基于灰色理论的硫化铜精矿品位预测模型

 　　铜精矿品位是指铜元素在铜精矿化学成分中所 占百分比，即铜精矿中含铜量的多少。在选矿厂中， 精矿品位不仅是衡量浮选生产工艺的主要经济技术 指标，也是选矿过程控制的重要参数，同时还是 产品交易结算的重要依据。测量精矿品位的方法 有很多，主要分为两类：一类是分析法，主要包括化 学分析方法和荧光分析方法；另一类是数学模拟方 法，主要利用浮选泡沫图像特征数据，分析图像特征 与精矿品位之间的变化规律，建立两者之间数学模 型，用于预测精矿品位，常用数学方法主要有：多元 回归方法、偏最小二乘回归法、神经网络、小波分析法口们等。无论是利用浮选工艺参数 还是浮选泡沫图像特征作为预测模型的辅助变量， 都需要结合一定的实际精矿品位数据才可以构建精矿品位预测模型，但这些模型与精矿品位数据自身 固有特征之间存在着一定的偏差，故对精矿品位数 据进行研究是非常有必要的。 本文根据在实验室中浮选硫化铜得到有限的精 矿品位小样本数据，运用灰色系统理论及其相关模 型，从精矿品位数据自身序列中挖掘有用的信息，建 立精矿品位预测模型，利用6个精矿品位样本数据 对预测模型进行训练，选择相对误差和平均相对误 差作为评价预测模型的指标，结果表明该方法可为 构建精矿品位数学预测模型提供一种新的思路。　　矿样选用云南省某铜选矿厂粗选产品作为浮选 人料，在实验室中采用浮选柱进行浮选试验，定期地 对浮选精矿进行采样化验，建模采用部分样本数 据[3]见表1。从公式(7)可知，模型的预测值与铜精 矿品位样本数据第1个有着重要关系，即 用于建模数据序列的第1个影响着模型的预测值， 因此，从铜精矿样本数据中截取固定数量的数据作 为样本训练数据，建模模型并预测后续的品位值，然 后不断地引人新的样本数据替代原有的样本训练数 据序列的第1个样本数据，以此建立预测模型并评 价该模型的预测精度。 从样本数据序列中按序号依次选取6个品位数 据构建铜精矿预测灰色模型，预测后续3个铜精矿 品位值，以实际样本数据与预测数据进行比较，以为 验证预测模型的可靠性和适应性。预测模型GMl 采用样本序号为1、2、3、4、5、6的数值进行建模，预 测样本序号为7、8、9的品位值，预测模型GM2采用 样本序号为2、3、4、5、6、7的数据来构建预测模型， 预测样本序号为8、9、10，同理，预测模型GM3、GM 依次相应数据。 分别将相应的6个样本训练数据作为建模数 据，计算4个铜精矿品位预测模型的拟合值、相对误 差和平均相对误差，其结果见表2。 由表2可知，在4个铜精矿品位预测模型中的 最大相对误差为8．59％，这是由于3号样本数据出 现跳跃，铜精矿品位为9．90％，使得样本数据序列在 该位置上发生较大的幅度变化，而其它样本数据变 化相对平缓，虽然灰色理论预测模型在建模时不需 要大量样本原始数据，但在样本数据中出现跳跃数 据时会影响整个预测模型的精度。　　1)运用灰色理论建立铜精矿品位预测模型，利 用实验室中采集到的铜精矿品位小样本数据作为灰 色预测模型的样本训练数据，预测后续的铜精矿品 位，预测数据与实际的铜精矿品位数据进行比较和 计算，结果表明预测模型的预测精度较好，该方法具 有一定的可行性和应用性。　　2)针对样本数据中存在跳跃数据的现象，采用 动态背景值和更新样本训练数据第1个序列数据的 方法降低对灰色预测模型预测精度的影响，结果表 明通过该方法可以改变预测模型自身精度，模型的 预测精度较好。　　3)为了解决浮选硫化铜所得铜精矿品位估算问 题，本文提出基于灰色理论的精矿品位预测建模方 法，结果表明模型预测结果较好，可为估算铜精矿品 位提供一种新的手段。