基于神经网络的选矿厂数学模型及应用研究

【摘要】： 选矿厂数学建模问题一直是选矿工作者研究的热点，近年来，神经网络技术的引入，进一步改善了选矿厂数学建模的准确性和可靠性，丰富了选矿厂建模的理论和方法。然而，选矿实际要求的是更为复杂和合理的非线性数学模型，仅靠神经网络技术是无法完成的。本文综合使用神经网络技术、探索性数据分析技术、主成分分析技术、SPSS统计分析软件对选厂数学模型进行了进一步的研究探索： 1、针对选矿实际生产数据之间的关系性，即：除部分为线性、近似线性和简单非线性关系之外，大部分为复杂非线性关系这一特点，提出将主成分分析法与神经网络BP模型相结合，解决了BP模型输入、输出因素之间的相关性问题，提高了所建模型的质量。 2、利用近年统计界新兴起的探索性数据分析技术对选矿生产数据之间的规律性进行探索，目的在于挖掘出在现有选矿条件下可能达到的更优的选矿效益，寻找选矿厂精矿品位和回收率可能达到的更好组合。提高选厂的工作效率与效益。 3、利用主成分分析—神经网络BP模型对探索性数据分析方法得出的结论进行进一步预测(本论文以浮选为例)，即：以已得出的选别结果(较佳的精矿品位和回收率的组合)为输入因素，以选矿条件(药剂用量)为输出因素进行建模，寻找更优的药剂量组合，用于指导选矿现场的药剂用量，以其提高选矿效益。 本文的有关研究进一步提高选矿厂数学模型的质量，丰富了复杂非线性建模的理论、方法与实践；同时使选矿厂数学模型不再只是用于预测选矿效益，可以尝试用来预测选矿控制条件。