-
题名基于多源信息融合的浮选精煤灰分智能检测方法
- 1
-
-
作者
王红艳
孙卓琪
王兰豪
南静
代伟
-
机构
中国矿业大学信息与控制工程学院
中国矿业大学炼焦煤资源绿色开发全国重点实验室
-
出处
《煤炭科学技术》
北大核心
2025年第12期280-292,共13页
-
基金
国家重点研发计划资助项目(2023YFC2907705)
国家自然科学基金资助项目(52504313)
江苏省基础研究计划资助项目(BK20241636)。
-
文摘
煤炭浮选是现代选煤工艺中的关键环节,其智能化建设水平对选煤厂的经济效益具有显著影响。浮选精煤(简称“浮精”)灰分的在线检测效果是制约浮选智能化进程的关键因素之一。浮精灰分直接反映精煤品质和杂质脱除效率,其在线检测数据对于指导药剂用量调整、优化工艺参数、稳定产品质量和提升精煤产率至关重要。针对煤炭浮选精煤灰分检测滞后性、多源信息融合数据利用难的问题,提出一种基于多源信息融合的浮选精煤灰分智能检测方法。在浮精XRF光谱数据的基础上,融合浮选过程数据和尾矿图像特征等多源数据,采用连续投影算法和多元线性回归进行光谱数据降维,以解决XRF光谱数据维度过大的问题。为了解决多源数据时序不匹配和非线性关系问题,基于希尔伯特−施密特独立性准则进行时间序列对齐,并采用动态节点调整正则化随机配置网络建立数据驱动模型,表征多源数据与精煤灰分间的非线性关系,通过优化网络节点结构,减少计算资源占用,提高模型的泛化能力和检测精度。基于工业数据试验分析,结果表明:该方法检测浮精灰分的均方根误差为0.113、决定系数为0.787、灰分绝对误差为0.3时的合格率为100%。最后开发了浮选X光灰分仪智能检测系统并在现场落地应用,浮精灰分检测结果达到了生产工艺对检测精度的要求,极大提高了浮精灰分检测的精确性和实时性,为浮选生产提供全面技术支持和决策依据。
-
关键词
煤炭浮选
浮精灰分
智能检测
多源信息融合
X射线荧光光谱
动态节点调整正则化随机配置网络
Browser/Server架构
-
Keywords
coal flotation
concentrate ash
intelligent detection
multi-source information fusion
X-ray fluorescence spectroscopy
dynamic node adjustment regularization stochastic configuration network
Browser/Server architecture
-
分类号
TD94
[矿业工程—选矿]
TD923
[矿业工程—选矿]
-
-
题名遗忘因子随机配置网络驱动的自适应切换学习模型
- 2
-
-
作者
乔景慧
张岩
陈宇曦
张开济
-
机构
沈阳工业大学机械工程学院
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2023年第8期71-83,共13页
-
基金
国家自然科学基金(61573249)
辽宁省自然科学基金(2019-MS-246)
+4 种基金
辽宁省教育厅基金(LZGD2019002)
辽宁省高等学校创新人才项目(LR2019048)
沈阳工业大学重点科研基金(ZDZRGD2020004)
沈阳工业大学研究生教育教学改革研究项目(SYJG20222002)资助
辽宁省研究生教育教学改革研究项目(LNYJG2022073)。
-
文摘
随机配置网络(SCNs)具有通用逼近能力和快速建模特性,已成功应用于大数据分析。在SCN的基础上,块增量随机配置网络(BSC)使用块增量机制提高训练速度,但增加了模型结构的复杂程度。为了解决上述难题,提出遗忘因子随机配置网络(FSCN-Ⅰ和FSCN-Ⅱ)驱动的自适应切换学习模型(ASLM)。该模型利用正态分布配置隐含层节点的输入参数。FSCN-Ⅰ通过误差值和遗忘因子调整节点块的尺寸,提高训练速度。FSCN-Ⅱ引入节点移除机制降低模型结构的复杂程度。ASLM由FSCN-Ⅰ和FSCN-Ⅱ构成,两者根据自适应变化的边界随机切换以提高模型的训练速度,并在FSCN-Ⅰ的基础上降低模型结构的复杂程度。最后,通过基础数据集和工业实例,表明该方法的有效性。
-
关键词
随机配置网络
遗忘因子
动态隐含层节点
自适应切换学习模型
-
Keywords
stochastic configuration networks
forgetting factor
dynamic hidden nodes
adaptive switching learning model
-
分类号
TN911.7
[电子电信—通信与信息系统]
TP24
[自动化与计算机技术—检测技术与自动化装置]
-
