【技术实现步骤摘要】
一种基于纹理度优化的锌浮选加药量预测控制方法
本专利技术属于泡沫浮选
，具体涉及一种锌浮选过程加药量预测控制的方法。
技术介绍
泡沫浮选是利用矿物的亲疏水性的差异将矿物从无用脉石中分离出来的过程，锌浮选过程的加药量主要由经验丰富的操作工肉眼观察浮选槽表面泡沫的颜色、大小、纹理等状态判断生产状态进行调整。然而人工观察存在很强的主观性和操作的随意性，使得浮选过程中加药操作误差大、效率低，可能由于不准确判别而导致药剂、矿物资源的严重浪费，精选槽中泡沫的纹理特征与泡沫的精矿品位密切相关，因此通过控制精选槽中的纹理复杂度在一定的范围，则能够控制好最终得到的精矿品位达到标准。目前现有的浮选过程加药量控制方法主要是针对浮选泡沫的尺寸特征进行研究，通过研究泡沫大小的尺寸分布概率函数(PDF)，建立Hammerstein-Wiener模型对粗选槽加药6分钟后的泡沫尺寸分布曲线进行预测，通过分析泡沫尺寸判断浮选好坏，利用模型预测的泡沫尺寸分布曲线和期望的最佳尺寸分布曲线(得到精矿品位较高的粗选生产过程的泡沐尺寸分布曲线)的差值建立...
【技术保护点】
1.一种基于纹理度优化的锌浮选加药量预测控制方法，其特征在于包括以下步骤：/nS1.提取锌浮选粗选槽中的泡沫图像特征，包括浮选泡沫图象的熵值、能量、逆差矩、泡沫尺寸和泡沫颜色：通过对N幅锌粗选泡沫图像进行特征提取，采取空间灰度共生矩阵方法，即SGLCM方法，提取泡沫图象的熵值、能量、逆差矩得到具体数据集分别为E
【技术特征摘要】
1.一种基于纹理度优化的锌浮选加药量预测控制方法，其特征在于包括以下步骤：
S1.提取锌浮选粗选槽中的泡沫图像特征，包括浮选泡沫图象的熵值、能量、逆差矩、泡沫尺寸和泡沫颜色：通过对N幅锌粗选泡沫图像进行特征提取，采取空间灰度共生矩阵方法，即SGLCM方法，提取泡沫图象的熵值、能量、逆差矩得到具体数据集分别为Er＝[E1，E2，E3，E4...En]、Ar＝[A1，A2，A3，A4，...An]、Cr＝[C1，C2，C3，C4，...Cn]，采用经典的分水岭算法分割并提取泡沫尺寸特征数据S＝[S1，S2，S3，S4...Sn]，泡沫颜色特征经由HSV颜色通道进行计算得到数据Co＝[Co1，CO2，CO3，CO4...Con]，将该五个特征数据构成粗选特征数据集U；
S2.挑选出N幅粗选槽泡沫图象相对应的精选槽图象，采取SGLCM方法分别提取出N幅锌精选图象的纹理特征参数：
熵值
能量
逆差矩
通过分析这三个特征参数与泡沫图象纹理以及实际精矿品位之间关系，精矿品位高对应的精选槽图象的能量低，熵值和逆差矩高，故定义精选槽纹理复杂度：
对N幅精选槽图象分别计算纹理复杂度TC，构成精选槽纹理复杂度数据集T＝[TC1，TC2，TC3，TC4...TCn]，其中i，j为泡沫图象的像素值，L为图象的量化级数，pd(i，j)为空间灰度共生矩阵中第i行，第j列的元素；
S3.构建BP神经网络预测模型进行精选泡沫图象的纹理复杂度预测：
a.将提取的锌粗选泡沫图象的熵值Er＝[E1，E2，E3，E4...En]、能量Ar＝[A1，A2，A3，A4，...An]、逆差矩Cr＝[C1，C2，C3，C4，...Cn]、泡沫尺寸S＝[S1，S2，S3，S4...Sn]和泡沫颜色Co＝[Co1，CO2，CO3，CO4...Con]作为输入层的5个输入变量；精选槽纹理复杂度TC作为神经网络的输出变量；
b.根据特征重要度对5个输入变量进行信任度分配，根据信任度得到对比度、熵值、相关性、泡沫尺寸、泡沫颜色的权重值为w1，w2，w3，w4，w5；
c.神经网络的隐含层节点确定根据经验公式：其中m为隐含层节点数，g为输入层节点数，o为输出层节点数；由于输入变量为5个，输出变量为1个，选择隐含层节点数m在2～13之间；
d.将已确定权值的输入变量和输出变量输入到神经网络中训练出精选槽纹理复杂度预测模型：从步骤S1获得的...
【专利技术属性】
技术研发人员：唐朝晖，李涛，张虎，张国勇，罗金，李耀国，袁鹤，戴智恩，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。