浮选灰分预测模型

六项指标近零误差

将深度网络与似然函数结合，通过泡沫速度和药剂参数实现精煤灰分的高精度检测。

Fucheng, Lu · 刘海增 · Lv, Wenbao

Processes 2023

参数信息

决定系数

0.99997 %

均方根误差

0.04458 %

平均绝对误差

0.00170 %

平均绝对百分比误差

0.02329 %

相对均方根误差

0.00994 %

平均绝对百分比偏差

0.00067 %

技术优势

六项指标近零误差

模型将决定系数提升至0.99997%，均方根误差等关键误差指标均降至0.05%以下，预测值与实测值几乎完全吻合。

同时利用泡沫运动与药剂参数

通过SIFT算法提取泡沫图像关键点并计算运动速度，将泡沫速度与浮选药剂用量同时纳入模型，获得比单一图像特征更全面的工况描述。

用似然函数优化网络参数

采用最大似然估计对似然函数参数进行优化，再将其嵌入深度网络，避免仅靠反向传播造成的参数选择盲目性，提高模型精度与泛化能力。

应用场景

• 煤浮选过程控制：以图像和药剂数据实时预测精煤灰分，替代人工采样，实现浮选过程闭环控制。
• 矿物加工智能监测：将泡沫视觉特征与工艺参数融合，为选矿厂提供关键质量指标的连续在线监测。
• 工业视觉检测：利用SIFT关键点提取泡沫速度，为工业视觉检测增加运动维度，提升对动态过程的表征能力。
• 工业物联网传感：模型可部署于边缘设备，将泡沫图像和药剂参数转化为实时质量数据，丰富工业物联网感知层信息。