CN113344276B - 一种矿石颗粒形状、质量、密度指标概率分布的预测方法 - Google Patents

一种矿石颗粒形状、质量、密度指标概率分布的预测方法 Download PDF

Info

Publication number
CN113344276B
CN113344276B CN202110671651.3A CN202110671651A CN113344276B CN 113344276 B CN113344276 B CN 113344276B CN 202110671651 A CN202110671651 A CN 202110671651A CN 113344276 B CN113344276 B CN 113344276B
Authority
CN
China
Prior art keywords
distribution
particle
density
particles
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.)
Active
Application number
CN202110671651.3A
Other languages
English (en)
Other versions
CN113344276A (zh
Inventor
左蔚然
刘帅
郭宝
郭静怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202110671651.3A priority Critical patent/CN113344276B/zh
Publication of CN113344276A publication Critical patent/CN113344276A/zh
Application granted granted Critical
Publication of CN113344276B publication Critical patent/CN113344276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本发明涉及一种矿石颗粒形状、质量、密度指标概率分布的预测方法，包括以下步骤：采用标准筛序筛子对全粒级入料矿石颗粒进行筛分；从筛分产品中选择窄粒级矿石颗粒样本；检测每个窄粒级颗粒样本的形状指标；称量每个单颗粒矿石的质量，并根据颗粒质量与体积的比值，获得每个单颗粒的密度；计算每个形状、质量和密度性质指标数据集的平均值和标准偏差；颗粒的长度、宽度、高度、体积、面积、长径比和圆形度等形状指标的数据集分别采用最大极值分布、正态分布、威布尔分布、对数正态分布、对数正态分布、威布尔分布和威布尔分布来描述其概率分布密度；颗粒的质量和密度指标的数据集分别采用对数正态分布和Logistic分布来描述其概率分布密度。

Description

一种矿石颗粒形状、质量、密度指标概率分布的预测方法
技术领域
本发明涉及矿石指标预测领域，具体涉及矿石颗粒形状、质量、密度指标概率分布的预测方法。
背景技术
在矿业生产中，入料矿石颗粒的形状、质量和密度等性质会影响堆浸、搬运、碎磨、重选和浮选等矿物加工过程的效率。对包括颗粒形状、质量、密度等在内的入料矿石性质的精准探测是智能矿物加工的前提条件之一。然而，作为典型的非均质入料，每一粒矿石颗粒的形状、质量、密度指标均不同于其他矿石颗粒。对任一特定的矿石入料，如果采用从矿堆中随机取样并检验样品颗粒形状、质量、密度指标的概率分布规律这一常规做法的话，会存在以下两方面问题：第一，样品采集量大，并进而导致颗粒检测工作量大，增大了获取矿石颗粒性质指标概率分布规律的物质和时间成本；第二，所得结果仅反映颗粒形状、质量、密度等指标的具体概率分布规律，难以进一步从这些规律中提取能够反映矿石性质、处理过程是否发生变化的信息。
发明内容
有鉴于此，本发明的目的在于提供一种矿石颗粒形状、质量、密度指标概率分布的预测方法，实现快速精确获取矿石颗粒性质指标的概率密度分布。
为实现上述目的，本发明采用如下技术方案：
一种矿石颗粒形状、质量、密度指标概率分布的预测方法，包括以下步骤：
步骤S1:采用相邻筛孔孔径之比为
Figure RE-GDA0003170348190000022
或
Figure RE-GDA0003170348190000021
倍的标准筛序筛子对全粒级入料矿石颗粒进行筛分；
步骤S2:从筛分产品中选择2～3个或以上数量的窄粒级矿石颗粒样本；
步骤S3:对每个窄粒级颗粒样本，采用给料机向表面水平的输送机给料，调整给料机以确保以重心最低的方式置于带式输送机上；
步骤S4:通过输送机上方的图像识别装置，检测每个窄粒级颗粒样本的形状指标；
步骤S5:通过带式输送机内置的称重装置称量每个单颗粒矿石的质量，并根据颗粒质量与体积的比值，获得每个单颗粒的密度；
步骤S6:对每个窄粒级颗粒样本，计算其每个形状、质量和密度性质指标数据集的平均值和标准偏差
步骤S7:颗粒的长度、宽度、高度、体积、面积、长径比和圆形度等形状指标的数据集分别采用最大极值分布、正态分布、威布尔分布、对数正态分布、对数正态分布、威布尔分布和威布尔分布来描述其概率分布密度；颗粒的质量和密度指标的数据集分别采用对数正态分布和Logistic分布来描述其概率分布密度。
进一步的，所述图像识别装置采用三维激光扫描仪或图像识别相机。
进一步的，所述步骤S3给料时颗粒以单队列形式转移到带式输送机上。
进一步的，所述最大极值分布、正态分布、威布尔分布、对数正态分布和Logistic分布的概率密度分布函数分别如下：
最大极值分布：
Figure RE-GDA0003170348190000031
正态分布：
Figure RE-GDA0003170348190000032
威布尔分布：
Figure RE-GDA0003170348190000033
对数正态分布：
Figure RE-GDA0003170348190000034
Logistic分布：
Figure RE-GDA0003170348190000035
其中，α、β、γ、δ分别代表概率密度函数的位置参数、尺度参数、形状参数和阈值参数。
进一步的，所述最大极值分布、正态分布、威布尔分布、对数正态分布和Logistic分布的概率密度函数的位置参数、尺度参数、形状参数和阈值参数与对应数据集的平均值和标准偏差分别存在以下关系：
最大极值分布：
Figure RE-GDA0003170348190000041
正态分布：
Figure RE-GDA0003170348190000042
威布尔分布：
δ可用下式计算，
Figure RE-GDA0003170348190000043
β可用下式之一计算，
Figure RE-GDA0003170348190000044
对数正态分布：
Figure RE-GDA0003170348190000045
Logistic分布：
Figure RE-GDA0003170348190000051
其中，μ和σ分别代表某数据集的平均值和标准偏差，E代表欧拉系数；г(x)代表伽马函数，此处用G1、G2分别代表
Figure RE-GDA0003170348190000052
进一步的，所述矿石颗粒的形状、质量、密度性质指标数据集的平均值和标准偏差通过形如式(12)、(13)、(14)的公式进行预测：
其中，颗粒的长度、宽度、高度、体积、质量、面积和圆形度数据集的平均值和标准偏差采用形如式(12)的公式进行预测：
Figure RE-GDA0003170348190000053
其中，Yij代表第i的粒级的第j种颗粒性质的数据集的平均值μ或标准偏差σ，μix代表第i个粒级颗粒的几何平均粒度；参数a和b 为系数，其值根据对所检测的多个窄粒级颗粒的Yij和μix进行拟合确定；
当颗粒高度数据集的平均值μ或标准偏差σ采用形如式(12)的公式进行拟合时，如果b参数的值明显小于1，则采用形如式(13) 的公式进行拟合：
Yij＝a{1-exp[-b(μix-c)]} (13)
其中，颗粒的密度和长径比数据集的平均值μ或标准偏差σ可以采用式(12)、(13)或(14)之一进行预测；
式(14)的形式如下：
Yij＝a{exp[-b(μix)]}+c (14)。
进一步的，所述步骤S2中窄粒级的数量应大于等于式(12)、 (13)、(14)在应用于特定颗粒性质指标时所需的公式系数的数量。
本发明与现有技术相比具有以下有益效果：
1、本发明仅使用少量参数(a、b、c)预测和描述不同粒级矿石颗粒的形状、质量、密度等性质指标数据集的平均值和标准偏差，并进而预测其概率密度分布；
2、本发明可在智能矿物加工中起到精准描述选矿厂入料矿石颗粒的形状、质量和密度等性质指标的概率密度分布情况，并对矿石性质、处理过程的改变做出预警。
附图说明
图1是本发明一实施例中检测装置示意图；
图2是本发明一实施例中G值曲线图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种矿石颗粒形状、质量、密度指标概率分布的预测装置，包括振动给料机、带式传输机、三维激光扫描仪或图像识别相机；所述三维激光扫描仪或图像识别相机设置于输送机上方；所述带式输送机内置有称重装置。
本实施例中提供一种矿石颗粒形状、质量、密度指标概率分布的预测方法，包括以下步骤；
步骤S1:采用相邻筛孔孔径之比为
Figure RE-GDA0003170348190000071
或
Figure RE-GDA0003170348190000072
倍的标准筛序筛子对全粒级入料矿石颗粒进行筛分；
步骤S2:从筛分产品中选择2～3个或以上数量的窄粒级(粒度上下限之比为
Figure RE-GDA0003170348190000073
或
Figure RE-GDA0003170348190000074
倍)矿石颗粒样本。窄粒级的数量应大于等于式 (12)、(13)、(14)在应用于特定颗粒性质指标时所需的公式系数的数量；
步骤S3:对每个窄粒级颗粒样本，采用振动给料机(1)向表面水平的带式输送机(2)给料，调整给料机振动频率以确保以重心最低的方式置于带式输送机上。给料时颗粒(3)以单队列形式转移到带式输送机上；
步骤S4:通过输送机上方的三维激光扫描仪或图像识别相机(4)，检测每个窄粒级颗粒样本的形状指标L
步骤S5:通过带式输送机内置的称重装置(5)称量每个单颗粒矿石的质量。根据颗粒质量与体积的比值，获得每个单颗粒的密度；
步骤S6:对每个窄粒级颗粒样本，计算其每个形状、质量和密度性质指标数据集的平均值和标准偏差。在下文中，数据集均指在某个窄粒级内的颗粒的某项颗粒性质指标的数据集合。
步骤S7:颗粒的长度、宽度、高度、体积、面积、长径比和圆形度等形状指标的数据集分别采用最大极值分布、正态分布、威布尔分布、对数正态分布、对数正态分布、威布尔分布和威布尔分布来描述其概率分布密度。颗粒的质量和密度指标的数据集分别采用对数正态分布和Logistic分布来描述其概率分布密度。
在本实施例中，根据统计学原理，最大极值分布、正态分布、威布尔分布、对数正态分布和Logistic分布的概率密度分布函数分别如下：
最大极值分布：
Figure RE-GDA0003170348190000081
正态分布：
Figure RE-GDA0003170348190000082
威布尔分布：
Figure RE-GDA0003170348190000083
对数正态分布：
Figure RE-GDA0003170348190000084
Logistic分布：
Figure RE-GDA0003170348190000085
其中，α、β、γ、δ分别代表概率密度函数的位置参数、尺度参数、形状参数和阈值参数。以上5种分布的概率密度函数均可用该4种参数的2～3种来进行描述。
根据统计学原理，最大极值分布、正态分布、威布尔分布、对数正态分布和Logistic分布的概率密度函数的位置参数、尺度参数、形状参数和阈值参数与对应数据集的平均值和标准偏差分别存在以下关系：
