基于融合建模的浮选药剂消耗预测研究

浮选是选矿技术中常用的技术之一,为了使选矿工艺指标达到要求,需要加入捕收剂、抑制剂、活化剂和pH调整剂等药剂。药剂消耗在影响浮选工艺指标的同时也影响着选矿的成本,因此预测每天、周、月、年的药剂消耗量,对其进行定额管理是浮选作业中重要的研究问题,基于缺失数据填补技术采用融合建模的方法在原矿性质、浮选指标及药剂消耗之间建立带有混合效应的非线性模型,并预测7 d(1周)、30 d(1月)、365 d(1年)的浮选药剂消耗量。预测结果与生产数据对比表明,该模型实现了对选厂浮选药剂用量的短期精确预测。实际数据显示该方法对生产实践具有指导意义。

基于LM-BP神经网络的浮选药剂流量预测模型研究

结合东鞍山选矿厂浮选流程的实际工况,采集现场浮选流程的关键过程变量、工艺指标,提出了基于LM-BP神经网络的浮选药剂流量预测模型。数据交叉验证的结果表明,该方法能够在保证精矿品位、回收率等指标满足生产要求的前提下,合理预测浮选药剂制度,使浮选矿浆达到最佳矿化状态,进而优化浮选各项指标,对于降低选厂浮选流程的生产成本有一定的参考价值。