基于多目标学习的泡沫浮选过程工况识别
2022-08-01赵佳铭周晓君高媛刘天宇阳春华
中南大学学报(自然科学版) 2022年6期
关键词:特征
赵佳铭,周晓君,高媛,刘天宇,阳春华
(中南大学自动化学院,湖南长沙,410083)
矿产资源是国家战略安全资源的重要组成部分,其中有色金属资源尤为重要。我国有色金属资源虽然种类丰富但品位较低,我国经济的快速发展正面临着有色金属紧缺的挑战。合理的选矿过程是避免有色金属资源浪费、提升矿物资源回收率的保证。我国90%以上的有色金属选矿采用泡沫浮选的方法。对于泡沫浮选生产过程,当给矿性质、工艺参数等因素改变时,工况易受影响并产生波动,若不能及时有效地进行处理,则浮选过程工况会出现异常,最终导致矿物资源回收率降低。传统工业一直以来依靠工人肉眼观察泡沫来监控浮选生产状况,这种方式劳动强度大且缺乏客观标准,因此,如何准确、快速地判断异常工况、预测矿物品位已经成为浮选生产过程中至关重要的问题。在泡沫浮选领域,国内外学者目前主要针对工业摄像机拍摄的泡沫层图像进行分析处理,旨在利用传统机器学习的方法替代人工观泡来识别当前的工况[1-3]。MOOLMAN 等[4]最先利用图像处理算法提取泡沫图像的能谱、颜色特征,预测粗选槽泡沫中铜的含量。BONIFAZI等[5]利用图像的颜色特征与泡沫的形态特征来辨识矿物泡沫品位。BARTOLACCI 等[6]结合多元图像分析方法与偏最小二乘回归法建立了矿物品位的预测模型。ALDRICH 等[7]实现了基于机器学习的在线泡沫浮选监控系统在工业上的实际应用。ZHAO等[8]通过多尺度纹理特征和先验知识对锑浮选过程中的异常工况进行了分类识别。……
登录APP查看全文