CN105631221A - 一种基于线性回归模型浮选回收率的预测方法 - Google Patents
一种基于线性回归模型浮选回收率的预测方法 Download PDFInfo
- Publication number
- CN105631221A CN105631221A CN201610001910.0A CN201610001910A CN105631221A CN 105631221 A CN105631221 A CN 105631221A CN 201610001910 A CN201610001910 A CN 201610001910A CN 105631221 A CN105631221 A CN 105631221A
- Authority
- CN
- China
- Prior art keywords
- recovery rate
- grade
- linear regression
- model
- ore
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012417 linear regression Methods 0.000 title claims abstract description 53
- 238000011084 recovery Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000012141 concentrate Substances 0.000 claims abstract description 19
- 238000011835 investigation Methods 0.000 claims abstract description 8
- 238000000611 regression analysis Methods 0.000 claims abstract description 4
- 238000005188 flotation Methods 0.000 claims description 36
- 238000003801 milling Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 239000010949 copper Substances 0.000 description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 5
- 229910052802 copper Inorganic materials 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- NRTLIYOWLVMQBO-UHFFFAOYSA-N 5-chloro-1,3-dimethyl-N-(1,1,3-trimethyl-1,3-dihydro-2-benzofuran-4-yl)pyrazole-4-carboxamide Chemical compound C=12C(C)OC(C)(C)C2=CC=CC=1NC(=O)C=1C(C)=NN(C)C=1Cl NRTLIYOWLVMQBO-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000006260 foam Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于线性回归模型浮选回收率的预测方法,属于选矿技术领域。将回收率有影响的原矿品位、精矿品位、磨矿产品中间易选粒级含量作为样本考察值,样本值为15个以上;假设浮选回收率(y)与原矿品位(x1)、精矿品位(x2)、磨矿产品中间易选粒级含量(x3)均呈线性相关,建立线性回归分析模型:
Description
技术领域
本发明涉及一种基于线性回归模型浮选回收率的预测方法,属于选矿技术领域。
背景技术
在选矿领域,回收率作为浮选最重要的评价指标,直接反映了精矿产品的质量和产量。目前由于选厂浮选流程长及检测手段的限制,回收率实时监测无法实现,都需要进行取样化验,数据严重滞后于生产实际。因此,运用数学方法建立线性回归模型预测浮选回收率的思路受到国内外选矿工作者的重视。
桂如金采用一元线性回归方法分别研究了铅、锌浮选回收率与原矿品位、药剂用量的相关性,利用这些相关性可以大体预测和控制回收率。刘峰与杨德忠讨论了矿石铜品位与回收率的关系,T.J.纳皮尔-芒恩和王合祥分析了回收率与品位的回归性并进行了试验验证,黄晓英也对适宜的铜精矿品位与铜金属回收率关系进行了统计分析。然而,回收率的影响因素众多,仅采用一元线性回归分析方法,对查找多因素还存在局限性。因此,使用多元线性回归方法来进一步预测浮选回收率,是非常有必要的。
郝振等以矿物浮选过程为研究对象,在矿浆动力学模型的基础上构造了基于灰色补偿的浮选回收率预测模型;杨英杰用正态分布函数近似描述单元品位曲线,建立浮选精矿回收率、品位和产率之间的数学模型;周开军等以浮选泡沫颜色、泡沫速度、气泡尺寸、气泡承载量、气泡破碎率等图像特征建立浮选回收率预测模型;阳春华等针对浮选泡沫图像特征预测回收率模型提出了一种代价约束的稀疏多核最小二乘支持向量机方法,可使预测浮选回收率的代价值降低了27.56;李海波等通过对浮选过程工艺指标影响因素进行分析,建立了一种基于主元分析与极限学习机的浮选回收率软测量模型。但通过上述研究在许多厂矿的生产数据进行验证,浮选模型拟合度太低,自变量对回收率的影响不够显著,预测精度低,浮选回收率的预测值和实际值之间差异性较明显.与生产实际指标不符。
发明内容
针对上述现有技术存在的问题及不足,本发明提供一种基于线性回归模型浮选回收率的预测方法。本发明通过收集样本考察值,自变量、拟合优度、模型的总体显著性、单个回归系数的显著性检测来建立线性回归模型,本发明通过以下技术方案实现。
一种基于线性回归模型浮选回收率的预测方法:
(1)收集样本考察值
将回收率有影响的原矿品位、精矿品位、磨矿产品中间易选粒级含量作为样本考察值,样本值为15个以上;
(2)建立线性回归模型
假设浮选回收率(y)与原矿品位(x1)、精矿品位(x2)、磨矿产品中间易选粒级含量(x3)均呈线性相关,建立线性回归分析模型:,用EViews软件,输入样本值数据后,选用最小二乘法估计模型的参数,得到模型估计结果、t统计量、样本多元相关系数、修正系数和F统计量,求得的值,得到线性回归分析模型:;
(3)浮选回收率的预测
将需预测的浮选回收率对应的原矿品位、精矿品位、磨矿产品中间易选粒级含量数值带入到回归分析模型中,求得浮选回收率。
所述线性回归分析模型自变量的相关性检验:根据原矿品位、粗精品位和磨矿产品中间易选粒级含量的样本值,利用EViews软件计算各解释变量的相关关系矩阵。
所述线性回归分析模型采用F检验总体显著性。
所述线性回归分析模型采用t检验单个系数的显著性。
上述磨矿产品中间易选粒级为现有常规技术就能获得的易选粒级。
本发明的有益效果是:本发明充分考虑了磨矿产品粒度的均匀性及中间可选粒级含量对选别的正相关性,在建立线性回归模型中将中间可选粒级含量作为自变量因素,克服了单纯考虑回收率与品位建立的回归关系拟合度太低,品位对回收率的影响不够显著,与生产实际指标不符的缺陷。
附图说明
图1是本发明实施例1EViews软件回归结果图。
图2是本发明预测方法的流程图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1
如图2所示,该基于线性回归模型浮选回收率的预测方法:
(1)收集样本考察值
将回收率有影响的原矿品位、精矿品位、磨矿产品中间易选粒级含量(磨矿产品中间易选粒级为-0.2+0.038mm粒级)作为样本考察值,样本值为21组,21组样本值具体数值如表1所示;
表1
(2)建立线性回归模型
假设浮选回收率(y)与原矿品位(x1)、精矿品位(x2)、磨矿产品中间易选粒级含量(x3)均呈线性相关,建立线性回归分析模型:,用EViews软件,输入样本值数据后,选用最小二乘法估计模型的参数,得到模型估计结果(结果如图1所示)、t统计量(、对应的t统计量分别为8.557402、10.55407、-9.137686、11.31394)、样本多元相关系数()、修正系数()和F统计量(71.35328),求得的值,得到线性回归分析模型:;
(3)浮选回收率的预测
将需预测的浮选回收率对应的原矿品位、精矿品位、磨矿产品中间易选粒级含量数值(如表3所示)带入到回归分析模型中,求得浮选回收率(如表3所示)。
对上述步骤(2)中的线性回归模型进行检验:
①自变量的相关性检验:
根据原矿品位,粗精品位和磨矿产品中间易选粒级-0.2+0.038mm含量的样本值,利用EViews软件计算各变量的相关关系,得到原矿品位,粗精品位和磨矿产品中间易选粒级-0.2+0.038mm含量之间的相关系数矩阵,如表2所示。
表2
②拟合优度检测
从步骤(2)的模型估计结果可知,修正系数,即原矿品位、精矿品位、磨矿产品中间易选粒级-0.2+0.038mm含量对铜粗选回收率变动的91.34%作出解释。这也说明模型对该样本的拟合较好。
③F检验总体显著性
采用F检验多元线性回归模型的总体显著性,可知(其中α为显著性水平1%,k为原矿品位、精矿品位、磨矿产品中间易选粒级含量三个变量,n为样本组,本实施例为21个样本组),在F分布分位数表中查出F0.99(3,17)的值为5.28,所以,该步骤(2)的模型估计结果可知F=71.35328>F0.01(3,17),所以拒绝H0。说明原矿品位、粗精品位、磨矿产品中间易选粒级-0.2+0.038mm含量对浮选回收率共同的影响是显著的。
④采用t检验单个系数的显著性
采用t检验单个系数的显著性。(其中为显著性水平1%,k为原矿品位、精矿品位、磨矿产品中间易选粒级含量三个变量,n为样本组,本实施例为21个样本组),查t分布分位数表可知t0.995(18)=2.878。步骤(2)的模型估计结果可知的t统计量10.55407、-9.137686、11.31394均满足,说明各个系数对y影响是显著的,所以拒绝H0。即原矿品位、粗精品位、磨矿产品中间易选粒级-0.2+0.038mm含量对浮选回收率都有显著的影响。
⑤模型的实际意义检验
多元线性回归方程中各系数表明,在假定其它变量不变的情况下,当原矿品位增加0.1个百分点时,回收率可增加3.6个百分点;当精矿品位增加1个百分点时回收率减少1.28个百分点;当磨矿产品中间易选粒级-0.2+0.038mm含量增加1个百分点时,回收率增加0.92个百分点。这也与大山选厂目前的生产相吻合,工业试验期选厂生产指标见下表3。
表3
从表3可知,在工业试验钢球逐步替换期、增加大球比例调试期、增加小球比例调试期、稳定期铜粗选回收率实际值与计算值之间的绝对误差分别为0.37、0.57、0.50、0.39个百分点,相对误差分别为0.43%、0.66%、0.58%、0.45%,说明按该模型计算的铜粗选回收率与实际回收率基本吻合,这也表明回归统计模型具有一定的实际意义。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种基于线性回归模型浮选回收率的预测方法,其特征在于:
(1)收集样本考察值
将回收率有影响的原矿品位、精矿品位、磨矿产品中间易选粒级含量作为样本考察值,样本值为15个以上;
(2)建立线性回归模型
假设浮选回收率y与原矿品位x1、精矿品位x2、磨矿产品中间易选粒级含量x3均呈线性相关,建立线性回归分析模型:,用EViews软件,输入样本值数据后,选用最小二乘法估计模型的参数,得到模型估计结果、t统计量、样本多元相关系数、修正系数和F统计量,求得的值,得到线性回归分析模型:;
(3)浮选回收率的预测
将需预测的浮选回收率对应的原矿品位、精矿品位、磨矿产品中间易选粒级含量数值代入到回归分析模型中,求得浮选回收率。
2.根据权利要求1所述的基于线性回归模型浮选回收率的预测方法,其特征在于:所述线性回归分析模型自变量的相关性检验:根据原矿品位、粗精品位和磨矿产品中间易选粒级含量的样本值,利用EViews软件计算各解释变量的相关关系矩阵。
3.根据权利要求1所述的基于线性回归模型浮选回收率的预测方法,其特征在于:所述线性回归分析模型采用F检验总体显著性。
4.根据权利要求1所述的基于线性回归模型浮选回收率的预测方法,其特征在于:所述线性回归分析模型采用t检验单个系数的显著性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610001910.0A CN105631221B (zh) | 2016-01-06 | 2016-01-06 | 一种基于线性回归模型浮选回收率的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610001910.0A CN105631221B (zh) | 2016-01-06 | 2016-01-06 | 一种基于线性回归模型浮选回收率的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105631221A true CN105631221A (zh) | 2016-06-01 |
CN105631221B CN105631221B (zh) | 2018-01-12 |
Family
ID=56046150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610001910.0A Active CN105631221B (zh) | 2016-01-06 | 2016-01-06 | 一种基于线性回归模型浮选回收率的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105631221B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375293A (zh) * | 2018-08-30 | 2019-02-22 | 昆明理工大学 | 一种基于Mann-Kendall趋势检验与自回归积分滑动平均的风速预测方法 |
CN110020507A (zh) * | 2019-05-14 | 2019-07-16 | 中铁一局集团有限公司 | 一种预制盾构管片蒸汽养护前最短静停时间的预测方法 |
CN112580185A (zh) * | 2020-10-31 | 2021-03-30 | 昆明理工大学 | 一种立式搅拌磨机磨矿产品中间粒级含量的预测方法 |
CN112651579A (zh) * | 2021-01-18 | 2021-04-13 | 矿冶科技集团有限公司 | 基于矿石基因特性的浮选回收率预测方法 |
CN112690771A (zh) * | 2020-12-09 | 2021-04-23 | 华南理工大学 | 一种利用线性回归模型的人脸视频心率检测方法 |
CN112837762A (zh) * | 2021-01-05 | 2021-05-25 | 广东省科学院资源综合利用研究所 | 一种铂钯共生矿的浮选精矿中铂钯品位的预测方法 |
CN112861076A (zh) * | 2021-01-05 | 2021-05-28 | 广东省科学院资源综合利用研究所 | 一种基于线性回归模型的铂钯品位的预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
CN102284369A (zh) * | 2011-06-09 | 2011-12-21 | 北京矿冶研究总院 | 一种提高浮选回收率的方法 |
-
2016
- 2016-01-06 CN CN201610001910.0A patent/CN105631221B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
CN102284369A (zh) * | 2011-06-09 | 2011-12-21 | 北京矿冶研究总院 | 一种提高浮选回收率的方法 |
Non-Patent Citations (3)
Title |
---|
付洪岭: "浮选回收率相对入选品位的回归分析", 《中国矿山工程》 * |
刘青,等: "金矿浮选回收率预测模型", 《北京科技大学学报》 * |
曹斌芳,等: "基于多源数据的铝土矿浮选生产指标集成建模方法", 《控制理论与应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375293A (zh) * | 2018-08-30 | 2019-02-22 | 昆明理工大学 | 一种基于Mann-Kendall趋势检验与自回归积分滑动平均的风速预测方法 |
CN110020507A (zh) * | 2019-05-14 | 2019-07-16 | 中铁一局集团有限公司 | 一种预制盾构管片蒸汽养护前最短静停时间的预测方法 |
CN110020507B (zh) * | 2019-05-14 | 2022-09-30 | 中铁一局集团有限公司 | 一种预制盾构管片蒸汽养护前最短静停时间的预测方法 |
CN112580185A (zh) * | 2020-10-31 | 2021-03-30 | 昆明理工大学 | 一种立式搅拌磨机磨矿产品中间粒级含量的预测方法 |
CN112690771A (zh) * | 2020-12-09 | 2021-04-23 | 华南理工大学 | 一种利用线性回归模型的人脸视频心率检测方法 |
CN112690771B (zh) * | 2020-12-09 | 2022-05-24 | 华南理工大学 | 一种利用线性回归模型的人脸视频心率检测方法 |
CN112837762A (zh) * | 2021-01-05 | 2021-05-25 | 广东省科学院资源综合利用研究所 | 一种铂钯共生矿的浮选精矿中铂钯品位的预测方法 |
CN112861076A (zh) * | 2021-01-05 | 2021-05-28 | 广东省科学院资源综合利用研究所 | 一种基于线性回归模型的铂钯品位的预测方法 |
CN112837762B (zh) * | 2021-01-05 | 2023-12-22 | 广东省科学院资源综合利用研究所 | 一种铂钯共生矿的浮选精矿中铂钯品位的预测方法 |
CN112861076B (zh) * | 2021-01-05 | 2023-12-26 | 广东省科学院资源综合利用研究所 | 一种基于线性回归模型的铂钯品位的预测方法 |
CN112651579A (zh) * | 2021-01-18 | 2021-04-13 | 矿冶科技集团有限公司 | 基于矿石基因特性的浮选回收率预测方法 |
CN112651579B (zh) * | 2021-01-18 | 2023-09-29 | 矿冶科技集团有限公司 | 基于矿石基因特性的浮选回收率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105631221B (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631221A (zh) | 一种基于线性回归模型浮选回收率的预测方法 | |
JP2021534055A (ja) | マルチスケール深層畳み込みニューラルネットワークに基づくアルミナ総合生産指標の決定方法 | |
CN103839057B (zh) | 一种锑浮选工况识别方法及系统 | |
CN105302848A (zh) | 一种设备智能预警系统的评估值校准方法 | |
CN104134120A (zh) | 一种选矿生产指标监控系统及方法 | |
US11202974B2 (en) | Mineral recovery control | |
CN104181883A (zh) | 实时数据采集系统的异常数据实时处理方法 | |
CN101863088A (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN104572985A (zh) | 一种基于复杂网络社区发现的工业数据样本筛选方法 | |
Zhao et al. | On-line least squares support vector machine algorithm in gas prediction | |
Lu et al. | A cascaded recognition method for copper rougher flotation working conditions | |
Feng et al. | Endpoint temperature prediction of molten steel in RH using improved case-based reasoning | |
CN113780672A (zh) | 基于大数据人工智能的电解槽参数优化方法和系统 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
CN106406257B (zh) | 一种基于案例推理的铁矿浮选精矿品位软测量方法及系统 | |
Yan et al. | Estimation of copper concentrate grade for copper flotation | |
CN114386679A (zh) | 基于集成学习的球磨机能耗状态监测方法 | |
CN104318313A (zh) | 基于案例推理的选矿全流程运行指标智能决策系统及方法 | |
CN110196797B (zh) | 适于信用评分卡系统的自动优化方法和系统 | |
CN104680251A (zh) | 考虑外部环境影响的港口设备智能预防性维护系统及方法 | |
CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
CN115374991A (zh) | 一种基于改进统计升尺度的光伏集群出力预测方法 | |
Yue et al. | Study on prediction model of blast furnace hot metal temperature | |
CN114768987A (zh) | 一种基于dcs的选煤厂重介灰分控制方法及系统 | |
CN109840722B (zh) | 一种金湿法冶金全流程运行状态在线评价方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |