基于LSTM神经网络的浮选品位预测模型

针对目前选矿行业中浮选环节的精矿品位难以实时监测的问题,提出基于长短时记忆(LSTM)网络的浮选品位预测模型。利用浮选品位参数在时序上的相关性,采用两层LSTM网络提取特征,将浮选过程中的药剂添加量、充气速率、矿浆pH值等参数作为输入值,对浮选后的精矿品位进行实时预测,并以平均绝对误差(MAE)、均方根误差(RMSE)、可决系数(R~2)对预测结果进行评价。实验结果表明:该神经网络模型的参数与结构设置合理,预测表现良好,MAE为0.080 7、RMSE为0.109、R~2达到了0.678。该模型适用于浮选环节的实时精矿品位预测,后续可根据预测值反馈调节浮选过程参数,使得精矿品位趋近期望值,对浮选过程的智能化具有促进作用。