论文题目：镍矿浮选控制策略研究
摘要：随着矿物资源大量开采,高品位矿物资源日趋枯竭,有用矿物在矿石中分布越来越细和越来越杂,加之材料和化工行业对细粒、超细物料的分选的要求和精度越来越高[1-4],为充分利用这部分低品位矿产资源,泡沫浮选工艺越来越显示出优于其它选矿方法的优势,成为目前应用最广,效果最好的选矿方法[5]。异于传统重力选矿方式,泡沫浮选工艺是是利用矿物颗粒表面物理化学性质不同导致的可浮性差异来进行物料分选的一种选矿方式。其中涉及到多个工艺流程,传统浮选作业中,现场工艺人员根据浮选泡沫的形态、颜色、动态特征依据生产经验判断泡沫浮选生产状况,并根据生产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,当发生产品质量问题时需通过相当长时间调整才能保证产品质量稳定。因此亟待引入自动化控制技术来解决这些问题。泡沫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。影响最终产品质量的参数众多,其中包括:原料品位、磨矿方法、磨矿细度、矿浆浓度、矿浆粒度、给矿速度、浮选液位、矿浆温度、矿浆PH值、浮选药剂类型、浮选药剂量、浮选时间、进气量、进气压力等。因此传统的基于机理建模的方法无法有效的拟合出浮选过程模型,近年大多数专家学者倾向于采用机器学习的方式来拟合这种复杂系统,同时也取得了相对满意的效果。本项目基于泡沫浮选工艺流程控制参数、过程参数与图像特征之间的关系进行分析,并分别建立过程参数与加药量关系模型、图像特征与加药量关系模型。本论文面向工业应用,针对工艺现场工自动控制系统预测能力差、泛化能力不佳等技术难点,提出一种基于多源数据信息熵的补偿控制策略模型,主要工作如下:（1）针对机器学习模型预测能力差、泛化能力不佳问题。通过近两年的现场数据实时采集。机器学习样本涵盖了生产过程的大部分工况,从而提高模型的泛化能力。通过对采集到的数据样本进行数据清洗、降维,在不牺牲模型精度的前提下提高模型计算速度。（2）针对单一模型适应性差、精度低的问题。分析影响生产指标的多源数据（过程数据和泡沫特征）,然后依次建立预测子模型和误差补偿模型,最后通过信息熵集成构建加药量预测模型。（3）在金川集团镍矿浮选生产线搭建了浮选数据采集系统、生产指导系统。根据现场工况开发了专用的泡沫图像分析仪,并根据功能需求开发了数据采集、数据分析、数据清洗、数据库存储、生产指导等功能。
关键词：机器学习;泡沫浮选;BP神经网络;信息熵
学科专业：机械工程
摘要
abstract
第一章 绪论
1.1 课题来源及背景
1.1.1 课题来源
1.1.2 研究背景和意义
1.2 国内外研究现状
1.3 主要研究内容和论文结构
第二章 浮选机理研究
2.1 浮选基本理论概述
2.1.1 浮选工艺流程
2.1.2 浮选基本原理
2.2 参数分析
2.2.1 过程参数
2.2.2 泡沫特征
2.3 本章小结
第三章 系统分析
3.1 系统结构
3.2 系统实现
3.2.1 检测系统
3.2.2 控制系统
3.2.3 执行机构
3.3 泡沫分析仪设计
3.3.1 机械、电气技术指标
3.3.2 结构设计
3.3.3 电气设计
3.3.4 工程应用
3.4 本章小结
第四章 浮选加药预测建模
4.1 数据预处理
4.2 输入数据集PCA分析
4.2.1 PCA原理概述
4.2.2 PCA实现过程
4.2.3 过程数据集降维
4.2.4 图像数据集降维
4.3 BP神经网络建模
4.3.1 BP神经网络原理
4.3.2 BP神经网络建模流程
4.3.3 基于BP神经网络的加药模型结果分析
4.4 模型测试
4.5 本章小结
第五章 基于多源数据补偿预测系统
5.1 引言
5.2 信息熵集成模型
5.3 误差补偿模型
5.4 系统测试
5.5 本章小结
第六章 工业应用
6.1 软件开发环境
6.1.1 上位机组态软件
6.1.2 下位机编程软件
6.1.3 数据处理预测软件
6.2 软件数据传输
6.2.1 检测机构与组态王交互
6.2.2 组态王与数据库交互
6.2.3 组态王与Matlab交互
6.3 数据库设计
6.4 组态界面设计
6.5 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