一种面向铜矿浮选机的基于神经网络的软测量方法及系统技术方案

本发明专利技术涉及一种面向铜矿浮选机的基于神经网络的软测量方法及系统，其特征在于，包括以下步骤：S1：RBF神经网络学习算法步骤，基于K‑均值聚类方法求取基函数中心c，NNG算法对RBF神经网络进行输入变量压缩；S2：最优NNG算法参数的选择及误差预测；S3：NNG‑RBF算法建模。

【技术实现步骤摘要】
一种面向铜矿浮选机的基于神经网络的软测量方法及系统
本专利技术属于软件测量
，涉及一种基于神经网络的软测量方法及系统，尤其是一种面向铜矿浮选机的基于神经网络的软测量方法及系统。
技术介绍
在现代工业生产中，为获得更多合格的高质量产品，进而提高经济效益，就需要对产品质量或与产品质量密切相关的重要过程变量进行严格控制。图1为铜矿浮选机装置矿化过程分区图，该装置有混合区、运输区、分离区和泡沫区四个区域，用来分离矿浆中的硫和铜，使矿物一步一步得到富集，保证泡沫层中的矿物不致脱落，泡沫能顺利地流入泡沫槽内。为了保证产品质量并防止矿浆中铜和硫的流失，需对该装置的PH值进行实时检测，以使PH值保持在一定范围内。然而，由于铜矿矿浆的高黏稠性，PH计容易被沉淀的矿浆包住、结块从而无法进行准确、实时的检测。在线装置不能很好的达到要求，因此需要一种代替在线分析仪表的软测量方法。而在面对许多复杂的输入变量时，如何快速准确的实现对多个输入变量进行有效筛选和系数压缩，以及对该浮选机装置PH值的预测变得非常困难。此为现有技术的不足之处。因此，针对现有技术中的上述缺陷，提供设计一种面向铜矿浮选机的基于神经网络的软测量方法及系统，以解决现有技术中的上述缺陷，是非常有必要的。
技术实现思路
本专利技术的目的在于，针对上述现有技术存在的缺陷，提供设计一种面向铜矿浮选机的基于神经网络的软测量方法及系统，以解决上述技术问题。为实现上述目的，本专利技术给出以下技术方案：一种面向铜矿浮选机的基于神经网络的软测量方法，其特征在于，包括以下步骤：S1：NNG-RBF神经网络学习算法步骤，基于K-均值聚类方法求取基函数中心c，具体步骤如下：网络初始化：随机选取h个样本作为聚类中心ci(i＝1，2，…，h)；将输入的训练样本集合按最近邻规则分组：按照xp与中心ci之间的欧式距离将xp分配到输入样本的各个聚类集合vp(p＝1，2，…P)中；xp为第p个输入样本，p＝1，2，3，·······，P；P为样本总数，也就是神经网络的训练样本；重新调整聚类中心：计算各个聚类集合vp中训练样本的平均值，即新的聚类中心ci，如果新的聚类中心不再发生变化，则所得到的ci即为NNG-RBF神经网络最终的基函数中心，否则再进行将输入的训练样本集合按最近邻规则分组，进行下一轮的中心求解；求解方差σi，所述NNG-RBF神经网络的函数的基函数为高斯函数，方差σi可如下求解：式中，cmax是所选取中心之间的最大距离；计算隐含层与输出层之间的权值，隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算得到：进一步，将该RBF神经网络，结合Nonnegativegarrote(NNG)算法，通过增加新的系数β(β1，β2，...，βp)重新制定计算公式，利用新增系数β(β1，β2，...，βp)压缩输入变量：此算法可以解决二次非线性约束的问题，对于最优s的选择可以用V折交叉验证，数据集L＝X，Y被划分为V个子集，在约束条件下对{βi}极小化：并将作为新的输入变量权重系数；βi的取值取决于s，s为额外加入的NNG算法参数；βi的大小反映了对应辅助变量对预测模型的重要性。例如，如果βi＝0，则说明对应的变量xi对目标函数没有任何影响，从而xi就会被剔除。如果βi＝1则对应变量无变化的保留下来。如果0＜βi＜1则说明相应的变量系数被压缩，也就是变量对于预测模型的作用被压缩了。通过减小s，使更多的{βi}变为零，从而达到变量压缩的目的，这种方法就是NNG-RBF算法。S2：最优NNG算法参数的选择及误差预测变量选择的目的就是要找到对y影响较大的辅助变量，由辅助变量对y可能出现的情况进行预测。建模精度评价指标：采用均方误差(MSE)评估模型预测精度。数学公式表示为：v-fold交叉验证法首先是把数据集平均分为V份，每次从V份数据集中拿出一份数据集作为验证集，剩下的V-1份数据集作为训练集，重复进行V次，最后平均V次的结果作为最后泛化误差的估计。通常V的取值为5到10时能得到较好的结果，当V取值太大时，方差就会随之增大；当V取值较小时由于参与训练的样本数据减少会导致预测误差的增大；公式如下：通过该公式选择最优的NNG算法参数s，并将s值代入公式(4)求解，得到系统最优压缩系数β*。S3：NNG-RBF算法建模通过v-fold交叉验证法对数据进行处理后，得到的s即为训练得到的参数，把s带入到公式中，计算出βi的值。βi的大小反映了对应辅助变量对预测模型的重要性，通过βi的值剔除对预测模型没有任何影响的变量，选取最优变量，从而起到对变量系数压缩的目的。把输入变量带入到已训练好的神经网络中建模预测。一种面向铜矿浮选机的基于神经网络的软测量系统，其特征在于，它包括电源模块、主控模块和通信模块，所述的主控模块连接所述的电源模块和通信模块，所述的通信模块还连接有现场采集模块和上位机模块；所述的主控模块内集成有上述NNG-RBF算法的数学建模模块。所述的现场采集模块包括有：SWINGWIRLII电容式涡街流量传感器；SWINGWIRLII电容式涡街流量传感器是采用差动开关电容(DSC)作为检测元件来感测旋涡发生体产生的漩涡频率的一种器材。其优点是工作温度范围很宽，从-200℃～+400℃，抗振性能特别好。同时还具有以下特点：无可动件，测量范围可达40：1，压力损失小，测量准确度较高等。可用于测量封闭管道中气体、蒸汽和液体流量。本装置SWINGWIRLII电容式涡街流量传感器所使用的公称通径为300mm，空气测量范围为1655m3/h-19330m3/h。该流量传感器用于测量装置中的空气充气量的设定值等，基于SWINGWIRLII电容式涡街流量传感器的检测电路如图2所示。CLHGM-2型轮辐式称重传感器；CLHGM-2型轮辐式称重传感器是利用电阻应变原理构成的，弹性体采用比较先进的轮辐式结构形式。电阻式应变片贴在轮辐的中性面上，组成电桥的测量回路。通常情况下，电桥处于平衡状态，桥路无输出当传感器受到外力作用时，轮辐产生相应的变形，电阻应变片阻值发生变化，使桥路失去平衡。在外界供桥电压作用下，电桥输出不平衡电压信号。该信号大小与外力成正比。CLHGM-2型轮辐式称重传感器输出阻抗400Ω，输入阻抗460Ω，可工作的温度范围-20℃～80℃，在各种工矿企业系统中作力的测量分析。该轮辐式称重传感器用于测量装置中给矿总量、石灰添加总量等，基于CLHGM-2型轮辐式称重传感器检测电路如图3所示。TCD128C-CCD图像传感器；TCD128C-CCD图像传感器是一种能进行光电转换存储信息及转换信息电荷功能的器件。PN结光敏二极管和CCD(电荷耦合器件)构成若干像素的一元光敏二极管阵列，物体通过光学镜头在这种阵列上形成实像。每个光敏元件(像素)呈现不同强度的弱电流，由扫描电路拾取图像信号，在经过处理可获得视频信号。TCD128C-CCD图像传感器优点是自扫描、高灵敏、低噪声、长寿命、低功耗、高可靠。其像元尺寸小，几何精度高，配置适当的光学系统，可获得很高的空间分辨率，使用方便灵活，适应性强，输出信号易于数字化处理，容易与计算机连接组成自动测量控制。有效像素数目1728，有效读取长度210mm。该CD128C-CCD本文档来自技高网...

【技术保护点】
1.一种面向铜矿浮选机的基于神经网络的软测量方法，其特征在于，包括以下步骤：S1：NNG‑RBF神经网络学习算法步骤，基于K‑均值聚类方法求取基函数中心c；S2：最优压缩参数的选择及误差预测；S3：NNG‑RBF算法建模。

【技术特征摘要】
1.一种面向铜矿浮选机的基于神经网络的软测量方法，其特征在于，包括以下步骤：S1：NNG-RBF神经网络学习算法步骤，基于K-均值聚类方法求取基函数中心c；S2：最优压缩参数的选择及误差预测；S3：NNG-RBF算法建模。2.根据权利要求1所述的一种面向铜矿浮选机的基于神经网络的软测量方法，其特征在于，所述步骤S1具体包括以下步骤：网络初始化：随机选取h个样本作为聚类中心ci(i＝1，2，…，h)；将输入的训练样本集合按最近邻规则分组：按照xp与中心ci之间的欧式距离将xp分配到输入样本的各个聚类集合vp(p＝1，2，…P)中；重新调整聚类中心：计算各个聚类集合vp中训练样本的平均值，即新的聚类中心ci，如果新的聚类中心不再发生变化，则所得到的ci即为NNG-RBF神经网络最终的基函数中心，否则再进行将输入的训练样本集合按最近邻规则分组，进行下一轮的中心求解；求解方差σi，所述NNG-RBF神经网络的函数的基函数为高斯函数，方差σi可如下求解：式中，cmax是所选取中心之间的最大距离；计算隐含层与输出层之间的权值，隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算得到：将该RBF神经网络，结合Nonnegativegarrote(NNG)算法，通过增加新的系数β(β1，β2，...，βp)重新制定计算公式，利用新增系数β(β1，β2，...，βp)压缩输入变量：对于最优s的选择用V折交叉验证，数据集L＝X，Y被划分为V个子集，在约束条件下对{βi}极小化：并将作为新的输入变量权重系数；βi的取值取决于s，s为额外加入的NNG算法参数。3.根据权利要求1或2所述的一种面向铜矿浮选机的基于神经网络的软测量方法，其...

【专利技术属性】
技术研发人员：孙凯，吴修粮，张芳芳，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东,37