生产数据的收集和整理
生产数据的收集和整理对正在生产的矿山开展矿产经济研究时,建模前必须系统地收集生产统计数据。一般以矿山的统计报表为数据收集对象。选矿厂的统计报表有日,报表、旬报表、月报表及年报表等。据调查,期限长的报表的各变量往往都在较小的数据范围内波动;而期限短的报表又可能有数据间数据错位的问题。在没有异常数据干扰的条件下,用期限短的报表数据进行预测建模时的拟合效果较好,也最能反映实际生产情况。但由于在选矿厂的实际生产过程中,药剂用量是以月为单位进行统计的,所以本文以月报表作为数据收集的对象。在对云南某选厂铜选车间的浮选流程进行分析后,决定以原矿品位、矿石氧化率、黄药用量、2“油用量、精矿品位和回收率为选别指标进行预测建模。在选矿生产中,在工艺流程和工艺条件一定的情况下,如果矿石性质不变,.选矿质量指标应是稳定的。当原矿指标变化时其选矿指标也应随之有规律的变化。但在选厂实际情况下,由于技术管理等原因,往往会引起对某些操作条件的短暂失控、对某些参数的检测计量不准以及不同矿石间的相互混杂,都会造成选矿指标的明显失常以至超出正常范围,这时生产数据中就会出现异常数据。因此需要对收集到的数据进行分析判断,查出异常数据并对其进行分析,找出原因,以决定是否将其剔除。神经网络模型的选择因为BP网络是人们认识最清楚、应用最广泛的一类神经网络,所以本文采用BP网络进行预测建模。根据对现场所采集来的数据及预测任务进行分析,决定将原矿铜品位、氧化率、黄药用量、2#油用量作为输入向量,而将精矿品位、回收率作为输出向量用改进动量项法进行预测建模。BP网络的输入节点作用函数取为线性函数,而它的隐层和输出层节点的作用函数均取为isgmofd函数。数据预处理从神经网络的基本结构和学习算法中,不难看出神经网络具有计算量大的特点。在神经网络的学习过程中,要不断地逐个节点计算激励函数值、更新节点输出、调整网络连接权值,一直到学习结果满足一定要求为止。因此对于复杂的、数值变化较大的、量纲不同的原始数据,在应用BP网络来进行预测建模之前,对这些数据进行预处理,把它们变换为变化范围较小的数据系列,有助于缩短建模的学习时间,达到提高学习效率的目的。
页:
[1]