CN116794088A - 一种x荧光品位分析仪铜浮选泡沫品位在线补偿方法 - Google Patents
一种x荧光品位分析仪铜浮选泡沫品位在线补偿方法 Download PDFInfo
- Publication number
- CN116794088A CN116794088A CN202310969359.9A CN202310969359A CN116794088A CN 116794088 A CN116794088 A CN 116794088A CN 202310969359 A CN202310969359 A CN 202310969359A CN 116794088 A CN116794088 A CN 116794088A
- Authority
- CN
- China
- Prior art keywords
- grade
- fluorescence
- analyzer
- flotation
- 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
- 238000005188 flotation Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 88
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 44
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 44
- 239000010949 copper Substances 0.000 title claims abstract description 44
- 239000006260 foam Substances 0.000 title claims abstract description 13
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 239000012141 concentrate Substances 0.000 claims description 61
- 238000011084 recovery Methods 0.000 claims description 31
- 238000003745 diagnosis Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000000491 multivariate analysis Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000007473 univariate analysis Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000002864 sequence alignment Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000004876 x-ray fluorescence Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003556 assay Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 238000005273 aeration Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种X荧光品位分析仪铜浮选泡沫品位在线补偿方法,属于工艺过程数据协同计算技术领域,包括:获取X荧光品位分析仪的在线检测历史数据,并对在线检测历史数据进行分析,确定X荧光品位分析仪的主要故障类型;采用精确推理和非精确推理对主要故障类型进行诊断,获得X荧光品位分析仪的性能性故障信息和/或结构性故障信息;根据性能性故障信息,采用补偿模型对铜浮选生产过程进行补偿;或,根据结构性故障信息,采用补偿模型对铜浮选生产过程进行控制;该方法采用精确推理和非精确推理相结合的方式对故障信息进行判断,可有效识别出异常数据;且针对不同的故障信息采用了不同的解决策略,提高了X荧光品位分析仪的测量精度。
Description
技术领域
本发明属于工艺过程数据协同计算技术领域,更具体的说是涉及一种X荧光品位分析仪铜浮选泡沫品位在线补偿方法。
背景技术
X射线荧光就是被分析样品在X射线照射下发出的X射线,它包含了被分析样品化学组成的信息,通过对上述X射线荧光的分析确定被测样品中各组份含量的仪器就是X射线荧光分析仪。
对于一个闭环浮选流程,主要的关键指标为原矿品位、尾矿品位和精矿品位。在早期铜浮选生产过程中,浮选关键指标监测通常是由人工化验为主,人工取样化验存在着时间上滞后性,无法及时给与生产指导;同时,人工取样严重受限于操作人员的取样手法和准备性,严重影响了浮选生产过程指标稳定性。现代化选矿厂浮选生产过程中,浮选关键指标监测采用X射线荧光分析仪进行在线检测,通过X射线荧光分析仪实现浮选泡沫品位在线检测,为浮选工艺操作及药剂调整提供实时数据指导,提高生产效率,稳定生产指标。
浮选过程指标变化具有不确定性,其输入多样性,复杂性以及决策变量的多样性都导致了在浮选过程中运行状态是不断变化的,当生产指标不满足生产要求时,需要进行相应的操作调整。现有的X射线荧光分析仪主要由取样器、多路器、分析主机和管道组成,但是该类X射线荧光分析仪在一些铜浮选过程环境恶劣、原矿石品位波动较大的环境中,会存在不同程度的数据异常或者偏离,严重影响了测量精度。
因此,在铜浮选过程环境恶劣或原矿石品位波动较大的环境中,如何识别X荧光品位分析仪检测过程中异常数据,实现浮选过程关键指标准确检测,提高X射线荧光分析仪的测量精度,是本领域技术人员亟需解决的问题。
发明内容
鉴于上述问题,本发明提供一种X荧光品位分析仪铜浮选泡沫品位在线补偿方法,以至少解决上述背景技术中提到的部分技术问题。
为了实现上述目的,本发明采用如下技术方案:
一种X荧光品位分析仪铜浮选泡沫品位在线补偿方法,包括如下步骤:
步骤一、获取X荧光品位分析仪的在线检测历史数据,并对所述在线检测历史数据进行分析,确定所述X荧光品位分析仪的主要故障类型;
步骤二、采用精确推理和非精确推理对所述主要故障类型进行诊断,获得所述X荧光品位分析仪的性能性故障信息和/或结构性故障信息;
步骤三、根据所述性能性故障信息,采用补偿模型对铜浮选生产过程进行补偿;或,根据所述结构性故障信息,采用补偿模型对铜浮选生产过程进行控制。
进一步地,所述在线检测历史数据包括采样及化验周期、原矿品位、第一精矿品位和第一尾矿品位。
进一步地,所述步骤二具体包括:
基于精确推理构建性能性故障诊断推理机,并根据所述性能性故障诊断推理机判断所述主要故障类型中的性能性故障信息;
基于不精确推理构建结构性故障诊断推理机,并根据所述结构性故障诊断推理机判断所述主要故障类型中的结构性故障信息。
进一步地,所述补偿模型通过如下步骤构建而成:
S1、跟踪铜浮选生产过程数据,确定浮选品位相关过程参数;对浮选品位相关过程参数进行预处理;
S2、对预处理后的浮选品位相关过程参数进行变量分析,选取其中相关系数高于预设值的参数作为建模变量;
S3、基于所述建模变量,构建品位预测补偿模型和浮选机理模型;
S4、基于理论回收率的品位交叉验证策略,对所述品位预测补偿模型和浮选机理模型进行可靠性评价;
S5、将通过可靠性评价后的品位预测补偿模型和浮选机理模型作为补偿模型。
进一步地,在所述步骤S1中,所述预处理包括异常值检测与替换、均值求取和时序对整处理。
进一步地,在所述步骤S2中,所述变量分析包括单变量分析和多变量分析。
进一步地,所述步骤S3具体包括:
基于所述建模变量,采用最小二乘算法构建品位预测补偿模型;所述品位预测补偿模型的在线预测指标包括第二精矿品位和第二尾矿品位;
以所述建模变量和原料属性作为输入,以第三精矿品位作为输出,构建浮选机理模型。
进一步地,所述步骤S4具体包括:
S41、分别计算基于所述X荧光品位分析仪、所述品位预测补偿模型以及所述浮选机理模型的品位值计算理论回收率,依次记作第一品位值计算理论回收率、第二品位值计算理论回收率和第三品位值计算理论回收率;
S42、以所述第一精矿品位作为期望值,计算所述第二精矿品位与所述第一精矿品位之间的第一方差;以及计算所述第三精矿品位与所述第一精矿品位之间的第二方差
S43、根据所述品位值计算理论回收率、所述第一方差和所述第二方差,设计X荧光品位分析仪浮选品位补偿策略。
进一步地,所述步骤S41具体包括:
(1)获取所述X荧光品位分析仪正常时的原矿品位、第一精矿品位和第一尾矿品位;并根据所述原矿品位、所述第一精矿品位和所述第一尾矿品位,计算基于所述X荧光品位分析仪的第一品位值计算理论回收率;
(2)获取基于所述品位预测补偿模型的第二精矿品位和第二尾矿品位;并根据所述原矿品位、所述第一精矿品位、所述第二精矿品位和所述第二尾矿品位,计算基于所述品位预测补偿模型的第二品位值计算理论回收率;
(3)获取基于所述浮选机理模型的第三精矿品位;并根据所述原矿品位、所述第一精矿品位、所述第一尾矿品位和所述第三精矿品位,计算基于所述浮选机理模型的第三品位值计算理论回收率。
进一步地,所述步骤S43具体包括:
(1)当所述品位值计算理论回收率超出第一预设范围,则删除由所述品位预测补偿模型获得的相关预测数据;
(2)当所述X荧光品位分析仪正常时,对所述第一方差和所述第二方差进行对比,选择其中方差最小值对应的模型作为补偿模型,实现X荧光品位分析仪取样间隔品位实时预测;
(3)当所述X荧光品位分析仪异常时,以所述原矿品位作为上一个时间点的有效原矿品位,以所述第一尾矿品位作为所述品位预测补偿模型的第二尾矿品位;重新计算第一方差和第二方差,并选择其中方差最小值对应的精矿品位作为最终的精矿品位;
(4)当所述第一方差和第二方差超出第二预设范围,提示标定所述X荧光品位分析仪和所述品位预测补偿模型。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种X荧光品位分析仪铜浮选泡沫品位在线补偿方法,具有如下有益效果:
1、本发明采用精确推理和非精确推理相结合的方式对X荧光品位分析仪的故障信息进行判断,可有效识别出X荧光品位分析仪检测过程中异常数据;且本发明针对不同的故障信息采用了不同的解决策略,提高了X荧光品位分析仪的测量精度。
2、本发明将品位预测补偿模型和浮选机理模型相结合,并对品位预测补偿模型和浮选机理模型进行可靠性实时评价,大大提高了补偿精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的X荧光品位分析仪铜浮选泡沫品位在线补偿方法流程示意图。
图2为本发明实施例提供的浮选流程图及X荧光分析仪测点示意图。
图3为本发明实施例提供的品位预测补偿模型的预测效果示意图。
图4为本发明实施例提供的浮选机理模型的预测效果示意图。
图5为本发明实施例提供的X荧光品位分析仪铜浮选泡沫品位在线补偿方法效果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
参见图1所示,本发明实施例公开了一种X荧光品位分析仪铜浮选泡沫品位在线补偿方法,括如下步骤:
步骤一、获取X荧光品位分析仪的在线检测历史数据,并对在线检测历史数据进行分析,确定X荧光品位分析仪的主要故障类型;
步骤二、采用精确推理和非精确推理对主要故障类型进行诊断,获得X荧光品位分析仪的性能性故障信息和/或结构性故障信息;
步骤三、根据性能性故障信息,采用补偿模型对铜浮选生产过程进行补偿;或,根据结构性故障信息,采用补偿模型对铜浮选生产过程进行控制。
接下来对上述各个步骤进行详细说明。
在上述步骤一中,首先现场分析X荧光品位分析仪在线检测历史数据,确定并记录其采样及化验周期T,获取浮选流程的取样化验点,该取样化验点包括原矿品位、精矿品位和尾矿品位;为了便于后续说明,在此记作原矿品位α、第一精矿品位β和第一尾矿品位θ;
其次,对上述获得的在线检测历史数据进行分析,确定X荧光品位分析仪的主要故障类型W;由于X荧光分析仪系统的复杂性及其工作环境的多变性,导致其故障类型及故障模式纷繁复杂,因此从总体上看,主要故障类型W分为2类:性能性故障ω1和结构性故障ω2;通过公式表示为:
W=(ω1,ω2)
具体地,在本发明实施例中,X荧光品位分析仪采样周期为1800s;浮选流程为一次粗选、二次扫选、三次精选;取样化验点为3个,分别为原矿品位、精矿品位和尾矿品位;
在上述步骤二中,设计专家系统故障诊断法,对当前X荧光品位分析仪测量结果进行评价:搭建故障诊断专家知识库,但是,由于X荧光品位分析仪主要故障类型的多样性和先验知识的不确定性较多,普通的正向推理很难适用于现场,因此需要设计精确推理和非精确推理相结合的诊断推理机,即专家系统故障诊断法,实现X荧光品位分析仪的故障诊断;具体步骤如下:
(1)基于精确推理构建性能性故障诊断推理机,并根据所述性能性故障诊断推理机判断所述主要故障类型中的性能性故障信息;具体为:对于测量结果超出量程等性能性故障,可以搭建确定的知识或涉及到的推理规则,证据和结论之间,都有确定的因果关系,可以得到明确的性能性故障信息;该过程可表示为:
IF A(and/or)B Then C
其中,A和B均表示证据;C表示结论。
例如:精矿品位小于0,则表示为:IFβ<0orα>10Then error1。
(2)基于不精确推理构建结构性故障诊断推理机,并根据所述结构性故障诊断推理机判断所述主要故障类型中的结构性故障信息;具体为:对于取样器管道堵塞等结构性故障,因无法直接获得是否是管道堵塞还是其他机械结构异常,对于类似不确定的因果关系进行推理,采用先验概率统计思想,统计X荧光品位分析仪结构性故障是各个信号参数X的条件概率密度P(X|wi);当再次出现相同或者相似信号参数Xj,可以得到故障的后验概率,即得到当出现某一类条件工况时,其属于状态ωi的概率;该过程可表示为:
其中,i=1,2,…,n。j=1,2,…,m。
在上述步骤三中,根据上述步骤二所检测到的性能性故障信息和/或结构性故障信息,采用补偿模型对铜浮选生产过程进行补偿或控制;具体包括:
(1)当步骤二中检测到的是性能性故障信息时,说明是对应的检测数据存在问题,则此时进行故障报警,并将该部分异常的检测数据剔除,采用补偿模型对铜浮选生产过程进行数据补偿;
(2)当步骤二中检测到的是结构性故障信息时,说明是X荧光品位分析仪的结构出现了不可逆过程,从而导致其检测到的所有数据可能都会存在异常,此时剔除其现有的检测值,并采用补偿模型对铜浮选生产过程进行控制。
(3)当步骤二中检测到的是性能性故障信息和结构性故障信息时,按照上述(2)中的方式进行处理,即剔除X荧光品位分析仪现有的检测值,并采用补偿模型对铜浮选生产过程进行控制。
上述中的补偿模型通过如下步骤构建而成:
S1、跟踪铜浮选生产过程数据,确定浮选品位相关过程参数;对浮选品位相关过程参数进行预处理;
S2、对预处理后的浮选品位相关过程参数进行变量分析,选取其中相关系数高于预设值的参数作为建模变量;
S3、基于建模变量,构建品位预测补偿模型和浮选机理模型;
S4、基于理论回收率的品位交叉验证策略,对品位预测补偿模型和浮选机理模型进行可靠性分析;
S5、将通过可靠性评价后的品位预测补偿模型和浮选机理模型作为补偿模型。
接下来对该补偿模型的构建过程进行详细说明。
在上述步骤S1中,跟踪铜浮选生产过程数据,确定浮选品位相关过程参数;根据该浮选品位相关过程参数建立浮选过程参数数据库和泡沫图像数据库,包括原矿品位、浮选精矿品位、浮选尾矿品位、磨矿产品粒度、矿浆PH值、浮选液位设定值、充气量、浮选液位测量值、药剂加药量矩阵、泡沫尺寸矩阵、泡沫面积矩阵、泡沫稳定性矩阵、泡沫颜色特征矩阵、泡沫流速矩阵、浮选槽体积,矿浆体积流量和矿浆中矿物浓度等参数;
由于浮选过程工作环境复杂性,浮选相关数据噪声较大,因此需要对上述浮选品位相关过程参数进行预处理,具体包括:
(1)异常值检测与替换:通过当前值与历史值(正常范围)进行对比,如果当前值位于历史值的范围,则认为当前值为正常值;反之,认为该当前值为奇异值,并用前一时刻(或前几个时刻)的正常值代替当前值。
(2)均值求取:以一分钟时间尺度为基准,对所有数据求取均值作为分钟数据;在求取均值数据的过程中,可以滤掉噪声。
(3)时序对整处理:现场数据均为实时采集。由于浮选流程较长,当前时刻读取的数据不存在对应关系。通过生产跟踪,本实施例根据表1对分钟数据进行时序的对整。
表1实施例浮选流程相关工序浮选时间对整明细
工序 | 时间(min) |
磨矿溢流—粗选 | 5—10 |
粗一 | 6 |
扫一 | 6.4 |
扫二 | 6.6 |
进行搅拌桶 | 3.9 |
精一 | 12 |
精二 | 11 |
精三 | 11 |
在上述步骤S2中,由于浮选流程变量众多,在后期建模过程中变量的选择就显得尤为重要,因此需要对预处理后的浮选品位相关过程参数进行变量分析,该变量分析包括单变量分析和多变量分析;其中:
(1)单变量分析:单变量分析主要是通过计算单变量与目标变量之间的皮尔逊相关系数,从而确定所需变量,具体参见表2所示:
表2单变量相关分析(粗一)
(2)多变量分析:多变量分析主要是通过计算多变量与目标变量之间的回归系数,从而确定所需变量,具体参见表3所示:
表3多变量相关分析(粗一)
通过变量分析后,选取其中相关系数高于预设值的浮选品位相关过程参数作为建模变量x=(x1,x2,…,xn);具体可参见表4和图2所示:
表4尾矿铜品位预测模型变量选择表
/>
备注:一次粗选为两台浮选机简称粗一和粗二。
在上述步骤S3中,基于上述建模变量,构建品位预测补偿模型和浮选机理模型;具体包括:
(1)基于建模变量,采用最小二乘算法(PLS)构建品位预测补偿模型F1;在线预测指标为铜精矿品位及铜尾矿品位,为便于说明,在此记作第二精矿品位β1和第二尾矿品位θ1;具体表示为:
(β1,θ1)=F1(x1,x2,…,xn)
该品位预测补偿模型F1的预测效果可参见图3所示。
(2)以建模变量和原料属性作为输入,以铜精矿品位作为输出(记作第三精矿品位β2),构建浮选机理模型F2;具体表示为:
β2=F2(x1,x2,…,xn,V,Q,C0,H,R,μ,ρf,ρg)
其中,V表示浮选槽体积;Q表示矿浆体积流量;C0表示矿浆中有矿物浓度;H表示浮选槽高度;R表示浮选槽的底面半径;μ表示矿浆粘度;ρf表示矿浆密度;ρg表示气泡内气体密度;
该浮选机理模型F2的预测效果可参见图4所示。
在上述步骤S4中,由于模型在构建完成后,并不代表一定适用,因此本发明实施例中,基于理论回收率的品位交叉验证策略,对上述构建的品位预测补偿模型F1和浮选机理模型F2的可靠性进行实时评价,具体包括:
S41、分别计算基于X荧光品位分析仪、品位预测补偿模型F1以及浮选机理模型F2的品位值计算理论回收率,依次记作第一品位值计算理论回收率ε0、第二品位值计算理论回收率ε1和第三品位值计算理论回收率ε2;具体包括:
(1)获取X荧光品位分析仪正常时的原矿品位α、第一精矿品位β和第一尾矿品位θ;并根据原矿品位α、第一精矿品位β和第一尾矿品位θ,计算基于X荧光品位分析仪的第一品位值计算理论回收率ε0;表示为:
(2)获取基于品位预测补偿模型的第二精矿品位β1和第二尾矿品位θ1;并根据原矿品位α、第一精矿品位β、第二精矿品位β1和第二尾矿品位θ1,计算基于品位预测补偿模型的第二品位值计算理论回收率ε1;表示为:
(3)获取基于浮选机理模型的第三精矿品位β2;并根据原矿品位α、第一精矿品位β、第一尾矿品位θ和第三精矿品位β2,计算基于浮选机理模型的第三品位值计算理论回收率ε2;表示为:
S42、以第一精矿品位β作为期望值,计算第二精矿品位β1与第一精矿品位β之间的第一方差S1 2;以及计算第三精矿品位β2与第一精矿品位β之间的第二方差S2 2;表示为:
S43、根据品位值计算理论回收率、第一方差S1 2和第二方差S2 2,设计X荧光品位分析仪浮选品位补偿策略;具体包括:
(1)当品位值计算理论回收率超出第一预设范围,则删除由品位预测补偿模型获得的相关预测数据;
(2)当X荧光品位分析仪正常时,对第一方差S1 2和第二方差S2 2进行对比,选择其中方差最小值对应的模型作为补偿模型,实现X荧光品位分析仪取样间隔品位实时预测;
(3)当X荧光品位分析仪异常时,以原矿品位作为上一个时间点的有效原矿品位,以第一尾矿品位作为品位预测补偿模型的第二尾矿品位;重新计算第一方差S1 2和第二方差S2 2,并选择其中方差最小值对应的精矿品位作为最终的精矿品位;
(4)当第一方差S1 2和第二方差S2 2超出第二预设范围,提示标定X荧光品位分析仪和及品位预测补偿模型。
本发明实施例提供的X荧光品位分析仪铜浮选泡沫品位在线补偿方法的效果图可参见图5所示;其中,图5中的数据模型即为品位预测补偿模型F1;图5中的机理模型即为浮选机理模型F2。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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 (10)
1.一种X荧光品位分析仪铜浮选泡沫品位在线补偿方法,其特征在于,包括如下步骤:
步骤一、获取X荧光品位分析仪的在线检测历史数据,并对所述在线检测历史数据进行分析,确定所述X荧光品位分析仪的主要故障类型;
步骤二、采用精确推理和非精确推理对所述主要故障类型进行诊断,获得所述X荧光品位分析仪的性能性故障信息和/或结构性故障信息;
步骤三、根据所述性能性故障信息,采用补偿模型对铜浮选生产过程进行补偿;或,根据所述结构性故障信息,采用补偿模型对铜浮选生产过程进行控制。
2.针对权利要求1所述的X荧光品位分析仪铜浮选泡沫品位在线补偿方法,其特征在于,所述在线检测历史数据包括采样及化验周期、原矿品位、第一精矿品位和第一尾矿品位。
3.针对权利要求1所述的X荧光品位分析仪铜浮选泡沫品位在线补偿方法,其特征在于,所述步骤二具体包括:
基于精确推理构建性能性故障诊断推理机,并根据所述性能性故障诊断推理机判断所述主要故障类型中的性能性故障信息;
基于不精确推理构建结构性故障诊断推理机,并根据所述结构性故障诊断推理机判断所述主要故障类型中的结构性故障信息。
4.针对权利要求2所述的X荧光品位分析仪铜浮选泡沫品位在线补偿方法,其特征在于,所述补偿模型通过如下步骤构建而成:
S1、跟踪铜浮选生产过程数据,确定浮选品位相关过程参数;对浮选品位相关过程参数进行预处理;
S2、对预处理后的浮选品位相关过程参数进行变量分析,选取其中相关系数高于预设值的参数作为建模变量;
S3、基于所述建模变量,构建品位预测补偿模型和浮选机理模型;
S4、基于理论回收率的品位交叉验证策略,对所述品位预测补偿模型和浮选机理模型进行可靠性评价;
S5、将通过可靠性评价后的品位预测补偿模型和浮选机理模型作为补偿模型。
5.针对权利要求4所述的X荧光品位分析仪铜浮选泡沫品位在线补偿方法,其特征在于,在所述步骤S1中,所述预处理包括异常值检测与替换、均值求取和时序对整处理。
6.针对权利要求4所述的X荧光品位分析仪铜浮选泡沫品位在线补偿方法,其特征在于,在所述步骤S2中,所述变量分析包括单变量分析和多变量分析。
7.针对权利要求4所述的X荧光品位分析仪铜浮选泡沫品位在线补偿方法,其特征在于,所述步骤S3具体包括:
基于所述建模变量,采用最小二乘算法构建品位预测补偿模型;所述品位预测补偿模型的在线预测指标包括第二精矿品位和第二尾矿品位;
以所述建模变量和原料属性作为输入,以第三精矿品位作为输出,构建浮选机理模型。
8.针对权利要求7所述的X荧光品位分析仪铜浮选泡沫品位在线补偿方法,其特征在于,所述步骤S4具体包括:
S41、分别计算基于所述X荧光品位分析仪、所述品位预测补偿模型以及所述浮选机理模型的品位值计算理论回收率,依次记作第一品位值计算理论回收率、第二品位值计算理论回收率和第三品位值计算理论回收率;
S42、以所述第一精矿品位作为期望值,计算所述第二精矿品位与所述第一精矿品位之间的第一方差;以及计算所述第三精矿品位与所述第一精矿品位之间的第二方差;
S43、根据所述品位值计算理论回收率、所述第一方差和所述第二方差,设计X荧光品位分析仪浮选品位补偿策略。
9.针对权利要求8所述的X荧光品位分析仪铜浮选泡沫品位在线补偿方法,其特征在于,所述步骤S41具体包括:
(1)获取所述X荧光品位分析仪正常时的原矿品位、第一精矿品位和第一尾矿品位;并根据所述原矿品位、所述第一精矿品位和所述第一尾矿品位,计算基于所述X荧光品位分析仪的第一品位值计算理论回收率;
(2)获取基于所述品位预测补偿模型的第二精矿品位和第二尾矿品位;并根据所述原矿品位、所述第一精矿品位、所述第二精矿品位和所述第二尾矿品位,计算基于所述品位预测补偿模型的第二品位值计算理论回收率;
(3)获取基于所述浮选机理模型的第三精矿品位;并根据所述原矿品位、所述第一精矿品位、所述第一尾矿品位和所述第三精矿品位,计算基于所述浮选机理模型的第三品位值计算理论回收率。
10.针对权利要求9所述的X荧光品位分析仪铜浮选泡沫品位在线补偿方法,其特征在于,所述步骤S43具体包括:
(1)当所述品位值计算理论回收率超出第一预设范围,则删除由所述品位预测补偿模型获得的相关预测数据;
(2)当所述X荧光品位分析仪正常时,对所述第一方差和所述第二方差进行对比,选择其中方差最小值对应的模型作为补偿模型,实现X荧光品位分析仪取样间隔品位实时预测;
(3)当所述X荧光品位分析仪异常时,以所述原矿品位作为上一个时间点的有效原矿品位,以所述第一尾矿品位作为所述品位预测补偿模型的第二尾矿品位;重新计算第一方差和第二方差,并选择其中方差最小值对应的精矿品位作为最终的精矿品位;
(4)当所述第一方差和第二方差超出第二预设范围,提示标定所述X荧光品位分析仪和所述品位预测补偿模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969359.9A CN116794088B (zh) | 2023-08-03 | 2023-08-03 | 一种x荧光品位分析仪铜浮选泡沫品位在线补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969359.9A CN116794088B (zh) | 2023-08-03 | 2023-08-03 | 一种x荧光品位分析仪铜浮选泡沫品位在线补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116794088A true CN116794088A (zh) | 2023-09-22 |
CN116794088B CN116794088B (zh) | 2024-02-09 |
Family
ID=88036565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310969359.9A Active CN116794088B (zh) | 2023-08-03 | 2023-08-03 | 一种x荧光品位分析仪铜浮选泡沫品位在线补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116794088B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893700A (zh) * | 2016-04-26 | 2016-08-24 | 陆新建 | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 |
CN110728329A (zh) * | 2019-07-13 | 2020-01-24 | 中南大学 | 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 |
CN114861120A (zh) * | 2022-07-06 | 2022-08-05 | 矿冶科技集团有限公司 | 浮选泡沫品位计算方法、装置、电子设备及介质 |
-
2023
- 2023-08-03 CN CN202310969359.9A patent/CN116794088B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893700A (zh) * | 2016-04-26 | 2016-08-24 | 陆新建 | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 |
CN110728329A (zh) * | 2019-07-13 | 2020-01-24 | 中南大学 | 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 |
CN114861120A (zh) * | 2022-07-06 | 2022-08-05 | 矿冶科技集团有限公司 | 浮选泡沫品位计算方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116794088B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104764869B (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
CN105046402B (zh) | 一种应用于智能变电站二次设备的状态评估方法 | |
CN107862338B (zh) | 基于双检验法的海洋环境监测数据质量管理方法及系统 | |
DE69122357T2 (de) | Diagnostisches Verfahren zur Überwachung von Gas | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
US11893472B2 (en) | Accuracy compensation method for discharge caustic alkali concentration measuring device in evaporation process | |
CN105300923A (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
JPH07200040A (ja) | 製造プロセスを制御する方法 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
CN105891321B (zh) | 铁磁性材料结构力学性能的微磁检测标定方法 | |
CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
CN117573668B (zh) | 一种基于超声波燃气表计量数据的优化方法 | |
CN112395684A (zh) | 一种高速列车走行部系统智能故障诊断方法 | |
CN115099260A (zh) | 双螺杆输油泵在线监测机械故障实时诊断方法 | |
CN117889943B (zh) | 基于机器学习的气体超声波流量计检验方法及系统 | |
CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
CN116794088B (zh) | 一种x荧光品位分析仪铜浮选泡沫品位在线补偿方法 | |
CN110532699B (zh) | 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 | |
CN111881800A (zh) | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 | |
CN114547796B (zh) | 一种基于优化bn网络的球磨机特征融合故障诊断方法 | |
CN115407753A (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
CN112069621A (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN110967184B (zh) | 基于振动信号分布特征识别的变速箱故障检测方法和系统 | |
CN113836813A (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN107977724A (zh) | 一种高锰酸盐指数的水质软测量预测方法 |
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 |