科研之友
微信
新浪微博
Facebook
分享链接
摘要
在传统泡沫浮选过程中，由于浮选状态监测以主观性强的人工观测为主，存在难以准确判断异常工况和预测矿物品位这两大问题。基于机器视觉的传统机器学习方法可独立地求解这2个问题，但忽略了异常工况判断和工况品位识别都与泡沫层表面呈现的视觉特征有直接关联的共性，导致识别准确率低，识别速度慢。为此，本文提出基于多目标学习的泡沫浮选过程工况识别方法来同时判断异常工况和预测矿物品位。首先提取泡沫图像的关键特征，为解决特征冗余问题引入，提出一种基于二值状态转移算法的特征优化方法。其次，针对多目标学习方法中各目标权重难以确定和目标之间存在冲突与竞争的问题，提出一种基于多梯度下降的多目标学习算法，以自动确定最优权重并同时提高这2个任务的准确率。采用该方法判断金锑泡沫浮选过程中的异常工况和预测矿物品位。研究结果表明：本文所提出的方法在这2项任务上的识别准确率分别达92.32%和97.48%，验证了该方法的有效性，为工业上解决多类型工况识别问题提供了一种新的方案。
-
单位中南大学; 自动化学院
