Интерпретируемая модель виртуального анализа параметров технологической среды на основе сетей Колмогорова–Арнольда

М. А. Колотов

Аннотация


Контроль плотности пульпы на горно-обогатительных комбинатах (ГОК) критически важен для управления процессом. Традиционные радиоизотопные плотномеры дорогие и требуют лицензирования, а также подвержены деградации, что приводит к недостоверным измерениям и технологическим рискам. В данной работе исследуется вопрос создания точного и надежного виртуального анализатора плотности пульпы на основе машинного обучения, менее подверженного деградации. Гипотеза заключается в том, что алгоритмы, обученные на данных с контрольно-измерительных приборов, могут оценивать плотность пульпы и с помощью них можно предсказывать возможные изменения технологического процесса. Цель исследования — найти более дешевую, безопасную и устойчивую альтернативу.

Ключевые слова


Цифровизация производства; машинное обучение; прогнозирование параметров; измельчение и дробление руды

Полный текст:

PDF

Литература


Afaq S., Rao S. Significance of epochs on training a neural network // Int. J. Sci. Technol. Res. 2020. Vol. 9. No. 06. Pp. 485–488.

Akiba T. et al. Optuna: A next-generation hyperparameter optimization framework // Proc. 25th ACM SIGKDD international conference on knowledge discovery & data mining. 2019. Pp. 2623–2631. DOI: 10.1145/3292500.3330701.

Alexander E. R. Density measures: A review and analysis // J. Architectural and Planning Research. 1993. Pp. 181–202.

Li L. et al. Hyperband: A novel bandit-based approach to hyperparameter optimization // Journal of Machine Learning Research. 2018. Vol. 18. No. 185. Pp. 1–52.

Liu Z. et al. Kan: Kolmogorov-arnold networks // arXiv preprint. 2024. DOI: 10.48550/arXiv.2404.19756.

Prokhorenkova L. et al. CatBoost: unbiased boosting with categorical features // Advances in Neural Information Processing Systems. 2018. Vol. 31. DOI: 10.48550/arXiv.1706.09516.

Snoek J., Larochelle H., Adams R. P. Practical bayesian optimization of machine learning algorithms // Advances in Neural Information Processing Systems. 2012. Vol. 25.

Song Y. Y., Lu Y. Decision tree methods: applications for classification and prediction // Shanghai Archives of Psychiatry. 2015. DOI: 10.11919/j.issn.1002-0829.215044.

Su X., Yan X., Tsai C. L. Linear regression // Wiley Interdisciplinary Reviews: Computational Statistics. 2012. Vol. 4. No. 3. Pp. 275–294. DOI: 10.1002/wics.1198.

Visintainer R. et al. Slurry Transport Using Centrifugal Pumps. Berlin/Heidelberg, Germany: Springer, 2023. 432 p. DOI: 10.1007/978-3-031-25440-6.

Вишняк Б. А., Поздеев А. А. О технологии обогащения и автоматизации процессов современной калийной флотационной фабрики // Горный информац.-аналитич. бюллетень. 2012. № 9. С. 138–150. EDN PYRJQX. [Vishnyak B. A., Pozdeev A. A. On beneficiation technology and process automation at a modern potash flotation plant // Mining Informational and Analytical Bulletin. 2012. No. 9. Pp. 138–150. EDN: PYRJQX. (In Russian).]

Затонский А. В., Беккер В. Ф., Сарамага Ю. О. Управление плотностью питания стержневой барабанной мельницы на стадии измельчения сильвинитовой руды // Горный информац.-аналитич. бюллетень. 2024. № 8. С. 125–140. EDN WXSVOA. [Zatonskiy A. V., Bekker V. F., Saramaga Yu. O. Controlling the feed density of a rod drum mill at the sylvinite ore grinding stage // Mining Informational and Analytical Bulletin. 2024. No. 8. Pp. 125–140. EDN: WXSVOA. (In Russian).]

Матвеев В. А. Концепция автоматизированного управления калийной флотационной фабрикой // Горный журнал. 2016. № 4. С. 84–87. EDN WHFTCT. [Matveev V. A. A concept for automated control of a potash flotation plant // Gornyi Zhurnal. 2016. No. 4. Pp. 84–87. EDN: WHFTCT. (In Russian).]

Матвеев В. А., Титков С. Н., Березин М. А. Способ калибровки и проверки радиоизотопных плотномеров суспензий по образцам-имитаторам. Патент № 2602412 C1 РФ, МПК G01N 9/24. EDN QZCIUV. [Matveev V. A., Titkov S. N., Berezin M. A. Method for calibrating and testing radioisotope suspension density meters using simulation samples. RF patent No. 2602412 C1, IPC G01N 9/24. EDN: QZCIUV. (In Russian).]

Сахаров Е. М., Бергер Р. В., Рыльникова М. В. Комплексная цифровизация, реализуемая при освоении запасов Гремячинского месторождения калийно-магниевых солей // Горная промышленность. 2022. № 5. С. 69–73. EDN AGIPTP. [Sakharov E. M., Berger R. V., Rylnikova M. V. Comprehensive digitalization implemented during development of the Gremyachinskoye deposit of potassium and magnesium salts // Russian Mining Industry. 2022. No. 5. Pp. 69–73. EDN: AGIPTP. (In Russian).]




DOI: https://doi.org/10.54708/SIIT-2026-no5-p57

Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2026 М. А. Колотов