随着我国经济的快速发展,有色金属的需求量越来越大,但是随着易开采的矿区大量减少,硫化镍矿的储量和品位逐渐降低,而铜和镍的需求量却越来越大。因此,选择合适的选矿工艺提高矿产资源的利用率变得尤为重要。我国90%以上的有色金属都采用泡沫浮选法提纯。泡沫浮选是一种基于矿石表面物理化学性质差异的矿质分离选矿方式,通过不同矿物的物理化学性质不同产生的矿物可浮性不同这种性质将不同矿物分离。本文依托于电子科技大学与甘肃某公司的合作项目,针对于在镍泡沫浮选过程的自动化水平低、环境恶劣、工人控制主观随意性强的缺点,利用数据库中庞大的生产数据展开了数据挖掘。本课题的合作方甘肃某公司泡沫浮选使用的浮选柱多达五个,工艺繁琐,参数众多。这使得基于机理的建模方式变得几乎不可能。随着计算机算技术和智能算法的发展,非解析方式建模逐渐成为数据处理与建模的主要方式。本文采取基于数据驱动的黑箱建模方法,使用数据挖掘相关技术进行分析。本文通过对浮选现场采集到的数据进行数据特征分析,使用了多种数据挖掘算法来对输入参数和输出参数之间建立模型。最终模型精度满足要求,并研制了一套浮选建模软件交付工厂使用。本文的工作如下所示:1、数据特征分析与数据预处理本文使用了SQLServer2008数据库作为接收从工况现场获得数据的数据仓库。数据来源众多,即包含来自于流量计、气压计、浓度计、品位分析仪、粒度分析仪的工况数据,也包含来自于泡沫图像采集系统的图像数据。这些数据存在缺失、重复、正常工况数据与异常工况数据混杂一起的情况,因此对这些不同来源的数据分别进行数据特征分析,再按照数据特征制定了专门的数据预处理方式来去除异常数据。2、数据的初步处理使用了归一化方法使输入数据放缩到同一量纲,防止由于某些值较小的参数被忽略影响。使用了主成分分析算法,对众多参数进行了降维操作,减少了数据挖掘的计算量,提高了后续过程运算速度,提升了模型精度。聚类算法中使用k-means聚类算法使数据中欧氏距离小的数据分为一类,将复杂的浮选工况拆解为4个小工况,通过选取稳定的工况数据,提升了后续建模的精度。3、数据建模数据挖掘技术使用了人工神经网络算法。人工神经网络算法中根据浮选过程的非线性、滞后性和时间序列数据的特点使用了非线性自回归神经网络(NARX)。非线性自回归神经网络具有记忆和反馈功能,上一时刻的数据训练结果可以影响下一刻数据的输入。使得网络具有动态性,更加贴近与真实的系统。最后采用了均方根误差的方式对模型精度进行了评估。均方根误差和最终稳定在0.1以下,满足模型使用精度要求。