公开(公告)号：CN112686144A

公开(公告)日：2021-04-20

申请号：CN202011595567.X

申请日：2020-12-29

Applicant: 中南大学

Inventor： 王晓丽 ,  廖乾 ,  张贺 ,  马崇振 ,  阳春华 ,  张胜广

IPC: G06K9/00 ,  G06K9/62 ,  G01H17/00 ,  G06N3/04

Abstract: 本发明公开一种基于磨音信号的矿石球磨过程负荷识别方法，首先对采集到的原始信号进行预处理，包括消除直流分量、滤波，然后提出基于自回归(AR)谱估计的几何谱减法抑制噪声信号，提高信噪比；其次基于集合经验模态分解(EEMD)方法将磨音信号分解为K个本征模态分量IMF，利用排列熵选取可靠性高的模态分量进行磨音信号重构；接着计算每种负荷类型下重构信号的盒分形维数，并作为最终负荷分类依据；最后建立基于模糊C均值聚类的Bagging和极限学习机的负荷识别模型，实现负荷识别。本发明对国内某多金属选厂实际生产负荷进行识别，结果表明该识别模型能够准确地识别不同磨机负荷状态，具有良好的泛化性能和识别精度。

公开(公告)号：CN112686144B

公开(公告)日：2022-03-08

申请号：CN202011595567.X

申请日：2020-12-29

Applicant: 中南大学 ,  长沙矿冶研究院有限责任公司

Inventor： 王晓丽 ,  廖乾 ,  张贺 ,  马崇振 ,  阳春华 ,  张胜广

IPC: G06K9/00 ,  G06K9/62 ,  G01H17/00 ,  G06N3/04

Abstract: 本发明公开一种基于磨音信号的矿石球磨过程负荷识别方法，首先对采集到的原始信号进行预处理，包括消除直流分量、滤波，然后提出基于自回归(AR)谱估计的几何谱减法抑制噪声信号，提高信噪比；其次基于集合经验模态分解(EEMD)方法将磨音信号分解为K个本征模态分量IMF，利用排列熵选取可靠性高的模态分量进行磨音信号重构；接着计算每种负荷类型下重构信号的盒分形维数，并作为最终负荷分类依据；最后建立基于模糊C均值聚类的Bagging和极限学习机的负荷识别模型，实现负荷识别。本发明对国内某多金属选厂实际生产负荷进行识别，结果表明该识别模型能够准确地识别不同磨机负荷状态，具有良好的泛化性能和识别精度。

公开(公告)号：CN109508753A

公开(公告)日：2019-03-22

申请号：CN201811586093.5

申请日：2018-12-25

Applicant: 中南大学

Inventor： 王晓丽 ,  黄蕾 ,  张贺 ,  阳春华 ,  桂卫华

IPC: G06K9/62 ,  G06N3/08 ,  G06Q10/04

Abstract: 本发明公开一种矿物浮选过程指标的在线预测方法，首先基于关联K近邻(KNN)对样本缺失数据进行插补，再利用皮尔逊相关系数和显著性检验的方法进行特征筛选；然后建立基于时滞反馈网络(NARX)的浮选品位预测子模型，并将浮选机理和数据分析相结合，共同决定网络的时滞和反馈阶次；最后，以NARX为基学习器，支持向量回归(SVR)为次级学习器，建立基于NARX和SVR的stacking集成学习浮选品位预测模型。本发明用于铝土矿实际生产过程精矿品位和尾矿品位的预测，均方根相对误差分别为4.41％和5.19％，平均相对误差分别为3.62％和4.08％。