基于多槽机器视觉的铝土矿浮选精矿品位预测方法研究

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。

目录

声明

摘要

1 绪论

1．1 论文研究背景及意义

1．2 浮选过程矿物品位检测现状

1．3 浮选过程建模方法的研究现状

1．3．1 基于机理的建模方法

1．3．2 基于数据的建模方法

1．3．3 集成建模方法

1．4 基于泡沫图像特征的浮选精矿品位预测研究现状

1．5 论文的主要研究内容及结构安排

2 铝土矿浮选工艺及其图像特征分析

2．1 铝土矿浮选工艺

2．1．1 泡沫浮选原理

2．1．2 选矿-拜耳法的工艺流程

2．1．3 铝土矿浮选的工艺流程

2．2 表征精矿品位的泡沫图像特征分析

2．3 精矿品位预测建模思路

2．4 本章小结

3 多槽泡沫图像的关键特征选取及关联性分析

3．1 多槽泡沫图像特征的获取及预处理

3．1．1 多槽泡沫图像特征获取

3．1．2 泡沫图像特征预处理

3．2 基于粗糙集属性约简的多槽泡沫图像关键特征选取

3．2．1 基于广义重要度的实数粗糙集属性约简

3．2．2 基于粗糙集属性约简的关键特征选取

3．3 关键特征的关联性分析

3．3．1 单槽的泡沫图像关键特征与矿物品位的关系

3．3．2 多槽泡沫图像关键特征的变化关系分析

3．4 本章小结

4 基于多槽机器视觉的铝土矿浮选精矿品位预测

4．1 基于改进粒子群优化的多核LS-SVM粗选槽精矿品位预测

4．1．1 多核LS-SVM模型

4．1．2 基于改进粒子群的模型参数优化

4．1．3 基于改进粒子群优化的多核LS-SVM建模

4．1．4 模型仿真及对比分析

4．2 基于关联向量机的精矿品位误差补偿模型

4．2．1 基于单一浮选槽泡沫图像特征建模存在的问题

4．2．2 基于关联向量机的精矿品位补偿模型

4．2．3 补偿模型仿真及分析

4．3 基于多槽泡沫图像特征的精矿品位集成预测

4．4 集成预测模型仿真及分析

4．5 本章小结

5 铝土矿浮选精矿品位预测系统

5．1 系统的总体构架

5．1．1 系统硬件结构

5．1．2 系统软件设计

5．2 系统的功能设计

5．3 精矿品位预测系统验证结果分析

5．4 本章小结

6 结论与展望

6．1 结论

6．2 展望

参考文献

攻读硕士学位期间主要的研究成果

致谢