Abstract. The main objective in this thesis was to identify and evaluate the applicability of machine learning methods that could be used in mineral processing as a tool for forecasting the direction in which where the current process values are going. The supervised machine learning method k-nearest neighbors (kNN) was selected for finding the closest correspondences from history data for the current process conditions.

The literature review in this thesis describes mineral processing plant processes, mineral separation using flotation, mine-to-mill optimization, the CRISP-DM (Cross-industry Standard Process for Data Mining) procedure for data handling and machine learning methods in general. In addition, a few case studies on the usage of machine learning in mineral processing are presented. The experimental part of this thesis concentrates on data pre-processing and the development of the k-nearest neighbors function. MATLAB® was used for all the calculations and results presented in this thesis.

The kNN algorithm presented in this study proved to be sufficient in finding the closest correspondence from history data for a current process conditions. At the time of completing this thesis, the kNN function was in a state where it could be used as part of a mine-to-mill expert system to extract a prediction of trajectories for the process’s key performance indicators. However, the function could still be improved by the addition of clustering, such as k-means, as a preliminary classification for kNN and ranking of nearest neighbors based on the area between the trajectories of neighbors and the query point.Samankaltaisten prosessitilojen etsiminen rikastusprosessissa lähimmän naapurin menetelmällä. Tiivistelmä. Työn päätavoitteena oli sellaisten koneoppimismenetelmien soveltuvuuden tunnistaminen ja arviointi, joita voitaisiin käyttää työkaluna rikastusprosessissa prosessin tilan ennusteissa. Ohjattua koneoppimista edustava k:n lähimmän naapurin menetelmä (kNN) valittiin keinoksi etsiä historiadatasta lähimmät vastaavuudet prosessin nykytilanteelle.

Työn kirjallisuuskatsaus sisältää esittelyn rikastusprosessin yksikköprosesseihin, mineraalien erottamiseen vaahdotuksen avulla, mine-to-mill optimointiin, datan käsittelyyn suunniteltuun toimintamalliin (CRISP-DM) sekä koneoppimisen peruskäsitteisiin. Kirjallisuuskatsauksessa esitellään myös muutama tapaustutkimus koneoppimisen käyttämisestä rikastusprosessissa. Työn kokeellinen osa keskittyy datan esikäsittelyyn sekä k:n lähimmän naapurin menetelmän sovittamiseen työssä käytettävälle datasetille. Esikäsittely sekä työssä esitetyt tulokset tehtiin MATLAB® ohjelmiston avulla.

Työssä esitelty k:n lähimmän naapurin algoritmi todettiin sopivaksi menetelmäksi löytää historiadatasta lähimmät vastaavuudet nykyiselle prosessitilalle. Työn valmistumishetkellä funktio oli siinä tilassa, että sitä voitaisiin käyttää osana mine-to-mill optimointiasiantuntijajärjestelmää prosessin tärkeimpien suorituskyvystä kertovien muuttujien (KPI) arvojen trajektorien ennustamisessa. Funktiota voitaisiin kehittää lisäämällä klusterointi, esimerkiksi k-means esiluokitteluksi k:n lähimmän naapurin menetelmälle, sekä järjestämällä menetelmän löytämät naapurit paremmuusjärjestykseen testipisteen ja niiden välisen pinta-alan perusteella.