CN113591653A - 一种基于宽度学习系统的增量式锌浮选工况判别方法 - Google Patents
一种基于宽度学习系统的增量式锌浮选工况判别方法 Download PDFInfo
- Publication number
- CN113591653A CN113591653A CN202110833448.1A CN202110833448A CN113591653A CN 113591653 A CN113591653 A CN 113591653A CN 202110833448 A CN202110833448 A CN 202110833448A CN 113591653 A CN113591653 A CN 113591653A
- Authority
- CN
- China
- Prior art keywords
- nodes
- node
- feature
- working condition
- model
- 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.)
- Pending
Links
- 238000005188 flotation Methods 0.000 title claims abstract description 28
- 239000011701 zinc Substances 0.000 title claims abstract description 22
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 title claims abstract description 19
- 229910052725 zinc Inorganic materials 0.000 title claims abstract description 19
- 238000012850 discrimination method Methods 0.000 title claims description 3
- 239000006260 foam Substances 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 16
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 13
- 239000011707 mineral Substances 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 18
- 239000002131 composite material Substances 0.000 claims description 18
- 238000000926 separation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 229910052745 lead Inorganic materials 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 2
- 238000004904 shortening Methods 0.000 abstract 1
- 238000009291 froth flotation Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 210000003462 vein Anatomy 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于宽度学习系统的增量式锌浮选工况判别方法,包括以下步骤:首先提取泡沫图像特征,引入粗选槽入矿品位特征,针对两种特征采样频率不一致问题,采用最小二乘法拟合入矿品位使二者协调,解决了评价指标单一问题;然后将提取到的图像特征和入矿品位特征输入宽度学习系统构建基础模型;设置工况识别准确度阈值,当生产条件发生变化,识别准确度低于阈值时,向模型中加入新样本,根据有无新工况产生分别采用增加特征节点、增强节点数目和增加特征节点、增强节点、输出节点数目两种方式对模型进行更新,直到准确度大于阈值,采用增量学习方式无需从头训练全部数据,只对新增加的样本进行训练,缩短训练时间、节省计算资源。
Description
技术领域
本发明涉及泡沫浮选技术领域,特别是涉及一种基于宽度学习系统的增量式锌浮选工况判别方法
背景技术
泡沫浮选是有色金属、煤炭和石化行业广泛采用的一种选矿技术,该技术利用矿物的亲疏水性差异,有效地将目标矿物从无用的脉矿石中分离出来。具体过程为将原矿送入球磨机研磨为大小合适的颗粒,将矿物颗粒送入浮选槽中,在浮选槽中加入相应的浮选药剂,从底部通入空气并不断搅拌,使目标矿物颗粒附着在泡沫表面通过刮板刮出,无用矿物沉入矿浆待进一步处理。
最早采用人工巡检、人工操作的方式,然而人工观察存在很强的主观性和随意性,无法准确地辨别工况;随后将机器视觉引入到浮选现场,能对浮选工况进行客观描述,推进了浮选工艺向生产自动化发展。但目前采用机器视觉进行工况识别的方法,将图像的各种动态和静态特征作为输入而未将粗选槽的入矿品位纳入考虑,仅通过图像特征识别无法全面反映浮选槽运行状态以及识别泡沫浮选工况,需要添加更多指标进行全面的评价。
工业现场的运行状态并不是一成不变的,受到非常多因素的影响,例如由于矿源不同造成的原矿变化、设备运行状态变化造成的磨矿细粒度变化等都会导致浮选状态发生改变,导致以下两种情况出现:一种是工况种类不发生变化但与每种工况相对应的图像特征和入矿品位特征发生改变;另一种是出现新的工况,伴随新的工况出现新的图像特征和入矿品位特征。原模型中的参数和结构无法适应新的运行状态,造成准确率下降,无法满足现场工况识别要求。此时需要对模型结构和参数进行修改,若采用传统方法,将新获得数据和原有数据合并后共同输入模型进行重新训练会耗费大量的运算资源和时间,因此有必要采取一种无需从头训练的方法解决上述问题。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于宽度学习系统的增量式锌浮选工况判别方法。首先引入粗选槽入矿品位,针对仅采用粗选槽图像数据造成对浮选工况识别评价片面的问题;然后采用宽度学习系统进行增量学习,针对工业现场运行状态发生变化时,模型识别准确率降低无法适应新的浮选状态的问题。
本发明所采用的技术方案具体步骤如下:
S1.提取粗选槽泡沫图像特征和入矿品位特征
A.提取粗选槽泡沫图像动、静态特征,包括纹理特征、尺寸特征、泡沫颜色特征、泡沫流速和泡沫破碎率:采用GLCM算法提取对比度、熵、能量和同质性作为泡沫纹理特征,得到具体的数据集为Co=[Co1,Co2,Co3...Con]、Er=[Er1,Er2,Er3...Ern]、En=[En1,En2,En3...Enn]、Ho=[Ho1,Ho2,Ho3...Hon];采用基于标记的分水岭算法对图像进行分割提取均值、方差作为尺寸特征,得到的具体数据集为Sm=[Sm1,Sm2,Sm3...Smn]、Sv=[Sv1,Sv2,Sv3...Svn];采用HSV颜色通道提取泡沫颜色特征,得到的具体数据集为Cl=[Cl1,CL2,Cl3...Cln];通过特征点匹配算法计算泡沫流速的均值、方差和泡沫破碎率的均值、方差,得到的具体数据集为Vm=[Vm1,Vm2,Vm3...Vmn]、Vv=[Vv1,Vv2,Vv3...Vvn]、Bm=[Bm1,Bm2,Bm3...Bmn]、Bv=[Bv1,Bv2,Bv3...Bvn];
B.通过荧光分析仪获得粗选槽入矿品位,包括锌、铅品位,粗选槽的入矿品位每20分钟由荧光分析仪采集一次,而泡沫图像每5分钟由摄像头采集一次,二者的采样频率不同造成无法完全匹配,采用最小二乘拟合算法对粗选槽入矿的锌、铅品位数据进行拟合,使每次采集的泡沫图像都有与之相对应的入矿品位数据,得到的具体数据集为Zn=[Znl,Zn2,Zn3...Znn]、Pb=[Pb1,Pb2,Pb3,...,Pbn];
C.将11个粗选槽泡沫图像特征向量和2个入矿品位向量组合在一起共同组成粗选槽的复合特征向量数据集X=[Co,Er,En,Ho,Sm,Sv,Cl,Vm,Vv,Bm,Bv,Zn,Pb];
S2.构建宽度学习系统预测模型进行粗选槽的工况识别
将经过上述过程得到的粗选槽复合特征向量数据集作为宽度学习系统的输入,根据荧光分析仪和专家经验为粗选槽浮选状态划分C类工况,数据集X对应的标签集记为Y;粗选槽复合特征向量和粗选槽浮选工况组成的训练样本数据集为{(Xi,Yi),i=1,2,3...,n},Xi为第i个样本的粗选槽复合特征向量,Yi为第i个样本的工况。宽度学习系统由三部分组成,分别是特征节点层、增强节点层和输出层,特征节点层记为Zm,特征层的特征节点记为Zj,j=1,2,3...m,增强节点层记为Ho,增强层的增强节点记为Hk,k=1,2,3...o;
特征节点的计算公式如下:
Zj=φ(XWzj+βzj),j=1,2,3...,m
其中Wzj和βzj分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵,φ是特征节点的激活函数,选择rule激活函数,根据上式生成的所有特征节点为:
Zm=[Z1,Z2,Z3...Zm]
增强节点的计算公式如下:
Hk=ξ(ZmWhk+βhk),k=1,2,3...o
其中Whk和βhk是随机初始化生成的增强节点权值矩阵和偏置矩阵,生成的所有增强节点为:
Ho=[H1,H2,H3,...,HO]
特征节点和增强节点共同连接到输出层,输出层的表达式为Y=[Zm|Ho]Wl
其中Ar=[Zm|Ho],Wl是特征节点与增强节点合并后与输出层间连接的权值矩阵,通过求解岭回归模型的伪逆获得:
其中,λ是岭回归中趋于0的一个非负数,I是单位矩阵;
S3.工业现场运行状态发生变化时,模型预测不准确,需要对模型的结构和参数进行调整,分为以下两种情况:
A.未增加新的工况,只增加新的样本。仍是C种运行工况,但每种工况相对应的粗选槽复合特征向量会发生改变,原模型中的参数和结构无法识别出新增加的特征向量对应何种工况,造成识别准确率下降,无法满足现场工况识别要求;此时若将新的样本集与原数据集合并后,重新将整个网络从头训练会耗费大量的时间和计算资源;需要采用一种方式只训练新加入的样本集,则在保证识别准确率的前提下大大缩短训练时间、节省训练资源,对宽度学习系统进行增量学习,将目前模型无法识别归类的粗选槽复合特征向量数据集根据荧光分析仪数据和专家经验打上标签,作为新的样本集对模型进行训练,设新增加的特征向量数据集为Xa,与之对应的标签为Ya;对新输入的样本,通过增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层,再共同连接到输出层,具体过程如下:Aa=[φ(XaWza1+βza1),...,φ(XaWzap+βzap)|ξ(ZamWha1+βha1),...,ξ(ZamWhaq+βhaq)]
Zam=[φ(XaWza1+βza1),...,φ(XaWzap+βzap)]
其中Wzap和βzap分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵,φ和ξ分别是特征节点和增强节点的激活函数,选择tanh激活函数,Zam是新生成的特征节点层,Whaq和βhaq是随机初始化生成的增强节点权值矩阵和偏置矩阵。将原特征节点、增强节点与新特征节点、增强节点合并生成新模型的特征节点与增强节点的集合并将其连接到输出层,A的伪逆由下式计算得到:
其中B和D由以下公式计算得到:
增量学习后与输出层连接的权重Wla由以下公式计算得到:
当模型无法满足目前的工况识别要求时进行增量学习,设置工况识别准确度阈值;判断当模型识别准确度是否大于准确度阈值,若否,则根据新加入的样本不断增加特征节点和增强节点的数量,直到模型识别准确度大于准确度阈值;
B.增加新的工况种类,同时增加新工况下的新样本;设新增加工况对应的特征向量数据集为Xb,与之对应的标签为Yb;向模型输入新增加工况种类下的新样本后,增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层,再共同连接到经过扩展的输出层,具体过程如下:
将原样本数量设定为N,原样本的工况种类数为C,新增加的工况种类数量为Cen,原有的标签变为Yen=[Y|Φ],其中Φ是一个零矩阵,其维度为N×Cen;
只增加工况种类不增加样本后与输出层连接的权重Wle由以下公式计算得到:
随后计算同时增加新的工况种类和新的样本时,模型结构和参数的变化:
Ab=[φ(XbWzb1+βzb1),...,φ(XbWzbp+βzbp)|ξ(ZbmWhb1+βhb1),...,ξ(ZbmWhbq+βhbq)]
Zbm=[φ(XbWzb1+βzb1),...,φ(XbWzbp+βzbp)]
其中Wzbp和βzbp分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵,φ和ξ分别是特征节点和增强节点的激活函数,选择tanh激活函数,Zbm是新生成的特征节点层,Whbq和βhbq是随机初始化生成的增强节点权值矩阵和偏置矩阵;
其中B和D由以下公式计算得到:
加入新的样本后特征节点层和增强节点层与输出连接的权重Wlen由以下公式计算得到:
判断当模型识别准确度是否大于准确度阈值,若否,则根据新加入的样本不断增加特征节点和增强节点的数量,直到模型识别准确度大于准确度阈值。
与现有技术相比,本发明的有益效果是:引入粗选槽入矿品位作为特征,解决了仅采用粗选槽图像特征造成对浮选工况识别评价片面的问题,提高了识别的准确性;采用最小二乘法拟合粗选槽入矿品位,解决了粗选槽入矿品位数据和图像数据采样频率不同的问题;在工业现场运行状态发生变化,模型识别准确度降低无法适应新的浮选状态时,采用宽度学习系统进行增量学习,解决了工况种类不变样本数量增加、工况种类和样本数量共同增加两种情况出现时,传统方法需要重新从头开始训练的问题,大大缩短训练时间、节省训练资源,同时能够保持较高的识别准确度,为后续的加药操作提供可靠指导。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明进一步说明。
S1.提取粗选槽泡沫图像特征和入矿品位特征
A.提取粗选槽泡沫图像动、静态特征,包括纹理特征、尺寸特征、泡沫颜色特征、泡沫流速和泡沫破碎率:采用GLCM算法提取对比度、熵、能量和同质性作为泡沫纹理特征,得到具体的数据集为Co=[Co1,Co2,Co3...Con]、Er=[Er1,Er2,Er3...Ern]、En=[En1,Eh2,En3...Enn]、Ho=[Ho1,Ho2,Ho3...Hon];采用基于标记的分水岭算法对图像进行分割提取均值、方差作为尺寸特征,得到的具体数据集为Sm=[Sm1,Sm2,Sm3...Smn]、Sv=[Sv1,Sv2,Sv3...Svn];采用HSV颜色通道提取泡沫颜色特征,得到的具体数据集为Cl=[Cl1,CL2,Cl3...Cln];通过特征点匹配算法计算泡沫流速的均值、方差和泡沫破碎率的均值、方差,得到的具体数据集为Vm=[Vm1,Vm2,Vm3...Vmn]、Vv=[Vv1,Vv2,Vv3...Vvn]、Bm=[Bm1,Bm2,Bm3...Bmn]、Bv=[Bv1,Bv2,Bv3...Bvn];
B.通过荧光分析仪获得粗选槽入矿品位,包括锌、铅品位,粗选槽的入矿品位每20分钟由荧光分析仪采集一次,而泡沫图像每5分钟由摄像头采集一次,二者的采样频率不同造成无法完全匹配,采用最小二乘拟合算法对粗选槽入矿的锌、铅品位数据进行拟合,使每次采集的泡沫图像都有与之相对应的入矿品位数据,得到的具体数据集为Zn=[Znl,Zn2,Zn3...Znn]、Pb=[Pb1,Pb2,Pb3,...,Pbn];
C.将11个粗选槽泡沫图像特征向量和2个入矿品位向量组合在一起共同组成粗选槽的复合特征向量数据集X=[Co,Er,En,Ho,Sm,Sv,Cl,Vm,Vv,Bm,Bv,Zn,Pb];
S2.构建宽度学习系统预测模型进行粗选槽的工况识别以指导加药工作。
将经过上述过程得到的粗选槽复合特征向量数据集X中的13个特征向量作为宽度学习系统的输入,根据荧光分析仪和专家经验为粗选槽浮选状态划分4类工况,对应的精选槽品位值为[51.5,52.5],[52.5,53.5],[53.5,54.5],[54.5,55.5],宽度学习系统的输出为四类工况,数据集X对应的标签集记为Y。粗选槽复合特征向量和粗选槽浮选工况组成的训练样本数据集为{(Xi,Yi),i=1,2,3...,n},Xi为第i个样本的粗选槽复合特征向量,Yi为第i个样本的工况。宽度学习系统由三部分组成,分别是特征节点层、增强节点层和输出层,特征节点层记为Zm,特征层的特征节点记为Zj,j=1,2,3...m,增强节点层记为Ho,增强层的增强节点记为Hk,k=1,2,3...o;
特征节点的计算公式如下:
Zj=φ(XWzj+βzj),j=1,2,3...,m
其中Wzj和βzj分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵,φ是特征节点的激活函数,选择rule激活函数,根据上式生成的所有特征节点为:
Zm=[Z1,Z2,Z3...Zm]
增强节点的计算公式如下:
Hk=ξ(ZmWhk+βhk),k=1,2,3...o
其中Whk和βhk是随机初始化生成的增强节点权值矩阵和偏置矩阵,生成的所有增强节点为:
Ho=[H1,H2,H3,...,HO]
特征节点和增强节点共同连接到输出层,输出层的表达式为Y=[Zm|Ho]Wl
其中Ar=[Zm|Ho],Wl是特征节点与增强节点合并后与输出层间连接的权值矩阵,通过求解岭回归模型的伪逆获得:
其中,λ是岭回归中趋于0的一个非负数,I是单位矩阵;
S3.工业现场运行状态发生变化时,模型预测不准确,需要对模型的结构和参数进行调整,分为以下两种情况:
A.未增加新的工况,只增加新的样本。仍是C种运行工况,但每种工况相对应的粗选槽复合特征向量会发生改变,原模型中的参数和结构无法识别出新增加的特征向量对应何种工况,造成识别准确率下降,无法满足现场工况识别要求;此时若将新的样本集与原数据集合并后,重新将整个网络从头训练会耗费大量的时间和计算资源;需要采用一种方式只训练新加入的样本集,则在保证识别准确率的前提下大大缩短训练时间、节省训练资源,对宽度学习系统进行增量学习,将目前模型无法识别归类的粗选槽复合特征向量数据集根据荧光分析仪数据和专家经验打上标签,作为新的样本集对模型进行训练,设新增加的特征向量数据集为Xa,与之对应的标签为Ya;对新输入的样本,通过增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层,再共同连接到输出层,具体过程如下:Aa=[φ(XaWza1+βza1),...,φ(XaWzap+βzap)|ξ(ZamWha1+βha1),...,ξ(ZamWhaq+βhaq)]
Zam=[φ(XaWza1+βza1),...,φ(XaWzap+βzap)]
其中Wzap和βzap分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵,φ和ξ分别是特征节点和增强节点的激活函数,选择tanh激活函数,Zam是新生成的特征节点层,Whaq和βhaq是随机初始化生成的增强节点权值矩阵和偏置矩阵。将原特征节点、增强节点与新特征节点、增强节点合并生成新模型的特征节点与增强节点的集合并将其连接到输出层,A的伪逆由下式计算得到:
其中B和D由以下公式计算得到:
增量学习后与输出层连接的权重Wla由以下公式计算得到:
当模型无法满足目前的工况识别要求时进行增量学习,设置工况识别准确度阈值;判断当模型识别准确度是否大于准确度阈值,若否,则根据新加入的样本不断增加特征节点和增强节点的数量,直到模型识别准确度大于准确度阈值;
B.增加新的工况种类,同时增加新工况下的新样本;设新增加工况对应的特征向量数据集为Xb,与之对应的标签为Yb;向模型输入新增加工况种类下的新样本后,增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层,再共同连接到经过扩展的输出层,具体过程如下:
将原样本数量设定为N,原样本的工况种类数为C,新增加的工况种类数量为Cen,原有的标签变为Yen=[Y|Φ],其中Φ是一个零矩阵,其维度为N×Cen;
只增加工况种类不增加样本后与输出层连接的权重Wle由以下公式计算得到:
随后计算同时增加新的工况种类和新的样本时,模型结构和参数的变化:
Ab=[φ(XbWzb1+βzb1),...,φ(XbWzbp+βzbp)|ξ(ZbmWhb1+βhb1),...,ξ(ZbmWhbq+βhbq)]
Zbm=[φ(XbWzb1+βzb1),...,φ(XbWzbp+βzbp)]
其中Wzbp和βzbp分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵,φ和ξ分别是特征节点和增强节点的激活函数,选择tanh激活函数,Zbm是新生成的特征节点层,Whbq和βhbq是随机初始化生成的增强节点权值矩阵和偏置矩阵;
其中B和D由以下公式计算得到:
加入新的样本后特征节点层和增强节点层与输出连接的权重Wlen由以下公式计算得到:
判断当模型识别准确度是否大于准确度阈值,若否,则根据新加入的样本不断增加特征节点和增强节点的数量,直到模型识别准确度大于准确度阈值。
增量式的宽度学习在泡沫浮选数据集上的具体识别准确度和时间如下表所示:
表1增加新样本
表2增加新工况种类
对比上表中的数据可知,使用增量式的宽度学习能够缩短模型训练所消耗的时间,并同时保证较高的识别准确率。
Claims (4)
1.一种基于宽度学习系统的增量式锌浮选工况判别方法,其特征在于包括以下步骤:
步骤一:提取粗选槽泡沫图像动、静态特征,包括泡沫纹理特征、尺寸特征、泡沫颜色特征、泡沫流速和泡沫破碎率,以及粗选槽入矿品位特征,包括锌、铅品位,针对采样频率不一致问题,采用最小二乘法拟合入矿品位使其与图像特征相匹配;
步骤二:采用宽度学习系统构建工况识别模型,利用提取到的泡沫图像特征和入矿品位特征输入宽度学习系统生成特征节点和增强节点,将特征节点和增强节点拼接结合并连接到输出层,构建基础模型,进行工况识别;
步骤三:设置工况识别准确度阈值,当生产条件发生变化导致模型无法适应新的运行状态,识别准确度下降低于阈值时采用增量学习;增量学习分为两种情况,当没有新工况产生时采用增加特征节点、增强节点数目的方式对模型进行更新,当有新工况产生时通过增加特征节点、增强节点和输出节点数目的方式对模型进行更新,当前工况识别准确度大于等于设定阈值时停止增量学习。
2.根据权利要求1所述的一种基于宽度学习系统的增量式锌浮选工况判别方法,其特征在于,步骤一中:
A.提取粗选槽泡沫图像动、静态特征,包括纹理特征、尺寸特征、泡沫颜色特征、泡沫流速和泡沫破碎率:采用GLCM算法提取对比度、熵、能量和同质性作为泡沫纹理特征,得到具体的数据集为Co=[Co1,Co2,Co3...Con]、Er=[Er1,Er2,Er3...Ern]、En=[En1,En2,En3...Enn]、Ho=[Ho1,Ho2,Ho3...Hon];采用基于标记的分水岭算法对图像进行分割提取均值、方差作为尺寸特征,得到的具体数据集为Sm=[Sm1,Sm2,Sm3...Smn]、Sv=[Sv1,Sv2,Sv3...Svn];采用HSV颜色通道提取泡沫颜色特征,得到的具体数据集为Cl=[Cl1,CL2,Cl3...Cln];通过特征点匹配算法计算泡沫流速的均值、方差和泡沫破碎率的均值、方差,得到的具体数据集为Vm=[Vm1,Vm2,Vm3...Vmn]、Vv=[Vvl,Vv2,Vv3...Vvn]、Bm=[Bm1,Bm2,Bm3...Bmn]、Bv=[Bv1,Bv2,Bv3...Bvn];
B.通过荧光分析仪提取粗选槽入矿品位,包括锌、铅品位,粗选槽的入矿品位每20分钟由荧光分析仪采集一次,而泡沫图像每5分钟由摄像头采集一次,二者的采样频率不同造成无法完全匹配,采用最小二乘拟合算法对入矿的锌、铅品位数据进行拟合,使每次采集的泡沫图像都有与之相对应的入矿品位数据,得到的具体数据集为Zn=[Znl,Zn2,Zn3...Znn]、Pb=[Pb1,Pb2,Pb3,...,Pbn];
C.将11个粗选槽泡沫图像特征向量和2个入矿品位向量组合在一起共同组成粗选槽的复合特征向量数据集X=[Co,Er,En,Ho,Sm,Sv,Cl,Vm,Vv,Bm,Bv,Zn,Pb]。
3.根据权利要求1所述的一种基于宽度学习系统的增量式锌浮选工况判别方法,其特征在于,步骤二过程为:
粗选槽复合特征向量数据集X中的13个特征向量作为宽度学习系统的输入,根据荧光分析仪和专家经验为粗选槽浮选状态划分C类工况,数据集X对应的标签集记为Y;粗选槽复合特征向量和粗选槽浮选工况组成的训练样本数据集为{(Xi,Yi),i=1,2,3...,n},Xi为第i个样本的粗选槽复合特征向量,Yi为第i个样本的工况;宽度学习系统由三部分组成,分别是特征节点层、增强节点层和输出层,特征节点层记为Zm,特征层的特征节点记为Zj,j=1,2,3...m,增强节点层记为Ho,增强层的增强节点记为Hk,k=1,2,3...o;
特征节点的计算公式如下:
Zj=φ(XWzj+βzj),j=1,2,3...,m
其中Wzj和βzj分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵,φ是特征节点的激活函数,选择rule激活函数,根据上式生成的所有特征节点为:
Zm=[Z1,Z2,Z3...Zm]
增强节点由增强映射函数计算得到,公式如下:
Hk=ξ(ZmWhk+βhk),k=1,2,3...o
其中Whk和βhk是随机初始化生成的增强节点权值矩阵和偏置矩阵,生成的所有增强节点为:
Ho=[H1,H2,H3,...,HO]
特征节点和增强节点共同连接到输出层,输出层的表达式为
Y=[Zm|Ho]Wl
其中Ar=[Zm|Ho],Wl是特征节点与增强节点合并后与输出层间连接的权值矩阵,通过求解岭回归模型的伪逆获得:
其中,λ是岭回归中趋于0的一个非负数,I是单位矩阵。
4.根据权利要求1所述的一种基于宽度学习系统的增量式锌浮选工况判别方法,其特征在于,步骤三过程为:
工业现场运行状态发生变化时,模型预测不准确,需要对模型的结构和参数进行调整,分为以下两种情况:
A.未增加新的工况,只增加新的样本;仍是C种运行工况,但每种工况相对应的粗选槽复合特征向量会发生改变,原模型中的参数和结构无法识别出新增加的特征向量对应何种工况,造成识别准确率下降,无法满足现场工况识别要求;此时若将新的样本集与原数据集合并后,重新将整个网络从头训练会耗费大量的时间和计算资源;需要采用一种方式只训练新加入的样本集,则在保证识别准确率的前提下大大缩短训练时间、节省训练资源,对宽度学习系统进行增量学习,将目前模型无法识别归类的粗选槽复合特征向量数据集根据荧光分析仪数据和专家经验打上标签,作为新的样本集对模型进行训练,设新增加的特征向量数据集为Xa,与之对应的标签为Ya;对新输入的样本,通过增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层,再共同连接到输出层,具体过程如下:
Aa=[φ(XaWza1+βza1),...,φ(XaWzap+βzap)|ξ(ZamWha1+βha1),...,ξ(ZamWhaq+βhaq)]
Zam=[φ(XaWza1+βza1),...,φ(XaWzap+βzap)]
其中Wzap和βzap分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵,φ和ξ分别是特征节点和增强节点的激活函数,选择tanh激活函数,Zam是新生成的特征节点层,Whaq和βhaq是随机初始化生成的增强节点权值矩阵和偏置矩阵;将原特征节点、增强节点与新特征节点、增强节点合并生成新模型的特征节点与增强节点的集合并将其连接到输出层,A的伪逆由下式计算得到:
其中B和D由以下公式计算得到:
增量学习后与输出层连接的权重Wla由以下公式计算得到:
当模型无法满足目前的工况识别要求时进行增量学习,设置工况识别准确度阈值;判断当模型识别准确度是否大于准确度阈值,若否,则根据新加入的样本不断增加特征节点和增强节点的数量,直到模型识别准确度大于准确度阈值;
B.增加新的工况种类,同时增加新工况下的新样本;设新增加工况对应的特征向量数据集为Xb,与之对应的标签为Yb;向模型输入新增加工况种类下的新样本后,增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层,再共同连接到经过扩展的输出层,具体过程如下:
将原样本数量设定为N,原样本的工况种类数为C,新增加的工况种类数量为Cen,原有的标签变为Yen=[Y|Φ],其中Φ是一个零矩阵,其维度为N×Cen;
只增加工况种类不增加样本后与输出层连接的权重Wle由以下公式计算得到:
随后计算同时增加新的工况种类和新的样本时,模型结构和参数的变化:
Ab=[φ(XbWzb1+βzb1),...,φ(XbWzbp+βzbp)|ξ(ZbmWhb1+βhb1),...,ξ(ZbmWhbq+βhbq)]
Zbm=[φ(XbWzb1+βzb1),...,φ(XbWzbp+βzbp)]
其中Wzbp和βzbp分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵,φ和ξ分别是特征节点和增强节点的激活函数,选择tanh激活函数,Zbm是新生成的特征节点层,Whbq和βhbq是随机初始化生成的增强节点权值矩阵和偏置矩阵;
其中B和D由以下公式计算得到:
加入新的样本后特征节点层和增强节点层与输出连接的权重Wlen
由以下公式计算得到:
判断当模型识别准确度是否大于准确度阈值,若否,则根据新加入的样本不断增加特征节点和增强节点的数量,直到模型识别准确度大于准确度阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110833448.1A CN113591653A (zh) | 2021-07-22 | 2021-07-22 | 一种基于宽度学习系统的增量式锌浮选工况判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110833448.1A CN113591653A (zh) | 2021-07-22 | 2021-07-22 | 一种基于宽度学习系统的增量式锌浮选工况判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591653A true CN113591653A (zh) | 2021-11-02 |
Family
ID=78249403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110833448.1A Pending CN113591653A (zh) | 2021-07-22 | 2021-07-22 | 一种基于宽度学习系统的增量式锌浮选工况判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591653A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115849519A (zh) * | 2022-12-30 | 2023-03-28 | 浙江致远环境科技股份有限公司 | 一种有机模块化电催化氧化处理装置 |
CN116403078A (zh) * | 2023-06-09 | 2023-07-07 | 深圳市金大智能创新科技有限公司 | 基于机器人的广泛学习的中大规模图像识别集成学习模型 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944274A (zh) * | 2017-12-18 | 2018-04-20 | 华中科技大学 | 一种基于宽度学习的Android平台恶意应用离线检测方法 |
CN108337255A (zh) * | 2018-01-30 | 2018-07-27 | 华中科技大学 | 一种基于web自动化测试和宽度学习的钓鱼网站检测方法 |
CN108537227A (zh) * | 2018-03-21 | 2018-09-14 | 华中科技大学 | 一种基于宽度学习和广角显微图像的商品离线鉴伪方法 |
DE102018121867A1 (de) * | 2018-09-07 | 2020-03-12 | Connaught Electronics Ltd. | Verfahren und Vorrichtung zum Identifizieren einer Vorlage einer Deichsel eines Anhängers |
CN110946576A (zh) * | 2019-12-31 | 2020-04-03 | 西安科技大学 | 一种基于宽度学习的视觉诱发电位识别情绪方法 |
CN111444759A (zh) * | 2020-02-06 | 2020-07-24 | 安信通科技(澳门)有限公司 | 一种基于宽度学习算法的手写体识别方法及系统 |
CN112308159A (zh) * | 2020-11-05 | 2021-02-02 | 湖南科技大学 | 基于预测增量宽度学习的图像识别分类方法 |
-
2021
- 2021-07-22 CN CN202110833448.1A patent/CN113591653A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944274A (zh) * | 2017-12-18 | 2018-04-20 | 华中科技大学 | 一种基于宽度学习的Android平台恶意应用离线检测方法 |
CN108337255A (zh) * | 2018-01-30 | 2018-07-27 | 华中科技大学 | 一种基于web自动化测试和宽度学习的钓鱼网站检测方法 |
CN108537227A (zh) * | 2018-03-21 | 2018-09-14 | 华中科技大学 | 一种基于宽度学习和广角显微图像的商品离线鉴伪方法 |
DE102018121867A1 (de) * | 2018-09-07 | 2020-03-12 | Connaught Electronics Ltd. | Verfahren und Vorrichtung zum Identifizieren einer Vorlage einer Deichsel eines Anhängers |
CN110946576A (zh) * | 2019-12-31 | 2020-04-03 | 西安科技大学 | 一种基于宽度学习的视觉诱发电位识别情绪方法 |
CN111444759A (zh) * | 2020-02-06 | 2020-07-24 | 安信通科技(澳门)有限公司 | 一种基于宽度学习算法的手写体识别方法及系统 |
CN112308159A (zh) * | 2020-11-05 | 2021-02-02 | 湖南科技大学 | 基于预测增量宽度学习的图像识别分类方法 |
Non-Patent Citations (3)
Title |
---|
C ALDRICH等: "online monitoring and control of forth flotation systems with machine vision:a review", INTERNATIONAL JOURNAL OF MINERAL PROCESSING, vol. 96, no. 4, 15 September 2010 (2010-09-15), pages 1 - 13, XP027206989 * |
朱玉斌;延向军;申旭奇;卢兆林;: "基于级联宽度学习的疲劳驾驶检测", 计算机工程与设计, vol. 41, no. 02, 16 February 2020 (2020-02-16), pages 537 - 541 * |
林振烈等: "基于特征融合宽度学习系统的锌浮选过程工况识别", 有色金属(选矿部分), no. 3, 15 May 2023 (2023-05-15), pages 122 - 130 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115849519A (zh) * | 2022-12-30 | 2023-03-28 | 浙江致远环境科技股份有限公司 | 一种有机模块化电催化氧化处理装置 |
CN115849519B (zh) * | 2022-12-30 | 2024-03-22 | 浙江致远环境科技股份有限公司 | 一种有机模块化电催化氧化处理装置 |
CN116403078A (zh) * | 2023-06-09 | 2023-07-07 | 深圳市金大智能创新科技有限公司 | 基于机器人的广泛学习的中大规模图像识别集成学习模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113591653A (zh) | 一种基于宽度学习系统的增量式锌浮选工况判别方法 | |
JP6595555B2 (ja) | 仕分けシステム | |
Perez et al. | Rock lithological classification using multi-scale Gabor features from sub-images, and voting with rock contour information | |
Xu et al. | Complex networks-based texture extraction and classification method for mineral flotation froth images | |
CN108647722B (zh) | 一种基于过程尺寸特征的锌矿品位软测量方法 | |
YANG et al. | Bubble size estimation using interfacial morphological information for mineral flotation process monitoring | |
Zhang et al. | Image processing for the analysis of an evolving broken-ice field in model testing | |
Li et al. | An image recognition approach for coal and gangue used in pick-up robot | |
Zhao et al. | Recognition of flooding and sinking conditions in flotation process using soft measurement of froth surface level and QTA | |
Pérez-Barnuevo et al. | Textural descriptors for multiphasic ore particles | |
Zhou et al. | Clustering-driven watershed adaptive segmentation of bubble image | |
Wang et al. | Sulfur flotation performance recognition based on hierarchical classification of local dynamic and static froth features | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
Nakhaei et al. | A comprehensive review of froth surface monitoring as an aid for grade and recovery prediction of flotation process. Part B: Texture and dynamic features | |
CN108931621A (zh) | 一种基于过程纹理特征的锌矿品位软测量方法 | |
Bendaouia et al. | Hybrid features extraction for the online mineral grades determination in the flotation froth using Deep Learning | |
CN106406257A (zh) | 一种基于案例推理的铁矿浮选精矿品位软测量方法及系统 | |
Yan et al. | Estimation of copper concentrate grade for copper flotation | |
CN110728677B (zh) | 一种基于滑动窗口算法的纹理粗糙度定义方法 | |
CN102313740A (zh) | 太阳能电池板裂痕检测方法 | |
Cai et al. | A comparative study of machine vision-based rail foreign object intrusion detection models | |
Zhao et al. | Image processing based on gray information in sorting system of coal gangue | |
Junior et al. | Monitoring of flank wear and damage on turning cutting tools by image processing | |
CN110728676A (zh) | 一种基于滑动窗口算法的纹理特征度量方法 | |
Budzan et al. | Grain size determination and classification using adaptive image segmentation with shape-context information for indirect mill faults detection |
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 |