Разработка модели классификации на основе нейронных сетей для процесса обогащения железной руды

Autor: Senko, Anton, Kupin, Andrey, Mysko, Bohdan
Jazyk: angličtina
Rok vydání: 2019
Předmět:
Zdroj: Technology audit and production reserves; Том 3, № 2(47) (2019): Information and control systems; 15-19
Technology audit and production reserves; Том 3, № 2(47) (2019): Информационно-управляющие системы; 15-19
Technology audit and production reserves; Том 3, № 2(47) (2019): Інформаційно-керуючі системи; 15-19
ISSN: 2226-3780
2312-8372
Popis: The object of research is the processes of beneficiation of iron ore in the conditions of a mining and processing plant. Iron ore beneficiation factory near parallel to existing production lines or concentration sections. One of the key characteristics that determine the operating mode of the grinding apparatus is the crushing of ore, directly related to its strength. But unlike other parameters, the problem is with constant monitoring of the strength value. The determination of this parameter requires a laboratory study of the technological ore sample from the conveyor of the beneficiation section. The specifics of the working conditions of the beneficiation section complicate the monitoring of the strength parameter by installing a hardware sensor directly on the conveyor. Therefore, it is proposed to determine it by forecasting. Based on Big Data information technologies, using the accumulated statistical data, it is possible to forecast data between the technological samples.The technological process of ore beneficiation in the conditions of a mining and processing plant is systematically analyzed. The generalized structure of the classification model is presented, which, based on the accumulated statistical data of the beneficiation section based on the current parameters of the section, is able to determine the parameters of incoming raw materials. The unknown parameter is determined using the counterpropagation neural network, which combines the following algorithms: a self-organizing Kohonen map and a Grossberg star. Their combination leads to an increase in the generalizing properties of the network. The training sample is formed as a result of clustering the statistical data of the beneficiation section and selecting the cluster to which the current status of the section works.The presented forecasting algorithm, based on a combination of clustering methods and the use of a predictive neural network, allows the specialist to more quickly receive recommendations for making decisions regarding the behavior of the object compared to obtaining laboratory test data.
Об'єктом дослідження є процеси збагачення залізорудної сировини в умовах гірничо-збагачувального комбінату. Фабрика по збагаченню залізних руд є рядом паралельно діючих технологічних ліній або секцій збагачення. Однією з ключових характеристик, що визначають режим роботи подрібнюючого апарату, являється подрібнюваність руди, прямо пов'язана з її міцністю. Але на відміну від інших параметрів є проблема із постійним відстеженням значення міцності. Визначення даного параметру потребує лабораторного дослідження технологічної проби руди з конвеєра секції збагачення. Специфіка умов роботи секції збагачення ускладнює відстеження параметру міцності шляхом встановлення апаратного датчика безпосередньо на конвеєрі. Тому було запропоновано визначати її шляхом прогнозування. Спираючись на інформаційні технології Big Data, використовуючи накопичені статистичні дані, можна робити прогноз даних на проміжках між технологічними пробами.Системно проаналізовано технологічний процес збагачення руди в умовах гірничозбагачувального комбінату. Представлена узагальнена структура моделі класифікації, що, спираючись на накопичені статистичні дані секції збагачення на основі поточних параметрів роботи секції, здатна визначати параметри вхідної сировини. Визначення невідомого параметру відбувається за допомогою нейронної мережі зустрічного розповсюдження, в якій об'єднані такі алгоритми: самоорганізуюча карта Кохонена та зірка Гроссберга. Їх об’єднання призводить до зростання узагальнюючих властивостей мережі. Навчальна вибірка формується в результаті кластеризації статистичних даних секції збагачення та вибору кластеру, до якого належить поточний стан робот секції.Представлений алгоритм прогнозування, заснований на поєднанні методів кластеризації та використанні прогнозуючої нейромережі, дає можливість фахівцеві більш оперативно отримати рекомендації щодо прийняття рішень відносно поведінки об'єкту у порівнянні із отриманням даних лабораторного дослідження проби.
Объектом исследования является процесс обогащения железорудного сырья в условиях горно-обогатительного комбината. Фабрика по обогащению железных руд является рядом параллельно действующих технологических линий или секций обогащения. Одной из ключевых характеристик, которая изменяет режим работы измельчающего аппарата, является измельчаемость руды, прямо связанная с её крепостью. Но в отличии от других параметров существует проблема с постоянным отслеживанием значения крепости. Для определения данного параметра необходимо лабораторное исследование технологической пробы руды с конвейера секции обогащения. Специфика условий работы секции обогащения усложняет отслеживание параметра прочности путем установления аппаратного датчика непосредственно на конвейере. Поэтому было предложено определять ее путем прогнозирования. Опираясь на информационные технологии Big Data, используя накопленные статистические данные можно делать прогноз данных на промежутках между технологическими пробами.Системно проанализированы технологический процесс обогащения руды в условиях горно-обогатительного комбината. Представлена обобщенная структура модели классификации, которая, опираясь на накопленные статистические данные секции обогащения на основе текущих параметров работы секции, способна определять параметры входящего сырья. Определение неизвестного параметра происходит с помощью нейронной сети встречного распространения, в которой объединены следующие алгоритмы: самоорганизующаяся карта Кохонена и звезда Гроссберга. Их объединение приводит к росту обобщающих свойств сети. Обучающая выборка формируется в результате кластеризации статистических данных секции обогащения и выбора кластера, к которому принадлежит текущее состояние работ секции.Представленный алгоритм прогнозирования, основанный на сочетании методов кластеризации и использовании прогнозирующей нейросети, дает возможность специалисту более оперативно получить рекомендации по принятию решений относительно поведения объекта по сравнению с получением данных лабораторного исследования пробы.
Databáze: OpenAIRE
Externí odkaz: