Temat: soft sensor - Prolib Integro

Skocz do pozycji: 1.

Tytuł:: Smart ore tracking system using soft sensor technology
Inteligentny system „śledzenia” rudy za pomocą technologii sensorowej
Autorzy:: Pan, X.
Tematy:: śledzenie rudy
monitoring typu rudy
pomiar procesu
sensor
ore tracking
ore type soft sensor
ore type monitoring
process modeling
process measurement
soft sensor; Pokaż więcej
Wydawca:: Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Powiązania:: https://bibliotekanauki.pl/articles/348555.pdf Link otwiera się w nowym oknie
Opis:: The relationship between ore mineralogy and downstream processing is well known in the mining industry. In fact, the very definition of a mineral deposit as an ore body depends on its susceptibility to processing in an economical manner. With an ore tracking system, the information about each ore block, gained during exploration and mining, could be used as input data to the mineral processing operation. This would allow the real-time optimization and control of the ore processing. A smart ore tracking system can be developed by using soft sensor technique. The ore tracking system utilizes the real time information available in both SCADA and database of a mine. Using the ore geological data and the tonnage of ore being treated, the ore tracking system calculates and provides ore type information such as ore mixing percentage, ore grade and ore hardness and density. The ore type information provided by the ore tracking system can be made available at all process units at a mine, including primary crusher, primary stock pile, primary scrubbers, secondary scrubbers, secondary crushers, re-crusher stock pile, dense media separation stock piles, dense media separation feeders, and the feed to next processing plant. The smart ore tracking system, developed originally for a diamond mine, can be used for other mines, such as iron ore, coal, chromite ore, manganese ore, etc.
Zależność pomiędzy mineralogią rudy a przeróbką jest bardzo dobrze znana w przemyśle górniczym. W rzeczywistości, definicja złoża mineralnego jako rudy zależy od jego podatności na procesy przeróbcze z punktu widzenia ekonomii. Przy zastosowaniu systemu "śledzenia" rudy informacja o każdym bloku rudy jest uzyskiwana podczas procesu wydobycia i obróbki górniczej. Może być ona zastosowana jako dane wejściowe do operacji przeróbki surowców mineralnych. Pozwoli to na optymalizację w czasie rzeczywistym i kontrolę procesów przeróbczych. Inteligentny system "śledzenia" rudy można uzyskać za pomocą techniki sensorowej. System ten korzysta z informacji w czasie rzeczywistym dostępnych zarówno w SCADA jak i bazie danych kopalni. Przy zastosowaniu danych geologicznych i informacji na temat ilości przerabianej rudy system oblicza i przewiduje informacje nt. rudy, tj. procent mieszania rudy, stopień rozdrobnienia, twardość, czy gęstość. Informacje te mogą stanowić bazę dla każdego procesu przeróbczego w kopalni, wliczając pierwsze kruszenie, pierwsze składowanie, pierwsze sortowanie, drugie kruszenie, drugie sortowanie, powtórne kruszenie, rozdział w cieczach ciężkich itp. System "śledzenia" rudy, wynaleziony pierwotnie dla kopalni diamentów może zostać zastosowany w innych kopalniach, tj. kopalnia żelaza, węgla, chromu, manganu itp.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 2.

Tytuł:: Modified neural network based cascaded control for product composition of reactive distillation
Autorzy:: Sakhre, V.
Jain, S.
Sapkal, V. S.
Agarwal, D. P.
Tematy:: composition
inferential control
neural network
reactive distillation
soft sensor; Pokaż więcej
Wydawca:: Zachodniopomorski Uniwersytet Technologiczny w Szczecinie. Wydawnictwo Uczelniane ZUT w Szczecinie
Powiązania:: https://bibliotekanauki.pl/articles/778231.pdf Link otwiera się w nowym oknie
Opis:: In this research work, neural network based single loop and cascaded control strategies, based on Feed Forward Neural Network trained with Back Propagation (FBPNN) algorithm is carried out to control the product composition of reactive distillation. The FBPNN is modified using the steepest descent method. This modification is suggested for optimization of error function. The weights connecting the input and hidden layer, hidden and output layer is optimized using steepest descent method which causes minimization of mean square error and hence improves the response of the system. FBPNN, as the inferential soft sensor is used for composition estimation of reactive distillation using temperature as a secondary process variable. The optimized temperature profile of the reactive distillation is selected as input to the neural network. Reboiler heat duty is selected as a manipulating variable in case of single loop control strategy while the bottom stage temperature T9 is selected as a manipulating variable for cascaded control strategy. It has been observed that modified FBPNN gives minimum mean square error. It has also been observed from the results that cascaded control structure gives improved dynamic response as compared to the single loop control strategy.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 3.

