CN110738271A - 一种锌浮选过程精矿品位预测方法 - Google Patents
一种锌浮选过程精矿品位预测方法 Download PDFInfo
- Publication number
- CN110738271A CN110738271A CN201911005613.3A CN201911005613A CN110738271A CN 110738271 A CN110738271 A CN 110738271A CN 201911005613 A CN201911005613 A CN 201911005613A CN 110738271 A CN110738271 A CN 110738271A
- Authority
- CN
- China
- Prior art keywords
- data
- concentrate grade
- bacteria
- grade
- concentrate
- 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.)
- Granted
Links
- 239000012141 concentrate Substances 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005188 flotation Methods 0.000 title claims abstract description 39
- 230000008569 process Effects 0.000 title claims abstract description 35
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 title claims abstract description 29
- 239000011701 zinc Substances 0.000 title claims abstract description 29
- 229910052725 zinc Inorganic materials 0.000 title claims abstract description 29
- 239000006260 foam Substances 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 108010074864 Factor XI Proteins 0.000 claims abstract description 3
- 241000894006 Bacteria Species 0.000 claims description 48
- 230000001580 bacterial effect Effects 0.000 claims description 22
- 238000013508 migration Methods 0.000 claims description 15
- 230000005012 migration Effects 0.000 claims description 15
- 239000005667 attractant Substances 0.000 claims description 12
- 230000010076 replication Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000010415 tropism Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000009182 swimming Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000009395 breeding Methods 0.000 claims description 2
- 230000001488 breeding effect Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000033458 reproduction Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000003556 assay Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000000513 principal component analysis Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 7
- 229910052500 inorganic mineral Inorganic materials 0.000 description 6
- 239000011707 mineral Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000012843 least square support vector machine Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000001617 migratory effect Effects 0.000 description 3
- 230000003362 replicative effect Effects 0.000 description 3
- 241000588724 Escherichia coli Species 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000009291 froth flotation Methods 0.000 description 1
- JQJCSZOEVBFDKO-UHFFFAOYSA-N lead zinc Chemical compound [Zn].[Pb] JQJCSZOEVBFDKO-UHFFFAOYSA-N 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明提供了一种锌浮选过程精矿品位预测方法，包括了以下步骤：首先通过浮选过程图像采集处理系统采集锌浮选过程图像特征数据以及对应的精矿品位数据，并对采集的数据进行预处理；根据预处理后的锌浮选图像特征数据以及精矿品位数据，组成样本空间，然后根据精矿品位的高低划分五个独立的子样本空间并分别做时间差分；采用KPCA对特征进行相关分析,提取贡献率高特征作为关键泡沫特征；基于关键特征样本训练LSSVM，建立图像特征与精矿品位之间的关系；使用改进菌群算法求解预测模型，寻优LSSVM的惩罚因子ξ和核宽度σ两个参数；本方法可直接在计算机上编程实现，成本低，精度高，时效好，对指导现场生产具有重要意义。
Description
技术领域
本发明属于泡沫浮选技术领域，具体涉及一种锌浮选过程精矿品位预测方法。
技术背景
泡沫浮选是当今铅锌冶炼中最主要的选矿方法之一，浮选法是一种利用矿物颗粒表面的物理化学性质不同导致亲水性不同，进而对矿物进行分选的方法，具有很强的实用价值。但由于浮选工艺流程长，内部机理不明确，影响因素众多，涉及变量多且非线性严重，许多工艺指标不能在线检测的原因，一直以来都通过人工肉眼“看泡”来确定泡沫状态，进而预判得到的精矿品位，并以此来完成现场操作，这种方式主观性强，过多依靠经验知识，难以实现精矿品位的精确稳定预测，经常造成精矿品位的频繁波动，矿物原料流失严重，药剂消耗大，资源回收率低。因此，研究浮选过程精矿品位的实时在线检测方法，对提高精矿品位核矿物资源利用率具有重要的意义。
随着计算机技术、数字图像处理技术的快速发展，将基于机器视觉的软测量技术应用于浮选过程给浮选指标的实时监测带来了新的突破，获得了更多与品位相关的浮选指标。浮选泡沫的颜色，大小，形状，稳定性，流速，纹理的特征与浮选工况，精矿品位，生产指标密切相关。浮选泡沫表面视觉特征是生产指标的重要指示，因此，浮选泡沫表面特征一直是选厂浮选生产调节的重要依据。但锌浮选过程是一个复杂的工业过程，通过浮选泡沫表面的特征直接预测出精矿品位传统的方法存在建模难，精度低等问题，而且泡沫图像多种特征之间的强耦合性大大增加了计算复制性，并影响预测模型的精度以及失效性。所以，降低特征复杂度，以及建立简单有效的预测模型将能解决传统预测模型精度低，时效差等问题。
发明内容
针对浮选过程中精矿品位在线检测比较困难，现有技术在锌浮选精矿品位预测上的不足，本发明利用与锌精矿品位相关的多种特征，提出一种锌浮选过程精矿品位预测方法。
采用的技术方案具体步骤如下：
S1：通过浮选过程图像采集处理系统获取锌快粗图像特征采集以及对应的精矿品位数据。
S2：对采集到的锌浮选数据以及生产数据进行数据预处理，如下：
(1)剔除测量到的数据取值超出变化范围的错误数据；
(2)剔除不匹配的数据以及存在空缺值的数据；
S3：由于泡沫特征之间存在着信息冗余，严重影响了对精矿品位预测的准确性，且增加了计算的复杂度。因此，通过核主成分分析法(KPCA)对特征进行相关分析，取贡献率较高特征作为关键泡沫特征。其主要步骤如下：
(1)由于不同特征数据的量纲不同，先对原始数据进行标准化处理：
由上式将标准化的数据xvu′组成数据矩阵X，式中xvu为标准化前的数据，
和Sv分别是第v个指标的样本均值和样本标准差；
(2)计算协方差矩阵：
其中C为协方差矩阵，M为样本数，
为高维映射函数；
(3)计算协方差矩阵C的特征值与特征向量
γVv＝Cγ (3)
γ是特征值，V是特征向量，对应特征向量如公式(4)所示：
由于特征向量V是由非线性映射空间组成，因此，式(3)等价于如下形式：
将(2)(3)(4)带入(5)，且令核矩阵
得KaM＝MγvaM，核矩阵的特征向量为a1，a2，...，aM，特征值为Mγv，将特征值按降序排序，提取前L个特征值(L＜M)以及对应的特征向量a1，a2，...，aL；
(4)计算特征贡献率；
贡献率是由特征值的大小所决定，计算公式如下：
其中，M为主元成分个数，CRn为主成分贡献率，γv为第v个特征值，
为总特征值；当CRn大于等于85％时为主成分，其对应的特征为关键特征。
S4：将提取到的关键特征组成X，对应的精矿品位数据组成y，并根据精矿品位y的大小划分5个不同精矿品位区间，并与对应的特征数据组成5个子样本空间(X1，y1)，(X2，y2)，(X3，y3)，(X4，y4)，(X5，y5)；
S5：对5个子样本空间分别做时间差分，组成差分序列(ΔX1，Δy1)，(ΔX2，Δy2)，(ΔX3，Δy3)，(ΔX4，Δy4)，(ΔX5，Δy5)，具体步骤如下：
对5个子样本序列分别做时间差分，组成差分序列，具体如下：
得到
分别为锌快粗泡沫图像特征数据以及对应的精矿品位数据的一阶时间差分量，组成(ΔX，Δy)时间差分序列空间。
然后，可建立输入输出差分量之间的回归模型：
Δy(t)＝f(ΔX(t)) (8)
训练和回归模型之后，当输入一组新的样本X(tnew)，其输入的时间差分量为：
ΔX(tnew)＝X(tnew)-X(tnew-1) (9)
从而，其输出的一阶差分量可以通过训练好的的回归模型预测：
y(tnew)＝Δy(tnew)+y(tnew-1) (10)
S6：将5个时间差分序列空间(ΔX1，Δy1)，(ΔX2，Δy2)，(ΔX3，Δy3)，(ΔX4，Δy4)，(ΔX5，Δy5)数据作为训练数据共同训练LSSVM，建立图像特征与精矿品位之间的关系，其具体步骤有：
(1)对于训练数据(ΔX，Δy)∈RL×R，L为关键特征样本空间维数，选择非线性映射
将训练样本映射到高维线性空间；
ω是权值系数，ωTω控制着模型的推广能力，pbias为偏差量，f(x)为估计函数。
(2)根据结构化风险最小原则，建立二次规划求解问题：
式中，J(ω，ε)为结构风险，ξ为惩罚系数，εu为允许误差。
(3)定义拉格朗日函数：
其中，αu∈R为拉格朗日乘子；
(4)根据KKT优化条件可得：
式中，y＝[y1，y2，...，yN]T，IN＝[1，1，...，1]T，θv′u′＝K(Xv′，Xu)，K(Xv′，Xu′)选用高斯径向核函数，a为向量参数，ξ是可调参数，根据Mercer条件
其中
(5)得到最小二乘支持向量机的输出：
pbias为偏置，采用了高斯径向基核函数[RFB]作为LSSVM的核函数，此时有惩罚系数ξ和核函数宽度σ这2个参数需要确定。研究表明惩罚系数ξ越大，对经验误差的惩罚就越大，模型的回归误差就越小，但ξ过大会导致模型的过学习，过小又会导致欠学习。核函数宽度σ也影响模型的性能。因此，合适的ξ和σ是获得高性能LSSVM模型的关键。使用菌群算法(BFO)对LSSVM的2个参数进行优化，得到最优化的预测模型，并输出预测的品位值。
S7：菌群算法(BFO)是通过模拟大肠杆菌的觅食过程提出的仿生搜索算法，通过判断适应度评价解的优劣性，不断迭代寻找最优解。主要操作是趋向、聚集、复制和迁徙。算法的具体步骤如图1所示。
(1)首先初始化：
p：表示搜索空间的维数；
S：表示细菌种群大小；
Nc：表示细菌进行趋向性行为的次数；
Ns：表示趋向性操作中在一个方向上前进的最大步数；
Nre：表示细菌进行复制性行为的次数；
Ned：表示细菌进行迁徙性行为的次数；
Ped：表示迁徙概率；
C(i)：表示向前游动的步长。
定义P(j，k，l)＝{θi(j，k，l)|i＝1，...，S}表示表示种群中个体在第j次趋向性操作、第k次复制操作和第l次迁徙操作之后的位置，J(j，k，l)表示细菌i在第j次趋向性操作、第k次复制操作和第l次迁徙操作之后的适应值函数值。
(2)趋向性操作
菌群算法模拟大肠杆菌在整个觅食过程中有两个基本运动：旋转和游动。旋转是找一个新的方向运动，而游动是指保持方向不变的运动。细菌i的每一步趋向性操作表示：
其中Δ表示随机方向上的一个单位向量。
由于步长大小不容易确定。步长太大虽使细菌迅速向目标区域移动，提高了搜索效率，却也容易离开目标区域而找不到最优解或者陷入局部最优。步长过小，获得高精度计算结果的同时也降低了计算效率，此外还可能使算法陷入局部极小区域造成算法早熟或不熟。其次，能量不同的细菌取相同的步长，无法体现出能量高低不同的细菌之间的步长差异，在一定程度上降低了细菌趋向行为的寻优精度。因此，对于收敛速度和计算精度而言，每个细菌的步长大小都起着主要决定作用。
通过赋予细菌灵敏度的概念以调节游动步长改进算法。
定义能量因子表达式为：
其中J(i，j，k，l)为当前趋向后的适应值，J(i，j-1，k，l)为前一趋向后的适应值。
细菌个体距离全局最优点较远，为了增加算法的全局搜索能力，游动步长应该较大。但是，随着迭代的持续进行，许多细菌个体越来越靠近全局最优值，这时，游动步长应该减小以便增加每个细菌个体的局部搜索能力，于是定义灵敏度：
C(i)＝C(i)·V (20)
从(19)(20)式中能满足步长随细菌适应值以及迭代次数自适应调整。
(3)聚集性操作
在菌群寻觅食物的过程中，细菌个体通过相互之间的作用来达到聚集行为。细菌与细菌之间既有引力又有斥力。引力使细菌聚集在一起，斥力使每个细胞都有一定的位置，在算法中模拟这种行为称为聚集性操作。细菌间聚集行为的数学表达式为：
其中，dattractant为引力的深度，wattractant为引力的宽度，hrepellant为斥力的高度，wrepellant为斥力的宽度，为细菌i的第m个分量，θm为整个菌群中其他细菌的第m个分量。由于Jcc(θ，P(j，k，l))表示种群细菌之间传递信号的影响值，所以在趋向性循环中引入聚集操作后，第i个细菌的适应值的计算公式变为：
J(i，j+1，k，l)＝J(i，j，k，l)+Jcc(θi(j+1，k，l)，P(j+1，k，l)) (22)
(4)复制性操作
在BFO算法中通过模拟生物进化过程的优胜劣汰模式称为复制性操作。对给定的k，l以及每个i＝1，...，S，定义：
上式表示细菌i的健康度函数。
越小，表示细菌越健康，其觅食能力越强。将细菌能量Jhealth按从大到小的顺序排列，淘汰掉前
个细菌，细菌进行复制斥
个细菌，。
(5)迁徙性操作
细菌所生活的局部区域可能会发生变化。这样可能会导致生活在这个局部区域的细菌种群被迁徙到新的区域中去。在BFO算法中模拟这种现象称为迁徙性操作。模拟这一过程，在算法中菌群经过若干代复制后，细菌以给定概率Ped执行迁徙操作，被随机重新分配到寻优区间。迁徙行为随机生成的这个新个体可能更靠近全局最优解，从而更有利于趋向性操作跳出局部最优解，进而寻找全局最优解。
S8：通过泡沫图像采集处理系统获取实时数据输入到建立的预测模型，实现浮选过程精矿品位的在线预测。
所述S4中精矿品位y的大小划分5个不同精矿品位区间，精矿品位值在y1∈[51.5，52.5]标识低，y2∈(52.5，53.5]标识偏低，y3∈(53.5，54.5]标识中，y4∈(54.5，55.5]标识偏高，y5∈(55.5，56.5]标识高。
所述的S7中S72初始化参数中，S＝20，Nc＝20，Ns＝4，Nre＝4，Ned＝2，Ped＝0.1，p＝2。
所述S7中S73的4)所述的dattractant＝0.1，wattractant＝0.2，hrepellant＝0.1，wrepellant＝0.2。
本发明针对锌浮选复杂工艺流程，内部机理的不确定性，导致的精矿品位预测建模难，离线检测时滞性严重，以及泡沫图像的特征的维数多，冗余性强，而且多数特征不易提取等问题，导致的精矿品位在线预测计算复杂，预测精度低等问题，提出一种锌浮选过程精矿品位预测方法。本发明通过核主成分分析法计算出不同特征之间贡献率大小，根据特征间贡献率大小排序，选取贡献率靠前的关键特征；基于提取出的关键特征训练引入了高斯径向基核函数的最小二乘支持向量机，得到预测模型来拟合泡沫图像特征与精矿品位之间的非线性关系；由于预测模型中有惩罚因子ξ和核宽度σ两个参数需要估计，ξ，σ参数会之间影响到预测模型的精度，而传统的参数估计方法常常陷于局部最优，本发明提出了改进菌群算法对预测模型进行寻参，由于细菌在迭代过程中的游动步长不易直接确定，能量不同的细菌取相同的步长无法体现出能量高低不同的细菌之间的步长差异，在一定程度上降低了细菌趋向行为的寻优精度，而且迭代后期步长过大容易使细菌跳过最优解，于是本发明中引入了灵敏度因子，能够让细菌在迭代过程中根据自身状态的不同以及迭代次数的叠加自适应调整步长，从而解决上述寻优算法难以避免的问题。改进菌群算法的迭代终止条件并不能以预测模型的精度达到为终止条件，初步迭代后的参数也极有可能并不是最优参数，所以最后使用均方根误差来评价预测模型的精度，精度达到则终止迭代得到最优的预测模型，精度未达到则继续使用改进菌群算法进入下一次循环寻优。该方法能够直接在计算机上编程实现，成本低，预测精度高，能实时地放映现场锌浮选过程地精矿品位变化趋势，对指导工业生产具有重要意义。
附图说明
图1是本发明总流程图；
图2是本发明使用改进菌群算法寻优LSSVM参数的流程图。
具体实施方式
下面是结合本发明附图，对本发明中所采用的技术方案更加详细、清楚地做出了描述和解释。本发明针对浮选工艺过程的复杂性，内部机理不明，特征维数多且存在强耦合特性，传统预测模型训练难精度低，提出了一种基于关键特征选择的锌精矿品位在线测量方法。显然，所描述的实施例仅是本发明实施例中的一部分，并不是实施例的全部。基于本发明中的实施例，相关领域的技术人员在没有做出创造性劳动的前提所获得所有其它的实施例都应为本发明的保护范围。
一种锌浮选过程精矿品位预测方法如图1所示。通过分析泡沫图像特征与精矿品位之间的关系建立预测模型，本发明选取能放映精矿品位的13个泡沫图像特征(速度、稳定度、灰度均值、红色分量、绿色分量、蓝色分量、泡沫尺寸、尺寸方差、承载率、色度、亮度、峰值、偏斜度)作为模型输入，精矿品位作为输出。各个图像特征在不同程度上反映了浮选品位变化状态，但是特征间存在信息冗余，严重影响了对精矿品位预测的准确性，且增加了计算的复杂度。根据研究发现，仅选用部分图像可充分表达工况特征能更好的预测精矿品位。因此，本发明首先通过核主成分分析选出多维图像特征中的关键特征，并与精矿品位指标组成训练样本，然后用训练样本训练最小二乘支持向量机得到预测模型，最后采用改进的菌群算法寻优最小二乘支持向量机预测模型参数。
锌浮选过程精矿品位在线预测方法，包括：
S1：通过浮选过程图像采集处理系统获取锌快粗图像特征采集以及对应的精矿品位数据。
S2：对采集到的锌浮选数据以及生产数据进行数据预处理，如下：
(1)剔除测量到的数据取值超出变化范围的错误数据；
(2)剔除不匹配的数据以及存在空缺值的数据；
S3：由于特征之间存在着信息冗余，严重影响了对精矿品位预测的准确性，且增加了计算的复杂度。因此，通过主成分分析法对特征进行相关分析，取贡献率较高特征作为关键泡沫特征。其主要步骤如下：
(1)由于不同特征数据的量纲不同，先对原始数据进行标准化处理：
由上式将标准化的数据xvu′组成数据矩阵X，式中xvu为标准化前的数据，
和Sv分别是第v个指标的样本均值和样本标准差；
(2)计算协方差矩阵：
其中C为协方差矩阵，M为样本数，
为高维映射函数；
(3)计算协方差矩阵C的特征值与特征向量
γVv＝Cγ (3)
γ是特征值，V是特征向量，对应特征向量如公式(4)所示：
由于特征向量V是由非线性映射空间组成，因此，式(3)等价于如下形式：
将(2)(3)(4)带入(5)，且令核矩阵
得KaM＝MγvaM，核矩阵的特征向量为a1，a2，...，aM，特征值为Mγv，将特征值按降序排序，提取前L个特征值(L＜M)以及对应的特征向量a1，a2，...，aL；
(4)计算特征贡献率；
贡献率是由特征值的大小所决定，计算公式如下：
其中，M为主元成分个数，CRn为主成分贡献率，γv为第v个特征值，
为总特征值；当CRn大于等于85％时为主成分，其对应的特征为关键特征。
S4：将提取到的关键特征组成X，对应的精矿品位数据组成y，并根据精矿品位y的大小划分5个不同精矿品位区间，并与对应的特征数据组成5个子样本空间(X1，y1)，(X2，y2)，(X3，y3)，(X4，y4)，(X5，y5)，精矿品位值在y1∈[51.5，52.5]标识低，y2∈(52.5，53.5]标识偏低，y3∈(53.5，54.5]标识中，y4∈(54.5，55.5]标识偏高，y5∈(55.5，56.5]标识高。
S5：对5个子样本空间分别做时间差分，组成差分序列(ΔX1，Δy1)，(ΔX2，Δy2)，(ΔX3，Δy3)，(ΔX4，Δy4)，(ΔX5，Δy5)，具体步骤如下：
对5个子样本序列分别做时间差分，组成差分序列，具体如下：
得到
分别为锌快粗泡沫图像特征数据以及对应的精矿品位数据的一阶时间差分量，组成(ΔX，Δy)时间差分序列空间。
然后，可建立输入输出差分量之间的回归模型：
Δy(t)＝f(ΔX(t)) (8)训练和回归模型之后，当输入一组新的样本X(tnew)，其输入的时间差分量为：
ΔX(tnew)＝X(tnew)-X(tnew-1) (9)从而，其输出的一阶差分量可以通过训练好的的回归模型预测：
y(tnew)＝Δy(tnew)+y(tnew-1) (10)
S6：将5个时间差分序列空间(ΔX1，Δy1)，(ΔX2，Δy2)，(ΔX3，Δy3)，(ΔX4，Δy4)，(ΔX5，Δy5)数据作为训练数据共同训练LSSVM，建立图像特征与精矿品位之间的关系，其具体步骤有：
(1)对于训练数据(ΔX，Δy)∈RL×R，L为关键特征样本空间维数，选择非线性映射
将训练样本映射到高维线性空间；
ω是权值系数，ωTω控制着模型的推广能力，pbias为偏差量，f(x)为估计函数。
(2)根据结构化风险最小原则，建立二次规划求解问题：
式中，J(ω，ε)为结构风险，ξ为惩罚系数，εu为允许误差。
(3)定义拉格朗日函数：
其中，αu∈R为拉格朗日乘子；
(4)根据KKT优化条件可得：
式中，y＝[y1，y2，...，yN]T，IN＝[1，1，...，1]T，θv′u′＝K(Xv′，Xu)，K(Xv′，Xu′)选用高斯径向核函数，a为向量参数，ξ是可调参数，根据Mercer条件
其中
(5)得到最小二乘支持向量机的输出：
pbias为偏置，采用了高斯径向基核函数[RFB]作为LSSVM的核函数，此时有惩罚系数ξ和核函数宽度σ这2个参数需要确定。研究表明惩罚系数ξ越大，对经验误差的惩罚就越大，模型的回归误差就越小，但ξ过大会导致模型的过学习，过小又会导致欠学习。核函数宽度σ也影响模型的性能。因此，合适的ξ和σ是获得高性能LSSVM模型的关键。使用菌群算法(BF0)对LSSVM的2个参数进行优化，得到最优化的预测模型，并输出预测的品位值。
S7：使用改进菌群算法对LSSVM的2个参数进行优化，得到最优化的预测模型，并输出预测的品位值。
具体实施步骤如下：
S71：设定RMSE为评价函数：
yu为精矿品位化验值，
为预测模型输出的精矿品位估计值，n为验证样本数。
S72：根据算法调试经验，初始化参数S＝20，Nc＝20，Ns＝4，Nre＝4，Ned＝2，Ped＝0.1，p＝2。S为细菌规模，Nc为趋向次数，Ns为游动次数，Nre为繁殖次数，Ned为迁徙次数，Ped为基本迁徙概率，p为搜索维度；
S73：趋向循环：
1)细菌数i＝1，...，S；
2)Jlast＝J(i，j，k，l)，Jlast用于存储细菌迭代过程中最好的适应值；
3)趋向行为更新细菌位置θ：
j表示趋向次数，k表示繁殖次数，l表示迁徙次数，θi(j+1，k，l)表示细菌更新后的位置；
其中C(i)＝C(i)·V，用于步长更新；
定义灵敏度：
定义能量因子表达式为：
C(i)为细菌移动步长；
Nj：表示细菌进行趋向性行为当前的次数；
Δ表示随机方向上的一个单位向量，
4)第i个细菌适应度表达式：
J(i，j+1，k，l)＝J(i，j，k，l)+Jcc(θi(j+1，k，l)，P(j+1，k，l)) (20)
Jcc(θi(j+1，k，l)，P(j+1，k，l))细菌间聚集行为，可通过公式(9)计算：
其中，dattractant为引力的深度，wattractant为引力的宽度，hrepellant为斥力的高度，wrepellant为斥力的宽度，
为细菌i的第m维分量，θm为整个菌群中其他细菌的第m维分量，设置dattractant＝0.1，wattractant＝0.2，hrepellant＝0.1，wrepellant＝0.2；
P(j+1，k，l)＝{θi(j，k，l)，i＝1，2...，S} (22)
5)游动：
i)初始化游动次数ms＝0，
ii)若ms≤Ns
计算J(i，j+1，k，l)＝J(i，j，k，l)+Jcc(θi(j+1，k，l)，P(j+1，k，l))；
若J(i，j+1，k，l)＞Jlast，执行Jlast＝J(i，j+1，k，l)，否则Jlast保持不变；
ms＝ms+1；
6)若i＜S，i＝i+1，返回2)步，计算下一个细菌的适应值；
S74：复制循环：
S75：若k＜Nre，执行k＝k+1，返回S73；
S76：迁徙循环：
菌群经过若干代复制操作后，每个细菌以概率Ped被重新随机分布到寻优空间中，若l＜Ned，执行l＝l+1，返回S73；若l＞Ned，则结束寻优，寻得最优参数(ξ，σ)。
S8：通过泡沫图像采集处理系统获取实时数据输入到建立的预测模型，实现浮选过程精矿品位的在线预测。
Claims (4)
1.一种锌浮选过程精矿品位预测方法，其特征在于包括如下步骤：
S1：通过浮选过程图像采集处理系统采集锌快粗泡沫图像特征数据以及对应的精矿品位数据，组成样本数据；
S2：对采集到的锌快粗泡沫图像特征数据以及对应的精矿品位数据进行数据预处理，剔除不合理数据和有缺失项数据，得到预处理后的样本数据；
S3：通过核主成分分析法对特征进行相关性分析，取贡献率CRn＞85％的特征作为关键泡沫特征；
S4：将提取到的关键特征X，对应的精矿品位数据y，组合成(X，y)样本空间，并根据精矿品位y的大小划分5个不同精矿品位区间，并与对应的特征数据组成5个子样本空间(X1，y1)，(X2，y2)，(X3，y3)，(X4，y4)，(X5，y5)；
S5：对5个子样本空间分别做时间分差分，组成时间差分序列空间(ΔX1，Δy1)，(ΔX2，Δy2)，(ΔX3，Δy3)，(ΔX4，Δy4)，(ΔX5，Δy5)，用K表示子样本空间序号，组成时间差分序列空间，具体如下：
得到
分别为锌快粗泡沫图像特征数据以及对应的精矿品位数据的一阶时间差分量，组成(ΔX，Δy)时间差分序列空间；其中M表示特征数，N表示样本数，
是第K个子样本空间的第v维输入列向量；
再建立输入输出差分量之间的回归模型：
Δy(t)＝f(ΔX(t)) (2)
当输入一组新的样本X(tnew)，其输入的时间差分量为：
ΔX(tnew)＝X(tnew)-X(tnew-1) (3)
从而，输出y(tnew)为：
y(tnew)＝Δy(tnew)+y(tnew-1) (4)
式中X(tnew-1)为前一次样本输入，y(tnew-1)为前一次输出；
S6：将5个时间差分序列空间(ΔX1，Δy1)，(ΔX2，Δy2)，(ΔX3，Δy3)，(ΔX4，Δy4)，(ΔX5，Δy5)数据作为训练数据共同训练LSSVM；
S7：使用改进菌群算法优化LSSVM的惩罚因子ξ以及核宽度σ两个参数；得到最优化的预测模型，并输出预测的品位值，具体步骤如下：
S71：设定RMSE为评价函数：
yu为精矿品位化验值，
为预测模型输出的精矿品位估计值，n为验证样本数；
S72：初始化参数S，Nc，Ns，Nre，Ned，Ped，p，S为细菌规模，Nc为趋向次数，Ns为游动次数，Nre为繁殖次数，Ned为迁徙次数，Ped为基本迁徙概率，p为搜索维度；
S73：趋向循环：
1)细菌数i＝1，...，S；
2)Jlast＝J(i，j，k，l)，Jlast用于存储细菌迭代过程中最好的适应值；
3)趋向行为更新细菌位置θ：
j表示趋向次数，k表示繁殖次数，l表示迁徙次数，θi(j+1，k，l)表示细菌趋向发生后更新的位置，θi(j，k，l)表示趋向发生前的位置，Δ表示随机方向上的一个单位向量；
其中C(i)＝C(i)·V，用于步长更新；
定义灵敏度V为：
定义能量因子β为：
C(i)为细菌移动步长；J(i，j-1，k，l)和J(i，j，k，l)分别为趋向前和趋向发生后的适应值；
Nj：表示细菌进行趋向性行为当前的次数；
4)第i个细菌适应度表达式：
J(i，j+1，k，l)＝J(i，j，k，l)+Jcc(θi(j+1，k，l)，P(j+1，k，l)) (8)
Jcc(θi(j+1，k，l)，P(j+1，k，l))表示细菌间聚集行为，通过公式(9)计算：
其中，dattractant为引力的深度，wattractant为引力的宽度，hrepellant为斥力的高度，wrepellant为斥力的宽度，为细菌i的第m维分量，θm为整个菌群中其他细菌的第m维分量；
P(j，k，l)＝{θi(j，k，l)，i＝1，2，...，S} (10)
5)游动：
i)初始化游动次数ms＝0，
ii)计算J(i，j+1，k，l)＝J(i，j，k，l)+Jcc(θi(j+1，k，l)，P(j+1，k，l))；
若J(i，j+1，k，l)＞Jlast，执行Jlast＝J(i，j+1，k，l)，否则Jlast保持不变；
ms＝ms+1，如果ms≤Ns重复ii)；
6)若i＜S，i＝i+1，返回2)步计算下一个细菌的适应值；i＝S则进入下一步；
S74：复制循环：
S75：若k＜Nre，执行k＝k+1，返回S73；
S76：迁徙循环：
菌群经过若干代复制操作后，每个细菌以概率Ped被重新随机分布到寻优空间中，若l＜Ned，执行l＝l+1，返回S73；若l＞Ned，则结束寻优，寻得最优参数(ξ，σ)；
S8：通过泡沫图像采集处理系统采集实时锌快粗泡沫图像特征数据输入到建立的预测模型，预测得到精矿品位的输出，实现浮选过程精矿品位的在线预测。
2.根据权利要求1所述的锌浮选过程精矿品位预测方法，其特征在于：精矿品位y的大小划分5个不同精矿品位区间，精矿品位值在y1∈[51.5，52.5]标识低，y2∈(52.5，53.5]标识偏低，y3∈(53.5，54.5]标识中，y4∈(54.5，55.5]标识偏高，y5∈(55.5，56.5]标识高。
3.根据权利要求1所述的锌浮选过程精矿品位预测方法，其特征在于：所述的S72初始化参数中，S＝20，Nc＝20，Ns＝4，Nre＝4，Ned＝2，Ped＝0.1，p＝2。
4.根据权利要求1所述的锌浮选过程精矿品位预测方法，其特征在于：所述的S73中，4)所述的dattractant＝0.1，wattractant＝0.2，hrepellant＝0.1，wrepellant＝0.2。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910634271 | 2019-07-13 | ||
| CN2019106342715 | 2019-07-13 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110738271A true CN110738271A (zh) | 2020-01-31 |
| CN110738271B CN110738271B (zh) | 2021-04-30 |
Family
ID=69270815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911005613.3A Active CN110738271B (zh) | 2019-07-13 | 2019-10-22 | 一种锌浮选过程精矿品位预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110738271B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709942A (zh) * | 2020-06-29 | 2020-09-25 | 中南大学 | 一种基于纹理度优化的锌浮选加药量预测控制方法 |
| CN112651579A (zh) * | 2021-01-18 | 2021-04-13 | 矿冶科技集团有限公司 | 基于矿石基因特性的浮选回收率预测方法 |
| CN112861076A (zh) * | 2021-01-05 | 2021-05-28 | 广东省科学院资源综合利用研究所 | 一种基于线性回归模型的铂钯品位的预测方法 |
| CN115049165A (zh) * | 2022-08-15 | 2022-09-13 | 北矿机电科技有限责任公司 | 基于深度学习的浮选精矿品位预测方法、装置及设备 |
| CN116956140A (zh) * | 2023-09-19 | 2023-10-27 | 保定市佳宇软件科技有限公司 | 一种智能分拣过程中参数动态预测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4997550A (en) * | 1989-11-13 | 1991-03-05 | Ecc America Inc. | Method for improved flotation of discoloring impurities from kaolinite |
| US6836559B2 (en) * | 2000-03-09 | 2004-12-28 | The Regents Of The University Of California | Automated video-microscopic imaging and data acquisition system for colloid deposition measurements |
| CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
| CN101315669A (zh) * | 2008-07-15 | 2008-12-03 | 北京石油化工学院 | 一种浮选泡沫图像的处理方法及装置 |
| CN101370592A (zh) * | 2005-12-06 | 2009-02-18 | 斯特拉塔技术有限公司 | 改进的浮选方法 |
| CN109821661A (zh) * | 2019-03-08 | 2019-05-31 | 中南大学 | 一种高硫铅锌矿低碱无硫酸浮选工艺 |
| CN110288591A (zh) * | 2019-07-02 | 2019-09-27 | 中南大学 | 基于改进的自适应多种群遗传算法的锌浮选工况判别方法 |
-
2019
- 2019-10-22 CN CN201911005613.3A patent/CN110738271B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4997550A (en) * | 1989-11-13 | 1991-03-05 | Ecc America Inc. | Method for improved flotation of discoloring impurities from kaolinite |
| US6836559B2 (en) * | 2000-03-09 | 2004-12-28 | The Regents Of The University Of California | Automated video-microscopic imaging and data acquisition system for colloid deposition measurements |
| CN101370592A (zh) * | 2005-12-06 | 2009-02-18 | 斯特拉塔技术有限公司 | 改进的浮选方法 |
| CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
| CN101315669A (zh) * | 2008-07-15 | 2008-12-03 | 北京石油化工学院 | 一种浮选泡沫图像的处理方法及装置 |
| CN109821661A (zh) * | 2019-03-08 | 2019-05-31 | 中南大学 | 一种高硫铅锌矿低碱无硫酸浮选工艺 |
| CN110288591A (zh) * | 2019-07-02 | 2019-09-27 | 中南大学 | 基于改进的自适应多种群遗传算法的锌浮选工况判别方法 |
Non-Patent Citations (2)
| Title |
|---|
| XUE MIN MU 等: "Machine vision based flotation froth mobility analysis", 《PROCEEDINGS OF THE 29TH CHINESE CONTROL CONFERENCE》 * |
| 陈青 等: "基于图像空间结构统计分布的浮选泡沫状态识别", 《化工学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709942A (zh) * | 2020-06-29 | 2020-09-25 | 中南大学 | 一种基于纹理度优化的锌浮选加药量预测控制方法 |
| CN111709942B (zh) * | 2020-06-29 | 2022-04-12 | 中南大学 | 一种基于纹理度优化的锌浮选加药量预测控制方法 |
| CN112861076A (zh) * | 2021-01-05 | 2021-05-28 | 广东省科学院资源综合利用研究所 | 一种基于线性回归模型的铂钯品位的预测方法 |
| CN112861076B (zh) * | 2021-01-05 | 2023-12-26 | 广东省科学院资源综合利用研究所 | 一种基于线性回归模型的铂钯品位的预测方法 |
| CN112651579A (zh) * | 2021-01-18 | 2021-04-13 | 矿冶科技集团有限公司 | 基于矿石基因特性的浮选回收率预测方法 |
| CN112651579B (zh) * | 2021-01-18 | 2023-09-29 | 矿冶科技集团有限公司 | 基于矿石基因特性的浮选回收率预测方法 |
| CN115049165A (zh) * | 2022-08-15 | 2022-09-13 | 北矿机电科技有限责任公司 | 基于深度学习的浮选精矿品位预测方法、装置及设备 |
| CN115049165B (zh) * | 2022-08-15 | 2022-11-22 | 北矿机电科技有限责任公司 | 基于深度学习的浮选精矿品位预测方法、装置及设备 |
| CN116956140A (zh) * | 2023-09-19 | 2023-10-27 | 保定市佳宇软件科技有限公司 | 一种智能分拣过程中参数动态预测方法及系统 |
| CN116956140B (zh) * | 2023-09-19 | 2023-12-08 | 保定市佳宇软件科技有限公司 | 一种智能分拣过程中参数动态预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110738271B (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738271B (zh) | 一种锌浮选过程精矿品位预测方法 | |
| CN110728329B (zh) | 一种基于反馈补偿机制优化的锌浮选过程精矿品位预测方法 | |
| CN105488536B (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
| CN103544499B (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
| CN108647583A (zh) | 一种基于多目标学习的人脸识别算法训练方法 | |
| CN108537102A (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
| CN108732931B (zh) | 一种基于jit-rvm的多模态间歇过程建模方法 | |
| CN105260738A (zh) | 基于主动学习的高分辨率遥感影像变化检测方法及系统 | |
| CN105260805B (zh) | 一种基于异构分类器选择性融合的锑矿品位软测量方法 | |
| CN104751475B (zh) | 一种面向静态图像对象识别的特征点优选匹配方法 | |
| CN110119747A (zh) | 一种基于x射线图像的煤矸识别方法 | |
| CN106202999B (zh) | 基于不同尺度tuple词频的微生物高通量测序数据分析协议 | |
| Zhang et al. | Convolutional memory network-based flotation performance monitoring | |
| CN108985161B (zh) | 一种基于拉普拉斯正则化的低秩稀疏表征图像特征学习方法 | |
| Lee et al. | Maximum causal tsallis entropy imitation learning | |
| CN113033547A (zh) | 一种基于MobileNetV2的焊接状态分类方法 | |
| CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
| Nakhaei et al. | Recovery and grade prediction of pilot plant flotation column concentrate by a hybrid neural genetic algorithm | |
| CN106650773A (zh) | 一种基于SVM‑AdaBoost算法的行人检测方法 | |
| CN107392233A (zh) | 基于解析型字典学习的多模态模式分类方法 | |
| CN113468794A (zh) | 一种小型密闭空间温湿度预测及反向优化方法 | |
| Xue et al. | Automatic identification of butterfly species based on gray-level co-occurrence matrix features of image block | |
| CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
| CN114627333A (zh) | 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统 | |
| CN114357878A (zh) | 一种水陆两栖飞机典型截面的着水面载荷预测方法 |
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 |