CN114871000B - 一种浮选加药自适应调控方法 - Google Patents

一种浮选加药自适应调控方法 Download PDF

Info

Publication number
CN114871000B
CN114871000B CN202210444748.5A CN202210444748A CN114871000B CN 114871000 B CN114871000 B CN 114871000B CN 202210444748 A CN202210444748 A CN 202210444748A CN 114871000 B CN114871000 B CN 114871000B
Authority
CN
China
Prior art keywords
data
neural network
flotation
metal recovery
grnn neural
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
Application number
CN202210444748.5A
Other languages
English (en)
Other versions
CN114871000A (zh
Inventor
傅国辉
靳雁琳
徐俊峰
赵通林
何晓明
张勇
刘志斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Angang Group Mining Co Ltd
Original Assignee
Angang Group Mining Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Angang Group Mining Co Ltd filed Critical Angang Group Mining Co Ltd
Priority to CN202210444748.5A priority Critical patent/CN114871000B/zh
Publication of CN114871000A publication Critical patent/CN114871000A/zh
Application granted granted Critical
Publication of CN114871000B publication Critical patent/CN114871000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B03D1/1443—Feed or discharge mechanisms for flotation tanks
    • B03D1/145—Feed mechanisms for reagents
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biotechnology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种浮选加药自适应调控方法，其特征在于，包括以下步骤：采集浮选过程中的检测数据D1，建立综合数据库，并将检测数据D1与历史数据融合构成待整合数据D2进行整合，构建GRNN神经网络预测模型，输入训练数据与历史数据库中精矿品位和金属回收率的对比，采用模糊专家系统，利用Mamdani模糊推理机进行推理，得到药剂添加量；并将得到的药剂添加量和实时采集到的检测数据D1作为GRNN神经网络预测模型的输入样本数据B，获得预测精矿品位和金属回收率数据Y；判断是否满足要求，若满足要求，执行当前的加药量，若不满足，则返回模糊专家系统重新推理，重复S4、S5和S6的操作。实现了浮选精矿品位的稳定性和获得最佳的金属回收率。

Description

一种浮选加药自适应调控方法
技术领域
本发明涉及浮选过程优化控制工艺技术领域，具体为一种浮选加药自适应调控方法。
背景技术
矿石的品位直接影响钢铁企业的经济效益，而浮选生产工艺是直接提升精矿品位的最有效的生产手段，浮选生产过程是属于大滞后非线性相互耦合的复杂系统，而合理的药剂流量的给定是影响精矿品位的重要因素，目前国内外主要应用神经网络预测技术和浮选泡沫图像识别技术预估出精矿品位，并按照品位变化趋势给出合理的药剂流量给定。但目前的浮选自动控制只针对当前的情况做出决策，并不能了解其是否符合现场要求。例如专利号CN203299674U的发明专利针对浮选过程中的加药控制系统进行改造，但并未对其加药后的生产指标进一步验证，缺乏准确性；专利号CN113117896A的发明专利单纯对数据进行采集，而针对处理数据时存在的规模过大问题并不能进行解决。然而，在浮选过程中存在着矿石性质、精矿品位、回收率之间的矛盾以及药剂制度、泡沫层厚度、矿浆液位、充气量等都是影响浮选作业的重要控制因素，使得浮选中的精矿品位和金属回收率指标受到严重的影响。铁矿石浮选过程参数众多，单纯的采集数据造成的规模较大，实现时间较长，需要对采集到的数据进行简化，同时在实现加药控制后无法保证浮选控制的准确性，存在产生问题发现不及时问题。
发明内容
本发明的目的是提出一种浮选加药自适应调控方法，实现浮选精矿品位的稳定和获得最佳金属回收率。
本发明所采用的技术方案是：一种浮选加药自适应调控方法，包括传感器检测装置、影像获取装置和电子设备及计算机控制系统，其特征在于，包括以下步骤：
S1、利用传感器检测装置和影像获取装置采集浮选过程中的检测数据，同时打开历史数据库，分别根据检测数据D1建立综合数据库和将检测数据D1与历史数据融合构成待整合数据D2；
S2、利用粗糙集属性约简算法和主成分分析方法对待整合数据D2进行整合，获得GRNN神经网络模型的输入训练数据A，并构建GRNN神经网络模型；
S3、利用K-fold交叉验证方法对GRNN神经网络模型进行优化训练，构建GRNN神经网络预测模型，将输入训练数据A与历史数据库中精矿品位和金属回收率的对比，若对比值的误差小于2％时，构建优化后的GRNN神经网络预测模型，若对比值的误差大于2％时，返回GRNN神经网络模型重新进行优化；
S4、采用模糊专家系统，利用Mamdani模糊推理机进行推理，得到药剂添加量；
S5、将得到的药剂添加量和实时采集到的检测数据D1作为GRNN神经网络预测模型的输入样本数据B，获得预测精矿品位和金属回收率数据Y；
S6、判断预测精矿品位和金属回收率数据Y是否满足要求，若满足，则将模糊专家系统给出的药剂添加量为当前加药量，执行当前的加药量，获得的实际精矿品位和金属回收率；若不满足，则返回模糊专家系统重新推理，重复S4、S5和S6的操作；
S7、将GRNN神经网络预测模型获得的精矿品位和金属回收率数据Y与已执行当前的加药量后得到的实际精矿品位和金属回收率进行比较，若误差小于等于2％时，不再进行任何操作，若误差大于2％时，则更新历史数据库。
优选地，所述的S1中的检测装置为多传感检测装置，包括电磁流量计、粒度检测仪、浓度计检测仪、压力传感器、热电阻传感器和编码器，所述的影像获取装置为高清摄像机，所述的检测数据D1为浮选过程中的检测数据,包括矿浆流量、给矿粒度、给矿品位、矿浆浓度、矿浆液位、矿浆密度、泡沫层厚度、泡沫特征、矿浆温度、刮泡时间、刮泡速度、矿浆充气量和水流速度，所述泡沫特征包含泡沫颜色、泡沫大小和泡沫稳定性。
优选地，所述的历史数据库存放已执行完毕之后的所有历史数据，已经执行的各个加药量以及执行结束后获得的精矿品位和金属回收率。
优选地，所述的S2中待整合数据D2包括检测数据D1和历史数据库中的历史数据，利用粗糙集属性约简算法和主成分分析方法对待整合数据D2进行处理，包括下列步骤：
a.粗糙集属性约简算法：在数据处理中主要采用属性相似度的属性约简算法进行处理；
在信息系统L＝(U,C,D)，其中U为论域，主要为待整合数据D2，C为条件属性集，D为决策属性集，条件属性集C为已检测历史数据类型集合，决策属性集D为已知的精矿品位和金属回收率数据类型集合，通过属性相似度的属性约简算法，最终输出R，即R为条件属性集C的一个相对约简的数据集X；
b.主成分分析法：基于特征值分解协方差矩阵实现PCA算法；
输入：数据集X＝{x1,x2,x3,...,xn}，需要降到k维，
①去平均值(即去中心化)，即每一位特征减去各自的平均值；
②计算协方差矩阵
③用特征值分解方法求协方差矩阵的特征值与特征向量；
④选取累计贡献率达90％的特征值所对应的k个主成分。然后将其对应的k个主成分分别作为行向量组成特征向量矩阵P。
⑤将数据转换到k个特征向量构建的新数据集中，即Z＝PX，作为GRNN神经网络模型的输入数据A。
优选地，所述的S3中利用K-fold交叉验证方法对GRNN神经网络模型进行优化训练，构建GRNN神经网络预测模型，包括下列步骤：
a.利用K-fold交叉验证方法对GRNN神经网络模型进行优化训练；
①利用K折交叉验证法把输入数据A分为K个子集，每个子集包括训练样本数相同且无重合的样本；
②分别将K-1个训练子集和1个测试子集，找出模型中错误率最低的样本子集，重复n次，找出该轮K折交叉验证中最佳的σ和mse值；
③循环K轮交叉验证后，当mse<2％时，获得此次模型中最佳的σ，最佳输入值和最佳输出值；
④最终选用交叉验证中最佳的σ建立GRNN神经网络预测模型；
其中mse为误差值，K为K-fold交叉验证的次数，其中可采用5折交叉验证。
优选地，所述的S4中模糊专家系统的基本构成为：
a.定义已检测数据D1和取值范围，并利用两边型高斯隶属函数模糊处理获得模糊集；
b.建立模糊规则，利用Mamdani模糊推理机进行推理；
c.定义输出变量NaOH、淀粉、CaO和捕收剂的药剂添加量和范围，并利用两边型高斯隶属函数去模糊化处理，获得药剂添加量。
优选地，所述的S6判断最终预测精矿品位和金属回收率数据Y是否满足要求包括：将GRNN神经网络预测模型得到的最终预测精矿品位和金属回收率数据Y与选矿厂的合格指标进行对比，当误差在2％范围内，其模糊专家系统给出的加药量为正确的；反之，则返回步骤(4)重新推理；
优选地，所述的S7中更新历史数据库是利用欧式距离计算方法采用n维空间更新历史数据库；
欧式距离计算方法采用n维空间进行处理：
d(x,y)为数据组(x1,x2,…,xn)与当前数据组(y1,y2,…,yn)之间的欧式距离。
其中数据组(x1,x2,x3,…xn)为综合数据库中的数据，当前数据组(y1,y2,y3,…,yn)为历史数据库中的数据。
本发明提供的技术方案带来的有益效果至少包括：
本发明提供的浮选加药自适应调控方法，主要采取模糊专家系统，利用传感器检测装置和影像获取装置实时采集浮选过程中的多项检测数据，尽可能掌握浮选详情，同时对加药后的现场情况时实进行采集、更新，可以保证所预测的加药制度满足当前的选矿指标的需要。该发明方法应用于浮选加药的自适应调控功能，减少了浮选调控的运算量，在浮选过程影响因素多样性的同时保证浮选加药调控的稳定性和精确性，实现浮选精矿品位的稳定性和获得最佳的金属回收率。
附图说明
图1是本发明实施例提供的一种浮选加药自适应调控方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
针对矿山选矿生产中的选矿工艺中浮选流程中出现的可能出现的由于铁矿石浮选现场情况变化过大，在生产状态不能全面监测以及调节不及时的问题，本实施例提供了一种浮选加药自适应调控方法；需要说明的是，本实施例的方法可以由电子设备实现，该电子设备可以是终端或者服务器。
如图1所示，一种浮选加药自适应调控方法，包括传感器检测装置、影像获取装置和电子设备及计算机控制系统，其特征在于，包括以下步骤：
S1、利用传感器检测装置和影像获取装置采集浮选过程中的检测数据，同时打开历史数据库，分别根据检测数据D1建立综合数据库和将检测数据D1与历史数据融合构成待整合数据D2；
所述的S1中的传感器检测装置为多传感检测装置，包括电磁流量计、粒度检测仪、浓度计检测仪、压力传感器、热电阻传感器和编码器，所述的影像获取装置为高清摄像机，所述的检测数据D1为浮选过程中的检测数据,包括矿浆流量、给矿粒度、给矿品位、矿浆浓度、矿浆液位、矿浆密度、泡沫层厚度、泡沫特征、矿浆温度、刮泡时间、刮泡速度、矿浆充气量和水流速度，所述泡沫特征包含泡沫颜色、泡沫大小和泡沫稳定性；
所述的历史数据库存放已执行完毕之后的所有历史数据，包括检测数据D1的类型，已经执行的各个加药量(包括NaOH、淀粉、CaO和捕收剂)以及执行结束后获得的实际精矿品位和金属回收率，二者均在执行该浮选加药自适应调控方法开始前构建完成。
S2、利用粗糙集属性约简算法和主成分分析方法对待整合数据D2进行整合，获得GRNN神经网络模型的输入训练数据A，并构建GRNN神经网络模型；
所述的S2中待整合数据D2包括检测数据D1和历史数据库中的历史数据，利用粗糙集属性约简算法和主成分分析方法对待整合数据D2进行处理，包括下列步骤：
a.粗糙集属性约简算法：在数据处理中主要采用属性相似度的属性约简进行处理；
在信息系统L＝(U,C,D)，其中U为论域，主要为待整合数据D2，C为条件属性集，D为决策属性集，条件属性集C为已检测历史数据类型集合，决策属性集D为已知的精矿品位和金属回收率数据类型集合，
①利用一般约简方法求得条件属性集的核core(C)，即C中所有不可省属性的集合；
②令C的核为C的一个约简R，即R＝core(C)，同时计算划分L关于R的近似精度γR(L)。若决策属性集D的R－正区域等同于决策属性集D的C－正区域，即posR(D)＝posC(D)，令可省属性集合A＝C-R，下转步骤③；否则下转步骤⑥；
③对每个属性a∈A，计算其关于决策属性集D的相似度si(i＝1,2,…,k)；在某一条件属性ci∈C和D的相似度(similarity)可以用粒度来表示，即：
GD(R)表示R的粒度。属性相似度与粒度相似度是一致的，即属性相似度实际上是描述两个粒度之间的相似程度；
④在A中选择相似度si最大的属性a，R＝R∪{a}，同时在集合A中去掉属性a；
⑤如果posR(D)＝posC(D)，上转步骤④，否则下转步骤⑥；
⑥通过属性相似度的属性约简算法，最终输出R，即R为条件属性C的一个相对约简的数据集X；
b.主成分分析方法：基于特征值分解协方差矩阵实现PCA算法；
输入：数据集X＝{x1,x2,x3,...,xn}，需要降到k维，
①去平均值(即去中心化)，即每一位特征减去各自的平均值；
②计算协方差矩阵
③用特征值分解方法求协方差矩阵的特征值与特征向量；
④选取累计贡献率达90％的特征值所对应的k个主成分，然后将其对应的k个主成分分别作为行向量组成特征向量矩阵P；
⑤将数据转换到k个特征向量构建的新数据集中，即Z＝PX，作为GRNN神经网络模型的输入训练数据A。
利用粗糙集属性约简算法和主成分分析方法简化GRNN神经网络预测模型的输入数据进行简化处理，避免了预测模型输入数据太多造成的运算量过大问题，加快了模型预测的运行速度。
S3、利用K-fold交叉验证方法对GRNN神经网络模型进行优化训练，构建GRNN神经网络预测模型，将输入训练数据A与历史数据库中精矿品位和金属回收率的对比，若对比值的误差小于2％时，构建优化后的GRNN神经网络预测模型，若对比值的误差大于2％时，返回GRNN神经网络模型重新进行优化；
所述的S3中利用K-fold交叉验证方法对GRNN神经网络模型进行优化训练，构建GRNN神经网络预测模型，包括下列步骤：
a利用K-fold交叉验证方法对GRNN神经网络模型进行优化训练；
①利用K折交叉验证法把输入训练数据A分为K个子集，每个子集包括训练样本数相同且无重合的样本；
②分别将K-1个训练子集和1个测试子集，找出模型中错误率最低的样本子集，重复n次，找出该轮K折交叉验证中最佳的σ和mse值；
③循环K轮交叉验证后，当mse<2％时，获得此次模型中最佳的σ，最佳输入值和最佳输出值；
④最终选用交叉验证中最佳的σ建立GRNN神经网络预测模型；
其中mse为误差值，σ为光滑因子，K为K-fold交叉验证的次数，其中可采用5折交叉验证。
K-fold交叉验证算法对GRNN神经网络预测模型进行优化，保证了预测精矿品位和金属回收率预测的准确性。
S4、采用模糊专家系统，利用Mamdani模糊推理机进行推理，得到药剂添加量；
本发明所述的S4中模糊专家系统的基本构成为：
a.D1为模糊专家系统的输入数据，定义输入变量和取值范围并利用两边型高斯隶属函数(2)模糊处理获得模糊集；
两边型高斯隶属函数表示为：
两边型高斯隶属函数μA是两个函数的组合：第一个函数由σ1和c1指定，它决定最左边曲线的形状；由σ2和c2指定的第二个函数决定最右边曲线的形状；当c1<c2时，两边型高斯隶属函数达到最大值1，否则，最大值小于1。c1，c2代表的是测量值的正常取值范围；σ1、σ2为变量，在进行数据调整时，各个变量数据有所变化；
①pH是指矿浆酸性或碱性程度的数值，pH的取值范围为[11,12.8]；其pH主要分为“'low'、'medium'、'high'”三个级别；
MF1＝'low':'gauss2mf',[0.2406 11 0.2406 11.5]
MF2＝'medium':'gauss2mf',[0.1353 11.4 0.1353 11.6]
MF3＝'high':'gauss2mf',[0.2446 11.6 0.2446 12.8]，
②泡沫稳定性的数值是指(当前泡沫破裂时间-最佳泡沫破裂时间)/最佳泡沫破裂时间的比值，泡沫的稳定性的取值范围为[-1,1]；其泡沫稳定性主要分为“'low'、'medium'、'high'”三个级别；
MF1＝'low':'gauss2mf',[0.1699 -1 0.06795 -0.3]
MF2＝'medium':'gauss2mf',[0.1699 -0.5 0.1699 0.5]
MF3＝'high':'gauss2mf',[0.1699 0.3 0.06795 1]，
③泡沫大小的数值为泡沫半径大小，其单位为mm：泡沫大小的取值范围为[0.5,8]；其泡沫大小主要分为“'small'、'medium'、'high'”三个级别；
MF1＝'small':'gauss2mf',[0.5096 0.5 0.6795 4]
MF2＝'medium':'gauss2mf',[0.3397 3 0.6795 6]
MF3＝'high':'gauss2mf',[0.3397 5 0.6795 8]，
④泡沫层厚度的数值是指当前泡沫层厚度，单位cm，泡沫层厚度的取值范围为[10,25]；其泡沫层厚度主要分为“'low'、'medium'、'high'”三个级别；
MF1＝'low':'gauss2mf',[1.699 10 1.019 18]
MF2＝'medium':'gauss2mf',[0.8493 15 0.8493 20]
MF3＝'high':'gauss2mf',[1.359 18 1.019 25]，
⑤泡沫颜色的数值是指与(当前泡沫色调-最佳泡沫色调)/最佳泡沫色调的比值，泡沫颜色的取值范围为[-1,1]；其泡沫颜色主要分为“'tint'、'medium'、'dark'”三个级别；
MF1＝'tint':'gauss2mf',[0.03397 -1 0.06795 -0.7]
MF2＝'medium':'gauss2mf',[0.1699 -0.6 0.1699 0.4]
MF3＝'dark':'gauss2mf',[0.1019 0.4 0.1019 1]，
⑥矿浆浓度是指矿浆中所含液体的重量和矿浆中所含固体的重量的比值，矿浆浓度的取值范围为[0.3，0.7]；其矿浆浓度主要分为“'low'、'medium'、'high'”三个级别；
MF1＝'low':'gauss2mf',[0.01699 0.3 0.03397 0.45]
MF2＝'medium':'gauss2mf',[0.01699 0.45 0.03397 0.6]
MF3＝'high':'gauss2mf',[0.01699 0.55 0.03397 0.7]，
......
b.建立模糊规则，利用Mamdani模糊推理机进行推理，得到药剂添加量，Mamdani模糊推理过程主要分为四步：
首先计算适配度：将已检测数据D1和模糊规则的前件MF进行比较，求出已检测数据D1对每个前件MF的适配度ω(其前件所用隶属函数的最大值)；其次求激励强度：用模糊与、或算子，把规则中各前件MF的适配度合并，求出激励强度；接下来求有效的后件MF：用激励强度去切割相应规则的后件MF，获得有效的后件MF；最终计算总输出MF：将所有的有效后件MF进行综合，求出总输出MF；
c.NaOH、淀粉、CaO和捕收剂的药剂用量为模糊专家系统的输出数据，定义输出变量和取值范围并利用两边型高斯隶属函数(2)去模糊化处理获得最终输出集；
①NaOH药剂用量单位为mL/L，NaOH药剂用量的取值范围为[1.3,6]；其药剂用量主要分为“'min'、'less'、'normal'、'more'、'max'”五个级别；
MF1＝'min':'gauss2mf',[0.06387 1.3 0.09579 1.8]
MF2＝'less':'gauss2mf',[0.09579 1.8 0.1277 2.3]
MF3＝'normal':'gauss2mf',[0.3193 2 0.3193 4]
MF4＝'more':'gauss2mf',[0.3992 3.5 0.2395 5.5]
MF5＝'max':'gauss2mf',[0.06387 5.5 0.09579 6]，
②淀粉药剂用量单位为mL/L，淀粉药剂用量的取值范围为[8,19]；其药剂用量主要分为“'min'、'less'、'normal'、'more'、'max'”五个级别；
MF1＝'min':'gauss2mf',[0.3397 8 0.3397 10]
MF2＝'less':'gauss2mf',[0.9343 10 0.2548 13.5]
MF3＝'normal':'gauss2mf',[0.849 12 0.849 15]
MF4＝'more':'gauss2mf',[0.5096 14 0.6795 17.5]
MF5＝'max':'gauss2mf',[0.1699 17.5 0.3397 19]，
③CaO药剂用量单位为mL/L，CaO药剂用量的取值范围为[3,16]；其药剂用量主要分为“'min'、'less'、'normal'、'more'、'max'”五个级别；
MF1＝'min':'gauss2mf',[0.3397 3 0.3397 5]
MF2＝'less':'gauss2mf',[0.5096 5 0.5096 8]
MF3＝'normal':'gauss2mf',[1.019 6 1.019 12]
MF4＝'more':'gauss2mf',[0.8493 10 0.1699 13]
MF5＝'max':'gauss2mf',[0.5096 13 0.5096 16]，
④捕收剂药剂用量单位为mL/L，捕收剂药剂用量的取值范围为[3,9]；其药剂用量主要分为“'min'、'less'、'normal'、'more'、'max'”五个级别；
MF1＝'min':'gauss2mf',[0.1699 3 0.1699 4.5]
MF2＝'less':'gauss2mf',[0.2548 4 0.2548 5.5]
MF3＝'normal':'gauss2mf',[0.5096 5 0.5096 7]
MF4＝'more':'gauss2mf',[0.1699 7 0.1699 8]
MF5＝'max':'gauss2mf',[0.1699 8 0.1699 9]。
S5、将得到的药剂添加量和实时采集到的检测数据D1作为GRNN神经网络预测模型的输入样本数据B，获得预测精矿品位和金属回收率数据Y；
本发明采用的GRNN神经网络算法又称为广义回归神经网络算法，它主要由四层构成，分别为输入层(input layer)，模式层(pattern layer)，求和层(summation layer)和输出层(output layer)；
①输入层
输入层神经元的数目等于学习样本中输入向量的维数n，各神经元是简单的分布单元，直接将输入变量传递至模式层。对应的网络输入为：X＝[x1，x2，…，xn]T；
②模式层
模式层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，模式层神经元传递函数为
神经元i的输入为输入变量与其对应的变量X之间Euclid距离平方的指数平方Di 2＝(X-Xi)T(X-Xi)的指数形式。式中，pi为其随机变量X系数，X为网络输入变量；Xi为第i个神经元对应的学习样本，T为转置标志，σ为光滑因子；
③求和层
求和层中对两种类型的神经元进行求和，
计算公式为：
它对所有模式层神经元的输出进行算法求和，其模式层与各神经元的连接权值为1，传递函数为：
计算公式为：
它对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，传递函数为：
④输出层
输出层中的神经元数目等于学习样本中输出向量的维数m，各神经元将求和层的输出相除，神经元j的输出对应估计结果的第j个元素，即
因此，最终的输出为Y＝[y1，y2]T；
S6、判断预测精矿品位和金属回收率数据Y是否满足要求，若满足，则将模糊专家系统给出的药剂添加量为当前加药量，执行当前的加药量，获得的实际精矿品位和金属回收率；若不满足，则返回模糊专家系统重新推理，重复S4、S5和S6的操作；
本发明所述的S6判断最终预测精矿品位和金属回收率数据Y是否满足要求包括：将GRNN神经网络预测模型得到的最终预测精矿品位和金属回收率数据Y与选矿厂的合格指标进行对比，当误差在2％范围内，其模糊专家系统给出的药剂加药量为正确的；反之，则返回S4重新推理。
采取模糊专家系统，利用传感器检测浮选过程中的多项数据，尽可能掌握浮选详情，同时对加药后的现场情况进行采集，得到的药剂加药量，保证采用已制定的加药规则满足当前的选矿指标。
S7、将GRNN神经网络预测模型的根据药剂加药量获得的精矿品位和金属回收率数据Y与已执行当前的加药量后得到的实际精矿品位和金属回收率进行比较，若误差小于等于2％时，不再进行任何操作，若误差大于2％时，则更新历史数据库。
所述的S7包括：GRNN神经网络预测模型的预测数据(精矿品位和金属回收率)与执行当前的加药量后得到的实际精矿品位和金属回收率进行比较，若误差小于等于2％时，不再进行任何操作，否则利用欧式距离计算方法更新数据库；
欧式距离计算方法采用n维空间进行处理：
d(x,y)为数据组(x1,x2,…,xn)与当前数据组(y1,y2,…,yn)之间的欧式距离。
其中数据组(x1,x2,x3,…xn)为综合数据库中的数据，当前数据组(y1,y2,y3,…,yn)为历史数据库中的数据。
利用欧氏距离计算方法更新历史数据库，保证预测模型的准确性和容错性；该发明方法应用于浮选加药的自适应调控功能，减少了浮选调控的运算量，在浮选过程影响因素多样性的同时保证浮选加药调控的稳定性和精确性，实现浮选精矿品位的稳定性和获得最佳的金属回收率。
本实施例的电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
本实施例提供的计算机控制系统为现有技术，在此不做赘述，由控制终端中的处理器加载并执行上述方法。

Claims (8)

1.一种浮选加药自适应调控方法，包括传感器检测装置、影像获取装置和电子设备及计算机控制系统，其特征在于，包括以下步骤：
S1、利用传感器检测装置和影像获取装置采集浮选过程中的检测数据，同时打开历史数据库，分别根据检测数据D1建立综合数据库和将检测数据D1与历史数据融合构成待整合数据D2；
S2、利用粗糙集属性约简算法和主成分分析方法对待整合数据D2进行整合，获得GRNN神经网络模型的输入训练数据A，并构建GRNN神经网络模型；
S3、利用K-fold交叉验证方法对GRNN神经网络模型进行优化训练，构建GRNN神经网络预测模型，将输入训练数据A与历史数据库中精矿品位和金属回收率的对比，若对比值的误差小于2％时，构建优化后的GRNN神经网络预测模型，若对比值的误差大于2％时，返回GRNN神经网络模型重新进行优化；
S4、采用模糊专家系统，利用Mamdani模糊推理机进行推理，得到药剂添加量；
S5、将得到的药剂添加量和实时采集到的检测数据D1作为GRNN神经网络预测模型的输入样本数据B，获得预测精矿品位和金属回收率数据Y；
S6、判断预测精矿品位和金属回收率数据Y是否满足要求，若满足，则将模糊专家系统给出的药剂添加量为当前加药量，执行当前的加药量，获得的实际精矿品位和金属回收率；若不满足，则返回模糊专家系统重新推理，重复S4、S5和S6的操作；
S7、将GRNN神经网络预测模型获得的精矿品位和金属回收率数据Y与已执行当前的加药量后得到的实际精矿品位和金属回收率进行比较，若误差小于等于2％时，不再进行任何操作，若误差大于2％时，则更新历史数据库。
2.根据权利要求1所述的一种浮选加药自适应调控方法，其特征在于，所述的S1中的检测装置为多传感检测装置，包括电磁流量计、粒度检测仪、浓度计检测仪、压力传感器、热电阻传感器和编码器，所述的影像获取装置为高清摄像机，所述的检测数据D1为浮选过程中的检测数据,包括矿浆流量、给矿粒度、给矿品位、矿浆浓度、矿浆液位、矿浆密度、泡沫层厚度、泡沫特征、矿浆温度、刮泡时间、刮泡速度、矿浆充气量和水流速度，所述泡沫特征包含泡沫颜色、泡沫大小和泡沫稳定性。
3.根据权利要求1所述的一种浮选加药自适应调控方法，其特征在于，所述的历史数据库存放已执行完毕之后的所有历史数据，已经执行的各个加药量以及执行结束后获得的精矿品位和金属回收率。
4.根据权利要求1所述的一种浮选加药自适应调控方法，其特征在于，所述的S2中待整合数据D2包括检测数据D1和历史数据库中的历史数据，利用粗糙集属性约简算法和主成分分析方法对待整合数据D2进行处理，包括下列步骤：
a.粗糙集属性约简算法：在数据处理中采用属性相似度的属性约简算法进行处理；
在信息系统L＝(U,C,D)，其中U为论域，为待整合数据D2，C为条件属性集，D为决策属性集，条件属性集C为已检测历史数据类型集合，决策属性集D为已知的精矿品位和金属回收率数据类型集合，通过属性相似度的属性约简算法，最终输出R，即R为条件属性集C的一个相对约简的数据集X；
b.主成分分析法：基于特征值分解协方差矩阵实现PCA算法；
输入：数据集X＝{x1,x2,x3,...,xn}，需要降到k维，
①去平均值以实现去中心化，每一位特征减去各自的平均值；
②计算协方差矩阵
③用特征值分解方法求协方差矩阵的特征值与特征向量；
④选取累计贡献率达90％的特征值所对应的k个主成分，然后将其对应的k个主成分分别作为行向量组成特征向量矩阵P；
⑤将数据转换到k个特征向量构建的新数据集中，即Z＝PX，作为GRNN神经网络模型的输入数据A，Z为降维得到的k维数据集。
5.根据权利要求1所述的一种浮选加药自适应调控方法，其特征在于，所述的S3中利用K-fold交叉验证方法对GRNN神经网络模型进行优化训练，构建GRNN神经网络预测模型，包括下列步骤：
a.利用K-fold交叉验证方法对GRNN神经网络模型进行优化训练；
①利用K折交叉验证法把输入数据A分为K个子集，每个子集包括训练样本数相同且无重合的样本；
②分别从K-1个训练子集和1个测试子集中找出模型中错误率最低的样本子集，重复n次，找出K折交叉验证中最佳的σ和mse值；
③循环K轮交叉验证后，当mse<2％时，获得此次模型中最佳的σ，最佳输入值和最佳输出值；
④最终选用交叉验证中最佳的σ建立GRNN神经网络预测模型；
其中mse为误差值，σ为光滑因子，K为K-fold交叉验证的次数，其中可采用5折交叉验证。
6.根据权利要求1所述的一种浮选加药自适应调控方法，其特征在于，所述的S4中模糊专家系统的基本构成为：
a.定义已检测数据D1和取值范围，并利用两边型高斯隶属函数模糊处理获得模糊集；
b.建立模糊规则，利用Mamdani模糊推理机进行推理；
c.定义输出变量NaOH、淀粉、CaO和捕收剂的药剂添加量和范围，并利用两边型高斯隶属函数去模糊化处理，获得药剂添加量。
7.根据权利要求1所述的一种浮选加药自适应调控方法，其特征在于，所述的S6判断最终预测精矿品位和金属回收率数据Y是否满足要求包括：将GRNN神经网络预测模型得到的最终预测精矿品位和金属回收率数据Y与选矿厂的合格指标进行对比，当误差在2％范围内，其模糊专家系统给出的加药量为正确的；反之，则返回步骤(4)重新推理。
8.根据权利要求1所述的一种浮选加药自适应调控方法，其特征在于，所述的S7中更新历史数据库是利用欧式距离计算方法采用n维空间更新历史数据库；
欧式距离计算方法采用n维空间进行处理：
d(x,y)为数据组(x1,x2,…,xn)与当前数据组(y1,y2,…,yn)之间的欧式距离；
其中数据组(x1,x2,x3,…xn)为综合数据库中的数据，当前数据组(y1,y2,y3,…,yn)为历史数据库中的数据。
CN202210444748.5A 2022-04-26 2022-04-26 一种浮选加药自适应调控方法 Active CN114871000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210444748.5A CN114871000B (zh) 2022-04-26 2022-04-26 一种浮选加药自适应调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210444748.5A CN114871000B (zh) 2022-04-26 2022-04-26 一种浮选加药自适应调控方法

Publications (2)

Publication Number Publication Date
CN114871000A CN114871000A (zh) 2022-08-09
CN114871000B true CN114871000B (zh) 2023-08-11

Family

ID=82672679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210444748.5A Active CN114871000B (zh) 2022-04-26 2022-04-26 一种浮选加药自适应调控方法

Country Status (1)

Country Link
CN (1) CN114871000B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115445785B (zh) * 2022-09-05 2024-08-06 中南大学 一种基于记忆网络和预测控制器的锌快粗加药量调整方法
CN117193025B (zh) * 2023-11-07 2024-02-02 矿冶科技集团有限公司 加药机控制方法、装置、电子设备及存储介质
CN118022994B (zh) * 2024-04-12 2024-08-06 鞍山广联科技发展有限公司 选矿厂浮选加药方法、加药系统、电子设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5135662A (en) * 1990-10-04 1992-08-04 Ho Bosco P Tube clarifier method for monitoring and/or controlling clarification processes
CN101306026A (zh) * 2007-05-18 2008-11-19 杨明 一种采用泡沫浮选法制备的青黛及其制备方法和装置
CN101362118A (zh) * 2008-09-17 2009-02-11 中南大学 浮选柱矿浆二次矿化的方法
KR20100128910A (ko) * 2009-05-29 2010-12-08 (주)제이브이엠 자동 약품 관리 시스템의 로봇 작업툴
CN108136582A (zh) * 2016-07-29 2018-06-08 深圳市赛亿科技开发有限公司 一种自动探测和规避障碍物的机器人
CN111035973A (zh) * 2019-12-06 2020-04-21 山西汇永青峰选煤工程技术有限公司 一种浓缩池煤泥检测与加药装置
CN113695084A (zh) * 2021-08-24 2021-11-26 太原钢铁(集团)有限公司 一种提高浮选分选效率的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5135662A (en) * 1990-10-04 1992-08-04 Ho Bosco P Tube clarifier method for monitoring and/or controlling clarification processes
CN101306026A (zh) * 2007-05-18 2008-11-19 杨明 一种采用泡沫浮选法制备的青黛及其制备方法和装置
CN101362118A (zh) * 2008-09-17 2009-02-11 中南大学 浮选柱矿浆二次矿化的方法
KR20100128910A (ko) * 2009-05-29 2010-12-08 (주)제이브이엠 자동 약품 관리 시스템의 로봇 작업툴
CN108136582A (zh) * 2016-07-29 2018-06-08 深圳市赛亿科技开发有限公司 一种自动探测和规避障碍物的机器人
CN111035973A (zh) * 2019-12-06 2020-04-21 山西汇永青峰选煤工程技术有限公司 一种浓缩池煤泥检测与加药装置
CN113695084A (zh) * 2021-08-24 2021-11-26 太原钢铁(集团)有限公司 一种提高浮选分选效率的方法

Also Published As

Publication number Publication date
CN114871000A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN114871000B (zh) 一种浮选加药自适应调控方法
Zhou et al. A novel soft sensor modeling approach based on difference-LSTM for complex industrial process
KR102440372B1 (ko) 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN109800875A (zh) 基于粒子群优化和降噪稀疏编码机的化工故障检测方法
CN111914492B (zh) 一种基于进化优化的半监督学习工业过程软测量建模方法
Dash et al. A differential harmony search based hybrid interval type2 fuzzy EGARCH model for stock market volatility prediction
CN111768000A (zh) 在线自适应微调深度学习的工业过程数据建模方法
CN111639882B (zh) 一种基于深度学习的用电风险的判定方法
CN110981021B (zh) 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法
Gu et al. Bayesian Takagi–Sugeno–Kang fuzzy model and its joint learning of structure identification and parameter estimation
CN110045606A (zh) 一种用于分布式参数系统在线建模的增量时空学习方法
CN115841278B (zh) 电能计量装置运行误差状态评价方法、系统、设备及介质
CN111507365A (zh) 一种基于模糊聚类的置信规则自动生成方法
Li et al. The method of reagent control based on time series distribution of bubble size in a gold‐antimony flotation process
CN110245398B (zh) 空气预热器转子热变形量的软测量深度学习方法
Hájek et al. Intuitionistic neuro-fuzzy network with evolutionary adaptation
CN113126489A (zh) 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法
CN116880201A (zh) 基于模糊神经网络的水网渠道状态控制系统
Liu et al. STA-APSNFIS: STA-optimized adaptive pre-sparse neuro-fuzzy inference system for online soft sensor modeling
Xie et al. An accuracy model for on-line prediction of effluent ammonia nitrogen in anammox treatment system based on pca-bp algorithm
Yang et al. A novel decentralized weighted ReliefF-PCA method for fault detection
Wang et al. Sugeno model, fuzzy discretization, and the EM algorithm
Zhang et al. Soft-Sensing Method of Effluent Ammonia Nitrogen Based on Emotional Neural Network
CN114384870B (zh) 基于核局部线性嵌入pls的复杂工业过程运行状态评价方法

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