CN101382556B - 一种基于数据驱动的煤泥浮选精煤灰份软测量方法 - Google Patents

Abstract

一种基于数据驱动的煤泥浮选精煤灰份软测量方法，是建立一个硬件平台和一个浮选精煤灰份的软测量方法，以浮选入料浓度、流量、浮选药剂加药量和尾矿闸板位置作为辅助变量，浮选精煤灰份作为主导变量，以辅助变量作为输入，浮选精煤灰分为模型输出进行软测量建模，并对模型进行校正和参数修正，以实时估计出当前浮选精煤的灰份含量。本发明应用简单、成本较低，只需要少量样本，就可以实现浮选精煤灰份的软测量，提高了测试的实时性，有助于实现浮选过程的优化控制。

Description

一种基于数据驱动的煤泥浮选精煤灰份软测量方法

技术领域

本发明涉及工业过程控制领域的软测量技术领域，特别涉及对煤泥浮选过程中浮选精煤灰份进行软测量的方法。

背景技术

软测量是解决某些关键参数急需测量但却没有相应测试仪器，或测试仪器过于昂贵情形下的一种有效途径。具体来讲，软测量就是将需要关心的变量(即待测变量)作为主导变量，而将引起主导变量变化的相关变量(可测变量)作为辅助变量，以辅助变量的数据做输入，主导变量的数据做输出，构建数学模型，从而获得主导变量值的方法，因此软测量有时也称为软仪表。软测量建模可以分为机理建模、数据驱动建模和混合建模三种方式，涉及到统计学、神经网络、支持向量机等多种方法。软测量建模的最大特点是对象依赖性强，对于不同的研究对象，相应的辅助变量选择差异性大，要求设计者同时具备对象工艺过程知识和测试建模的综合知识，才可能获得优良的软测量模型。

煤炭洗选是洁净煤的基础和前提，浮选是煤炭洗选中处理细粒煤的主要方法。目前国内采用的煤泥浮选控制策略主要为前馈控制，即测取浮选入料的浓度和流量，计算干煤泥量，然后在此基础上，通过实验验证吨干煤泥量应该添加的浮选药剂种类、比例和加药点，从而实现煤泥浮选过程的稳定控制。

采用这种控制策略存在的问题是：无法实时获知浮选精煤产品的灰份，实现浮选精煤质量卡边。目前国内控制精煤灰分指标的实际操作方法是大部分通过人工采样来化验浮选精煤的灰份，由于化验时间长，时间滞后，对生产指导作用有限，不能实现浮选精煤灰份的实时检测和质量卡边。

国外一般是采用煤浆测灰仪来实现浮选精煤灰分的质量卡边控制的。然而由于测灰仪产品价格昂贵，花费巨大，我国绝大部分选煤厂难以配备。90年代末，由中国矿业大学和清华大学联合开发了煤浆测灰仪，同时开发了基于在线煤浆测灰仪的煤泥浮选优化控制系统，但由于安全和维护工作量大且复杂等问题，影响了产品推广。

因此，寻求检测技术新机理、新方法来提高浮选过程的在线检测水平、实现浮选自动化，满足选煤综合自动化发展需求，是煤泥浮选自动化的一个重要研究方向。软测量技术的兴起与发展，为煤泥浮选精煤灰份检测提供了检测和测量的新思路和新方法。浮选过程是一个机理复杂、非线性、大时滞、强耦合的生产过程，影响浮选精煤产品质量因素众多，机理建模由于过多的简化，与实际浮选过程相去甚远，因此，基于数据驱动的建模方法成为浮选过程精煤灰份软测量建模的必由之路。

G.T.Adel等(an advanced control system for fine coal flotation.1999，Final Technical Report，United States Department of Energy，Federal EnergyTechnology Center)对煤泥浮选的精煤采取了基于搅拌机理模型和卡尔曼滤波的方式确定。G.D.Gonzalez等(Local models for soft-sensors in a rougherflotation bank，Minerals Engineering.2003，(16)：441-453)对铜浮选的粗选过程精矿品位进行了多种软测量建模方案的对比，发现模型只对操作点附近有效，操作点偏离过大将直接导致模型失配，因此要考虑可变工况对软测量建模的影响。周俊武等(基于RBF网络的浮选技术指标预报模型的研究.有色金属(选矿部分)，2002)以铅锌矿石工业浮选铅粗选矿为例，研究了原矿铅、锌品位，矿浆pH值，磨矿浓度以及药剂用量与浮选回收率和精矿品位之间的关系，并建立了神经网络模型。张勇(浮选生产过程经济技术指标的软测量建模，控制工程.2005，(12)：346-348)进行了粗糙集-神经网络智能系统在铁矿浮选过程中的应用研究，将神经网络和粗糙集理论引入浮选建模过程中，使数据预处理和软测量建模与浮选生产工艺有机结合，探索浮选过程的建模与智能优化方法，并在工业现场进行了两个月的现场实验，取得良好的效果。

对铜、铁、铅、锌矿的浮选过程的软测量建模方案为神经网络或统计学方法，需要足够多的数据，工业现场无法满足这种苛刻要求，同时模型只对操作点附近有效，操作点偏离过大将直接导致模型失配。

上述软测量建模方法如机理建模、多元统计、卡尔曼滤波、人工神经网络方法等都是基于传统统计学方法的。传统统计学方法研究的是样本数目逼近无穷大时的渐进理论，但当样本数目有限或者是处理小样本时就难以取得理想的效果。其中神经网络又具有收敛速度慢、结构选择问题和局部极小、过学习和推广能力差等问题。

发明内容

本发明的目的是针对煤泥浮选过程中浮选精煤灰份测量方法的不足，提供一种基于数据驱动的煤泥浮选精煤灰份软测量方法，通过常规在线测量仪表和执行机构提供的测量参数，实时估计出当前浮选精煤的灰份含量。

本发明的基于数据驱动的煤泥浮选精煤灰份软测量方法是基于新近发展起来的统计学习理论和支持向量回归预测算法，基于结构风险最小化原则而提出的，具有良好的模型泛化(或推广)能力。最小二乘支持向量机(简称为LS-SVM)是支持向量机SVM的一种演变，其主要思想是将SVM法中的不等式约束改为等式约束，且将误差平方和损失函数作为训练集的经验损失，这样就把问题转化为一个线形矩阵求解问题，简化了计算，提高了算法速度，同时保留了支持向量机的优点。

本发明的基于数据驱动的煤泥浮选精煤灰份软测量方法是首先构建一个硬件平台，该硬件平台包括：浮选入料泵、矿浆准备器、浮选机、浮选药剂箱(包括捕收剂药剂箱和起泡剂药剂箱)和电动阀门，同时还配备了测量仪表和执行机构，以及用于进行软件计算的计算机系统。浮选入料泵与矿浆准备器管道连接，矿浆准备器通过其底部管道连接浮选机，浮选药剂箱通过管道分别通入矿浆准备器上部和浮选机第三槽入口端，电动阀门安装在浮选机尾部的浮选尾矿闸板上，用于调整浮选尾矿闸板的高度以控制浮选机液面高度。浮选入料经浮选入料泵打入矿浆准备器，并向矿浆准备器中添加浮选药剂捕收剂和起泡剂后，充分搅拌送入浮选机进行分选，在浮选机的第三槽入口端再次加入浮选药剂以尽可能回收精煤，最后经刮泡机构将浮选精煤刮出后形成精煤产品，尾矿自流并经脱水获得浮选尾煤。其测量仪表和执行机构包括：

流量计：安装在进入矿浆准备器的管道上，用于测量进入浮选系统的入料煤浆的流量；

浓度计：安装在进入矿浆准备器的管道上；用于测量进入浮选系统的入料煤浆的浓度；

计量泵组：由捕收剂计量泵和起泡剂计量泵组成，分为第一计量泵组和第二计量泵组，分别位于矿浆准备器上部的连接管道和浮选机的第三槽入口端管道上，用于计量加入到浮选系统中药剂的数量；

电动阀门：位于浮选机尾部的浮选尾矿闸板上，在控制浮选机液面高度的同时用于测量浮选尾矿闸板的位置。

用于进行软件计算的计算机系统同时配置有可编程序控制器PLC和工业控制计算机，本发明的软测量软件就运行于工业控制计算机上。

其次，在上述硬件平台的基础上创建一个浮选精煤灰份的软测量方法，由运行在工业控制计算机上的软测量软件与PLC进行通讯，获得实时过程数据和人机交互数据，并显示、保存浮选精煤灰份的软测量数据结果。

本发明的软测量方法包括以下步骤：

1、在浮选起车阶段实现基于吨干煤泥量的前馈控制。

由于浮选起车所需时间较长，入料浓度极不稳定，因此这种情况不适合进行软测量。为此，在进行软测量测试之前，要判断是否进入正常工况，如不符合正常生产工况，则进入基于吨干煤泥量加药的前馈控制程序，直到浮选生产过程稳定，为软测量提供合格工况。

2、通过人机界面输入入选原煤性质。

输入的入选原煤性质包括所属矿井的煤层号、配比和各配比浮选入料煤灰份值三组参数。例如，某矿井有两层煤A和B，则配比为1∶0表示只入洗A层煤，0∶1表示只入洗B层煤，3∶7表示A层和B层煤的入洗比例为30％和70％，其他以此类推，同样适用于多层煤。入料灰份参数以5％的变化作为灰份分类类别，如26～30％的灰份做为同一个灰份来看待，其他如16～20％的灰份也认为是一个灰份，上述情况同绝大多数选煤过程的实际入洗状况相适应。

以上人工输入的三组参数是作为本发明的软测量方法中的软测量模型切换条件来使用的。本发明方法中的软测量建模对各种原煤条件分别进行软测量建模，最后形成软测量模型库。在实际使用中，根据人机界面输入的浮选入料煤条件，进行软测量模型的选择与切换，达到进一步提高软仪表精度和泛化能力的要求。如模型切换条件满足，则进入软测量模型选择与计算，否则需构建新的软测量模型。

3、基于最小二乘支持向量回归的煤泥浮选精煤灰份软测量模型库构建。

软测量建模的主要步骤为：1).辅助变量及主导变量的选择、2).软测量数据的预处理、3).建立软测量模型、4).软测量模型测试与选择、5).各种浮选入料条件下的软测量模型构建、6).模型的校正和参数修正。

1).辅助变量及主导变量的选择

在浮选过程辅助变量的选择中，采用的辅助变量为浮选入料的浓度、流量、浮选药剂加药量和尾矿闸板位置作为辅助变量，将浮选精煤灰份作为软测量的主导变量。辅助变量的获取方法分别来自于各个测量仪表和执行机构的数据序列，精煤灰份需要人工采样并化验获得，同时记录采样时刻，以和辅助变量时刻相对应，构建数据对。

2).软测量数据的预处理

为了下一步的软测量建模，要进行数据样本的预处理，即对输入数据进行标准化处理。

3).建立软测量模型

基于最小二乘支持向量回归的软测量建模过程如下所述：

设给定样本数据为(x₁，y₁)，(x₂，y₂)...(x_m，y_m)，其中x_i∈R^k为输入向量，y_i∈R为输出变量，且y_i＝f(x_i)，i＝1，2，...，m，f(x)为待估计的未知函数。作非线性映射φ:R^k→H，其中φ称为特征映射，H为特征空间，则被估计函数f(x)有如下形式：

y＝f(x)＝w^Tφ(x)+b

其中：w为空间H中的权向量，

b∈R为偏置

于是LS-SVM法估计非线性函数为如下特征空间中的最优问题：

$\underset{w,b,e}{\min }J(w,e)=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\γ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{e}_i^2$

s.t.y_i＝w^Tφ(x_i)+b+e_i

其中e_i∈R^K为误差变量。

其中γ为一实数常量，它决定了二者的相对重要性。为了避免过学习，常将γ设为较小的值。一般地，由于w可能为无限维的，直接计算出上述规划是极其困难的，因此将这一规划问题转化到其的对偶空间中：

定义Lagrange函数：

$L(w,b,e,a)=J(w,e)-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{a}_i[w^T\mathrm{\φ}\left(x_i\right)+b+e_i-y_i]$

其中：a_i∈R为Lagrange乘子。

于是最优解的条件如下：

这些条件中除了a_i＝γe_i之外，与标准的SVM最优条件很相似，其中a_i＝γe_i使得LS-SVM不再具有SVM所具有的稀疏性。利用上式消去w与e_i，可以得到上述规划的解的方程为：

$\left[\begin{array}{cc}0& {\left(I_m\right)}^T\\ I_m& \mathrm{\Ω}+\frac{1}{\mathrm{\γ}}I\end{array}\right]\left[\begin{array}{c}b\\ a\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]$

其中，向量I_m＝(1，1，...1)^T，a＝(a₁，a₂，...，a_m)^T，Y＝(y₁，y₂，...y_m)^T，Ω为一矩阵，其定义为：Ω＝(Ω_ij)_m×m，其中，Ω_ij＝φ(x_i)^Tφ(x_j)。

我们注意到，上式为一线性方程组，通过求上式就可求得a与b的值，于是获得被估计函数f(x)的表达式为：

$y=f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{a}_{i}K(x,x_i)+b$

其中K(x，y)为核函数，其定义为K(x，y)＝φ(x)^Tφ(y)。

以前面已经预处理的数据为输入，以浮选精煤灰分为模型输出，进行浮选精煤灰分的软测量模型建立，同时保存辅助变量数据，用于模型修正使用。

4).模型测试与选择

使用测试样本对训练好的模型进行测试，如果满足误差要求，即认为模型可用。

采用软测量计算值与实验值绝对误差的最大值作为误差，计算公式为：

$e=\max \left(\right|y_i-\stackrel{m}{\mathrm{\Σ}}{a}_{i}K(x,x_i)-b\left|\right)$

对软测量模型的检验条件为：e<0.5％即认为模型可用。

5).各种浮选入料条件下的软测量模型构建

软测量模型建模同上述方法和步骤，从而建立选煤过程的大多数工况条件下的软测量模型库，供实时检测时选用。

6).模型的校正和参数修正

a)模型修正判断条件

以软测量的计算结果和实验室的同时刻(或最相近时刻，一般为1h左右的快灰化验结果)采样数据化验结果的绝对值比较，规定若误差超过0.5％且连续超过10次，即表示为现使用软测量模型不可用，要求进行模型替换。

b)模型替换

采用新的训练数据，模型训练及测试方法相同，直至新模型误差满足要求，用新近训练的模型替代原软测量模型以满足测试要求，以上过程一直保持循环。

本发明的基于数据驱动的煤泥浮选精煤灰份软测量模型的模型训练流程框图如图2所示，具体描述如下：

(1)初始化(A)。

(2)判断浓度和流量是否在正常工况范围内(B)。如不在，转(M)，实施基于吨干煤泥量的加药前馈控制，稳定生产过程。如在正常工况范围内，进入软测量程序。(C)-(D)-(E)-(F)-(G)为软测量的正常步骤。

(3)采集辅助变量数据(C)。

(4)数据预处理(D)。

(5)根据人机界面(J)上传过来的浮选入料性质(H)，判断是否满足入料条件(W)，如果满足，从模型库中选取或匹配合适的软测量模型(E)。如不满足条件，转至建立新的软测量模型步骤(N)-(O)-(P)-(Q)-(R)-(S)-(U)-(Z)。

(5)根据人机界面(J)上传过来的操作人员输入的浮选入料性质(H)，判断是否满足入料条件(W)，如果满足，从模型库中选取或匹配合适的软测量模型(E)。如不满足条件，转至建立新的软测量模型步骤(N)-(O)-(P)-(Q)-(R)-(S)-(U)-(Z)。通过建立新的软测量模型步骤不断补充模型库，以适应各种选煤工况。

(6)软测量模型计算(F)。

(7)精煤灰份显示及存储(G)。

(8)数据库(K)同时接受实验室采样化验精煤灰份数据(I)和采集的辅助变量数据(C)，通过人机界面(J)，进行同时刻的模型计算灰份与实验值检测值的连续10次精度验证(L)，如果精度满足要求，则转至结束(Z)，如果精度不再满足要求，则转入模型重新训练阶段，直至满足要求，步骤如(N)-(O)-(P)-(Q)-(R)-(S)-(T)-(Z)所示。

(9)调用数据库的采集数据和同时刻实验室化验数据(N)，组成新的软测量数据对，进一步进行数据预处理(O)，软测量模型训练(P)，软测量模型测试(Q)，判断软测量模型是否满足要求(R)，如果满足，替代旧的模型(T)，结束(Z)，如果不满足精度要求，则返回软测量模型训练(P)，直至满足精度要求，结束(Z)。

本发明的优点在于，利用浮选过程工业计算机系统和常规检测仪表及执行机构提供的数据，只需要少量样本，就可以实现浮选精煤灰份的软测量，解决了浮选精煤灰份实时在线检测的技术难题，降低了人工工作量，提高了测试的实时性。与神经网络等方法比较，提高了泛化能力。另外，由于本发明采用浮选精煤软测量后，可实现浮选过程的反馈控制，从而达到实现浮选精煤质量卡边、降低浮选药剂消耗成本、提高浮选精煤回收率的效果。

附图说明

图1为本发明浮选精煤灰份测量系统硬件平台的结构示意图。

图中：1、浮选机；2、矿浆准备器；3、浮选入料泵；4、浮选药剂箱；5、流量计；6、浓度计；7、第一计量泵组；8、第二计量泵组；9、电动阀门；10、可编程序控制器PLC；11、工业控制计算机。

图1中，实线表示物流(煤浆)，虚线表示信号流。

图2为本发明基于数据驱动的煤泥浮选精煤灰份软测量模型的模型训练流程框图。

具体实施方式

以某矿大型选煤厂浮选过程为例，该选煤厂的-0.5mm煤泥采用直流浮选进行处理，入浮煤泥为该矿3号煤、单煤种入洗，浮选入料灰份为16.3％(做为人机界面的输入条件)，浮选精煤灰份要求为10％。浮选加药过程如图1所示，浮选入料经浮选入料泵3打入矿浆准备器2中，在矿浆准备器2中添加上浮选捕收剂和起泡剂后，经充分搅拌送入浮选机1，在浮选机1的第三槽入口段再添加入浮选药剂，以尽可能回收精煤。最后浮选精煤经刮泡机构刮出后形成精煤产品，尾矿自流并经脱水获得浮选尾煤。

其中，矿浆准备器2的型号为KY3000型，浮选机1选用XJM-S12型浮选机，并按照本说明书的要求安装如下的测量仪表与加药执行机构：

流量计5，选用电磁流量计，用于测量浮选入料矿浆的流量；

浓度计6，选用同位素密度计，用于测量浮选入料矿浆的浓度；

计量泵组7和8，选用精密计量泵，作为加药的执行机构的同时精密计量加入到浮选矿浆中的药剂量；

电动阀门9，选用智能电动阀门，作为控制浮选矿浆液位的执行机构的同时给出浮选尾矿闸板所处在的位置。

以西门子S7300可编程序控制器实现基于吨干煤泥量的前馈控制，同时采集上述过程数据，在工业控制机上以组态王软件监视人机界面，采用VB编制的软测量软件通过DDE方式同组态王和PLC进行通讯。

该系统的正常工作范围为：

入浮浓度范围：60～88g/L；

浮选机处理量(流量)：450～600m³/h；

起泡剂和捕收剂药剂比：3∶7；

起泡剂和捕收剂用量范围：1.3～1.8Kg/t干煤泥。

按照本说明书要求选择辅助变量，通过实验室化验获得主导变量数据，建立软测量模型。共收集了80组有效样本数据。将其分成两组，其中65组作为训练样本用来建立软测量模型，另外的15组则作为测试样本，具体过程如下：

核函数采用径向基函数，通过调整正规化参数γ和径向基核函数宽度σ直至得到最优模型，获得的正规化参数γ＝17.62，核参数宽度σ＝0.041；然后再用测试样本考察模型输出值与实际化验值的绝对值误差，直至满足误差要求，实际运行结果显示最大绝对值误差不超过0.4％，由此可见，经采用本发明的最小二乘支持向量回归算法进行软测量建模，所建模型的泛化能力强，预测精度较高，模型输出值与实际化验值之间非常接近，能满足实际工业应用的需要。

本实施例的采样周期为300秒，每隔300秒运行一次软测量程序，软测量结果和辅助变量的数据同时存储在数据库中，为操作者和司机提供一个很好的参考与指导作用，同时也为实现浮选优化控制创造了有利条件。

本发明即基于数据驱动的浮选精煤灰份软测量方法在浮选正常生产过程中，能够根据所选辅助变量实时估计出浮选精煤灰份的含量，相对误差不超过0.4％，是一个低成本，较实用的浮选精煤灰份测试手段。

Claims (7)

1.一种基于数据驱动的煤泥浮选精煤灰份软测量方法，是构建一个浮选精煤灰份测量硬件平台，并创建一个浮选精煤灰份的软测量方法，通过在线测量仪表和执行机构提供的测量参数和人机界面输入的入选原煤性质，实时估计出当前浮选精煤的灰份含量，其中：

基于数据驱动的煤泥浮选精煤灰份软测量方法包括以下步骤：

1).辅助变量及主导变量的选择

采用浮选入料的浓度、流量、浮选药剂加药量和尾矿闸板位置作为辅助变量，浮选精煤灰份为主导变量，辅助变量来自于各个测量仪表和执行机构的数据序列，浮选精煤灰份由人工采样和化验获得，同时记录采样时刻，以和辅助变量时刻相对应，构建数据对；

2).软测量数据的预处理

进行数据样本的预处理，即对输入数据进行标准化处理；

3).建立软测量模型

以前面已经预处理的数据作为输入，以浮选精煤灰分为模型输出，进行基于最小二乘支持向量回归的浮选精煤灰分的软测量建模，得到以下非线性函数关系：

$y=f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{a}_{i}K(x,x_i)+b$

同时保存辅助变量数据，用于模型修正使用；

4).模型测试与选择

使用测试样本对训练好的模型进行测试，如果满足误差要求，即认为模型可用；

5).各种浮选入料条件下的软测量模型构建

按照上述方法建立选煤过程的软测量模型库，供实时检测时选用。

2.根据权利要求1所述的基于数据驱动的煤泥浮选精煤灰份软测量方法，其特征是该软测量方法还包括：

6).模型的校正和参数修正

a)模型修正判断条件

以软测量的计算结果和同时刻的采样数据化验结果的绝对值比较，规定若误差超过0.5％，且连续超过10次，即表示为现使用软测量模型不可用，要求进行模型替换；

b)模型替换

采用新的训练数据，训练及测试方法相同，直至新模型误差满足要求，用新近训练的模型替代原软测量模型以满足测试要求，以上过程一直保持循环。

3.根据权利要求1所述的基于数据驱动的煤泥浮选精煤灰份软测量方法，其特征是创建浮选精煤灰份软测量方法的过程如下：

设给定样本数据为(x₁，y₁)，(x₂，y₂)...(x_m，y_m)，其中x_i∈R^k为输入向量，y_i∈R为输出变量，且y_i＝f(x_i)，i＝1，2，...，m，f(x)为待估计的未知函数；

作非线性映射φ：R^k→H，其中φ称为特征映射，H为特征空间，则被估计函数f(x)有如下形式：

y＝f(x)＝w^Tφ(x)+b

其中：w为空间H中的权向量，

b∈R为偏置

于是LS-SVM法估计非线性函数为如下特征空间中的最优问题：

$\underset{w,b,e}{\min }J(w,e)=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\&gamma;}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{e}_i^2$

s.t.y_i＝w^Tφ(x_i)+b+e_i

其中e_i∈R^K为误差变量

其中γ为一实数常量；

由于w可能为无限维的，因此将这一规划问题转化到其的对偶空间中，定义Lagrange函数：

$L(w,b,e,a)=J(w,e)-\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{a}_i[w^T\mathrm{\&phi;}\left(x_i\right)+b+e_i-y_i]$

其中：a_i∈R为Lagrange乘子

最优解的条件如下：

这些条件中除了a_i＝γe_i之外，与标准的SVM最优条件很相似，其中a_i＝γe_i使得LS-SVM不再具有SVM所具有的稀疏性，利用上式消去w与e_i，得到上述规划的解的方程为：

$\left[\begin{array}{cc}0& {\left(I_m\right)}^T\\ I_m& \mathrm{\&Omega;}+\frac{1}{\mathrm{\&gamma;}}I\end{array}\right]\left[\begin{array}{c}b\\ a\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]$

其中，向量I_m＝(1，1，...1)^T，a＝(a₁，a₂，...，a_m)^T，Y＝(y₁，y₂，...y_m)^T，Ω为一矩阵，其定义为：Ω＝(Ω_ij)_m×m，其中，Ω_ij＝φ(x_i)^Tφ(x_j)；

上式为一线性方程组，通过求上式求得α与b的值，获得被估计函数f(x)的表达式为：

$y=f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{a}_{i}K(x,x_i)+b$

其中，K(x，x_i)为核函数，其定义为K(x，x_i)＝φ(x)^Tφ(x_i)。

4.根据权利要求1所述的基于数据驱动的煤泥浮选精煤灰份软测量方法，其特征是所述的硬件平台包括浮选入料泵、矿浆准备器、浮选机、浮选药剂箱和电动阀门，以及测量仪表和执行机构以及用于进行软件计算的计算机系统；

浮选入料泵与矿浆准备器管道连接，矿浆准备器通过其底部管道连接浮选机，浮选药剂箱通过管道分别通入矿浆准备器上部和浮选机第三槽入口端，电动阀门安装在浮选机尾部的浮选尾矿闸板上，用于调整浮选尾矿闸板的高度以控制浮选机液面高度；

其测量仪表和执行机构包括：

流量计：安装在进入矿浆准备器的管道上，用于测量进入浮选系统的入料煤浆的流量；

浓度计：安装在进入矿浆准备器的管道上；用于测量进入浮选系统的入料煤浆的浓度；

计量泵组：由捕收剂计量泵和起泡剂计量泵组成，分为第一计量泵组和第二计量泵组，分别位于矿浆准备器上部的连接管道和浮选机的第三槽入口端管道上，用于计量加入到浮选系统中药剂的数量；

电动阀门：位于浮选机尾部的浮选尾矿闸板上，在控制浮选机液面高度的同时用于测量浮选尾矿闸板的位置；

用于进行软件计算的计算机系统同时配置有可编程序控制器PLC和工业控制计算机。

5.根据权利要求1所述的基于数据驱动的煤泥浮选精煤灰份软测量方法，其特征是输入的入选原煤性质包括所属矿井的煤层号、配比和各配比浮选入料煤灰份值。

6.根据权利要求1所述的基于数据驱动的煤泥浮选精煤灰份软测量方法，其特征是在浮选起车的稳定加药阶段实施基于吨干煤泥量的前馈控制。

7.根据权利要求2所述的基于数据驱动的煤泥浮选精煤灰份软测量方法，其特征是所述的模型修正判断条件是采用软测量计算值与实验值绝对误差的最大值作为误差，计算公式为：

$e=\max \left(\right|y_i-\stackrel{m}{\mathrm{\&Sigma;}}{a}_{i}K(x,x_i)-b\left|\right)$

对软测量模型的检验条件为：e＜0.5％即认为模型可用。

Images