Tytuł:: Soft Sensing Method Of LS-SVM Using Temperature Time Series For Gas Flow Measurements
Autorzy:: Xu, W.
Fan, Z.
Cai, M.
Shi, Y.
Tong, X.
Sun, J.
Tematy:: gas flow
soft sensor
support vector machine (SVM)
temperature time series; Pokaż więcej
Wydawca:: Polska Akademia Nauk. Czytelnia Czasopism PAN
Powiązania:: https://bibliotekanauki.pl/articles/221824.pdf Link otwiera się w nowym oknie
Opis:: This paper proposes a soft sensing method of least squares support vector machine (LS-SVM) using temperature time series for gas flow measurements. A heater unit has been installed on the external wall of a pipeline to generate heat pulses. Dynamic temperature signals have been collected upstream of the heater unit. The temperature time series are the main secondary variables of soft sensing technique for estimating the flow rate. A LS-SVM model is proposed to construct a non-linear relation between the flow rate and temperature time series. To select its inputs, parameters of the measurement system are divided into three categories: blind, invalid and secondary variables. Then the kernel function parameters are optimized to improve estimation accuracy. The experiments have been conducted both in the single-pulse and multiple-pulse heating modes. The results show that estimations are acceptable.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 4.

Tytuł:: Developing a data-driven soft sensor to predict silicate impurity in iron ore flotation concentrate
Autorzy:: Pural, Yusuf Enes
Tematy:: soft sensor
machine learning
random forest
multi-layer perceptron
flotation
grade estimation; Pokaż więcej
Wydawca:: Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
Powiązania:: https://bibliotekanauki.pl/articles/24148677.pdf Link otwiera się w nowym oknie
Opis:: Soft sensors are mathematical models that estimate the value of a process variable that is difficult or expensive to measure directly. They can be based on first principle models, data-based models, or a combination of both. These models are increasingly used in mineral processing to estimate and optimize important performance parameters such as mill load, mineral grades, and particle size. This study investigates the development of a data-driven soft sensor to predict the silicate content in iron ore reverse flotation concentrate, a crucial indicator of plant performance. The proposed soft sensor model employs a dataset obtained from Kaggle, which includes measurements of iron and silicate content in the feed to the plant, reagent dosages, weight and pH of pulp, as well as the amount of air and froth levels in the flotation units. To reduce the dimensionality of the dataset, Principal Component Analysis, an unsupervised machine learning method, was applied. The soft sensor model was developed using three machine learning algorithms, namely, Ridge Regression, Multi-Layer Perceptron, and Random Forest. The Random Forest model, created with non-reduced data, demonstrated superior performance, with an R-squared value of 96.5% and a mean absolute error of 0.089. The results suggest that the proposed soft sensor model can accurately predict the silicate content in the iron ore flotation concentrate using machine learning algorithms. Moreover, the study highlights the importance of selecting appropriate algorithms for soft sensor developments in mineral processing plants.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 5.

Tytuł:: Development of stockpile soft sensor
Zastosowanie sensora kontrolnego na składowisku w zakładzie przeróbczym
Autorzy:: Pan, X.
Tematy:: poziom składowiska
sensor
modelowanie składowiska
pomiar procesu
stockpile level
stockpile soft sensor
stockpile modelling
process measurement; Pokaż więcej
Wydawca:: Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Powiązania:: https://bibliotekanauki.pl/articles/348617.pdf Link otwiera się w nowym oknie
Opis:: With the advancement and the wide usage of measurement instruments associated with stockpiles, a soft sensor can be developed to monitor the level of a stockpile. Furthermore, the stockpile soft sensor can be used to provide the mixing behaviour of different ores discharged out of the stockpile. With the assistance of DEM modeling and simulation, the mixing behaviour of different materials in a stockpile can be estimated. The information on the mixing behaviour includes when and how the mixing takes place in a stockpile, and more important, when the mixed materials with a certain blending portion is discharged out of the stockpile. The stockpile soft sensor can help estimate accurate residential time for different group of ores charged to a stockpile. The soft sensor makes it possible to monitor the behavior of different ore types in and out of a stockpile in real time. The ore type information includes ore grade, density, hardness, strength, etc. The stockpile soft sensor forms part of an ore tracking system, which utilises the real time information available in both SCADA and database of a mineral processing plant or a mine. Using the ore geological data and the tonnage of ore being treated, the ore tracking system calculates and provides ore type information to all process units at a mine. The stockpile soft sensor, developed originally for a diamond mine, can be used for stockpiles of other mineral operations, including iron ore, coal, copper, chromite ore, manganese ore and cement plants, etc.
Wraz z rozwojem i coraz szerszym zastosowaniem instrumentów pomiarowych związanych ze składowaniem materiałów uziarnionych, sensory pomiaru poziomu składowiska znalazły nowe zastosowanie. Ponadto, sensory te można stosować w celu prognozowania natury mieszania różnego typu składników zgromadzonych na składowisku. Przy pomocy modelowania DEM oraz technik symulacyjnych można dokonać estymacji sposobu mieszania. Informacja ta zawiera zarówno dane na temat kiedy dochodzi do procesu mieszania, jak i w jaki sposób się to dzieje. Omawiany sensor stanowi część systemu "śledzenia", który korzysta z informacji w czasie rzeczywistym dostępnych zarówno w SCADA, jak i bazie danych zakładu przeróbczego lub kopalni. Stosując dane geologiczne oraz dane dotyczące przerobu rudy, system ten kalkuluje i przewiduje dane dla każdej jednostki procesu przeróbczego. Sensor, opracowany pierwotnie dla kopalni diamentów, może być stosowany również dla innego typu rud, czy operacji górniczych, wliczając w to rudę żelaza, węgiel, miedź, chrom, mangan, czy zakłady cementowe.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Informacja

Wyszukujesz frazę "soft sensor" wg kryterium: Temat