测量水力旋流器固液分离溢流粒度分布的支持向量机方法技术

测量水力旋流器固液分离粒度分布的支持向量机方法，属于溢流粒度测量技术领域，其特征在于，选择与水力旋流器直接相关的进料流量、进料体积浓度、进料管压力、溢流浓度以及离线分析得到的溢流粒度数据作为辅助变量，再通过计算机利用支持向量机方法拟合辅助变量与待测变量之间的函数关系，实现对待测变量的测量。因此本发明专利技术具有对样本数量的要求低、精度足够、易于实现和推广的优点。

【技术实现步骤摘要】

本专利技术涉及自动化技术中的测量技术。具体为对一种在固液分离中得到广泛应用的机械——水力旋流器的重要指标溢流粒度指标进行软测量的方法。
技术介绍
水力旋流器是一种分离非均相液体混合物的设备，它根据两相或多相之间的密度差，利用离心力来实现两相或多相分离。水力旋流器在化工、石油、选矿等领域应用十分广泛。根据分离物质的不同，水力旋流器可分为固液分离和液液分离两类。本文只讨论用于固液分离的水力旋流器，以下的“旋流器”或“水力旋流器”均指用于固液分离的水力旋流器。作为一种应用广泛的固液分离设备，水力旋流器的溢流粒度指标决定了分离的能耗、原料损耗和分离效果，是衡量分离品质的重要指标，在选矿应用中对后继工序也有较大影响，因此实时、准确测量溢流浓度具有重要意义。目前常用的检测方法有两种1.人工离线检测。其优点在于技术难度低，容易实现；缺点为测量时间间隔过大，难以构成控制回路，对生产指导性不足；2.粒度仪在线测量。其优点在于测量精度高，实时性强；缺点为价格昂贵，维护复杂，国内选矿厂大多难以配备。此外，国内专利公开号CN 1525153A(简称专利A)提出了一种针对球磨机磨矿系统溢流粒度指标的软测量方法，与本文内容非常类似。专利A中提出的方法从一定程度上克服了上述两种常用方法的缺点，但也存在一定的缺点1、将球磨机与分级机联系，引入大量的辅助变量，相关小或者重复的变量的引入反而会造成模型的误差；2、使用基于经验风险最小化的学习方法，在学习和更新的样本数量上的要求很高，缺乏快速溢流粒度指标检测手段的企业很难达到样本数量的要求。
技术实现思路
本专利技术针对性强，选择了与旋流器直接相关的辅助变量，采用了支持向量机(SVM)方法，对样本的要求低，在实现上的可能性更大，而且从理论上说，SVM方法为基于结构风险最小化的近似实现，推广性更强。支持向量机实现的是如下思想它通过某种事先选择的非线性映射将输入向量x映射到高维特征空间Z，在这个最优空间中构造最优分类超平面。它是在统计理论基础上发展起来的一种新的通用学习方法，同时最小化了经验风险和VC维的界。支持向量机可以用于模式识别和函数拟合。本专利技术利用的是用于函数拟合的支持向量机。以下若非特别说明，“支持向量机”均指用于函数拟合的支持向量机。支持向量机的核心思想在于以下几点1、并不拘泥于精确拟合所有样本数据，引入精度控制指标(需要人为事先指定)，只保证拟合函数在指定精度控制指标内拟合样本数据，并对极个别超出精度控制指标的样本数据进行一定程度的惩罚；2、在满足第一点条件的前提下，使拟合函数尽可能平滑。这两点核心思想一方面保证了拟合函数可以在指定精度范围内拟合样本点，又保证了拟合函数可以以较大的概率比较精确地拟合那些样本点之外的数据。支持向量机方法得到的拟合函数具有如下的形式f(x)=Σi=1l(αi-αi*)K(x,xi)+b---(1)]]>其中，xi，i＝1，2，…，l为训练样本输入，l为训练样本总数，αi，αi*，b是需要通过训练得到的参数，K为核函数，需要事先人为指定其形式。支持向量机的训练过程是解如下的约束条件下的凸优化问题而得到参数αi，αi*，bmaxJ=-12Σi=1lΣj=1l(αi-αi*)(αj-αj*)K(xi,xj)-ϵΣi=1l(αi+αi*)+Σi=1lyi(αi-αi*)---(2)]]>约束条件为Σi=1l(αi-αi*)=0]]>αiαi*=0,i=1,2,···,l---(3)]]>0≤αi,αi*≤C,i=1,2,···,l]]>其中，ε为误差限，需要事先人为指定，yi，i＝1，2，…，l为训练样本输出，C为超出误差限的惩罚系数，需要事先人为指定。该约束条件又称为KKT条件。较常用的支持向量机训练算法为序贯最小优化算法(SMO算法)。这种算法每次选择两个不满足KKT条件的样本进行优化，得到相应的αi(*)，αj(*)，同时更新b。由于每次对两个样本进行优化，因此优化解是解析的。基本的SMO算法是针对用于模式识别的支持向量机的。因此本专利采用针对用于函数回归的改进SMO算法。改进的SMO算法与基本算法的优化样本选择流程完全相同，不同之处在于改进算法对样本的预处理和优化的计算式。以下的流程说明中用到了“调用-返回”的概念。其概念如下当过程进行到某一步，需要“调用”另一个过程时，则进入相应的过程；当被调用过程“返回”时，返回到调用它的那一步的下一步。改进的SMO算法的步骤共分三层，分别描述如下(另参见附图3) ●外层循环外层循环的作用是搜索第一个用于优化的样本，具体流程如下(并参见附图3左侧子图)1)进行数据预处理重新构造训练样本集(xi0，yi0)，i＝1，2，…，2l，其中xi0=xi,yi0=1,···i=1,2,···,lxi0=xi-l,yi0=-1,···i=l+1,l+2,···,2l,]]>另计αi+l=αi*,i=1,2,···,l,]]>ci-yi-ϵ,···i=1,2,···,lyi-l-ϵ,···i=l+1,l+2,···,2l,]]>计根据当前的αi，i＝1，2，…，2l计算得到的第i个样本的函数值为fi，i＝1，2，…，2l，则KKT条件可改写为αi=C,yi0fi>=-ci]]>0<αi<C,yi0fi=-ci---(4)]]>本文档来自技高网...

