كاربرد قواعد انجمني براي پيش بيني بازيابي در يك مدار فلوتاسيون صنعتي

Prediction of the recovery in an industrial flotation circuit using association rules

از داده‌كاوي به عنوان كشف دانش نهفته در داده‌هاي موجود در يك پايگاه داده تعبير مي‌شود. امروزه به واسطه اتوماسيون كارخانه‌هاي فرآوري و افزايش تعداد سنسورها و تجهيزات اندازه‌گيري در خط توليد، حجم زيادي از داده‌هاي فرآيند در دسترس هستند. در اين تحقيق از فن‌هاي مختلف داده‌كاوي براي مدل‌سازي و پيش‌بيني شاخص‌هاي متالورژيكي يك كارخانه فلوتاسيون صنعتي بر حسب متغيرهاي فرآيند استفاده شده است. در كارخانه مذكور روزانه 20 هزار تن ماده معدني با عيار مس حدود 6/0 درصد به كنسانتره مس با عيار 28-30 درصد تبديل مي‌شود. تغييرپذيري شديد ماهيت بار ورودي به كارخانه موجب شده است تا پيش‌بيني شاخص‌هاي فرآيند به يكي از چالش‌هاي اصلي مهندسين فرآيند تبديل شود. در اين تحقيق قابليت الگوريتم‌هاي مختلف داده‌كاوي شامل درخت تصميم، سري‌هاي زماني و شبكه عصبي براي مدل‌سازي فرآيند بر اساس داده‌هاي 317 شيفت عمليات توليد بررسي شد و قواعد انجمني بين برخي از متغيرهاي فرآيند و شاخص‌هاي پاسخ فرآيند به دست آمد. نتايج حاكي از قابليت مناسب فن‌هاي داده‌كاوي براي پيش‌بيني رفتار فرآيند در مواردي است كه توسعه و استفاده از مدل‌هاي فيزيكي غيرممكن است.

Data mining is commonly referred to as knowledge discovery within a database. These days, vast amounts of the process data are available due to the several variables involved, high level of automation, and many instruments underuse in the mineral processing plants. In this research, various data mining techniques were used to predict the metallurgical performance of a large copper flotation plant. The flotation plant under study treats 20000 TPD of the copper ore containing 0.6% Cu and produces the copper concentrate containing 27-30% Cu. Prediction of the copper recovery in the plant is one of the main challenges for process engineers due to the extreme variation of the feed characteristics in the plant. The capabilities of different data mining algorithms, including decision trees, time series, and artificial neural networks, were evaluated using the data from 317 operation shifts. Results showed that data mining is an effective and reliable technique for assessing, modeling, and predicting the processes for those physical models that are difficult or impossible to develop.