Resumen

En los procesos de flotación, el grado de concentrado es el índice clave de producción, pero es difícil de medir en línea. Los modelos de mecanismo reflejan la tendencia básica de los cambios en el grado de concentrado pero no pueden proporcionar una precisión de predicción adecuada. Los modelos basados en datos y características de imágenes de espuma proporcionan una predicción precisa dentro de un espacio bien muestreado, pero dependen en gran medida de datos de muestra con menos capacidad de generalización. Por lo tanto, en este documento se propone un modelo inteligente híbrido que combina los dos tipos de modelos. Dado que la información de las características de la imagen es enorme y la relación entre las características de la imagen y el grado de concentrado es no lineal, se adopta un método de mínimos cuadrados parciales de B-spline (BS-PLS) para construir el modelo basado en datos para la predicción del grado de concentrado. Para obtener una mejor capacidad de generalización y precisión de predicción, se introduce la entropía de la información para integrar el modelo de mecanismo y

• Materias:Ecuaciones diferenciales Ecuaciones integrales Variables independientes Sistemas dinámicos Combinaciones convexas
• Subjects:Differential equations Integral equations Independent variables Dynamic systems Convex combinations
• Palabras claves:Procesos de flotación; Grado de concentrado; Modelos de mecanismos; Modelos basados en datos; Características de imágenes de espuma; Modelo inteligente híbrido
• Keywords:Flotation processes; Concentrate grade; Mechanism models; Data-driven models; Froth image features; Hybrid intelligent model