(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111578247.8 (22)申请日 2021.12.2 2 (71)申请人 山东省计量科 学研究院 地址 250014 山东省济南市千佛山 东路28 号 (72)发明人 黄准　孔祥冰　刘海彬　刘雪松　 李桂华　王萍　李建军　王岳　 李凤霞　曹丛　 (74)专利代理 机构 广东科信启帆知识产权代理 事务所(普通 合伙) 44710 代理人 李波 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/02(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种金矿磨-浮过程能耗预测方法 (57)摘要 本发明属于选矿生产领域， 具体涉及一种金 矿磨‑浮过程能耗预测方法。 本发明的金矿磨 ‑浮 过程能耗预测方法， 其包括如下步骤： (1)金矿 磨‑浮过程能耗影 响因素分析； (2)能耗预测模型 的建立； (3)能耗预测模型的预测精度比较； (4) 确定预测精度最高的能耗预测模 型； 通过实际生 产数据验证模 型预测精度， 选择最符合实际生产 的能耗预测模 型， 为实际生产过程节能降耗提供 强有力的模 型支持， 便于动态及时地修正或优化 生产指标， 提升选矿生产节能效率和智能化水 平。 权利要求书1页 说明书9页 附图4页 CN 114386676 A 2022.04.22 CN 114386676 A 1.一种金矿磨 ‑浮过程能耗预测方法， 其特 征在于： 包括如下步骤： (1)金矿磨 ‑浮过程能耗影响因素分析： 从工艺参数中选取对能耗产生影响的影响因 素， 工艺参数包括： 给矿量、 钢球加入量、 给矿品位、 尾矿品位、 浮选回收率、 给矿细度、 分级 机细度、 分级机浓度、 浮选温度、 二 浮原细度、 重尾细度、 综尾细度； (2)能耗预测模型的建立： 根据 能耗影响因素建立三种磨 ‑浮过程能耗的预测模型， 分 别是多元线性回归 模型， BP神经网络模型和GA ‑BP神经网络模型； (3)能耗预测模型的预测精度比较： 通过能耗的预测值和实际值进行比较， 统计出各个 能耗预测模型的预测精度； (4)确定预测精度最高的能耗预测模型： 通过各个能耗预测模型的预测精度比较得到 符合实际生产的能耗预测模型。 2.根据权利要求1所述的金矿磨 ‑浮过程能耗预测方法， 其特征在于： 所述步骤(1)中， 通过SPSS软件对能耗和其影响因素之间进行因子分析， 考察能耗与其影响因素之间相关 性。 3.根据权利要求1所述的金矿磨 ‑浮过程能耗预测方法， 其特征在于： 所述步骤(2)中， 多元线性回归模型是通过运用SPSS软件对训练数据进行回归分析得出多元线性回归分析 模型的自变量系数。 4.根据权利要求1所述的金矿磨 ‑浮过程能耗预测方法， 其特征在于： 所述步骤(2)中， BP神经网络模 型采用三层网络结构， 即由输入层、 隐含层和输出层组成， 通过现场数据中的 一部分训练BP神经网络模型， 其 余部分数据用来验证模型。 5.根据权利要求1所述的金矿磨 ‑浮过程能耗预测方法， 其特征在于： 所述步骤(2)中， GA‑BP神经网络模型中， 利用遗传算法来优化神经网络， 提升BP神经网络的预测精度。 6.根据权利要求1所述的金矿磨 ‑浮过程能耗预测方法， 其特征在于： 所述步骤(2)中， BP神经网络模型采用三层网络结构中， 隐含层节点数为8， 输出层节点数为1。 7.根据权利要求1所述的金矿磨 ‑浮过程能耗预测方法， 其特征在于： 所述步骤(2)中， GA‑BP神经网络模型中， 种群大小为20， 迭代次数为50， 交叉方式为数值交叉， 交叉概率为 0.42， 变异概 率为0.2。 8.根据权利要求1所述的金矿磨 ‑浮过程能耗预测方法， 其特征在于： 所述步骤(3)中， 从能耗预测值的相对误差和均方根误差RMSE两种统计学参数来比较能耗预测模型的能耗 预测精度。