Optimierung des Entwässerungsprozesses der Konzentratdruckfiltration durch Support-Vektor-Regression

Wissenschaftliche Berichte Band 12, Artikelnummer: 7135 (2022) Diesen Artikel zitieren

1132 Zugriffe

3 Zitate

Details zu den Metriken

Diese Arbeit untersucht den Mechanismus und die Optimierungsmethoden des Filterpressentwässerungsprozesses, um die Effizienz des Konzentratfilterpressentwässerungsvorgangs besser zu verbessern. Modelle des maschinellen Lernens (ML) der radialen Basisfunktion (RBF)–OLS, des neuronalen Netzes der RBF-verallgemeinerten Regression und der Support-Vektor-Regression (SVR) werden erstellt, und Labor- und Industriesimulationen werden getrennt durchgeführt, schließlich werden Optimierungsmethoden für die Filtrationsentwässerung entwickelt Prozesse werden entworfen und angewendet. Im Labor weisen alle maschinellen Lernmodelle offensichtliche Fehler auf, aber es ist ersichtlich, dass SVR den besten Simulationseffekt hat. Um die Optimierung des gesamten Filtrations- und Entwässerungsprozesses zu erreichen, haben wir genügend Daten aus dem industriellen Filtrations- und Entwässerungssystem erhalten, und in den industriellen Simulationsergebnissen haben alle Modelle des maschinellen Lernens erhebliche Leistungen erbracht. SVR erreicht die beste Genauigkeit in der industriellen Simulation Der simulierte mittlere relative Fehler von Feuchtigkeit und Verarbeitungskapazität beträgt 1,57 % und 3,81 %, das Modell wurde mit neu gesammelten Industriedaten getestet, um die Glaubwürdigkeit zu überprüfen. Die optimalen Simulationsergebnisse werden durch Optimierungsverfahren basierend auf Kontrollvariablen erzielt. Die Ergebnisse zeigen, dass die ML-Methode des SVR und Optimierungsmethoden von Kontrollvariablen, die in der Industrie angewendet werden, nicht nur den Energieverbrauch und die Kosten senken, sondern auch die Effizienz des Filterpressenbetriebs grundlegend verbessern können, was einige Optionen für intelligente Entwässerungsprozesse und andere industrielle Prozesse bieten wird Produktionsoptimierung.

Die allmähliche Erschöpfung der leicht aufzubereitenden Mineralressourcen hat die Menge an komplexen und minderwertigen Erzen erhöht und die Korngröße der Mahlung feiner gemacht. Dadurch wird die Entwässerung und Filtration von Konzentrat immer schwieriger. Ein hocheffizienter Druckfilter wurde entwickelt und nach und nach für die Filterpressentwässerung von Konzentrat eingesetzt. Aufgrund der automatischen Steuerungstechnologie im Druckfilter wird diese Art von hocheffizientem Druckfilter im Allgemeinen als automatischer Druckfilter1 bezeichnet. Der erzwungene Entwässerungsprozess des „mechanischen Pressens“ und der „Lufttrocknung“ auf Basis des „Speisedrucks“ der herkömmlichen Filterpresse wird im automatischen Druckfilter2 angewendet. Dadurch kann nicht nur ein Filterkuchen mit geringerer Feuchtigkeit erhalten werden, sondern auch eine höhere Betriebseffizienz erzielt werden3.

Viele Arten automatischer Filterpressen werden in der mineralverarbeitenden Industrie erfolgreich eingesetzt, beispielsweise die von Larox in Finnland entwickelte automatische Filterpresse Larox-PF4,5 und die automatische Filterpresse BPF in China6. Der Entwässerungsprozess des automatischen Druckfilters ist relativ kompliziert, und die Stabilität des Index und die Effizienz des Entwässerungsprozesses werden durch die Angemessenheit der Steuerparametereinstellung des Entwässerungsprozesses beeinflusst7. Daher hat die Optimierungsforschung der Filterpressentwässerungsprozesssteuerung eine erhöhte Aufmerksamkeit erhalten8.

Derzeit gibt es viele Untersuchungen zur Optimierung der Dehydrierung, wie z. B. zum Entwurf eines Dehydrierungskreislaufs9, zur Optimierung des Filtermediums10,11 und zum Antrieb der elektrischen Dehydrierung durch Druck12,13. Obwohl die elektrisch betriebene Dehydrierung hocheffizient ist, ist sie energieaufwendig und weist eine geringe Stabilitätsleistung auf. Und es wird durch die Forschung der Materialwissenschaften stark eingeschränkt. Es ist jedoch eine neue Idee, durch die Erfassung von Produktionsdaten koordinierte Optimierungsmodelle zu erstellen, um die in der Dehydrierungsindustrie auftretenden Probleme zu lösen14. Einige Dehydrierungsoptimierungen werden durch chemische Methoden, Entwässerungshilfsmittel und Flockungsmittel verwendet, um die Dehydrierung von Mineralpartikeln zu optimieren15,16,17,18, sogar durch eine Kombination aus physikalischen und chemischen Methoden mit doppelten Optimierungsmethoden zur Optimierung der Dehydrierung19,20, was unbestreitbar ist Das sind zwar einige spannende Erkenntnisse, aber aus makroökonomischer Sicht handelt es sich allesamt um problemorientierte Dehydrierungsoptimierungen und die Effizienz des Konzentratfilterpressen-Dehydratisierungsbetriebs ist eingeschränkt. Die sprunghafte Multiparameter-Gesamtoptimierung ist die Realisierung der gemeinsamen adaptiven Anpassung des Filterpressen-Entwässerungssystems, was einen wichtigen Schritt bei der künftigen Intelligentisierung des Entwässerungssystems darstellt.

Somit hat die Optimierungsmethode des Dehydrierungsprozesses durch ML (maschinelles Lernen) und datengesteuert die besten Vorteile und die größte langfristige Bedeutung. Zur Charakterisierung der industriellen Entwässerungsleistung werden experimentelle Daten verwendet21. Es wird ein Mechanismusmodell des Filterpressenprozesses erstellt22, um die besten Betriebssteuerungsparameter des Filterpressenprozesses zur Erzielung einer Prozessoptimierung zu erhalten. Die industrielle Druckfiltration mit Prozessdaten wird analysiert und modelliert23. Obwohl die Anwendung von ML zur Optimierung der Parameter des Dehydrierungsprozesses untersucht wurde, gibt es relativ wenige optimierte Parameter im System, und die Daten für die Modellierung werden alle gleichzeitig erhalten, was letztendlich dazu führen wird, dass die Authentizität verloren geht Modell aufgrund fehlender Verifizierung. Noch wichtiger: Da diese konstruierten maschinellen Lernmodelle nicht mit entsprechenden Optimierungsmethoden kombiniert werden, kann keine kontinuierliche Optimierung durchgeführt werden, was zu begrenzten Optimierungsergebnissen führt, was die Effizienz des Filterpressentwässerungsprozesses nicht grundlegend verbessert.

In der Studie werden durch eine Kombination aus Labor- und industriellen Dehydrierungsexperimenten mehrere Sätze industrieller Produktionsdaten verwendet, um ML-Modelle für die Prozesssteuerung der Druckfilter-Dehydrierung zu erstellen. Der Vergleich der Simulations- und Vorhersagegenauigkeit der drei ML-Modelle des orthogonalen kleinsten Quadrats (OLS) und des generalisierten Regressions-Neuronalen Netzwerks (GRNN) mit radialen Basisfunktionsnetzwerken (RBF) und der Unterstützungsvektorregression (SVR) zeigt, dass SVR die höchste Genauigkeit aufweist. Gleichzeitig beziehen wir wiederholt Daten aus dem industriellen Filterpressentwässerungssystem, um ein Multiparametermodell zu erstellen und Modellversuche durchzuführen. Wir untersuchen eine Optimierungsmethode für Kontrollvariablen, um die optimalen Kontrollparameter im Kontrollmodell zu erhalten. Ziel dieser Methode ist es, einen anderen Parameter zu optimieren und gleichzeitig sicherzustellen, dass ein Steuerparameter qualifiziert ist. Auf diese Weise werden die optimalen Regelparameter in der Branche erreicht. Am Ende haben wir die Rationalität unseres Optimierungsprozesses und unserer Optimierungsmethode überprüft und die kontinuierliche Optimierung des industriellen Filterpressentwässerungsprozesses realisiert.

Ein vollständiger Arbeitsprozess des automatischen Druckfilters umfasst das Schließen der Filterplattenzufuhr und -filterung, das mechanische Pressen, das Trocknen an der Luft, das Öffnen der Filterplatte, das Entladen des Kuchens und das Reinigen des Filtertuchs. Verarbeitungskapazität und Feuchtigkeit fließen hauptsächlich in den Dehydrierungsindex ein, der durch die drei Haupttrocknungsprozesse „Beschickungsfilterpresse“, „mechanisches Pressen“ und „Lufttrocknung“ bestimmt wird. Nur ein gutes Verständnis des Filterpressentwässerungsprozesses und des Zwecks der Optimierung kann die Optimierungsmethode für die Steuerungsparameter des tatsächlichen Filterpressentwässerungsprozesses besser vorlegen. Daher stellen wir in diesem Kapitel zunächst den dreistufigen Prozess der Filterpressentwässerung vor. Anschließend schlagen wir eine Optimierungsmethode basierend auf der Steuervariablen entsprechend dem Zweck der Prozessoptimierung vor.

Der Prozess der Zufuhrfilterpresse ist der Prozess, bei dem die Aufschlämmung in die Filterkammer gepresst wird. Dieser Prozess startet den Filtrationsvorgang, wenn die Aufschlämmung hydraulisch in die Filterkammer eingeführt wird. Es handelt sich um einen Prozess der Filterkuchenfiltration und folgt der folgenden grundlegenden Filtrationsgleichung, die in Gleichung (1) vorgeschlagen wird. (1)24.

wobei Q die Durchflussrate des Filtrats ist; A ist die Filterfläche; t ist die Filtrationszeit; V ist das Volumen des in der Zeit t angesammelten Filtrats; L ist die Dicke der Filterschicht; K ist der Durchlässigkeitskoeffizient der Filterschicht; ΔP ist die Querfiltrationsschicht des Druckabfalls (die treibende Kraft der Filtration); μ ist die Viskosität des Filtrats.

Bei konstanter Feed-Konzentration und konstantem Feed-Druck bestimmt die Länge der Feed-Zeit direkt die Dicke des Filterkuchens. Mit zunehmender Zufuhrzeit wird der Filterkuchen allmählich dicker, die Eindickungsgeschwindigkeit nimmt jedoch rapide ab. Durch eine Verlängerung der Zuführzeit kann die Dicke des Filterkuchens und die Leistung des Filterkuchens pro Pressfilterzyklus erhöht werden. Wenn jedoch die Beschickungszeit verlängert wird, erhöht sich der Filterpressenzyklus erheblich, was wiederum zu einer Verringerung der Kuchenausbeute pro Zeiteinheit führt. Daher ist die „Fütterungszeit“ ein wichtiger Faktor, der den Dehydrierungsindex und die Effizienz beeinflusst. Ziel dieser Prozessoptimierung ist es, je nach Materialbeschaffenheit (Filterkuchendicke) eine angemessene Zuführzeit zu erreichen.

Die Presstrocknung kann auf viele Arten durchgeführt werden, und am weitesten verbreitet sind hauptsächlich zwei Methoden: die mechanische Presstrocknung mit einem Pressmechanismus und die andere die hydraulische Presstrocknung. Der Vergleich der Wirkungen der beiden Pressmethoden ist in Abb. 1 gemäß vorhandener Forschung25 dargestellt. Wie beobachtet, ist die mechanische Presskurve offensichtlich steiler, was bedeutet, dass die Zeit bis zum Erreichen der gleichen Filterkuchenporosität nach dem mechanischen Pressen des Filterkuchens deutlich kürzer ist. Durch mechanisches Pressen kann die Entwässerungszeit des Filterkuchens deutlich verkürzt werden.

Testkurve für mechanisches und hydraulisches Pressen.

Nachdem die „Beschickungsfilterpresse“ abgeschlossen ist, beginnt die Stufe „Mechanische Presse“. Der automatische Druckfilter verwendet eine Membranpresse, eine Art mechanische Presse. Wenn die Presszeit nicht ausreicht, das Wasser in den Poren des Filterkuchens nicht vollständig herausgedrückt wird und das Pressen abgebrochen wird, erhöht sich die Endfeuchtigkeit des Filterkuchens, was sich auf die Effizienz des Pressens auswirkt. Im Gegenteil: Nach einer gewissen Zeit der Filterkuchenpressung nimmt die Porosität des Filterkuchens nicht mehr ab und der Wassergehalt nimmt nicht mehr ab. Wird die Presszeit weiterhin verlängert, verlängert sich der Arbeitszyklus der Filterpresse und die Pressleistung wird verbraucht.

Nach Abschluss des Pressvorgangs verbleibt noch etwas Feuchtigkeit in den Poren des Filterkuchens. Wenn zu diesem Zeitpunkt Druckluft durch den Filterkuchen in die Filterkammer geleitet wird und die Restfeuchtigkeit im Filterkuchen weiter entfernt wird, können Lufttrocknung und Entwässerung realisiert werden. Nach bestehenden Forschungsergebnissen26 kann die Lufttrocknung in drei Phasen unterteilt werden: Penetrations-, Austausch- und Verdunstungsphase. Die Wirkung jeder Stufe ist in Abb. 2 dargestellt.

Drei Stufen der Lufttrocknung und Dehydrierung.

Abbildung 2 zeigt, dass der Flüssigkeitsausstoß in der Penetrationsphase am stärksten ist und dann die Verdrängungs- und Verdampfungsphase beginnt. Nach Ablauf der Penetrationsphase sinkt die Sättigung des Filterkuchens leicht und die Feuchtigkeit des Filterkuchens liegt nahe der Endfeuchte. Bei fortgesetztem Blasen und Trocknen erhöht sich lediglich der Druckluftverbrauch. Daher sind unter bestimmten Lufttrocknungsdruckbedingungen eine angemessene Kontrolle der Lufttrocknungszeit und eine rechtzeitige Beendigung der Lufttrocknung nach Abschluss der Durchdringungsphase die Ziele der Optimierung des Lufttrocknungsprozesses.

Bei einem Filterpressen-Entwässerungssystem für festes Konzentrat hängt der „Speisedruck“ mit der Speisepumpe zusammen und ist relativ fest, daher wird er nicht berücksichtigt. Die Größe der Konzentrataufschlämmung ist relativ fest und die Viskosität steht in direktem Zusammenhang mit der Konzentration. Daher berücksichtigt der Optimierungsprozess der Filterpresse die beiden Bedingungen „Einspeisekonzentration“ und „Quetschdruck“. „Beschickungszeit“, „Pressraum“ und „Lufttrocknungszeit“ sind auch die wesentlichen Optimierungsparameter des Filterpressprozesses27.

Der gesamte Entwässerungsprozess wird durch die automatische Steuerung der Filterpresse gesteuert. Einerseits realisiert das automatische Steuerungssystem der Filterpresse die präzise Steuerung der mechanischen Wirkung der Filterpresse selbst. Andererseits realisiert es die Programmsteuerung und den zusätzlichen Entwässerungsprozess „Zuführen, Pressen, Lufttrocknen, Kuchenentladen und Tuchwaschen“. Es passt auch die Steuerparameter an.

Während des Betriebs der Anlage muss der Bediener die wichtigsten Steuerparameter rechtzeitig über die Mensch-Maschine-Schnittstelle ändern, wenn sich Schlammbedingungen wie „Zufuhrkonzentration“ oder Anforderungen an den Filtrationsindex ändern, um den Entwässerungsindex und die Arbeitseffizienz der Filterpresse sicherzustellen. Die aktuelle Einstellung und Änderung der Steuerparameter des Filterpressen-Trocknungsprozesses wird jedoch hauptsächlich von den Bedienern auf der Grundlage ihrer eigenen Erfahrungen und Kenntnisse durchgeführt. Die unterschiedlichen Erfahrungen verschiedener Bediener führen zu Schwankungen im Index und in der Effizienz des Filterpressentwässerungsvorgangs. Die Erzielung des optimalen Wertes der wichtigsten Steuerparameter des Filterpressentwässerungsprozesses ist der Schlüssel zur Gewährleistung eines effizienten Ablaufs des Entwässerungsvorgangs. Offensichtlich lässt sich der optimale Wert nicht dadurch erzielen, dass man sich nur auf die Erfahrung des Bedieners verlässt. Optimale Parameter können durch ML28,29 vorhergesagt werden. Daher schlagen wir ein präzises ML-Modell des Filterpressentwässerungsprozesses vor, das vorhandene Datenproben nutzt. Anschließend verwenden wir die Ergebnisse der ML-Modellvorhersage, um eine zuverlässige Optimierungsmethode zum Erhalten des optimalen Werts der Steuerparameter zu entwerfen. Auf diese Weise wird eine Steuerungsoptimierung des Filterpressentwässerungsprozesses erreicht. Durch die Untersuchung der tatsächlichen Situation schlagen wir das folgende sinnvolle Optimierungsprinzip vor (Optimierungsmethoden basierend auf dem Prinzip der kontrollierten Variablen):

Unter der Voraussetzung, sicherzustellen, dass der Filterkuchen mit qualifiziertem Wassergehalt erhalten wird, wird die optimierte Steuerung der Parameter verwendet, um die maximale Verarbeitungskapazität pro Filterflächeneinheit zu erreichen.

Unter der Voraussetzung, die Verarbeitungskapazität pro Filterflächeneinheit sicherzustellen, kann durch optimierte Steuerung der Parameter der Filterkuchen mit der niedrigsten Feuchtigkeit erhalten werden.

Wie in Abb. 3 dargestellt, ist das Prinzip dieser auf der Regelgröße basierenden Optimierungsmethode wie folgt. Unter bestimmten äußeren Bedingungen wird jeder Steuerparameter innerhalb des angemessenen Wertebereichs jedes Steuerparameters nacheinander von klein nach groß ausgewählt, und der Wert wird zyklisch in kleinen Intervallen ausgewählt. Die durch die Steuerparameter erhaltenen Werte werden angeordnet und kombiniert, um eine Kombination von Steuerparametern unter verschiedenen Bedingungen zu erhalten. Für jede Kombination wird das etablierte ML-Modell verwendet, um Simulationsergebnisse zu erhalten, und die Simulationsergebnisse werden nacheinander gemäß verschiedenen Optimierungsprinzipien und Optimierungszielen verglichen, um das Optimum zu finden. Folglich ist die dem optimalen Ergebnis entsprechende Steuerparametergruppe der optimale Steuerparameter.

Optimierungsprozess der Filterpressentwässerung.

ML- und künstliche Intelligenztechniken fördern zunehmend die Entwicklung der Mineralverarbeitung30,31,32. Gemäß dem zuvor eingeführten Optimierungsprinzip und Prozess der Filterpressentwässerung müssen wir ein genaues ML-Modell erstellen, um die Optimierung des Filterpressentwässerungsprozesses zu erreichen. Für bessere industrielle Anwendungen verwendet diese Studie die OLS-Methode und die GRNN-Methode basierend auf dem neuronalen RBF-Netzwerk und SVR, um ein optimales Steuerungsmodell für den Filterpressentwässerungsprozess zu erstellen.

Ein künstliches neuronales Netzwerk ist ein komplexes Netzwerksystem, das aus vielen miteinander verbundenen Neuronen besteht. Es stehen viele Arten neuronaler Netzwerkmodelle zur Verfügung. Wir verwenden jedoch das auf OLS und GRNN basierende neuronale RBF-Netzwerkmodell, um ein Simulationsmodell des Filterpressentwässerungsprozesses zu erstellen.

Die von uns erstellte RBF-Modellstruktur des neuronalen Netzwerks des Filterpressentwässerungsprozesses ist in Abb. 4 dargestellt. Das RBF-Netzwerk ist ein zweischichtiges Netzwerk mit nur einer verborgenen Schicht zusätzlich zu den Eingabe- und Ausgabeschichten. Die Übertragungsfunktion in der verborgenen Schicht ist eine Gaußsche Funktion der lokalen Antwort, während die Übertragungsfunktion für andere Vorwärtsnetzwerke im Allgemeinen eine globale Antwortfunktion ist. Aufgrund dieses Unterschieds benötigt RBF mehr Neuronen, um die gleiche Funktion zu erfüllen. Daher kann das RBF-Netzwerk das Standard-Forward-Netzwerk nicht ersetzen. Allerdings ist die Trainingszeit von RBF kürzer. Es eignet sich optimal für die Funktionsnäherung und kann jede stetige Funktion mit beliebiger Genauigkeit approximieren. Die Näherung ist genauer, wenn die verborgene Schicht mehr Neuronen enthält.

RBF-Modellstruktur des neuronalen Netzwerks des Filterpressentwässerungsprozesses.

Wie in Abb. 5 dargestellt, ist GRNN eine Verbesserung von RBF mit ähnlicher Struktur33,34. Der Unterschied besteht darin, dass eine zusätzliche Summationsschicht berücksichtigt wird und die Gewichtsverbindung zwischen der verborgenen Schicht und der Ausgabeschicht (kleinste quadratische Überlagerung von Gaußschen Gewichten) entfernt wird. GRNN konvergiert schnell, da keine Modellparameter trainiert werden müssen. Basierend auf dem radialen Basisnetzwerk weist es auch eine gute nichtlineare Approximationsleistung auf. Allerdings muss jede Testprobe von GRNN mit allen Trainingsproben berechnet werden. Daher ist seine Rechenkomplexität hoch. Darüber hinaus müssen alle Trainingsbeispiele gespeichert werden. Dementsprechend hoch ist auch die Platzkomplexität.

GRNN-Modellstruktur des Filterpressentwässerungsprozesses.

Wir erstellen auch ein RBF-Neuronales Netzwerkmodell basierend auf OLS. Dieses Modell basiert auf der Konstruktion der RBF-Modellstruktur mithilfe der Methode der kleinsten Quadrate. Die Optimierungsmethode der Restquadratsumme besteht darin, die Parameter der RBF-Netzwerkstruktur zu optimieren, um die Quadratsumme der Differenz zwischen der Regressionsfunktion und dem tatsächlichen Wert zu minimieren. Die OLS-Methode regressiert die vorhergesagte Antwortvariable durch eine Reihe von Prädiktorvariablen.

Wie in Gl. gezeigt. (2) Die lineare OLS-Regression zielt darauf ab, Modellparameter zu erhalten, indem die Differenz zwischen dem wahren Wert der Antwortvariablen und dem vorhergesagten Wert verringert wird. In dieser Gleichung wird Yt als abhängige Variable bezeichnet, Xt als unabhängige Variable, \(\alpha\), \(\beta\) werden als Regressionskoeffizienten bezeichnet, t = 1, 2, 3, 4 stellt die Anzahl dar Beobachtungen und \(\mu_{t}\) stellt den Fehler dar.

Wie in Gl. gezeigt. (3) Die lineare OLS-Regression zielt darauf ab, die Kurve bestmöglich anzupassen, um sicherzustellen, dass die Summe der Quadrate der Abstände von jedem Punkt zur geraden Linie (dh die Restquadratsumme, kurz RSS) am kleinsten ist.

Die Support Vector Machine (SVM) wurde von Vapnik et al. vorgeschlagen. in den 1990er Jahren und basiert auf der statistischen Lerntheorie35,36. Die SVM-Methode ist eine ML-Methode, die auf der VC-Dimensionstheorie der statistischen Lerntheorie und dem Prinzip der strukturellen Risikominimierung36 basiert. Es basiert auf der Komplexität des Modells begrenzter Stichproben, um den besten Kompromiss zwischen Lernfähigkeiten zu erzielen und so die beste Generalisierungsfähigkeit zu erhalten. Bei neuronalen Netzwerken sollte die Anzahl der Stichproben hoch sein, da sie auf dem Prinzip der empirischen Risikominimierung basieren. Allerdings basiert die SVM-Methode auf dem Prinzip der strukturellen Risikominimierung. Unter der Bedingung kleiner Stichproben weist das mit der SVM-Methode erstellte Modell daher eine bessere Generalisierungs- und Förderungsleistung auf37.

Bei linearer Trennbarkeit wird SVM aus der optimalen Klassifizierungsfläche entwickelt. Die Grundidee lässt sich anhand der zweidimensionalen Situation in Abb. 6 veranschaulichen. Die ausgefüllten und hohlen Punkte repräsentieren zwei Arten von Proben. H ist die Klassifizierungslinie. H1 und H2 sind die Linien, die der Klassifizierungslinie am nächsten kommen und parallel zur Klassifizierungslinie verlaufen. Der Abstand zwischen ihnen wird als Klassifizierungsintervall (Marge) bezeichnet. Die sogenannte optimale Klassifizierungslinie erfordert, dass die Klassifizierungslinie nicht nur die beiden Kategorien korrekt trennt, sondern auch das Klassifizierungsintervall maximiert. Diese Art der Klassifizierungsliniengleichung kann als Gleichung definiert werden. (4).

Methode von SVM (links) und SVR (rechts).

Wenn SVM die Daten normalisiert, muss die linear trennbare Stichprobe Gleichung erfüllen. (5).

Zu diesem Zeitpunkt ist das Klassifizierungsintervall gleich 2/‖w‖, sodass das maximale Intervall dem minimalen „w“2 entspricht. Die Klassifizierungsoberfläche, die die Bedingung (7) erfüllt und die Zielfunktion minimiert, wie in Gleichung gezeigt. (6). 2/‖w‖2 wird als optimale Klassifikationsfläche bezeichnet.

Eine Ebene mit dem weitesten Abstand vom Punkt auf der Grenze zur Ebene wird durch Klassifizierung gefunden, und \(\varsigma\) einer unempfindlichen Verlustfunktion als Verlustfunktion wird im SVR eingeführt, um den Abstand von jedem Punkt zum zu minimieren Regressionsgerade, die zur Steuerung des Abstands zwischen den tatsächlichen Werten und Grenzwerten verwendet wird, und Verlustfunktion zur Bestimmung, ob der Wert von \(w^{T} \Phi \left( {x_{i} } \right) \) im Bereich von y \(\pm\) ε liegt, dann kann der Rechenverlust vernachlässigt werden38,39

Nachdem drei ML-Modelle zur Steuerung und Optimierung des Filterpressentwässerungsprozesses konstruiert wurden, führen wir das Filterpressentwässerungsexperiment im Labor durch. Die vom Laborentwässerungssystem gesammelten Daten werden auch verwendet, um die Konstruktionsmethode des Simulationsmodells für den Filterpressentwässerungsprozess zu untersuchen.

Einige Seltenerderze sind mit einer Konzentration von 30 % und einer Partikelgröße von 0,02–0,07 mm konfiguriert. Der Versuchsablauf ist in Abb. 7 dargestellt und die selbst entwickelte mikroautomatische Filterpresse wird als Versuchsausrüstung verwendet. Die Zustands- und Kontrollparameter werden separat angepasst, um den Filterpressentwässerungstest des Materials durchzuführen. Nach jedem Test wird der Filterkuchen gesiebt, eine Probe entnommen und nach dem Mahlen getrocknet. Die Fläche des Filterkuchens und die Masse der Probe vor und nach dem Trocknen werden berechnet, und die Feuchtigkeits- und Verarbeitungskapazitätsdaten jeder Probe werden nacheinander berechnet. Bevor wir die Daten erhalten, ändern und passen wir die Eingabevariablen entsprechend der tatsächlichen Situation an, sodass die Feuchtigkeit des Filterkuchens und die Verarbeitungskapazität vor der Probenahme den tatsächlichen Anforderungen der Branche entsprechen. Die normalen Schwankungsbereiche der Eingangsvariablen, der Feuchtigkeit des Ausgangsfilterkuchens und der Verarbeitungskapazität pro Flächeneinheit sind in Tabelle 1 aufgeführt.

Versuchsablauf.

Insgesamt werden 163 Testreihen durchgeführt und Daten gesammelt. Wie in Abb. 8 dargestellt, haben wir zur Analyse, ob die erfassten Daten abnormal sind, die Boxdiagramm-Analysemethode angewendet und festgestellt, dass der sinnvollste Wert der Filterkuchenfeuchtigkeit zwischen 12,1 und 14,5 % liegt. Dabei sind MAX, MIN die Grenzwerte der Feuchtigkeit, M der Median aller Feuchtigkeitswertdaten, Q1 das erste Quantil, Q3 das Tertil, W der Whisker-Wert und O die abnormalen Daten. Aus dem Boxplot ist ersichtlich, dass es drei Datensätze außerhalb der Box gibt, bei denen es sich möglicherweise um abnormale Daten handelt, wenn man jedoch davon ausgeht, dass einer der Datensätze den normalen Bereich der in Tabelle 1 gezeigten Forschungsvariablen erfüllt.

Abnormale Datenanalyse.

