CN108469797A - 一种基于神经网络和进化计算的磨矿过程建模方法 - Google Patents
一种基于神经网络和进化计算的磨矿过程建模方法 Download PDFInfo
- Publication number
- CN108469797A CN108469797A CN201810399311.8A CN201810399311A CN108469797A CN 108469797 A CN108469797 A CN 108469797A CN 201810399311 A CN201810399311 A CN 201810399311A CN 108469797 A CN108469797 A CN 108469797A
- Authority
- CN
- China
- Prior art keywords
- ore
- case
- grinding
- confluent
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000227 grinding Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008569 process Effects 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 229910052742 iron Inorganic materials 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 28
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 claims description 16
- 238000000498 ball milling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000003801 milling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Crushing And Grinding (AREA)
Abstract
本发明提供一种基于神经网络和进化计算的磨矿过程建模方法,涉及铁矿磨矿技术领域。该方法首先建立案例库,并采用案例检索的方法从案例库中检索出合理的球磨机给矿量;再通过神经网络的方法,建立球磨机磨矿过程的数学模型,建立球磨机给矿量、给水量与磨矿效果之间的关系;以球磨机比生产率最大和磨出矿石粒度分布最优为优化目标,结合实际工况确定约束条件,通过带精英策略的非劣排序遗传算法得到一组非劣解集,采用TOPSIS算法决策出最优解。本发明提供的基于神经网络和进化计算的磨矿过程建模方法,计算出合理的给矿量、给水量,在保证矿石粒度的基础上,增大球磨机处理效率,提高磨矿生产过程的稳定性、可靠性和经济性。
Description
技术领域
本发明涉及铁矿磨矿技术领域,尤其涉及一种基于神经网络和进化计算的磨矿过程建模方法。
背景技术
磨矿作业是金属选矿工艺流程中的关键环节,磨矿效果的好坏直接影响到选矿的效果,同时磨矿作业也是选矿工艺流程中的主要能耗、物耗单元,如何控制该过程的优化运行是整个选矿过程的关键之一。影响磨矿过程的因素较多,各因素影响过程复杂,难以确定入磨矿石与磨出矿石之间的映射关系。且磨矿作业存在一定的滞后性,各参数之间存在耦合关系,目前,磨矿作业大多依靠人工经验进行试探性调节,这很难根据不同的矿石性质,对球磨机各参数给出及时准确的调节,进而使磨出矿石粒度变化波动增大,提高后续选矿过程难度,影响选矿结果。
发明内容
针对现有技术的缺陷,本发明提供一种基于神经网络和进化计算的磨矿过程建模方法,实现对磨矿过程进行建模,进而得到磨矿过程的操作指导。
一种基于神经网络和进化计算的磨矿过程建模方法,包括以下步骤:
步骤1:收集磨矿生产过程中历史生产数据,包括球磨机台时、球磨机的给水量及溢流粒度;
步骤2:收集反应矿石性质的历史数据及最优选矿粒度;所述反应矿石性质的历史数据包括矿石品位、给料粒度、管精铁含量、氧化铁含量和磁性铁含量;
步骤3:采用案例检索的方法,根据矿石性质及最优矿石粒度决策出球磨机的给矿量,具体方法为:
步骤3.1根据步骤2收集的反应矿石性质的历史数据及最优选矿粒度、球磨机台时的历史数据构建案例库;其中,矿石品位、给料粒度、管精铁含量、氧化铁含量和磁性铁含量及最优选矿粒度为案例描述,球磨机给矿量为案例解;
步骤3.2:获得矿石性质的实时数据做为新的案例,将新的案例描述与案例库中记载的历史案例进行案例检索,得到一组相似度值;
步骤3.3:将得到的相似度值从大到小排列,采用交叉验证方法选取前n个相似度对应的案例库中的案例作为当前工况的参考案例;
步骤3.4:根据从案例库中检索出来的参考案例,进行案例重用,获得新的案例解,做为当前工况的给矿量;
步骤4:根据收集到的磨矿生产过程历史数据,通过神经网络算法拟合出球磨机给矿量、给水量与溢流粒度、磨矿粒度分布之间的关系,具体方法为:
步骤4.1:采用z-score法对球磨机给矿量、给水量、溢流粒度及磨矿粒度进行标准化处理;
