未来智讯 > 神经网络论文 > 神经网络在选矿中的应用

神经网络在选矿中的应用

发布时间:2019-01-11 01:06:01 文章来源:未来智讯    
    神经网络在选矿中的应用作者:未知   [摘 要] 神经网络在选矿中的应用主要针对矿石可选性预测、选矿生产目标预报问题,建立相应的遗传神经网络模型。本文主要对基于人工神经网络的非线性建模在不同的选别方法下应用的优势与不足进行理论分析。
  [关键词] 人工神经网络 浮选 磁选 重选
  1. 前言
  神经网络在矿业工程中的应用是从90 年代才起初的,主要应用于水力旋流器、磨矿回路、浮选回路、碳金浸出过程、试验研讨这几个方面非线性建模及抑制。选取的神经网络一般为多层前馈模型,BP 学习算法。由于神经网络具有鲁棒性、强适应性、可处理含噪信息等特点,预计将在选矿领域得到更加广泛的应用。
  2. 人工神经网络简介
  2.1 人工神经网络
  人工神经网络是借鉴人类大脑和神经系统贮存、处理信息的某些特性而抽象出来的一种数学模型,这种模型为求解诸如多维、高阶问题提供了新的手段和方法。人工神经网络的研讨要以神经生理学为基础。人工神经网络的模型辩识主要包括确定模式结构、估计模型未知参数和检验模型效果三个内容。当选取神经网络模型进行模型辩识时,这三个内容就相应的形成网络拓扑结构的选择、学习训练以及网络泛化能力的检验。
  20 世纪80 年代Rumelhart 和Willian 提出了最有影响的多层网的BP ( back propagation) 学习算法,解决了多层感知器的学习问题,引起了多层网研讨的热潮。目前BP 学习算法是人工神经网络模型中最为重要的、研讨最为透彻的、应用最为广泛的模型。
  2.2 神经网络系统的基本原理
  一个BP 网络由多个网络层构成,其中包括一个输入层、一个或几个隐含层、一个输出层,层与层之间选取全互连接,同层神经元之间不存在相互连接。
  BP 网络的学习过程由前向传播和反向传播组成,在前向传播过程中,输入模式(信号) 经输入层、隐含层逐层处理,并传向输出层,其传播和输出过程可用式(1) 表示:
  0j = f ( ΣWij -θj ) (1)
  式中 0j ―节点j 的输出;
  Xj ―节点j 的输入向量;
  Wij ―节点i 与j 之间的连接权值;
  θj―神经单元阈值;
  f ―非线性作用函数,一般取f ( t ) = 1/ (1 + e - t) 。
  在输出层,可将各个神经单元的输出结果与期望值(实际值) 进行对照,计算其误差Ep (式2):
  Ep = 1/ 2 ×Σ( Yi - Oi) 2 (2)
  式中 Yi ―i 节点的期望输出值;
  0i ―i 节点的计算输出值。
  如果所有输入模式(样本) 的输出误差不能达到预期的结果,则转入反向传播过程,将误差值沿连接通路逐层反向传送,并修正各层连接权值(式3):
  ΔWij (n + 1) =α×Ei ×0j +η×ΔWij (n) (3)
  式中
  α―学习因子(根据输出误差动态调整) ;
  η―动量因子;
  Ei ―计算误差。
  对于给定的一组训练模式,不时用一个训练模式训练网络,反复前向传播和误差反向传播过程,直到网络均方误差( Ep) 小于给定值为止。
  3. 基于神经网络的非线性建模
  3. 1 概括
  神经网络技能以较少的实验事务量建立高精度的变量间的非线性映射模型。利用神经网络技能可建立各种目标与影响因素之间的非线性映射,ANN 具有自学习自记忆的功能,学习结束后建立起来的网络模型反映了变量之间的相互关系,有较好的预测效果。基于目前选厂的技能要求,应用ANN技能在选矿厂进行研讨,联合建模理论寻找一种新的选矿厂数据处理方法,在生产中将有较好的事务前景。
  3.2 SOM 模型与BP 模型
  SOM 网络模型是一种具有自组织特征的映射网络(SELF ―ORGANIZIN G FEATURE MAP) 。SOM 的实质是聚类,即对原始数据自动分类或组成模式对。BP 网络模型是一种前馈模型,它的实质是反映输入变量与输出变量的关系,是一种高精度的非线性映射。目前,BP 网络模型在选矿研讨中已得到了应用但尚未发挥其优越性。SOM 网络模型在选矿厂中的应用相对较少,尚有较大的事务空间。
  3.3 选矿数字实验室
  以选矿厂作为研讨对象,引入系统分析考虑选矿厂实际检测数据中存在的“时滞”现象,充分利用所有的检测数据,建立反映选矿厂实际系统运行规律数学模型,即“选矿数字实验室”。在选择学习样本时,应尽量采用不相关或相关性较小的因素进行训练,这样使分割空间后建立起来的关系式组可更好的反映自变量―――多因变量的关系式,可应用SOM 对建模数据进行动态聚类或应用BP 网络及其他模式识别方法判断检测的数据所属类别。
  SOM 可将数据分成数据子集,针对数据子集建模可削减建模难度。为能更好的进行数据处理,突出建模效果,建立的“选矿厂数字实验室”应抽出选矿的某一环节进行研讨。
  3.4 在浮选中的应用
  利用BP 网络模型对浮选进行研讨关键在于能否选择相关性较小的影响因素进行分析,这样更能反映各因素之间的性子联系,能取得更好的检测效果。鉴于此,一般选用药剂用量为输入因素,产率 (γ) 、回收率(ε) 、精矿品位(β) 中的两者作为输出因素,他们满足关系式:ε・α=β・γ,但浮选药剂的相关性也较大,协同效应的存在,组合药剂的1 + 1 > 2 的效应等都会造成输出结果中两者不可兼得的真相,当一种因素适合要求,则另一种因素的相对误差会较大。
  鉴于上述情况,能够考虑用多个数学模型结合起来进行预测,即以同一组数据建立多个拓扑空间不同的数学模型,每种数学模型尽量的拟合某一个输出结果而不考虑其他的输出结果。能够考虑以精矿品位和回收率作为输出结果,即可建立A B 两个数学模型,数模A 最大限度的拟合精矿品位,而不考虑回收率。数模B 则相反,尽量考虑回收率的拟合度,而不考虑精矿品位。进行预测时精矿品位以数模A 的预测为准,回收率则以预测B 的数模为准。
  当然也能够考虑建立一个模型时尽量的采用更合理的输入输出因素,为了使得这一模型在处理数据时能得到更可信的结果,一般要对输入输出因素进行一些处理再进行训练。
  选取BP 网络模型对数据进行训练,对原始数据的处理选取线性插值法,使数据变换后能在[0 ,1]区间均匀分布,而又相对集中在曲线变化较快的区间。其原理如下:若有一组数据[ A i ]在区间[ A 1 , A n ]内,把其中的A i 化成区间[ X1 , Xn ]上的数,则:
  Xi = X1 + ( Xn - X1) ・( Ai - A1) / ( A n - A1)
  上述数据处理方法不过其中一种,我们也能够把相关性很大的两种或多种因素进行综合,用综合因素进行预测。
  鉴于目前浮选实验中浮选药剂用量很难找到最佳组合,能够考虑建立以少数目标预测多种目标的模型,即以结果求条件的模型。能够通过对相似矿的研讨,对其所得的浮选数据进行学习、建模,再通过输入合理的结果而得到一个或多个药剂的组合。在此基础长进行浮选药剂组合的研讨,无疑将大大的削减实验药剂用量研讨的事务量,提高事务效率。
  3.5 在磁选和重选中的应用
  磁选和重选的各个因素的相关性相对较小,对照符合建立神经网络模型,但这方面的研讨不多,主要原因在于整个过程存在着太多的不确定性因素,生产实际中一些参数也是经常变化的。我们在进行操作时常需要根据实际情况对机器参数进行调整,因此资料中给出的大多是一些经验数据,并没有包含操作过程中的调整,不能完全代表这一动态过程。因而,在没有第一手资料的情况下,预测结果往往不理想。由于对重选和磁选设备参数的调整不能在数据中具体的体现,我们在对这两过程进行模拟时,应立足于寻找一种更能动态的表现其过程的模型,在此基础长进行研讨。

转载请注明来源。原文地址:https://www.7428.cn/page/2019/0111/78734/
 与本篇相关的热门内容: