基于ISSA-HKLSSVM的浮选精矿品位预测方法

针对浮选过程变量滞后、耦合特征及建模样本数量少所导致精矿品位难以准确预测的问题,提出了一种基于改进麻雀搜索算法（Improved Sparrow Search Algorithm,ISSA）优化混核最小二乘支持向量机（Hybrid Kernel Least Squares Support Vector Machine,HKLSSVM）的浮选过程精矿品位预测方法.首先采集浮选现场载流X荧光品位分析仪数据作为建模变量并进行预处理,建立基于最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的预测模型,以此构建新型混合核函数,将输入空间映射至高维特征空间,再引入改进麻雀搜索算法对模型参数进行优化,提出基于ISSA-HKLSSVM方法实现精矿品位预测,最后开发基于LabVIEW的浮选精矿品位预测系统对本文提出方法实际验证.实验结果表明,本文提出方法对于浮选过程小样本建模具有良好拟合能力,相比现有方法提高了预测准确率,可实现精矿品位的准确在线预测,为浮选过程的智能调控提供实时可靠的精矿品位反馈信息.     

一种确定选矿指标的经济分析方法

采用一种经济优化分析方法,确定某赤铁矿的浮选精矿的最佳产率和品位,使其经济效益最大化.针对该赤铁矿,首先选用NaOH,淀粉,CaO,RA515作为反浮选药剂,并通过大量的浮选试验,确定各药剂的用量范围;然后通过正交试验建立了精矿品位、产率与各种浮选药剂用量之间的回归模型.根据精矿价格与品位的关系,建立优化模型,最终采用经济优化分析方法得出当浮选精矿品位和产率分别为61.95%和61.19%时,每百吨原矿收入达到6.9万元的最大值.实例验证了这种方法的简单和实用性.     

金矿浮选回收率预测模型

浮选回收率是金矿选矿过程重要的生产指标,目前主要是通过人工化验的方法检测获得,人工检测周期较长,造成金矿厂不能及时把握浮选工艺水平.在大量现场生产数据的基础上,分别采用多元线性回归和BP神经网络的方法,建立了金矿厂浮选回收率的预测模型.预测误差分析表明,BP神经网络预测模型能较好地预测金矿厂的浮选回收率,当预测相对误差在±3%范围内时,模型的预测精度达到91%,对于实际生产具有良好的参考作用.     

浮选过程混合智能优化设定控制方法

浮选过程关键工艺指标精矿品位和尾矿品位难于在线测量,且与控制回路输出之间的动态特性具有如下综合复杂性:强非线性、强耦合,难以用精确的数学模型描述,随生产边界条件而变化,因此采用传统的基于数学模型的优化控制方法难以保证品位指标在合格的范围内.通过将基于案例推理的预设定模型与基于RBF神经网络的软测量模型以及基于规则推理的前馈、反馈补偿模型相结合,实现了在工况发生变化时对磁铁矿浮选过程设定值的优化控制.该方法成功应用于某选矿厂浮选过程,应用效果表明了该方法的有效性.     

基于GA-BP神经网络的金精矿品位的预测

在对金矿生产过程进行大量实际调研工作的基础上,分别采用BP神经网络和遗传算法优化BP神经网络的方法,建立了金精矿品位的预测模型,以现场采集的978组数据作为样本,运用噪声平滑技术进行数据预处理,筛选了770组数据,运用其中的650组数据建模,并运用其余的120组数据对模型进行了验证.通过对两个模型的预测误差分析,得出用遗传算法优化的BP神经网络(GA-BP)预测精度更高,当预测相对误差在±2%范围内时,模型的预测精度达到97.5%.     

低品位难选钼中矿的选别试验

在研究福建省某钼矿厂难选低品位钼中矿性质基础之上,通过高效捕收剂、组合抑制剂的优化配伍,结合浮选与重选技术,实现了该钼矿物的高效综合利用,得出合理的浮选流程结构与药剂制度和最佳的重选工艺参数.浮选钼精矿产品品位为45.14%,回收率达到64.7%,钼浮选尾矿由重选可分别获得硫精矿和重选钼精矿,其中重选钼精矿产品品位为3.17%,回收率达到17.2%,整个流程中钼总回收率达到81.9%.     

浮选—氰化提金厂经济精矿品位的探讨

文章根据浮选精矿品位与回收率之关系及其对氰化过程的影响,提出了确定经济精矿品位的方法,并给出了近似计算经济精矿品位的公式。     

基于案例推理的浮选过程智能优化设定

针对在浮选过程中表征关键工艺指标的精矿品位和尾矿品位难以建立精确数学模型,而常规控制方法又难以进行有效控制的难题,将案例推理和常规控制相结合,提出了基于案例推理技术的浮选过程工艺指标优化设定方法.该方法从浮选过程积累的大量过程历史数据中获取过程知识,将典型生产工况总结成案例的形式来构造案例库,并对案例检索、案例重用、案例修正及存储进行了论述.由智能优化设定模型自动更新基础控制回路的设定值,避免了人工手动设定的主观性和随意性.该方法应用于某选矿厂浮选过程,取得了显著的应用效果,表明了该方法的有效性.     

中低品位胶磷矿柱式反浮选试验研究

通过对西南某中低品位胶磷矿矿石性质进行分析,提出利用高效的微细粒分选设备旋流-静态微泡浮选柱进行分选研究;利用现场生产用药剂,考察处理量、药剂制度、循环泵工作压力、充气量等因素对浮选指标的影响,并优化工艺和操作参数条件,在此基础上进行连选试验.研究结果表明:采用一粗一精单反浮选的工艺流程可以获得精矿P2O5品位为30.01％,精矿回收率89.10％.该技术的研究为我国中低品位胶磷矿的分选提供了新的途径.     

基于粗糙集-BP神经网络的浮选槽液位预测

针对反浮选过程中浮选槽液位指标难以建立精确的数学模型、常规检测方法不能有效控制问题,提出一种将粗糙集与BP神经网络理论相结合方法[1],建立反浮选液位软测量模型。从浮选过程积累的数据中获取过程知识,通过粗糙集属性约简对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数,从得到的优化设定自动更新浮选槽液位控制回路的设定值,避免了人工控制的不稳定性和不精确性。此方法应用于某浮选厂,满足了液位预测要求的精度,在液位控制、经济指标提高及浮选过程稳定等方面取得了明显的效果。     

镍钼矿浮选尾矿工艺矿物学及再选试验研究

镍钼矿浮选尾矿中Ni、Mo的品位分别为0.42%、0.62%,仍然具有开发利用价值.通过工艺矿物学分析,解释了镍钼矿浮选尾矿中镍、钼均主要以硫化矿形式存在,钼矿物与脉石矿嵌布关系密切,镍矿物与黄铁矿共生关系密切.通过再选闭路试验,浮选得到了Ni、Mo品位分别为1.44%、1.89%的再选精矿,Ni、Mo回收率分别为46.39%、41.24%,增加了镍钼矿综合回收利用.     

海南某金矿尼尔森重选-浮选试验

以海南某石英脉型金矿石为原料,进行尼尔森重选-浮选试验研究.通过GRG试验得出金矿中重选可回收金质量分数为80.88%.通过条件试验确定了该矿石尼尔森重选-浮选的最佳条件为:磨矿细度-74μm占80%,相对离心力60g,反冲水压16kPa,矿浆质量分数40%,戊基黄药用量200g/t,浮选时间5 min.原矿石品位9.8g/t,利用尼尔森选矿机一次分选可得品位230g/t,金回收率80.30%的重选精矿.重选尾矿品位2.0g/t,经过一次粗选一次精选三次扫选处理,可得浮选精矿品位57.3g/t,浮选金作业回收率75.66%.经尼尔森重选-浮选流程处理后,尾矿金品位降至0.5g/t,全流程金总回收率95.21%.     

智能数据预处理在浮选过程中的应用

针对反浮选过程的被控对象复杂、数学模型不确定以及控制要求高等特点，提出一种基于主元分析和模糊聚类的数据预处理算法。采用模糊C均值聚类算法得到聚类中心，进行线形回归从而对过程变量数据进行了预处理。主元分析法则用采进行辅助变量的选取和输入高维向量的降维简化．针对主元变量采用径向基函数网络建立了系统经济技术指标的预测模型。根据工业实际生产数据进行的模型校验和误差分析表明，能够满足浮选过程控制的精度要求。     

N-十二烷基-1,3-丙二胺在赤铁矿反浮选中的应用

通过单矿物试验考察了N-十二烷基-1,3-丙二胺(ND13)对赤铁矿和石英的浮选行为,结果表明,ND13对石英具有良好的捕收性能,在捕收剂用量为50mg/L,pH=7～10时,石英回收率达93%以上.人工混合矿分选试验结果表明,ND13对赤铁矿和石英质量比为1∶1(铁品位为35%)的人工混合矿具有一定的分选效果,在ND13用量为66.7mg/L,淀粉用量为6.67mg/L,pH=7.27的条件下,达到较好的分选效果,此时精矿中铁的回收率为86.35%,精矿的铁品位为62.78%,尾矿的铁品位为9.21%.动电位和红外光谱分析结果表明,ND13主要以静电和氢键作用在矿物表面发生吸附.     

基于多基因遗传规划的矿石品位估计

由于矿床形成过程复杂、控制因素多,导致估计矿石品位相对困难.尽量降低矿床预测中的估计误差对矿产资源的开发和利用是至关重要的.克立格法被认为是最佳的品位估计方法,其必须满足对于品位空间分布的平稳性和内蕴假设.但实践上,大部分的品位数据具有稀疏、不规则而复杂的空间分布,这有时会导致克立格法违反平稳性和内蕴假设.本文提出基于多基因遗传规划的矿石品位估计方法,并将其与克立格法进行对比.结果显示,基于多基因遗传规划的方法不需要关于空间分布的假设.这样,简化了实施矿体品位预测的条件,并能取得较好的预测结果,可应用于复杂矿体品位的预测.     

几种捕收剂对低品位硫化镍矿浮选的作用

研究了丁基黄药、丁胺黑药和硫胺酯单独使用与组合使用对低品位硫化镍矿浮选的影响.实验结果表明,单独使用丁基黄药和硫胺酯浮选硫化镍矿时,一次粗选镍精矿品位可达3%以上,但回收率较低;单独使用丁胺黑药时,一次粗选镍精矿品位可达2%以上,回收率最高可达57%.组合用药时,丁胺黑药与硫胺酯组合使用可以有效提高低品位硫化镍矿的浮选回收率.针对丁基黄药、丁胺黑药和硫胺酯单独使用与组合使用进行了红外光谱分析,阐述了组合药剂对硫化镍矿浮选的作用机理.     

镍钼矿中胶硫钼矿的赋存状态及浮选试验研究

通过多元素分析,物相分析,扫描电子显微镜等检测,发现镍钼矿中的钼主要赋存于胶硫钼矿中,S∶Mo原子个数比介于2.72～2.94之间,且胶硫钼矿与黄铁矿,镍黄铁矿共生关系密切。通过闭路浮选试验,可以获得含Mo质量分数为10.55%,回收率为84.06%的精矿,精矿中钼质量分数95.54%以胶硫钼矿存在。     

浮选矿浆液位过程的IMC-PID设计与实现

浮选过程是选矿生产中的关键环节,其液位要求严格控制以保证金属回收率.采用一种基于内模控制(IMC)设计的PID控制器(IMC-PID)来实现选矿浮选矿浆液位的自动控制,具有结构简单、整定参数少、鲁棒性强等优点.介绍了IMC-PID的基本原理和设计步骤,给出了液位控制系统的具体实现.应用表明,基于IMC-PID的浮选液位控制系统提高了浮选的金属回收率,保证了精矿品位,具有良好的推广价值.