摘要：精矿品位是衡量铝土矿浮选效果的重要生产指标。目前,基于机器视觉的精矿品位在线预测方法主要集中在建立单一浮选槽或单一浮选工序上的预测模型,该方法只能反映浮选环节的局部泡沫状态,不能充分表征整个浮选流程,导致预测模型的精度欠佳。为此,论文在分析铝土矿浮选工艺流程和泡沫图像特征的基础上,提出一种基于多槽机器视觉的铝土矿浮选精矿品位预测方法,为生产过程提供操作指导。论文的主要研究内容和创新工作如下：(1)针对各浮选工序的泡沫图像特征数据之间存在大量关联性,造成模型输入维数高、运算量较大的问题,利用粗糙集属性约简算法对泡沫图像特征进行约简,根据广义重要度排除冗余特征,获取不同工序泡沫图像的关键特征。针对泡沫特征与精矿品位之间的关联性及不同浮选工序图像特征之间的动态变化关系,提出基于实验分析法的多数据关联性分析法,进行单槽泡沫的关键特征与精矿品位之间的关联性分析和多槽泡沫的关键特征之间的关联性分析。通过实验表明各工序间的泡沫图像特征变化趋势基本一致,但各槽波动程度明显不同。(2)针对利用单槽泡沫图像特征进行精矿品位预测存在精度欠佳的问题,建立了一种基于多槽机器视觉的精矿品位集成预测模型。以粗选槽关键泡沫特征为输入变量,建立了基于改进粒子群优化的多核最小二乘支持向量机精矿品位预测模型。针对长流程带来的模型误差,利用与粗选流程同步的精选特征为输入,建立基于关联向量机的误差补偿模型,通过模型集成提高品位预测精度。(3)将所研究的方法与目前应用的单槽品位预测方法进行仿真对比分析,结果表明本文的方法具有更高的精度。将基于多槽机器视觉的品位预测方法在国内某一铝土矿浮选监控系统中进行验证,获得了更加满意的精度,可用于浮选生产过程的操作指导。图34幅,表8