基于数据驱动的浮选指标预测建模研究进展

针对浮选过程工业大数据具有高维非线性、动态时序性以及参数强耦合性等复杂特性,若使用单一模型进行浮选指标预测,则可能由于随机性的影响而导致模型的可信度低、泛化性差,预测效果不理想。为了突破单模型的瓶颈,本文对30多年来的基于数据驱动的浮选指标预测建模方法的研究文献进行了系统的评述,认为采用不同学习算法对浮选过程的多工况参数、泡沫图像的潜在内部特征进行深度挖掘,以这些工况参数特征和泡沫图像的特征作为输入,对浮选指标进行集成预测建模,可以面向选矿过程生产指标的智能预测和工况参数的智能协同优化,形成控制方法与策略,为解决给矿性质复杂、工况参数多变的浮选过程指标预测和工况识别的难题提供理论指导建议。