SLon磁选机自动控制系统的设计与实现

为了使SLon磁选机具有更优异的选矿性能，设计了一种先进的磁选机自动控制系统。采用西门子公司的S7—200 PLC＋TP170B触摸屏的控制结构，对主要控制参数——励磁电流采用PID控制算法，实现对磁选机系统的最优控制。该控制系统已经投入使用，运行结果表明，使SLon磁选机的整机性能得到了进一步的提高。     

X射线荧光光谱法测定硅石、硅砖的主次成分

利用高温熔融制备硅石、硅砖样品,应用X射线荧光光谱法测定硅石、硅砖中SiO2、A12O3、CaO、MgO、Fe2O3等主次成分的百分含量。通过国家标准物质和合成校准样品制作校准曲线,研究了熔剂的选择及其与样品的稀释比例,脱膜剂加入量对制样重现性的影响,探讨了采用差量法计算所得的结果的准确性。试验结果表明:该方法的测定值与标准认定值一致,相对标准偏差小于5%,满足了硅石中常见组分快速分析的要求。     

基于离散小波变换的O-OFDM-DIM

光正交频分复用索引调制技术具有良好的误码性能,但其传输速率不够理想。因此,利用离散小波变换并结合差分脉冲位置调制的思想,提出了一种基于离散小波变换的光正交频分复用差分索引调制(O-OFDM-DIM)。通过小波变换和移除每个子载波块末端的静默子载波实现传输速率的大幅提升;利用小波变换的正交性和子载波分配算法有效抵御大气湍流效应。详细介绍了所提方案的映射原理,推导了其理论误比特率,并与现有的非对称限幅光正交频分复用索引调制(ACO-OFDM-IM)方案进行了对比。结果表明,在大信噪比时,所提方案能获得比ACO-OFDM-IM更高的传输速率和更好的误码性能,而且前者的传输速率提高了近3倍。在误比特率为1×10^-4的强湍流条件下,其信噪比改善了约2dB。     

基于多特征信息融合的砂岩破裂状态识别方法

针对岩体在受外界应力时内部破裂状态靠经验难以准确判断的问题,提出了一种多特征信息融合和最小二乘支持向量机（least square support vector machine,简称LSSVM）的岩石破裂状态识别方法。首先,利用改进集合经验模态分解（ensemble empirical mode decomposition,简称EEMD）对砂岩声发射信号进行分解,得到一组有效的平稳本征模函数（intrinsic mode function,简称IMF）分量,对各IMF分量进行自回归（auto regressive,简称AR）建模,提取AR模型系数作为时域特征向量;其次,通过对双谱矩阵进行奇异值分解,分析了砂岩各破碎状态声发射信号的频域特征;最后,利用局部线性嵌入（locally linear embedding,简称LLE）进行特征约简,并将融合特征向量进行归一化处理作为LSSVM的输入,砂岩破裂状态作为输出,采用粒子群算法（particle swarm optimization,简称PSO）对参数自动寻优,实现对岩石破裂状态的诊断识别。结果表明：融合特征具有较强的鲁棒性,且相对单一时域特征识别率提高了6%。     

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。