基于ANN的铜炉渣磨矿参数对铜精矿指标影响预测研究

论文摘要

选矿工艺是一个非常复杂的工作过程,影响选矿结果的因素很多,原矿浓度、原矿细度、球磨浓度、球磨细度、浮选条件等对精矿品位、回收率等指标有很大的影响。这些影响因素和选矿工艺参数最终指标之间存在着错综复杂的非线性关系,是一个典型的多维非线性系统,很难用传统的简单线性数学工具来进行描述。人工神经网络是一类模拟人类神经系统的结构,它揭示了样本数据中蕴涵的非线性关系,大量处理单元组成非线性自适应动态系统,具有良好的自适应性、自组织性及很强的网络学习、容错、联想和抗干扰的能力,可灵活方便的对多成因的复杂未知系数进行建模。使用人工神经网络的数值特征模式识别的技术对选矿过程进行判断,解决了传统方法建立的模型在实际应用中存在的局限性。鉴于此,论文采用神经网络这一新技术建立基于人工神经网络的铜炉渣磨矿工艺参数对铜精矿指标影响的预测系统。结合江西铜业贵溪冶炼厂实际生产工艺流程,采用其选矿车间日生产快报数据,将该工艺流程中的半自磨矿浆浓度、半自磨细度、球磨浓度、球磨细度、浮选进料浓度、浮选进料细度及原矿品位等7个参数作为输入数据,对铜精矿的精矿品位、尾矿品位、回收率等3项指标进行预测来建立神经网络模型。首先进行定性分析,以确定所使用的网络计算函数。通过同一网络模型不同算法条件下建立的网络模型定性分析综合比较,采用网络性能比较稳定的traingdm算法来建立网络模型。对所确定的traingdm算法的网络模型,进行定量研究表明隐含层神经元个数取13时网络性能最佳,确定神经网络结构模型为7-13-3型的网络模型并应用Matlab神经网络工具箱实现该模型。利用C++Builder程序设计语言优越的全功能平台和Matlab引擎技术实现对Matlab的调用建立模型界面。采集了196组样本数据,为了验证系统的准确性,取其中7组数据作为验证数据。通过对该7组验证数据和实验数据比较,预测平均准确率均达到80%以上,预测效果良好,表明该预测系统有一定使用价值,对工业生产有指导作用。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 研究背景
• 1.1.1 神经网络的选矿工艺建模的意义
• 1.1.2 矿物工程数学模型的意义
• 1.1.3 选矿数学模型的应用
• 1.2 神经网络的发展及其在选矿中的应用
• 1.2.1 神经网络的发展
• 1.2.2 神经网络在选矿中的应用
• 1.3 研究的目的、意义、内容及其研究方法
• 1.3.1 研究目的
• 1.3.2 研究的意义
• 1.3.3 研究内容
• 1.3.4 研究方法
• 第2章 神经网络概述及BP算法
• 2.1 人工神经网络简介
• 2.1.1 人工神经网络特点
• 2.1.2 人工神经网络模型
• 2.2 反向传播BP算法
• 2.2.1 BP模型
• 2.2.2 BP网络的结构和学习规则
• 第3章 铜炉渣中磨矿工艺参数BP网络实现
• 3.1 磨矿流程及物料性质简介
• 3.2 研究中用到的工作参数
• 3.3 工作参数数据的采集
• 3.4 网络学习前的数据的预处理
• 3.5 BP算法存在的问题及改善措施
• 3.5.1 BP网络的限制与不足
• 3.5.2 BP网络的改进方法
• 3.6 初值选取原则及隐含层节点个数的确定
• 3.6.1 初值选取原则
• 3.6.2 BP网络隐层节点个数的确定方法
• 3.7 BP神经网络的程序实现
• 第4章 铜炉渣磨矿工艺工作参数预测的BP网络软件系统
• 4.1 软件系统组成
• 4.1.1 系统要求
• 4.1.2 开发工具
• 4.2 Matlab神经网络工具箱
• 4.2.1 神经网络工具箱函数
• 4.2.2 Matlab中BP网络的训练过程
• 4.2.3 BP网络程序设计的Matlab实现
• 4.3 程序验证
• 4.3.1 BP网络学习算法的确定
• 4.3.2 BP网络设计
• 4.3.3 BP网络gdm算法训练与测试
• 4.4 网络误差分析
• 4.5 系统界面
• 4.5.1 C++builder介绍
• 4.5.2 C++ Builder和Matlab的几种接口方式
• 4.5.2.1 Matlab与C混合编程的实现方法
• 4.5.2.2 Matlab引擎简介
• 4.5.3 预测系统界面
• 4.6 小结
• 第5章 结语
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢
• 附录:攻读硕士学位期间发表的学术论文