サポートベクトル回帰による濃縮圧力ろ過の脱水プロセスの最適化 | 広州ブルーストリームベンチャーズグループ有限公司

Scientific Reports volume 12、記事番号: 7135 (2022) この記事を引用

1132 アクセス

3 引用

メトリクスの詳細

この研究では、濃縮フィルタープレス脱水操作の効率を向上させるために、フィルタープレス脱水プロセスのメカニズムと最適化方法を研究します。動径基底関数 (RBF) – OLS、RBF 一般化回帰ニューラルネットワーク、およびサポートベクトル回帰 (SVR) の機械学習 (ML) モデルが構築され、実験室および工業用シミュレーションが個別に実行され、最終的に濾過脱水の最適化方法が決定されます。プロセスが設計され、適用されます。実験室では、すべての機械学習モデルには明らかな間違いがありますが、SVR が最高のシミュレーション効果を持っていることがわかります。ろ過および脱水プロセス全体の最適化を達成するために、産業用ろ過および脱水システムから十分なデータを取得しました。産業用シミュレーションの結果では、すべての機械学習モデルが大幅に実行され、SVR は産業用シミュレーションで最高の精度を達成しました。シミュレートされた水分と処理能力の平均相対誤差は 1.57% と 3.81% であり、信頼性を検証するために新しく収集された工業データを使用してモデルがテストされました。制御変数に基づいた最適化手法により、最適なシミュレーション結果が得られます。結果は、産業に適用されるSVRのML法と制御変数の最適化法が、エネルギー消費とコストを節約できるだけでなく、フィルタープレスの動作効率を根本的に改善できることを示しており、これによりインテリジェントな脱水プロセスやその他の産業にいくつかのオプションが提供されます。生産の最適化。

容易に選鉱できる鉱物資源が徐々に枯渇し、複雑で低品位の鉱石の量が増加し、粉砕の粒度がより細かくなりました。したがって、濃縮物の脱水と濾過はますます困難になります。高効率の加圧フィルターが開発され、濃縮物のフィルタープレス脱水に段階的に適用されています。このタイプの高効率加圧フィルターは加圧フィルターの自動制御技術のため、一般に自動加圧フィルターと呼ばれています1。自動加圧フィルター2では、従来のフィルタープレスの「送り圧力」による「機械プレス」と「風乾」による強制脱水処理を行っています。したがって、水分の少ないフィルターケーキが得られるだけでなく、操作効率も高くなります3。

フィンランドの Larox によって開発された Larox-PF 自動フィルタープレス 4,5 や中国の BPF 自動フィルタープレス 6 など、多くの種類の自動フィルタープレスが鉱物加工業界で使用されてきました。自動加圧フィルターの脱水プロセスは比較的複雑であり、指標の安定性と脱水プロセスの効率は、脱水プロセスの制御パラメータ設定の妥当性によって影響されます7。したがって、フィルタープレス脱水プロセス制御の最適化研究はますます注目を集めています8。

現在、脱水回路の設計9、濾材の最適化10,11、圧力による電気脱水の駆動12,13など、脱水の最適化に関する研究が数多く行われている。電動脱水は高効率ですが、エネルギーを消費し、安定性が低いです。そしてそれは材料科学の研究によって大きく制限されます。しかし、脱水産業で遭遇する問題を解決するために生産データを収集することによって調整された最適化モデルを構築することは新しいアイデアです14。いくつかの脱水最適化は、鉱物粒子の脱水を最適化するために化学的方法、脱水助剤、および凝集剤を介して使用されます15,16,17,18。さらに、脱水を最適化するために物理的および化学的方法と二重最適化方法を組み合わせることによっても使用されます19,20。これらは確かに興味深い発見ですが、マクロ的な観点から見ると、これらはすべて問題指向の脱水最適化であり、濃縮フィルタープレス脱水操作の効率は制限されています。リープフロッグマルチパラメータ全体最適化は、フィルタープレス脱水システムの共通適応調整の実現であり、将来の脱水システムのインテリジェント化における重要なステップとなります。

したがって、ML（機械学習）とデータ駆動による脱水プロセスの最適化手法は、最も優れた利点と最も長期的な意義を持っています。実験データは工業用脱水性能を特徴付けるために使用されます21。フィルタープレスプロセスの機構モデルは、プロセスの最適化を達成するためにフィルタープレスプロセスの最適な動作制御パラメーターを取得するために確立されます22。工業用圧力ろ過とプロセスデータが分析され、モデル化されています23。脱水プロセスのパラメータの最適化への ML の適用が研究されていますが、システム内に最適化されたパラメータが比較的少なく、モデリング用のデータがすべて一度に取得されるため、最終的にはデータの信頼性が失われます。モデルは検証されていないため、さらに重要なことに、これらの構築された機械学習モデルは対応する最適化手法と組み合わされていないため、継続的な最適化を実行できず、最適化結果が限られ、フィルタープレス脱水プロセスの効率が根本的に改善されません。

この研究では、実験室と工業用脱水実験を組み合わせて、複数セットの工業生産データを使用して、圧力フィルター脱水プロセス制御の ML モデルを確立しました。直交最小二乗 (OLS) および一般化回帰ニューラルネットワーク (GRNN) の 3 つの ML モデルのシミュレーションと予測精度を、動径基底関数 (RBF) ネットワークおよびサポートベクター回帰 (SVR) と比較すると、SVR が最も高い精度を持っていることがわかります。同時に工業用フィルタープレス脱水装置からのデータ取得を繰り返し、マルチパラメータモデルの構築とモデル試験を実施します。制御モデルにおいて最適な制御パラメータを求めるための制御変数の最適化手法を検討します。この方法は、1 つの制御パラメーターが適切であることを確認しながら、別のパラメーターを最適化することを目的としています。このようにして、業界で最適な制御パラメータが得られます。最終的に、最適化プロセスと方法の合理性が検証され、工業用フィルタープレス脱水プロセスの継続的な最適化が実現しました。

自動加圧フィルターの完全な作業プロセスには、フィルタープレートの閉鎖、供給と濾過、機械的プレス、空気乾燥、フィルタープレートの開放、ケーキの取り出し、濾布の洗浄が含まれます。脱水指数には主に処理能力と水分が含まれており、「フィードフィルタープレス」「機械プレス」「風乾」の3つの主要な脱水工程によって決まります。フィルタープレス脱水プロセスと最適化の目的をよく理解することによってのみ、実際のフィルタープレス脱水プロセスの制御パラメーターの最適化方法をより適切に提案することができます。そこでこの章では、まずフィルタープレス脱水の3段階のプロセスを紹介します。次に、プロセス最適化の目的に応じた制御変数に基づく最適化手法を提案します。

フィードフィルタープレス工程は、スラリーをフィルター室に圧入する工程です。このプロセスでは、スラリーが油圧でフィルターチャンバーに挿入されると、ろ過動作が開始されます。これはフィルターケーキ濾過のプロセスであり、式 1 で提案されている次の基本的な濾過方程式に従います。 (1)24．

ここで、Q は濾液の流量です。 A は濾過面積です。 t は濾過時間です。 V は時間 t に蓄積された濾液の体積です。 L はフィルター層の厚さです。 K はフィルター層の透過係数です。 ΔP は、圧力損失 (濾過の駆動力) の交差濾過層です。 μは濾液の粘度です。

供給濃度と圧力が一定の場合、供給時間の長さがフィルターケーキの厚さを直接決定します。供給時間を延長すると、フィルターケーキは徐々に濃くなりますが、その増粘速度は急速に低下します。供給時間を延長すると、フィルターケーキの厚さが増加し、プレスフィルターサイクルごとのフィルターケーキの生産量が増加します。ただし、供給時間を長くするとフィルタープレスサイクルが大幅に長くなり、単位時間当たりのケーキ生産量が減少します。したがって、「授乳時間」は脱水指数と効率に影響を与える重要な要素です。材料の性質 (フィルターケーキの厚さ) に応じて、適切な供給時間を得ることが、このプロセス最適化の目標です。

プレス脱水にはさまざまな方法がありますが、主にプレス機構を備えた機械プレス脱水と油圧プレス脱水の2つの方法が広く使われています。既存の研究による 2 つのプレス方法の効果の比較を図 1 に示します25。観察されたように、機械的加圧曲線は明らかに急勾配であり、これは、フィルターケーキが機械的に加圧された後、同じフィルターケーキ多孔度に達するまでの時間が大幅に短いことを意味します。機械的プレスにより、フィルターケーキの脱水時間を大幅に短縮できます。

機械的および油圧プレスのテスト曲線。

「フィードフィルタープレス」が完了すると、「メカニカルプレス」の段階が始まります。自動加圧フィルターには機械プレスの一種であるダイヤフラムプレスが使用されています。プレス時間が不十分で、フィルターケーキの細孔内の水分が完全に絞り出されず、プレスが停止すると、フィルターケーキの最終的な水分が増加し、プレスの効率に影響します。逆に、フィルターケーキをプレスして一定時間経過すると、フィルターケーキの気孔率はもはや減少せず、含水量もそれ以上減少しなくなる。プレス時間を延長し続けると、フィルタープレスの稼働サイクルが長くなり、プレス動力が消耗されます。

プレスのプロセスが完了した後、フィルターケーキの細孔にはいくらかの水分がまだ残っています。このとき、圧縮空気を濾過ケーキを通して濾過室に送り、濾過ケーキ内の残留水分をさらに除去すると、自然乾燥及び脱水が実現できる。既存の研究 26 によれば、風乾は浸透段階、置換段階、蒸発段階の 3 つの段階に分けることができます。各段階の効果を図2に示します。

風乾と脱水の3段階。

図 2 は、液体の排出が浸透段階で最も多く、その後、置換段階と蒸発段階が始まることを示しています。浸透段階が終了すると、フィルターケーキの飽和度はわずかに低下し、フィルターケーキの水分は最終水分に近くなります。送風乾燥を続けると圧縮空気の消費量だけが増えます。したがって、特定の空気乾燥圧力条件下では、空気乾燥時間を合理的に制御し、浸透段階の完了後に空気乾燥を適時に終了することが、空気乾燥プロセス最適化の目標となります。

固定濃縮物のフィルタープレス脱水システムの場合、「供給圧力」は供給ポンプに関係しており、比較的固定されているため、考慮されません。濃縮物スラリーのサイズは比較的固定されており、粘度は濃度に直接関係します。そのため、フィルタープレスの最適化プロセスでは、「フィード濃度」と「絞り圧力」の2つの条件を考慮します。「供給時間」、「プレス室」、「空気乾燥時間」もフィルタープレスプロセスの主な最適化パラメーターです27。

脱水プロセス全体はフィルタープレスの自動制御システムによって制御されます。一方では、フィルタープレスの自動制御システムは、フィルタープレス自体の機械的動作の正確な制御を実現します。一方、「供給、プレス、風乾、ケーキ搬出、布洗浄」のプログラム制御と補助脱水工程を実現します。制御パラメータの調整も行います。

装置の稼働中、フィルタープレスの脱水指数と作業効率を確保するために、「供給濃度」や濾過指数要件などのスラリー条件が変化した場合、オペレーターはマンマシンインターフェースを通じて主要な制御パラメーターを適時に変更する必要があります。しかしながら、現状のフィルタープレス脱水工程の制御パラメータの設定や変更は、主にオペレータが自身の経験や知識に基づいて行っている。さまざまなオペレーターの経験の違いにより、フィルタープレス脱水操作の指数と効率が変動します。フィルタープレス脱水プロセスの主要な制御パラメーターの最適値を取得することが、脱水操作の効率的な操作を確保するための鍵となります。もちろん、オペレータの経験だけに頼って最適な値を求めることはできません。最適なパラメータは ML28,29 によって予測できます。そこで、既存のデータサンプルを使用したフィルタープレス脱水プロセスの正確な ML モデルを提案します。次に、ML モデルの予測結果を使用して、制御パラメータの最適値を取得するための信頼できる最適化手法を設計します。これにより、フィルタープレス脱水工程の制御最適化を実現します。現実の状況の研究を通じて、私たちは次のような合理的な最適化原理（制御変数の原理に基づいた最適化手法）を提案します。

適切な水分含有量のフィルターケーキが確実に得られることを前提として、パラメーターの最適化された制御を使用して、単位フィルター面積あたりの最大処理能力が得られます。

単位ろ過面積あたりの処理能力を確保することを前提に、パラメータを最適制御することで最も水分の少ないろ過ケーキを得ることができます。

図 3 に示すように、この制御量に基づく最適化手法の原理は次のとおりです。特定の外部条件の下で、各制御パラメータは、各制御パラメータの妥当な値の範囲内で小さいものから大きいものまで順番に選択され、その値は小さな間隔で周期的に選択されます。制御パラメータにより得られた値を並べて組み合わせることにより、様々な条件における制御パラメータの組み合わせが得られる。各組み合わせについて、確立された ML モデルを使用してシミュレーション結果が取得され、シミュレーション結果はさまざまな最適化原理と最適化目標に従って逐次比較され、最適なものが見つかります。その結果、最適な結果に対応する制御パラメータ群が最適な制御パラメータとなる。

フィルタープレス脱水工程の最適化。

ML および人工知能技術は、鉱物加工の開発をますます促進しています30、31、32。以前に紹介したフィルタープレス脱水の最適化原理とプロセスに従って、フィルタープレス脱水プロセスの最適化を達成するには、正確な ML モデルを構築する必要があります。より良い産業応用のために、この研究ではRBFニューラルネットワークとSVRに基づくOLS法とGRNN法を使用して、フィルタープレス脱水プロセスの最適な制御モデルを構築します。

人工ニューラルネットワークは、相互接続された多数のニューロンで構成される複雑なネットワークシステムです。さまざまな種類のニューラルネットワークモデルが利用可能です。ただし、OLS と GRNN に基づく RBF ニューラルネットワークモデルを使用して、フィルタープレス脱水プロセスのシミュレーションモデルを確立します。

当社が構築したフィルタープレス脱水工程のRBFニューラルネットワークモデル構造を図4に示します。RBFネットワークは入力層、出力層に加えて隠れ層を1層だけ備えた2層ネットワークです。隠れ層の伝達関数はローカル応答のガウス関数ですが、他の順方向ネットワークの伝達関数は一般にグローバル応答関数です。この違いにより、RBF は同じ機能を達成するためにより多くのニューロンを必要とします。したがって、RBF ネットワークは標準の転送ネットワークを置き換えることはできません。ただし、RBFのトレーニング時間は短くなります。関数近似に最適であり、任意の精度で任意の連続関数を近似できます。隠れ層のニューロンが多いほど、近似はより正確になります。

フィルタープレス脱水工程のRBFニューラルネットワークモデル構造。

図 5 に示すように、GRNN は同様の構造を持つ RBF を改良したものです 33,34。違いは、追加の加算層が考慮され、隠れ層と出力層の間の重みの接続 (ガウス重みの最小二乗重ね合わせ) が削除されることです。 GRNN にはトレーニングするモデルパラメーターがないため、すぐに収束します。放射基底ネットワークに基づいており、優れた非線形近似性能も備えています。ただし、GRNN の各テストサンプルは、すべてのトレーニングサンプルを使用して計算する必要があります。したがって、その計算の複雑さは高くなります。さらに、すべてのトレーニングサンプルを保存する必要があります。したがって、空間の複雑性も高くなる。

フィルタープレス脱水工程のGRNNモデル構造。

また、OLS に基づいて RBF ニューラルネットワークモデルを構築します。このモデルは、最小二乗法による RBF モデル構造の構築に基づいて確立されています。残差二乗和の最適化方法は、回帰関数と実際の値との差の二乗和が最小になるように RBF ネットワーク構造のパラメーターを最適化することです。 OLS メソッドは、一連の予測子変数を通じて予測された応答変数を回帰します。

式に示すように (2)、OLS 線形回帰は、応答変数の真の値と予測値の間の差を減らすことによってモデルパラメーターを取得することを目的としています。この式において、Yt は従属変数、Xt は独立変数、\(\alpha\)、\(\beta\) は回帰係数と呼ばれ、t = 1, 2, 3, 4 は次の数を表します。 \(\mu_{t}\) は誤差を表します。

式に示すように (3)、OLS 線形回帰は、各点から直線までの距離の二乗和 (つまり、残差二乗和、略して RSS) が最小になるように曲線を最もよく適合させることを目的としています。

サポートベクターマシン (SVM) は、Vapnik らによって提案されました。 1990 年代に確立され、統計学習理論に基づいています 35,36。 SVM 手法は、統計学習理論の VC 次元理論と構造的リスク最小化の原理に基づいた ML 手法です36。これは、限られたサンプルのモデルの複雑さに基づいて、最良の汎化能力を得るために学習能力間の最適な妥協点を導き出します。ニューラルネットワークでは経験的なリスク最小化の原則に基づいているため、サンプル数は多くなるはずです。ただし、SVM 手法は構造的リスクの最小化の原則に基づいています。したがって、サンプルが小さい条件下では、SVM 法によって確立されたモデルはより優れた一般化とプロモーションのパフォーマンスを備えています 37。

SVM は、線形分離性の場合の最適な分類曲面から開発されます。基本的な考え方は、図 6 の 2 次元の状況で説明できます。黒点と白点は 2 種類のサンプルを表しています。 H は分類線です。 H1 と H2 は、分類線に最も近いサンプルを通過する線であり、分類線に平行です。それらの間の距離は分類間隔 (マージン) と呼ばれます。いわゆる最適な分類線では、分類線が 2 つのカテゴリを正確に分離するだけでなく、分類間隔を最大化する必要があります。このタイプの分類線方程式は、式 1 のように定義できます。 (4)。

SVM（左）とSVR（右）の方式。

SVM がデータを正規化する場合、式 (1) を満たすために線形分離可能なサンプルが必要です。 (5)。

このとき、分類間隔は 2/「w」に等しく、最大間隔は最小「w」2 に相当します。条件(7)を満たし、目的関数を最小にする分類曲面は式(7)に示すとおりです。 (6)。 2/‖w‖2 は最適分類曲面と呼ばれます。

境界上の点からその平面までの距離が最も遠い平面を分類により見つけ出し、損失関数として鈍感損失関数の \(\varsigma\) を SVR に導入し、各点から境界上の距離を最小化します。回帰直線は実際の値と境界値の間の距離を制御するために使用され、損失関数は \(w^{T} \Phi \left( {x_{i} } \right) の値が正しいかどうかを判断するために使用されます。 \) が y \(\pm\) ε の範囲内にある場合、計算損失は無視できます38,39

フィルタープレス脱水プロセスの制御と最適化のために 3 つの ML モデルを構築した後、実験室でフィルタープレス脱水実験を実施します。ラボレーター脱水システムから収集されたデータは、フィルタープレス脱水プロセスシミュレーションモデルの構築方法を検討するためにも使用されます。

一部のレアアース鉱石は濃度30%、粒径0.02～0.07mmで構成されており、実験手順を図7に示し、実験装置には自社開発のマイクロ自動フィルタープレスを使用した。条件と制御パラメータを個別に調整して、材料のフィルタープレス脱水試験を実施します。各テストの後、フィルターケーキはふるいにかけられてサンプリングされ、粉砕後に乾燥されます。フィルターケーキの面積と乾燥前後のサンプルの質量が計算され、各サンプルの水分と処理能力のデータが順番に計算されます。データを取得する前に、フィルターケーキの水分と処理能力がサンプリング前に業界の実際の要件を満たすように、実際の状況に応じて入力変数を変更および調整します。入力変数、出力フィルターケーキ水分および単位面積処理能力の通常の変動範囲を表 1 に示します。

実験手順。

合計163セットの検査が実施され、データが収集されます。図8に示すように、取得したデータが異常であるかどうかを分析するために、ボックスダイアグラム分析手法を採用したところ、フィルターケーキ水分の最も合理的な値は12.1〜14.5％であることがわかりました。ここで、MAX、MIN は水分の限界値、M はすべての水分値データの中央値、Q1 は第 1 分位数、Q3 は三分位数、W はウィスカー値、O は異常データです。箱ひげ図から、ボックスの外側に 3 つのデータセットがあることがわかります。これは異常なデータである可能性がありますが、データセットの 1 つが表 1 に示す調査変数の正常範囲を満たしていることを考慮します。

異常なデータ分析。

異常データ 2 セットを除き、残り 161 セットのデータのうち 100 セットをトレーニングサンプルとして使用し、残りの 61 セットをテストサンプルとして使用して、構築されたモデルのシミュレーション精度を検証します。 OLS、GRNNでは「供給濃度」、「供給時間」、「搾り時間」、「風乾時間」を入力とし、「ろ過ケーキ水分」、「単位面積当たりの処理能力」を出力とし、シミュレーションモデル構築のためのSVR手法。モデリングおよびシミュレーションプログラムは MATLAB 言語で設計されています。プログラムを実行すると、モデルとテストサンプルのシミュレーション図と精度結果が取得されます。

回帰モデルが予測に使用される場合、モデルの誤差と精度の分析と評価に使用される一般的な指標、つまり二乗平均平方根誤差 (MSE)、平均絶対誤差 (RMAE)、および平均相対誤差 (MRE) が含まれます。 MSE は、パラメーターの推定値とパラメーターの真の値の差の 2 乗の期待値を指します。 MSEはデータの変動の度合いを評価することができます。 MSE の値が小さいほど、実験データを記述する予測モデルの精度が高くなります。ただし、一般的には平均値が使用されます。絶対誤差は測定値（単一の測定値または複数の測定値の平均）と真の値の差であり、相対誤差は真の値に対する絶対誤差の比率です。言い換えれば、測定の信頼性は MRE によってより適切に反映される可能性があります。これらの評価指標の計算式を式(1)、(2)に示す。 (8)～(10)。

