摘要
为改善浮选工艺,改进浮选设计,提高浮选效率,实现浮选的自动控制,提出一种将模糊理论与神经网络相结合的预测方法。利用多层级的前馈神经网络,构建矿浆浓度、精矿质量、药剂用量这3个主要浮选指标与矿浆浮选速率之间的模糊神经网络模型。采用T-S模糊模型不断修正模糊子集的隶属函数,从而提高了预测输出值的精度。通过实验数据的研究结果表明,该算法能够准确描述实际的浮选过程,具有很高的准确度和精度,证明了其用来预测矿浆浮选速率变化趋势具有可行性,为浮选动力学的研究发展提供了一种新的方法和途径。
A prediction method is proposed combining fuzzy theory with neural network in order to improve flotation process,flotation design,flotation efficiency and realize automatic control of flotation.The fuzzy neural network model is constructed between pulp density,quality of concentrate,reagent dosage three main flotation indexes and the pulp flotation rate by using the multi-level feed forward neural network.A T-S fuzzy model is used to modify the membership function of the fuzzy subset,then the accuracy of the predicted output value can be improved.The results of experimental data showed that the algorithm can describe the actual flotation process accurately with high accuracy and precision.It proved that it is feasible to predict the change trend of pulp flotation rate,and it provided a new method for the research development of flotation dynamics.
作者
罗旋
孟海星
张凯
王琳
LUO Xuan;MENG Hai-xing;ZHANG Kai;WANG Lin(School of Mechanical,Shenyang Institute of Engineering,Liaoning Shenyang110136,China)
出处
《机械设计与制造》
北大核心
2020年第4期191-193,198,共4页
Machinery Design & Manufacture
基金
辽宁省教育厅科学研究一般基金项目(L2015371)
沈阳工程学院一般基金项目(LGYB-1603)
辽宁省高等学校基本科研项目(LQN201708)。
关键词
矿浆
浮选指标
浮选动力学
浮选速率
模糊神经网络
预测
Pulp
Flotation Indexes
Flotation Dynamics
Flotation Rate
Fuzzy Neural Network
Prediction
