基于改进狮群算法和BP神经网络模型的磨矿浓度预测

针对当前选矿生产过程中磨矿参数难以实时测量,导致的无法对磨矿流程控制进行有效实时优化的问题,提出了一种基于改进狮群算法和BP神经网络的磨矿浓度预测方法。传统的狮群算法(Lion Swarm Optimization, LSO)存在容易陷入局部最优解和局部搜索能力弱的问题,通过改变狮王更新方式的同时加入衰减因子,来提升全局搜索能力,避免陷入局部最优解,对于母狮和学习狮的更新方式引入了动态学习策略,来优化局部搜索能力,并在仿真测试中验证了改进算法的优越性。同时利用改进的算法代替BP神经网络中的梯度下降法,来搜索最优的权值和阈值,提升BP神经网络收敛速度和收敛精度。试验结果表明,改进狮群算法优化的BP神经网络(Improved Lion Swarm Optimization-BP,ILSO-BP)在此预测问题上有更好的效果。

某矿山无模型自适应磨矿过程控制系统的开发与应用

磨矿过程作为矿冶过程中的高耗能环节,良好的控制效果能显著降低该过程的生产成本,提升企业的利润。但磨矿过程是一个强耦合、非线性多输入多输出过程,不仅干扰因素多,易受外部干扰,且无法建立准确的数学模型,生产过程往往采用人工调整。为了解决人工调整的及时性和准确性问题,以某半自磨-球磨矿山为例,开展了无模型自适应控制(MFAC)研究与应用。系统利用现场的输入、输出数据,和系统本身良好的鲁棒性,并结合现场实际,设计了一个多输入多输出无模型自适应控制系统,通过调节半自磨机的给水量和给矿量来控制磨矿浓度和磨机功率,实现良好的控制效果。现场数据仿真和现场应用都展现了良好的效果。