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。

浮选指标与浮选泡沫数字图像关系研究

在实验室采集了大量黄铜矿浮选的泡沫图像,并对浮选泡沫图像进行了预处理;采用数字图像分析技术分析了泡沫图像及其灰度直方图,提取了浮选泡沫图像灰度直方图的统计纹理特征参数;采用径向基神经网络建立了黄铜矿浮选指标与泡沫灰度直方图统计纹理特征参数的关系模型。仿真实验证明,所建立的模型有较高的精度。

浮选指标数学模型的研究

按能否改变ε-γ(回收率-产率)曲线把影响浮选过程的因素分为两类,基于正态分布的实际单元品位曲线构造了ε-γ曲线模型,并对云南某胶磷矿等7座矿山的浮选指标进行8种数学模型的拟合对比,结果表明,正态分布的ε-γ曲线模型拟合最好,应用于浮选指标预测误差小,为浮选指标的预测、评价与监控提供了可行的技术手段。