Mit Ausnahme von zwei Sätzen abnormaler Daten werden 100 Sätze der verbleibenden 161 Datensätze als Trainingsbeispiele und die verbleibenden 61 Sätze als Testbeispiele verwendet, um die Simulationsgenauigkeit des erstellten Modells zu überprüfen. „Zufuhrkonzentration“, „Zufuhrzeit“, „Auspresszeit“ und „Lufttrocknungszeit“ werden als Eingabe und „Filterkuchenfeuchtigkeit“ und „Verarbeitungskapazität pro Flächeneinheit“ als Ausgabe in OLS und GRNN verwendet SVR-Methode zur Simulationsmodellkonstruktion. Das Modellierungs- und Simulationsprogramm ist in der MATLAB-Sprache konzipiert. Nach dem Ausführen des Programms werden das Simulationsdiagramm und die Genauigkeitsergebnisse des Modells und der Testproben erhalten.

Wenn ein Regressionsmodell zur Vorhersage verwendet wird, werden die üblichen Indikatoren zur Analyse und Bewertung von Modellfehlern und -genauigkeit einbezogen, nämlich der mittlere quadratische Fehler (MSE), der mittlere absolute Fehler (RMAE) und der mittlere relative Fehler (MRE). Der MSE bezieht sich auf den erwarteten Wert des Quadrats der Differenz zwischen dem geschätzten Wert des Parameters und dem wahren Wert des Parameters. Das MSE kann den Grad der Schwankungen der Daten auswerten. Die Genauigkeit des Vorhersagemodells zur Beschreibung der experimentellen Daten ist besser, wenn der MSE-Wert kleiner ist. Im Allgemeinen wird jedoch der Durchschnitt verwendet. Der absolute Fehler ist die Differenz zwischen dem Messwert (einem einzelnen Messwert oder dem Durchschnitt mehrerer Messwerte) und dem wahren Wert, und der relative Fehler ist das Verhältnis des absoluten Fehlers zum wahren Wert. Mit anderen Worten: Die Glaubwürdigkeit der Messung kann durch die MRE besser widergespiegelt werden. Die Berechnungsformeln dieser Bewertungsindikatoren sind in den Gleichungen dargestellt. (8)–(10).

Dabei ist \(y_{i}\) der wahre Wert, \(\hat{y}_{i}\) der geschätzte Wert oder Simulationswert und \(m\) die Anzahl der Testproben.

Tabelle 2 zeigt, dass die SVR-Methode den niedrigsten MRE für die Simulation von Feuchtigkeit und Verarbeitungskapazität aufweist. Generell sind die Simulationsfehler relativ groß. Wir berücksichtigen hauptsächlich die Komplexität und Schwierigkeit der Datenerhebung sowie die geringe Anzahl von Proben, die wir vorübergehend erhalten haben. Somit entsteht in der gesamten experimentellen Simulation ein großer Fehler, der unweigerlich zu unzuverlässigen Simulationsergebnissen führt. Daher werden nach Abschluss der Erkundung der Modellierungsmethode für den Dehydrierungsprozess in Laborfilterpressen die direkt von der Industrie gesammelten Produktionsdaten verwendet, um die Modellierungs- und Optimierungsforschung für den Dehydrierungsprozess in Industriefilterpressen durchzuführen.

Die experimentellen Simulationsergebnisse des Modells zur Prozesssteuerung der Laborfilterpresse zeigen, dass die Genauigkeit der Simulationsergebnisse der drei ML-Modelle mit einer kleinen Stichprobe experimenteller Daten zu gering ist. In Anbetracht der Tatsache, dass die experimentellen Simulationsdaten weniger Proben sind und das Laborsimulationsmodell ein selbst entwickeltes mikroautomatisches Filterpressen-Dehydratisierungsgerät verwendet, unterscheidet sich das etablierte Modell stark vom industriellen Filterpressen-Dehydratisierungssteuerungsmodell und die experimentelle Simulationsgenauigkeit ist insgesamt gering . Daher möchten wir ein besseres ML-Modell erstellen, indem wir einige tatsächliche Datenbeispiele aus der Industrieproduktion entsprechend hinzufügen. Auf diese Weise können auch gute Ergebnisse bei der eigentlichen industriellen Filterpressentwässerungsprozesssteuerung erzielt werden, was unser Ziel ist.

Die Forschung wird durch Modellierung und Optimierung des industriellen Filterpressentwässerungssystems des Flotationsgoldkonzentrats der Miaoling-Goldmine durchgeführt. Im System kommt die automatische Filterpresse BPF zum Einsatz. Das Entwässerungssystem ist in Abb. 9 dargestellt.

Entwässerungssystem für industrielle Filterpresse.

Wir sammeln 7 Arbeitstage lang Datenproben aus dem Flotationsgoldkonzentrat der Miaoling-Goldmine in Henan, China, und sammeln 161 Sätze industrieller Daten. Die Größe des verwendeten Goldkonzentrats beträgt < 0,074 mm, was 75 % der Gesamtmenge ausmacht, und der Gehalt beträgt 30 g/t (AU). Die ersten 100 Datensätze werden als Trainingsbeispiele verwendet, um das Simulationsmodell des Filterpressentwässerungsprozesses zu erstellen. Anschließend werden die letzten 61 Datensätze als Testproben verwendet, um das Simulationsergebnis des erstellten Modells zu überprüfen.

Bei der Modellierung und Simulation mit der OLS- und GRNN- und SVR-Methode verwenden wir „Zuführkonzentration“, „Zuführzeit“, „Auspresszeit“ und „Lufttrocknungszeit“ als Eingabe sowie „Filterkuchenfeuchtigkeit“ und „Verarbeitung“. „Kapazität pro Flächeneinheit“ als Output. Für die Programmierung wird die Sprache MATLAB verwendet. Die MRE-Werte der drei Methoden zur Simulation von Testproben sind in Tabelle 3 dargestellt.

Tabelle 3 zeigt, dass das mit der SVR-Methode erstellte Modell die höchste Simulationsgenauigkeit und Generalisierungsleistung aufweist. Die Simulationsergebnisse des SVR-Modells am Testmuster sind in Abb. 10 dargestellt. Der Wert weist eine gute Annäherung an den tatsächlichen industriellen Datenwert auf. Die Simulationsgenauigkeit des SVR-Modells für den industriellen Filterpressen-Dehydrierungsprozess beträgt 98,43 %, und die Simulationsgenauigkeit des industriellen Filterpressen-Dehydrierungsprozesses beträgt 96,19 %. Daher wird in der folgenden Analyse die Kombination des SVR-Modells und der Optimierungsmethode basierend auf den Steuerparametern des Filterpressentwässerungsprozesses verwendet. Wie in Gl. gezeigt. (11) ist die Genauigkeit, die wir nennen, relativ zur MRE.

Simulationsergebnisse industrieller Testmuster.

Aufgrund des GIGO-Potenzials (Garbage In, Garbage Out) der ML-Techniken ist selbst der beste Algorithmus nicht hilfreich, wenn die Datenqualität schlecht ist. Daher sollten vor der Prüfung der Zuverlässigkeit des Modells weitere Daten eingeholt werden, um neue Tests durchzuführen. Wir erfassen 30 Datensätze aus dem System der Filterpressentwässerung in Abb. 9. Bevor jeder Filterkuchen gewonnen wird, zeichnen wir die entsprechenden Parameter des Systems auf, wie z. B. Zufuhrkonzentration, Lufttrocknungszeit, Zufuhrzeit und Presszeit . Wir verwenden diese Parameter als neue Eingaben, importieren sie in das trainierte Industriemodell und erhalten die vom Modell vorhergesagte Ausgabe: die Feuchtigkeit (%) des Filterkuchens und die Verarbeitungskapazität (kg/m2/h) pro Stunde.

