基于多源数据的矿物浮选过程预测模型的研究

摘要

目前，随着矿产资源的不断开采，矿产资源品位逐步降低。在未来，合理使用较低品位的矿产资源将变得更加重要。因此，我国许多有色金属冶炼工厂在一定工作前提下向矿浆中添加了浮选剂，并通过附着有矿物的矿化泡沫增加矿物品位。最后，建立了浮选生产线以满足冶炼矿物品位要求。 泡沫浮选是一种基于矿石表面物理化学性质差异的矿质分离选矿方式，通过不同矿物的物理化学性质不同产生的矿物可浮性不同这种性质将不同矿物分离，泡沫浮选广泛用于选矿行业。评价浮选生产情况的指标有很多，其中最重要质量指标为精矿品位，在工业现场，通常根据当前的精矿品位调整工艺参数，例如给料量和通风量，以便及时知道当前的精矿品位实现最佳控制。精矿品位的测定的测定在大多数浮选设备中采用离线测试来获得当前的精矿品位。 浮选过程是一个复杂的多相、多态、多输入输出、耦合关联的系统。影响最终产品质量各个参数的因素很多，包括：原矿品位、磨矿方法、磨矿细度、矿浆浓度、矿浆粒度、给矿速率、浮选液位、温度、PH值、药剂类型、药剂量、反应时间、风量、风压等。矿物浮选由多个工序组成，一般分别为粗选、扫选、精选等，有的浮选厂会在这几道工序后添加浮选机以提高精矿品位。 传统浮选作业中，现场人员根据浮选泡沫的形态、颜色、动态特征依靠经验判断浮选生产状况，并根据经验进行适当的调整。这种操作方式对现场人员经验依赖性比较大，易产生较大的产品质量波动，且由于系统本身的长时滞性，当发生质量问题时调整系统需通过相当长时间才能调整正常。 目前采用人工判断调整方式的根本原因是对浮选过程认识不够。由于系统本身的复杂性，目前还无法对浮选过程进行有效的建模，精确控制也就无从谈起。近年来人们逐渐倾向于采用人工智能的方式模拟现场人员的判断和操作，通过数据积累后利用专家系统对判断进行优化，这是一个目前比较有效的处理方式。 本研究项目涉及选矿学，应用数学，计算机科学等交叉研究内容。本项目将从浮选过程中工艺流程和各特征参数的关系分析入手，深入研究各特征参数与输出品位之间的关系，并对其进行基于数据的集成建模，因此，项目研究的特色和创新点体现在以下方面： 1、针对以往基于数据建模只局限于泡沫图像特征，本项目将通过现场工况与泡沫图像特征相结合的形式，依次对工业现场生产数据和泡沫图像特征数据建模，提高预测模型的精度以及准确性。 2、针对浮选长流程带来的模型误差，建立的预测模型很难精确说明长流程的浮选过程，因此对预测模型进行优化分析，通过主成分分析算法与聚类分析算法实现模型精度提高。 3、建立基于SQLServer与Matlab的预测模型软件系统，采用SQLServer存储数据并与Matlab图形交互界面通过ODBC进行数据交互，完成数据的分析与预测，并输出预测结果。

目录

声明

第一章 绪 论

1.1 研究工作的背景与意义

1.2 过程预测建模方法

1.2.1 基于机理的建模方法

1.2.2 基于数据的建模方法

1.2.3 集成建模方法

1.3 基于数据的矿物品位预测研究现状

1.4 本论文的结构安排

第二章 镍矿浮选工艺过程以及参数分析

2.1.1镍矿浮选的基本原理

2.1.2 浮选的工艺流程

2.2 镍矿浮选的参数分析

2.2.1 镍矿浮选过程工况参数以及有效范围

2.2.2 镍矿浮选泡沫图像特征参数

2.3 本章小结

第三章 镍矿浮选品位预测建模系统架构设计

3.1 镍矿浮选品位预测系统组成

3.2 镍矿浮选品位预测系统流程图

3.3.镍矿浮选品位预测系统数据采集与数据预处理

3.3.1 镍矿浮选品位预测系统的数据采集

3.3.2镍矿浮选品位预测系统的数据预处理

3.4 本章小结

第四章 基于多源数据镍矿浮选品位预测模型

4.1 建模拟解决的问题

4.2 最小二乘支持向量机LS-SVM的基本原理

4.3 数据标准化/归一化

4.4 基于粒子群算法的预测模型优化

4.5基于粒子群算法的最小二乘支持向量机的建模

4.5.1基于粒子群算法的最小二乘向量机建模的基本流程

4.5.2 基于粒子群算法的最小二乘向量机预测模型评价标准

4.5.3 预测模型结果分析

4.6本章小结

第五章 镍矿浮选品位预测建模优化设计

5.1数据插值理论

5.2主成分分析PCA算法

5.2.1 主成分分析算法的求解与性质

5.3工况识别——聚类分析算法

5.3.1聚类分析算法思想

5.3.2 K均值聚类算法(K-Means聚类算法)

5.3.3 K均值聚类算法结果分析

5.4本章小结

第六章 镍矿浮选品位预测建模系统设计

6.1系统的整体架构

6.2系统硬件的设计

6.3系统软件的设计与应用

6.3.1 开发环境与技术

6.3.2 数据库设计

6.3.3 预测建模系统功能设计

6.4本章小结

第七章 结论与展望

7.1结论

7.2展望

致谢

参考文献