基于改进混沌自适应粒子群神经网络的磨矿粒度软测量

doi:10.16182/j.issn1004731x.joss.201612010

系统仿真学报 ›› 2016, Vol. 28 ›› Issue (12): 2946-2950.doi: 10.16182/j.issn1004731x.joss.201612010

基于改进混沌自适应粒子群神经网络的磨矿粒度软测量

周颖^1,2, 赵慧敏¹, 陈阳¹, 王龙¹

1.河北工业大学控制科学与工程学院,天津 300130;
2.河北省控制工程技术研究中心,天津 300130

收稿日期:2015-04-02 修回日期:2015-08-19 出版日期:2016-12-08 发布日期:2020-08-13
作者简介:周颖(1971-),女,河北,博士,副教授,研究方向为智能控制、模式识别、复杂工业过程控制;赵慧敏(1989-),女,满族,河北,硕士,研究方向为复杂工业过程控制与软测量技术。
基金资助:
河北省高等学校科学技术研究项目(ZD2016071); 河北省青年自然科学基金(F2014202166)

Soft Sensor of Particle Size of Grinding Process Based on Improved CSAPSO Neural Networks

Zhou Ying^1,2, Zhao Huimin¹, Chen Yang¹, Wang Long¹

1. School of Control Science and Engineering, Hebei University of Technology, Tianjin 300130, China;
2. Hebei Control Engineering Research Center, Tianjin 300130, China

Received:2015-04-02 Revised:2015-08-19 Online:2016-12-08 Published:2020-08-13

摘要/Abstract

摘要： 针对磨矿粒度难以实现直接在线测量且化验过程滞后的难题,结合一段磨矿回路的特性,提出基于改进的混沌自适应粒子群优化算法和BP神经网络结合的磨矿粒度软测量模型,本算法利用混沌理论的遍历性和粒子群较强的全局最优搜索能力的优点,自适应的调整BP网络的权值,避免网络陷入局部最优。通过MATLAB仿真表明,改进的混沌自适应PSO-BP神经网络与PSO-BP神经网络和CPSO-BP神经网络相比较,其测量精度明显提高,且网络具有较强的收敛性能和优化能力,结果表明所提出方法的有效性。

关键词: 混沌, 粒子群优化, 神经网络, 磨矿粒度, 软测量

Abstract: Aiming at the problems that the particle size can’t be measured online and the offline analysis by lab sample existing in large-time delay, by combining the characteristics of the one stage grinding circuit, the soft sensor model of particle size was proposed by the combination of improved chaotic self-adaptive particle swarm optimization and BP neural network algorithm. Taking advantages of chaotic theory ergodicity and PSO global optimal searching ability, the algorithm above couldadjust the weights of BP network adaptively and avoid falling into the local optimum. As a result of MATLAB simulation, the measurement accuracy of the improved CSAPSO-BP NN is higher than the PSO-BP NN and CPSO-BP NN, and it also has better ability of convergence and optimization performance. To sum up, the proposed soft sensor approach is efficient.

Key words: chaos, particle swarm optimization, neural network, particle size, soft-sensor

中图分类号:

TP18

周颖, 赵慧敏, 陈阳, 王龙. 基于改进混沌自适应粒子群神经网络的磨矿粒度软测量[J]. 系统仿真学报, 2016, 28(12): 2946-2950.

Zhou Ying, Zhao Huimin, Chen Yang, Wang Long. Soft Sensor of Particle Size of Grinding Process Based on Improved CSAPSO Neural Networks[J]. Journal of System Simulation, 2016, 28(12): 2946-2950.

