战略性稀有金属钼矿具有品位低,组分复杂、嵌布粒度细等特点,其有价金属分离回收难。浮选作为微细粒钼矿分离回收的主要选矿方法之一,其浮选钼精矿品位一直是选厂的关键性产品指标。国内大多数选厂采取轮班制采样,人工化验得到精矿品位...战略性稀有金属钼矿具有品位低,组分复杂、嵌布粒度细等特点,其有价金属分离回收难。浮选作为微细粒钼矿分离回收的主要选矿方法之一,其浮选钼精矿品位一直是选厂的关键性产品指标。国内大多数选厂采取轮班制采样,人工化验得到精矿品位结果,但此方式严重滞后于浮选工艺,难以满足对生产过程进行实时监测和操作指导。LSTM是一种特殊的循环神经网络,引入门机制有效地传递或选择性遗忘长时间序列中的信息,解决RNN(Recurrent Neural Networks)中的长期依赖、梯度消失和爆炸问题。通过分析整理东坡选厂中各平台源数据,结合选厂浮选工艺及机理,筛选出多个影响浮选钼精矿品位的变量作为模型输入;将输入变量进行异常值判定,缺失值填充和数据降噪等数据预处理,建立高质量浮选钼精矿品位数据库;软测量模型采用PyCharm软件编码,使用BatchNorm批量规范化处理样本数据,加入Dropout正则化防止过拟合,建立基于LSTM(Long Short Term Memory)的浮选钼精矿品位软测量模型,通过前向传播算法更新神经网络结构参数,并于Linear模型和CNN模型的预测性能指标结果比较。结果表明,基于LSTM的浮选钼精矿品位软测量模型预测准确度高,样本数据误差波动平稳,浮动范围小,模型泛化能力强,模型平均绝对百分比误差MAPE为1.13%,均方根误差RMSE为0.7049%,决定系数R 2为0.8763,实现了浮选钼精矿品位的在线预测。展开更多
文摘战略性稀有金属钼矿具有品位低,组分复杂、嵌布粒度细等特点,其有价金属分离回收难。浮选作为微细粒钼矿分离回收的主要选矿方法之一,其浮选钼精矿品位一直是选厂的关键性产品指标。国内大多数选厂采取轮班制采样,人工化验得到精矿品位结果,但此方式严重滞后于浮选工艺,难以满足对生产过程进行实时监测和操作指导。LSTM是一种特殊的循环神经网络,引入门机制有效地传递或选择性遗忘长时间序列中的信息,解决RNN(Recurrent Neural Networks)中的长期依赖、梯度消失和爆炸问题。通过分析整理东坡选厂中各平台源数据,结合选厂浮选工艺及机理,筛选出多个影响浮选钼精矿品位的变量作为模型输入;将输入变量进行异常值判定,缺失值填充和数据降噪等数据预处理,建立高质量浮选钼精矿品位数据库;软测量模型采用PyCharm软件编码,使用BatchNorm批量规范化处理样本数据,加入Dropout正则化防止过拟合,建立基于LSTM(Long Short Term Memory)的浮选钼精矿品位软测量模型,通过前向传播算法更新神经网络结构参数,并于Linear模型和CNN模型的预测性能指标结果比较。结果表明,基于LSTM的浮选钼精矿品位软测量模型预测准确度高,样本数据误差波动平稳,浮动范围小,模型泛化能力强,模型平均绝对百分比误差MAPE为1.13%,均方根误差RMSE为0.7049%,决定系数R 2为0.8763,实现了浮选钼精矿品位的在线预测。
