https://fanyi.youdao.

com/download

矿冶工程 ，1998 ,20 (3):108081

某中试浮选厂数字孪生模型的持续自适应

Markku Ohenojaa，*，Antti Koistinena, Matias Hultgrenb, Antti Remesb, Johanna Kortelainenb, Jani
Kaartinenb, Miika Peltoniemic, Mika Ruusunena
a 奥卢大学环 境与 化学工 程控 制工程 研究 小组， 芬兰 奥卢 FI-9 0014 邮政 信箱 4300 ;b 芬兰 美卓 奥图泰 公司 ，芬兰 埃斯 波 F I-02 231 邮政信 箱
1000

c 奥卢大学 奥卢 矿业 学院， 芬兰 奥卢 F I-90 014 邮政 信箱 300 0

1、奥卢矿业学院 ，1 、
奥卢矿业学院，1 、 奥 卢 摘要。
矿业学院，1、奥 卢 矿 业
学院
基于模型的方法在实 现矿物加工系 统的技术、经 济和环境性能 改进方面起着关 键作用。然而 ，未建模的过 程
现象和干扰导致不可 靠的建模结果 ，可能会在模 型部署后阻止 这些方法在操作 层面的有效在 线利用。本研 究
关键 词 : 模型 自 适应
建模过程仿真 优化 证明了在试点环境下 ，动态、机械 过程模型在矿 物选矿应用中 的在线适应的可 行性。首先， 开发了一个中 试
规模工厂磨矿和浮选 阶段的数字孪 生体。在实验 活动中，进行 了从铜锌黄铁矿 矿石到富含黄 铁矿和非硫化 物
富脉石材料的混合物 的转变。因此 ，在实验过程 中，观察到浮 选性能的显着变 化，这是恒定 参数数字孪生 模
型无法复制的。所提 出的参数自适 应框架，包括 移动时间窗的 随机优化，适用 于在不同浮选 阶段使用元素 品
位，在不断变化的实 验条件下寻找 新的最优模型 参数。此外， 还提出了模拟研 究，以突出数 字孪生参数适 应
在选矿应用中的挑战 ，其中通常只 有来自关键过 程变量的稀疏 和受干扰影响的 数据可用。自 适应数字孪生 允
许在操作 决 策 中 有 效 地 应 用 动 态 、 机 械 过 程 模 型 进 行 预 测 模 拟 ， 从 而 实 现 更 可 持 续 和 资 源 高 效 的 矿 物 加 工 。

1.介 绍
环境性能、安全性和可操作性)(Pantelides 和 Renfro, 2013)。不幸的是，
对更可持续和资源高效的矿物加工的追求与工业数字化有着密切
过程的复杂性通常意味着数学模型是它们的简化表示，因此无法应
的联系。几十年来，基于模型的方法在工艺设计中得到了广泛应用。
对看不见的现象和干扰。这就导致了本文中讨论的模型自适应的需
信息和通信技术的发展使数学模型和仿真在工厂实际操作中的有效
应用成为可能。利用工业上目前使用的仿真软件并重新利用现有的 要，特别是在在线应用中，模型连续地表示真实系统是至关重要的。
仿真模型来实现这些目的是很有意义的。据说虚拟模型有利于先进 在矿物加工应用中，使用不同类型的数学模型，如黑盒模型、白
的过程控制、故障诊断、自我恢复、智能软测量、决策和价值链优 盒模型和机械模型，已经引起了人们的极大兴趣。为了深入讨论不同
化(Sun et al.， 2017)。事实上，数学模型在定量描述过程输入(控制 建模方法之间的定义，感兴趣的读者可以参考(Sansana et al.， 2021)最
动作和干扰) 与过程输出( 与技术、经济和生产相关的关键绩效指标)
近的一篇综述。在工厂设计中，定量建模技术长期以来一直发挥着核
之间的依赖关系方面发挥着重要作用
心作用(King, 2001)，最近流程图过程模拟器已与矿物的环境绩效(Pell
等人，2019)和节水策略(Michaux 等人，2019)联系在一起

*通讯作 者 。

电子邮件地 址 : mark ku.oh enoja @oulu .fi( M . Ohenoja)。

https://doi.or g/1 0 .1 01 6/j .mi n en g.20 23 .10 80 81

2022 年 8 月 31 日收 到;2023 年 3 月 7 日 收 到 改 稿;2023 年 4 月 21 日 接 受

2023 年 4 月 21 日上线

0892-6875/©2023 作者。Elsevier Ltd.出版。本 文 为 CC BY 许可(http://creativeco mmo ns.or g/lic enses/by/4.0/) 下 的 开 放 获 取 文 章 。

M. Ohenoja 等。 矿物工程 198 (2023)108081

在基于仿真的数字孪生框架中，为了克服跟踪模拟器中可能存在的偏
差，对机制模型进行了离线调整。离线适应可以以更直接的方式考虑
多输入多输出问题，从而补偿相互作用。例如， (Martínez et al. ，
2018)使用双重优化方法，其中使用无导数和信任域方法将机制模型与
最近的离线过程测量相匹配，并使用隐式动态反馈对在线状态观测器
进行较小的调整。据报道，贝叶斯方法以多输入- 多输出的方式建立
状 态 估 计 器 的 近 实 时 自 适 应 ， 参 见 例 如 (Chakra -barty 等 人 ，
2022;Edington et al.， 2023;Wang 等人，2022;Ward et al.， 2021)。一般
来说，这些方法需要微分方程的闭形式解(Kravaris et al.， 2013)。然
而，在依赖商业软件的基于仿真的数字孪生中，通常只有模型输出是
图 1 所 示 。 矿 物 选 矿 过 程 动 态 模 型 的模 型 适 应 框 架 。
可访问的(Martínez et al.， 2018)。此外，估计方法通常依赖于过程中
密集测量数据的可用性。
加工工厂。此外，利用不同长度或时间尺度模型的多尺度建模方法可
用于捕获关于操作变量如何影响矿物加工过程设备性能的新见解 本文的目的是对应用于浮选中试规模数字孪生的模型自适应性能
(Schwarz et al.， 2016)。在过程控制和实时决策方面，已经给出了关 进行分析。先前的模拟研究已经表明，如果信息丰富的数据集可用，
于软传感器(包括图像分析)，数据调和和基于模型的控制和优化的重 可以有效地适应动态机械浮选模型 (Ohenoja 等人，2020) 。最近，
要 考 虑 因 素 ， 例 如 在 (Hodouin, 2011;Quintanilla et al. ， (Oosthuizen et al.， 2021)介绍了如何从在线测量中理论上估计关键的
2021;Sb’arbaro 和 Del Villar, 2010)。例如，(Popli et al.， 2018)通过 浮选过程模型参数，包括动态质量平衡、静态泡沫浮选模型和经验关
结合白盒(基本浮选模型)和黑盒方法(泡沫软传感器和扩展卡尔曼滤波 系。尽管用于矿物加工应用的新型传感技术的发展，如可见光和近红
器)，开发了一个用于实时监测夹带的框架。(Vasebi et al.， 2012)讨 外光谱(Kejonen 等人，2018)和拉曼光谱(Uusitalo 等人，2020)具有提
论了动态数据调和的不同方法的优缺点，即稳态观测器、静态观测器、 供时间频率同步数据的潜力，但通常浮选分析是通过在线 XRF (x 射
基于自协方差的平稳观测器、线性动态观测器和卡尔曼滤波器。 线荧光)分析仪获得的，该分析仪具有多路顺序样品。因此，本研究
(McCoy 和 Auret, 2019)最近总结了黑箱在矿物加工中的应用，主要集 强调了数字孪生参数适应在选矿应用中的挑战，其中只有来自关键过
中在故障检测和诊断上。这项工作基于一个动态的、机械的模型，该 程变量的稀疏和受干扰影响的数据可用，并且该过程的特点是相当缓
模型是用一个市售的仿真包开发的。 慢的动态。奥卢矿业学校(OMS)试点工厂进行了一项改变矿石类型的
试验。这是为了引起未建模的过程干扰，导致建模错误，因此需要模
为了在操作维度上从模型中获益，它们需要被视为在线应用程序。
型适应。在实验期间收集数据，然后随后用于动态浮选模型的校准和
基于模型的在线应用程序可以将机制模型与过程测量和分析一起使用
适应。选取的自适应算法还通过模拟中试厂数据进行了测试，研究了
(Pantelides 和 Renfro, 2013)。这些也被称为基于模拟的数字双胞胎
不同采样率和测量精度的影响。
(Martínez 等人，2018)。Ac-根据(Kritzinger et al.， 2018)的分类，如
果建立了双向自动化数据流(即从模型到真实系统的反馈)，则基于模 文章的其余部分结构如下;第 2 节描述了 OM S 试点工厂、实验活
型的在线应用满足数字孪生的条件。在单向数据交换(从真实系统到 动、试点数字孪生模型以及嵌入到拟议的适应框架中的算法。 第 3
模型)的情况下，它们被归类为数字阴影。数字孪生鲁棒性利用的一 节介绍了实验结果和适应结果，并通过考虑不同的适应案例和模拟
个重要特征与模型以连续方式描述真实系统的能力有关。因此，数字 数据对结果进行了扩展。第 4 节讨论了适应框架的研究结果和实际
孪生的自动生成和更新是不同应用领域的活跃研究课题(Birk et al.， 适用性。最后，第 5 节对研究进行了总结。
2022;Edington et al.， 2023;Martínez 等人，2018;Segovia 和 Garcia-
Alfaro, 2022;Ward et al.， 2021)。另一方面，似乎缺乏对过程工业中 2.材 料 和 方 法
数字孪生实施的研究(Perno et al.， 2022)。
2.1.适应框架
浮选模型参数的定期更新通常需要广泛且可能具有破坏性的采样 本文主要研究在移动时间窗下全局优化的复杂动态选矿模型的模
和建模活动(Oosthuizen et al.， 2021)。因此，基于在线测量的关键模
型自适应问题。该框架如图 1 所示。自适应在参数优化期间利用并行
型参数的模型适应将是首选，以避免模型精度的逐渐恶化。例如，隐 仿真引擎，其中模型需要反复评估。分布模拟增强了自适应的计算性
式方法(Friman and Airikka, 2012;Martínez 等人，2018,2016;Nakaya 和 能，因为对复杂过程模型进行单一评估非常耗时，而且优化通常需要
Li, 2013)已成功应用于跟踪模拟器，其中状态估计器的模型参数以单
大量的试验。将模型输出与过程测量之间的误差最小化的所得模型参
输入-单输出的方式与精心选择的过程测量相适应。这种方法早前也
数将被馈送到数字孪生
被用于矿物选矿模型(Pietil¨a et al.， 2013)，其中机械模型的浮选动
力学参数与选定的回收率和品位变量配对，并使用递归估计方法单独
跟踪。

2
M. Ohenoja 等 矿产工程 198 (2023)108081
人。

图 2 所 示 。 O MS 试 点 数 字 双 流 程 与 实 验 活 动样 品 收 集 点:1) 浮 选 饲 料 ，2) 粗 精 矿 ，3) 清 除 精 矿 ，4) 尾 尾 ，5) 尾 尾 清 洁 器 ，6) 最 终 精 矿 。

2.3.实验活动

实验活动是为了控制饲料矿石矿物组成的变化，从而改变浮选性能。
该铜锌黄铁矿来自位于芬兰中部的 FQML Pyh¨asalmi 矿。根据外观和
重量，该矿石特别容易人工分选为富黄铁矿和非硫化物富脉石(富 nsg)
材料(见图 3)。分选由矿物学家进行，然后将两类分开破碎。将富含黄
铁矿的物料作为该工艺的标称进料类型。然后制备了一种含有约 70 w %
富黄铁矿和 30 w %富 nsg 碎料的混合物，以代表改变后的给矿类型。
在整个中试运行期间，粉碎后的矿石给磨率约为 20 kg/h。其他操作变
量的设定值(固体进给量、水添加率、磨机速度、化学添加率、气流、
纸浆水平、转子速度)保持不变。氧化钙(石灰，10%)用于 pH 调节，
Dowfroth(1%)，异丁基黄药钠(0.1%)和硫酸锌作为浮选化学品。在实验
过程中，对磨矿产品(湿筛未筛清)粒度和比重进行了分析，但未观察到
磨矿回路性能的意外变化(d80 的平均值和标准差为 51.5±2.072µm，比
重为 1.46±0.0245 kg/l)。
图 3 所 示 。 非硫化物富脉 石物质(左 图)和富黄 铁矿 物质(右图)破 碎前的 例子。

目标是通过人工取样跟踪不同浮选阶段的元素品位，进行实验室
固定时间间隔的植物模型。在这种情况下，数字孪生是使用美卓奥图泰
分析。第一轮采样(位置:图 2 中的 1 至 6)是在几个小时的启动期后进
市售 HSC 化学®软件的 HSC Sim 流程图模拟模块构建的动态机制模型 行的，因此代表了初始稳定状态下的磨矿和浮选回路，具有标称给矿
(美卓奥图泰，2022)。 类型。之后，改变给矿类型，在矿石类型转换期间继续采样轮，现在
2.2.中试规模选矿厂 只对浮选饲料、最终尾矿和最终精矿进行采样。不同位置之间的采样
间隔为 10 分钟(图 2 中的 1,4 和 6)，因此从一个位置连续两次采样之
实验数据采集自 OMS 中试选矿厂。中试工厂是一个模块化的过程， 间间隔为 30 分钟。该采样程序模拟了在线元素分析仪的顺序操作。
包括破碎、湿磨、浮选和除水部分。破碎阶段是半连续运行的。从破 最后，所有采样位置的最后一轮采样代表了改变了进料矿石类型的新
碎的矿石筒仓到浮选回路和脱水的过程可以连续操作。两段磨矿回路 稳态。
有一个棒磨机(直径 0.5 m，长度 0.64 m)和一个球磨机(直径 0.5 m，长
度 0.64 m)，采用湿筛分级(90µm 目径)。筛出的超大分选物在球磨机 每个采样位置的采样率为 30 分钟的 8 个采样轮(图 2)被收集并使
中重新研磨。湿筛筛出的小粒度是浮选原料，被泵送到调制剂中进行 用安装在支架上的实验室手持 XRF (Oxford Instruments X-MET 8000，
化学添加。来自粗浮选(4 ×4 L)的尾矿进入清选剂浮选(4 ×4 L)，粗 使用 Mining Light Elements 预先设置的校准模型)进行分析。第一轮采
精矿和清选剂精矿都被送入清洁剂浮选(2 ×2 L)(图 2)。浆料通过蠕动 样轮(A)覆盖位置 1 至 6(用于稳态平衡计算)，接下来的六轮采样轮(B-
泵(Flowrox)通过选矿方案的不同阶段输送。矿物分析和粒度分析来自 G)覆盖位置 1、4 和 6(用于矿石类型)
该过程中收集的人工样品 ( 图 2)。中试工厂的进一步技术信息可在
(Sepp¨al¨a 等人，2016,2014)中找到。

3
M. Ohenoja 等。
表 1
化学分析。重量 百分比是作 为三次单独 分析的平均值 给出的，其 中样品的位
置在连续分 析之 间 略 有 移 动 。
表 2
富黄铁矿(A)和 富 nsg (H)样品区进料矿 物 学平 衡 。
采样周期约为 3.5 H，对样品进行了 Cu、Zn、Fe 和 s 的分析。所选
Pyha¨salmi 矿石的主要矿物为黄铜矿、闪锌矿、黄铁矿和石英。
进料、尾料和精矿样品的化学分析结果列于表 1。对于 A 轮和 H
轮取样，还收集了较粗的和清道夫浓缩物以及较干净的尾。 对于这些
试点稳态样品(A 和 H)，进行了元素到矿物的转换，并使用 HSC Geo
和 HSC 质量平衡工具计算了电路质量平衡(美卓奥图泰，2022)。富黄
铁矿(A)和富 nsg (H)样品的平衡进料矿物学如表 2 所示。
2.4.机械过程模型
利用 HSC Sim 建立了 OMS 中试浮选装置的机械仿真模型(图 2)，
并给出了处理单元的物理尺寸。HSC Sim 矿物加工模型采用基于颗粒
的方法建立，其中颗粒具有诸如尺寸等属性
表 3
初始浮选 模 型 参 数 。
4
矿产工程 198 (2023)108081
以及矿物成分。在这种情况下，磨矿回路模型被简化为大块矿石时滞
模型( 磨机) 、质量分布模型( 筛) 以及泵送和管道的塞流延迟。浮选回
路模型基于 Seppa¨l¨a 等人(2016)中描述的质量平衡和成分平衡。
例如，清洁器浮选池 CL 的总质量平衡和矿物种类 s 的成分平衡分别
在式(1)和式(2)中给出。
式中，m (kg)为浮选池内固体质量，m˙(kg/h)为质量流量，下标 s 为各
矿物种类 s。下标 CL 为清洁浮选库，R 为粗选库，RS 为粗选-清除剂库，
下标 tail 为尾矿流，下标 conc 为精矿流。
因此，该模型根据矿物回收率 R(%)作为停留时间 dt (min)和动力
学浮选速率常数 ks (1/min)的函数计算精矿流质量流量，如式(3)所示。
采用矩形分布浮选动力学模型，其中每种矿物具有动力学速率 kmax
(1/min)和无限回收率 R(%) ∞ 参数。相应的矿物回收率稳态方程如式(4)
所示。
其中常数 b 描述离散化因子，t 为浮选停留时间(min)， a 为浮选池中
的矿池数。
基于 A 轮矿物取样质量平衡，将浮选模型参数精确拟合到工艺的最
终工作点。总之，矿物转化、质量平衡计算和浮选动力学模型拟合都
是通过 HSC 化学®软件包的相应工具进行的。拟合参数如表 3 所示。
2.5.参数适应
开发的机制模型自适应框架在移动时间窗中使用随机全局优化算
法。研究了两种优化方法:微分进化(DE)和随机径向基函数(SRBF)。
它们分别在 2.5.3 节和 2.5.4 节中进行描述。两种方法都应用了 2.5.2
节中介绍的相同的目标函数。目标函数的权重是根据第 2.5.1 节中提
出的全局灵敏度分析(GSA) 选择的。算法在 MATLAB®技术计算环境
中实现。
2.5.1. 全局敏感性分析
一般来说，敏感性分析方法定量地描述输入参数(因素)对输出变
量的影响。因此,
M. Ohenoja 等。 矿冶工程，1998,20 (3):108081

无限的复苏)。对所有可用的输出变量(例如元素品位)分别进行分析。
特别是，参数 p 对输出变量 Y 的总影响 STp，包括一阶效应和相互作
用，用于评估输入和输出之间的灵敏度，如式(5)所示。

其中，分母 σ(f(Y))是观测到的输出变量 Y 的总体方差，命名符描

述了因子 p 变化引起的期望方差，而所有其他因素都是固定的(式(6))。

其中 N 为样本量(蒙特卡罗模拟总数为 N*(Np + 2))，(p)B A 为蒙特卡

罗模拟的设计矩阵。 Np 为输入参数的个数。由于模拟涉及的是动态数
据而不是单个观测数据，因此函数 f 是蒙特卡罗模拟与具有标称输入
值的参考数据之间的误差平方和。在第 3.1 节的多元优化问题中，利
用总灵敏度指标 STp 定性地选 择自适应目标函数的自适应参数和权重。
感兴趣的读者可以参考(Saltelli 等人，2010)中对 GSA 计算方案的更详
细描述。

2.5.2. 目标函数

模型自适应被设置为一个动态单目标优化问题，其中目标是最小
化所选过程目标流的模拟和测量元素等级之间的绝对误差。由于观
测到的元素品位变化幅度相当相似，因此绝对误差方法是合理的。
因此，模型自适应中使用的目标函数(OF，方程(7))被定义为在移动
窗口中模拟输出(y(k))和测量过程输出(y(k))之间的误差( Ei, j ，方程(8))
的累积和。

图 4 所 示 。 DE 优化算法的基 本 描 述 。

表 4
这里，i 表示移动窗口内的 m 个采样时间瞬间，j 表示 n 个输出(Cu、
优化算法的 超参 数 。 参 数 n p 指问题维数( 适 应 参 数 的 个 数) 。
Zn、Fe 和 S 的元素等级)，使用加权向量 wj = [w1，…，w n]对目标函数
中的输出误差给出不同的影响。GSA 的结果用于设置权重 wj 和选择要
适应的输入(模型参数)。

2.5.3. 差分进化算法

差分进化(Differential evolution, DE)是一种广泛应用的基于种群的

元启发式搜索算法，最初由 Storn 和 Price(1997)提出。这里的优化是
通过迭代改进实值模型参数候选者来执行的。如图 4 所示，DE 生成
候选群体，使用突变和交叉操作创建新的候选对象，并根据目标函数
评估每个候选对象的优度。一旦达到解精度方面的停止准则，或者满
足计算资源，就可以将新的模型参数应用到仿真模型中。

该算法的性能强烈依赖于指定的计算负荷(种群成员数、迭代次数 )
和超参数(突变尺度因子、交叉)

灵敏度分析通常用于选择最重要的模型参数的一个子集来关注，从而
降低问题维度，例如在数据分析、优化和模型识别中。局部灵敏度分
析基于每个参数的个体影响，不能考虑输入参数和输出之间可能的全
局耦合相互作用。因此，当 GSA 扩展到交互影响时，通常是首选的;
该方法利用蒙特卡罗模拟，并在定义的范围内改变所有参数。该方法
的计算负荷很高，特别是在模拟模型很复杂的情况下。

本研究采用基于方差的 Sobol 方法(Saltelli 等，2010)。从本质上讲，

该方法将蒙特卡罗模拟输出中的方差分解为可归因于模型输入参数
(在本例中为浮选动力学速率和

5
M. Ohenoja 等。 矿产工程 198 (2023)108081

对于本研究中的优化问题，这里的 DE 涉及约束处理，即自动去除可
行范围之外的候选项。值得注意的是，目标函数甚至不能对这些不可
行的参数值进行评估( 模型不能可靠地模拟)，这与许多纯数学的优化
目标不同，在这些优化目标中，约束可以通过拉格朗日量来处理。

2.5.4. 随机径向基函数算法

SRBF 方法属于替代模型算法，通常应用于计算量大的问题，其中
过程模型的单次评估耗时长( 例如复杂第一性原理模型的直接基于仿
真的优化) 。这里应用的框架是具有重启的并行局部度量径向基函数
(parmrbf - r， (Regis and Shoe -maker, 2009))，它探索当前最佳解决方
案附近的区域，监测收敛性，并在没有观察到更显著的改进后使用全
新的初始实验设计重新启动。在 图 5 中，省略了这个外环，只显示了
局部搜索。在这里，首先生成了基于有限数量的目标函数评估(模拟)
的响应面模型( 代理模型)。然后使用该代理模型来预测未采样模型参
数点处的目标函数值，并引导搜索并进一步完善代理模型。在达到预
定义的计算时间窗或目标函数评估的最大次数后，停止优化，并将新
的最佳解馈送给仿真模型。

表 4 列出了 SRBF 的超参数，以及本工作中 使用的标称值。

parmrbf - r 的其他可能的超参数在该方法的 MATLAB®实现中给出的
默认值中(mller, 2013)。这里选择的径向基函数的类型为薄板样条，径
向基函数的多项式尾为线性。由于使用这种超参数选择获得了可行的
结果，因此在本研究中未检查其他设置。优化被限制在表 3(第 2.4 节)
所示的参数的可行范围内，该范围定义了参数搜索空间。
图 5 所 示 。 S R BF 优 化 算 法 的 基 本 描 述 。
3.结 果

图 6 给出了实验过程中精矿流中铜品位的动态行为，以及在假
设矿石给料组成变化已知并进行模拟的情况下，机制模型的输出。
矿石进料品位的实测变化，加上表 3 所示的初始浮选模型参数 ，只
能部分描述最终精矿铜品位的变化(所得均方根误差， RM SE 为 2.23
(w-%))。因此，需要对模型进行自适应，使模型输出与观察到的实
验结果相匹配。

本节给出的结果旨在强调所提出的模型适应框架的适用性，从第
3.1 节中选择适应参数和目标函数加权开始，用从中试规模的矿物选
矿厂收集的实验数据演示适应性能( 第 3.2 节)，最后将性能评估扩展到
模拟案例(第 3.3 节)。这些适应示例是将基于模拟的矿物加工数字孪生
与真实过程并行运行的必要验证案例研究。

3.1.目标函数选择

首先，使用 GSA(见 2.5.1 节)研究浮选参数对模拟输出的影响。采

用表 3 所示的动力学模型参数模拟浮选中试装置模型，然后通过改变
rough - scavenger 浮选参数( kmax 和 R∞)在- 10%到 10%之间随机变化

图 6 所 示 。 精矿流中铜 品 位 的 实 验 数 据 和 标 称 模 型 输 出 。

概率)。特别需要注意的是，在直接基于模拟的适应方法中，种群的
每个成员( 对目标函数的一次评估)等于对整个调查时间范围的一次模
拟，这意味着适应的计算负荷将与种群规模成比例地增加。此外，不
同的 DE 适应策略在如何选择突变向量、差异向量和交叉分布方面存
在差异。本研究采用 DE/rand-to-best/ exp/1 策略。表 4 列出了 DE 算
法的超参数，以及本工作中使用的标称值。种群成员数和交叉概率的
取值遵循(Storn 和 Price, 1997)的经验法则，而突变尺度因子的取值是
在模拟情况下筛选算法性能后选择的。为了减少计算时间，限制了最
大迭代次数。由于的性质

6
M. Ohenoja 等。 矿产工程 198 (2023)108081

表 5

敏感性分 析 结 果 及 目 标 函 数 权 重 。

图 8 所 示 。 不同算法的目 标 函 数 值 对 比 。

图 7 所 示。 最终 精 矿 流 中 铜 品 位 调 整 后 的 模 型 输 出 ( 实 线 ) 和 实 验 数 据 ( 圆) 。 虚
线 表 示 未 进 行 适 配 的 模 型 输 出 。 阴 影 区 域 表 示 模 型 输 出 在 95 % 置 信 水 平 下 的
估 计 预 测 区 间 ( ±1.96 σ) 。 标 准 差 σ 基于 7 个 实 验 数 据 点 的 建 模 误 差 。 晶 须
表示每个数 据 点 的 三 个 连 续 样 本 的 分 析 误 差 在 95% 置 信 水 平 上 的 置 信 区 间 。

表 6

模型输出与实验 数据 之 间的 均 方 根误 差( RM SE, w-%)。

图 9 所 示 。 SRBF 算 法 在 不 同 时 间 窗 下 解 的 收 敛 性 ( 相 对 ) 。

它们的标称值。为了约束计算负荷，将蒙特卡罗试验的总数设置为
22500。

GSA 的定性结果见表 5。GSA 结果证实了浮选参数与模拟产出之间

的强相互作用。没有一个浮选参数可以直接与模拟输出变量中的一个相
关联，这鼓励了多变量优化的使用。结果表明，无限回收率参数(R∞)更
有利于同时解释尾流和精矿流元素品位的变化。因此，本文 采用∞了 r
参数。

选择的建模误差加权因子(公式(7)中的 wj)

7
M. Ohenoja 等。 矿产工程 198 (2023)108081

在这种情况下是一个小时。这个选择是在模型的计算时间(更长的时间
窗口导致更长的模拟时间需要更多的计算时间)和新测量信息的可用性
(更短的时间窗口可能导致新数据量不足，无法准确地执行自适应)之
间进行权衡。根据实验数据，在一个小时的间隔内有显著的变化，但
每个采样位置只有两个新的测量样本具有不恒定的噪声特征。此外，
在适应过程中，假设样品分析时间戳与最终精矿样品的时间戳对齐，
从而对尾矿流样品的测量值造成额外的不确定性。为了观察适应是否
最终向稳态收敛，实验数据中的最后几个点(采样轮 H)被重复。因此，
总共用五个连续的时间窗进行自适应，每个窗口有两个实验数据点。

采用 DE 和 SRFB 两种全局优化算法对自适应进行了测试。最终精
矿铜品位的建模结果如下图 7 所示。该图还显示了模型的估计预测区
间，以及分析样本的置信区间(95%)。假设误差的均值为零，服从正
态分布，并且是对称分布。所有测量元素品位的输出在 Ap-附录 A，
图 A1 中给出，调整后的模型参数在 Ap-附录 A，图 A2 中给出。从图
7 中可以明显看出，如果没有模型适配(虚线)，当进料矿石类型发生未
图 10 所 示 。 权重百分比 值 的 模 拟 测 量 噪 声 。
知的剧烈变化时，机械模型的输出开始迅速偏离中试工厂的输出。因
此，未适应的模型对决策的适用性和可靠性受到损害。从图 7 中可以
的目标函数值如表 5 所示。选择主要基于影响输出变量的参数的总
看出，DE 和 SRBF 算法都成功地完成了自适应任务，因为模型输出
效应(S Tp ) 的平均值。初始适应试验后，启发式地选择硫(S) 的权重因
(实线)可以遵循进料矿变化后导频测量(圆)的行为。还可以观察到，在
子为非零;否则，优化将完全忽略精矿流中黄铁矿的含量(优化时 Fe
允许的计算预算下，这两种算法提供的行为略有不同。与图 A2 所示
和 S 的权重均为零)，导致整体模型性能较差。
的模型参数值一起，结果可能表明存在多个局部最优和关于浮选参数
的多重性。
3.2.数字孪生的适应

调整的目的是通过近乎实时地估计粗清和净级的 8 个无限回收(R∞) 从表 6 给出的输出误差指标(RMSE)可以进一步看出公式优化问题

浮选参数，使浮选试验 XRF 测量结果与数字孪生模型输出相匹配(见 的复杂性。显然，在这种情况下，自适应可以有效地降低精矿流中三
表 3)。优化利用了在中试厂测量的最终( 粗清除剂)尾流(采样点 4)和 个元素品位(Cu、Fe、S)的建模误差，适度降低尾流中两个元素品位的
最终(清洁剂)精矿流(采样点 6)中的元素品位(Cu, Fe, S 和 Zn)。变化是 建模误差
假定矿石进料特性是未知的，因此不作为测量扰动进行模拟。其他操
作变量在模拟中被假设在它们的设定值中，因此，浮选性能的变化被
集中到动力学参数的变化中。模拟时间步长设置为 1 分钟。

将自适应中的移动时间窗长度设置为 1

图 11 所 示 。 模拟的参数突 然 变 化( 左 图) 和 得 到 的 铜 品 位 参 考 数 据 ( 右 图 ) 。

8
M. Ohenoja 等。 矿产工程 198 (2023)108081

图 12 所 示 。 模拟的渐变参 数 变 化 ( 左 图 ) 和 得 到 的 铜 品 位 参 考 数 据 ( 右 图) 。

表 7
优化算法如图 8 所示。总的来说，可以观察到目标函数值在时间窗之
模拟数据 自 适 应 测 试 矩 阵 。 间有增加的趋势。虽然自适应可以使模型更接近过程测量的行为，但
由于不准确，特别是在尾流元素等级中，模型精度作为时间的函数会
变得稍微差一些。这可能是建模中的假设、自适应模型参数选择、目
标函数选择和等级测量中的不确定性造成的。然而，研究结果表明，
在计算量较小的情况下(SRBF)，所提出的自适应方法更倾向于减小非
自适应情况下最显著输出的误差值。最后，可以得出结论，模型参数
自适应对于保持基于仿真的数字孪生的预测精度至关重要，尽管实验
过程动态不能被所有输出变量复制。特别是对于作为浮选工艺操作关
键性能指标的精矿铜品位，所提出的自适应框架成功降低了进料变化
后的建模误差。因此，模型自适应可以有效地促进基于仿真的浮选过
程数字孪生的在线应用。

最后，SRBF 解的收敛性如图 9 所示，在不同的时间窗下，目标函

(Fe，S) 。然而，这一结果是以增加其他元素等级的建模误差为代价
数值实现了 9.1 -39.6%的相对递减。还可以观察到，SRBF 算法在 160
的。与已知进料性 质扰动的模拟 ( 见图 6) 相比，精矿流 铜品位的
次允许模拟的执行过程中能够将目标函数值降低 4 到 8 倍。因此，在
RMSE 显著降低(从 2.23 w-%降至 0.33 w-%以下)。相应的平均 abso-
这种情况下，优化算法可以使用 2.5 到 5%的(计算上昂贵的)模拟来改
lute 百分比误差(MAPE)分别为 12.5%和 1.1%。
进解决方案。需要注意的是，该算法使用了固定数量的
为了评估全局解，使用 SRBF 算法将最大模拟次数设置为 3200 次，
重复自适应。误差指标如表 6 所示。在这 20 倍高的计算预算下，该算
法只找到稍好的解决方案，同时也使 Zn 精矿品位误差最小化。同样在
这种情况下，两种尾流等级(Cu, Zn)的误差与未进行适应的情况相比有
所增加，而其他两种尾流等级(Fe, S)的误差指标仅略有改善。在研究的
时间窗内，三种不同的目标函数值

表 8

模拟适应情 况下 的 均 方 根 误 差( R MSE , w-%)。

9
M. Ohenoja 等。 矿产工程 198 (2023)108081

图 13 所 示 。 适应情况 S1-S4 和 R5 相 对 于 未 适 应 情 况 的 R MS E 的 相 对 变 化 。

对初始代理模型进行模拟，并在每次迭代中进行 4 次新的模拟，使
改进率的理论最大值小于 25 %。 具有无限的计算预算。这也可以有效地研究不同测量场景的效果。
3.3.利用模拟数据进行适应 通过改变粗扫阶段的模型参数，生成了两组不同的模拟参考数据。
除了中试工厂采样数据外，还使用模拟参考数据对测量采样间隔 在第一组中，假设模型参数变化具有高振幅的阶梯形式，对关键过程
测量即精矿流中的铜品位产生可观察到的影响。如图 11 左侧所示，对
和测量信号的不同选择进行了模型自适应。这允许对适应框架进行灵
活的测试。因此，针对模拟参考数据的模型参数自适应代表了所研究 四个∞r 参数(黄铜矿、闪锌矿、黄铁矿和脉石)进行调整，导致精矿和
的自适应算法和动态轨迹优化问题公式的计算可行性的关键基准:在没 尾流中铜品位的动态变化，如图 11 右侧所示。第二个参数集包括同时
发生的模型参数变化，呈坡道状，如图 12 所示。同样，在精矿和尾
有测量噪声和未知或不确定干扰的情况下，模型自适应本质上具有完
流中观察到的铜品位的行为可以在图 12 中看到。适配结果见第 3.3.3
美复制参考数据轨迹的能力，当参考数据是用相同的模拟器生成的。
节。
为了进行真实的仿真，根据第 3.3.1 节对模拟模型输出(参考数据)进
3.3.3. 适应的结果
行重新采样并受测量噪声的干扰。模拟参数的变化，以及各自的模型
输出作为参考数据，在 3.3.2 节中进行了描述。对这些模拟案例的自适 本研究采用粗清除剂终尾中 Cu、Fe 、S、Zn 元素品位，并将粗清
应性能将在 3.3.3 节中报告。 除剂精矿与粗清除剂精矿相结合，确定粗清除剂阶段的 4 ∞个 r 参数。
总共研究了 6 个适应案例，如表 7 所示。在所有情况下，适应窗口大
3.3.1. 模拟测量
小为 30 分钟。在这种情况下，模拟步长也为 1 分钟。记录模型输出和
在矿物选矿过程中，可以假设在线分析以 1 分钟至 30 分钟的典型 参数值，并与参考数据进行比较。
时间间隔到达。还可以假设，在线分析仪可以确定铜锌黄铁矿中的元
表 8 给出了模拟适应案例的模型性能指标。第一个观察结果是，
素品位，对于大重量百分比，相对精度为 1 - 4%，对于小重量百分比，
在没有适应的情况下，特别是精矿流元素品位的建模误差很高。图
相对精度为 3-6%。因此，在本研究中使用模拟参考数据进行的适应
13 显示了输出中误差指标相对于没有模型自适应的情况的相对变化。
性测试中，假设实际品位测量值(即来自模型的参考数据)受到随机白
第二个观察结果是，模型自适应收敛到一个解，其中所有模型输出中
噪声的破坏，其标准差在绝对值的 0.5%至 3%之间变化。权重百分比
的误差同时减小。唯一的例外是 S4 尾流中的 Zn 品位，RM SE 值略有
与测量噪声之间的依赖关系如图 10 所示。
增加。第三，尾流铜品位的建模误差并没有通过自适应有效地减小。
3.3.2. 模拟参数变化 在 3.2 节中，用实验数据也得出了类似的观察结果。此外，从图 13 可
以看出，在参数突变的模拟情况下(例 S1-S4)，将采样间隔从 1 分钟
对已有的机理模型进行模拟，生成参考数据，并采用另一模型的 增加到 10 分钟，加上真实的测量噪声，并不会影响自适应性能。
浮选参数。在这种情况下，根据 3.3.1 节的测量噪声被添加到代表实
际过程测量的参考数据中。由于参考数据是用已知模型和已知参数 最后，案例 R5 描述了渐进式参数变化，并假设采样间隔为 10 分
进行模拟的，因此可以保证全局优化的收敛性 钟的 XRF 噪声测量。从表 8 和图 13 中可以观察到，模型自适应成功
地降低了所有模型输出的建模误差。有趣的是，在坡道样变化存在的
情况下，在

10
M. Ohenoja 等。 矿产工程 198 (2023)108081

图 A1。 元 素 品 位的 动 态 行为 。 圆 为 实验 数 据 ，实 线 为 SR BF ， 虚 线 为 DE ， 虚线 为 计 算预 算 较 高 的 S R BF 。

尾流中的 Cu 和 Zn 品位被有效地降到最低。 4.讨 论

模拟情况 S1-S4 和 R5 的元素品位输出如图附录 B 所示。分别为
B1 和 B2。从表 8 中较低的 RMSE 值可以看出，调整后的模型与参考 前一节的结果验证了基于模拟的矿物加工数字孪生并行于真实过
数据非常接近。参数值的变化趋势见附录 B，图 B3。对于类似斜坡 程的连续适应的适用性。在本节中，给出了对在线实施的进一步讨
的变化，可以正确地找到实际参数(仅在模拟研究中可用)。然而，黄 论、发展思路和注意事项。首先，讨论了所提出的适应框架和优化
铜矿浮选参数 ∞r 的剧烈阶梯变化并没有被自适应算法- rithm 正确跟 问题制定的一些方面。其次，讨论了实时应用所提出的要求。第
踪;通过观察图 B3 中的参数值可以看出，适应倾向于适度提高其他三 三，对进一步的实现问题进行了探讨。
种矿物(闪锌矿、黄铁矿和脉石)的参数值，而不是更大程度地改变一
个参数(黄铜矿)。然而，模拟开始时黄铁矿鼠 ∞的较小变化可以被正确
建模。
根据第 3.2 节和 3.3 节的结果，所测试的优化算法可以有效地用于
模型自适应，以减少不同场景下机械、动态矿物选矿模型的建模误
差。特别是精矿流中的元素品位，通常被认为是最重要的工厂产
出，在模型适应后可以高精度地模拟。然而，在尾流中观察到显著
的相对建模误差。例如，与模拟的适应

11
M. Ohenoja 等。 矿产工程 198 (2023)108081

图 A2。 时 间 窗 内实 验 数 据的 自 适 应 模型 参 数 。实 线 为 SR BF ， 虚 线 为 DE ， 虚线 为 计 算预 算 较 高 的 S R BF 。

参考资料中尾流铜品位的绝对值在 0.11 ~ 0.24 w-%之间，在所有适应

情况下都被低估了(铜品位在 0.11 ~ 0.18 w-%之间)。通过增加适应中 back 方 法 是 可 用 的 ， 特 别 是 当 搜 索 的 可 行 起 点 不 能 保 证 时
的计算预算，或者选择一个强调尾流元素品位的目标函数，可以预期 (Lampinen, 2002)。在本研究中，假设可行的起点可以从初始模型的
得到更好的结果。例如，在模型预测控制(Cortes et al.， 2009)的背景 参数集中获得。
下，已经给出了关于目标函数选择和加权方面的挑战的讨论。在实验
数据的情况下，观察到的误差可能部分与建模假设和限制有关。很明 更频繁的测量可以允许使用更短的时间窗口，从而减少模拟时间，
显，如果自由度( 调整参数的数量) 增加，并且可以找到处理更高优化 并有助于最小化模型适应的计算时间。当然，在选择适应时间窗时，
问题维度的有效优化算法，则可以预期更好的自适应(模型拟合)。实 也需要考虑固有的过程延迟和动力学。新颖的测量方法，如拉曼光
验数据中的分析不确定性也可以解释测量的先导数据与模型输出之间 谱(Uusitalo 等人，2020)或 VNIR(Kejonen 等人，2018)可能会为矿物
的一些误差。最后，应该注意的是，为了改进自适应框架，可以考虑 选矿厂的模型适应带来新的机会。这些技术能够以几秒钟而不是几
更复杂的约束处理方法。例如，罚函数方法或弹跳- 分钟的间隔提供测量数据，XRF 在线分析仪可以提供这些数据。另
一个有趣的机会涉及成像测量。 人们已经认识到，浮选模型中的动
力学描述不足以模拟泡沫相行为(Quintanilla et al.， 2021)。因此，如
果成像方法，例如(Popli et al.， 2018)是

12
M. Ohenoja 等。 矿产工程 198 (2023)108081

图 B1。 元 素 品 位 在 模 拟 情 况 S1 -S4 中 的 动 态 行 为 。 粗 灰 线 为 模 拟 参 考 数 据 ， 情况 S1- S4 的 适 应 模 型 输 出 分 别 用 黑 色 实 线 、 虚 线 、 虚 线 和 虚 点 线 表 示 。

可从实验室批处理容器转移到连续浮选池中，一些模型参数可能通
过泡沫成像进行调整。伴随泡沫成像的模型适应方法已经在理论上 一些需要适应的模型参数，导致单次模拟的计算时间显著不同。
得到了证明(Oosthuizen et al.， 2021)。
另一个接近实时要求的重要决策是选择一种有效的优化算法，因
为了满足基于仿真的数字孪生的实时性要求，必须在计算时间 为自适应涉及重复的模型评估。早些时候，当在计算昂贵的模拟情
(仿真时间、迭代次数)和新参考测量的可用性( 适应的时间窗口长度) 况下对优化方法进行比较时，SRBF 显示出最稳健的性能(Espinet 和
之间进行权衡，如 第 3.2 节所述。自然，计算中使用的硬件按需缩 Shoemaker, 2013)。在本研究中，SRBF 明显优于 DE，从而促进了近
放，并利用优化的并行化，可以处理新的在线过程测量的可用性与 乎实时的优化。当然，还有许多其他的优化方法存在，它们针对的
优化结果( 适应的模型输出) 之间的延迟。在工作中还发现，在大规 是计算要求高的模拟(参见 e.g.(Sergeyev et al.， 2018))。这些方法可
模仿真模型中仔细选择仿真步长是必要的;在模型自适应的在线应用 能会以更少的迭代获得更好的计算性能。还可以预期，仔细的、针
中，仿真步长的选择可能依赖于值 对具体情况的优化超参数选择可以带来更好的计算性能或收敛性。
然而，超参数的优化并不在本工作的范围内。达到实时自适应的其
他重要手段涉及

13
M. Ohenoja 等。 矿产工程 198 (2023)108081

图 B2。 模拟情况 R5 中 元 素 级 的 动 态 行 为 。 粗 灰 线 为 模 拟 参 考 数 据 ， 虚 点 线 为 适 应 后 的 模 型 输 出 。

将模型分解为有意义的块或代理模型(Birk 等人，2022)，或利用故
被视为执行模型自适应的可行选项。
障鲁棒优化算法-有效避免参数组合产生不切实际的模型评估的算
法(Chakrabarty 等人，2022)。 适配框架的实现也要注意完整的架构。正如模拟结果所强调的那
样，浮选参数的剧烈变化并不总是被正确地适应。这是在预算非常有
关于自适应框架的实际实现，需要确保解决方案的鲁棒性。尽管 限的情况下应用 SRBF 方法的预期结果，其中只能探索当前最佳解附
基于仿真的结果显示，在这种情况下，自适应对采样间隔变化和测 近的区域( 局部最优)。因此，如果预期进料矿石类型会发生突然而大
量噪声相当不敏感，但在实际环境中还存在其他潜在问题。其中一 的变化，则应该固有地构建数字孪生模拟模型，包括预定义的主要矿
个例子是由于在线分析仪中的线路旁路而导致测量缺失。减轻不确 石类型特征;通过模型自适应进行增强。与(Martínez et al.， 2018)类似，
定或缺失测量影响的一种方法是考虑软传感器来稳定自适应性能 该架构也可能涉及一个检查是否实现新参数的过程。与本工作中提出
(Koistinen et al.， 2021)。鲁棒性的另一个维度是优化算法的性能。 的有窗自适应不同，自适应也可以在基于观察到的建模错误触发后不
需要一组更广泛的实验数据，包括几个操作点，来研究优化算法的 规则地执行。然而，这可能会导致长时间的高建模误差。数字孪生的
鲁棒性。利用本工作中生成的可用实验数据，以及仿真结果，可以 其他构建和实施问题，包括功能需求、从规划到集成和验证的架构，
进行随机全局优化 最近已经得到了彻底的解决

14
M. Ohenoja 等。 矿产工程 198 (2023)108081

图 B3。 基于仿真的 情 况 S1 - s4 和 R5 的适应 模 型 参 数 ， 由 圆 形( S1) 、 正 方 形( S2 ) 、 菱 形( S3) 和 加 号( R5 ) 表 示 。 虚 线 为 实 际 参 数 值 。

在(Segovia 和 Garcia-Alfaro, 2022)中讨论。

5.结 论 没有模型适应。便利的数字孪生体允许将机械过程模型有效地应用
于操作决策，从而实现更可持续和资源高效的矿物加工。
本研究证明了动态机械过程模型在线自适应在选矿中试环境中的可
行性。将一个中试工厂的磨矿和浮选阶段的数字孪生模型发展为富含 比较了两种优化方法。结果表明，随机径向基函数算法显示出接
黄铁矿的工厂标称状态。在实验环境中，将给矿改为非硫化物富含脉 近实时的能力。由于不同的优化算法根据问题的不同以非常不同的
石的原料，以产生浮选性能的变化，而使用标称浮选动力学参数值的 方式执行，因此未来的工作应该包括对优化方法和目标函数进行更
数字孪生模型无法复制这种变化。发现所提出的适应框架包含时间窗 彻底的比较和评估。此外，优化超参数的效果需要进一步研究，特
随机优化，适用于使用不同浮选阶段的元素品位在不断变化的实验条 别是考虑到自适应方法最好适用于模型优化中主题专业知识最少的
件下寻找改进的模型参数集。这被认为是相当小的建模误差，特别是 不同数字孪生案例研究。完整的自适应架构还应该包括自适应参数
在精矿品位 验证，这意味着应用程序应该检查，是否应该应用自适应参数候选，
并偶尔执行更高的离线自适应

15
M. Ohenoja 等 矿产工程 198 (2023)108081
人。

计算预算。
Kravaris, C.， Hahn, J.， Chu, Y.， 2013。状态和参数估计的进展和精选的最新发展。
信用作者贡献声明 第一版。化学。Eng。中国生物工程学报，51,111-123。https://doi。
org/10.1016/j.compchemeng.2012.06.001。
O h enoja Mark k u : 概念化，方法论，正式分析，写作原稿，项目
管理，资金获取。 Ko istinen Antti: 软件，调查 ，可视化。 H ultg ren Kritzinger, W.， Karner, M.， Traar, G.， Henjes, J.， Sihn, W.， 2018。制造业中的数字
孪生:分类文献综述与分类。IFAC-Pap。，第 16 届 IFAC 制造业信息控制问题研讨
Ma tia s: 概念化，资源，写作- 评论和编辑。 Remes Antti:验证，写作 会 INCOM 2018 51, 1016-1022。Doi: 10.1016 / j.ifacol.2018.08.474。
审查和编辑，项目管理。 Ko rtelainen Jo ha nna :软件。 Kaa rtinen Ja ni:
监管，融资收购。 Pelto n iemi Miika :调查，资源。 Ruusunen Mika :概 Lampinen, J.， 2002。差分进化算法的约束处理方法，载于:2002 年进化计算大会
念化，写作-审查和编辑，监督。 论文集。CEC 02(猫。No.02TH8600)， pp. 1468-1473 vol.2。Doi: 10.1109/
CEC.2002.1004459。

竞业利益声明 Martínez, g.s.， Miettinen, T, Aikala, A, Savolainen, J.， Kondelin, K.， Karhela, T.，
Vyatkin, V.， 2016。预测在线仿真中的参数选择，2016 年 IEEE 第十四届工业信息
学国际会议(INDIN)， 726-729 页。Doi: 10.1109 / INDIN.2016.7819254。
作者声明，他们没有已知的竞争经济利益或个人关系，可能会影
响本文中报道的工作。 Martínez, g.s.， Karhela, t.a.， Ruusu, r.j.， sierra, s.a.， Vyatkin, V.， 2018。全生命周期
跟踪仿真体系结构的集成实现方法。IEEE 存取学报，6,15391-15407。
数据可用性 https://doi.org/10.1109/ACCESS.2018.2811845。

已使用的数据是保密的。 McCoy, j.t.， Auret, L.， 2019。机器学习在矿物加工中的应用:综述。矿工。工程

132,95-109。https://doi.org/10.1016/j.mineng.2018.12.004。
致谢。
美卓奥图泰，2022。HSC 化学[WWW 文献]。URL https://www.hsc-chemi stry.com/(访
这项研究工作是作为商业芬兰共同创新联合行动“人工传感智能促进 问地址 8.6.22)。
的自主过程(APASSI)”的一部分进行的。
Michaux, B.， Hannula, J.， Rudolph, M.， Reuter, m.a.， van den Boogaart, k.g.，
附录 A M¨ockel, R.， Kobylin, P.， Hultgren, M.， Peltom¨aki, M.， Roine, A.， Remes, A.，
2019。采矿业的节水战略——矿物加工模拟器作为实施工具的潜力。j .包围。管理。
参见无花果 。A1, 234,546-553。https://doi.org/ 10.1016 / j.jenvman.2018.11.139。
A2。
m<s:1> ller, J.， 2013。全局优化的随机径向基函数算法。MATLAB 中心文件交换。
附录 B https://se.mathworks.com/matlabcentral/fileexch 安吉/ 42090 -随机-径向基函数算法-
-全球优化。
参见无花果 。B1 , b2,
b3。 Nakaya, M.， Li, X.， 2013。物理模型和准时制模型混合的在线跟踪模拟器。J.过程控
制，IFAC 世界大会特刊 23,171-178。https://doi.org/10.1016/j.jprocont.2012.06.007。
参 考 文献。
Ohenoja, M.， Ruusunen, M.， Hultgren, M.， Remes, A.， 2020。动态浮选过程模拟
Birk, W.， Hostettler, R.， Razi, M.， Atta, K.， Tammia, R.， 2022。用于估计和控制的 的模型自适应，第 7 届控制、决策与信息技术国际会议(CoDIT)。183 - 188 页。
过程工业数字孪生的自动生成和更新——综述。前面。控制工程 3 Doi: 10.1109 / CoDIT49905.2020.9263863 。
https://doi.org/10.3389/fcteg.2022.954858。
Oosthuizen, d.j.， le Roux, j.d.， Craig, i.k.， 2021。从在线测量中推断工艺特征的动态
Chakrabarty, A.， Bortoff, S.A, Laughman, c.r.， 2022。数据驱动参数估计的仿真故障鲁 浮选模型。矿工。Eng. 167, 106878 https:// doi.org/10.1016/j.mineng.2021.106878。
棒贝叶斯优化。IEEE 译。系统。男人 Cybern。系统 1-12
https://doi.org/10.1109/TSMC.2022.3216790。 潘德利德斯，陈建军，2013。过程操作中第一性原理模型的在线使用:回顾、现状和
未来需求。第一版。化学。Eng。中国生物工程学报 51,136-148。
Cortes, P.， Kouro, S.， La Rocca, B.， Vargas, R.， Rodriguez, J.， Leon, J.， Vazquez, S.， https://doi.org/10.1016/j.compchemeng.2012.07.008。
Franquelo, l.g.， 2009。功率变换器和驱动器模型预测控制中权重因子设计指南，
2009 年 IEEE 工业技术国际会议。1 - 7 页。Doi: 10.1109 / ICIT.2009.4939742。 佩尔,R,墙,F。,,X。,,,曾,X。,2019。基于选矿模拟的稀土项目开发环境生命周期评价:以
松尾山项目为例。j .包围。Manage. 249, 109353 https://doi.org/ 10.1016/j.j
Edington, L.， Dervilis, N.， Ben Abdessalem, A.， Wagg, D.， 2023。一种用于工程动 jenvman.2019.109353。
力学应用的随时间演进的数字孪生工具。动力机械。系统。信号处理。
188,109971 https://doi.org/10.1016/j.ymssp.2022.109971。 Perno, M.， Hvam, L.， Haug, A.， 2022。流程工业中数字孪生的实施:对促成因素和
障碍的系统文献综述。第一版。印第安纳州 134,103558
Espinet, a.j.， Shoemaker, c.a.， 2013。多相流模型参数估计优化算法与地质固碳应用 https://doi.org/10.1016/j.compind.2021.103558。
的比较。水利学报，54(4)，133-148。https://doi.org/10.1016/j。
advwatres.2013.01.003。 Pietil¨a, J.， Kaartinen, J.， Reinsalo, a.m。, 2013 年。浮选过程跟踪模拟器的参数估计。
IFAC 进程卷，第 16 届 IFAC 控制研讨会。优化自动化采矿，矿物金属加工 46,122-
Friman, M.， Airikka, P.， 2012。基于 PI 控制器和 Autotuning 的跟踪仿真。IFAC Proc. 127。https:// doi.org/10.3182/20130825 2038.00048- 4。
Vol.，第二届 IFAC PID 控制进展会议 45,548 -553。Doi: 10.3182 / 20120328 - 3 -
3014.00093。 杨建军，刘强，刘志强，2018。使用基础模型和泡沫图像实时监测夹带。矿工。工
程 124,44-62。https://doi。org/10.1016/j.mineng.2018.05.004。
Hodouin 博士，2011。矿物加工厂的自动控制、观察和优化方法。J.过程控制，采矿自
动化特刊，矿物与金属加工 21,211-225。https://doi.org/10.1016/j。 Quintanilla, P.， Neethling, s.j.， Brito-Parada, p.r.， 2021。泡沫浮选控制的建模:综
jprocont.2010.10.016。 述。矿工。Eng. 162, 106718 https://doi.org/10.1016/j。mineng.2020.106718。

Kejonen, I.， Haavisto, O.， Martikainen, J.， Suontaka, V.， Musuku, B.， 2018。利
用快速在线元素分析提高品位控制效率。矿工。工程 124,68-73。
https://doi.org/10.1016/j.mineng.2018.05.002。
金，r.p.， 2001。矿物加工系统的建模与仿真。Butterworth- Heinemann，牛津。
Koistinen, A.， Ohenoja, M.， Tomperi, J.， Ruusunen, M.， 2021。工业数字孪生的适应
框架，见:模拟与建模 SIMS 会议论文集。SIMS 2020, pp. 365-372。Doi: 10.3384 /
ecp20176365。
Regis, r.g.， Shoemaker, c.a.， 2009。使用径向基函数的并行随机全局优化。Inf. J.
computer . 21, 411-426。https://doi.org/10.1287/ ijoc.1090.0325。
Saltelli, A.， Annoni, P.， Azzini, I.， Campolongo, F.， Ratto, M.， Tarantola, S.，
2010。基于方差的模型输出灵敏度分析。总灵敏度指数的设计和估计器。第一版。
理论物理。common . 181, 259-270。https://doi.org/ 10.1016 / j.cpc.2009.09.018 。
Sansana, J.， Joswiak, m.n.， Castillo, I.， Wang, Z.， Rendall, R.， Chiang, l.h.， Reis,
m.s.， 2021。工业 4.0 混合动力建模的最新趋势。第一版。化学。工程 151,107365
https://doi.org/10.1016/j.compchemeng.2021.107365。

Sb´arbaro, D.， Del Villar, R.， 2010。矿物加工厂的先进控制和监督，工业控制的进

展。施普林格,伦敦;纽约。

Schwarz, m.p.， Koh, P.T.L, Verrelli, D.I, Feng, Y.， 2016。选矿操作的顺序多尺度

建模，并应用于浮选池。矿工。Eng。计算。模型。90,2-16。
https://doi.org/10.1016/j。mineng.2015.09.021。

塞戈维亚，M.，加西亚-阿尔法罗，J.， 2022。数字孪生的设计、建模与实现。传
感器 22,5396。https://doi.org/10.3390/s22145396。
Se pp ¨a l ¨，P. ， So rsa, a . ， P a avo la , M . ， R e me s, a . ， Ruu sk a, J. ， L eiv isk ¨，K . ， 2014 。 Sepp¨al ¨a, P.， Sorsa, a .， Paavola, M.， Ruuska, J.， Remes, a .， Kumar, H.， Lamberg,
中试工厂模拟 作为 一种 更有 效的 矿物加 工工 具。 IFA C Proc 卷，第 19 届 IFA C 世界 大 P.， Leivisk¨a, K.， 2016。动态浮选 回路 模型 的 开发 和校 准。 矿工 。 En g。 特刊: 泡 沫
会 47,11506 -11511。Doi: 10.3182 / 20140824 - 6 - za - 1003.02152。 浮选 96 - 97,168 - 176。https://do i.o rg/ 10.1016 / j.minen g.20 16.0 7.00 4 。

16
M. Ohenoja 等。 矿产工程 198 (2023)108081

Sergeyev, y.d.， Kvasov, d.e.， Mukhametzhanov, m.s.， 2018。基于自然启发的元启发

式 算 法 在 有 限 预 算 的昂 贵 全 局 优 化中 的 效 率 研 究。 科 学 。 众 议 员 8,1 - 9 。 利用近红外拉曼光谱分析硫化物矿石。[j] .拉曼光谱学报，2011,31(5):978-
https://doi.org/10.1038/s41598 - 017 - 18940 - 4。 988。https://doi.org/10.1002/jrs.5859。

Storn, R.， Price, K.， 1997。微分进化——连续空间上全局优化的一种简单而有效的 Vasebi, A.， Poulin, E´。， Hodouin, D.， 2012。矿物和冶金厂的动态数据对账。为基
启 发 式 方 法 。 j . 水 珠 。 Optim. 11, 341-359 。 https:// doi.org/10.1023/A: 础。Rev. Control 36, 235-243。https://doi.org/10.1016/j。arcontrol.2012.09.005。
1008202821328。
Wang, J.， Moreira, J.， Cao, Y.， Gopaluni, B.， 2022。通过非线性动力学的卡尔曼广义
Sun, B . ， J ¨a ms ¨- jou n el a, S. -L. 。， Tod oro v, Y. ， Ol ivi e r, l .e. ， C rai g, i.k. ， 2 017 。过 程工 稀疏辨识的时变数字孪生建模，见:2022 年美国控制会议(ACC)，第 5217-5222 页。
业设 备自 动 化展 望。 IF A C -P ap 。， 控制 会议 非 洲 C C A 201 7 5 0, 65 -70 。D o i: 10. 101 6 / Doi: 10.23919/ ACC53348.2022.9867786。
j.ifacol.2017. 12. 012 。
Ward, R.， Choudhary, R.， Gregory, A.， jan - singh, M.， Girolami, M.， 2021。数字
Uusitalo, S.， Soudunsaari, T.， Sumen, J.， Haavisto, O.， Kaartinen, J.， Huuskonen, J.， 孪生体的连续校准:粒子滤波和贝叶斯校准方法的比较。以数据为中心的 eng2,
Tuikka, A.， rahkama - tolonen, K.， Paaso, J.， 2020。矿物在线分析，来自 e15。doi。https://doi.org/10.1017/dce.2021.12。

17