一种湿法冶金浓密洗涤过程的故障监测与诊断方法技术

本发明专利技术涉及一种湿法冶金浓密洗涤过程的故障监测与诊断方法，步骤为：确定故障状态及影响因素，提取故障特征，采集样本数据；对采集的三维矩阵数据进行预处理，得到二维数据阵；根据二维数据阵，为进行样本训练，得到训练集；将训练集对SVM分类器进行训练，得到一个训练好的基于SVM的浓密机底流管道堵塞故障检测模型；用得到的检测模型对测试集进行标签预测，辅助实际决策和控制，或与实际结果比较，调整支持向量机分类器的参数。本发明专利技术利用支持向量机特有的优势解决小样本、非线性及高维模式识别问题，可以推广应用到函数估计等其他机器学习问题中，来辅助实际决策和控制，调整支持向量机分类器的参数，达到较理想的测试结果。

A method of fault monitoring and diagnosis for thick scrubbing process in Hydrometallurgy

The invention relates to a fault monitoring and diagnosis method for hydrometallurgical dense washing process. The steps are as follows: determining the fault status and influencing factors, extracting fault features, collecting sample data, preprocessing the collected three-dimensional matrix data, obtaining two-dimensional data matrix, and training samples according to two-dimensional data matrix. To the training set; train the training set to the SVM classifier, and get a trained SVM-based fault detection model for thick machine underflow pipeline blockage; use the obtained detection model to predict the label of the test set, assist the actual decision-making and control, or compare with the actual results, adjust the parameters of the SVM classifier. The method utilizes the unique advantages of support vector machine to solve the problems of small sample, non-linearity and high-dimensional pattern recognition, and can be extended to other machine learning problems such as function estimation, to assist actual decision-making and control, to adjust the parameters of support vector machine classifier, and to achieve better test results.

【技术实现步骤摘要】
一种湿法冶金浓密洗涤过程的故障监测与诊断方法
本专利技术涉及一种湿法冶金领域中的浓密洗涤技术，具体为一种湿法冶金浓密洗涤过程的故障监测与诊断方法。
技术介绍
湿法冶金是处理复杂矿、低品位矿、且对环境污染较少的一种冶金方法。湿法冶金是指金属矿物原料在酸性介质或碱性介质的水溶液中进行化学处理或有机溶剂萃取、分离杂质、提取金属及其化合物的过程。固液分离作为湿法冶金中连接浸出过程与置换过程的中间环节，位置关键作用明显，浓密洗涤过程是以浓密机为主要设备进行固液分离的。浓密机作为大型的固液分离设备，造价昂贵结构复杂，实际生产现场浓密机的生产环境比较恶劣、干扰因素较多，从而造成浓密洗涤过程工况复杂。由于控制不当、操作不当或疏于检测等因素，可能导致洗涤出的矿液质量超标，如“跑浑”和底流浓度过低等异常状况，影响金属回收率和硫精矿的压滤效果，严重时甚至会导致“压耙”事故，使生产过程中断。浓密机一旦发生严重故障致使洗涤工序无法进行，导致整个冶金工程生产瘫痪，造成巨大浪费和严重经济损失。对浓密洗涤过程的运行状态进行监测可以及时检测过程干扰以及其他的异常工况，定位并诊断引发故障的原因变量，有效预防“压耙”、“跑浑”等故障的发生，是实现浓密洗涤过程安全经济生产的关键，对保证生产过程安全运行，提高产品质量和生产效率有着重要意义。浓密机是浓密洗涤过程中的关键设备，它起到了将矿浆中固相和液相分离的作用。浓密机的构造主要有工作桥梁、刮泥传动装置、底部呈圆锥形的槽体、主轴提升装置、传动主轴、耙架和刮板组成。浓密机采用的传动方式为电机通过联轴器带动行星摆线减速器，减速器出轴通过一对开式齿轮带动涡轮减速器传至主轴，从而带动耙子转动。生产现场金矿的浓密洗涤过程使用一台高效浓密机，浓密机检测量有：来料浓度、来料流量、浓密机溢流槽液位、溢流流量、底耙压力、底流浓度、浓密机驱动电机的功率、浓密机洗水添加量，底流流量以及底流渣浆泵功率等。浓密机的控制目标是使浓密机能够正常稳定的运行，要求浓密机底流浓度控制在工艺要求的范围之内，以便在浓密机中维持一个浓缩泥浆床，保持一定的浓缩层有利于压缩，加强浓密，提高整个过程的运行效率。浓密机的溢流槽的液位也要控制在要求的设定值附近，超过设定值太多会引起溢流水溢出。底耙压力不能太大，否则可能使耙子负荷太大，造成“压耙”现象，影响正常工作。在实际生产过程中，浓密机底流管道易发生堵塞，主要是由于控制不当、自然因素(异物调入浓密机)等原因，造成生产过程延误，同时造成巨大的人力、物力及财力消耗。
技术实现思路
针对现有技术中湿法冶金的浓密洗涤过程存在浓密机底流管道易发生堵塞故障或失效的潜在可能性等不足，本专利技术要解决的问题是提供一种湿法冶金浓密洗涤过程的故障监测与诊断方法。为解决上述技术问题，本专利技术采用的技术方案是：本专利技术一种湿法冶金浓密洗涤过程的故障监测方法，包括以下步骤：1)确定故障状态及影响因素，提取故障特征，采集用于选定训练集和测试集的样本数据；，2)为建模和在线监测需要，对采集的三维矩阵数据进行预处理，得到二维数据阵；3)根据二维数据阵，为进行样本训练，得到训练集；4)将训练集对SVM分类器进行训练，得到一个训练好的基于SVM的浓密机底流管道堵塞故障检测模型；5)用得到的检测模型对测试集进行标签预测，辅助实际决策和控制，或与实际结果比较，调整支持向量机分类器的参数。步骤2)中对采集数据进行预处理为：将被训练的样本数据输入，进行数据归一化处理，其中，x为原始数据，y为归一化后的数据，xmax为原始数据中的最大值，xmin为原始数据中的最小值。步骤4)中将训练集对SVM分类器进行训练，得到一个训练好的基于SVM的浓密机底流管道堵塞故障检测模型为：采用径向基函数做为核函数：其中，xi为特征向量，σ为核函数参数，x为输入向量；该径向基核函数的每个基函数中心对应一个支持向量，网络结构及其网络权值由算法自动确定。步骤5)中还包括：用得到的检测模型对测试集进行标签预测，并与实际结果比较，调整支持向量机分类器的参数。本专利技术一种湿法冶金浓密洗涤过程的故障诊断方法，于包括以下步骤：采用支持向量机(SVM)方法对浓密机底流管道运行状况进行实时监测时，当检测出管道堵塞故障，采用随机森林分类方法对故障进行诊断，确定故障类型，进一步采取针对性措施；对故障进行诊断包括以下步骤：1)分析浓密洗涤工业过程，当浓密机底流管道发生堵塞时，确定故障类型及影响因素，即提取每一类故障特征；2)样本数据采集，从生产现场历史数据库获取历史数据，经数据分析、生产现场实际过程分析和现场专家知识调查，确定历史故障时间段，得到训练数据和测试数据，进一步得到训练样本和测试样本；3)样本训练，将每类故障设定一个标签，并将训练样本输入，得到一个训练好的基于随机森林分类的浓密机底流管道堵塞故障诊断模型；4)检验测试，将需测试样本输入到诊断模型，输出诊断结果，来辅助实际决策和控制；对故障进行诊断还包括以下步骤：将输出诊断结果与实际结果比较，调整随机森林分类器的参数。步骤1)中确定故障类型为三类，第一类为矿浆黏度过大，第二类为底流浓度过大，第三类为异物掉入浓密机。步骤2)中还包括：对训练样本结合间歇过程数据特点进行标准化处理，将三维数据按照D展开方式，即保留操作周期而将时间和过程变量两个维数上的数据糅合在一起，构成二维矩阵X(I×JK)，其每一行包含一次操作周期内的所有数据；标准化处理如下：其中，为标准化后的数据；为采集数据的平均值；sjk为数据的方差，I为操作周期，i为当前操作次数。步骤3)中将随机森林分类通过粒子群优化随机森林算法进行参数优化，步骤为：301)确定粒子群算法的初始参数，随机设定随机森林生成一棵树所随机选取的属性特征数量m和最终生成的决策树数量n；302)确定训练数据集、测试集，利用Bagging集成学习理论训练得到随机森林中的决策树分类器；用测试集数据，经过随机森林算法进行分类，计算随机森林分类准确率；303)将随机森林分类准确率作为粒子群算法的目标函数，采用粒子群算法对属性特征数量m和最终生成的决策树数量n进行迭代优化，选取确定最终模型的参数并生成随机森林模型。优化后参数m为38，n为150。步骤301)中，对步骤301)中的初始参数为：粒子群大小、初始位置以及初始速度。本专利技术具有以下有益效果及优点：1.本专利技术湿法冶金浓密洗涤过程的故障监测方法利用支持向量机(SupportVectorMachine，SVM)许多特有的优势解决小样本、非线性及高维模式识别问题，可以推广应用到函数估计等其他机器学习问题中，用得到的检测模型对测试集进行标签预测，将需测试样本输入到检测模型，输出检测结果，来辅助实际决策和控制，或与实际结果比较，调整支持向量机分类器的参数，达到较理想的测试结果。2.本专利技术湿法冶金浓密洗涤过程的故障诊断方法采用随机森林分类方法对故障进行诊断，确定故障类型，并用粒子群对随机森林的两参数进行优化，提高了分类的准确率，进一步采取针对性措施，通过仿真实验已验证其有效性和合理性，为浓密机底流管道堵塞故障诊断提供了重要途径，对切实保障现代复杂系统运行的安全性和可靠性，具有十分重要的意义，对浓密机底流管道易发生堵塞现象有效实施监测，避免由于控制不当、自然因素(异物调本文档来自技高网...

【技术保护点】
1.一种湿法冶金浓密洗涤过程的故障监测方法，其特征在于包括以下步骤：1)确定故障状态及影响因素，提取故障特征，采集用于选定训练集和测试集的样本数据；2)为建模和在线监测需要，对采集的三维矩阵数据进行预处理，得到二维数据阵；3)根据二维数据阵，为进行样本训练，得到训练集；4)将训练集对SVM分类器进行训练，得到一个训练好的基于SVM的浓密机底流管道堵塞故障检测模型；5)用得到的检测模型对测试集进行标签预测，辅助实际决策和控制，或与实际结果比较，调整支持向量机分类器的参数。

【技术特征摘要】
1.一种湿法冶金浓密洗涤过程的故障监测方法，其特征在于包括以下步骤：1)确定故障状态及影响因素，提取故障特征，采集用于选定训练集和测试集的样本数据；2)为建模和在线监测需要，对采集的三维矩阵数据进行预处理，得到二维数据阵；3)根据二维数据阵，为进行样本训练，得到训练集；4)将训练集对SVM分类器进行训练，得到一个训练好的基于SVM的浓密机底流管道堵塞故障检测模型；5)用得到的检测模型对测试集进行标签预测，辅助实际决策和控制，或与实际结果比较，调整支持向量机分类器的参数。2.根据权利要求1所述的湿法冶金浓密洗涤过程的故障监测方法，其特征在于步骤2)中对采集数据进行预处理为：将被训练的样本数据输入，进行数据归一化处理，其中，x为原始数据，y为归一化后的数据，xmax为原始数据中的最大值，xmin为原始数据中的最小值。3.根据权利要求1所述的湿法冶金浓密洗涤过程的故障监测方法，其特征在于步骤4)中将训练集对SVM分类器进行训练，得到一个训练好的基于SVM的浓密机底流管道堵塞故障检测模型为：采用径向基函数做为核函数：其中，xi为特征向量，σ为核函数参数，x为输入向量；该径向基核函数的每个基函数中心对应一个支持向量，网络结构及其网络权值由算法自动确定。4.根据权利要求1所述的湿法冶金浓密洗涤过程的故障监测方法，其特征在于步骤5)中还包括：用得到的检测模型对测试集进行标签预测，并与实际结果比较，调整支持向量机分类器的参数。5.一种湿法冶金浓密洗涤过程的故障诊断方法，其特征在于包括以下步骤：采用支持向量机(SVM)方法对浓密机底流管道运行状况进行实时监测时，当检测出管道堵塞故障，采用随机森林分类方法对故障进行诊断，确定故障类型，进一步采取针对性措施；对故障进行诊断包括以下步骤：1)分析浓密洗涤工业过程，当浓密机底流管道发生堵塞时，确定故障类型及影响因素，即提取每一类故障特征；2)样本数据采集，从生产现场历史数据库获取历史数据，经数据分析、生产现场实际过程分析和现场专家知识调查，确定历史故障时间段，得到训练数据和...

【专利技术属性】
技术研发人员：肖冬，于志超，刘崇敏，单丰，杨丰华，付晓锐，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21