基于SSA-BP神經網絡的重力式礦漿濃度檢測算法

摘 要 為了克服現有礦漿濃度檢測技術的不足，提高礦漿濃度檢測技術在復雜選礦環境中的精度和適應性，在對現有礦漿濃度檢測技術進行分析的基礎上，提出重力式礦漿濃度檢測方法，利用麻雀搜索算法（SSA）改進BP神經網絡算法優化關鍵參數，進行了系統設計、算法研究和應用測試，結果表明：算法具有檢測精度高、適應性強、穩定性好等優點。

關鍵詞 SSA-BP神經網絡 礦漿濃度 參數校正 重力式

中圖分類號 TP18" "文獻標志碼 A" "文章編號 1000-3932（2024）06-1010-08

選礦過程中，礦漿濃度作為一個重要參數影響著磨礦效率、回收率及藥劑消耗量等參數。傳統的礦漿濃度檢測大多由人工測量，存在實時性差、滯后時間長、勞動強度大、不能提供檢測信號等缺點。礦漿濃度自動檢測技術具有實現選礦過程智能化和顯著提高生產效率的重要作用，隨著礦漿濃度檢測技術向智能化發展，礦漿濃度檢測的準確性、適應性、實時性更強，與人工測量對比，更有利于提高生產效率、優化工藝參數、降低能耗和生產成本。目前礦漿濃度自動檢測方法較多，常見的有射線法、稱重法、超聲波法、諧振法、差壓法等［1］。

近年來，人工神經網絡已在冶金、農業、計算機等領域廣泛應用，但在礦漿濃度檢測過程中，反向傳播神經網絡（Back-Propagation，BP）的應用研究仍相對稀缺。人工神經網絡是基于生物學中神經網絡的基本原理，以網絡拓撲知識為理論基礎，模擬人腦神經系統對復雜信息處理機制的一種數學模型［2］，具有自主訓練、自主適應和自主糾錯能力，在解決函數關系不明顯的非線性問題上具有優勢［3］。筆者基于選礦生產過程礦漿濃度檢測存在的共性問題，提出一種重力式礦漿濃度檢測算法，并針對礦漿濃度檢測儀表由于結構、材料、流體性質等原因造成的誤差［4］，提出基于BP神經網絡的礦漿濃度參數校正算法，以期降低檢測誤差，給出一種更具前景的替代方案，提高礦漿濃度檢測的精確度和穩定性。

1 現有主要礦漿濃度檢測方法

1.1 電磁感應式檢測法

電磁感應式礦漿濃度檢測方法是一種常用的無損檢測方法，其工作原理基于法拉第電磁感應定律。當礦漿通過傳感器時，由于礦漿的導電性和磁導率與濃度密切相關，會對磁場產生影響。電磁感應式檢測法的原理是：線圈在交電流的驅動下產生磁場，當礦漿流過線圈時，礦漿里的導電顆粒在磁場運動中發生變化產生渦流，進而改變感應電動勢，礦漿中的導電顆粒含量與感應電動勢有關，通過測量礦漿中電磁信號的變化即可確定濃度［5］。

電磁感應式礦漿濃度檢測方法在某些特殊情況下無法應用，如：礦漿中存在大量磁性顆?；蚱渌蓴_物質時，會對電磁信號的傳播和接收產生較大影響，從而導致測量結果失真。此外，該方法對礦漿溫度、壓力等環境因素較為敏感，需要進行相應的修正和校準。

1.2 超聲波式檢測法

超聲波在被測礦漿中傳播時會發生反射、折射、干涉、散射、衰減等現象，其聲衰減、聲速和聲阻抗都會發生變化［6］，而變化后的聲衰減、聲速和聲阻抗與礦漿濃度有著對應的關系，通過測量這些參數的數值即可得到有關介質的信息和特性，進而計算出礦漿濃度［7］。在選礦過程中，超聲波礦漿濃度檢測設備在礦漿濃度測量中的工作原理主要是基于超聲波在礦漿中的傳播特性和與固體顆粒的相互作用。當超聲波通過礦漿時，會在礦漿中的固體顆粒上發生散射、吸收、反射等現象，當礦漿中的顆粒過大或過多時，它們會散射和吸收部分超聲信號，導致測量結果出現偏差。

礦漿中存在氣泡時，氣泡會散射和吸收超聲波信號，也會干擾超聲波的傳播并產生噪聲，致使測量結果存在較大誤差。

1.3 輻射式檢測法

輻射式檢測法是利用γ射線透射物體時，其衰減與被測物體密度、厚度、物體材料特性有關的規律實現礦漿濃度檢測的，當厚度和物體材料特性確定后，衰減只與被測物體的密度有關，從而可以檢測出被測礦漿的密度和濃度。

輻射式礦漿濃度檢測法的主要優點是非接觸測量、適應性強、安裝調試方便、精度較高。不足之處則是檢測精度易受礦漿成分變化、輸送管道不滿管、礦漿夾帶氣泡等因素影響，還存在核輻射問題。

1.4 稱重式檢測法

稱重式檢測法的基本原理是通過獲取一定體積的礦漿并測量其重量，然后通過密度計算公式計算出礦漿密度，再由密度計算得到礦漿濃度。

稱重式檢測法是一種比較直接的方法，簡單、精確、方便，但屬于間斷式測量，測量周期較長、實時性差，并且容易出現由于大顆粒礦石混入沉積影響檢測精度，甚至不能正常檢測的情況，維護工作量較大。

2 重力式礦漿濃度檢測儀的結構及工作原理

2.1 系統結構

為了克服現有礦漿濃度檢測設備存在的易受礦漿成分變化、礦漿濃度分布不均、粒度變化、礦漿夾帶氣泡等因素的影響，昆明理工大學的黃宋魏團隊創新性地提出管上型重力式礦漿濃度檢測技術，重力式礦漿濃度檢測儀的結構及典型應用安裝示意圖如圖1所示。

重力式礦漿濃度檢測儀主要由采樣裝置、傳感裝置和測控主機3個部分組成，使用時需根據實際情況將采樣裝置和傳感裝置安裝在礦漿輸送管道上，輸送管道可以是水平轉下降管道、水平管道、垂直管道或傾斜管道。檢測點的選擇及傳感裝置的安裝方式要以確保礦漿采樣具有代表性，以及采樣礦漿能暢通流過傳感裝置為原則。采樣裝置負責從輸送管道采集礦漿，并讓礦漿通過傳感裝置；傳感裝置負責將礦漿密度轉換成電信號，是關鍵部件；測控主機負責信號采集、數字濾波、數據計算、監控管理及信號輸出等。

2.2 工作原理

重力式礦漿濃度檢測儀的工作流程如圖2所示。由采樣裝置將礦漿引入傳感裝置的旋流式密度容器，礦漿在旋流式密度容器內處于旋流、分散和充滿狀態，以避免礦漿沉淀、阻塞和結垢，旋流式密度容器受礦漿重力、礦漿流體力、機構材料變形力共同作用，通過力傳遞機構得到一個主要與礦漿密度相關的特征作用力，該特征作用力通過力傳感器轉換成電信號，由于傳感器輸出的電信號較弱（毫伏級），需經信號放大調理模塊將毫伏信號放大并調理成伏特級電壓信號或毫安級電流信號，該信號經A/D轉換模塊進行模/數轉換，得到與礦漿密度密切相關的數字量信號，數字量信號通過模糊數字濾波模塊進行模糊數字濾波后得到去除干擾成分的真實數字量數據，將數字量數據輸入密度計算模型計算，可得初步的密度數據，密度數據經密度修正模型進行修正，得到準確反映輸送管道礦漿密度的數據，密度數據經濃度計算模塊計算得到礦漿百分比濃度。

3 機理建模

3.1 礦漿濃度的機理建模

選礦生產中，常以百分比濃度表示礦漿濃度，即礦漿中固體成分的質量占總質量的百分比。礦漿由水和礦粉混合而成，具有以下數學關系：

d=■=■=■v=v■+v■p=■×100%=■×100%（1）

式中 d——礦漿密度，g/cm3；

d■——礦石密度，g/cm3；

d■——水的密度，g/cm3；

m——礦漿的質量，g；

m■——礦漿中礦石的質量，g；

m■——礦漿中水的質量，g；

p——礦漿的百分比濃度，%；

v——礦漿的體積，cm3；

v1——礦漿中礦石的體積，cm3；

v2——礦漿中水的體積，cm3。

整理式（1）可得礦漿的百分比濃度計算式：

p=■×100%（2）

實際生產過程中，礦漿百分比濃度主要由式（2）計算，知道礦漿密度、礦石密度和水密度即可。礦石密度和水密度比較穩定，可以事先測得，而礦漿密度則通過檢測儀測得。

3.2 礦漿密度的機理建模

當傳感裝置和測控主機安裝完畢后，測量容器的等效體積已經確定，可認為等效體積是一個恒量。傳感裝置輸出的電信號傳送到測控主機，經A/D轉換后得到采樣值，采樣值通過模糊數字濾波后得到濾波采樣值N，即實時采樣值。設傳感裝置輸入水時，得到的濾波采樣值為N0，即零點采樣值。采樣值是將模擬量轉換成數字量的數值，則礦漿等效質量m′的計算式為：

m′=K■（N-N■）（3）

d=■=■=K■K■（N-N■）+d■=K■（N-N■）+d■（4）

K■=K■K■

式中 K■——密度系數，g/cm3；

K■——質量系數，g；

K■——體積系數，1/cm3；

v■——礦漿等效體積，cm3。

用式（4）計算得到礦漿密度d后，再利用式（2）計算礦漿的百分比濃度。

4 機理模型應用測試及優化

4.1 機理模型應用測試及存在的問題

為了便于實驗和測試，采用立式渣漿泵、電磁流量計和重力式礦漿濃度檢測儀組建循環式礦漿濃度檢測實驗平臺。將機理建模得到的式（4）、（2）算法輸入重力式礦漿濃度檢測儀進行礦漿密度和礦漿濃度的計算。

實驗方法：人工加水或礦粉逐步改變礦漿密度并測定礦漿濃度，記錄各密度狀態對應的測控主機采樣值和顯示值，得到圖3所示的人工檢測值和儀表檢測值對比曲線，可以看出，機理模型得到的礦漿濃度檢測數據（儀表檢測值）與實際礦漿濃度數據（人工檢測值）在整個測量范圍內有較大的偏差，需優化密度數學模型。

4.2 基于神經網絡的模型優化

為了提高檢測精度，對數學模型進行優化。傳統的最小二乘法曲線擬合方法是從理論上推導確定變量之間的函數關系，這種關系在實際應用時往往存在一定的局限。而神經網絡模型具有

強大的非線性擬合能力和學習能力［8］，可用于數學模型優化。由上述實驗可知，實際礦漿濃度與采樣值之間具有較大非線性關系，為此筆者采用BP神經網絡算法進行精確數學模型的優化。

4.2.1 模型架構

機理模型中密度檢測數據與實測數據存在較大偏差的主要原因是密度系數K■不能隨著測量狀態的變化而變化，根據礦漿濃度檢測儀工作原理，對K■進行動態校準，從而對機理模型進行動態優化。本研究采用BP神經網絡建立K■動態校準數學模型，對密度機理模型的K■進行動態校準。

BP神經網絡的工作過程包括正向傳播和誤差反向傳播兩個階段，在神經元模型中，信號通過每個輸入節點傳遞，每個輸入信號連接一定權重后成為一個總輸入信號，并與神經元閾值進行對比，引入非線性激活函數處理后輸出，作為下一層神經元的輸入，信號層層傳遞，得到最終輸出，完成正向傳播過程。最終預測值與原始數據的誤差會通過損失函數反向傳播，經多次循環并不斷更新權重使損失函數值達到理論最小值，即為神經網絡優化后的結果［9～13］。構建一個神經網絡模型的關鍵在于神經元的數量，如果隱藏層的神經元數量過少則無法達到訓練精度要求，然而過高的神經元個數也會導致過度擬合［14］，文獻

［15］等給出了隱藏層數k的上限：

k=m″/a×（i′+j′）（5）

其中，m″是數據集的數量；常數a的取值范圍限定在［5，10］；i′為輸出層的神經元編號；j′為輸

入層的神經元編號。

模型設計由兩層隱藏層組成，每個隱藏層有10個神經元，輸入層為實時采樣值、實測礦漿濃度、礦漿流速，輸出層為礦漿密度系數K■，隱藏層傳遞函數為函數s、損失函數為均方誤差函數。神經網絡拓撲結構如圖4所示。

4.2.2 BP神經網絡建模

在BP神經網絡應用過程中，會使用大量實驗數據作為基礎來挖掘更深層次的數據信息、實時采樣值、實測礦漿濃度和礦漿流速信息數據作為訓練基礎。處理信息單元通常分為3類：

a. 輸入單元，負責接收外部提供的信號與數據，作為神經網絡處理信息的起點；

b. 輸出單元，負責實現系統處理結果的輸出，將神經網絡的處理結果傳遞給外部；

c. 隱含單元，位于輸入單元和輸出單元之間，其結構無法從網絡系統外部直接觀測到。

隱含單元在神經網絡中起重要的信息處理和傳遞作用。除此之外，神經元之間的連接強度由權值等參數決定，權值大小和調整方式對神經網絡的性能和信息處理能力具有至關重要的影響。通過不斷調整和優化權值參數，可以逐漸提高神經網絡的準確性和穩定性。實測礦漿濃度、礦漿流速和采樣值數據作為BP神經網絡的輸入，為了保證數據質量，需對數據進行預處理［16］，利用遞歸平均濾波算法［17］進行濾波：

A（m？蓯）=■■A（m？蓯-j+1），j=1，2，…，i（6）

其中，i為平均濾波數據長度，即測量次數；

A（m？蓯）是采樣數據的預處理結果；A（m？蓯-j+1）是測量m？蓯-j+1次的采樣數據。數據經預處理后會更加穩定，為獲得真實可靠的網絡訓練數據奠定基

礎［18］。

在BP神經網絡中，給輸入層到隱藏層和隱藏層到輸出層分別賦隨機連接權v■和ω■，以及隱藏層單元閾值θ■和輸出層單元閾值γ■（其中，θ■∈［-1，

+1］，γ■∈［-1，+1］）；給定M組訓練樣本，可得k個模式對（A′k，Ck），k=1，2，…，m？蓯（其中，A′為輸入值，C為輸出值）；由于BP神經網絡在礦漿密度系數K■優化不同層之間的變換為非線性的，因此從訓練樣本中選出一組信息作為輸入層單元的激活值a■通過連接權矩陣v送到隱藏層單元，隱藏層的實際輸出b■為：

b■=f（net（b■））=f■（v■a■+θ■），i=1，2，…，p（7）

其中，net（b■）是產生隱藏層單元的加權輸入；f（net（b■））是隱藏層單元的激活函數。

隱藏層的輸出通過連接權矩陣ω送到輸出層單元，輸出層的實際輸出c■為：

c■=f（net（c■））=f■（ω■b■+γ■），j=1，2，…，q（8）

其中，net（c■）是產生輸出層單元的加權輸入；f（net（c■））是輸出層單元的激活函數。

輸出結果與期望輸出的誤差E為：

E=■■（c′■-c■）■（9）

其中，c′■為期望輸出。

隱藏層的激活函數f（x）用′log-sigmoid′表示為：

f（x）=（1+e■）■（10）

網絡在訓練過程中通過反向傳播不斷調整網絡權值［19］，使E最小。限定一個E值，當誤差平方和小于該值時，網絡訓練結束，這時BP網絡便實現了對實驗數據的擬合效果［20］。然而在求解非線性關系時，BP神經網絡不能保證找到全局最優

解［21］，因此為了提高BP神經網絡的預測精度，需引入其他算法優化BP神經網絡。

4.2.3 BP神經網絡算法的改進

目前，雖然BP神經網絡已經比較成熟，可以解決許多實際問題［22］，但在應用于礦漿濃度檢測過程中逐漸發現了一些缺陷，其中，局部值的存在、初始值的不確定、閾值的存在影響了模型的精確性［23］。因此，筆者在BP神經網絡的基礎上引入麻雀搜索算法（SSA）［24～27］，來改善BP算法的搜索機制［28］。SSA是一種新的智能優化算法，具有較好的全局尋優能力，由發現者、追隨者和警戒者3種身份組成，在每次迭代過程中，發現者的位置更新公式為：

X■■=X■■·exp■？搖，R■＜STX■■+Q·L？搖" " ，R■≥ST（11）

其中，t代表當前迭代次數；i″和j″分別代表麻雀的序號和麻雀所處的位置維度；α是0～1間的常數；iter■是一個常數，表示最大迭代次數；R■是報警值，用于判斷是否發現了警戒者；ST是安全閾值；Q是一個服從正態分布的隨機數；L表示一個1×d′的矩陣。

根據R■和ST間的關系進行條件判斷，如果

R■＜ST，就意味著沒有發現警戒者，發現者開始大規模搜索；如果R■≥ST，則表示找到了追隨者，這種情況下，發現者迅速離開該區域。追隨者的位置更新公式為：

X■■=Q·exp■？搖 ，i″＞■X■■+|X■■-X■■|·A■·L，i″≤■ （12）

其中，對于發現者來說，最佳位置為X■，最差位置為X■；矩陣L中每個元素隨機賦值1或-1，并且A■=A■（AA■）■；當i″＞n/2時，表示第i″個發現者沒有獲得食物，處于十分饑餓的狀態。當檢測到的發現者數量超過總數的10%時，設置初始位置隨機化。警戒者位置更新公式為：

X■■=X■■+β·|X■■-X■■|" "，f■＞f■X■■+K·■？搖，f■=f■（13）

其中，X■■表示迭代t次時的全局最優位置；f■代表當前發現者的適應度值；f■是全局最佳適應度值；f■是全局最差適應度值；ε是最小常量；K是一個隨機數，其取值范圍在-1～1，用于決定發現者的方向；？茁是一個隨機數，K和？茁共同控制步長。當f■＞f■時，發現者位于整體邊緣，并且X■表示中心的安全位置。當f■=f■時，發現者在中心位置發現危險，需要更新位置［29，30］。更新操作結束后，需要將個體適應度值與當前最優適應度值進行比較，達到最大迭代次數后，將輸出作為新的BP神經網絡權值、閾值，利用反向傳播原理微調參數。

5 實驗和結果分析

為驗證SSA-BP神經網絡模型在礦漿濃度檢測系統中的有效性和準確性，將訓練大量的輸入數據和輸出數據來預測測試樣本的礦漿濃度值。

實驗平臺使用MATLAB軟件，將對比BP神經網絡模型和SSA-BP神經網絡模型的預測結果，以評估改進模型的性能。

5.1 模型訓練對比

經過多次迭代后，每代的最優適應度變化情況可以通過圖5清晰展現，可以看出，在迭代25次后，SSA-BP神經網絡模型成功找到了全局最優解，而BP神經網絡模型在迭代約30次后才逐漸趨于平穩。這個結果表明，在BP神經網絡模型中引入SSA算法，模型的收斂速度得到了顯著提升，同時也增強了其全局搜索能力，因此，SSA-BP模型在解決復雜問題時相較于傳統方法具有更為明顯的優勢。

5.2 模型預測結果

為了驗證優化數學模型的有效性，將優化后的礦漿密度系數K■作為礦漿濃度檢測儀選取的系數，通過人工加水或礦粉逐步改變礦漿濃度并進行礦漿濃度的人工測定，記錄各濃度狀態對應的測控主機采樣值，利用BP神經網絡模型和SSA-BP神經網絡模型進行計算，實驗結果如圖6所示，可以看出，對礦漿密度系數K■優化后，筆者所提礦漿濃度檢測儀的檢測結果具有較高的精確度。

6 結束語

選礦過程復雜多變、礦石性質變化大、影響因素多，現有礦漿濃度檢測儀在選礦過程的應用具有較大的局限性，為此，研發了重力式礦漿濃度檢測儀，提出了礦漿密度和濃度計算的機理模型，針對實際檢測過程中存在的較大非線性問題，從精確、高效和便于實現的理念出發，提出以動態優化密度系數K■為技術關鍵，建立了優化密度系數K■的數學模型。先后采用傳統BP神經網絡和SSA-BP神經網絡算法建立密度系數K■的優化模型，并分別進行應用測試，結果表明采用SSA-BP神經網絡模型，大幅增強了BP算法的局部搜索能力，改善了受局部最優影響的傳統BP神經網絡算法的性能，對于各種變化因素具有很好的適應能力，從而提高了重力式礦漿濃度檢測儀的檢測精度和穩定性。

重力式礦漿濃度檢測儀具有檢測精度高、適應性強、穩定性好等特點。這一創新技術成果有效解決了礦漿濃度檢測的局限性，在礦業生產實踐中展現出深遠的實際應用價值與學術意義。對于推動礦業生產自動化、智能化水平的提升，以及促進相關檢測技術的進一步發展，具有不可忽視的積極作用。

參 考 文 獻

［1］" "張玉達，蓋黎晶，鄒爽.金屬礦山充填礦漿濃度計的改進［J］.現代礦業，2021，37（12）：203-206.

［2］" KNOERZER K. Leveraging artificial intelligence for simplified adiabatic compression heating prediction：Comparing the use of artificial neural networks with conventional numerical approach［J］.Innovative Food Science amp; Emerging Technologies，2024，91：103546.

［3］" "于雨，王余蓮，朱益斌，等.基于BP神經網絡的三水碳酸鎂晶須制備工藝優化［J］.中國粉體技術，2024，30（1）：1-11.

［4］" ZHAN W，ZHANG L，FENG X，et al.An equivalent processing method for integrated circuit electrical parameter data using BP neural networks［J］.Microelectronics Journal，2023，139：105912.

［5］" "韓玉蘭，蘆興，李昕俊.電磁式濃度計的設計［J］.儀表技術與傳感器，2009（1）：38-39；87.

［6］" "未普嬌，王建民.基于STM32的超聲波礦漿濃度計設計［J］.工業控制計算機，2017，30（11）：133-140.

［7］" "程俊豪.超聲波礦漿濃度檢測系統的設計與研究［D］.呼和浩特：內蒙古科技大學，2021.

［8］" "任瑛，王思源，夏必勝.基于BP神經網絡的延安市冬季PM（2.5）濃度預測［J］.延安大學學報（自然科學版），2023，42（3）：73-79.

［9］" "杜煥倫，李哲帆，石瓊林，等.基于BP神經網絡與DP等效電路的鋰離子電池熱電耦合模型構建［J/OL］.電源學報，2023：1-12.（2023-12-19）.http：//kns.cnki.net/kcms/detail/12.1420.tm.20231219.1348.014.html.

［10］" "侯淵，高飛.基于BP神經網絡和隨機森林的煤中CO2飽和吸附量預測研究［J］.山西煤炭，2023，43（4）：94-102.

［11］" "倪靜，劉碩杰，朱美宣，等.基于BP神經網絡的劈裂強度對彎拉強度的預測［J］.中國水運，2023，23（12）：22-24.

［12］" "王振，張錫亭，王建華.基于BP神經網絡的高分辨率海底地形跨層生成模型［J］.應用科技，2024，51（1）：1-10.

［13］" "朱穎潔.基于BP神經網絡的復合單沙模型在西江泥沙監測的應用初探——以梧州水文站為例［J］.水文， 2023：1-8. DOI： 10.19797/j.cnki.1000-0852.20230258.

［14］" "PAN X，NIU Y，ZHAO Y，et al.Parameter calibration method of clustered-particle logic concrete DEM model using BP neural network-particle swarm optimisation algorithm（BP-PSO） inversion method［J］.Engineering Fracture Mechanics，2023，292：109659.

［15］" "JADID M N，FAIRBAIRN D R.Neural-network applications in predicting moment-curvature parameters from experimental data［J］.Engineering Applications of Artificial Intelligence，1996，9（3）：309-319.

［16］" TIAN Y， KONG Q， MIAO X， et al.Evaluation on power information data asset management system based on BP neural network［J］.International Journal of Thermofluids，2023，20：100458.

［17］" "THANNOON H H，HASHIM I A.Efficient enhanced Recursive Least Square algorithm adaptive filtering scheme for artifacts removal in ECG signals［J］.e-Pri-me-Advances in Electrical Engineering，Electronics and Energy，2023，6：100318.

［18］" "WANG S，LEI Y，YANG B，et al.A graph neural net-work-based data cleaning method to prevent intelligent fault diagnosis from data contamination［J］.Engineering Applications of Artificial Intelligence，2023，126：107071.

［19］" "林森.基于遺傳算法和BP神經網絡的漿紗切片紡材識別［J］.輕工科技，2023，39（6）：125-129.

［20］" "胡軼然，鄭奮.基于BP神經網絡技術的化工材料生產工藝模型優化［J］.粘接，2023，50（11）：84-86；113.

［21］" "HUANG S，JIANG C，TIAN Z，et al.Optimization of precision molding process parameters of viscoelastic materials based on BP neural network improved by genetic algorithm［J］.Materials Today Communications，2023，35：106149.

［22］" "劉紅軍，邵泓斌.基于SSA-PSO-BP神經網絡航空壁板裝夾變形預測研究［J］.機床與液壓，2023，51（23）：114-120.

［23］" "ZHANG H，TIAN Z.Failure analysis of corroded high-strength pipeline subject to hydrogen damage based on FEM and GA-BP neural network［J］.International Journal of Hydrogen Energy，2022，47（7）：4741-4758.

［24］" "郭松林，巴艷坤，李春.改進SSA算法優化BP神經網絡的電力負荷預測模型［J］.黑龍江科技大學學報，2022，32（3）：401-415.

［25］" "杭昕璇，周梓涵.基于SSA-BP算法的糖析出建模與參數優化研究［J］.自動化應用，2022（3）：10-16.

［26］" "黃邦菊，張煒亮.基于SSA優化BP神經網絡的污染物濃度二次預測模型［J］.科技和產業，2023，23（5）：172-180.

［27］" "張楊.基于SSA優化BP神經網絡在基坑地表變形預測中的應用研究［J］.國防交通工程與技術，2023，21（5）：16-20.

［28］" "TIAN W，CAO Y.Evaluation model and algorithm optimization of intelligent manufacturing system on the basis of BP neural network［J］.Intelligent Systems with Applications，2023，20：200293.

［29］" "李文娟，徐偉健，肖瀚，等.基于SSA-ELM神經網絡控制器的光伏MPPT方法［J］.實驗技術與管理，2024，41（1）：1-8.

［30］" "馬夏敏，張雷克，劉小蓮，等.基于麻雀搜索算法的梯級泵站優化調度［J］.水力發電學報，2024，43（5）：43-53.

（收稿日期：2024-03-12，修回日期：2024-04-03）

Research on Gravity Pulp Concentration Detection Algorithm" Based on SSA-BP Neural Network

CHEN Yong-chun， HUANG Song-wei， HE Li-fang， GAO Xu-hui， ZHONG Ting-ting

（Faculty of Land and Resources Engineering， Kunming University of Science and Technology）

Abstract" "For purpose of overcoming shortcomings of the existing pulp concentration detection technologies and improving their accuracy and suitability in complex mineral processing environments， having some slurry concentration detection technologies analyzed and based to propose a technical method for a tube mounted gravity slurry concentration detector was implemented， including making use of the sparrow search algorithm（SSA） improve BP algorithm and optimize key parameters， the system design， algorithm research and application testing. The application results indicate that， the algorithm proposed has advantages of high detection accuracy， strong adaptability and good stability.

Key words" "SSA-BP neural network， pulp concentration， parameter correction， gravity type