基于泡沫图像特征的铝土矿粗选矿浆浓度预测模型

摘要

铝土矿浮选是“选矿-拜耳法”氧化铝生产工艺中的一个重要工序。粗选矿浆浓度是衡量浮选性能的重要指标之一。浓度过高，矿浆充气度降低，精矿品位不高;过低时，矿浆流量随之增大，浮选时间缩短，回收率低。选矿厂主要采用离线化验来监测矿浆浓度，其滞后性难以使其稳定在工艺要求范围内，不能指导生产。泡沫图像特征是矿浆浓度值的重要指示器，为此，研究基于泡沫图像特征的铝土矿粗选矿浆浓度预测具有重要的理论意义和实际应用价值。
　　论文介绍了铝土矿浮选原理及拜耳选矿法工艺流程，讨论了粗选矿浆浓度对整个浮选的过程变量和经济指标的影响，定性分析了表征矿浆浓度的泡沫图像特征。通过泡沫图像获取系统结构获取到泡沫图像特征，并进行异常点去除和小波去噪等预处理。针对如何选取关键泡沫图像特征作为预测模型的输入问题，以矿浆浓度为决策变量，以图像特征作为属性集建立决策表。从信息论的角度分析矿浆浓度决策表，提出用改进信息熵对泡沫图像特征进行约简，选取关键泡沫图像特征。为避免离散过程中的信息损失影响分析结果，采用连续的矿浆浓度决策表分析验证，定义属性广义重要度，用连续粗糙集理论的特征选取方法验证了关键特征选取的正确性，最终得到关键的泡沫图像特征为RGB颜色分量、泡沫大小、泡沫速度和泡沫稳定度，将其作为浓度预测模型的输入。利用样条变换实现拟线性化，提出基于样条变换的偏最小二乘(PLSS)回归建模方法，建立基于泡沫图像特征的矿浆浓度PLSS预测模型。详细阐述增强回归方法，首先初始化指定泡沫图像特征训练集样本分布，通过调用弱回归器PLSS进行建模得到一个子模型，根据拟合误差更新训练集分布，并再次对修改后的训练集进行建模获得新的子模型，如此循环，最后由多个子模型采用投票加权方式构造出最终预测模型，提高预测精度。利用工业现场数据实验，建立泡沫图像特征与粗选矿浆浓度之间的Boosting-PLSS关系模型，结果表明模型满足工业应用中的精度和稳定性要求，实现粗选矿浆浓度的在线检测。

目录

声明

摘要

1 绪论

1．1 课题背景及意义

1．2 浮选过程矿浆浓度检测现状

1．3 过程预测建模方法的研究现状

1．3．1 机理建模方法

1．3．2 数据驱动建模方法

1．3．3 混合建模方法

1．4 基于泡沫图像特征的工艺指标预测的研究现状

1．5 研究内容与结构安排

2 铝土矿浮选工艺分析

2．1 铝土矿浮选工艺简介

2．1．1 浮选原理

2．1．2 选矿拜耳法工艺流程

2．1．3 铝土矿浮选工艺

2．2 矿浆浓度对浮选的影响

2．2．1 矿浆浓度的定义

2．2．2 矿浆浓度对浮选的影响

2．3 表征矿浆浓度的泡沫图像特征

2．4 本章小结

3 关键泡沫图像特征选取方法

3．1 图像数据的获取及预处理

3．1．1 图像数据的获取

3．1．2 样本数据预处理

3．2 基于改进信息熵的特征选取方法

3．2．1 基本概念及定义

3．2．2 基于改进信息熵约简算法的泡沫图像特征选取

3．3 基于连续实数粗糙集理论的特征选取方法

3．3．1 基本概念及连续实数粗糙集模型

3．3．2 基于连续实数粗糙集的泡沫图像特征选取

3．4 本章小结

4 基于Boosting-PLSS的矿浆浓度预测模型

4．1 基于样条变换的偏最小二乘法

4．1．1 样条变换

4．1．2 偏最小二乘回归

4．1．3 PLSS回归模型及仿真分析

4．2 Boosting方法

4．2．1 PAC学习模型

4．2．2 AdaBoost．R算法分析

4．3 Boosting-PLSS预测模型

4．3．1 建模思路及步骤

4．3．2 基于分布的PLSS方法

4．4 工业数据仿真分析

4．5 本章小结

5 结论与展望

5．1 结论

5．2 展望

参考文献

攻读学位期间主要的研究成果

致谢