基于人工智能神经网络的浮选回收率软测量模型研究
Nonferrous Metals Engineering（2021）
摘要
在浮选流程中,回收率是一项重要的工艺指标,目前主要通过离线人工化验的方式获取,少量的企业通过在线仪表测量.人工化验具有2～3h的时间延迟,而在线测量仪表价格高昂,导致工人不能及时有效地得到回收率实时数据,从而对工艺做出相应的调整.人工智能神经网络具有容错能力强、鲁棒性好等优点,在分析浮选工艺中多个影响因素的基础上,提出了基于人工智能神经网络浮选回收率的软测量模型.该模型可以有效克服浮选过程变量耦合性强、工艺复杂等因素.通过仿真验证,该模型的输出与实际样本数据误差很小,可有效对浮选回收率进行软测量.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要