摘要
泡沫浮选是根据不同矿物疏水性质的差异,将有价矿物与脉石分离的过程,其高适应性和有效性使之成为选别复杂、低品位矿石时应用最广的方法之一。在矿物浮选过程中,精矿品位是浮选生产的关键生产指标之一。实际生产中由于检测仪器(X荧光分析仪)的缺失,或检测仪器经常堵塞,操作工人通常只能通过观察泡沫视觉表面特征,间接估算其精矿品位是否符合要求。如果不符合,则需要操作工人频繁手动调节药剂量和矿浆液位,导致实时性差,准确率低,药剂消耗大,工况波动频繁。因此,实时准确测量精矿品位,对优化浮选生产指标、减少药剂消耗具有重大意义。软测量技术为实时检测精矿品位提供了有效途径。 本文针对精矿品位难以测控问题,利用机器视觉技术,提取多种泡沫视觉特征,采用基于最小二乘法支持向量机(LS-SVM)的精矿品位软测量模型,并与SVM、人工神经网络相比较,验证了本方法的优越性。针对矿物浮选在线检测X荧光分析仪缺失、人工检测严重滞后的问题,依据泡沫视觉表面特征对浮选精矿品位具有直接指示作用的原理,采用最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)实现浮选精矿品位的软测量.工业运行数据仿真结果表明,建立的软测量模型能够实现精矿品位的预测精度,满足工业要求.