-
公开(公告)号：CN109446669B
公开(公告)日：2022-10-28
申请号：CN201811293203.9
申请日：2018-11-01
Applicant: 东北大学
IPC: G06F30/27
Abstract: 本发明涉及一种矿浆浓度的软测量方法，通过该方法得到的矿浆浓度不仅能适应选矿生产环境的变化，更能提高矿浆浓度的检测效果。方法包括：建立包括线性部分信息和非线性部分信息的矿浆密度辨识模型；基于矿浆流量信号的历史数据，从线性部分信息中选择变量个数，并获取线性模型的估计模型；基于矿浆差压和流量信号的历史数据，从非线性部分信息中选择变量个数，并获取非线性部分的估计模型；根据线性部分和非线性部分的估计模型，基于矿浆密度辨识模型，获取估计的矿浆密度；进而根据选矿厂的实际矿浆密度，在线更新线性部分和非线性部分的模型参数，依据原矿石的真密度，获取选矿厂的矿浆浓度的估计值。
-
公开(公告)号：CN109446669A
公开(公告)日：2019-03-08
申请号：CN201811293203.9
申请日：2018-11-01
Applicant: 东北大学
IPC: G06F17/50
Abstract: 本发明涉及一种矿浆浓度的软测量方法，通过该方法得到的矿浆浓度不仅能适应选矿生产环境的变化，更能提高矿浆浓度的检测效果。方法包括：建立包括线性部分信息和非线性部分信息的矿浆密度辨识模型；基于矿浆流量信号的历史数据，从线性部分信息中选择变量个数，并获取线性模型的估计模型；基于矿浆差压和流量信号的历史数据，从非线性部分信息中选择变量个数，并获取非线性部分的估计模型；根据线性部分和非线性部分的估计模型，基于矿浆密度辨识模型，获取估计的矿浆密度；进而根据选矿厂的实际矿浆密度，在线更新线性部分和非线性部分的模型参数，依据原矿石的真密度，获取选矿厂的矿浆浓度的估计值。
-
公开(公告)号：CN113607601B
公开(公告)日：2022-10-28
申请号：CN202110678745.3
申请日：2021-06-18
Applicant: 东北大学
Abstract: 本发明涉及一种基于辨识模型与深度学习相结合的矿浆浓度智能检测方法，包括：101、获取矿浆在管道中流动的实时过程数据；102、根据实时数据和预先建立的矿浆密度检测模型，获取矿浆密度信息；103、根据所述矿浆密度‑浓度转换关系和所述矿浆密度信息，获得矿浆浓度的检测结果；其中，矿浆密度检测模型包括：采用最小二乘法估计的可辨识模型的密度值和对应未知非线性动态系统的采用LSTM建模的深度学习模型；所述可辨识模型和未知非线性动态系统为基于矿浆的基本信息和动量守恒规则建立的。上述方法能够实现对矿浆浓度的精确测量从而实现矿浆浓度的实时控制。
-
公开(公告)号：CN113607601A
公开(公告)日：2021-11-05
申请号：CN202110678745.3
申请日：2021-06-18
Applicant: 东北大学
Abstract: 本发明涉及一种基于辨识模型与深度学习相结合的矿浆浓度智能检测方法，包括：101、获取矿浆在管道中流动的实时过程数据；102、根据实时数据和预先建立的矿浆密度检测模型，获取矿浆密度信息；103、根据所述矿浆密度‑浓度转换关系和所述矿浆密度信息，获得矿浆浓度的检测结果；其中，矿浆密度检测模型包括：采用最小二乘法估计的可辨识模型的密度值和对应未知非线性动态系统的采用LSTM建模的深度学习模型；所述可辨识模型和未知非线性动态系统为基于矿浆的基本信息和动量守恒规则建立的。上述方法能够实现对矿浆浓度的精确测量从而实现矿浆浓度的实时控制。
-
-
-
Search Results
4
records
(took 0.013 seconds)
