浮选工况识别模型

利用视觉和声学双模态流形学习，实现多源异构数据融合，在工业浮选过程中准确预测质量变量并识别工况。

Liu, Chenliang · 王雅琳 · Fang, Yijing · 杨超 · 桂卫华

IEEE Transactions on Industrial Informatics 2024

技术优势

跨模态融合更有效

精心设计的模内和模间流形正则化约束，充分学习每个模态内的内在流形特征和跨模态的相互依赖关系，增强了预测模型的跨模态数据表示能力。

工况识别更稳健

基于预测值的自适应多模态模糊决策推理模块，可以在识别工况的同时抵消原料性质波动的影响。

工业数据上已验证

在两个不同时期的工业浮选过程数据集上进行了大量实验，验证了所提方法在质量预测和工况识别任务上的优越性。

应用场景

• 矿物加工优化：实时识别浮选工况，指导操作参数调整，提高精矿品位和回收率。
• 多模态工业感知：融合视觉和声学数据，克服单一模态信息不足，增强过程感知能力。
• 工业过程监控：提供准确的工况识别结果，帮助操作人员及时发现异常并采取措施。
• 智能决策系统：基于模糊决策推理模块输出工况类别，为浮选过程智能控制提供决策支持。