导读:本文包含了苛性比值论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:比值,神经网络,在线,模型,高压,测量,氧化铝。
苛性比值论文文献综述
高愫婷,胡佳浩,贾瑶,柴天佑[1]（2019）在《氧化铝溶出过程苛性比值预测方法综述》一文中研究指出本文主要针对拜耳法氧化铝铝土矿溶出过程溶出液苛性比值的软测量技术,从辅助变量的选择、数据采集与处理、苛性比值预测模型和模型在线校正四个方面,结合国内外理论研究和实际应用现状进行综述,对比与讨论了将不同软测量技术应用到拜耳法铝土矿溶出苛性比值预测中的优缺点,并对将来的发展趋势做出了展望.(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
张羽飞,李来时,杨琦[2]（2017）在《基于BP神经网络的氧化铝溶出苛性比值预测方法》一文中研究指出针对拜耳法生产氧化铝的溶出工序中苛性比值难以实时获得的问题,提出了一种通过BP神经网络模型对溶出苛性比值进行提前预测的方法。根据溶出生产物料输入输出关系,提出了基于物料平衡的溶出苛性比值机理计算模型,并对计算模型的输入变量进行优化,使其能够满足BP神经网络输入的要求。最终设计了一种具有误差反传学习及历史数据训练功能的BP神经网络,经山西某铝厂实际数据测试,BP神经网络能够较好的预测溶出苛性比值。(本文来源于《轻金属》期刊2017年09期）
张艳存,喻寿益,桂卫华,李勇刚[3]（2008）在《基于PCA-WLSSVM的氧化铝苛性比值和溶出率预测模型》一文中研究指出针对氧化铝生产过程中无法在线测量苛性比值和溶出率的问题,建立了一种基于PCA-WLSSVM的预测模型.利用主元分析(PCA)消除样本共线性,降低样本维数.根据样本映射点到最小包含超球球心的距离确定样本的权值,以优化最小二乘支持向量机(LS-SVM)的参数,并提高加权LS-SVM的松散性和鲁棒性.仿真结果表明,此模型能有效地在线预测苛性比值及溶出率.(本文来源于《信息与控制》期刊2008年05期）
何英[4]（2007）在《降低拜耳法溶出液苛性比值的研究》一文中研究指出本文的研究目的:一是以高品位铝土矿为原料,在现行生产条件和控制铝土矿相对溶出率不低于93%的前提下,通过改变原矿浆配比和优化溶出条件,使溶出液苛性比值ak降低到1.42～1.44,揭示原矿浆配料等生产工艺指标对拜耳溶出过程的影响规律,为生产减少能耗提高产量提供依据;二是对中低品位铝土矿拜耳溶出工艺进行研究,探寻适宜的工艺条件,为提高中低品位铝土矿的溶出率提供理论依据;叁是对常用絮凝剂进行对比实验,确定各絮凝剂的沉降效果,为生产优选出经济、好用的絮凝剂。研究方法:为了使实验具有较好的模拟性,用高压釜模拟生产现场,预脱硅实验用2000毫升的锥形瓶在100℃的恒温水浴中进行。赤泥沉降性能实验用高300毫升、体积250毫升的沉降管在100℃的恒温水浴中进行。整个过程与生产现场具有很好的一致性。结论:对A/S在10左右的中高品位铝土矿,采用石灰添加量8%～14%(干矿石量),母液浓度N_K230～250g/L,母液ak＞3,磨矿粒度98μm～300μm,配料分子比1.42的配矿条件,在溶出温度不低于255℃,溶出时间不低于45分钟的溶出条件下,可得到相对溶出率不低于93%,溶出液ak降低到1.40～1.43的最佳溶出效果。原矿浆经6小时的预脱硅有利于溶出指标的进一步优化。对中低品位铝土矿,宜采用石灰添加量20%～25%、较高的溶出温度和尽可能长的溶出时间以提高溶出率和降低碱耗、预脱硅有利于溶出。对于几种常用絮凝剂的使用情况作了对比研究。结果表明:英国产Alcar663优于国产A-1000絮凝剂,其用量为干赤泥量的0.05%～0.06%时,沉降效果达到最好。应用:本课题从生产实际出发,根据导致拜耳法种分原液苛性比值偏高的原因,对降低苛性比值的途径进行探讨,采取改进措施优化高压溶出的溶出条件,降低分解原液苛性比值,提高了溶出率。通过增加石灰添加量降低了中低品位铝土矿的碱耗,有效地降低了氧化铝的生产成本,可以生产出符合现代铝电解工业要求的砂状氧化铝。(本文来源于《中南大学》期刊2007-10-01）
谭何军[5]（2005）在《基于苛性比值与溶出率预测模型的拜耳法配料参数优化设定的研究》一文中研究指出氧化铝原矿浆配料和氧化铝高压溶出是拜耳法氧化铝生产两道重要的工序,它们相互联系,相互影响。原矿浆配料是拜耳法氧化铝生产中的第一道工序,其任务是为高压溶出工序配制合格的原矿浆,能否制备满足生产要求的原矿浆,将直接影响溶出的苛性比值与溶出率这两个重要经济技术指标。但目前配料参数全靠手工计算操作,并且没有反映溶出工况的变化,造成苛性比值和溶出率不稳定,无法满足实际的控制要求。所以本文提出一种基于溶出参数苛性比值和溶出率预测模型的配料参数优化设定模型,有效的解决了配料过程参数优化设定问题。 论文的主要研究成果包括: (1) 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,从而建立苛性比值和溶出率的机理模型与神经网络的智能集成预测模型。 (2) 在分析原矿浆配料过程的基础上,确定了影响原矿浆液固比的主要因素以及它们之间的关系,根据物料平衡原理建立了液固比的机理模型。其中的机理模型中的物料成分参数运用灰色模型进行预测,解决了参数检测滞后的问题。 (3) 为了解决液固比机理模型不能反映溶出过程工况变化的缺陷,在分析溶出过程机理的基础上,运用模糊辨识理论从大量的工厂现场数据中挖掘出溶出矿浆苛性比值和溶出率与原矿浆液固比的模糊专家规则,并根据拜耳法溶出过程苛性比值与溶出率软测量模型的预测值,对液固比机理模型进行修正。 仿真结果表明运用了苛性比值与溶出率的智能集成预测模型,对配料液固比参数的优化效果好,稳定了生产。(本文来源于《中南大学》期刊2005-06-30）
