本发明专利技术公开了一种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。度。度。
【技术实现步骤摘要】
一种X荧光品位分析仪铜浮选泡沫品位在线补偿方法
[0001]本专利技术属于工艺过程数据协同计算
，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。
技术介绍
[0002]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。
[0003]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。
[0004]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。
[0005]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。
技术实现思路
[0006]鉴于上述问题，本专利技术提供一种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
技术介绍
中提到的部分技术问题。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]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：
[0009]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；
[0010]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；
[0011]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。
[0012]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。
[0013]进一步地，所述步骤二具体包括：
[0014]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；
[0015]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。
[0016]进一步地，所述补偿模型通过如下步骤构建而成：
[0017]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；
[0018]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；
[0019]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；
[0020]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；
[0021]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。
[0022]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。
[0023]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。
[0024]进一步地，所述步骤S3具体包括：
[0025]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；
[0026]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。
[0027]进一步地，所述步骤S4具体包括：
[0028]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；
[0029]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
[0030]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。
[0031]进一步地，所述步骤S41具体包括：
[0032](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；
[0033](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；
[0034](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。
[0035]进一步地，所述步骤S43具体包括：
[0036](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；
[0037](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；
[0038](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；
[0039](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。
[0040]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种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：
[0041]1、本专利技术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本文档来自技高网...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：赵海利，王庆凯，刘道喜，王旭，赵建军，邹国斌，郭万朋，余刚，张海洋，
申请(专利权)人：矿冶科技集团有限公司，
类型：发明
国别省市：
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。