基于改进慢快双流网络的锌快粗选工况识别

锌快粗选是锌浮选的第一个浮选工艺,其工况状态直接影响后续精选和扫选的性能效果。现有基于卷积神经网络的浮选工况识别方法直接构建泡沫图像和工况类别的关系模型,自动挖掘与工况关联的泡沫深度特征,取得了一定的效果,但忽略了不同采样率下泡沫视频的动态时序信息。为此,提出一种基于改进慢快双流网络的模型,通过泡沫视频对锌快粗选工况进行识别。首先,以慢快双流网络作为主干网络,引入P3D-A轻量化结构减少网络参数,提高模型推理效率。然后,融入时间注意力模块(Time Attention, TA)、空间注意力模块(Channel Spatial Attention, CSA)和空间时间聚合模块(Spatial Time Together, STT),对泡沫视频时空特征进行有效表征,促进双流网络融合。最后,设计辅助网络(Auxiliary Network, AN),降低模型过拟合,提高工况识别准确率。实验结果表明,所提方法能准确地识别锌快粗选工况,准确率达82.54%,与已有的慢快双流网络相比,准确率提高了11.98%。

基于预测补偿网络的锌扫选尾矿品位预测

针对泡沫浮选关键性能指标预测准确率低的问题,提出一种基于预测补偿(PC)网络的品位预测方法。该预测补偿网络分为两部分:第一部分,构建基于GRU的锌浮选尾矿品位预测模型,充分利用泡沫图像的时序信息,得到初始品位预测值;第二部分,为解决未知样本的输入输出难以精确匹配的问题,建立由残差诱因导出模块和改进Choquet模糊积分(ICFI)聚合模块组成的动态残差补偿(DRC)模型,对初始品位进行补偿以获取更精确的结果。研究结果表明:相较于传统的神经网络,所提出的预测补偿网络有更强的拟合能力和稳定性,提高了预测精确性和可靠性。