Um die Stabilität und Zuverlässigkeit der Daten zu gewährleisten, werden die 30 Datengruppen auf 15 Tage aufgeteilt und es werden täglich nur 2 Gruppen erfasst. Wir sieben, beproben und trocknen den erhaltenen Filterkuchen an der Luft. Der Wassergehalt und der Wert der Verarbeitungskapazität pro Flächeneinheit pro Stunde des Filterkuchens werden berechnet und als tatsächlicher Wert der Leistung verwendet. Der durch die neuen Daten vorhergesagte Ausgabewert wird mit dem wahren Wert der Ausgabe verglichen, wie in Abb. 11 dargestellt. Die Fehler zwischen den vorhergesagten und den wahren Ausgabewerten sind gering, was zeigt, dass die Modelle und Datenvorhersagetrends, aus denen wir gewonnen haben Die bisherigen Datentrainings weisen eine erhebliche Übereinstimmung auf.

Ergebnisse der Vorhersage neuer Daten.

Der Abschnitt „Methode zur Optimierung der Filterpressentwässerung“ stellt die Optimierungsmethode des Filterpressentwässerungsprozesses vor und übernimmt die Optimierungsmethode basierend auf Kontrollvariablen. In Kapitel 3 stellen wir Laborsimulationen von drei ML-Modellen vor. Im Abschnitt „Industrielle Simulationsergebnisse von drei ML-Modellen“ stellen wir die drei Maschinenmodelle in der industriellen Experimentsimulation vor. Wir übernehmen das SVR-Simulationsmodell als Optimierungsmodell für die Steuerung des Endfilterpressentwässerungsprozesses. Nachdem das Modell erstellt wurde, können wir die Steuerungsparameter des industriellen Filterpressentwässerungsprozesses entsprechend optimieren. Daher konzentrieren wir uns in diesem Abschnitt auf die tatsächlichen Ergebnisse der Optimierungsmethode, die auf dem Prinzip der kontrollierten Variablen in der Industrie basiert. Das Optimierungsprogramm ist in der MATLAB-Sprache entworfen. Nach dem Ausführen des Programms wird die optimale Steuerparametertabelle für jede Bedingung und jeden vorhergesagten Wert erhalten.

Da der Feuchtigkeitswert und die Verarbeitungskapazität ein Paar widersprüchlicher Indikatoren sind, können die beiden Indikatoren nicht gleichzeitig optimal sein. Wir kontrollieren zunächst den erwarteten Feuchtigkeitswert auf 12 %, d. h. der Feuchtigkeitswert im industriellen Filterpressentwässerungsprozess muss 12 % oder weniger betragen, um qualifiziert zu werden. Anschließend wird der Wert (12 % Feuchtigkeitswert) in der spezifischen industriellen experimentellen Modellsimulation kontrolliert und eingeschränkt. Schließlich können wir einen weiteren entsprechenden Simulationsausgabewert (Verarbeitungskapazität) erhalten. Nachdem der Verarbeitungskapazitätswert in aufsteigender Reihenfolge sortiert wurde, erhalten wir die vier höchsten Verarbeitungskapazitätswerte. Die Gruppendaten sind in Tabelle 4 aufgeführt. Durch die auf Kontrollvariablen basierende Optimierungsmethode stellen wir fest, dass die optimale Kontrollparametergruppe im industriellen Filterpressentwässerungsprozess die Datengruppe Nr. 4 ist.

Um den optimierten Zustand zu überprüfen, indem wir die Ergebnisse vergleichen, die den Filterbetrieb unter der vorherigen Einstellung und mit der optimierten Einstellung zeigen, haben wir vor und nach der Optimierung vier Sätze von Feuchtigkeitswerten und Verarbeitungskapazitäten vom Filterpressensystem erhalten, wie in Abb. 12 dargestellt und Tabelle 5. Durch optimierte Feuchtigkeit und Verarbeitungskapazität wurde ein besserer Optimierungseffekt erzielt als durch vorherige Einstellung von Feuchtigkeit und Verarbeitungskapazität, was ausreicht, um zu beweisen, dass diese Optimierungsmethode den Dehydrierungsindex kontinuierlich optimieren und verbessern kann.

Validierung des optimierten Zustands.

Nachdem die Optimierungsergebnisse der Steuerparameter erhalten wurden, können die optimalen Steuerparameter direkt entsprechend den Bedingungsparametern und Optimierungszielen ermittelt werden. Auf diese Weise wird die Einstellung und Anpassung der Steuerparameter des Dehydrierungsprozesses gesteuert und die Optimierung des Prozesses realisiert. Gleichzeitig werden die in dieser Studie erzielten Optimierungsergebnisse als Trainingsbeispiele verwendet und ein SVR-Simulationsmodell mit optimierten Parametern erstellt. Mit diesem Modell lässt sich eine adaptive Optimierungssteuerung des Filterpressentwässerungsprozesses erreichen. Die Systemkonfiguration ist in Abb. 13 dargestellt. Bei tatsächlichen industriellen Anwendungen stellen wir zunächst den erwarteten Index des Filterpressentwässerungsprozesses über den Computer ein. Anschließend erfassen wir die Arbeitszustandsparameter in Echtzeit über den Computer, um den entsprechenden Arbeitsindex zu erhalten. Schließlich wird ein Computer verwendet, um den Grad der Lücke zwischen der Arbeit und den erwarteten Indikatoren zu vergleichen. Die verschiedenen Parameter der Filterpresse werden in Echtzeit angepasst, bis sie dem erwarteten Index am nächsten kommen. Auf diese Weise kann eine adaptive Steuerung des Filterpressentwässerungsprozesses realisiert werden.

Adaptives Steuerungssystem des Filterpressentwässerungsprozesses.

Die industrielle Praxis hat gezeigt, dass die vorgeschlagene Optimierungsmethode nicht nur die Stabilität des Filterkuchenfeuchtigkeitsgehalts gewährleisten, sondern auch den Betriebszyklus der Filterpresse auf weniger als 85 % des Originals verkürzen kann. Auf diese Weise wird die Einschichtbetriebszeit des Filterpressensystems verkürzt, der Energieverbrauch und die Produktionskosten entsprechend gesenkt und die Effizienz des Filterpressenbetriebs verbessert.

Zahlreiche Studien zur Optimierung von Dehydrierungsprozessen haben uns viele spannende Ideen geliefert und bestimmte Beiträge zur industriellen Produktionspraxis geleistet. In dieser Studie fassen wir die bestehende Forschung zur Optimierung des Dehydrierungsprozesses zusammen und erkennen die unzureichende Intelligenz im Dehydrierungsprozess und den begrenzten Optimierungseffekt. Daher wurden ein Laborfilterpressen-Dehydratisierungssystem und ein industrielles Filterpressen-Dehydratisierungssystem gebaut und mehrere Datensätze gesammelt. Es wurden drei Modelle für maschinelles Lernen von RBF-OLS, RBF-GRNN und SVR erstellt, kombiniert mit einer Optimierungsmethode basierend auf Kontrollvariablen. Im Einzelnen wurden folgende Arbeiten durchgeführt:

Laborexperimente und Industrieexperimente wurden durchgeführt. Im Labor kommt eine selbst entwickelte mikroautomatische Filterpresse zur Datenerfassung zum Einsatz, in der Industrie werden die Daten direkt aus der großtechnischen Filterpressen-Entwässerungsanlage der industriellen Entwässerungsanlage gewonnen. Es wurde festgestellt, dass die Simulationsergebnisse des SVR im Labor relativ schlecht sind, der SVR jedoch in den industriellen Simulationsergebnissen eine hervorragende Leistung zeigt.