最大极值分布：
Figure RE-GDA0003170348190000091
正态分布：
Figure RE-GDA0003170348190000092
威布尔分布：
δ可用下式计算，
Figure RE-GDA0003170348190000093
β可用下式之一计算，
Figure RE-GDA0003170348190000094
对数正态分布：
Figure RE-GDA0003170348190000101
Logistic分布：
Figure RE-GDA0003170348190000102
其中，μ和σ分别代表某数据集的平均值和标准偏差，E代表欧拉系数，其值约等于0.57722。г(x)代表伽马函数，此处用G1、G2分别代表
Figure RE-GDA0003170348190000103
在本应用场景范围内，伽马函数无恰当的解析表达式，但G1、G2可通过图2进行插值来确定。
在本实施例中，颗粒的高度、圆形度和长径比的数据集均符合威布尔分布。其中，高度的威布尔分布的δ默认取值为0，圆形度的威布尔分布的δ取值固定为0，长径比的威布尔分布的δ取值固定为1。
矿石颗粒的形状、质量、密度等性质指标数据集的平均值和标准偏差通过形如式(12)、(13)、(14)的公式进行预测：
其中，颗粒的长度、宽度、高度、体积、质量、面积和圆形度数据集的平均值和标准偏差采用形如式(12)的公式进行预测：
Figure RE-GDA0003170348190000104
其中，Yij代表第i的粒级的第j种颗粒性质的数据集的平均值μ或标准偏差σ，μix代表第i个粒级颗粒的几何平均粒度(粒度上下限的乘积的开方)。参数a和b为系数，其值根据对所检测的多个窄粒级颗粒的Yij和μix进行拟合确定。
特别地，当颗粒高度数据集的平均值μ或标准偏差σ采用形如式 (12)的公式进行拟合时，如果b参数的值明显小于1，则采用形如式(13)的公式进行拟合：
Yij＝a{1-exp[-b(μix-c)]} (13)
其中，颗粒的密度和长径比数据集的平均值μ或标准偏差σ可以采用式(12)、(13)或(14)之一进行预测。式(14)的形式如下：
Yij＝a{exp[-b(μix)]}+c (14)
在智能矿物加工中，需要根据选矿厂入料颗粒性质指标的具体概率密度分布，而不是入料颗粒性质的平均测试结果针对性地设定系统运行条件。这要求对矿石颗粒的形状、质量和密度等性质指标的具体概率密度分布进行精准的预测与描述。本发明可使用少量窄粒级颗粒的检测结果预测和描述不同粒级矿石颗粒的形状、质量和密度等性质指标的具体概率密度分布。
在智能矿物加工中，需要及时发现选矿厂入料矿石类型和/或破碎作业状况的改变情况。当选矿厂入料之前的破碎系统运行正常时，对于颗粒的长度、宽度和高度数据集的平均值或标准偏差，式(12) 中的b参数的值应接近1，同时颗粒的体积、质量和面积数据集的b 参数的值应分别接近3、3和2。如果颗粒的长度和宽度数据集的b 参数的值明显小于1(高度的b参数会保持在接近1)且颗粒的体积、质量和面积数据集的b参数的值明显分别小于3、3和2，可判定破碎设备的排矿口宽度明显小于正常值；当不同批次的矿石颗粒数据集的a参数发生改变时，表明矿石类型和/或破碎作业状况发生了改变。
在现行的选矿厂流程设计中，入料颗粒性质的平均值被用于设备选型或回路设计，这有违于矿石颗粒作为非均质物料的本质。本发明可精确描述矿石颗粒性质指标的概率密度分布，可用于设计更精准的选矿厂流程。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种矿石颗粒形状、质量、密度指标概率分布的预测方法，其特征在于，包括以下步骤：
步骤S1:采用相邻筛孔孔径之比为
Figure FDA0003618505920000011
或
Figure FDA0003618505920000012
倍的标准筛序筛子对全粒级入料矿石颗粒进行筛分；
步骤S2:从筛分产品中选择2个或以上数量的窄粒级矿石颗粒样本；
步骤S3:对每个窄粒级颗粒样本，采用给料机向输送机给料，调整给料机以确保以重心最低的方式置于带式输送机上；
步骤S4:通过输送机上方的图像识别装置，检测每个窄粒级颗粒样本的形状指标；
步骤S5:通过输送机内置的称重装置称量每个单颗粒矿石的质量，并根据颗粒质量与体积的比值，获得每个单颗粒的密度；
步骤S6:对每个窄粒级颗粒样本，计算其每个形状、质量和密度性质指标数据集的平均值和标准偏差；
步骤S7:颗粒的长度、宽度、高度、体积、面积、长径比和圆形度形状指标的数据集分别采用最大极值分布、正态分布、威布尔分布、对数正态分布、对数正态分布、威布尔分布和威布尔分布来描述其概率分布密度；颗粒的质量和密度指标的数据集分别采用对数正态分布和Logistic分布来描述其概率分布密度；
所述最大极值分布、正态分布、威布尔分布、对数正态分布和Logistic分布的概率密度分布函数分别如下：
最大极值分布：
Figure FDA0003618505920000021
正态分布：
Figure FDA0003618505920000022
威布尔分布：
Figure FDA0003618505920000023
对数正态分布：
Figure FDA0003618505920000024
Logistic分布：
Figure FDA0003618505920000025
其中，α、β、γ、δ依次代表概率密度函数的位置参数、尺度参数、形状参数和阈值参数；
所述最大极值分布、正态分布、威布尔分布、对数正态分布和Logistic分布的概率密度函数的位置参数、尺度参数、形状参数和阈值参数与对应数据集的平均值和标准偏差分别存在以下关系：
最大极值分布：
Figure FDA0003618505920000026
正态分布：
Figure FDA0003618505920000027
威布尔分布：
δ用下式计算，
Figure FDA0003618505920000031
β可用下式之一计算；
Figure FDA0003618505920000032
对数正态分布：
Figure FDA0003618505920000033
Logistic分布：
Figure FDA0003618505920000034
其中，μ和σ分别代表某数据集的平均值和标准偏差，E代表欧拉系数；г(x)代表伽马函数，此处用G1、G2分别代表
Figure FDA0003618505920000035
所述矿石颗粒的形状、质量、密度性质指标数据集的平均值和标准偏差通过形如式(12)、(13)、(14)的公式进行预测：
其中，颗粒的长度、宽度、高度、体积、质量、面积和圆形度数据集的平均值和标准偏差采用形如式(12)的公式进行预测：
Figure FDA0003618505920000036
其中，Yij代表第i的粒级的第j种颗粒性质的数据集的平均值μ或标准偏差σ，μix代表第i个粒级颗粒的几何平均粒度；参数a和b为系数，其值根据对所检测的多个窄粒级颗粒的Yij和μix进行拟合确定；
当颗粒高度数据集的平均值μ或标准偏差σ采用形如式(12)的公式进行拟合时，如果b参数的值明显小于1，则采用形如式(13)的公式进行拟合：
Yij＝a{1-exp[-b(μix-c)]} (13)
其中，颗粒的密度和长径比数据集的平均值μ或标准偏差σ可以采用式(12)、(13)或(14)之一进行预测；
式(14)的形式如下：
Yij＝a{exp[-b(μix)]}+c (14)。
2.根据权利要求1所述的一种矿石颗粒形状、质量、密度指标概率分布的预测方法，其特征在于，所述图像识别装置采用三维激光扫描仪或图像识别相机。
3.根据权利要求1所述的一种矿石颗粒形状、质量、密度指标概率分布的预测方法，其特征在于，所述步骤S3给料时颗粒以单队列形式转移到带式输送机上。
4.根据权利要求1所述的一种矿石颗粒形状、质量、密度指标概率分布的预测方法，其特征在于，所述步骤S2中窄粒级的数量应大于等于式(12)、(13)、(14)在应用于特定颗粒性质指标时所需的公式系数的数量。
5.根据权利要求1所述的一种矿石颗粒形状、质量、密度指标概率分布的预测方法，其特征在于，所述数据集指在某个窄粒级内的颗粒的某项颗粒性质指标的数据集合。
CN202110671651.3A 2021-06-17 2021-06-17 一种矿石颗粒形状、质量、密度指标概率分布的预测方法 Active CN113344276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110671651.3A CN113344276B (zh) 2021-06-17 2021-06-17 一种矿石颗粒形状、质量、密度指标概率分布的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110671651.3A CN113344276B (zh) 2021-06-17 2021-06-17 一种矿石颗粒形状、质量、密度指标概率分布的预测方法

Publications (2)

Publication Number Publication Date
CN113344276A CN113344276A (zh) 2021-09-03
CN113344276B true CN113344276B (zh) 2022-07-05

Family

ID=77475906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110671651.3A Active CN113344276B (zh) 2021-06-17 2021-06-17 一种矿石颗粒形状、质量、密度指标概率分布的预测方法

Country Status (1)

Country Link
CN (1) CN113344276B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318330A (zh) * 2014-10-20 2015-01-28 东北大学 快速蒙特卡洛方法预测球磨机磨矿粒度分布的系统及方法
CN109085809A (zh) * 2018-08-29 2018-12-25 东北大学 加长型球磨机粒度分布的分布参数模拟系统
CN111507980A (zh) * 2020-05-22 2020-08-07 福州大学 动态图像法检测矿石碎磨产品粒度分布的校正方法
CN111582162A (zh) * 2020-05-07 2020-08-25 中国矿业大学 一种基于颗粒断口特征的矿物解离度获取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2998370A1 (fr) * 2012-11-20 2014-05-23 Commissariat Energie Atomique Procede de caracterisation de particules par analyse d'image

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318330A (zh) * 2014-10-20 2015-01-28 东北大学 快速蒙特卡洛方法预测球磨机磨矿粒度分布的系统及方法
CN109085809A (zh) * 2018-08-29 2018-12-25 东北大学 加长型球磨机粒度分布的分布参数模拟系统
CN111582162A (zh) * 2020-05-07 2020-08-25 中国矿业大学 一种基于颗粒断口特征的矿物解离度获取方法
CN111507980A (zh) * 2020-05-22 2020-08-07 福州大学 动态图像法检测矿石碎磨产品粒度分布的校正方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘建远.威布尔分布在颗粒碎裂描述和粉碎数学建模中的应用.《矿冶》.2009,(第03期),全文. *
蔡改贫等.基于Weibull分布的Bond冲击破碎粒度分布特征.《金属矿山》.2016,(第04期),全文. *

Also Published As

Publication number Publication date
CN113344276A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
Donskoi et al. Utilization of optical image analysis and automatic texture classification for iron ore particle characterisation
Igathinathane et al. Comparison of particle size distribution of celestite mineral by machine vision ΣVolume approach and mechanical sieving
Little et al. Auto-SEM particle shape characterisation: Investigating fine grinding of UG2 ore
Altun et al. Multi component modelling of an air classifier
Andersson et al. A machine vision system for estimation of size distributions by weight of limestone particles
CN108629091B (zh) 一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法
CN1509453A (zh) 一种使用物体或颗粒自动分析的用于体相材料工业处理的控制反馈系统和方法
EP3839886A1 (en) A method and system for performing characterization of one or more materials
CN105691761A (zh) 一种小型农产品自动分拣装箱的方法及其装置
CN113344276B (zh) 一种矿石颗粒形状、质量、密度指标概率分布的预测方法
CN113769864B (zh) 一种基于高压电脉冲破碎的矿石金属矿物含量预测方法
CN107016454B (zh) 一种非均质矿球磨破碎分布函数预测方法
CN112345387B (zh) 基于图像分析的测量煤样坚固性的方法及系统
Agustin et al. Automatic milled rice quality analysis
Fofana et al. Monitoring the performance of DMS circuits using RhoVol technology
Budzan et al. Grain size determination and classification using adaptive image segmentation with shape-context information for indirect mill faults detection
Laubertova et al. Assessment of sampling and chemical analysis of waste printed circuit boards from WEEE: gold content determination
Mabote Development of a wet fine screen model integrating the effect of operating and design variables on screening performance
CN117390500B (zh) 重晶石矿的磨粉筛分方法及装置
Wolosiewicz-Glab et al. Role of classification in grinding using the electromagnetic mill. A case study
CN115128950B (zh) 破碎筛分控制方法、装置、电子设备及存储介质
JP7351043B1 (ja) 静電選別装置の制御方法、プログラム、および、静電選別装置
CN108918356B (zh) 一种混合物料挤压粉碎后的粒度预测方法及系统
CN114714542B (zh) 基于残渣分离的报废汽车残渣无害化处理方法
Paiva et al. Performance analysis of the beneficiation process of bauxite from the Juruti Mine. Industrial sampling and performance evaluation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant