基于PSOＧCNNＧaBiGRU的瓦斯浓度预测方法

针对工作面瓦斯浓度精准预测中未有效利用瓦斯数据 的空间特性问题,在有效提取瓦斯浓度监测数据时空特征的 基础上,提出了一种基于优化卷积神经网络和优化双向门控 单元神经网络的瓦斯浓度预测方法(PSOＧCNNＧaBiGRU). 首先应用随机森林和 HilbertＧHuang变换方法对瓦斯监测 数据中的缺失值和噪声进行预处理,然后使用经过粒子群优 化的卷积神经网络对预处理后的瓦斯监测数据进行空间特 征提取,最后考虑数据的历史信息和未来状态,基于自适应 矩估计最大 值 优 化 的 双 向 门 控 单 元 神 经 网 络,构 建 PSOＧ CNNＧaBiGRU 瓦斯浓度预测模型.试验结果表明,相对于 PSOＧCNNＧBP、PSOＧCNNＧRNN 和 PSOＧCNNＧLSTM 模型, PSOＧCNNＧaBiGRU 在测试 集 上 误 差 分 别 减 少 了 ５２．２１％、 ４２．４３％和２９．６％.因此,PSOＧCNNＧaBiGRU 模型能有效提 高瓦斯浓度预测精度,对减少瓦斯灾害,保障煤矿的安全生 产具有现实意义.     

基于X射线分选矿石图像的轮廓提取算法综述

近年来,图像处理技术在矿石的智能分选领域广泛应用,但当前的智能分选图像处理算法在精度、算法效率和通用性等方面仍存在局限性。X射线分选矿石图像的轮廓提取是实现智能分选的重要前提之一,根据轮廓信息确定矿石中矿物分布、含量、尺寸及形态等特征,进而优化矿石的分选流程,提高矿产的回收率和经济效益。本文对X射线智能分选机的成像原理及图像噪声特性进行分析,概括了图像预处理方法并重点介绍了经典canny算法和深度学习的HED、DeepEdge、U-Net轮廓提取算法的原理和网络结构,对算法的优势与不足进行分析。最后提出X射线智能分选矿石图像处理算法现存的问题及今后的研究重点。为X射线智能分选图像处理系统矿物轮廓提取研究提供参考。     

给矿粒度组成对摇床分选效果的影响

给矿粒度组成是影响摇床分选效果的因素之一。对锡矿石进行分级和不分级的摇床分选试验,考察不同的给矿粒度组成对摇床分选效果的影响。研究结果表明,对入选矿石进行预先分级,窄级别的给矿粒度在摇床上析离分层效果较好,能获得更好的分选指标。     

基于机器视觉的雷波薄夹层磷矿石预分选研究

随着磷矿资源的快速消耗,现阶段我国中低品位磷矿存在占比大且利用率较低的问题,导致生产处理成本增加。利用机器视觉技术代替人工观察实现提前抛废,对磷矿进行预富集,提升矿石综合利用效率及减少经济成本。针对四川省雷波县巴姑中低品位薄夹层磷矿的特性,本文提出一种基于HSV颜色模型采用多阈值法提取特征值并结合KNN算法的磷矿动态实时预分选算法。待选矿石经本算法分选进行化验后的精矿品位可到18.3%,这表明本文提出的算法的识别准确率较高,基本满足企业识别尾矿的分选需求,达到抛尾的目的。     

基于PSO优化NP-FSVM的煤矸光电智能分选技术研究

为提高分选的稳定性和准确率,提出一种多特征融合的基于粒子群算法优化的法平面型隶属度函数模糊支持向量机(PSO-NP-FSVM)煤矸石分选方法。介绍了X射线探测识别煤矸石技术的基本原理与工作流程。对采集到的X射线图像经中值滤波去噪预处理后,分别提取灰度特征下的灰度均值、灰度方差,以及基于灰度共生矩阵的纹理特征下的能量、相关性、对比度和熵共计6个特征向量,并对选择的特征进行融合。利用法平面型隶属度函数能有效剔除孤立样本的优点,结合粒子群算法对模糊支持向量机分类器模型的主要参数进行优化,提出经优化改进后的PSO-NP-FSVM分类算法,采用相同的训练样本,与PSO-FSVM分类器模型进行仿真对比分析。最后,分别采用PSO-NPFSVM、PSO-FSVM算法与单一灰度或纹理特征进行识别的方法建立分类器模型,并通过交叉验证的方法进行对比试验。试验研究结果表明:PSO-NP-FSVM算法经56次的迭代,参数达到最优,PSOFSVM算法参数寻优需迭代63次; PSO-NP-FSVM算法的适应度函数值较小。通过多特征融合的PSO对NP-FSVM进行优化的分选方法,煤矸石的分选准确率达到93.8%,其准确率和稳定性较普通PSO-FSVM分类器模型与单一特征识别方法,均有所提高。X射线探测的光电智能分选技术是未来煤矸石分选发展的重要趋势,此方法可改善在分选过程中因煤矸厚度的影响,导致识别准确率降低的缺陷。     

改进Mask RCNN算法对矿石分割定位的研究

针对复杂工况环境下矿石分割精度低的问题，提出改进Mask RCNN实例分割算法。Mask RCNN采用简单的反卷积操作来恢复矿石的掩膜，导致矿石边缘信息丢失，因此提出混合注意力模块，该模块将通道注意力机制和空间注意力机制进行加权融合，可以在通道层面和空间层面对矿石的特征信息加强。结合混合注意力模块改进Mask RCNN的分割网络结构，减少在卷积运算中造成的矿石细节信息丢失，提高网络对矿石的分割精度。用制作的矿石数据集进行网络训练和网络评价，将改进之后的算法与原算法以及其他两种常用算法进行对比试验研究，试验结果表明，改进算法中MIoU约为87.1%,相较原算法提升约19.15%,MPA值约为94.61%,较原算法提升了约22.93%,对于矿石识别分割具有更高的检测精度。改进算法在复杂工况环境下对矿石的精确识别和分割有很大的应用前景。     

基于混合高斯图像窄带模型钨矿初选技术研究

针对钨矿石初选环节中人工手选作业效率低、成本消耗大等问题,提出机器视觉与图像处理技术相结合实时钨矿初选方法。通过引入GPU加速混合高斯模型进行矿石运动目标检测,提取图像前景中完整的矿石目标。结合图像信息,提出融合灰度特征与图像窄带的矿石目标识别算法,快速获取钨矿石中脉石的位置信息,为钨矿石的初步分选提供依据。试验结果表明,相比较传统人工手选作业方式,该方法极大提升矿石分选速度与精度,满足工业化实时检测识别要求。     

湖南宝山铅银混合矿石试验研究与工业试验

湖南宝山铅锌矿西部铅锌银矿与北部铅锌银矿的矿石性质差异大,原是分别在选厂进行分选,给生产带来不便,增加了生产成本.通过探索实验,将2种矿石按比例混合,结果表明分选技术指标得到了改善,同时也降低了生产成本.     

基于多尺度卷积神经网络和LBP算法的浮选工况识别

针对泡沫浮选加药状态检测困难、识别效率低和主观性强等问题,提出了一种结合多尺度卷积神经网络(CNN)特征及改进局部二值模式(LBP)计算方法的核随机权神经网络(K-RVFLNs)浮选工况识别方法。首先,对泡沫浮选图像进行非下采样Shearlet多尺度分解,将原始图像分解为不同频率尺度,设计多通道CNN网络对多尺度图像进行特征提取;再通过改进LBP算法提取特征作为补充,将CNN提取的图像特征与LBP特征进行融合;最后,通过核随机权神经网络映射到更高维空间进行分类决策,实现浮选加药状态的精确识别。实验结果表明,采用多尺度CNN及LBP-TOP特征融合的方法识别的精度比传统LBP算法提高了5.34%,比采用单CNN特征的方法提高了3.76%,结合K-RVFLNs实现浮选工况分类准确率高达96.38%,识别精度和稳定性较现有方法有较大提升,且减少了人工干预,有利于提高生产效率。     

基于ISSＧSHOT＋３DＧNDT的点云配准算法研究

针对以往点云数据在配准处理过程中,存在粗配准匹 配率低、配准时间长、精配准精度不高等问题,提出了ISSＧ SHOT与３DＧNDT相结合的点云配准算法.首先,运用内 部形态描述子算法(ISS)对下采样后的点云数据提取特征 点,对提取的特征点用方向直方图描述子(SHOT)进 行 描 述,并利用相 似 度 函 数 将 对 应 的 特 征 点 进 行 匹 配;再 采 用 Lmeds算法删除匹配错误的特征点,并完成２片点云数据的 粗配准,获得 较 好 的 初 始 配 准 位 置 与 姿 态;最 后,采 用 ３DＧ NDT算法将粗配准后的点云数据进行空间体素化处理,运 用概率分布函数完成点云数据的精确配准.结果表明,与其 他点云数据配准算法相比,ISSＧSHOT＋３DＧNDT 算法的均 方根误差最小、配准精度最高,特征点匹配率较高且运行时 间短.     

累托石选矿工艺探讨

介绍了累托石选矿工艺的沿革,以及随着矿石性质变化进行的工艺调整等.指出给矿不稳定、矿物单体解离不充分,造成精矿产率偏低,选矿指标不理想,对此,作者提出了具体的改进建议.     

基于改进YOLOv3的煤矸识别方法研究

煤矸识别技术对实现煤和矸石自动分选具有重要意义,而现有的图像识别算法在实用性、准确率方面无法满足实际需求.基于图像处理技术和深度学习技术,提出一种基于改进YOLOv3的煤矸识别方法,针对煤矸识别目标小、辨识度低等问题,对原始YOLOv3的网络结构及损失函数进行了改进,用训练生成的模型在测试集上进行识别测试.测试结果表明...     

云南某铅锌硫化矿浮选新工艺的研究

通过研究云南某铅锌硫化矿石的分选条件与药剂制度,提出了处理该类矿石的分选新工艺。生产实践证明,该新工艺不仅精矿质量和回收率比原工艺有了显著提高,而且药剂耗量也大幅度降低,具有较好的经济效益和社会效益。     

多金属露天矿多目标生产计划优化问题建模及求解算法

针对多金属露天矿山生产计划优化问题难以建模、求解复杂等问题,从多种金属元素、采掘运输成本以及矿石品位三个角度出发,综合考虑矿石产量、品位波动、矿石资源利用率、开采和处理能力以及回采率等多种影响因素,构建了一个多金属露天矿多目标生产计划模型。受粒子群算法启发,提出一种改进狼群算法（IGWO）对模型进行求解,并引入反向学习策略和非线性收敛策略来提高算法的求解效率。以国内某露天矿的实际生产为例,分别利用粒子群算法（PSO）、灰狼算法（GWO）和IGWO算法对模型进行求解对比。结果表明：该生产计划模型更加符合露天矿多种矿产资源综合开采利用的实际需求,IGWO算法较PSO算法运行速度上提高了71%,在求解精度上提高16%。该生产计划方案对多金属露天矿山矿产资源综合利用及精细化排产具有重要的指导意义,可促进企业可持续发展。     

难选铅锌硫化矿浮选新工艺的研究

通过研究某铅锌硫化矿石的分选条件与药剂制度, 提出了处理该类矿石的分选新工艺。生产实践证明, 新工艺不仅在精矿质量和回收率比原工艺有了显著提高, 而且药剂耗量也大幅度降低, 取得了显著的经济效益和社会效益。     

云南省某难选铜矿的选矿工艺研究

云南某铜矿原矿含铜1.68％,铜的氧化率为19.64％,其中结合氧化铜占13.69％,是一种复杂难选的硫化铜混合矿.由于铜泡石在矿石中含量较高,难以活化,因而精矿回收率仅为80％左右.考虑技术经济因素,较为合理的分选流程是采用原矿磨矿细度70％ -74 μm单一浮选流程,可获得铜精矿品位为32.23％、铜回收率为78.48％的选矿指标.     

低品位锰矿泥联合分选工艺的应用

本文介绍低品位锰矿泥联合分选工艺的试验室研究结果和应用实践经验.高梯度磁选、泡沫浮选、振动浮选等方法的使用,使得低品位矿石的分选有了新的可能,能从含锰8~11%的矿泥中,产出含锰最高达40~42%的成品精矿.     

基于采选流程下的露天矿多金属多目标配矿优化模型

多金属配矿的目的是为了保证入选矿石品位的稳定和提高矿石的综合回收率。针对现有多金属配矿模型对选矿影响因素考虑不充分,导致精细化程度不足的问题,在考虑影响选矿回收率的矿石岩性、氧化率、有害物质等配矿指标的情况下,建立了以品位偏差、矿石岩性百分比偏差、总产量偏差和采掘运输成本为优化目标,基于采选流程的多金属多目标配矿优化数学模型。在标准遗传算法的基础上,对算法的变异过程和比较选择过程进行了改进,设计了一种自适应遗传算法对该模型进行求解。以国内某大型钼钨矿为例,将该模型的优化结果与传统模型的优化结果进行对比分析,并采用遗传算法、粒子群算法和所提出的自适应遗传算法分别进行模型求解。研究表明:①该模型在保证采掘运输成本不增加的情况下,对原有配矿模型未考虑的矿石岩性、氧化率、有害物质等影响因素进行了配矿优化,保证了矿石品位的均衡性以及矿石的可选性,从而增加了配矿优化模型的适用性,使得配矿优化模型更符合生产实际;②所提出的自适应遗传算法不仅能够避免陷入局部最优解,而且在计算效率上相比于粒子群算法和遗传算法分别提高了40%和56%,在模型求解精度上提高了10倍左右,表明了改进算法的有效性。     

基于深度学习算法的矿岩识别技术研究

矿山现场工作人员在作业过程中需要及时判断矿石与围岩,及时优化开采设计方案有助于控制矿石损失贫化.为了实现对矿山现场矿石和围岩的智能化识别,对比了多种算法后采用EfficientDet神经网络模型,矿石和围岩的识别特征较为明显,选用EfficientDet中D0版本进行训练进而获得神经网络模型.基于井下环境进行数据扩充,在检测前对图像进行预处理.通过验证,模型对矿石和围岩识别正确率可以达到96％.在识别矿岩交界处的图片时,对于矿石、围岩分类的准确率超过91％,且预测框大小合适,可以很好地观测到矿岩交界线.模型能够在不同环境下高效、准确地识别矿石和围岩,证明模型的泛化性和鲁棒性较强.     

低品位锑铅锌多金属硫化矿选矿研究与生产实践

就广西河池地区的低品位锑铅锌多金属硫化矿分选问题，研究了矿石中不同矿物的浮选特性、分选条件及药剂制度，提出了处理该类矿石的分选新工艺。经河池市有色金属矿选矿厂的生产实践证明，采用新工艺进行生产，产品质量与金属回收率都比原工艺显著提高。