基于协同计算的矿浆密度自适应智能检测方法

本文针对磨矿分级中传统密度检测方法精度不高且耗时耗力的问题,提出一种矿浆密度智能检测方法。通过对矿浆流体进行机理分析,得到线性已知项和非线性未知项,结合高斯过程回归与正则化随机配置(RSC)算法对矿浆密度进行整体辨识。此外将机理模型估计的方差作为数据驱动模型的训练目标,提高了模型对数据信息的获取程度。同时采用协同计算的方式将自适应智能检测方法应用到工业中,确保矿浆密度检测的实时性和检测模型自适应性。基于工业数据实验分析,本文方法估计密度的平均绝对误差为7.13、均方根误差为9.31、决定系数为99.51%、检测结果相对误差δ<1.0%的样本数量占比83.58%,均优于其他对比算法,极大提高了矿浆密度检测模型的有效性。