步骤4.2:对标准化处理后的球磨机给矿量、给水量、溢流粒度及磨矿粒度数据进行随机排序,取数据的前百分之七十五组作为训练数据,后百分之二十五组作为测试数据;
步骤4.3:采用神经网络算法对溢流粒度、磨矿粒度与给矿量、给水量之间的关系进行拟合,并对拟合结果进行测试,若拟合误差小于2%且测试误差小于4%,则保存拟合出的关系,否则重新对溢流粒度、磨矿粒度与给矿量、给水量之间的关系进行拟合;
步骤5:根据磨矿生产过程需要,将球磨机比生产率最大设为第一优化目标,将球磨机磨出矿石粒度分布最优设为第二优化目标,并结合实际生产流程,将球磨机饱和程度、球磨机磨矿浓度、给矿量及给水量设为约束条件;
步骤6:通过带精英策略的非劣排序遗传算法(即NSGA-II)计算出给水量的非劣解集,采用TOPSIS决策法,根据矿石性质决策出球磨机给水量的最优解,做为磨矿生产过程的操作指导。
由上述技术方案可知,本发明的有益效果在于:本发明提供的一种基于神经网络和进化计算的磨矿过程建模方法,根据磨矿石性质,通过优化计算,给出磨矿过程各操作参数的操作指导,可以提高磨矿生产过程的实时性、可靠性和经济性,降低了调节时间,稳定磨出矿石粒度,同时在专家不在场时也可指导操作,提高了磨矿生产效率。
附图说明
图1为本发明实施例提供的一种基于神经网络和进化计算的磨矿过程建模方法的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
一种基于神经网络和进化计算的磨矿过程建模方法,如图1所示,包括如下步骤:
步骤1:收集磨矿生产过程中历史生产数据,包括球磨机台时,球磨机给水量及溢流粒度;
本实施例中,球磨机台时、球磨机给水量及溢流粒度的部分历史数据如表1所示:
表1磨矿过程的部分历史生产数据表
步骤2:收集反应矿石性质的历史数据及最优选矿粒度;所述反应矿石性质的历史数据包括矿石品位、给料粒度、管精铁含量、氧化铁含量和磁性铁含量;
本实施例中,矿石品位,给料粒度-12mm含量,管精铁含量,氧化亚铁,磁性铁含量及最优选矿粒度所对应的-200目含量如表2所示:
表2矿石性质历史数据表
步骤3:采用案例检索的方法,根据矿石性质及最优矿石粒度决策出球磨机的给矿量,具体方法为:
步骤3.1根据步骤2收集的反应矿石性质的历史数据及最优选矿粒度、球磨机台时的历史数据构建案例库;其中,矿石品位、给料粒度、管精铁含量、氧化铁含量和磁性铁含量及最优选矿粒度做为案例描述,球磨机给矿量做为案例解;
结合历史数据、生产现场调研及磨矿过程的理论分析,针对磨矿石种类波动的工况,矿石性质数据可直接反应矿石的可磨度,对球磨机给矿量有着直接的影响,并且所占比重很大。
案例库中案例的结构由案例描述和案例解两部分组成,案例的描述是由矿石全铁品位f1、给料粒度f2、管精铁含量f3、磁性铁含量f4、氧化亚铁含量f5、最优选矿粒度f6组成;案例解为浮球磨机给矿量j1。因此,基于案例推理技术的案例如下公式所示:
Ck={Fk,JK}
其中,Ck为案例库中的第k条案例,k=1、2、…、m,m为案例库中案例数量;Fk={fk,1,fk,2,fk,3,fk,4,fk,5,fk,6}为第k个案例的特征描述;JK={jk,1}为第k个案例的案例解。
步骤3.2:根据获得的实时矿石性质数据,将新的案例描述与案例库中记载的历史案例进行案例检索,得到一组相似度值,如下公式所示:
其中,ωi为案例特征属性权值,SIM(fi,fk.i)为当前工况的案例描述fi与案例库中第k条案例对应的案例描述fk.i的相似度,定义如下公式所示:
本实施例中的获得的矿石性质的实时数据如表3所示:
表3矿石性质的实时数据
步骤3.3:将得到的相似度值从大到小排列,采用交叉验证方法选取前n个相似度对应的案例库中的案例作为当前工况的参考案例;
n值的选择会对算法的结果产生重大影响;n值较小意味着只有与新案例较近的历史案例才会对新的案例解起作用,但容易发生过拟合;如果n值较大,优点是可以减少学习的估计误差,但缺点是学习的近似误差增大,这时与新案例较远的历史案例也会对预测起作用,使预测发生错误。在实际应用中,n值一般选择一个较小的数值,通常采用交叉验证的方法来选择最优的n值。本实施例中,n取值为3。
步骤3.4:根据从案例库中检索出来的参考案例,进行案例重用,获得新的案例解,做为当前工况的球磨机给矿量。
根据从案例库中检索出来的参考案例,求取n个参考案例的每种案例解的加权平均值,其中加权系数为每个参考案例与新案例的相似度,由此完成案例重用,获得新的案例解做为当前工况的球磨机给矿量计算结果,其中,J为新的案例解,Jk为参考案例的案例解。
步骤4:根根据收集到的磨矿生产过程历史数据,通过BP神经网络算法,拟合出球磨机给矿量、给水量与溢流粒度、磨矿粒度分布之间的关系,具体方法为:
步骤4.1:采用z-score法对球磨机给矿量、给水量、溢流粒度及磨矿粒度进行标准化处理。
步骤4.2:对标准化处理后的球磨机给矿量、给水量、溢流粒度及磨矿粒度数据进行随机排序,取数据的前百分之七十五组作为训练数据,后百分之二十五组作为测试数据;
步骤4.3:采用BP神经网络算法对溢流粒度、磨矿粒度与给矿量、给水量之间的关系进行拟合,并对拟合结果进行测试,若拟合误差小于2%且测试误差小于4%,则保存拟合出的关系,否则重新对溢流粒度、磨矿粒度与给矿量、给水量之间的关系进行拟合;
将球磨机给矿量Fm和球磨机给水量Ms做为神经网络模型的输入数据,将溢流粒度R和磨矿粒度分布系数m′做为神经网络模型的输出数据,则通过神经网络模型模型的拟合,得到溢流粒度、磨矿粒度与给矿量、给水量之间的拟合结果如下公式所示:
(R,m)=f(Fm,Ms)
由RR(Rosin Rammler)分布公式:
其中:R为大于粒径d的颗粒百分比,dp为特征粒径,本实施例中,d=0.074mm,即R为-200目含量,dp=0.054mm。
进一步得到粒度分布系数,如下公式所示:
步骤5:根据磨矿生产过程需要,将球磨机比生产率最大设为第一优化目标,将球磨机磨出矿石粒度分布最优设为第二优化目标,并结合实际生产流程,将球磨机饱和程度、球磨机磨矿浓度、给矿量及给水量设为约束条件;
本实施例中,结合现场情况对应的工况,给出的约束条件如表4所示:
表4现场情况对应的约束条件表
步骤6:通过带精英策略的非劣排序遗传算法(即NSGA-II)计算出给水量的非劣解集,采用TOPSIS决策法,根据矿石性质决策出球磨机给水量的最优解,做为磨矿生产过程的操作指导。
本实施例中,得到的给水量的非劣解集如表5所示:
表5优化非劣解集表
本实施例中,最终得到的操作指导为:球磨机的给料量为301.24t/h,给水量为30.86t/h。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (3)
1.一种基于神经网络和进化计算的磨矿过程建模方法,其特征在于:包括以下步骤:
步骤1:收集磨矿生产过程中历史生产数据,包括球磨机台时、球磨机的给水量及溢流粒度;
步骤2:收集反应矿石性质的历史数据及最优选矿粒度;所述反应矿石性质的历史数据包括矿石品位、给料粒度、管精铁含量、氧化铁含量和磁性铁含量;
步骤3:采用案例检索的方法,根据矿石性质及最优矿石粒度决策出球磨机的给矿量;
步骤4:根据收集到的磨矿生产过程历史数据,通过神经网络算法,拟合出球磨机给矿量、给水量与溢流粒度、磨矿粒度分布之间的关系;
步骤5:根据磨矿生产过程需要,将球磨机比生产率最大设为第一优化目标,将球磨机磨出矿石粒度分布最优设为第二优化目标,并结合实际生产流程,将球磨机饱和程度、球磨机磨矿浓度、给矿量及给水量设为约束条件;
步骤6:通过带精英策略的非劣排序遗传算法计算出给水量的非劣解集,采用TOPSIS决策法,根据矿石性质决策出球磨机给水量的最优解,做为磨矿生产过程的操作指导。
2.根据权利要求1所述的一种基于神经网络和进化计算的磨矿过程建模方法,其特征在于:所述步骤3的具体方法为:
步骤3.1根据步骤2收集的反应矿石性质的历史数据及最优选矿粒度、球磨机台时的历史数据构建案例库;其中,矿石品位、给料粒度、管精铁含量、氧化铁含量和磁性铁含量及最优选矿粒度为案例描述,球磨机给矿量为案例解;
步骤3.2:获得矿石性质的实时数据做为新的案例,将新的案例描述与案例库中记载的历史案例进行案例检索,得到一组相似度值;
步骤3.3:将得到的相似度值从大到小排列,采用交叉验证方法选取前n个相似度对应的案例库中的案例作为当前工况的参考案例;
步骤3.4:根据从案例库中检索出来的参考案例,进行案例重用,获得新的案例解,做为当前工况的给矿量。
3.根据权利要求1所述的一种基于神经网络和进化计算的磨矿过程建模方法,其特征在于:所述步骤4的具体方法为:
步骤4.1:采用z-score法对球磨机给矿量、给水量、溢流粒度及磨矿粒度进行标准化处理;
步骤4.2:对标准化处理后的球磨机给矿量、给水量、溢流粒度及磨矿粒度数据进行随机排序,取数据的前百分之七十五组作为训练数据,后百分之二十五组作为测试数据;
步骤4.3:采用神经网络算法对溢流粒度、磨矿粒度与给矿量、给水量之间的关系进行拟合,并对拟合结果进行测试,若拟合误差小于2%且测试误差小于4%,则保存拟合出的关系,否则重新对溢流粒度、磨矿粒度与给矿量、给水量之间的关系进行拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810399311.8A CN108469797B (zh) | 2018-04-28 | 2018-04-28 | 一种基于神经网络和进化计算的磨矿过程建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810399311.8A CN108469797B (zh) | 2018-04-28 | 2018-04-28 | 一种基于神经网络和进化计算的磨矿过程建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108469797A true CN108469797A (zh) | 2018-08-31 |
CN108469797B CN108469797B (zh) | 2020-09-29 |
Family
ID=63263867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810399311.8A Active CN108469797B (zh) | 2018-04-28 | 2018-04-28 | 一种基于神经网络和进化计算的磨矿过程建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108469797B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109569887A (zh) * | 2018-11-23 | 2019-04-05 | 鞍钢集团矿业有限公司 | 一种基于尾矿品位的铁矿浮选药剂用量自动控制方法 |
CN110270414A (zh) * | 2019-05-30 | 2019-09-24 | 宜春钽铌矿有限公司 | 一种磨矿过程中矿石性质在线实时检测的方法 |
CN110378799A (zh) * | 2019-07-16 | 2019-10-25 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
CN112598618A (zh) * | 2020-11-16 | 2021-04-02 | 鞍钢集团矿业有限公司 | 一种基于图像识别技术的磨机给矿量预测方法 |
CN114912362A (zh) * | 2022-05-31 | 2022-08-16 | 东北大学 | 金矿给矿过程的建模方法及装置、存储介质、计算机设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008040682A (ja) * | 2006-08-03 | 2008-02-21 | Matsushita Electric Works Ltd | 異常監視装置 |
US20120016827A1 (en) * | 2010-07-19 | 2012-01-19 | Lockheed Martin Corporation | Biometrics with mental/ physical state determination methods and systems |
CN104134120A (zh) * | 2014-07-30 | 2014-11-05 | 东北大学 | 一种选矿生产指标监控***及方法 |
CN106292292A (zh) * | 2016-10-17 | 2017-01-04 | 鞍钢集团矿业有限公司 | 基于案例推理的铁矿浮选药剂用量优化设定方法及*** |
CN106406257A (zh) * | 2016-10-17 | 2017-02-15 | 鞍钢集团矿业有限公司 | 一种基于案例推理的铁矿浮选精矿品位软测量方法及*** |
CN107133723A (zh) * | 2017-04-18 | 2017-09-05 | 东北大学 | 一种基于配矿产品性质的选矿综合指标预测方法 |
CN107145970A (zh) * | 2017-04-18 | 2017-09-08 | 东北大学 | 一种基于矿产资源利用率最大化的入选矿石优化配矿方法 |
CN107330451A (zh) * | 2017-06-16 | 2017-11-07 | 西交利物浦大学 | 基于深度卷积神经网络的服装属性检索方法 |
-
2018
- 2018-04-28 CN CN201810399311.8A patent/CN108469797B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008040682A (ja) * | 2006-08-03 | 2008-02-21 | Matsushita Electric Works Ltd | 異常監視装置 |
US20120016827A1 (en) * | 2010-07-19 | 2012-01-19 | Lockheed Martin Corporation | Biometrics with mental/ physical state determination methods and systems |
CN104134120A (zh) * | 2014-07-30 | 2014-11-05 | 东北大学 | 一种选矿生产指标监控***及方法 |
CN106292292A (zh) * | 2016-10-17 | 2017-01-04 | 鞍钢集团矿业有限公司 | 基于案例推理的铁矿浮选药剂用量优化设定方法及*** |
CN106406257A (zh) * | 2016-10-17 | 2017-02-15 | 鞍钢集团矿业有限公司 | 一种基于案例推理的铁矿浮选精矿品位软测量方法及*** |
CN107133723A (zh) * | 2017-04-18 | 2017-09-05 | 东北大学 | 一种基于配矿产品性质的选矿综合指标预测方法 |
CN107145970A (zh) * | 2017-04-18 | 2017-09-08 | 东北大学 | 一种基于矿产资源利用率最大化的入选矿石优化配矿方法 |
CN107330451A (zh) * | 2017-06-16 | 2017-11-07 | 西交利物浦大学 | 基于深度卷积神经网络的服装属性检索方法 |
Non-Patent Citations (1)
Title |
---|
陈宝宇: "《基于NSGA-Ⅱ算法的磨矿过程稳态优化》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109569887A (zh) * | 2018-11-23 | 2019-04-05 | 鞍钢集团矿业有限公司 | 一种基于尾矿品位的铁矿浮选药剂用量自动控制方法 |
CN110270414A (zh) * | 2019-05-30 | 2019-09-24 | 宜春钽铌矿有限公司 | 一种磨矿过程中矿石性质在线实时检测的方法 |
CN110270414B (zh) * | 2019-05-30 | 2021-02-09 | 宜春钽铌矿有限公司 | 一种磨矿过程中矿石性质在线实时检测的方法 |
CN110378799A (zh) * | 2019-07-16 | 2019-10-25 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
CN110378799B (zh) * | 2019-07-16 | 2022-07-12 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
CN112598618A (zh) * | 2020-11-16 | 2021-04-02 | 鞍钢集团矿业有限公司 | 一种基于图像识别技术的磨机给矿量预测方法 |
CN112598618B (zh) * | 2020-11-16 | 2023-11-17 | 鞍钢集团矿业有限公司 | 一种基于图像识别技术的磨机给矿量预测方法 |
CN114912362A (zh) * | 2022-05-31 | 2022-08-16 | 东北大学 | 金矿给矿过程的建模方法及装置、存储介质、计算机设备 |
CN114912362B (zh) * | 2022-05-31 | 2024-07-05 | 东北大学 | 金矿给矿过程的建模方法及装置、存储介质、计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108469797B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108469797A (zh) | 一种基于神经网络和进化计算的磨矿过程建模方法 | |
CN100401213C (zh) | 选矿过程综合生产指标智能优化控制方法 | |
CN110378799B (zh) | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 | |
CN101244403B (zh) | 一种磨矿分级过程优化控制方法 | |
CN104134120B (zh) | 一种选矿生产指标监控***及方法 | |
CN102778843B (zh) | 一种强磁选别过程运行控制方法 | |
CN102831269A (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN105631221B (zh) | 一种基于线性回归模型浮选回收率的预测方法 | |
CN103617456B (zh) | 一种选矿过程运行指标优化方法 | |
CN1285977C (zh) | 基于案例推理的磨矿***智能优化设定方法 | |
CN111639882B (zh) | 一种基于深度学习的用电风险的判定方法 | |
CN106814719A (zh) | 一种水泥联合半终粉磨优化控制***及方法 | |
CN108460213A (zh) | 基于多聚类原型的t-s模型对炉腹煤气量的预测方法及程序 | |
CN111443597B (zh) | 用于控制立磨矿粉粒度的装置及方法 | |
Bouchard et al. | Plant automation for energy-efficient mineral processing | |
CN100370453C (zh) | 稀土串级萃取分离组分含量软测量方法 | |
CN110502781A (zh) | 一种基于先验知识的铁合金生产配料优化方法 | |
CN114004530A (zh) | 基于排序支撑向量机的企业电力信用分建模方法及*** | |
CN111401607B (zh) | 一种露天矿多金属配矿的多目标优化方法 | |
CN111617876A (zh) | 一种磨煤机在线综合运行优化的方法 | |
CN109949101B (zh) | 一种基于大数据理念的卷烟材料成本分析方法 | |
EP1769292B1 (en) | Process-related systems and methods | |
CN104318313A (zh) | 基于案例推理的选矿全流程运行指标智能决策***及方法 | |
CN107145970A (zh) | 一种基于矿产资源利用率最大化的入选矿石优化配矿方法 | |
CN111444963A (zh) | 一种基于ssa-svr模型的高炉铁水硅含量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |