摘要：钼和铋是重要的战略金属资源，广泛应用于电子、冶金等行业。浮选是选矿厂回收钼铋精矿的关键技术环节，浮选产品质量直接影响选厂经济效益。然而，当前我国大多数选厂普遍采用人工轮班采样与离线化验的方法对品位进行检测，这种传统检测方法一个突出的问题是品位获取的滞后性。针对这一问题，本文提出一种基于深度学习的浮选产品质量动态预测方法。选矿厂工业数据易受环境、设备故障等多方面因素影响，导致出现数据缺失或者异常的情况。传统统计方法难以准确捕捉数据间的变化趋势及潜在的联系。基于此，本文提出一种改进的随机森林插补方法，对选矿厂工业数据进行缺失值修复。这一方法相较于传统的中位数等填充方法能够有效填补缺失数据，减少信息失真。实验结果表明，使用该方法填补数据后提高了下游预测任务的精度，MAPE值相较于统计方法显著降低，有效提升了数据质量。基于优化后的数据集，本文构建了融合双向时序特征提取的BiLSTM预测模型。与传统的单向LSTM模型相比，BiLSTM能够同时利用前后向时序信息，提升预测精度。实验表明：该模型在钼铋品位预测中展现出显著优势，其中钼品位预测MAPE为0.87%，R2达0.89，较LSTM模型预测误差降低44.23%，特别是在工况波动时段仍可保持预测精度。证实了模型具备较好的泛化能力和工程适用性，能够实现钼铋浮选产品质量的预测。
文章目录
0 引 言
1 实验数据
1.1 数据集采集
1.2 数据预处理
2 实验原理与方法
2.1 实验原理
2.1.1 随机森林算法
2.1.2 双向长短时记忆网络BiLSTM
2.2 建模方法
2.2.1 基于随机森林的缺失值填充
2.2.2 基于RF-BiLSTM的浮选品位预测模型
2.3 评价指标
3 实验结果分析
3.1 实验方案设计
3.2 缺失填补性能验证与分析
3.3 模型验证与分析
4 结 论
