CN114861120A - 浮选泡沫品位计算方法、装置、电子设备及介质 - Google Patents

Abstract

本申请实施例提供了一种浮选泡沫品位计算方法、装置、电子设备及介质，属于工艺过程数据协同计算技术领域。为解决目前无法给出具体的浮选泡沫品位数值，无法实现浮选过程智能控制的问题，提出如下方案：获取浮选泡沫标准样本的泡沫品位相关变量；根据泡沫品位表征表达式和现场生产经验数据构建浮选泡沫品位经验模型；根据泡沫品位表征表达式和现场生产经验数据，基于神经网络构建浮选泡沫品位网络模型；将浮选泡沫品位经验模型和浮选泡沫品位网络模型融合，得到最终浮选泡沫品位预测模型；通过最终浮选泡沫品位预测模型计算浮选泡沫品位。这样，通过最终浮选泡沫品位预测模型实现浮选泡沫品位的在线预测，实现浮选过程的智能控制。

Description

浮选泡沫品位计算方法、装置、电子设备及介质

技术领域

本申请涉及工艺过程数据协同计算技术领域，尤其涉及一种浮选泡沫品位计算方法、装置、电子设备及介质。

背景技术

品位是指矿浆中有用元素的质量百分数，是浮选过程中最重要的浮选指标。浮选过程的两个主要产品是精矿和尾矿，生产要求精矿具有较高的品位和产量，尾矿中有用矿物的含量越低越好。但是由于矿石性质和选矿技术的影响，尾矿中的部分有用矿物是没法回收的，所以实时检测浮选精矿和尾矿品位非常重要。

长期以来，浮选现场主要依靠操作人员观察浮选槽表面泡沫颜色、大小等视觉特征对包括品位在内的浮选生产指标进行识别，进而进行药剂添加等操作，保证浮选产品品位正常。现有技术中，通过实时测量的泡沫图像数据结合信息提取技术，并在线进行品位预测，可以避免操作人员观察的主观随意性，同时也能提高状态参数反馈的实时性，有助于提高浮选过程自动控制水平。

现有技术中，在公开号为CN113987847A的中国专利文件中，提出泡沫相对矿化程度（RMD）模型，该模型具有很强的鲁棒性，能够很好的表征浮选泡沫的矿化程度；在浮选工艺流程中，通常原矿品位稳定，浮选泡沫矿化程度较好，浮选泡沫精矿品位较好。矿化程度的好坏可以反映浮选机内作业质量好坏，但是无法给出具体的浮选泡沫品位的数值或者状态，对于实现浮选过程的智能控制仍然存在较大限制。

发明内容

为了解决上述技术问题，本申请实施例提供了一种浮选泡沫品位计算方法、装置、电子设备及介质。

第一方面，本申请实施例提供了一种浮选泡沫品位计算方法，所述方法包括：

获取浮选泡沫标准样本的泡沫品位相关变量，所述泡沫品位相关变量至少包括：泡沫相对矿化程度、泡沫流速矩阵、原矿品位、磨矿产品粒度和泡沫颜色特征矩阵；

根据所述泡沫品位相关变量确定泡沫品位表征表达式；

根据所述泡沫品位表征表达式和现场生产经验数据构建浮选泡沫品位经验模型；

根据所述泡沫品位表征表达式和现场生产经验数据，基于神经网络构建浮选泡沫品位网络模型；

将所述浮选泡沫品位经验模型和所述浮选泡沫品位网络模型融合，得到最终浮选泡沫品位预测模型；

将浮选过程中检测到的泡沫品位相关变量输入所述最终浮选泡沫品位预测模型，通过所述最终浮选泡沫品位预测模型计算浮选泡沫品位。

第二方面，本申请实施例提供了一种浮选泡沫品位计算装置，所述装置包括：

获取模块，用于获取浮选泡沫标准样本的泡沫品位相关变量，所述泡沫品位相关变量至少包括：泡沫相对矿化程度、泡沫流速矩阵、原矿品位、磨矿产品粒度和泡沫颜色特征矩阵；

确定模块，用于根据所述泡沫品位相关变量确定泡沫品位表征表达式；

第一构建模块，用于根据所述泡沫品位表征表达式和现场生产经验数据构建浮选泡沫品位经验模型；

第二构建模块，用于根据所述泡沫品位表征表达式和现场生产经验数据，基于神经网络构建浮选泡沫品位网络模型；

融合模块，用于将所述浮选泡沫品位经验模型和所述浮选泡沫品位网络模型融合，得到最终浮选泡沫品位预测模型；

计算模块，用于将浮选过程中检测到的泡沫品位相关变量输入所述最终浮选泡沫品位预测模型，通过所述最终浮选泡沫品位预测模型计算浮选泡沫品位。

第三方面，本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的浮选泡沫品位计算方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的浮选泡沫品位计算方法。

上述本申请提供的浮选泡沫品位计算方法、装置、电子设备及介质，获取浮选泡沫标准样本的泡沫品位相关变量；根据所述泡沫品位相关变量确定泡沫品位表征表达式；根据所述泡沫品位表征表达式和现场生产经验数据构建浮选泡沫品位经验模型；根据所述泡沫品位表征表达式和现场生产经验数据，基于神经网络构建浮选泡沫品位网络模型；将所述浮选泡沫品位经验模型和所述浮选泡沫品位网络模型融合，得到最终浮选泡沫品位预测模型；将浮选过程中检测到的泡沫品位相关变量输入所述最终浮选泡沫品位预测模型，通过所述最终浮选泡沫品位预测模型计算浮选泡沫品位。这样，基于浮选泡沫矿化程度、泡沫流速矩阵、原矿品位、磨矿产品粒度、泡沫颜色特征矩阵等泡沫品位相关变量构件最终浮选泡沫品位预测模型，通过最终浮选泡沫品位预测模型实现泡沫品位的在线预测，实现浮选过程的智能控制。与广泛流行的机器学习方法相比，具有很强的解释性，且很符合实际生产操作经验，且具有很强的鲁棒性。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对本申请保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。

图1示出了本申请实施例提供的浮选泡沫品位计算方法的一流程示意图；

图2示出了本申请实施例提供的最终浮选泡沫品位预测模型的一测试效果示意图；

图3示出了本申请实施例提供的最终浮选泡沫品位预测模型的一在线投用对比示意图；

图4示出了本申请实施例提供的一在线投用效果示意图；

图5示出了本申请实施例提供的另一在线投用效果示意图；

图6示出了本申请实施例提供的另一在线投用效果示意图；

图7示出了本申请实施例提供的另一在线投用效果示意图；

图8示出了本申请实施例提供的另一在线投用效果示意图；

图9示出了本申请实施例提供的另一在线投用效果示意图；

图10示出了本申请实施例提供的浮选泡沫品位计算装置的一结构示意图。

图标：500-浮选泡沫品位计算装置；501-获取模块；502-确定模块；503-第一构建模块；504-第二构建模块；505-融合模块；506-计算模块。

具体实施方式

下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

在下文中，可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本申请的各种实施例中被清楚地限定。

实施例1

本公开实施例提供了一种浮选泡沫品位计算方法。

具体的，参见图1，浮选泡沫品位计算方法包括：

步骤S101，获取浮选泡沫标准样本的泡沫品位相关变量。

在本实施例中，所述泡沫品位相关变量至少包括：泡沫相对矿化程度、泡沫流速矩阵、原矿品位、磨矿产品粒度和泡沫颜色特征矩阵。

针对浮选泡沫过程开展工艺流程考察，进行生产数据收集及相关数据库建立。分析影响泡沫品位的主要因素，影响泡沫品位因素至少包括原矿性质、磨矿产品质量、泡沫特征参数等。观察浮选泡沫矿化现象，确定泡沫图像分析仪安装位置。安装浮选泡沫图像分析仪，通过浮选泡沫图像分析仪获取浮选泡沫图像及其泡沫特征参数。

针对泡沫浮选过程，建立特征参数历史数据库，该特征参数历史数据库中至少存储以下参数：原矿品位β₀，泡沫精矿品位β₁，磨矿产品粒度m，泡沫尺寸矩阵S，泡沫面积矩阵A，泡沫稳定性矩阵F，泡沫颜色特征矩阵CM，泡沫流速矩阵V等。

在本实施例中，还需计算相对矿化程度，并将相对矿化程度存入特征参数历史数据库中。具体的，计算相对矿化程度的过程包括以下步骤：

通过预先确定的泡沫相对矿化程度模型计算相对矿化程度。

其中，泡沫相对矿化程度模型的构建可以包括以下步骤：

定义泡沫相对矿化程度模型中的矿化程度最低值ε_min，矿化程度最高值ε_max，状态控制限δ_min和δ_max，举例来说，可以分别取值如下：

；

按照公开号为CN113987847A的文件中的步骤，选取标准样，计算泡沫相对矿化程度模型系数，确定泡沫相对矿化程度模型公式；

将泡沫相对矿化程度模型封装进行在线计算，得到实时泡沫相对矿化程度数值，将实时泡沫相对矿化程度数值存入特征参数历史数据库中。

补充说明的是，本实施例仅对泡沫相对矿化程度模型的构建过程进行简要说明，具体详细过程可以参照公开号为CN113987847A的文件中的步骤，为避免重复，在此不做赘述。

请参阅表1，表1为特征参数历史数据库。

表1、特征参数历史数据库。

表1的特征参数历史数据库至少包括原矿品位、矿化程度、原矿粒度、

泡沫颜色、泡沫流速等参数。

在一实施方式中，步骤S101可以包括：

从标准样本库中获取所述浮选泡沫标准样本，从特征参数历史数据库中获取所述浮选泡沫标准样本对应的多个泡沫特征参数，计算各泡沫特征参数与泡沫品位之间的相关系数；

根据所述相关系数从所述多个泡沫特征参数中确定所述泡沫品位相关变量。

在本实施例中，按照浮选工艺矿化程度理论知识，跟踪产生，寻找具有工艺代表性的浮选泡沫作为标准样本库，并记录标准样本库中各浮选泡沫标准样本对应的原矿品位β₀，泡沫精矿品位β₁，磨矿产品粒度m，泡沫尺寸矩阵S，泡沫面积矩阵A，泡沫稳定性矩阵F，泡沫颜色特征矩阵CM等参数。

需要说明的是，浮选过程是复杂的流程工业工程，存在着流程工业过程普遍具有的时滞问题，需要对过程数据进行延时预处理。对采集的过程参数进行相关性分析，确定与泡沫品位相关的主要变量至少包括：泡沫相对矿化程度RMD，泡沫流速矩阵V，原矿品位β₀，磨矿产品粒度m，泡沫颜色特征矩阵CM。

具体的，可以参见表2，表2所示为相关分析结果表。

表2、相关分析结果表。

步骤S102，根据所述泡沫品位相关变量确定泡沫品位表征表达式。

具体的，根据表2所示的相关分析结果，确定泡沫品位相关变量与泡沫品位之间存在相应的映射关系，该映射关系可以用泡沫品位表征表达式进行表示，该泡沫品位表征表达式可以记为：

其中，RMD为泡沫相对矿化程度，V为泡沫流速矩阵，β₀为原矿品位，m为磨矿产品粒度，CM为泡沫颜色特征矩阵，β为泡沫品位预测值。

步骤S103，根据所述泡沫品位表征表达式和现场生产经验数据构建浮选泡沫品位经验模型。

在一实施方式中，步骤S103可以包括：

对所述泡沫品位相关变量进行归一化处理，得到标准泡沫品位相关变量，其中，所述标准泡沫品位相关变量至少包括：标准原矿品位、标准泡沫颜色特征矩阵、标准磨矿产品粒度、标准流速矩阵；

根据所述标准泡沫品位相关变量、所述现场生产经验数据，基于所述泡沫品位表征表达式，确定浮选泡沫品位经验表达式；

根据所述标准样本库和所述特征参数历史数据库分别确定所述标准泡沫颜色特征矩阵对应的颜色系数矩阵、所述标准流速矩阵对应的流速系数矩阵、所述泡沫品位相关变量的总系数矩阵；

将所述颜色系数矩阵、所述流速系数矩阵、所述总系数矩阵代入所述浮选泡沫品位经验表达式，确定所述浮选泡沫品位经验模型。

在本实施例中，考虑到泡沫流速矩阵V，原矿品位β₀，磨矿产品粒度m，泡沫颜色特征矩阵CM的数量级不统一，利用归一化公式，将各个参数归一化到[0,1]区间。

具体公式如下：

其中：

为原矿品位β₀归一化处理后数值，β_0min为原矿品位分布最小值，β_0max为原矿品位分布最大值。

其中：

为磨矿产品粒度

归一化处理后数值，

为磨矿产品粒度分布最小值，

为磨矿产品粒度分布最大值。

其中：CM₁为HSV颜色空间H分量，

为CM₁归一化处理后数值，CM_1min为H分量分布最小值，CM_1max为H分量分布最大值；CM₂为HSV颜色空间S分量，

为CM₂归一化处理后数值，CM_2min为S分量分布最小值，CM_2max为S分量分布最大值；CM₃为HSV颜色空间V分量，

为CM₃归一化处理后数值，CM_3min为V分量分布最小值，CM_3max为V分量分布最大值。

其中：V₁为X轴流速，

为X轴流速V₁归一化处理后数值，V_1min为X轴流速分布最小值，V_1max为X轴流速分布最大值；V₂为Y轴流速，

为Y轴流速V₂归一化处理后数值，V_2min为Y轴流速分布最小值，V_2max为Y轴流速分布最大值。

在本实施例中，根据相关性分析及现场生产经验数据对所述泡沫品位表征表达式进行调整，确定浮选泡沫品位经验表达式。

具体的，浮选泡沫品位经验表达式如下：

其中:W为总系数矩阵；K为颜色系数矩阵；Q为流速系数矩阵；X为常数。

总系数矩阵W、颜色系数矩阵K满足以下表达式：

在一实施方式中，所述根据所述标准样本库和所述特征参数历史数据库分别确定所述标准泡沫颜色特征矩阵对应的颜色系数矩阵、所述标准流速矩阵对应的流速系数矩阵、所述泡沫品位相关变量的总系数矩阵，包括：

根据所述标准样本库和所述特征参数历史数据库确定标准泡沫颜色特征边界；

从标准样本库中选取最低品位泡沫图像和最高品位泡沫图像，从所述特征参数历史数据库查找所述最低品位泡沫图像和所述最高品位泡沫图像分别对应的第一泡沫颜色特征参数和第二泡沫颜色特征参数，分别对所述第一泡沫颜色特征参数和所述第二泡沫颜色特征参数进行归一化处理，分别得到第一标准泡沫颜色特征参数和第二标准泡沫颜色特征参数；

基于所述第一泡沫颜色特征参数、所述第二泡沫颜色特征参数、所述标准泡沫颜色特征边界确定所述颜色系数矩阵。

具体的，确定标准泡沫颜色矩阵

对应的系数矩阵K的过程包括以下步骤：

将公式开展：

通过边界约束确定k₁、k₂、k₃，结合标准样本库和特征参数历史数据库分析，定义

分布区间：

其中，φmin、φmax分别为

统计分布下边界和上边界。本实施例中：

从标准样本库中选取最低品位泡沫图像，并从特征参数历史数据库找到与该最低品位泡沫图像对应的泡沫颜色特征参数，并归一化处理，记为TCM1，定义该最低品位泡沫图像对应的

为φmin。

从样本库中选取最高品位泡沫图像，并从特征参数历史数据库找到与该最高品位泡沫图像对应的泡沫颜色特征参数，并归一化处理，记为TCM2，定义该最高品位泡沫图像对应的

为φmax。

求解方程：

求出k₁、k₂、k₃各个权重数值，即计算得到标准泡沫颜色矩阵

对应的系数矩阵K。

在一实施方式中，所述根据所述标准样本库和所述特征参数历史数据库分别确定所述标准泡沫颜色特征矩阵对应的颜色系数矩阵、所述标准流速矩阵对应的流速系数矩阵、所述泡沫品位相关变量的总系数矩阵，还包括：

根据所述标准样本库和所述特征参数历史数据库确定标准泡沫流速边界；

从所述标准样本库分别查找流速大于第一预设流速阈值的高流速泡沫图像、流速小于所述第一预设流速阈值的低流速泡沫图像；

从所述特征参数历史数据库中分别获取所述高流速泡沫图像对应的第一标准泡沫流速矩阵、所述低流速泡沫图像对应的第二标准泡沫流速矩阵；

基于所述标准泡沫流速边界、所述第一标准泡沫流速矩阵、所述第二标准泡沫流速矩阵计算所述流速系数矩阵。

具体的，确定标准流速矩阵

对应的系数矩阵Q的过程包括以下步骤：

分别将公式展开：

这里也是通过边界约束确定q₁、q₂，结合标准样本库和特征参数历史数据库分析，定义

分布区间：

其中，ρ、σ分别为

统计分布下边界和上边界。本实施例中ρ=0.3，σ=1.3。

从标准样本库中选取流速较快的泡沫图像，并归一化处理，记为T_V1，定义该图像对应的

为ρ。

表示流速较快的X轴流速V₁ ¹归一化处理后数值，

表示流速较快的Y轴流速V₁ ²归一化处理后数值。

从标准样本库中选取流速较低的泡沫图像，并归一化处理，记为T_V2，定义该图像对应的

为σ。

表示流速较低的X轴流速V₁ ²归一化处理后数值，

表示流速较低的Y轴流速V₂ ²归一化处理后数值。

求解方程：

求出q₁、q₂各个权重数值，即计算得到标准流速矩阵对应的流速系数矩阵Q。

在一实施方式中，所述根据所述标准样本库和所述特征参数历史数据库分别确定所述标准泡沫颜色特征矩阵对应的颜色系数矩阵、所述标准流速矩阵对应的流速系数矩阵、所述泡沫品位相关变量的总系数矩阵，还包括：

根据所述标准样本库和所述特征参数历史数据库确定泡沫品位上边界和泡沫品位下边界；

从所述品位上边界和泡沫品位下边界之间确定低品位控制限和高品位控制限；

从所述标准样本库中分别选取所述低品位控制限对应的低控制限品位泡沫图像、所述高品位控制限对应的高控制限品位泡沫图像；

从所述特征参数历史数据库查找所述最低品位泡沫图像对应的第一泡沫品位相关变量、所述最高品位泡沫图像对应的第二泡沫品位相关变量、所述低控制限品位泡沫图像对应的第三泡沫品位相关变量、所述高控制限品位泡沫图像对应的第四泡沫品位相关变量；

对所述第一泡沫品位相关变量、第二泡沫品位相关变量、第三泡沫品位相关变量、第四泡沫品位相关变量分别进行归一化处理，分别得到第一标准泡沫品位相关变量、第二标准泡沫品位相关变量、第三标准泡沫品位相关变量、第四标准泡沫品位相关变量；

根据所述泡沫品位上边界和泡沫品位下边界、所述低品位控制限、所述高品位控制限、所述第一标准泡沫品位相关变量、所述第二标准泡沫品位相关变量、所述第三标准泡沫品位相关变量、所述第四标准泡沫品位相关变量、所述颜色系数矩阵和所述流速系数矩阵确定总系数矩阵。

具体的，确定总系数矩阵

的过程包括以下步骤：

将

公式展开：

这里也是通过边界约束确定w₁、w₂、w₃、w₄、w₅，结合标准样本库和特征参数历史数据库分析，β₁分布区间：

其中，β_min、β_max分别为统计分布下边界和上边界。

结合生产实际，将品位值划分为3个状态区间，分别为品位高、品位正常、品位低，分布如下：

其中，β_L、β_H为品位控制限。

为品位高，

为品位正常，

为品位低。

本实施例中β_min=8，β_L=13，β_H=18，β_max=25。

从标准样本库中选取最差品位泡沫图像，并从特征参数历史数据库找到与该最差品位泡沫图像对应的相关过程参数，并归一化处理，记为T_LL，定义该最差品位泡沫图像对应的品位为β_min。

从标准样本库中选取最好品位泡沫图像，并从特征参数历史数据库找到与该最好品位泡沫图像对应的相关过程参数，并归一化处理，记为T_HH，定义该最好品位泡沫图像对应的品位为β_max。

从标准样本库中选取品位为状态控制下限

的泡沫图像，并从特征参数历史数据库找到与该状态控制下限

的泡沫图像对应的相关过程参数，并归一化处理，记为T_L。

从标准样本库中选取品位为状态控制上限β_H的泡沫图像，并从特征参数历史数据库找到与该状态控制上限β_H的泡沫图像对应的相关特征参数，并归一化处理，记为T_H。

求解方程：

求出w₁、w₂、w₃、w₄、w₅各个权重数值，即计算得到泡沫品位相关变量的总系数矩阵W。

这样，能够通过计算得到泡沫品位相关变量的总系数矩阵W、流速系数矩阵Q、颜色系数矩阵K，从而将其代入β₁公式中，可以确定浮选泡沫品位经验模型。

步骤S104，根据所述泡沫品位表征表达式和现场生产经验数据，基于神经网络构建浮选泡沫品位网络模型。

具体的，根据β映射形式，以及现场经验分析，基于神经网络建立品位的网络模型β₂。

本实施例采用反向传播方式（Back Propagation，BP）神经网络，进行模型搭建，输入节点为输入参数8个，隐含层节点数为5，输出层节点数为1。其中，输入参数分别为RMD、

、

、

、

、

、

、

。

步骤S105，将所述浮选泡沫品位经验模型和所述浮选泡沫品位网络模型融合，得到最终浮选泡沫品位预测模型。

在一实施方式中，步骤S105包括：

将第一模型系数乘以所述浮选泡沫品位经验模型得到第一模型表达式；

将第二模型系数乘以所述浮选泡沫品位网络模型得到第二模型表达式，其中，所述第一模型系数和所述第二模型系数的和值为1；

将所述第一模型表达式和所述第二模型表达式相加，得到所述最终浮选泡沫品位预测模型。

具体的，通过浮选泡沫品位经验模型β₁与浮选泡沫品位网络模型β₂融合，确定最终浮选泡沫品位预测模型β₃。

其中b₁、b₂分别为第一模型系数和第二模型系数。

举例来说，本实施例中b₁=b₂=0.5。

步骤S106，将浮选过程中检测到的泡沫品位相关变量输入所述最终浮选泡沫品位预测模型，通过所述最终浮选泡沫品位预测模型计算浮选泡沫品位。

从现场技术人员观察泡沫时主要是观察泡沫相对矿化程度这一重要专家经验出发，构建泡沫相对矿化程度模型，通过泡沫相对矿化程度模型计算泡沫相对矿化程度值，从软测量的角度出发，利用机器视觉所提取其他泡沫特征，基于泡沫矿化程度、其他泡沫特征参数构建最终浮选泡沫品位预测模型，可以通过最终浮选泡沫品位预测模型实现浮选过程关键参数检测，该最终浮选泡沫品位预测模型具有很强的泛化能力和鲁棒性。

在本实施例中，可以通过数据验证最终浮选泡沫品位预测模型的准确性。具体的，选取标准样本库中其他泡沫图像及其对应的相关过程参数进行测试，验证了该最终浮选泡沫品位预测模型β₃的准确性。

举例来说，首先从标准样本库选取化验品位β_N=17.4的泡沫图像，并在过程参数数据库中找到与之对应的参数，即为T_N。

将T_N带入最终浮选泡沫品位预测模型β₃，计算结果β=16.89，与β_N的偏差在误差允许范围之内。

然后，随机选择四种工况下的泡沫图像，通过最终浮选泡沫品位预测模型β₃进行计算，如图2所示，与化验数据对比，获取多组对比数据。第一组数据如下：RMD=1.01，化验品位=19.2，预测品位=20.1；第二组数据如下：RMD=0.9，化验品位=18.7，预测品位=19.4；第三组数据如下：RMD=0.73，化验品位=15.7，预测品位=15.4；第四组数据如下：RMD=0.51，化验品位=13.7，预测品位=13.4；通过多组数据对比，验证了品位预测模型的准确性和泛化能力较好。

在本实施例中，还可以将最终浮选泡沫品位预测模型封装集成到计算机、控制设备等电子设备中，通过电子设备进行浮选泡沫品位的在线实时计算，并与荧光分析仪数据进行实时对比，验证品位预测模型计算结果是否准确。通过在线跟踪，可以得到最终浮选泡沫品位预测模型的在线投用效果对比情况，如图3所示，图3中，L1表示最终浮选泡沫品位预测模型计算的品位预测值，L2表示荧光分析仪检测得到的测试品位值，从而确定了最终浮选泡沫品位预测模型的准确性，当生产工况发生变化时，该最终浮选泡沫品位预测模型也具有很好的鲁棒性。

在本实施例中，还可以按照如上步骤，对粗二浮选泡沫品位进行预测，再次验证将该最终浮选泡沫品位预测模型，用于计算粗二泡沫品位，将最终浮选泡沫品位预测模型封装集成到计算机、控制设备等电子设备中，进行浮选泡沫品位的在线实时计算，并与荧光分析仪数据进行实时对比。具体的可以参阅图4-图9。

请参阅图4，图4所示为本实施例提供的一在线投用效果示意图，图4中，原矿品位的分析仪测量值为0.50，尾矿品位的分析仪测量值为0.051。粗一品位的分析仪测量值异常，为10.28。粗一品位预测值为17.86。粗二品位的分析仪测量值为2.47，通过最终浮选泡沫品位预测模型计算的粗二品位的预测值为2.49。粗一相对矿化程度为0.85，尾矿品位预测值为0.051，粗二相对矿化程度为0.98，扫二相对矿化程度1.0。

请参阅图5，图5所示为本实施例提供的另一在线投用效果示意图，图5中，粗精为5.62，粗选富集比为10.38，粗选实际回收率为86.97%，粗选理论回收率为90.69%，优化控制日投用为100.00%，优化控制月投用为99.98%，粗一流速正常，粗二流速正常，扫二流速异常。

请参阅图6，图6所示为本实施例提供的另一在线投用效果示意图，图6中，Z1表示通过最终浮选泡沫品位预测模型计算的粗一品位预测值的变化曲线。

请参阅图7，图7所示为本实施例提供的另一在线投用效果示意图，图7中，Z2表示通过最终浮选泡沫品位预测模型计算的粗二品位预测值的变化曲线，粗二品位预测值的平均值为2.563。Z3表示通过分析仪测量的粗二品位预测值的变化曲线，粗二品位测量值的平均值为2.541。

请参阅图8，图8所示为本实施例提供的另一在线投用效果示意图，图8中，Z4表示通过最终浮选泡沫品位预测模型计算的尾矿品位预测值的变化曲线。

请参阅图9，图9所示为本实施例提供的另一在线投用效果示意图，图9中，Z5表示实时回收率，回收率平均值为0.870，回收率比较低。

结合图4-图9可知，粗二泡沫品位预测值与荧光分析仪测量值相比，无论是准确性还是趋势性都是满足误差允许范围，再次验证了该最终浮选泡沫品位预测模型的准确性和鲁棒性。

本实施例提供的浮选泡沫品位计算方法，获取浮选泡沫标准样本的泡沫品位相关变量；根据所述泡沫品位相关变量确定泡沫品位表征表达式；根据所述泡沫品位表征表达式和现场生产经验数据构建浮选泡沫品位经验模型；根据所述泡沫品位表征表达式和现场生产经验数据，基于神经网络构建浮选泡沫品位网络模型；将所述浮选泡沫品位经验模型和所述浮选泡沫品位网络模型融合，得到最终浮选泡沫品位预测模型；将浮选过程中检测到的泡沫品位相关变量输入所述最终浮选泡沫品位预测模型，通过所述最终浮选泡沫品位预测模型计算浮选泡沫品位。这样，基于浮选泡沫矿化程度、泡沫流速矩阵、原矿品位、磨矿产品粒度、泡沫颜色特征矩阵等泡沫品位相关变量构件最终浮选泡沫品位预测模型，通过最终浮选泡沫品位预测模型实现泡沫品位的在线预测，实现浮选过程的智能控制。与广泛流行的机器学习方法相比，具有很强的解释性，且很符合实际生产操作经验，且具有很强的鲁棒性。

实施例2

此外，本公开实施例提供了一种浮选泡沫品位计算装置。

具体的，如图10所示，本实施例提供的浮选泡沫品位计算装置500包括：

获取模块501，用于获取浮选泡沫标准样本的泡沫品位相关变量，所述泡沫品位相关变量至少包括：泡沫相对矿化程度、泡沫流速矩阵、原矿品位、磨矿产品粒度和泡沫颜色特征矩阵；

确定模块502，用于根据所述泡沫品位相关变量确定泡沫品位表征表达式；

第一构建模块503，用于根据所述泡沫品位表征表达式和现场生产经验数据构建浮选泡沫品位经验模型；

第二构建模块504，用于根据所述泡沫品位表征表达式和现场生产经验数据，基于神经网络构建浮选泡沫品位网络模型；

融合模块505，用于将所述浮选泡沫品位经验模型和所述浮选泡沫品位网络模型融合，得到最终浮选泡沫品位预测模型；

计算模块506，用于将浮选过程中检测到的泡沫品位相关变量输入所述最终浮选泡沫品位预测模型，通过所述最终浮选泡沫品位预测模型计算浮选泡沫品位。

在一实施方式中，获取模块501，还用于从标准样本库中获取所述浮选泡沫标准样本，从特征参数历史数据库中获取所述浮选泡沫标准样本对应的多个泡沫特征参数，计算各泡沫特征参数与泡沫品位之间的相关系数；

根据所述相关系数从所述多个泡沫特征参数中确定所述泡沫品位相关变量。

在一实施方式中，第一构建模块503，还用于对所述泡沫品位相关变量进行归一化处理，得到标准泡沫品位相关变量，其中，所述标准泡沫品位相关变量至少包括：标准原矿品位、标准泡沫颜色特征矩阵、标准磨矿产品粒度、标准流速矩阵；

根据所述标准泡沫品位相关变量、所述现场生产经验数据，基于所述泡沫品位表征表达式，确定浮选泡沫品位经验表达式；

根据所述标准样本库和所述特征参数历史数据库分别确定所述标准泡沫颜色特征矩阵对应的颜色系数矩阵、所述标准流速矩阵对应的流速系数矩阵、所述泡沫品位相关变量的总系数矩阵；

将所述颜色系数矩阵、所述流速系数矩阵、所述总系数矩阵代入所述浮选泡沫品位经验表达式，确定所述浮选泡沫品位经验模型。

在一实施方式中，第一构建模块503，还用于根据所述标准样本库和所述特征参数历史数据库确定标准泡沫颜色特征边界；

从标准样本库中选取最低品位泡沫图像和最高品位泡沫图像，从所述特征参数历史数据库查找所述最低品位泡沫图像和所述最高品位泡沫图像分别对应的第一泡沫颜色特征参数和第二泡沫颜色特征参数，分别对所述第一泡沫颜色特征参数和所述第二泡沫颜色特征参数进行归一化处理，分别得到第一标准泡沫颜色特征参数和第二标准泡沫颜色特征参数；

基于所述第一泡沫颜色特征参数、所述第二泡沫颜色特征参数、所述标准泡沫颜色特征边界确定所述颜色系数矩阵。

在一实施方式中，第一构建模块503，还用于根据所述标准样本库和所述特征参数历史数据库确定标准泡沫流速边界；

从所述标准样本库分别查找流速大于第一预设流速阈值的高流速泡沫图像、流速小于所述第一预设流速阈值的低流速泡沫图像；

从所述特征参数历史数据库中分别获取所述高流速泡沫图像对应的第一标准泡沫流速矩阵、所述低流速泡沫图像对应的第二标准泡沫流速矩阵；

基于所述标准泡沫流速边界、所述第一标准泡沫流速矩阵、所述第二标准泡沫流速矩阵计算所述流速系数矩阵。

在一实施方式中，第一构建模块503，还用于根据所述标准样本库和所述特征参数历史数据库确定泡沫品位上边界和泡沫品位下边界；

从所述品位上边界和泡沫品位下边界之间确定低品位控制限和高品位控制限；

从所述标准样本库中分别选取所述低品位控制限对应的低控制限品位泡沫图像、所述高品位控制限对应的高控制限品位泡沫图像；

从所述特征参数历史数据库查找所述最低品位泡沫图像对应的第一泡沫品位相关变量、所述最高品位泡沫图像对应的第二泡沫品位相关变量、所述低控制限品位泡沫图像对应的第三泡沫品位相关变量、所述高控制限品位泡沫图像对应的第四泡沫品位相关变量；

对所述第一泡沫品位相关变量、第二泡沫品位相关变量、第三泡沫品位相关变量、第四泡沫品位相关变量分别进行归一化处理，分别得到第一标准泡沫品位相关变量、第二标准泡沫品位相关变量、第三标准泡沫品位相关变量、第四标准泡沫品位相关变量；

根据所述泡沫品位上边界和泡沫品位下边界、所述低品位控制限、所述高品位控制限、所述第一标准泡沫品位相关变量、所述第二标准泡沫品位相关变量、所述第三标准泡沫品位相关变量、所述第四标准泡沫品位相关变量、所述颜色系数矩阵和所述流速系数矩阵确定总系数矩阵。

在一实施方式中，融合模块505，还用于将第一模型系数乘以所述浮选泡沫品位经验模型得到第一模型表达式；

将第二模型系数乘以所述浮选泡沫品位网络模型得到第二模型表达式，其中，所述第一模型系数和所述第二模型系数的和值为1；

将所述第一模型表达式和所述第二模型表达式相加，得到所述最终浮选泡沫品位预测模型。

本实施例提供浮选泡沫品位计算装置500可以实现实施例1所提供的浮选泡沫品位计算方法，为避免重复，在此不再赘述。

本实施例提供的浮选泡沫品位计算装置，获取浮选泡沫标准样本的泡沫品位相关变量；根据所述泡沫品位相关变量确定泡沫品位表征表达式；根据所述泡沫品位表征表达式和现场生产经验数据构建浮选泡沫品位经验模型；根据所述泡沫品位表征表达式和现场生产经验数据，基于神经网络构建浮选泡沫品位网络模型；将所述浮选泡沫品位经验模型和所述浮选泡沫品位网络模型融合，得到最终浮选泡沫品位预测模型；将浮选过程中检测到的泡沫品位相关变量输入所述最终浮选泡沫品位预测模型，通过所述最终浮选泡沫品位预测模型计算浮选泡沫品位。这样，基于浮选泡沫矿化程度、泡沫流速矩阵、原矿品位、磨矿产品粒度、泡沫颜色特征矩阵等泡沫品位相关变量构件最终浮选泡沫品位预测模型，通过最终浮选泡沫品位预测模型实现泡沫品位的在线预测，实现浮选过程的智能控制。与广泛流行的机器学习方法相比，具有很强的解释性，且很符合实际生产操作经验，且具有很强的鲁棒性。

实施例3

此外，本公开实施例提供了一种电子设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行实施例1所提供的浮选泡沫品位计算方法。

本实施例提供的电子设备可以实现实施例1所提供的浮选泡沫品位计算方法，为避免重复，在此不再赘述。

实施例4

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现实施例1所提供的浮选泡沫品位计算方法。

在本实施例中，计算机可读存储介质可以为只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

本实施例提供的计算机可读存储介质可以实现实施例1所提供的浮选泡沫品位计算方法，为避免重复，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种浮选泡沫品位计算方法，其特征在于，所述方法包括：

获取浮选泡沫标准样本的泡沫品位相关变量，所述泡沫品位相关变量至少包括：泡沫相对矿化程度、泡沫流速矩阵、原矿品位、磨矿产品粒度和泡沫颜色特征矩阵；

根据所述泡沫品位相关变量确定泡沫品位表征表达式；

根据所述泡沫品位表征表达式和现场生产经验数据构建浮选泡沫品位经验模型；

根据所述泡沫品位表征表达式和现场生产经验数据，基于神经网络构建浮选泡沫品位网络模型；

将所述浮选泡沫品位经验模型和所述浮选泡沫品位网络模型融合，得到最终浮选泡沫品位预测模型；

将浮选过程中检测到的泡沫品位相关变量输入所述最终浮选泡沫品位预测模型，通过所述最终浮选泡沫品位预测模型计算浮选泡沫品位。

2.根据权利要求1所述的方法，其特征在于，所述获取浮选泡沫标准样本的泡沫品位相关变量，包括：

从标准样本库中获取所述浮选泡沫标准样本，从特征参数历史数据库中获取所述浮选泡沫标准样本对应的多个泡沫特征参数，计算各泡沫特征参数与泡沫品位之间的相关系数；

根据所述相关系数从所述多个泡沫特征参数中确定所述泡沫品位相关变量。

3.根据权利要求2所述的方法，其特征在于，所述根据所述泡沫品位表征表达式和现场生产经验数据构建浮选泡沫品位经验模型，包括：

对所述泡沫品位相关变量进行归一化处理，得到标准泡沫品位相关变量，其中，所述标准泡沫品位相关变量至少包括：标准原矿品位、标准泡沫颜色特征矩阵、标准磨矿产品粒度、标准流速矩阵；

根据所述标准泡沫品位相关变量、所述现场生产经验数据，基于所述泡沫品位表征表达式，确定浮选泡沫品位经验表达式；

根据所述标准样本库和所述特征参数历史数据库分别确定所述标准泡沫颜色特征矩阵对应的颜色系数矩阵、所述标准流速矩阵对应的流速系数矩阵、所述泡沫品位相关变量的总系数矩阵；

将所述颜色系数矩阵、所述流速系数矩阵、所述总系数矩阵代入所述浮选泡沫品位经验表达式，确定所述浮选泡沫品位经验模型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述标准样本库和所述特征参数历史数据库分别确定所述标准泡沫颜色特征矩阵对应的颜色系数矩阵、所述标准流速矩阵对应的流速系数矩阵、所述泡沫品位相关变量的总系数矩阵，包括：

根据所述标准样本库和所述特征参数历史数据库确定标准泡沫颜色特征边界；

从标准样本库中选取最低品位泡沫图像和最高品位泡沫图像，从所述特征参数历史数据库查找所述最低品位泡沫图像和所述最高品位泡沫图像分别对应的第一泡沫颜色特征参数和第二泡沫颜色特征参数，分别对所述第一泡沫颜色特征参数和所述第二泡沫颜色特征参数进行归一化处理，分别得到第一标准泡沫颜色特征参数和第二标准泡沫颜色特征参数；

基于所述第一泡沫颜色特征参数、所述第二泡沫颜色特征参数、所述标准泡沫颜色特征边界确定所述颜色系数矩阵。

5.根据权利要求4所述的方法，其特征在于，所述根据所述标准样本库和所述特征参数历史数据库分别确定所述标准泡沫颜色特征矩阵对应的颜色系数矩阵、所述标准流速矩阵对应的流速系数矩阵、所述泡沫品位相关变量的总系数矩阵，还包括：

根据所述标准样本库和所述特征参数历史数据库确定标准泡沫流速边界；

从所述标准样本库分别查找流速大于第一预设流速阈值的高流速泡沫图像、流速小于所述第一预设流速阈值的低流速泡沫图像；

从所述特征参数历史数据库中分别获取所述高流速泡沫图像对应的第一标准泡沫流速矩阵、所述低流速泡沫图像对应的第二标准泡沫流速矩阵；

基于所述标准泡沫流速边界、所述第一标准泡沫流速矩阵、所述第二标准泡沫流速矩阵计算所述流速系数矩阵。

6.根据权利要求5所述的方法，其特征在于，所述根据所述标准样本库和所述特征参数历史数据库分别确定所述标准泡沫颜色特征矩阵对应的颜色系数矩阵、所述标准流速矩阵对应的流速系数矩阵、所述泡沫品位相关变量的总系数矩阵，还包括：

根据所述标准样本库和所述特征参数历史数据库确定泡沫品位上边界和泡沫品位下边界；

从所述品位上边界和泡沫品位下边界之间确定低品位控制限和高品位控制限；

从所述标准样本库中分别选取所述低品位控制限对应的低控制限品位泡沫图像、所述高品位控制限对应的高控制限品位泡沫图像；

从所述特征参数历史数据库查找所述最低品位泡沫图像对应的第一泡沫品位相关变量、所述最高品位泡沫图像对应的第二泡沫品位相关变量、所述低控制限品位泡沫图像对应的第三泡沫品位相关变量、所述高控制限品位泡沫图像对应的第四泡沫品位相关变量；

对所述第一泡沫品位相关变量、第二泡沫品位相关变量、第三泡沫品位相关变量、第四泡沫品位相关变量分别进行归一化处理，分别得到第一标准泡沫品位相关变量、第二标准泡沫品位相关变量、第三标准泡沫品位相关变量、第四标准泡沫品位相关变量；

根据所述泡沫品位上边界和泡沫品位下边界、所述低品位控制限、所述高品位控制限、所述第一标准泡沫品位相关变量、所述第二标准泡沫品位相关变量、所述第三标准泡沫品位相关变量、所述第四标准泡沫品位相关变量、所述颜色系数矩阵和所述流速系数矩阵确定总系数矩阵。

7.根据权利要求1所述的方法，其特征在于，所述将所述浮选泡沫品位经验模型和所述浮选泡沫品位网络模型融合，得到最终浮选泡沫品位预测模型，包括：

将第一模型系数乘以所述浮选泡沫品位经验模型得到第一模型表达式；

将第二模型系数乘以所述浮选泡沫品位网络模型得到第二模型表达式，其中，所述第一模型系数和所述第二模型系数的和值为1；

将所述第一模型表达式和所述第二模型表达式相加，得到所述最终浮选泡沫品位预测模型。

8.一种浮选泡沫品位计算装置，其特征在于，所述装置包括：

获取模块，用于获取浮选泡沫标准样本的泡沫品位相关变量，所述泡沫品位相关变量至少包括：泡沫相对矿化程度、泡沫流速矩阵、原矿品位、磨矿产品粒度和泡沫颜色特征矩阵；

确定模块，用于根据所述泡沫品位相关变量确定泡沫品位表征表达式；

第一构建模块，用于根据所述泡沫品位表征表达式和现场生产经验数据构建浮选泡沫品位经验模型；

第二构建模块，用于根据所述泡沫品位表征表达式和现场生产经验数据，基于神经网络构建浮选泡沫品位网络模型；

融合模块，用于将所述浮选泡沫品位经验模型和所述浮选泡沫品位网络模型融合，得到最终浮选泡沫品位预测模型；

计算模块，用于将浮选过程中检测到的泡沫品位相关变量输入所述最终浮选泡沫品位预测模型，通过所述最终浮选泡沫品位预测模型计算浮选泡沫品位。

9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器运行时执行权利要求1至7中任一项所述的浮选泡沫品位计算方法。

10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的浮选泡沫品位计算方法。

Images