ここで、 \(y_{i}\) は真の値、 \(\hat{y}_{i}\) は推定値またはシミュレーション値、 \(m\) はテストサンプルの数です。

表 2 は、SVR 法が水分と処理能力のシミュレーションで最も低い MRE を示すことを示しています。一般に、シミュレーション誤差は比較的大きくなります。私たちは主に、データ収集の複雑さと難しさ、および一時的に取得したサンプルの数の少なさを考慮します。したがって、実験シミュレーション全体に大きな誤差が発生し、信頼性の低いシミュレーション結果が得られることは避けられません。したがって、実験室用フィルタープレス脱水プロセスのモデリング方法の探索が完了した後、業界から直接収集した生産データを使用して、工業用フィルタープレス脱水プロセスのモデリングと最適化研究を実施します。

実験室用フィルタープレス脱水プロセス制御モデルの実験シミュレーション結果は、実験データのサンプルが少ない場合の 3 つの ML モデルのシミュレーション結果の精度が小さすぎることを示しています。実験シミュレーションデータのサンプルが少なく、実験室シミュレーションモデルが自社開発のマイクロ自動フィルタープレス脱水装置を使用していることを考慮すると、確立されたモデルは工業用フィルタープレス脱水制御モデルとは大きく異なり、全体的な実験シミュレーション精度は低いです。そこで、実際の工業生産データのサンプルを適切に追加して、より良い ML モデルを構築したいと考えています。この方法は、私たちの目標である実際の工業用フィルタープレス脱水プロセス制御でも良好な結果を達成することができます。

研究は、苗嶺金山の浮選金精鉱の工業用フィルタープレス脱水システムをモデル化して最適化することによって行われます。システムにはBPF自動フィルタープレスが使用されています。脱水システムを図9に示します。

工業用フィルタープレス用脱水装置。

当社は、中国河南省の苗嶺金鉱山の浮遊選鉱金精鉱から 7 営業日かけてデータサンプルを収集し、161 セットの産業データを収集します。使用される金精鉱のサイズは < 0.074 mm で、全体の 75% を占め、グレードは 30 g/t (AU) です。最初の 100 セットのデータは、フィルタープレス脱水プロセスのシミュレーションモデルを構築するためのトレーニングサンプルとして使用されます。次に、最後の 61 セットのデータをテストサンプルとして使用し、構築されたモデルのシミュレーション結果を検証します。

OLS、GRNN、SVR法によるモデリングとシミュレーションでは、「供給濃度」、「供給時間」、「搾り時間」、「風乾時間」を入力とし、「ろ過ケーキ水分」と「処理量」を入力とします。単位面積当たりの容量」を出力とします。プログラミングにはMATLAB言語が使用されます。テストサンプルのシミュレーションのための 3 つの方法の MRE 値を表 3 に示します。

表 3 は、SVR 法によって構築されたモデルが最も高いシミュレーション精度と汎化性能を備えていることを示しています。テストサンプルでの SVR モデルのシミュレーション結果を図 10 に示します。この値は実際の工業データ値によく近似しています。工業用フィルタープレス脱水プロセスの SVR モデルのシミュレーション精度は 98.43%、工業用フィルタープレス脱水プロセスのシミュレーション精度は 96.19% です。そこで、以下の解析では、SVR モデルとフィルタープレス脱水工程の制御パラメータに基づく最適化手法を組み合わせて利用します。式に示すように (11)、私たちが呼ぶ精度は MRE に相対的なものです。

工業用テストサンプルのシミュレーション結果。

ML 技術には GIGO (ガベージイン、ガベージアウト) の可能性があるため、データ品質が低い場合は、最良のアルゴリズムであっても役に立ちません。したがって、モデルの信頼性を検討する前に、より多くのデータを取得して新たなテストを行う必要があります。図 9 のフィルタープレス脱水システムから 30 セットのデータを再取得します。各フィルターケーキを取得する前に、供給濃度、空気乾燥時間、供給時間、プレス時間などのシステムの対応するパラメーターを記録します。。これらのパラメーターを新しい入力として使用し、トレーニング済みの工業モデルにインポートし、モデルによって予測される出力、つまりフィルターケーキの水分 (%) と 1 時間あたりの単位面積の処理能力 (kg/m2/h) を取得します。

データの安定性と信頼性を確保するために、30 グループのデータは 15 日間に分割され、毎日 2 グループのみが取得されます。得られたフィルターケーキをふるい分け、サンプリングし、風乾します。濾過ケーキの含水率と単位面積当たりの時間当たりの処理能力の値を計算し、生産量の真の値として使用します。図 11 に示すように、新しいデータによって予測された出力値が出力の真の値と比較されます。予測された出力値と真の出力値の間の誤差は低く、これは、モデルとデータの予測傾向が、図 11 から得られたものであることを示しています。以前のデータトレーニングにはかなりの一致があります。

新しいデータの予測結果。

「フィルタープレス脱水最適化方法」セクションでは、フィルタープレス脱水プロセスの最適化方法を紹介し、制御変数に基づく最適化方法を採用しています。第 3 章では、3 つの ML モデルの実験室シミュレーションを紹介します。「3 つの ML モデルの産業シミュレーション結果」では、産業実験シミュレーションにおける 3 つのマシンモデルを紹介します。最終フィルタープレス脱水工程制御の最適化モデルとしてSVRシミュレーションモデルを採用しています。モデルが構築されたら、それに応じて工業用フィルタープレス脱水プロセスの制御パラメーターを最適化できます。したがって、このセクションでは、業界における制御変数の原理に基づく最適化手法の実際の結果に焦点を当てます。最適化プログラムはMATLAB言語で設計されています。プログラムを実行すると、各条件の最適な制御パラメータテーブルと予測値が得られます。

水分値と処理能力は相反する指標であるため、両者を同時に最適化することはできません。まず、予想される水分値を 12% に管理します。つまり、工業用フィルタープレスの脱水プロセスでの水分値が 12% 以下であることが認定される必要があります。次に、その値 (12% 水分値) は、特定の産業実験モデルシミュレーションで制御および制約されます。最後に、対応する別のシミュレーション出力値 (処理能力) を取得できます。処理能力値を昇順にソートした後、上位 4 つの処理能力値を取得します。グループデータを表 4 に示します。制御変数に基づく最適化手法により、工業用フィルタープレス脱水プロセスにおける最適な制御パラメーターグループはデータグループ No.4 であることがわかります。

最適化条件を検証するため、従来設定と最適化後のフィルタ動作結果を比較するため、図12に示すように、最適化前後のフィルタプレスシステムから水分値と処理能力を4セット取得しました。表 5. 最適化された水分と処理能力は、以前に設定した水分と処理能力よりも優れた最適化効果が得られました。これは、この最適化方法が脱水指数を継続的に最適化および改善できることを証明するのに十分です。

最適化された条件の検証。

制御パラメータの最適化結果が得られた後、条件パラメータと最適化目標に従って最適な制御パラメータを直接取得できます。このようにして、脱水プロセスの制御パラメータの設定と調整をガイドし、プロセスの最適化を実現します。同時に、本研究で得られた最適化結果を学習サンプルとして使用し、パラメータを最適化したSVRシミュレーションモデルを構築します。このモデルを使用して、フィルタープレス脱水プロセスの適応最適化制御を実現できます。システム構成を図13に示します。実際の産業用途では、まずコンピュータによりフィルタープレス脱水工程の予想指標を設定します。次に、コンピュータを介してリアルタイムで作業条件パラメータを収集し、対応する作業指数を取得します。最後に、コンピューターを使用して、作業と期待される指標とのギャップの程度を比較します。フィルタープレスのさまざまなパラメーターは、予想される指数に最も近づくまでリアルタイムで調整されます。このようにして、フィルタープレス脱水プロセスの適応制御を実現できます。

フィルタープレス脱水工程の適応制御システム。

提案された最適化方法は、フィルターケーキ水分含有量の安定性を確保できるだけでなく、フィルタープレスの操作サイクルを元の 85% 未満に短縮できることが工業的実践により証明されています。この方法により、フィルタープレスシステムの 1 シフトの稼働時間が短縮され、それに応じて生産エネルギー消費とコストが節約され、フィルタープレスの稼働効率が向上します。

多数の脱水プロセス最適化研究により、多くの刺激的なアイデアが得られ、工業生産の実践に一定の貢献をしてきました。本研究では、脱水プロセスの最適化に関する既存の研究を要約し、脱水プロセスにおけるインテリジェンスの不足と最適化効果の限界を認識しました。そこで、実験室用フィルタープレス脱水システムと工業用フィルタープレス脱水システムを構築し、複数のデータを収集した。 RBF-OLS、RBF-GRNN、SVR の 3 つの機械学習モデルを構築し、制御変数に基づく最適化手法と組み合わせました。具体的には、次のような作業が行われました。

実験室実験と工業実験が行われました。研究室ではデータサンプリング用に自社開発したマイクロ自動フィルタープレスを使用し、産業では工業用脱水システムの大型フィルタープレス脱水装置から直接データを取得します。実験室での SVR のシミュレーション結果は比較的悪いことがわかりましたが、産業用シミュレーション結果では SVR が優れたパフォーマンスを示しています。

濃縮フィルタープレス脱水の工業モデルの信頼性をさらに検証するために、工業用フィルタープレス脱水システムから対応するデータを再度取得して指標を予測しました。モデルによって予測された指標と実際の指標を比較すると、それらの間のパーセンテージ誤差がかなり大きいことがわかり、工業用フィルタープレス脱水プロセスの最適な制御パラメーターの組み合わせは、フィルタープレスの制御パラメーターを最適化する方法を使用して首尾よく取得されます。制御変数によるフィルタープレス脱水プロセス。得られた最適な制御パラメータの組み合わせで生産を誘導すると、フィルタープレスの生産指数の安定性が確保されるだけでなく、エネルギー消費が削減され、フィルタープレスの作業効率が大幅に向上することが実践で証明されています。

制御変数法に基づく最適化手法の合理性を検証するため、従来設定および最適化設定における工業用フィルタープレス脱水システムにおけるフィルターケーキ水分と時間当たりの単位面積処理能力の指標を以下に示す。をそれぞれ比較しました。実験により、機械学習モデルと制御変数に基づく最適化手法を組み合わせることにより、脱水プロセスの継続的な最適化が達成でき、最適化能力が保証され、生産指標が継続的に最適化され、生産プロセスが改善できることが証明されました。ガイドされ、技術者による継続的なパラメータ調整の困難が軽減され、インテリジェンスの初期プロトタイプが形成されます。

Townsend, I. 鉱山および冶金における自動加圧ろ過。鉱夫。工学 16(2)、165–173。 https://doi.org/10.1016/s0892-6875(02)00266-2 (2003)。

記事 CAS Google Scholar

Leifson, E. 濾過用のシンプルな自動圧力調整器。サイエンス 73 (1904)、707–709。 https://doi.org/10.1126/science.73.1904.707 (1931)。

論文 ADS CAS PubMed Google Scholar

ウー、ZHら。鉱物加工産業における脱水と乾燥: イノベーションの可能性。ドライ。テクノロジー。内部。 J. 28(7)、834–842。 https://doi.org/10.1080/07373937.2010.490485 (2010)。

記事 CAS Google Scholar

オウトテック。他。 Larox PF-DS 圧力フィルターは幅広い用途に使用できます。フィルター。 9 月 https://doi.org/10.1016/S0015-1882(20)30172-5 (2019)。

記事 Google Scholar

ヤムサジュネラ、S.-L. 他。 Larox 圧力フィルター用のオペレーターサポートシステム。 IFAC Proc. https://doi.org/10.1016/S1474-6670(17)37637-1 (2003)。

記事 Google Scholar

Liu, HZ & Wang, QF BPF 自動制御圧力フィルターの研究開発。非鉄金属。鉱夫。プロセス 6、30 ～ 35 (2003)。

Google スカラー

Kamizela, T. & Kowalczyk, M. 下水汚泥の脱水効率に対する調整物質とろ過圧力の影響。エネルギー 14、361 (2021)。

記事 CAS Google Scholar

Chaedir, BA et al. 鉱物加工における脱水と乾燥の進歩。ドライ。テクノロジー。 39、1–18 (2021)。

記事 Google Scholar

トリパシー、SK et al. クロマイト処理プラントの尾鉱スラリーの脱水回路の設計と解析。鉱夫。プロセス。補足メタル。改訂 42(2)、102–114 (2021)。

記事 CAS Google Scholar

Rezaei, A.、Abdollahi, H.、Gharabaghi, M. 濾過プロセスの物理的パラメーターが銅精鉱の流体流動特性と脱水効率に及ぼす影響に関する研究。内部。 J. Mining Geo-Eng. 55(2)、109–116 (2021)。

Google スカラー

荒牧哲ほか濾布を用いたケーキ濾過による微細藻類懸濁液の脱水。Ｊ．Ａｐｐｌ．フィコル。 33、1–9 (2021)。

記事 Google Scholar

ラマダン、BS 他汚染汚泥の圧力駆動電気脱水 (PED) に関する最近の進歩。環境安全性と持続可能性のための動電的修復 (Ribeiro, AB et al. 編) 629–652 (Wiley, 2021)。

Google Scholar の章

Shafaei、F.ら。鉱山尾鉱の機械電気脱水 (EDW): 水の回収と水分の減少に対する電圧レベルの影響。鉱夫。工学 175、107303 (2022)。

記事 CAS Google Scholar

Zhang、H.ら。脱水プロセスの 2 段階の調整された最適化モデル。できる。Ｊ．Ｃｈｅｍ．工学 99(3)、742–754 (2021)。

記事 CAS Google Scholar

Eremeev、DN et al. ガス洗浄システムからのスラッジを脱水するための濾過助剤 AS-43124M のプラント試験。スチール翻訳 51(6)、416–421 (2021)。

記事 Google Scholar

Burat、F. et al. 超音波前処理と脱水助剤により微粉炭の脱水が改善されました。鉱夫。プロセス。補足メタル。改訂版 https://doi.org/10.1080/08827508.2014.898637 (2015)。

記事 Google Scholar

ベスラ、L.ら。凝集剤と界面活性剤を利用した微粒子懸濁液の脱水: レビュー。鉱夫。プロセス。補足メタル。改訂版 https://doi.org/10.1080/08827509808914153 (1998)。

記事 Google Scholar

Mamghaderi, H. et al. 鉄鉱石尾鉱の脱水に対する化学的前処理の影響に関する調査。コロイドサーフ。物理化学。工学 Asp. 625、126855 (2021)。

記事 CAS Google Scholar

パティル、DP およびパレク、BK 熱接着分離: 新しい乾燥石炭選鉱技術。マイニングメタル。探検してください。 39、23。 https://doi.org/10.1007/s42461-021-00519-3 (2022)。

記事 CAS Google Scholar

Bień, B. & Bień, JD 下水汚泥の脱水を改善するために、物理的、化学的、および二重の方法で下水汚泥を調整します。エネルギー 14(16)、5079 (2021)。

記事 Google Scholar

アッシャー、SP et al. 平衡遠心分離試験データと一時遠心分離試験データからの脱水性の特性評価。化学。工学科学。 93、277。https://doi.org/10.1016/j.ces.2013.02.026 (2013)。

記事 CAS Google Scholar

ヤムサジュネラ、S.-L. 他。圧力フィルターのオペレーターサポートシステム。コントロール。工学練習する https://doi.org/10.1016/j.conengprac.2004.11.019 (2004)。

記事 Google Scholar

ベーナー、FD 他。プロセスデータを使用した工業用加圧ろ過の分析とモデリング。 IFACPapersOnLine。 https://doi.org/10.1016/j.ifacol.2017.08.2152 (2017)。

記事 Google Scholar

Heertjes 氏、PM および Haas 氏、HV ろ過の研究。記録トラヴ。チム。 68、361–383 (1949)。

記事 CAS Google Scholar

Li-xin、J. et al. 油圧式スクイズ脱水とスクイズ脱水の効率解析。会った。 Mine 10、44–47 (2002)。

Google スカラー

カールトン、AJ & サルウェイ、AG ケーキの脱水。フィルター。 641 ～ 647 年 9 月 30 日 (1993 年)。

記事 CAS Google Scholar

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

Google スカラー

Morari, M. & Lee, JH モデル予測制御: 過去、現在、未来。計算します。化学。工学 23(4–5)、667–682 (1999)。

記事 CAS Google Scholar

ボゴジェスキー、M.、ザウアー、S.、ホルン、F.、ミュラー、K.-R. 機械学習手法を使用して産業の老朽化プロセスを予測します。計算します。化学。工学 144、107123 (2021)。

記事 CAS Google Scholar

McCoy, JT & Auret, L. 鉱物加工における機械学習アプリケーション: レビュー。鉱夫。工学 132、95。https://doi.org/10.1016/j.mineng.2018.12.004 (2019)。

記事 CAS Google Scholar

Xue、Y.ら。畳み込みニューラルネットワークのニューラルアーキテクチャ検索のためのグラフイングラフに基づく多目的進化的アプローチ。内部。 J. Neural Syst. https://doi.org/10.1142/S0129065721500350 (2021)。

論文 PubMed Google Scholar

Xue、Y.ら。ブロックに基づく自己適応突然変異ニューラルアーキテクチャ検索アルゴリズム。 IEEE コンピューティング。知性。マグ。 16(3)、67–78 (2021)。

記事 Google Scholar

ワン、L.ら。 Gong さまざまな手法を使用した太陽放射予測: モデルの評価と比較。更新します。持続する。エネルギー改訂 61、384–397 (2016)。

記事 Google Scholar

Ghritlahre (香港) & Prasad (RK) 人工ニューラルネットワーク技術の MLP、GRNN、RBF モデルを使用した太陽熱暖房器の極限性能予測。Ｊ．Ｅｎｖｉｒｏｎ．管理。 223、566–575 (2018)。

論文 PubMed Google Scholar

Cortes, C. & Vapnik, V. ベクターネットワークをサポートします。マッハ。学ぶ。 https://doi.org/10.1007/BF00994018VladimirN (1995)。

記事 MATH Google Scholar

Vapnik、V. 統計的学習理論の性質 (Springer、2000)。

Google Scholar を予約する

Jia、CL、Wu、HS & Gong、DW サポートベクターマシンモデルに基づく石炭需要予測。中国大学分。テクノロジー。 36(1)、107–110 (2007)。

Google スカラー

リー、Ｅら。繊維強化セメンテッドペースト埋め戻しの強度を予測するためのサルプ群アルゴリズムベースのサポートベクターマシンのハイブリッドモデルを開発します。工学計算します。 37(4)、3519–3540 (2021)。

記事 Google Scholar

リー、Ｅら。サポートベクター回帰と 5 つの最適化アルゴリズムを組み合わせたブラスト平均フラグメントサイズの予測。 J.ロックメカ。ジオテック。工学 13(6)、1380–1397 (2021)。

記事 Google Scholar

リファレンスをダウンロードする

著者は、関連企業および研究者から提供されたデータと技術的支援、特に人材プロジェクトの資金プロジェクト：江西省「ダブル千人計画」革新的人材プロジェクト（JXSQ2018101046）に心から感謝します。

資金は江西省「二千人」人材プロジェクト（jxsq2018101046）からも提供された。

けしゅんよう

現在の住所: 江西科学技術大学機械電気工学部、贛州市、341000、中国

江西科学技術大学機械電気工学院、贛州市、341000、中国

劉恵忠

PubMed Google Scholar でこの著者を検索することもできます

KY と HL は提示されたアイデアを考え出しました。 KY は理論を開発し、計算を実行しました。 HL と KY は分析方法を検証しました。 HL は、KY に対し、選鉱振動台の現在の開発状況と開発ニーズを調査するよう奨励し、この作業の結果を監督しました。著者全員が結果について議論し、最終原稿に貢献しました。 HLが実験を行った。 KY は HLKY のサポートを受けて原稿を書き、工業用脱水データをモデル化して誤差分析を実行し、最終的に工業用フィルタープレス脱水モデルとしてサポートベクトル回帰を選択しました。 KY は理論的形式主義を開発しました。 RBF-OLS、RBF-GRNN、サポートベクター回帰（SVR）の機械学習モデルはそれぞれKYによって構築され、両著者が原稿の最終版に貢献した。 HL がプロジェクトを監督しました。 HL はほぼすべての技術的な詳細を検討し、提案された実験の数値計算を実行しました。 HL は、KY の協力を得て、自動フィルタープレス脱水システムの開発と応用、BPF 自動フィルタープレスの開発と推進に取り組みました。工業用フィルタープレス脱水実験を提案し、工業用フィルタープレス脱水データを収集しました。 KY と HL は、研究の設計と実施、結果の分析、原稿の執筆に貢献しました。両社は、より実用的で最適化された工業用フィルタープレス脱水システムの開発に協力しています。

劉恵忠氏への対応。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Liu, H.、You, K. サポートベクトル回帰による濃縮液圧力濾過の脱水プロセスの最適化。 Sci Rep 12、7135 (2022)。 https://doi.org/10.1038/s41598-022-11259-9

引用をダウンロード

受信日: 2021 年 9 月 24 日

受理日: 2022 年 4 月 4 日

公開日: 2022 年 5 月 17 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

科学レポート (2023)

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。