参考文献

[1] 代伟, 柴天佑. 数据驱动的复杂磨矿过程运行优化控制方法[J]. 自动化学报, 2014, 40(9): 2005-2014.
[2] Zhou P, Chai T, Sun J.Intelligence-Based Supervisory Control for Optimal Operation of a DCS-Controlled Grinding System[J]. Control Systems Technology, IEEE Transactions on(S1063-6536), 2013, 21(1): 162-175.
[3] 丁进良, 岳恒, 齐玉涛, 等. 基于遗传算法的磨矿粒度神经网络软测量[J]. 仪器仪表学报, 2006, 27(9): 981-984.
[4] 周平, 柴天佑. 基于案例推理的磨矿粒度软测量及其软件实现[J]. 系统仿真学报, 2008, 19(23): 5397-5400.
[5] 乔宗良, 张蕾, 周建高, 等. 一种改进的 CPSO-LSSVM 软测量模型及其应用[J]. 仪器仪表学报, 2014, 35(1): 234-240.
[6] Gandomi A H, Yun G J, Yang X S, et al.Chaos-Enhanced Accelerated Particle Swarm Optimization[J]. Communications in Nonlinear Science and Numerical Simulation(S1007-5704), 2013, 18(2): 327-340.
[7] Yu F, Zou M, Lv C.The Application of an Improved Chaos-Particle Swarm Optimization Algorithm to the Real Submersible Path-Planning[C]// Intelligent Human-Machine Systems and Cybernetics (IHMSC), 2013 5th International Conference on. USA: IEEE, 2013, 2: 316-319.
[8] Kennedy J.Small Worlds and Mega-minds: Effects of Neighborhood Topology on Particle Swarm Performance[C]// Evolutionary Computation, 1999. CEC 99. Proceedings of the 1999 Congress on. USA: IEEE, 1999, 3.
[9] Kennedy J.The Particle Swarm: Social Adaptation of Knowledge[C]// Evolutionary Computation, 1997., IEEE International Conference on.USA: IEEE, 1997: 303-308.
[10] Xu X B, Zheng K F, Li D, et al.New Chaos-Particle Swarm Optimization Algorithm[J]. Journal on Communications(S1796-2021), 2012, 33(1): 25-27.
[11] Zhou P, Chai T, Wang H.Intelligent Optimal-Setting Control for Grinding Circuits of Mineral Processing Process[J]. Automation Science and Engineering, IEEE Transactions on(1545-5955), 2009, 6(4): 730-743.

[1]	张森, 张孟炎, 邵敬平, 普杰信. 基于随机策略搜索的多机三维路径规划方法[J]. 系统仿真学报, 2022, 34(6): 1286-1295.
[2]	张立峰, 王会忍. 基于卷积神经网络及有限元仿真的电容层析成像图像重建[J]. 系统仿真学报, 2022, 34(4): 712-718.
[3]	马立新, 程颍. 计及可中断负荷的园区综合能源系统优化调度[J]. 系统仿真学报, 2022, 34(4): 817-825.
[4]	康旭, 张晓峰. 基于生成对抗神经网络的雷达遥感数据增广方法[J]. 系统仿真学报, 2022, 34(4): 920-927.
[5]	周思锦, 陈棣成, 涂耿, 姜大志. 基于个性化和记忆机制的多模态情感计算模型[J]. 系统仿真学报, 2022, 34(4): 745-758.
[6]	孙晓安, 栾小丽, 刘飞. 基于智能优化灰色模型的电子固废预测[J]. 系统仿真学报, 2022, 34(3): 536-542.
[7]	魏娟, 游磊, 郭阳勇, 唐志海. 基于小波神经网络的多楼层疏散模型[J]. 系统仿真学报, 2022, 34(2): 269-277.
[8]	敖邦乾, 杨莎, 令狐金卿, 叶振环. 基于级联神经网络疲劳驾驶检测系统设计[J]. 系统仿真学报, 2022, 34(2): 323-333.
[9]	曾思劼, 晏良, 段晓君. 基于PCE方法的无人机轨迹规划与分析[J]. 系统仿真学报, 2022, 34(1): 145-152.
[10]	徐珊玲, 李俊红, 刘梦茹, 华亮. Wiener系统的混沌引力搜索迭代辨识[J]. 系统仿真学报, 2021, 33(9): 2138-2146.
[11]	魏腾飞, 潘庭龙. 基于改进PSO优化LSTM网络的短期电力负荷预测[J]. 系统仿真学报, 2021, 33(8): 1866-1874.
[12]	牛侃, 李冰, 付强. 基于混沌扰动机制粒子群算法的战场频率分配方法[J]. 系统仿真学报, 2021, 33(8): 1905-1913.
[13]	魏娟, 李忠玉, 游磊, 郭阳勇, 唐志海, 胡周义. 考虑精英混沌搜索策略的室内行人疏散模型[J]. 系统仿真学报, 2021, 33(7): 1609-1616.
[14]	代学志, 熊伟丽. 基于概率选择的主动学习智能软测量建模[J]. 系统仿真学报, 2021, 33(6): 1350-1357.
[15]	赵瑛, 陆耀, 张健, 梁启弟, 龙炜. 基于深度神经网络的多视角人体动作识别[J]. 系统仿真学报, 2021, 33(5): 1019-1030.

基于改进混沌自适应粒子群神经网络的磨矿粒度软测量

Soft Sensor of Particle Size of Grinding Process Based on Improved CSAPSO Neural Networks

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价