摘要:
作為磨礦過程的主要生產質量指標, 磨礦粒度是實現磨礦過程閉環優化控制的關鍵.將磨礦粒度控制在一定范圍內能夠提高選別作業的精礦品位和有用礦物的回收率, 并減少有用礦物的金屬流失.由于經濟和技術上的限制, 磨礦粒度的實時測量難以實現.因此, 磨礦粒度的在線估計顯得尤為重要.然而, 目前我國所處理的鐵礦石大多數為性質不穩定的赤鐵礦, 其礦漿顆粒存在磁團聚現象, 所采集的數據存在大量異常值, 使得利用數據建立的磨礦粒度模型存在較大誤差.同時, 傳統前饋神經網絡在磨礦粒度數據建模過程中存在收斂速度慢、易于陷入局部最小值等缺點, 且單一模型泛化性能較差, 現有的集成學習在異常值干擾下性能嚴重下降.因此, 本文在改進的隨機向量函數鏈接網絡(random vector functional link networks, RVFLN)的基礎上, 將Bagging算法與自適應加權數據融合技術相結合, 提出一種基于魯棒隨機向量函數鏈接網絡的集成建模方法, 用于磨礦粒度集成建模.所提方法首先通過基準回歸問題進行了實驗研究, 然后采用磨礦工業實際數據進行驗證, 表明其有效性.