Um die Zuverlässigkeit des Industriemodells der Konzentratfilterpressentwässerung weiter zu überprüfen, haben wir noch einmal die entsprechenden Daten vom Industriefilterpressentwässerungssystem eingeholt, um die Indikatoren vorherzusagen. Durch den Vergleich der vom Modell vorhergesagten Indikatoren mit den tatsächlichen Indikatoren wird festgestellt, dass der prozentuale Fehler zwischen ihnen beträchtlich ist. Die optimale Steuerungsparameterkombination des industriellen Filterpressentwässerungsprozesses wird mithilfe der Methode zur Optimierung der Steuerungsparameter erfolgreich erzielt Filterpressentwässerungsprozess durch die Regelgrößen. Die Praxis hat gezeigt, dass die Steuerung der Produktion mit der erhaltenen optimalen Steuerungsparameterkombination nicht nur die Stabilität des Filterpressen-Produktionsindex gewährleisten, sondern auch den Energieverbrauch senken und die Effizienz des Filterpressenbetriebs deutlich verbessern kann.

Um die Rationalität der Optimierungsmethode auf der Grundlage der Kontrollvariablenmethode zu überprüfen, werden unter der vorherigen Einstellung und mit der optimierten Einstellung die Indikatoren für die Filterkuchenfeuchtigkeit und die Einheitsflächenverarbeitungskapazität pro Stunde im industriellen Filterpressentwässerungssystem verwendet bzw. verglichen. Experimente haben gezeigt, dass durch das maschinelle Lernmodell in Kombination mit der auf Kontrollvariablen basierenden Optimierungsmethode eine kontinuierliche Optimierung des Dehydrierungsprozesses erreicht werden kann, die Optimierungsfähigkeit gewährleistet werden kann, die Produktionsindikatoren kontinuierlich optimiert werden können und der Produktionsprozess verbessert werden kann geführt und die Schwierigkeit der kontinuierlichen Parameteranpassung durch technische Mitarbeiter kann gemildert werden, wodurch ein erster Prototyp der Intelligenz gebildet wird.

Townsend, I. Automatische Druckfiltration im Bergbau und in der Metallurgie. Bergmann. Ing. 16(2), 165–173. https://doi.org/10.1016/s0892-6875(02)00266-2 (2003).

Artikel CAS Google Scholar

Leifson, E. Ein einfacher automatischer Druckregler für die Filtration. Wissenschaft 73 (1904), 707–709. https://doi.org/10.1126/science.73.1904.707 (1931).

Artikel ADS CAS PubMed Google Scholar

Wu, ZH et al. Entwässerung und Trocknung in der mineralverarbeitenden Industrie: Innovationspotenzial. Trocken. Technol. Int. J. 28(7), 834–842. https://doi.org/10.1080/07373937.2010.490485 (2010).

Artikel CAS Google Scholar

Outotec. et al. Larox PF-DS-Druckfilter für breitere Anwendungen. Filter. Sept. https://doi.org/10.1016/S0015-1882(20)30172-5 (2019).

Artikel Google Scholar

Jämsä-Jounela, S.-L. et al. Bedienerunterstützungssystem für den Larox-Druckfilter. IFAC Proc. https://doi.org/10.1016/S1474-6670(17)37637-1 (2003).

Artikel Google Scholar

Liu, HZ & Wang, QF Die Forschung und Entwicklung von BPF-Druckfiltern mit automatischer Steuerung. Nichteisenmetall Met. Bergmann. Prozess 6, 30–35 (2003).

Google Scholar

Kamizela, T. & Kowalczyk, M. Einfluss von Konditionierungssubstanzen und Filtrationsdruck auf die Entwässerungseffizienz von Klärschlamm. Energien 14, 361 (2021).

Artikel CAS Google Scholar

Chaedir, BA et al. Fortschritte bei der Entwässerung und Trocknung in der Mineralverarbeitung. Trocken. Technol. 39, 1–18 (2021).

Artikel Google Scholar

Tripathie, SK et al. Entwurf und Analyse von Entwässerungskreisläufen für die Rückstandsschlamm einer Chromitverarbeitungsanlage. Bergmann. Verfahren. Extr. Metall. Rev. 42(2), 102–114 (2021).

Artikel CAS Google Scholar

Rezaei, A., Abdollahi, H. & Gharabaghi, M. Studien zu den Auswirkungen physikalischer Parameter des Filtrationsprozesses auf die Flüssigkeitsströmungseigenschaften und die Entwässerungseffizienz von Kupferkonzentrat. Int. J. Mining Geo-Eng. 55(2), 109–116 (2021).

Google Scholar

Aramaki, T. et al. Entwässerung von Mikroalgensuspensionen durch Kuchenfiltration mit Filtertüchern. J. Appl. Phykol. 33, 1–9 (2021).

Artikel Google Scholar

Ramadan, BS et al. Jüngste Fortschritte bei der druckbetriebenen Elektroentwässerung (PED) von kontaminiertem Schlamm. In Electrokinetic Remediation for Environmental Security and Sustainability (Hrsg. Ribeiro, AB et al.) 629–652 (Wiley, 2021).

Kapitel Google Scholar

Shafaei, F. et al. Mechanisch-elektrische Entwässerung (EDW) von Minenrückständen: Einfluss des Spannungsniveaus auf die Wasserrückgewinnung und Feuchtigkeitsreduzierung. Bergmann. Ing. 175, 107303 (2022).

Artikel CAS Google Scholar

Zhang, H. et al. Ein zweistufiges koordiniertes Optimierungsmodell für einen Entwässerungsprozess. Dürfen. J. Chem. Ing. 99(3), 742–754 (2021).

Artikel CAS Google Scholar

Eremeev, DN et al. Anlagenversuche des Filterhilfsmittels AS-43124M zur Entwässerung von Schlamm aus der Gaswäscheanlage. Stahlübersetzung. 51(6), 416–421 (2021).

Artikel Google Scholar

Burat, F. et al. Verbesserte Feinkohlenentwässerung durch Ultraschallvorbehandlung und Entwässerungshilfen. Bergmann. Verfahren. Extr. Metall. Rev. https://doi.org/10.1080/08827508.2014.898637 (2015).

Artikel Google Scholar

Besra, L. et al. Flockungsmittel- und tensidgestützte Entwässerung feiner Partikelsuspensionen: Ein Überblick. Bergmann. Verfahren. Extr. Metall. Rev. https://doi.org/10.1080/08827509808914153 (1998).

Artikel Google Scholar

Mamghaderi, H. et al. Untersuchung der Auswirkungen der chemischen Vorbehandlung auf die Entwässerung der Eisenerzrückstände. Kolloide surfen. Eine Physikochemie. Ing. Asp. 625, 126855 (2021).

Artikel CAS Google Scholar

Patil, DP & Parekh, BK Thermoadhäsive Trennung: Eine neuartige Technik zur Trockenkohleaufbereitung. Bergbaumetall. Entdecken. 39, 23. https://doi.org/10.1007/s42461-021-00519-3 (2022).

Artikel CAS Google Scholar

Bień, B. & Bień, JD Konditionierung von Klärschlamm mit physikalischen, chemischen und dualen Methoden zur Verbesserung der Klärschlammentwässerung. Energien 14(16), 5079 (2021).

Artikel Google Scholar

Usher, SP et al. Charakterisierung der Entwässerbarkeit anhand von Gleichgewichts- und transienten Zentrifugationstestdaten. Chem. Ing. Wissenschaft. 93, 277. https://doi.org/10.1016/j.ces.2013.02.026 (2013).

Artikel CAS Google Scholar

Jämsä-Jounela, S.-L. et al. Bedienerunterstützungssystem für Druckfilter. Kontrolle. Ing. üben https://doi.org/10.1016/j.conengprac.2004.11.019 (2004).

Artikel Google Scholar

Bähner, FD et al. Analyse und Modellierung einer industriellen Druckfiltration anhand von Prozessdaten. IFACPapersOnLine. https://doi.org/10.1016/j.ifacol.2017.08.2152 (2017).

Artikel Google Scholar

Heertjes, PM & Haas, HV Studien zur Filtration. Empf. Trav. Chim. 68, 361–383 (1949).

Artikel CAS Google Scholar

Li-xin, J. et al. Analyse der Effizienz der hydraulischen Quetschentwässerung und der Quetschentwässerung. Getroffen. Meins 10, 44–47 (2002).

Google Scholar

Carleton, AJ & Salway, AG Entwässerung von Kuchen. Filter. 30. September, 641–647 (1993).

Artikel CAS Google Scholar

Qisheng, D. & Weiyi, W. New Practical Filtration Technology 120–126 (Metallurgical Industry Press, 2000).

Google Scholar

Morari, M. & Lee, JH Modellprädiktive Kontrolle: Vergangenheit, Gegenwart und Zukunft. Berechnen. Chem. Ing. 23(4–5), 667–682 (1999).

Artikel CAS Google Scholar

Bogojeski, M., Sauer, S., Horn, F. & Müller, K.-R. Vorhersage industrieller Alterungsprozesse mit Methoden des maschinellen Lernens. Berechnen. Chem. Ing. 144, 107123 (2021).

Artikel CAS Google Scholar

McCoy, JT & Auret, L. Anwendungen des maschinellen Lernens in der Mineralienverarbeitung: Ein Rückblick. Bergmann. Ing. 132, 95. https://doi.org/10.1016/j.mineng.2018.12.004 (2019).

Artikel CAS Google Scholar

Xue, Y. et al. Ein multiobjektiver evolutionärer Ansatz basierend auf Graph-in-Graph für die neuronale Architektursuche von Faltungs-Neuronalen Netzen. Int. J. Neural Syst. https://doi.org/10.1142/S0129065721500350 (2021).

Artikel PubMed Google Scholar

Xue, Y. et al. Ein selbstanpassender Suchalgorithmus für neuronale Mutationsarchitekturen basierend auf Blöcken. IEEE Comput. Intel. Mag. 16(3), 67–78 (2021).

Artikel Google Scholar

Wang, L. et al. GongSolar-Strahlungsvorhersage mit verschiedenen Techniken: Modellbewertung und -vergleich. Erneuern. Aufrechterhalten. Energy Rev. 61, 384–397 (2016).

Artikel Google Scholar

Ghritlahre, HK & Prasad, RK Exergetische Leistungsvorhersage von Solarlufterhitzern mithilfe von MLP-, GRNN- und RBF-Modellen der Technik künstlicher neuronaler Netzwerke. J. Umgebung. Verwalten. 223, 566–575 (2018).

Artikel PubMed Google Scholar

Cortes, C. & Vapnik, V. Unterstützungsvektornetzwerke. Mach. Lernen. https://doi.org/10.1007/BF00994018VladimirN (1995).

Artikel MATH Google Scholar

Vapnik, V. Die Natur der statistischen Lerntheorie (Springer, 2000).

Buchen Sie Google Scholar

Jia, CL, Wu, HS & Gong, DW Prognose der Kohlenachfrage basierend auf einem Support-Vektor-Maschinenmodell. J. China Univ. Mindest. Technol. 36(1), 107–110 (2007).

Google Scholar

Li, E. et al. Entwicklung eines Hybridmodells einer auf einem Salpenschwarmalgorithmus basierenden Support-Vektor-Maschine zur Vorhersage der Festigkeit einer faserverstärkten zementierten Pastenverfüllung. Ing. Berechnen. 37(4), 3519–3540 (2021).

Artikel Google Scholar

Li, E. et al. Vorhersage der mittleren Sprengfragmentgröße mithilfe der Support-Vektor-Regression in Kombination mit fünf Optimierungsalgorithmen. J. Rock Mech. Geotechnik. Ing. 13(6), 1380–1397 (2021).

Artikel Google Scholar

Referenzen herunterladen

Der Autor dankt aufrichtig für die Daten und die technische Unterstützung, die von verwandten Unternehmen und Forschern bereitgestellt werden, und insbesondere für das Fondsprojekt Talent Project: Jiangxi Province „Double Thousand Plan“ Innovative Talent Project (JXSQ2018101046).

Die Finanzierung erfolgte auch durch das „Double Thousand“ Talent Project der Provinz Jiangxi (jxsq2018101046).

Keshun Du

Aktuelle Adresse: School of Mechanical and Electrical Engineering, Jiangxi University of Science and Technology, Ganzhou, 341000, China

Fakultät für Maschinenbau und Elektrotechnik, Jiangxi University of Science and Technology, Ganzhou, 341000, China

Huizhong Liu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

KY und HL konzipierten die vorgestellte Idee. KY entwickelte die Theorie und führte die Berechnungen durch. HL und KY verifizierten die Analysemethoden. HL ermutigte KY, die aktuelle Entwicklungssituation und den Entwicklungsbedarf des Aufbereitungsschütteltisches zu untersuchen und überwachte die Ergebnisse dieser Arbeit. Alle Autoren diskutierten die Ergebnisse und trugen zum endgültigen Manuskript bei. HL führte das Experiment durch. KY schrieb das Manuskript mit Unterstützung von HLKY, modellierte die industriellen Dehydrierungsdaten und führte eine Fehleranalyse durch. Schließlich wählte er die Support-Vektor-Regression als Dehydrierungsmodell für industrielle Filterpressen. KY entwickelte den theoretischen Formalismus. Modelle für maschinelles Lernen von RBF-OLS, RBF-GRNN und Support Vector Regression (SVR) werden jeweils von KY erstellt. Beide Autoren haben zur endgültigen Version des Manuskripts beigetragen. HL betreute das Projekt. HL arbeitete fast alle technischen Details aus und führte die numerischen Berechnungen für das vorgeschlagene Experiment durch. HL erarbeitete mit Hilfe von KY die Entwicklung und Anwendung eines automatischen Filterpressen-Dehydrierungssystems sowie die Entwicklung und Förderung einer automatischen BPF-Filterpresse. Sie schlugen ein Experiment zur industriellen Filterpressen-Dehydrierung vor und sammelten Daten zur industriellen Filterpressen-Dehydrierung. KY und HL trugen zur Gestaltung und Durchführung der Forschung, zur Analyse der Ergebnisse und zum Verfassen des Manuskripts bei. Sie arbeiten gemeinsam an der Entwicklung eines praktischeren und optimierten industriellen Filterpressen-Trocknungssystems.

Korrespondenz mit Huizhong Liu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Liu, H., You, K. Optimierung des Entwässerungsprozesses der Konzentratdruckfiltration durch Support-Vektor-Regression. Sci Rep 12, 7135 (2022). https://doi.org/10.1038/s41598-022-11259-9

Zitat herunterladen

Eingegangen: 24. September 2021

Angenommen: 04. April 2022

Veröffentlicht: 17. Mai 2022

DOI: https://doi.org/10.1038/s41598-022-11259-9

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Wissenschaftliche Berichte (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.