论文部分内容阅读
摘要：泡沫浮选是选矿过程中最重要的矿物提取方法,在铝土矿浮选生产过程中浮选槽液位通常根据经验人工设定,具有主观随意性、液位波动大,使精/尾矿品位不满足要求、难以根据工艺指标对液位进行优化设定。为此,研究一种基于浮选泡沫图像多特征的铝土矿浮选槽液位智能优化设定的方法。论文在分析浮选槽工作原理、液位与泡沫图像特征间关系的基础上,提出了集基于案例推理的浮选槽液位预设定、基于多泡沫特征的改进LS-SVM品位预测及基于BP神经网络的自学习模糊推理智能补偿等模型为一体的浮选槽液位智能优化设定模型。论文的研究内容和主要创新点如下：(1)由于浮选过程机理复杂、矿物品位等生产指标难以在线测量,难以建立给矿条件、生产指标与浮选槽液位设定值之间的准确数学模型,给出了基于案例推理的浮选槽液位预设定方法。将浮选槽目标品位、给矿条件及对应的历史液位设定值组成操作案例,然后根据设定的相似度阈值对其进行匹配判断和重用,以当前工况为输入,对案例求解,得到设定值输出,实现浮选槽液位预设定。(2)针对实际浮选生产过程中精／尾矿品位难以在线测量,无法为液位在线优化设定提供必要的指标数据信息,提出利用可直接反映浮选生产状态的多种泡沫图像特征,输入改进型LS-SVM预测模型,得到精／尾矿品位预测值,克服传统LS-SVM模型预测误差较大,鲁棒性和泛化能力差等问题,提高了实时精矿品位及尾矿品位的在线预测精度。(3)针对影响浮选生产过程正常运行的干扰因素较多,而且给矿也会发生波动,导致预设定的液位值不满足实时工况要求,使即精／尾矿品位不在目标范围内。提出了采用基于BP神经网络的自学习模糊推理补偿模型对浮选液位预设定值的智能补偿的方法。该方法推理效率高且具备自学习能力,实现了浮选槽液位的预设定补偿。(4)结合某铝土矿浮选实际生产过程,利用本文提出的方法开发了基于泡沫图像多特征的粗选槽液位优化设定系统。实际生产运行效果验证了本文方法的有效性与可行性。图39幅,表7个,参考文献