【技术保护点】
测量水力旋流器固液分离溢流粒度分布的支持向量机方法，其特征在于：该方法依次含有以下步骤：步骤１：计算机经过通讯接口，从安装在所述旋流器进料管处的流量计、浓度计、压力计上读取在设备承受能力内、覆盖且略大于正常工作范围内的一组进 料管流量ｑ↓［ｍ］、进料体积浓度μ↓［ｖ］、进料压力Ｐ↓［ｍ］的数组，并用集合Ｓ↓［ｓｅｔ］表示，所述的Ｓ↓［ｓｅｔ］＝｛［μ↓［ｖ］，ｑ↓［ｍ］，ｐ↓［ｍ］］，ｉ＝１，２，…，ｎ｝；同时在系统进入稳态时，该计算机由安装在所述旋流器溢流管出口处的溢流浓度计读取相应的一组溢流浓度数据，用μ↓［ｏｉ］表示；在通过离线分析得到一组相应的溢流粒度数值，用Ｍ２００↓［ｉ］表示，则所述μ↓［ｖ］，Ｐ↓［ｍｉ］，ｑ↓［ｍｉ］，μ↓［ｏｉ］，Ｍ２００↓［ｉ］构成一组训练样本；步骤２： 所述计算机用改进的序贯最小优化算法训练支持向量机，以得到下面所述拟合函数ｆ（ｘ）中参数ａ↓［ｉ］，ａ↓［ｉ］↑［＊］，ｂ的数值范围：ｆ（ｘ）＝＊（ａ↓［ｉ］－ａ↓［ｉ］↑［＊］）Ｋ（ｘ，ｘ↓［ｉ］）＋ｂ其中，ｘ↓［ｉ ］，ｉ＝１，２，…，ｌ为训练样本，ｌ为训练样本总数，Ｋ为核函数，其形式是预设的；该步骤２依次含有以下步骤：步骤２．１，在所述计算机中设定：核函数Ｋ的形式，误差限ε，超出该误差限ε时的惩罚系数Ｃ；步骤２．２，按设定值读 取训练样本数；步骤２．３，对训练样本进行预处理首先，剔除野值，所谓野值是指这样的样本：其任意一个分量与所有样本对应分量的样本均值的差的绝对值大于所有样本对应分量的样本标准差的三倍；这一步使训练样本都处在正常范围内；其 次，归一化：把训练样本的每个分量都除以所对应分量的样本集的标准差，使经过处理的训练样本输入变量的各个分量对输入变量之间的距离的影响比较接近；步骤２．４，用所述序贯最小优化算法，训练支持向量机，其步骤依次如下：步骤２．４．１， 数据预处理重新构造训练样本集（ｘ↓［ｉ］↑［０］，ｙ↓［ｉ］↑［０］），ｉ＝１，２，…，２ｌ；其中，＊＊＊令ａ↓［ｉ＋１］＝ａ↓［ｉ］↑［＊］，ｉ＝１，２，…，ｌ相应地，＊＊＊根据当前的ａ↓［ｉ］，ｉ ＝１，２，…，２ｌ按照下述支持向量机方法的拟合函数的通式ｆ（ｘ）计算第ｉ个样本的函数值ｆ↓［ｉ］；ｆ（ｘ）＝＊（ａ↓［ｉ］－ａ...

【技术特征摘要】

【专利技术属性】
技术研发人员：张曾科，孙喆，徐文立，王焕刚，薛文轩，
申请(专利权)人：清华大学，
类型：发明
国别省市：11[中国|北京]