一种基于数据驱动的煤泥浮选精煤灰份软测量方法技术

一种基于数据驱动的煤泥浮选精煤灰份软测量方法，是建立一个硬件平台和一个浮选精煤灰份的软测量方法，以浮选入料浓度、流量、浮选药剂加药量和尾矿闸板位置作为辅助变量，浮选精煤灰份作为主导变量，以辅助变量作为输入，浮选精煤灰分为模型输出进行软测量建模，并对模型进行校正和参数修正，以实时估计出当前浮选精煤的灰份含量。本发明专利技术应用简单、成本较低，只需要少量样本，就可以实现浮选精煤灰份的软测量，提高了测试的实时性，有助于实现浮选过程的优化控制。

【技术实现步骤摘要】

本专利技术涉及工业过程控制领域的软测量
，特别涉及对煤泥浮选过程中浮选精煤灰份进行软测量的方法。
技术介绍
软测量是解决某些关键参数急需测量但却没有相应测试仪器，或测试仪器过于昂贵情形下的一种有效途径。具体来讲，软测量就是将需要关心的变量(即待测变量)作为主导变量，而将引起主导变量变化的相关变量(可测变量)作为辅助变量，以辅助变量的数据做输入，主导变量的数据做输出，构建数学模型，从而获得主导变量值的方法，因此软测量有时也称为软仪表。软测量建模可以分为机理建模、数据驱动建模和混合建模三种方式，涉及到统计学、神经网络、支持向量机等多种方法。软测量建模的最大特点是对象依赖性强，对于不同的研究对象，相应的辅助变量选择差异性大，要求设计者同时具备对象工艺过程知识和测试建模的综合知识，才可能获得优良的软测量模型。煤炭洗选是洁净煤的基础和前提，浮选是煤炭洗选中处理细粒煤的主要方法。目前国内采用的煤泥浮选控制策略主要为前馈控制，即测取浮选入料的浓度和流量，计算干煤泥量，然后在此基础上，通过实验验证吨干煤泥量应该添加的浮选药剂种类、比例和加药点，从而实现煤泥浮选过程的稳定控制。采用这种控制策略存在的问题是:无法实时获知浮选精煤产品的灰份，实现浮选精煤质量卡边。目前国内控制精煤灰分指标的实际操作方法是大部分通过人工采样来化验浮选精煤的灰份，由于化验时间长，时间滞后，对生产指导作用有限，不能实现浮选精煤灰份的实时检测和质量卡边。国外一般是采用煤浆测灰仪来实现浮选精煤灰分的质量卡边控制的。然而由于测灰仪产品价格昂贵，花费巨大，我国绝大部分选煤厂难以配备。90年代末，由中国矿业大学和清华大学联合开发了煤浆测灰仪，同时开发了基于在线-->煤浆测灰仪的煤泥浮选优化控制系统，但由于安全和维护工作量大且复杂等问题，影响了产品推广。因此，寻求检测技术新机理、新方法来提高浮选过程的在线检测水平、实现浮选自动化，满足选煤综合自动化发展需求，是煤泥浮选自动化的一个重要研究方向。软测量技术的兴起与发展，为煤泥浮选精煤灰份检测提供了检测和测量的新思路和新方法。浮选过程是一个机理复杂、非线性、大时滞、强耦合的生产过程，影响浮选精煤产品质量因素众多，机理建模由于过多的简化，与实际浮选过程相去甚远，因此，基于数据驱动的建模方法成为浮选过程精煤灰份软测量建模的必由之路。G.T.Adel等(an advanced control system for fine coal flotation.1999，Final Technical Report，United States Department of Energy，Federal EnergyTechnology Center)对煤泥浮选的精煤采取了基于搅拌机理模型和卡尔曼滤波的方式确定。G.D.Gonzalez等(Local models for soft-sensors in a rougherflotation bank，Minerals Engineering.2003，(16):441-453)对铜浮选的粗选过程精矿品位进行了多种软测量建模方案的对比，发现模型只对操作点附近有效，操作点偏离过大将直接导致模型失配，因此要考虑可变工况对软测量建模的影响。周俊武等(基于RBF网络的浮选技术指标预报模型的研究.有色金属(选矿部分)，2002)以铅锌矿石工业浮选铅粗选矿为例，研究了原矿铅、锌品位，矿浆pH值，磨矿浓度以及药剂用量与浮选回收率和精矿品位之间的关系，并建立了神经网络模型。张勇(浮选生产过程经济技术指标的软测量建模，控制工程.2005，(12):346-348)进行了粗糙集-神经网络智能系统在铁矿浮选过程中的应用研究，将神经网络和粗糙集理论引入浮选建模过程中，使数据预处理和软测量建模与浮选生产工艺有机结合，探索浮选过程的建模与智能优化方法，并在工业现场进行了两个月的现场实验，取得良好的效果。对铜、铁、铅、锌矿的浮选过程的软测量建模方案为神经网络或统计学方-->法，需要足够多的数据，工业现场无法满足这种苛刻要求，同时模型只对操作点附近有效，操作点偏离过大将直接导致模型失配。上述软测量建模方法如机理建模、多元统计、卡尔曼滤波、人工神经网络方法等都是基于传统统计学方法的。传统统计学方法研究的是样本数目逼近无穷大时的渐进理论，但当样本数目有限或者是处理小样本时就难以取得理想的效果。其中神经网络又具有收敛速度慢、结构选择问题和局部极小、过学习和推广能力差等问题。
技术实现思路
本专利技术的目的是针对煤泥浮选过程中浮选精煤灰份测量方法的不足，提供一种基于数据驱动的煤泥浮选精煤灰份软测量方法，通过常规在线测量仪表和执行机构提供的测量参数，实时估计出当前浮选精煤的灰份含量。本专利技术的基于数据驱动的煤泥浮选精煤灰份软测量方法是基于新近发展起来的统计学习理论和支持向量回归预测算法，基于结构风险最小化原则而提出的，具有良好的模型泛化(或推广)能力。最小二乘支持向量机(简称为LS-SVM)是支持向量机SVM的一种演变，其主要思想是将SVM法中的不等式约束改为等式约束，且将误差平方和损失函数作为训练集的经验损失，这样就把问题转化为一个线形矩阵求解问题，简化了计算，提高了算法速度，同时保留了支持向量机的优点。本专利技术的基于数据驱动的煤泥浮选精煤灰份软测量方法是首先构建一个硬件平台，该硬件平台包括:浮选入料泵、矿浆准备器、浮选机、浮选药剂箱(包括捕收剂药剂箱和起泡剂药剂箱)和电动阀门，同时还配备了测量仪表和执行机构，以及用于进行软件计算的计算机系统。浮选入料泵与矿浆准备器管道连接，矿浆准备器通过其底部管道连接浮选机，浮选药剂箱通过管道分别通入矿浆准备器上部和浮选机第三槽入口端，电动阀门安装在浮选机尾部的浮选尾矿闸板上，用于调整浮选尾矿闸板的高度以控制浮选机液面高度。浮选入料经浮-->选入料泵打入矿浆准备器，并向矿浆准备器中添加浮选药剂捕收剂和起泡剂后，充分搅拌送入浮选机进行分选，在浮选机的第三槽入口端再次加入浮选药剂以尽可能回收精煤，最后经刮泡机构将浮选精煤刮出后形成精煤产品，尾矿自流并经脱水获得浮选尾煤。其测量仪表和执行机构包括:流量计:安装在进入矿浆准备器的管道上，用于测量进入浮选系统的入料煤浆的流量；浓度计:安装在进入矿浆准备器的管道上；用于测量进入浮选系统的入料煤浆的浓度；计量泵组:由捕收剂计量泵和起泡剂计量泵组成，分为第一计量泵组和第二计量泵组，分别位于矿浆准备器上部的连接管道和浮选机的第三槽入口端管道上，用于计量加入到浮选系统中药剂的数量；电动阀门:位于浮选机尾部的浮选尾矿闸板上，在控制浮选机液面高度的同时用于测量浮选尾矿闸板的位置。用于进行软件计算的计算机系统同时配置有可编程序控制器PLC和工业控制计算机，本专利技术的软测量软件就运行于工业控制计算机上。其次，在上述硬件平台的基础上创建一个浮选精煤灰份的软测量方法，由运行在工业控制计算机上的软测量软件与PLC进行通讯，获得实时过程数据和人机交互数据，并显示、保存浮选精煤灰份的软测量数据结果。本专利技术的软测量方法包括以下步骤:1、在浮选起车阶段实现基于吨干煤泥量的前馈控制。由于浮选起车所需时间较长，入料浓度极不稳定，因此这种情况不适合进行软测量。为此，在进行软测量测本文档来自技高网...

【技术保护点】
一种基于数据驱动的煤泥浮选精煤灰份软测量方法，是构建一个浮选精煤灰份测量硬件平台，并创建一个浮选精煤灰份的软测量方法，通过在线测量仪表和执行机构提供的测量参数和人机界面输入的入选原煤性质，实时估计出当前浮选精煤的灰份含量，其中：　基于数据驱动的煤泥浮选精煤灰份软测量方法包括以下步骤：　１）．辅助变量及主导变量的选择　采用浮选入料的浓度、流量、浮选药剂加药量和尾矿闸板位置作为辅助变量，浮选精煤灰份为主导变量，辅助变量来自于各个测量仪表和执行机构的数据序列，浮选精煤灰份由人工采样和化验获得，同时记录采样时刻，以和辅助变量时刻相对应，构建数据对；　２）．软测量数据的预处理　进行数据样本的预处理，即对输入数据进行标准化处理；　３）．建立软测量模型　以前面已经预处理的数据作为输入，以浮选精煤灰分为模型输出，进行基于最小二乘支持向量回归的浮选精煤灰分的软测量建模，得到以下非线性函数关系：　ｙ＝ｆ（ｘ）＝＊ａ↓［ｉ］Ｋ（ｘ，ｘ↓［ｉ］）＋ｂ　同时保存辅助变量数据，用于模型修正使用；　４）．模型测试与选择　使用测试样本对训练好的模型进行测试，如果满足误差要求，即认为模型可用；　５）．各种浮选入料条件下的软测量模型构建　按照上述方法建立选煤过程大多数工况条件下的软测量模型库，供实时检测时选用。...

【技术特征摘要】
1、一种基于数据驱动的煤泥浮选精煤灰份软测量方法，是构建一个浮选精煤灰份测量硬件平台，并创建一个浮选精煤灰份的软测量方法，通过在线测量仪表和执行机构提供的测量参数和人机界面输入的入选原煤性质，实时估计出当前浮选精煤的灰份含量，其中:基于数据驱动的煤泥浮选精煤灰份软测量方法包括以下步骤:1).辅助变量及主导变量的选择采用浮选入料的浓度、流量、浮选药剂加药量和尾矿闸板位置作为辅助变量，浮选精煤灰份为主导变量，辅助变量来自于各个测量仪表和执行机构的数据序列，浮选精煤灰份由人工采样和化验获得，同时记录采样时刻，以和辅助变量时刻相对应，构建数据对；2).软测量数据的预处理进行数据样本的预处理，即对输入数据进行标准化处理；3).建立软测量模型以前面已经预处理的数据作为输入，以浮选精煤灰分为模型输出，进行基于最小二乘支持向量回归的浮选精煤灰分的软测量建模，得到以下非线性函数关系:y=f(x)=Σi=1maiK(x,xi)+b]]>同时保存辅助变量数据，用于模型修正使用；4).模型测试与选择使用测试样本对训练好的模型进行测试，如果满足误差要求，即认为模型可用；5).各种浮选入料条件下的软测量模型构建按照上述方法建立选煤过程大多数工况条件下的软测量模型库，供实时检测时选用。2、根据权利要求1所述的基于数据驱动的煤泥浮选精煤灰份软测量方法，其特征是该软测量方法还包括:6).模型的校正和参数修正a)模型修正判断条件以软测量的计算结果和同时刻的采样数据化验结果的绝对值比较，规定若误差超过0.5％，且连续超过10次，即表示为现使用软测量模型不可用，要求进行模型替换；b)模型替换采用新的训练数据，训练及测试方法相同，直至新模型误差满足要求，用新近训练的模型替代原软测量模型以满足测试要求，以上过程一直保持循环。3、根据权利要求1所述的基于数据驱动的煤泥浮选精煤灰份软测量方法，其特征是创建浮选精煤灰份软测量方法的过程如下:设给定样本数据为(x1，y1)，(x2，y2)...(xm，ym)，其中xi∈Rk为输入向量，yi∈R为输出变量，且yi＝f(xi)，i＝1，2，...，m，f(x)为待估计的未知函数；作非线性映射φ:Rk→H，其中φ称为特征映射，H为特征空间，则被估计函数f(x)有如下形式:y＝f(x)＝wTφ(x)+b其中：w为空间H中的权向量，b∈R为偏置于是LS-SVM法估计非线性函数为如下特征空间中的最优问题:minw,b,eJ(w,e)=12wTw+12γΣi=1mei2]]>s.t.yi＝wTφ(xi)+b+ei其中ei∈RK为误差变量其中γ为一实数常量，为了避免过学习，常将γ设为较小的值；由于w可能为无限维的，因此将这一规划问题转化到其的对偶空间中，定义Lagra...

【专利技术属性】
技术研发人员：王然风，王东飞，高雪明，李文德，张文平，裴建勋，
申请(专利权)人：山西潞安矿业集团有限责任公司，山西潞安环保能源开发股份有限公司，
类型：发明
国别省市：14[中国|山西]