项目名称: 矿物浮选过程泡沫图像多敏感特征分布控制

项目编号: No.61473318

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 自动化技术、计算机技术

项目作者: 谢永芳

作者单位: 中南大学

项目金额: 85万元

中文摘要: 矿物浮选泡沫图像特征是浮选过程药剂添加量调控的重要依据,但图像特征多且相互关联,各特征对药剂添加量的敏感程度不一,并具有非高斯随机分布特性和不确定性,泡沫图像特征分布控制困难。现有人工观察泡沫状态手动调节的方法严重影响精矿质量和矿物回收率,造成资源浪费严重、药剂消耗大。为此,本项目从泡沫图像敏感特征的视角,研究基于药剂变化量敏感度分析的泡沫图像敏感特征集提取及其关联随机分布的有效表征方法,构建基于局部线性嵌入的张量到向量投影的主元权向量获取方法,提出基于泡沫图像多敏感特征分布信息的浮选过程耦合建模方法,建立药剂添加量与主元权向量间关系模型、数据驱动的主元权向量变化预测模型,提出基于主元权向量联合偏差信息熵最小的加药量调整策略,实现泡沫图像多敏感特征随机分布的跟踪控制,形成泡沫图像多敏感特征分布控制理论与方法,为矿物浮选过程稳定生产提供理论基础,对提高产品质量和资源回收率具有重要意义。

中文关键词: 敏感特征分布;泡沫图像;主元权;矿物浮选

英文摘要: The characteristic of bubble image is the key criterion for dosage addition in the mineral floatation process. But the characteristics are multiple and correlated. The sensitivity of different characteristics to the dosage addition is also various with non-Gasussian stochastic distribution and uncertainty. Consequently the distribution control of the bubble image characteristics is difficult. The manual operation of chemical dosage addition based on visual observation for bubbles is employed in practice at present, which badly influences the production quality, quantity and mineral recovery with resource waste and dosage over consumption. In the view of sensitive characteristic of bubbles, the project will investigate the abstraction method of sensitive characteristic set of bubble image based on analysis of sensitivity to dosage variation and the effective representation of correlated stochastic distribution, design the acquisition method of principal component weight vectors projecting from tensors to vectors based on local linear imbedding, explore the coupled modeling method based on multiple sensitive characteristic distribution of bubble image, build the model of the relationship between chemical dosage addition and principal component weight vectors and the data-driven predictive model of principal component weight vectors, propose dosage addition control strategy with minimum information entropy of joint deviation of principal component weight vectors, so as to track the expected multiple characteristic distribution of bubble image. A systematic distribution control method based on multiple sensitive characteristic distribution of bubble image will be constructed, which will build the foundation for the stabilization of the floatation production and significantly improve the production quality and resource recovery.

英文关键词: sensitive characteristic distribution;bubble image;principal component weight;mineral floatation

成为VIP会员查看完整内容
0

相关内容

【AI与电力】电动汽车发展与城市电网适应性研究
专知会员服务
16+阅读 · 2022年4月25日
【CVPR2022】基于渐进自蒸馏的鲁棒跨模态表示学习
专知会员服务
18+阅读 · 2022年4月13日
因果推断在医药图像的应用:数据缺失和数据不匹配
专知会员服务
57+阅读 · 2022年4月2日
CVPR 2021 | 时间序列疾病预测的因果隐马尔可夫模型
专知会员服务
62+阅读 · 2021年4月11日
专知会员服务
25+阅读 · 2021年1月21日
【SIGIR2020】用于冷启动推荐的内容感知神经哈希
专知会员服务
22+阅读 · 2020年6月2日
元气森林,在工厂「觉醒」
36氪
0+阅读 · 2022年4月12日
利用AI进行高精度图像编辑︰EditGAN(附链接)
大数据文摘
3+阅读 · 2022年3月30日
用扩散模型生成高保真度图像
TensorFlow
1+阅读 · 2021年8月17日
人工智能在设备状态评价和故障诊断中的应用
NE电气
23+阅读 · 2018年11月17日
用缩放CNN消除反卷积带来的棋盘伪影
论智
19+阅读 · 2018年10月30日
【工业智能】风机齿轮箱故障诊断 — 基于振动信号
特征工程的特征理解(一)
机器学习研究会
10+阅读 · 2017年10月23日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Anomalous Instance Detection in Deep Learning: A Survey
Deep Anomaly Detection with Outlier Exposure
Arxiv
17+阅读 · 2018年12月21日
小贴士
相关资讯
元气森林,在工厂「觉醒」
36氪
0+阅读 · 2022年4月12日
利用AI进行高精度图像编辑︰EditGAN(附链接)
大数据文摘
3+阅读 · 2022年3月30日
用扩散模型生成高保真度图像
TensorFlow
1+阅读 · 2021年8月17日
人工智能在设备状态评价和故障诊断中的应用
NE电气
23+阅读 · 2018年11月17日
用缩放CNN消除反卷积带来的棋盘伪影
论智
19+阅读 · 2018年10月30日
【工业智能】风机齿轮箱故障诊断 — 基于振动信号
特征工程的特征理解(一)
机器学习研究会
10+阅读 · 2017年10月23日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员