朱波[6]（2005）在《氧化铝生产苛性比值软测量神经网络模型的在线修正方法研究》一文中研究指出苛性比值是氧化铝生产高压溶出过程中一个重要的生产指标,它的高低反映了溶出质量的好坏,然而苛性比值软测量神经网络模型是建立在历史数据的基础上的,即使最初模型的精度很高,随着生产条件的改变仍然会出现无法适应的情况,从而将导致苛性比值的预测结果出现较大偏差,因此必须利用新的运行参数,对神经网络模型进行修正。通常采用的做法是人工采集样本离线进行训练,中断系统替换原有模型。这种方法费时费力,为了提高系统的可靠性,实际生产中提出了在线修正的要求。本文对氧化铝苛性比值软测量神经网络模型的在线修正方法进行了研究。 本文将所研究的苛性比值软测量神经网络模型的在线修正方法归结为解决叁个主要问题:(1) 何时需要对网络进行重新训练;(2)如何组织新的训练样本;(3) 如何进行在线训练。然后从这叁个问题入手,通过分析校正对象具有的特点,针对性的建立了在线修正模型。模型中以稳态检验和数据校正组成样本合格检验模块保证了新样本的合格性,以置信水平比较作为校正时机的判断依据,并采用了实时性很强的校正算法,从而很好的解决了上述叁个问题。 实际应用证明这种在线修正方法提高了软测量模型的预测水平,解决了基于历史数据建立的神经网络模型随着时间推移难以适应新的工作条件的问题。而且因为执行过程均在计算机中进行,工作效率和可靠程度都得以大幅度提高。(本文来源于《中南大学》期刊2005-06-30）
朱波,桂卫华[7]（2005）在《氧化铝苛性比值的在线修正神经网络模型研究》一文中研究指出苛性比值是氧化铝生产过程中一个重要的生产指标。文章提出了一种在线修正方法,实现了对神经网络苛模型的在线修正,解决了基于历史数据建立的神经网络模型随着时间推移出现一定偏差的问题,提高了预测水平,而且因为执行过程均在计算机中进行,工作效率和可靠程度都得以大幅度提高。(本文来源于《企业技术开发》期刊2005年02期）
李勇刚[8]（2004）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》一文中研究指出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(本文来源于《中南大学》期刊2004-11-01）
虎仿超[9]（2004）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》一文中研究指出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。(本文来源于《中南大学》期刊2004-06-30）
应苏如[10]（2004）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》一文中研究指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。(本文来源于《中南大学》期刊2004-06-30）
苛性比值论文开题报告
（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：
针对拜耳法生产氧化铝的溶出工序中苛性比值难以实时获得的问题,提出了一种通过BP神经网络模型对溶出苛性比值进行提前预测的方法。根据溶出生产物料输入输出关系,提出了基于物料平衡的溶出苛性比值机理计算模型,并对计算模型的输入变量进行优化,使其能够满足BP神经网络输入的要求。最终设计了一种具有误差反传学习及历史数据训练功能的BP神经网络,经山西某铝厂实际数据测试,BP神经网络能够较好的预测溶出苛性比值。
（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。
苛性比值论文参考文献
[1].高愫婷,胡佳浩,贾瑶,柴天佑.氧化铝溶出过程苛性比值预测方法综述[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[2].张羽飞,李来时,杨琦.基于BP神经网络的氧化铝溶出苛性比值预测方法[J].轻金属.2017
[3].张艳存,喻寿益,桂卫华,李勇刚.基于PCA-WLSSVM的氧化铝苛性比值和溶出率预测模型[J].信息与控制.2008
[4].何英.降低拜耳法溶出液苛性比值的研究[D].中南大学.2007
[5].谭何军.基于苛性比值与溶出率预测模型的拜耳法配料参数优化设定的研究[D].中南大学.2005
[6].朱波.氧化铝生产苛性比值软测量神经网络模型的在线修正方法研究[D].中南大学.2005
[7].朱波,桂卫华.氧化铝苛性比值的在线修正神经网络模型研究[J].企业技术开发.2005
[8].李勇刚.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].中南大学.2004
[9].虎仿超.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].中南大学.2004
[10].应苏如.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].中南大学.2004
论文知识图
