《表1 矿浆浮选速率原始数据》
基于T-S模糊神经网络的矿浆浮选速率预测算法流程,如图2所示。所构建的模糊神经网络结构可根据训练样本集的数据来确定[9-10],初步选定矿浆浓度、精矿质量和药剂用量作为输入向量,而回收率作为输出向量。由于隶属度函数的个数较难确定,依据传统神经网络的中间层节点个数的确定方法(试算法),并结合样本数据,最终选定其节点数为7,则网络结构为3-7-1。同时,确定随机初始化模糊隶属度函数中心c,宽度b和系数p0~p6。矿浆搅拌设备内部结构仿真与实物外观如图3所示。各浮选指标的检测可采用相应的传感器来采集,如矿浆浓度采用浸入式超声波浓度计,药剂用量采用差压式流量计等。从前期的实验数据分析中发现,矿浆浮选速率及其相关影响因素的数据较难采集,且不易检测到实时性、连续性的样本数据。为了避免该问题所造成的后续影响,采用了等隔均匀分布的方法来解决。通过内插标准数据生成训练样本,如表1所示。
图表编号 | XD00133985300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.08 |
作者 | 罗旋、孟海星、张凯、王琳 |
绘制单位 | 沈阳工程学院机械学院、沈阳工程学院机械学院、沈阳工程学院机械学院、沈阳工程学院机械学院 |
更多格式 | 高清、无水印(增值服务) |