科研之友
微信
新浪微博
Facebook
分享链接
摘要
重介质选煤是当前我国煤炭洗选过程的主要处理方式,其动态模型是特性分析、优化和控制的基础,因此精确的动态模型是实现选煤智能化的关键。为实现这一目标,将机理知识、统计分析和人工智能方法相结合,构建了一种机理知识与数据混合驱动的重介质选煤过程动态建模。(1)基于物料平衡原理,建立了由矿浆混合、重介质分选以及重介质回收3个主过程组成的动态机理模型;(2)采用基于方差的Sobol’灵敏度分析方法,利用低偏差Sobol’序列对所建立的模型参数进行灵敏度分析,决策出矿浆分离比例与溢流、底流灰分比例常数等对模型起主导作用的关键参数进行优化,非重要参数在一定区间内取值,减小了后续参数优化算法的计算成本;(3)为提高模型参数优化的准确性,提出了一种增强捕食-食饵优化算法,其利用增强学习思想使得搜索个体能够学习自身的历史信息实现步长的自适应变化,解决了传统捕食-食饵优化算法因恒定搜索步长而导致易陷入局部最优的问题,实现了对重介质动态模型的参数寻优。实验研究中,首先根据工艺知识和工程经验确定模型参数的取值范围,非重要参数在此区间内任意取值,进而根据实际数据,采用增强捕食-食饵优化算法对重要的模型参数寻找最优值。结果表明,增强捕食-食饵优化算法能够提高对关键参数最优值的搜索能力,使得所求得模型的均方根误差和概率密度标准差相较于其他模型较小,更能反应实际工业过程,表明了所提模型的有效性与准确性。这一研究成果为重介质选煤智能化系统研究与应用提供了重要的模型基础。
- 单位
