现高压溶出过程的优化控制,关键是能够在线检测苛性比值与溶出率。然而,目前没有任何测量仪表能够直接检测这两个值,而只能通过化学分析获得,因此存在很大的滞后,严重影响了高压溶出过程的优化控制。高压溶出过程具有机理复杂、非线性度高、耦合严重、时变、大滞后、大干扰等特点,因此任何单一的建模方法都难以建立精确的数学模型。本文在分析了高压溶出工艺机理的基础上,首次研究了苛性比值与溶出率的软测量技术,提出了基于智能集成模型的软测量方案,有效地实现了苛性比值与溶出率的在线检测,并据此对原矿浆配料进行了优化指导。论文主要工作和研究成果体现在以下几个方面: (1) 基于对复杂工业过程特点及常用建模方法缺陷的分析,提出了智能集成软测量模型的基本框架,即给出了智能集成软测量模型的一般定义,总结了模型结构及算法的基本集成形式,并给出了基于智能集成模型的软测量系统的形式化描述、设计原则及设计步骤。 (2) 针对RPCL聚类算法速度慢、精度低的缺点,提出了基于样本空间分布的改进RPCL聚类算法(SDS-RPCL)。该算法在修正中心值过程中,根据样本空间的分布情况选取数据,减少了中心值朝类边缘移动的概率,因而能加快聚类速度,提高聚类精度。 (3) 在详尽分析高压溶出机理并总结专家知识的基础上,建立了苛性比值与溶出率的专家机理模型,该模型能够直观地反映各种因素对苛性比值与溶出率的影响。 (4) 为了修正专家机理模型的预测误差,针对苛性比值与溶出率软测量中输入变量多、样本分布广的特点,提出了分布式复合神经网络。该神经网络利用主元分析法将输入变量重组,并按重组后的主元变量所包含原始信息的多少将其分成若干组,分别用多个并联的复合神经网络逐步逼近苛性比值与溶出率;复合神经网络不仅简化了模型,而且由于对输入变量进行了适当的分组,因此能更合理地描述实
应苏如[3]2004年在《氧化铝生产过程苛性比值与溶出率智能集成预测模型研究》文中提出苛性比值与溶出率是氧化铝高压溶出过程中两个重要的经济技术指标。它们不仅决定了氧化铝溶出的效果及碱耗,而且对氧化铝的后续生产具有极大的影响。然而,目前苛性比值与溶出率的检测严重滞后、波动范围大且难以及时调整,从而导致整个生产流程的实时控制陷入被动。为此,研究如何运用智能集成建模方法建立苛性比值与溶出率的预测模型从而实现苛性比值与溶出率的在线检测,对实现氧化铝生产过程的稳产高产、提高企业竞争力都具有重要意义。 本文以中国铝业公司河南分公司氧化铝生产过程为背景,着重研究了苛性比值与溶出率的智能集成预测模型的建立和应用。首先,在分析氧化铝高压溶出过程机理的基础上,确定了影响苛性比值与溶出率的主要因素,提出了苛性比值与溶出率的机理模型;然后,提出了基于主元分析的多神经网络模型,用来补偿机理模型的偏差,从而建立机理模型与神经网络的集成模型;接着又提出了具有自校正样本库的基于聚类分析的匹配模型,用来预测苛性比值与溶出率;最后在深入分析机理模型与神经网络集成模型、匹配模型两者的优点与不足的基础上,提出了采用基于专家知识和统计学知识的智能协调器对两者的输出进行协调,从而建立苛性比值与溶出率的智能集成预测模型。 智能集成预测模型的现场运行结果表明该模型具有较高精度,能很好地实现苛性比值与溶出率的在线预测。
李勇刚, 桂卫华, 胡燕瑜[4]2004年在《基于PCA的多神经网络软测量模型及其在工业中的应用》文中研究说明在复杂工业生产中 ,影响生产的因素非常多 ,使得用于软测量的神经网络模型极其复杂 .针对这个问题 ,利用主元分析法 (PCA)将影响因素重组 ,在此基础上 ,提出了一种多神经网络 (PCA- MNN)模型 .介绍了 PCA- MNN的结构及学习算法 ,并将其应用于氧化铝高压溶出过程中苛性比值及溶出率的软测量 ,利用现场实际运行数据进行仿真 ,结果表明 PCA- MNN模型能有效实现苛性比值及溶出率的在线检测
参考文献:
[1]. 高压溶出过程苛性比值与溶出率软测量计算机系统开发[D]. 虎仿超. 中南大学. 2004
[2]. 基于智能集成模型的苛性比值与溶出率软测量及应用研究[D]. 李勇刚. 中南大学. 2004
[3]. 氧化铝生产过程苛性比值与溶出率智能集成预测模型研究[D]. 应苏如. 中南大学. 2004
[4]. 基于PCA的多神经网络软测量模型及其在工业中的应用[J]. 李勇刚, 桂卫华, 胡燕瑜. 小型微型计算机系统. 2004