CN108816525B - 一种铜矿浮选机搅拌槽浓度软测量装置及方法 - Google Patents
一种铜矿浮选机搅拌槽浓度软测量装置及方法 Download PDFInfo
- Publication number
- CN108816525B CN108816525B CN201811061432.8A CN201811061432A CN108816525B CN 108816525 B CN108816525 B CN 108816525B CN 201811061432 A CN201811061432 A CN 201811061432A CN 108816525 B CN108816525 B CN 108816525B
- Authority
- CN
- China
- Prior art keywords
- resistor
- variable
- flotation machine
- stirring tank
- turbine flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
- B03D1/00—Flotation
- B03D1/14—Flotation machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Abstract
本发明提供一种铜矿浮选机搅拌槽浓度软测量装置及方法,包括:涡轮流量传感机构、轮辐式称重传感器、图像传感器、主控模块、用于给测量系统供电的电源模块以及通信模块;主控模块通过通信模块,将获取的铜矿浮选机搅拌槽空气充气量,铜矿浮选机搅拌槽的给矿总量以及石灰添加总量,铜矿浮选机搅拌槽的中泡面积以及中泡的数目传输至上位机。主控模块利用通过EO‑BP算法事先建立好的预测模型实现软测量。基于EO‑BP算法的铜矿浮选机软测量。使用BP神经网络对被测变量进行建模,并利用EO算法对BP网络所有初始变量进行筛选。装置可用于铜矿浮选机装置的搅拌槽矿浆浓度检测,进而实现最有效的控制。
Description
技术领域
本发明涉及铜矿浮选领域,尤其涉及一种铜矿浮选机搅拌槽浓度软测量装置及方法。
背景技术
在现代工业生产中,为获得更多合格的高质量产品,进而提高经济效益,就需要对产品质量或与产品质量密切相关的重要过程变量进行严格控制。图1为铜矿浮选机装置矿化过程分区图,该装置有混合区、运输区、分离区和泡沫区四个区域,用来分离矿浆中的硫和铜,使矿物一步一步得到富集,保证泡沫层中的矿物不致脱落,泡沫能顺利地流入泡沫槽内。为了保证产品质量并防止矿浆中铜和硫的流失,需对该装置的搅拌槽矿浆浓度进行实时调整,以使搅拌槽浓度保持在一定范围内。受工业现场环境的限制,由于矿浆的黏稠性没有适合的传感器进行直接测量,在线装置不能很好的达到测量要求。
在面对许多复杂的输入变量时,如何快速准确的实现对多个输入变量进行有效筛选,以及对该铜矿浮选机装置搅拌槽浓度的精确预测成为一个十分困难的测量问题。
发明内容
为了克服上述现有技术中的不足,本发明提供一种铜矿浮选机搅拌槽浓度软测量装置,包括:涡轮流量传感机构、轮辐式称重传感器、图像传感器、主控模块、用于给测量系统供电的电源模块以及通信模块;
通信模块,涡轮流量传感机构,轮辐式称重传感器和图像传感器分别与主控模块连接;
涡轮流量传感机构用于感应铜矿浮选机搅拌槽的空气充气量,并将感应的空气充气量传输至主控模块;
轮辐式称重传感器用于感应铜矿浮选机搅拌槽的给矿总量以及石灰添加总量,并将感应的给矿总量以及石灰添加总量分别传输至主控模块;
图像传感器用于感应铜矿浮选机搅拌槽的中泡面积以及中泡的数目,并将感应的中泡面积以及中泡的数目分别传输至主控模块;
主控模块通过通信模块,将获取的铜矿浮选机搅拌槽空气充气量,铜矿浮选机搅拌槽的给矿总量以及石灰添加总量,铜矿浮选机搅拌槽的中泡面积以及中泡的数目传输至上位机。
优选地,涡轮流量传感机构包括:电阻R11,电阻R12,电阻R13,电阻R14,电阻R15,电阻R16,电容C11,电容C12,电容C13,电容C14以及涡轮流量传感器U11;
电容C13第一端和电容C11第一端分别与涡轮流量传感机构第一测量端连接;
电容C11第二端,电阻R11第一端,电容C12第二端,涡轮流量传感器U11五脚分别连接至涡轮流量传感机构的0伏电压端;电容C13第二端,电阻R15第一端,电阻R13第二端,电阻R14第一端,涡轮流量传感器U11的一脚,二脚共同连接;电容C12第一端与电阻R15第二端连接;
电阻R11第二端,电阻R13第一端,电阻R12第一端共同连接;电阻R12第二端,涡轮流量传感器U11的三脚,电阻R16第二端分别与涡轮流量传感机构的12伏电压端连接;电阻R14第二端,电容C14第二端,涡轮流量传感器U11的七脚,八脚以及涡轮流量传感机构测试输出端共同连接;电阻R16第一端与涡轮流量传感器U11的四脚连接;电容C14第一端与涡轮流量传感器U11六脚连接。
优选地,轮辐式称重传感器包括:电阻R1,电阻R2,电阻R3,电阻R4,变阻R5,变阻R6,电阻R7以及电阻R8;
电阻R7第二端与轮辐式称重传感器正输入端连接,电阻R7第一端分别与电阻R1第一端和电阻R2第一端连接;电阻R1第二端与变阻R5连接;变阻R5第二端连接轮辐式称重传感器正输出端连接;变阻R5第三端与电阻R4第一端连接;电阻R4第二端分别与电阻R3第二端和电阻R8第一端连接;电阻R8第二端与轮辐式称重传感器负输入端连接;电阻R3第一端与变阻R6第三端连接;变阻R6第二端与轮辐式称重传感器负输出端连接;变阻R6第一端与电阻R2第二端连接。
优选地,还包括:MAX232芯片;
主控模块通过MAX232芯片与通信模块连接,MAX232芯片用于串行口的电平变换,实现主控模块与通信接口之间的通信。
优选地,主控模块采用STM32F103主控芯片及外围电路;
涡轮流量传感器采用LWCQ-0214型涡轮流量传感器;
轮辐式称重传感器采用CFG-1型轮辐式称重传感器;
图像传感器采用TCD127C-CCD图像传感器。
优选地,主控模块还用于获取铜矿浮选机的预设个可测输入变量,进行基于变量的选择性回归分析,对变量使用轮盘赌法和Prand概率的方法对变量进行剔除,未剔除的变量将用来构造输出变量y的预测方程;将极值优化算法引入到BP神经网络中来解决测量装置的变量选择问题;
具体步骤如下:
(1)设当前输入变量池X={x1,x2,…,xq},对每一变量xi∈X,令以/>为输入变量集,以y为输出变量,训练BP神经网络,求得v-fold交叉验证预测误差,并将该误差定义为变量xi的适应度函数;
(2)将当前q个变量按照适应度函数从小到大进行排序,适值最小的变量排在第1位;最大的变量排在第q位;
(3)定义每个变量的概率密度函数,P(xi)=k-τ,i=1,2,…,q,其中k为变量xi在变量集X中的排序,τ为EO算法参数且τ>0;
(4)根据概率密度函数P,采用轮盘赌策略随机选择某个变量xj,将xj的适应度函数记为λq,记录当前变量池将该变量从变量池删除,并令X=X-{xj},q=q-1;
(5)判断q>1,如果是,跳转到步骤1,否则进入步骤6;
(6)对于所有λt,t=1,2,…,q,选择最小值λu,并将其对应变量池作为算法最优输入变量集;
(7)利用作为输入变量集,y作为输出变量,重新训练BP网络,得到最终BP神经网络进行软测量。
优选地,涡轮流量传感机构用插入杆将一个切向式涡轮头插到大口径管道预定深处,流体流动时推动涡轮头切向式叶轮旋转,使磁阻式传感器原件发出与流量有关的电脉冲信号;涡轮流量传感机构检测到的脉冲信号的频率f(Hz)与流过管道的体积流量Q(m3/s)成正比;涡轮流量传感机构标定管道公称通径200mm,插入杆长度906mm,对应于公称通径的流量范围45~300(m3/s)。
优选地,轮辐式称重传感器利用电阻应变原理构成,弹性体采用比较先进的轮辐式结构形式;电阻式应变片贴在轮辐的中性面上,组成电桥的测量回路;检测时电桥处于平衡状态,桥路无输出当传感器受到外力作用时,轮辐产生相应的变形,电阻应变片阻值发生变化,使桥路失去平衡;在外界供桥电压作用下,电桥输出不平衡电压信号;电压信号大小与外力成正比;轮辐式称重传感器输出阻抗400Ω,输入阻抗400Ω,工作的温度范围-40℃~50℃。
优选地,图像传感器包括:PN结光敏二极管和电荷耦合器件,PN结光敏二极管和电荷耦合器件构成若干像素的一元光敏二极管阵列,被测物质通过光学镜头在这种阵列上形成实像;每个光敏元件像素呈现不同强度的弱电流,由扫描电路拾取图像信号,在经过处理可获得视频信号。
一种基于EO-BP算法的铜矿浮选机软测量方法,方法包括:
获取铜矿浮选机的预设个可测输入变量,进行基于变量的选择性回归分析,对变量使用轮盘赌法和Prand概率的方法对变量进行剔除,未剔除的变量将用来构造输出变量y的预测方程;将极值优化算法引入到BP神经网络中来解决测量装置的变量选择问题;
具体步骤如下:
(1)设当前输入变量池X={x1,x2,…,xq},对每一变量xi∈X,令以/>为输入变量集,以y为输出变量,训练BP神经网络,求得v-fold交叉验证预测误差,并将该误差定义为变量xi的适应度函数;
(2)将当前q个变量按照适应度函数从小到大进行排序,适值最小的变量排在第1位;最大的变量排在第q位;
(3)定义每个变量的概率密度函数,P(xi)=k-τ,i=1,2,…,q,其中k为变量xi在变量集X中的排序,τ为EO算法参数且τ>0;
(4)根据概率密度函数P,采用轮盘赌策略随机选择某个变量xj,将xj的适应度函数记为λq,记录当前变量池将该变量从变量池删除,并令X=X-{xj},q=q-1;
(5)判断q>1,如果是,跳转到步骤1,否则进入步骤6;
(6)对于所有λt,t=1,2,…,q,选择最小值λu,并将其对应变量池作为算法最优输入变量集;
(7)利用作为输入变量集,y作为输出变量,重新训练BP网络,得到最终BP神经网络进行软测量。
从以上技术方案可以看出,本发明具有以下优点:
本发明中,主控模块接收涡轮流量传感机构、轮辐式称重传感器和图像传感器测试的数据,将数据利用通讯模块实时传送到上位机。主控模块利用通过EO-BP算法事先建立好的预测模型实现软测量。
本发明基于EO-BP算法的铜矿浮选机软测量。使用BP神经网络对被测变量进行建模,并利用EO算法对BP网络所有初始变量进行筛选。装置可用于铜矿浮选机装置的搅拌槽矿浆浓度检测,进而实现最有效的控制。
附图说明
为了更清楚地说明本发明的技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为背景技术中铜矿浮选机装置矿化过程分区图;
图2为铜矿浮选机搅拌槽浓度软测量装置示意图;
图3为涡轮流量传感机构实施例电路图;
图4为轮辐式称重传感器电路图;
图5为基于TCD127C-CCD图像传感器放大成像测量电路图;
图6为STM32F103主控模块图;
图7为EO-BP算法流程示意图。
具体实施方式
本发明提供一种铜矿浮选机搅拌槽浓度软测量装置,如图2至7所示,包括:涡轮流量传感机构1、轮辐式称重传感器2、图像传感器3、主控模块4、用于给测量系统供电的电源模块5以及通信模块6;
通信模块6,涡轮流量传感机构1,轮辐式称重传感器2和图像传感器3分别与主控模块4连接;涡轮流量传感机构1用于感应铜矿浮选机搅拌槽的空气充气量,并将感应的空气充气量传输至主控模块4;轮辐式称重传感器2用于感应铜矿浮选机搅拌槽的给矿总量以及石灰添加总量,并将感应的给矿总量以及石灰添加总量分别传输至主控模块4;图像传感器3用于感应铜矿浮选机搅拌槽的中泡面积以及中泡的数目,并将感应的中泡面积以及中泡的数目分别传输至主控模块4;主控模块4通过通信模块6,将获取的铜矿浮选机搅拌槽空气充气量,铜矿浮选机搅拌槽的给矿总量以及石灰添加总量,铜矿浮选机搅拌槽的中泡面积以及中泡的数目传输至上位机。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将运用具体的实施例及附图,对本发明保护的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本专利中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本专利保护的范围。
本发明提供的实施例中,涡轮流量传感机构包括:电阻R11,电阻R12,电阻R13,电阻R14,电阻R15,电阻R16,电容C11,电容C12,电容C13,电容C14以及涡轮流量传感器U11;电容C13第一端和电容C11第一端分别与涡轮流量传感机构第一测量端连接;电容C11第二端,电阻R11第一端,电容C12第二端,涡轮流量传感器U11五脚分别连接至涡轮流量传感机构的0伏电压端;电容C13第二端,电阻R15第一端,电阻R13第二端,电阻R14第一端,涡轮流量传感器U11的一脚,二脚共同连接;电容C12第一端与电阻R15第二端连接;电阻R11第二端,电阻R13第一端,电阻R12第一端共同连接;电阻R12第二端,涡轮流量传感器U11的三脚,电阻R16第二端分别与涡轮流量传感机构的12伏电压端连接;电阻R14第二端,电容C14第二端,涡轮流量传感器U11的七脚,八脚以及涡轮流量传感机构测试输出端共同连接;电阻R16第一端与涡轮流量传感器U11的四脚连接;电容C14第一端与涡轮流量传感器U11六脚连接。
电阻R11,电阻R12,电阻R13,电阻R14,电阻R15,电阻R16,电容C11,电容C12,电容C13,电容C14形成了涡轮流量传感器U11的外围电路。其外围电路元件可以起到限流,滤波,抗干扰的作用。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
本发明提供的实施例中,轮辐式称重传感器包括:电阻R1,电阻R2,电阻R3,电阻R4,变阻R5,变阻R6,电阻R7以及电阻R8;电阻R7第二端与轮辐式称重传感器正输入端连接,电阻R7第一端分别与电阻R1第一端和电阻R2第一端连接;电阻R1第二端与变阻R5连接;变阻R5第二端连接轮辐式称重传感器正输出端连接;变阻R5第三端与电阻R4第一端连接;电阻R4第二端分别与电阻R3第二端和电阻R8第一端连接;电阻R8第二端与轮辐式称重传感器负输入端连接;电阻R3第一端与变阻R6第三端连接;变阻R6第二端与轮辐式称重传感器负输出端连接;变阻R6第一端与电阻R2第二端连接。
本发明提供的实施例中,主控模块采用STM32F103主控芯片及外围电路;涡轮流量传感器可以采用LWCQ-0214型涡轮流量传感器;轮辐式称重传感器除了采用上述电路方式,还可以采用CFG-1型轮辐式称重传感器。图像传感器采用TCD127C-CCD图像传感器。
本发明提供的实施例中,铜矿浮选机搅拌槽浓度软测量装置还包括:MAX232芯片;主控模块通过MAX232芯片与通信模块连接,MAX232芯片用于串行口的电平变换,实现主控模块与通信接口之间的通信。
可能以许多方式来实现本发明的方法以及装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法以及装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
在发明还提供一种基于EO-BP算法的铜矿浮选机软测量方法,方法使用BP神经网络对被测变量进行建模,并利用EO算法对BP网络所有初始变量进行筛选。方法及测量装置可用于铜矿浮选机装置的搅拌槽矿浆浓度检测,进而实现最有效的控制。
其中方法中,表1铜矿浮选机装置的预设个可测输入变量表
表1为铜矿浮选机装置的30个可测输入变量,输入变量在统计分析中用的是数据的选择性回归分析。也就是在给出的如下数据使用轮盘赌法和Prand概率的方法一些变量被淘汰,剩下的变量将用来构造输出变量y的预测方程。
极值优化算法引入到BP神经网络中来解决此测量装置的变量选择问题。
选择算子,所使用的方法是用赌轮法选择算子,该方法是一种随机采样的方法,各个变量对应的适值xp从小到大排序。以旋转赌轮psize次为基础,每次旋转都可选择一个个体进入下一代变量池进行变量选择。
采用EO-BP算法的测量装置,相比于传统的线性建模或神经网络建模算法,变量选择效果更好,预测精度更高,稳定性更好。
在上述方法基于STM32F103主控模块实现。基于EO-BP的软测量方法预测精准且计算成本低,基于此方法的测量装置克服了普通传感器价格昂贵、滞后和维护保养困难的缺点,具有较好的实用性和经济性。
在发明中,基于EO-BP的变量选择方法中,EO-BP算法为基础。极值优化(EO)算法由Boettcher在国际遗传与进化计算会议上首次提出。算法的思想源于自组织临界理论,其突出的特点为非平衡性,EO算法不会收敛到一个平衡态,而出现断续平衡,产生的波动性使算法具有更好的持续搜索和跳出局优解的能力。EO算法易于实现,计算量小,算法效果好。EO算法规则简单,可追踪算法的运行过程,建立算法过程模型。
BP网络,系统解决了多层神经网络隐含层连接权学习问题,具有任意复杂的模式分类能力和优良的多维函数映射能力,解决了简单感知器不能解决的异或(Exclusive OR,XOR)和一些其他问题。从结构上讲,BP网络具有输入层、隐藏层和输出层;从本质上讲,BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。
EO算法引入到BP神经网络中,相比于传统的线性建模或神经网络建模算法,变量选择效果更好,预测精度更高。
其中,EO-BP算法流程为:EO-BP算法通过对数据的预处理后,剔除神经网络中与输出变量无关的输入变量,提高神经网络的预测精度,缩短建模时间。具体步骤如下。
(1)设当前输入变量池X={x1,x2,…,xq},对每一变量xi∈X,令以/>为输入变量集,以y为输出变量,训练BP神经网络,求得v-fold交叉验证预测误差,并将该误差定义为变量xi的适应度函数。
(2)将当前q个变量按照适应度函数从小到大进行排序,适值最小的变量排在第1位;最大的变量排在第q位。
(3)定义每个变量的概率密度函数,P(xi)=k-τ,i=1,2,…,q,其中k为变量xi在变量集X中的排序,τ为EO算法参数且τ>0。
(4)根据概率密度函数P,采用轮盘赌策略随机选择某个变量xj,将xj的适应度函数记为λq,记录当前变量池将该变量从变量池删除,并令X=X-{xj},q=q-1。
(5)判断q>1,如果是,跳转到步骤1,否则进入步骤6。
(6)对于所有λt,t=1,2,…,q,选择最小值λu,并将其对应变量池作为算法最优输入变量集。
(7)利用作为输入变量集,y作为输出变量,重新训练BP网络,得到最终BP神经网络进行软测量。
EO-BP算法为(1)算法参数选择。τ为EO算法关键参数,能够影响算法的精度。当τ趋向于0时,对各变量的选择机会均等,EO算法为完全随机算法;当τ趋向于∞时,算法固定选择适值最小的变量。在本算法中,最优τ值由测试数据集进行试验决定。
(2)v-fold交叉验证。首先是把输入变量集平均分为V份,每次从V份数据集中拿出一份数据集作为验证集,剩下的V-1份数据集作为训练集,重复进行V次,最后平均V次的结果作为最后泛化误差的估计。
(3)轮盘赌策略:xi被选中删除的概率为:
(4)BP网络层数及隐藏节点选择。利用正交变换优化设计BP的网络结构,正交变换可以将一组数据中线性相关的部分去除,压缩信息。故而利用这一点对BP网络中某一隐藏节点的一组输出所形成的矩阵作奇异值分解,根据分布情况选择BP网络层数及隐藏节点。
本发明中,基于EO-BP的搅拌槽矿浆浓度的软测量方法。软测量方法是:铜矿浮选机装置最后得到的铜的数量由搅拌槽矿浆的浓度确定,铜矿浮选机装置中难以得到较稳定搅拌槽矿浆的浓度,通过对装置中30个可测输入变量的筛选,再对数据进行处理,然后利用所筛选的变量建模对搅拌槽矿浆浓度进行预测。首先我们对辅助变量的选择是基于EO-BP的变量选择方法,然后利用EO-BP算法建模和预测控制实时在线校正来保证搅拌槽矿浆浓度的预测精度。这种方法具有响应迅速、投资低、维护保养简单等优点。
辅助变量的选择要通过对铜矿浮选机装置的机理分析以及工艺流程来初步确定影响主导变量的相关辅助变量,包括变量类型、变量数目和监测点的选择。由于铜矿浮选机装置过程特性数目的原因,这些变量之间相互作用,互有影响。此外,在我们的铜矿浮选机装置中还要考虑经济性、维护的难易程度等。实践证明,基于EO-BP的变量选择方法可以选择出最佳的辅助变量,进而提高我们的预测精度和降低计算成本。
本发明中,TCD128C-CCD图像传感器是一种能进行光电转换存储信息及转换信息电荷功能的器件。PN结光敏二极管和CCD(电荷耦合器件)构成若干像素的一元光敏二极管阵列,物体通过光学镜头在这种阵列上形成实像。每个光敏元件(像素)呈现不同强度的弱电流,由扫描电路拾取图像信号,在经过处理可获得视频信号。TCD127C-CCD图像传感器优点是自扫描、高灵敏、低噪声、长寿命、低功耗、高可靠。其像元尺寸小,几何精度高,配置适当的光学系统,可获得很高的空间分辨率,使用方便灵活,适应性强,输出信号易于数字化处理,容易与计算机连接组成自动测量控制。有效像素数目840,有效读取长度105mm。该TCD127C-CCD图像传感器用于测量装置的中泡面积、中泡的数目等,基于TCD127C-CCD图像传感器放大成像测量电路如图5所示。
本发明中,电源模块在给测量装置供电的同时,同时能起到稳压、保护芯片的作用。主控模块接收数据,然后输入建好的模型从而输出软测量结果。通信模块是接收现场采集的数据,并向上位机发送软测量结果。
在主电路中,主控芯片的工作电压为2.0~3.6V。主控模块为基于STM32F103的嵌入式系统,该芯片能工作于-40~105℃的温度范围,能够适应恶劣的工业生产环境。MAX232芯片用于串行口的电平变换,实现控制器与通信接口之间的通信。
在主电路中,STM32F103实时接收来自铜矿浮选机装置的30个可测输入变量,将接受的数据利用通讯模块实时传送到上位机,利用通过EO-BP算法事先建立好的预测模型实现软测量。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种铜矿浮选机搅拌槽浓度软测量装置,其特征在于,包括:涡轮流量传感机构、轮辐式称重传感器、图像传感器、主控模块、用于给测量系统供电的电源模块以及通信模块;
通信模块,涡轮流量传感机构,轮辐式称重传感器和图像传感器分别与主控模块连接;
涡轮流量传感机构用于感应铜矿浮选机搅拌槽的空气充气量,并将感应的空气充气量传输至主控模块;
轮辐式称重传感器用于感应铜矿浮选机搅拌槽的给矿总量以及石灰添加总量,并将感应的给矿总量以及石灰添加总量分别传输至主控模块;
图像传感器用于感应铜矿浮选机搅拌槽的中泡面积以及中泡的数目,并将感应的中泡面积以及中泡的数目分别传输至主控模块;
主控模块通过通信模块,将获取的铜矿浮选机搅拌槽空气充气量,铜矿浮选机搅拌槽的给矿总量以及石灰添加总量,铜矿浮选机搅拌槽的中泡面积以及中泡的数目传输至上位机;
涡轮流量传感机构包括:电阻R11,电阻R12,电阻R13,电阻R14,电阻R15,电阻R16,电容C11,电容C12,电容C13,电容C14以及涡轮流量传感器U11;
电容C13第一端和电容C11第一端分别与涡轮流量传感机构第一测量端连接;
电容C11第二端,电阻R11第一端,电容C12第二端,涡轮流量传感器U11五脚分别连接至涡轮流量传感机构的0伏电压端;电容C13第二端,电阻R15第一端,电阻R13第二端,电阻R14第一端,涡轮流量传感器U11的一脚,二脚共同连接;电容C12第一端与电阻R15第二端连接;
电阻R11第二端,电阻R13第一端,电阻R12第一端共同连接;电阻R12第二端,涡轮流量传感器U11的三脚,电阻R16第二端分别与涡轮流量传感机构的12伏电压端连接;电阻R14第二端,电容C14第二端,涡轮流量传感器U11的七脚,八脚以及涡轮流量传感机构测试输出端共同连接;电阻R16第一端与涡轮流量传感器U11的四脚连接;电容C14第一端与涡轮流量传感器U11六脚连接;
轮辐式称重传感器包括:电阻R1,电阻R2,电阻R3,电阻R4,变阻R5,变阻R6,电阻R7以及电阻R8;
电阻R7第二端与轮辐式称重传感器正输入端连接,电阻R7第一端分别与电阻R1第一端和电阻R2第一端连接;电阻R1第二端与变阻R5连接;变阻R5第二端连接轮辐式称重传感器正输出端连接;变阻R5第三端与电阻R4第一端连接;电阻R4第二端分别与电阻R3第二端和电阻R8第一端连接;电阻R8第二端与轮辐式称重传感器负输入端连接;电阻R3第一端与变阻R6第三端连接;变阻R6第二端与轮辐式称重传感器负输出端连接;变阻R6第一端与电阻R2第二端连接;
主控模块还用于获取铜矿浮选机的预设多个可测输入变量,进行基于变量的选择性回归分析,使用轮盘赌法和概率的方法对变量进行剔除,未剔除的变量将用来构造输出变量y的预测方程;将极值优化算法引入到BP神经网络中来解决测量装置的变量选择问题;
具体步骤如下:
(1)设当前输入变量池,对每一变量/>,令/>=/>;以/>为输入变量集,以y为输出变量,训练BP神经网络,求得v-fold交叉验证预测误差,并将该误差定义为变量/>的适应度函数;
(2)将当前q个变量按照适应度函数从小到大进行排序,适值最小的变量排在第1位;最大的变量排在第q位;
(3)定义每个变量的概率密度函数, ,其中k为变量/>在变量集/>中的排序,τ为EO算法参数且τ>0;
(4)根据概率密度函数,采用轮盘赌策略随机选择某个变量/>,将/>的适应度函数记为,记录当前变量池/>;将该变量从变量池删除,并令/>,/>;
(5)判断q>1,如果是,跳转到步骤1,否则进入步骤6;
(6)对于所有,选择最小值/>,并将其对应变量池/>作为算法最优输入变量集;
(7)利用作为输入变量集,y作为输出变量,重新训练BP网络,得到最终BP神经网络进行软测量。
2.根据权利要求1所述的铜矿浮选机搅拌槽浓度软测量装置,其特征在于,
还包括:MAX232芯片;
主控模块通过MAX232芯片与通信模块连接,MAX232芯片用于串行口的电平变换,实现主控模块与通信接口之间的通信。
3.根据权利要求1所述的铜矿浮选机搅拌槽浓度软测量装置,其特征在于,
主控模块采用STM32F103主控芯片及外围电路;
涡轮流量传感器采用LWCQ-0214型涡轮流量传感器;
轮辐式称重传感器采用CFG-1型轮辐式称重传感器;
图像传感器采用TCD127C-CCD图像传感器。
4.根据权利要求1所述的铜矿浮选机搅拌槽浓度软测量装置,其特征在于,
涡轮流量传感机构用插入杆将一个切向式涡轮头插到大口径管道预定深处,流体流动时推动涡轮头切向式叶轮旋转,使磁阻式传感器原件发出与流量有关的电脉冲信号;涡轮流量传感机构检测到的脉冲信号的频率f(Hz)与流过管道的体积流量Q()成正比;涡轮流量传感机构标定管道公称通径200mm,插入杆长度906mm,对应于公称通径的流量范围45~300(/>)。
5.根据权利要求1所述的铜矿浮选机搅拌槽浓度软测量装置,其特征在于,
轮辐式称重传感器利用电阻应变原理构成,弹性体采用比较先进的轮辐式结构形式;电阻式应变片贴在轮辐的中性面上,组成电桥的测量回路;检测时电桥处于平衡状态,桥路无输出当传感器受到外力作用时,轮辐产生相应的变形,电阻应变片阻值发生变化,使桥路失去平衡;在外界供桥电压作用下,电桥输出不平衡电压信号;电压信号大小与外力成正比;轮辐式称重传感器输出阻抗400Ω,输入阻抗400Ω,工作的温度范围-40℃~50℃。
6.根据权利要求1所述的铜矿浮选机搅拌槽浓度软测量装置,其特征在于,
图像传感器包括:PN结光敏二极管和电荷耦合器件,PN结光敏二极管和电荷耦合器件构成若干像素的一元光敏二极管阵列,被测物质通过光学镜头在这种阵列上形成实像;每个光敏元件像素呈现不同强度的弱电流,由扫描电路拾取图像信号,在经过处理可获得视频信号。
7.一种应用于铜矿浮选机搅拌槽浓度软测量装置的基于EO-BP算法的铜矿浮选机软测量方法,其特征在于,
所述铜矿浮选机搅拌槽浓度软测量装置,其特征在于,包括:涡轮流量传感机构、轮辐式称重传感器、图像传感器、主控模块、用于给测量系统供电的电源模块以及通信模块;
通信模块,涡轮流量传感机构,轮辐式称重传感器和图像传感器分别与主控模块连接;
涡轮流量传感机构用于感应铜矿浮选机搅拌槽的空气充气量,并将感应的空气充气量传输至主控模块;
轮辐式称重传感器用于感应铜矿浮选机搅拌槽的给矿总量以及石灰添加总量,并将感应的给矿总量以及石灰添加总量分别传输至主控模块;
图像传感器用于感应铜矿浮选机搅拌槽的中泡面积以及中泡的数目,并将感应的中泡面积以及中泡的数目分别传输至主控模块;
主控模块通过通信模块,将获取的铜矿浮选机搅拌槽空气充气量,铜矿浮选机搅拌槽的给矿总量以及石灰添加总量,铜矿浮选机搅拌槽的中泡面积以及中泡的数目传输至上位机;
所述方法包括:
获取铜矿浮选机的预设多个可测输入变量,进行基于变量的选择性回归分析,使用轮盘赌法和概率的方法对变量进行剔除,未剔除的变量将用来构造输出变量y的预测方程;将极值优化算法引入到BP神经网络中来解决测量装置的变量选择问题;
具体步骤如下:
(1)设当前输入变量池,对每一变量/>,令/>=/>;以/>为输入变量集,以y为输出变量,训练BP神经网络,求得v-fold交叉验证预测误差,并将该误差定义为变量/>的适应度函数;
(2)将当前q个变量按照适应度函数从小到大进行排序,适值最小的变量排在第1位;最大的变量排在第q位;
(3)定义每个变量的概率密度函数, ,其中k为变量/>在变量集/>中的排序,τ为EO算法参数且τ>0;
(4)根据概率密度函数,采用轮盘赌策略随机选择某个变量/>,将/>的适应度函数记为,记录当前变量池/>;将该变量从变量池删除,并令/>,/>;
(5)判断q>1,如果是,跳转到步骤1,否则进入步骤6;
(6)对于所有,选择最小值/>,并将其对应变量池/>作为算法最优输入变量集;
(7)利用作为输入变量集,y作为输出变量,重新训练BP网络,得到最终BP神经网络进行软测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061432.8A CN108816525B (zh) | 2018-09-12 | 2018-09-12 | 一种铜矿浮选机搅拌槽浓度软测量装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061432.8A CN108816525B (zh) | 2018-09-12 | 2018-09-12 | 一种铜矿浮选机搅拌槽浓度软测量装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108816525A CN108816525A (zh) | 2018-11-16 |
CN108816525B true CN108816525B (zh) | 2023-08-18 |
Family
ID=64149741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811061432.8A Active CN108816525B (zh) | 2018-09-12 | 2018-09-12 | 一种铜矿浮选机搅拌槽浓度软测量装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108816525B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997045203A1 (en) * | 1996-05-31 | 1997-12-04 | Baker Hughes Incorporated | Method and apparatus for controlling froth flotation machines |
CN101382556A (zh) * | 2008-09-28 | 2009-03-11 | 山西潞安矿业(集团)有限责任公司 | 一种基于数据驱动的煤泥浮选精煤灰份软测量方法 |
CN101782743A (zh) * | 2010-02-11 | 2010-07-21 | 浙江大学 | 神经网络建模方法及系统 |
CN103839106A (zh) * | 2014-02-19 | 2014-06-04 | 西安理工大学 | 一种基于遗传算法优化bp神经网络的球磨机负荷检测方法 |
CN105263149A (zh) * | 2015-09-29 | 2016-01-20 | 上海交通大学 | 移动无线传感器网络中节点自适应分布式重聚类方法 |
CN106197517A (zh) * | 2016-07-07 | 2016-12-07 | 北京华电天仁电力控制技术有限公司 | 一种气固两相流模拟测试装置及相对浓度校验方法 |
-
2018
- 2018-09-12 CN CN201811061432.8A patent/CN108816525B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997045203A1 (en) * | 1996-05-31 | 1997-12-04 | Baker Hughes Incorporated | Method and apparatus for controlling froth flotation machines |
CN101382556A (zh) * | 2008-09-28 | 2009-03-11 | 山西潞安矿业(集团)有限责任公司 | 一种基于数据驱动的煤泥浮选精煤灰份软测量方法 |
CN101782743A (zh) * | 2010-02-11 | 2010-07-21 | 浙江大学 | 神经网络建模方法及系统 |
CN103839106A (zh) * | 2014-02-19 | 2014-06-04 | 西安理工大学 | 一种基于遗传算法优化bp神经网络的球磨机负荷检测方法 |
CN105263149A (zh) * | 2015-09-29 | 2016-01-20 | 上海交通大学 | 移动无线传感器网络中节点自适应分布式重聚类方法 |
CN106197517A (zh) * | 2016-07-07 | 2016-12-07 | 北京华电天仁电力控制技术有限公司 | 一种气固两相流模拟测试装置及相对浓度校验方法 |
Non-Patent Citations (1)
Title |
---|
李军 等.物流配送车辆优化调度理论与方法[M].中国物资出版社,2001,16~26. * |
Also Published As
Publication number | Publication date |
---|---|
CN108816525A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tilocca et al. | Detecting fabric defects with a neural network using two kinds of optical patterns | |
CN106472332B (zh) | 基于动态智能算法的宠物喂养方法及系统 | |
CN109344894A (zh) | 基于多传感器融合和深度学习的垃圾分类识别方法及装置 | |
CN110738360A (zh) | 一种设备剩余寿命预测方法及系统 | |
CN103810497A (zh) | 一种基于忆阻器的图像识别系统及方法 | |
CN110031227A (zh) | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 | |
CN102288278B (zh) | 数显式测振仪的自动校准装置及其校准方法 | |
CN108389180A (zh) | 一种基于深度学习的织物疵点检测方法 | |
CN104202583A (zh) | 图像处理装置和方法 | |
CN106671112A (zh) | 一种基于触觉阵列信息的机械手抓取稳定性判断方法 | |
CN108816525B (zh) | 一种铜矿浮选机搅拌槽浓度软测量装置及方法 | |
CN110174404A (zh) | 一种药粒在线缺陷检测装置及系统 | |
CN109002862A (zh) | 一种面向铜矿浮选机的基于神经网络的软测量方法及系统 | |
CN113858566B (zh) | 一种基于机器学习的注塑机能耗预测方法及系统 | |
TWI591545B (zh) | 指紋影像偵測裝置及其方法 | |
CN108537106A (zh) | 指纹检测方法及其电路 | |
CN110362044A (zh) | 一种铜矿浮选装置的石灰石添加量预测控制系统及方法 | |
CN104729773B (zh) | 基于rbf神经网络的游梁式抽油机示功图在线软测量方法及装置 | |
CN107316593A (zh) | 一种医学显示设备亮度响应误差率的检测方法及检测装置 | |
CN117424513A (zh) | 基于皮带流量及轮斗电流实现恒流控制的控制方法及其系统 | |
CN115236006B (zh) | 一种电子河长光谱检测数据的处理方法及系统 | |
CN101672631B (zh) | 平面光学元件的面形偏差测量方法 | |
CN109028238B (zh) | 一种带视觉检测模块油烟机的智能换档方法 | |
CN108750142A (zh) | 无人机重量测量方法及系统 | |
CN114333736A (zh) | 显示装置和显示装置的亮度调节方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |