论文部分内容阅读
我国为当今世界上最大的钢铁生产国,在很大程度上主导着世界钢铁行业的价值链。铁矿石作为钢铁的重要原材料,受到钢铁行业的广泛关注。铁矿石品位是影响矿山工作最重要的因素,贯穿开采、选矿的整个过程,还影响着矿山未来的规划。铁矿石品位分析技术是矿山生产中的关键技术,正确地分析铁矿石品位有利于企业做到资源利用最大化和效益最大化。随着钢铁行业的蓬勃发展,矿山铁矿石的开采规模日益增长,开采设备和开采技术不断得到改进,但是铁矿石品位分析技术没有及时得到改进,目前大都用人工采样分析的方法,影响着矿山的生产效率,制约着公司实现机电一体化的进程。通过实地考察,发现铁矿石的品位与矿石的质量、体积、颜色、水分比、块矿比、川脉号等诸多因素有着密切的关系,采集了矿山开采过程中与铁矿石品位相关的相关资料和数据。如何通过实际数据衡量这些因素的重要性,并且根据这些属性进行铁矿石品位分析,是矿山亟待解决的问题。这些数据中属性较多,且存在很多的不一致信息,采用传统的线性分析方法难以得到满意的结果。粗糙集理论能够有效地处理各种不完整、不精确的数据,提取数据集中的重要属性,并从中发现潜在的规律。BP神经网络有着逼近任意非线性函数的能力,而且算法简单高效,可用于复杂系统建模。粗糙集与神经网络技术的结合为铁矿石品位分析提供了新的途径。本文介绍了铁矿石品位分析的相关研究,具体阐述了粗糙集和神经网络相关理论知识。提出了一种基于键树的不一致系统属性约简算法,利用键树的存储结构和操作效率优化了粗糙集属性约简过程,能有效地对不一致系统进行约简。建立了基于粗糙集与神经网络技术的铁矿石品位分析模型,根据该模型实现了基于粗糙集与神经网络技术的铁矿石品位仿真分析软件,并对实际采集铁矿石品位数据进行了仿真分析,为矿山的铁矿石筛提供决策依据,为矿山安装相应的信息采集机械装置提供理论指导。