一种锌浮选过程精矿品位预测方法技术

本发明专利技术提供了一种锌浮选过程精矿品位预测方法，包括了以下步骤：首先通过浮选过程图像采集处理系统采集锌浮选过程图像特征数据以及对应的精矿品位数据，并对采集的数据进行预处理；根据预处理后的锌浮选图像特征数据以及精矿品位数据，组成样本空间，然后根据精矿品位的高低划分五个独立的子样本空间并分别做时间差分；采用KPCA对特征进行相关分析,提取贡献率高特征作为关键泡沫特征；基于关键特征样本训练LSSVM，建立图像特征与精矿品位之间的关系；使用改进菌群算法求解预测模型，寻优LSSVM的惩罚因子ξ和核宽度σ两个参数；本方法可直接在计算机上编程实现，成本低，精度高，时效好，对指导现场生产具有重要意义。

A prediction method of concentrate grade in zinc flotation process

【技术实现步骤摘要】
一种锌浮选过程精矿品位预测方法
本专利技术属于泡沫浮选
，具体涉及一种锌浮选过程精矿品位预测方法。技术背景泡沫浮选是当今铅锌冶炼中最主要的选矿方法之一，浮选法是一种利用矿物颗粒表面的物理化学性质不同导致亲水性不同，进而对矿物进行分选的方法，具有很强的实用价值。但由于浮选工艺流程长，内部机理不明确，影响因素众多，涉及变量多且非线性严重，许多工艺指标不能在线检测的原因，一直以来都通过人工肉眼“看泡”来确定泡沫状态，进而预判得到的精矿品位，并以此来完成现场操作，这种方式主观性强，过多依靠经验知识，难以实现精矿品位的精确稳定预测，经常造成精矿品位的频繁波动，矿物原料流失严重，药剂消耗大，资源回收率低。因此，研究浮选过程精矿品位的实时在线检测方法，对提高精矿品位核矿物资源利用率具有重要的意义。随着计算机技术、数字图像处理技术的快速发展，将基于机器视觉的软测量技术应用于浮选过程给浮选指标的实时监测带来了新的突破，获得了更多与品位相关的浮选指标。浮选泡沫的颜色，大小，形状，稳定性，流速，纹理的特征与浮选工况，精矿品位，生产指标密切相关。浮选泡沫表面视觉特征是生产指标的重要指示，因此，浮选泡沫表面特征一直是选厂浮选生产调节的重要依据。但锌浮选过程是一个复杂的工业过程，通过浮选泡沫表面的特征直接预测出精矿品位传统的方法存在建模难，精度低等问题，而且泡沫图像多种特征之间的强耦合性大大增加了计算复制性，并影响预测模型的精度以及失效性。所以，降低特征复杂度，以及建立简单有效的预测模型将能解决传统预测模型精度低，时效差等问题。
技术实现思路
针对浮选过程中精矿品位在线检测比较困难，现有技术在锌浮选精矿品位预测上的不足，本专利技术利用与锌精矿品位相关的多种特征，提出一种锌浮选过程精矿品位预测方法。采用的技术方案具体步骤如下：S1：通过浮选过程图像采集处理系统获取锌快粗图像特征采集以及对应的精矿品位数据。S2：对采集到的锌浮选数据以及生产数据进行数据预处理，如下：(1)剔除测量到的数据取值超出变化范围的错误数据；(2)剔除不匹配的数据以及存在空缺值的数据；S3：由于泡沫特征之间存在着信息冗余，严重影响了对精矿品位预测的准确性，且增加了计算的复杂度。因此，通过核主成分分析法(KPCA)对特征进行相关分析，取贡献率较高特征作为关键泡沫特征。其主要步骤如下：(1)由于不同特征数据的量纲不同，先对原始数据进行标准化处理：由上式将标准化的数据xvu′组成数据矩阵X，式中xvu为标准化前的数据，和Sv分别是第v个指标的样本均值和样本标准差；(2)计算协方差矩阵：其中C为协方差矩阵，M为样本数，为高维映射函数；(3)计算协方差矩阵C的特征值与特征向量γVv＝Cγ(3)γ是特征值，V是特征向量，对应特征向量如公式(4)所示：由于特征向量V是由非线性映射空间组成，因此，式(3)等价于如下形式：将(2)(3)(4)带入(5)，且令核矩阵得KaM＝MγvaM，核矩阵的特征向量为a1，a2，...，aM，特征值为Mγv，将特征值按降序排序，提取前L个特征值(L＜M)以及对应的特征向量a1，a2，...，aL；(4)计算特征贡献率；贡献率是由特征值的大小所决定，计算公式如下：其中，M为主元成分个数，CRn为主成分贡献率，γv为第v个特征值，为总特征值；当CRn大于等于85％时为主成分，其对应的特征为关键特征。S4：将提取到的关键特征组成X，对应的精矿品位数据组成y，并根据精矿品位y的大小划分5个不同精矿品位区间，并与对应的特征数据组成5个子样本空间(X1，y1)，(X2，y2)，(X3，y3)，(X4，y4)，(X5，y5)；S5：对5个子样本空间分别做时间差分，组成差分序列(ΔX1，Δy1)，(ΔX2，Δy2)，(ΔX3，Δy3)，(ΔX4，Δy4)，(ΔX5，Δy5)，具体步骤如下：对5个子样本序列分别做时间差分，组成差分序列，具体如下：得到分别为锌快粗泡沫图像特征数据以及对应的精矿品位数据的一阶时间差分量，组成(ΔX，Δy)时间差分序列空间。然后，可建立输入输出差分量之间的回归模型：Δy(t)＝f(ΔX(t))(8)训练和回归模型之后，当输入一组新的样本X(tnew)，其输入的时间差分量为：ΔX(tnew)＝X(tnew)-X(tnew-1)(9)从而，其输出的一阶差分量可以通过训练好的的回归模型预测：y(tnew)＝Δy(tnew)+y(tnew-1)(10)S6：将5个时间差分序列空间(ΔX1，Δy1)，(ΔX2，Δy2)，(ΔX3，Δy3)，(ΔX4，Δy4)，(ΔX5，Δy5)数据作为训练数据共同训练LSSVM，建立图像特征与精矿品位之间的关系，其具体步骤有：(1)对于训练数据(ΔX，Δy)∈RL×R，L为关键特征样本空间维数，选择非线性映射将训练样本映射到高维线性空间；ω是权值系数，ωTω控制着模型的推广能力，pbias为偏差量，f(x)为估计函数。(2)根据结构化风险最小原则，建立二次规划求解问题：式中，J(ω，ε)为结构风险，ξ为惩罚系数，εu为允许误差。(3)定义拉格朗日函数：其中，αu∈R为拉格朗日乘子；(4)根据KKT优化条件可得：式中，y＝[y1，y2，...，yN]T，IN＝[1，1，...，1]T，θv′u′＝K(Xv′，Xu)，K(Xv′，Xu′)选用高斯径向核函数，a为向量参数，ξ是可调参数，根据Mercer条件其中(5)得到最小二乘支持向量机的输出：pbias为偏置，采用了高斯径向基核函数[RFB]作为LSSVM的核函数，此时有惩罚系数ξ和核函数宽度σ这2个参数需要确定。研究表明惩罚系数ξ越大，对经验误差的惩罚就越大，模型的回归误差就越小，但ξ过大会导致模型的过学习，过小又会导致欠学习。核函数宽度σ也影响模型的性能。因此，合适的ξ和σ是获得高性能LSSVM模型的关键。使用菌群算法(BFO)对LSSVM的2个参数进行优化，得到最优化的预测模型，并输出预测的品位值。S7：菌群算法(BFO)是通过模拟大肠杆菌的觅食过程提出的仿生搜索算法，通过判断适应度评价解的优劣性，不断迭代寻找最优解。主要操作是趋向、聚集、复制和迁徙。算法的具体步骤如图1所示。(1)首先初始化：p：表示搜索空间的维数；S：表示细菌种群大小；Nc：表示细菌进行趋向性行为的次数；Ns：表示趋向性操作中在一个方向上前进的最大步数；Nre：表示细菌进行复制性行为的次数；Ned：表示细菌进行迁徙性行为的次数；Ped：表示迁徙概率；C(i)：表示向前游动的步长。定义P(j，k，l)＝{θi(本文档来自技高网...

【技术保护点】
1.一种锌浮选过程精矿品位预测方法，其特征在于包括如下步骤：/nS1：通过浮选过程图像采集处理系统采集锌快粗泡沫图像特征数据以及对应的精矿品位数据，组成样本数据；/nS2：对采集到的锌快粗泡沫图像特征数据以及对应的精矿品位数据进行数据预处理，剔除不合理数据和有缺失项数据，得到预处理后的样本数据；/nS3：通过核主成分分析法对特征进行相关性分析，取贡献率CR

【技术特征摘要】
20190713 CN 20191063427151.一种锌浮选过程精矿品位预测方法，其特征在于包括如下步骤：
S1：通过浮选过程图像采集处理系统采集锌快粗泡沫图像特征数据以及对应的精矿品位数据，组成样本数据；
S2：对采集到的锌快粗泡沫图像特征数据以及对应的精矿品位数据进行数据预处理，剔除不合理数据和有缺失项数据，得到预处理后的样本数据；
S3：通过核主成分分析法对特征进行相关性分析，取贡献率CRn＞85％的特征作为关键泡沫特征；
S4：将提取到的关键特征X，对应的精矿品位数据y，组合成(X，y)样本空间，并根据精矿品位y的大小划分5个不同精矿品位区间，并与对应的特征数据组成5个子样本空间(X1，y1)，(X2，y2)，(X3，y3)，(X4，y4)，(X5，y5)；
S5：对5个子样本空间分别做时间分差分，组成时间差分序列空间(ΔX1，Δy1)，(ΔX2，Δy2)，(ΔX3，Δy3)，(ΔX4，Δy4)，(ΔX5，Δy5)，用K表示子样本空间序号，组成时间差分序列空间，具体如下：



得到分别为锌快粗泡沫图像特征数据以及对应的精矿品位数据的一阶时间差分量，组成(ΔX，Δy)时间差分序列空间；其中M表示特征数，N表示样本数，是第K个子样本空间的第v维输入列向量；
再建立输入输出差分量之间的回归模型：
Δy(t)＝f(ΔX(t))(2)
当输入一组新的样本X(tnew)，其输入的时间差分量为：
ΔX(tnew)＝X(tnew)-X(tnew-1)(3)
从而，输出y(tnew)为：
y(tnew)＝Δy(tnew)+y(tnew-1)(4)
式中X(tnew-1)为前一次样本输入，y(tnew-1)为前一次输出；
S6：将5个时间差分序列空间(ΔX1，Δy1)，(ΔX2，Δy2)，(ΔX3，Δy3)，(ΔX4，Δy4)，(ΔX5，Δy5)数据作为训练数据共同训练LSSVM；
S7：使用改进菌群算法优化LSSVM的惩罚因子ξ以及核宽度σ两个参数；得到最优化的预测模型，并输出预测的品位值，具体步骤如下：
S71：设定RMSE为评价函数：yu为精矿品位化验值，为预测模型输出的精矿品位估计值，n为验证样本数；
S72：初始化参数S，Nc，Ns，Nre，Ned，Ped，p，S为细菌规模，Nc为趋向次数，Ns为游动次数，Nre为繁殖次数，Ned为迁徙次数，Ped为基本迁徙概率，p为搜索维度；
S73：趋向循环：
1)细菌数i＝1，...，S；
2)Jlast＝J(i，j，k，l)，Jlast用于存储细菌迭代过程中最好的适应值；
3)趋向行为更新细菌位置θ：



j表示趋向次数，k表示繁殖次数，l表示迁徙次数，θi(j+1，k，l)表示细菌趋向发生后更新的位置，θi(j，k，l)表示趋向发生前的位置，Δ表示随机方向上的一个单位向量；
其中C(i)＝C(i)·...

【专利技术属性】
技术研发人员：唐朝晖，唐励雍，高小亮，范影，刘亦玲，张虎，李耀国，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43