Розробка моделі класифікації на основі нейронної мережі для процесу збагачення залізної руди

Автор(и)

  • Anton Senko Криворізький національний університет, вул. Віталія Матусевича, 11, м. Кривий Ріг, Україна, 50027, Україна https://orcid.org/0000-0002-4104-8372
  • Andrey Kupin Криворізький національний університет, вул. Віталія Матусевича, 11, м. Кривий Ріг, Україна, 50027, Україна https://orcid.org/0000-0001-7569-1721
  • Bohdan Mysko Криворізький національний університет, вул. Віталія Матусевича, 11, м. Кривий Ріг, Україна, 50027, Україна https://orcid.org/0000-0002-2801-3052

DOI:

https://doi.org/10.15587/2312-8372.2019.176121

Ключові слова:

модель класифікації, система комп'ютерної підтримки рішень, нейронна мережа, збагачення руди, кластеризація статистичних даних

Анотація

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.

Біографії авторів

Anton Senko, Криворізький національний університет, вул. Віталія Матусевича, 11, м. Кривий Ріг, Україна, 50027

Асистент

Кафедра комп'ютерних систем та мереж

Andrey Kupin, Криворізький національний університет, вул. Віталія Матусевича, 11, м. Кривий Ріг, Україна, 50027

Доктор технічних наук, професор, завідувач кафедри

Кафедра комп'ютерних систем та мереж

Bohdan Mysko, Криворізький національний університет, вул. Віталія Матусевича, 11, м. Кривий Ріг, Україна, 50027

Аспірант

Кафедра комп'ютерних систем та мереж

Посилання

  1. Kupin, A. I. (2009). Uzghodzhene intelektualne keruvannia stadiyamy tekhnolohichnoho protsesu zbahachennia mahnetytovykh kvartsytiv v umovakh nevyznachenosti. Kryvyi Rih: Kryvorizkyi natsionalnyi universytet, 926.
  2. Goncharov, Yu. G., Davidkovich, Yu. G., Geyzenblazen, B. E. (1968). Avtomaticheskiy kontrol' i regulirovanie tehnologicheskih protsessov na zhelezorudnyh obogatitel'nyh fabrikah. Moscow: Nedra, 277.
  3. Skorohodov, V. F., Hohulya, M. S., Biryukov, V. V. (2010). Sozdanie ehffektivnyh tehnologiy i tehniki obogashcheniya mineral'nogo syr'ya s primeneniem metodov vychislitel'noy gidrodinamiki. Gorniy zhurnal, 12, 79–84.
  4. Ding, J., Chai, T., Wang, H. (2011). Offline Modeling for Product Quality Prediction of Mineral Processing Using Modeling Error PDF Shaping and Entropy Minimization. IEEE Transactions on Neural Networks, 22 (3), 408–419. doi: https://doi.org/10.1109/tnn.2010.2102362
  5. Jäschke, J., Skogestad, S. (2011). NCO tracking and self-optimizing control in the context of real-time optimization. Journal of Process Control, 21 (10), 1407–1416. doi: https://doi.org/10.1016/j.jprocont.2011.07.001
  6. Würth, L., Hannemann, R., Marquardt, W. (2011). A two-layer architecture for economically optimal process control and operation. Journal of Process Control, 21 (3), 311–321. doi: https://doi.org/10.1016/j.jprocont.2010.12.008
  7. Lu, L. (2015). Iron Ore. Mineralogy, Processing and Environmental Sustainability. Elsevier, 666. doi: https://doi.org/10.1016/c2013-0-16476-8
  8. Wills, B. A., Napier-Munn, T. (2006). Wills’ Mineral Processing Technology. Elsevier, 456. doi: https://doi.org/10.1016/b978-0-7506-4450-1.x5000-0
  9. Ghosh, A., Sharma, A. K., Nayak, B., Sagar, S. P. (2014). Infrared thermography: An approach for iron ore gradation. Minerals Engineering, 62, 85–90. doi: https://doi.org/10.1016/j.mineng.2013.12.002
  10. Nevedrov, A. S., Oleynik, A. G. (2011). Ob instrumental'nyh sredstvah opredeleniya ehffektivnyh rezhimov obogashcheniya mineral'nyh rud. Informatsionnye resursy Rossii, 5, 35–38.
  11. Morkun, V., Tron, V. (2014). Automation of iron ore raw materials beneficiation with the operational recognition of its varieties in process streams. Metallurgical and Mining Industry, 6, 4–7.
  12. Hart, J. R., Zhu, Y., Pirard, E. (2011). Particle size and shape characterization: current technology and practice. Advances in the Characterization of Industrial Minerals, 77–127. doi: https://doi.org/10.1180/emu-notes.2010.emu9-4
  13. Andreev, S. E., Perov, V. A., Zverevich, V. V. (1980). Droblenie, izmel'chenie i grohochenie poleznyh iskopaemyh. Moscow: Nedra, 415.
  14. Werbos, P. J. (1989). Backpropagation and neurocontrol: a review and prospectus. International Joint Conference on Neural Networks. doi: https://doi.org/10.1109/ijcnn.1989.118583
  15. Haykin, S. (1994). Neural Networks. A comprehensive foundation. New York: Macmillan, 696.
  16. Zhang, B., Muhlenbein, H. (1993). Evolving optimal neural networks using genetic algorithms with Occam's razor. Complex systems, 7 (3), 199–220.
  17. Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Massachusetts, 432.

##submission.downloads##

Опубліковано

2019-06-30

Як цитувати

Senko, A., Kupin, A., & Mysko, B. (2019). Розробка моделі класифікації на основі нейронної мережі для процесу збагачення залізної руди. Technology Audit and Production Reserves, 3(2(47), 15–19. https://doi.org/10.15587/2312-8372.2019.176121

Номер

Розділ

Інформаційні технології: Оригінальне дослідження