权　利　要　求　书 1/1 页 2 CN 114386676 A 2一种金矿磨 ‑浮过程能耗预测方 法 技术领域 [0001]本发明属于一种选矿生产领域， 具体涉及一种金矿磨 ‑浮过程能耗预测方法。 背景技术 [0002]我国金矿石品位较低， 主要采用磨 ‑浮选工艺实现矿物的分选， 即利用电机带动球 磨机运转， 经过磨剥作用得到符合质量要求的矿石颗粒， 再经浮选的搅拌上浮作用， 将有用 颗粒筛选出来。 选矿过程中磨 ‑浮过程占据总能耗的50 ‑70％， 如何高效利用低品位金矿石 资源是维持黄金行业可持续发展不可忽视的问题， 因此， 节能减排是其 发展的重要问题。 到 目前为止， 国内关于选矿节能降耗的工艺研究很多， 但是很少有关于能耗预测的研究。 张袅 娜等 (张袅娜， 陈芳， 张德江.权函数神经网络及在选矿厂能耗预测中的应用.吉林大学学 报 (信息科学版)， 2009， 27(1)： 73 ‑77)将传统神经网络中的权值由权函数代替， 建立选矿 能耗预测模型， 结合实际生产数据验证了其具有较好的精度。 Cleary  P W(Cleary  P W.Predicting  charge motion， power  draw， segregation  and wear in ball mills  using discrete element  methods[J].Minerals  Engineering， 1998， 11(11)： 1061 ‑1080) 提出应用离散元方法预测磨矿过程的能耗。 在此基础上， A  Datta， et  al.(A Datta， R.J   Mishra.Power  draw estimation  of ball mills using neural networks[J].Minerals   and Metallurgical  Processing， 1999，  16： 57–60)分析了磨矿能耗的影响因素， 并利用神 经网络建立磨矿能耗预测模型， 并将预测结果与通过离散元方法得到的结果对比， 取得了 较高的精度。 Silva  et al.(Silva， M.，  Casali， A.and  Silva， M.Modelling  SAG milling  power and specific  energy consumption including  the feed percentage  of  intermediate  size particles[J].Minerals  Engineering， 2015，  70(70)： 156 –161)提出 了一种SAG球磨 机的能耗和比能耗的预测模型， 但是现有技术并未针对 金矿磨‑浮过程生产 能耗进行预测的研究， 更未发现有根据生产大数据挖掘出影响能耗的具体工艺参数， 未能 给出能够指导实际生产的能耗预测模型。 [0003]在金矿磨 ‑浮生产过程中， 提高能耗的预测精度， 对选矿行业研究能耗与物耗及工 艺参数的关系， 优化生产计划指标， 及挖掘节能潜力具有重要意义。 因此， 基于某金矿厂的 现场生产数据， 本发明建立了三种磨 ‑浮过程能耗的预测模型， 它们分别是多 元线性回归模 型， BP神经网络模型和GA ‑BP神经网络模型， 通过模型精度对比挖掘出最适合实际生产的 能耗预测模型， 从而为实际生产提供一定指导作用。 发明内容 [0004]为解决上述技术问题， 本发明提供一种金矿磨 ‑浮过程能耗预测方法， 其包括如下 步骤： [0005](1)金矿磨 ‑浮过程能耗影响因素分析： 主要从工艺参数对能耗的影响来建立能耗 预测模型， 这些影响参数包括： 给矿量、 钢球加入量、 给矿品位、 尾矿品位、 浮选回收率、 给矿 细度、 分级机细度、 分级机浓度、 浮选温度、 二 浮原细度、 重尾细度、 综尾细度；说　明　书 1/9 页 3 CN 114386676 A 3