一种基于案例推理的铁矿浮选精矿品位软测量方法及系统与流程

本发明属于软测量技术领域，具体涉及一种基于案例推理的铁矿浮选精矿品位软测量方法及系统。

背景技术：

在浮选生产过程中，精矿品位是表征铁矿浮选过程产品质量和生产效率的关键工艺指标。目前精矿品位的检测方法大多依靠人工离线化验检测，这种方法会使得数据存在很严重的滞后性，当工况发生变化时不能及时做出对应的调整策略，很有可能会造成矿浆中有用成分没有得到充分的选别或是浮选药剂过量，导致浮选效率低下，造成资源浪费。少数铁矿选矿厂通过品位分析仪对精矿品位进行在线检测，但品位分析仪价格昂贵且维护费用高，增加选矿成本。

技术实现要素：

针对现有技术存在的不足，本发明提供一种基于案例推理的铁矿浮选精矿品位软测量方法及系统。

一种基于案例推理的铁矿浮选精矿品位软测量方法，包括如下步骤：

步骤1：从铁矿浮选生产过程中提取历史生产数据，包括浮选精矿品位及浮选边界条件；

所述浮选边界条件，包括：给矿品位、给矿浓度、浮选时间、浮选温度、浮选浓度、充气量、浮选药剂用量；

步骤2：去除历史生产数据中的异常点，并以异常点的前一点数值和后一点数值的平均值作为代替值；

步骤3：根据去除异常点的历史生产数据，构建浮选案例库，将浮选边界条件为案例描述，浮选精矿品位为案例解，案例描述与案例解构成浮选案例；

步骤4：将铁矿浮选生产过程中实时获得的浮选边界条件作为新的案例描述，在浮选案例库中进行案例检索，得到新的案例描述与案例库中记载的各案例描述之间的一组相似度值；

步骤5：将相似度值从大到小排列，选取前n个相似度值对应的浮选案例库中的案例描述作为当前工况的参考案例；

步骤6：根据从案例库中检索出来的参考案例，求取n个参考案例的每种案例解的加权平均值，其中加权系数为每个案例与新案例的相似度，由此完成案例重用，获得新的案例解，即针对当前工况的浮选精矿品位软测量结果，新的案例描述和新的案例解构成新的浮选案例；

步骤7：对新的浮选案例的案例描述在浮选案例库中进行案例检索，找到与新的浮选案例的案例描述具有最大相似度值的浮选案例库中的案例描述，若该最大相似度值大于相似度阈值，则舍弃新的浮选案例，否则，用新的浮选案例替换该具有最大相似度值的浮选案例库中的案例描述，完成浮选案例库的更新。

所述的基于案例推理的铁矿浮选精矿品位软测量方法采用的铁矿浮选精矿品位软测量系统，包括：

采集实时浮选生产数据的数据采集模块；

将数据采集模块采集的数据转发给以太网工控机的无线Zigbee传输模块；

接收无线Zigbee传输模块传来的数据并发送至精矿品位计算机的以太网工控机；

接收以太网工控机发送的数据进行精矿品位软测量和显示的精矿品位计算机；

数据采集模块的输出端连接无线Zigbee传输模块的输入端，无线Zigbee传输模块的输出端连接以太网工控机的输入端，以太网工控机的输出端连接精矿品位计算机的输入端。

有益效果：

本发明的基于案例推理的铁矿浮选精矿品位软测量方法，借助于铁矿浮选精矿品位相关的可测生产数据，给出不同工况下的浮选精矿品位软测量值，可以提高铁矿浮选生产的安全性、可靠性和经济性。相比于现在的人工离线化验检测方法，本发明提高了浮选生产效率，降低了出错的几率；相比于品位分析仪，本发明减少了设备的维护费用，降低了生产成本；现场数据自动保存，不需要人工记录，降低数据丢失、记录错误几率。

附图说明

图1是本发明具体实施方式基于案例推理的铁矿浮选精矿品位软测量方法流程图；

图2是本发明具体实施方式步骤7流程图；

图3是本发明具体实施方式铁矿浮选精矿品位软测量系统框图。

具体实施方式

下面结合附图对本发明的具体实施做详细说明。

一种基于案例推理的铁矿浮选精矿品位软测量方法，如图1所示，包括如下步骤：

步骤1：从铁矿浮选生产过程中提取历史生产数据，包括浮选精矿品位及浮选边界条件；

所述浮选边界条件，包括：给矿品位、给矿浓度、浮选时间、浮选温度、浮选浓度、充气量、浮选药剂用量，本实施方式浮选边界条件如表1：

表1浮选边界条件

结合历史数据、生产现场调研及浮选过程理论分析，上述浮选边界条件对浮选精矿品位有着直接的影响，并且所占比重很大。给矿品位、给矿浓度直接反应出浮选给矿性质；浮选时间、浮选温度直接影响浮选效果；浮选浓度、充气量、浮选药剂用量可直接影响浮选精矿品位，成正相关关系。

步骤2：去除历史生产数据中的异常点，并以异常点的前一点数值和后一点数值的平均值作为代替值；

通过分析历史数据，可以看到由于某些原因(如人为记录等)，采集到的数据中会出现异常点，某一点的数据突变的特别严重，去除浮选精矿品位数据中的异常点，以异常点的前一点数值和后一点数值的平均值作为代替值；

步骤3：根据去除异常点的历史生产数据，构建浮选案例库，将浮选边界条件为案例描述，浮选精矿品位为案例解，案例描述与案例解构成浮选案例；

为了得到浮选精矿品位的软测量值，需要考虑当前的工况条件。案例的结构由案例描述和案例解两部分组成，案例描述是由给矿品位z₁、给矿浓度％z₂、浮选时间z₃、浮选温度z₄、浮选浓度％z₅、充气量z₆、浮选药剂用量z₇组成；案例解为浮选精矿品位软测量值x₁。本实施方式中浮选案例见表2：

表2浮选案例

基于案例推理技术的案例可以表示如下：

C_k＝{F_k，J_k}.

式中，C_k(k＝1，...，m)表示第k条案例，m为案例数量；F_k＝{z_k.1，z_k.2，z_k.3，z_k.4，z_k.5，z_k.6，z_k.7}为第k个案例描述，将案例描述简记为F_k＝{f_k.1，...，f_k.8}；J_k＝{x_k.1}为第k个案例的案例解，将案例解简记为J_k。

步骤4：将铁矿浮选生产过程中实时获得的浮选边界条件作为新的案例描述，在浮选案例库中进行案例检索，得到新的案例描述F与案例库中记载的各案例描述之间的一组相似度值，相似度为一个0到1之间的数，如0.88；

其中，ω_i为案例描述权值，m为案例库中的案例数，SIM(f_i，f_k.i)为当前工况的案例描述f_i与案例库中第k条案例对应的案例描述f_k.i的相似度，定义为：

步骤5：将相似度值从大到小排列，选取前n个相似度值对应的浮选案例库中的案例描述作为当前工况的参考案例，在本实施方式中n的取值为3；

步骤6：根据从案例库中检索出来的参考案例，求取n个参考案例的每种案例解的加权平均值，其中加权系数为每个参考案例与新案例的相似度，由此完成案例重用，获得新的案例解即针对当前工况的浮选精矿品位软测量结果，其中，J为新的案例解(如68.82)，J_k为参考案例的案例解，n为参考案例的数量，新的案例描述和新的案例解构成新的浮选案例；

n值的选择会对结果产生重大影响。n值较小意味着只有与新案例较接近的历史案例才会对新的案例解起作用，但容易发生过拟合；如果n值较大，与新案例较不接近的历史案例也会对预测起作用，使预测发生错误。在实际应用中，n值一般选择一个较小的数值，通常采用交叉验证的方法来选择最优的n值。

步骤7：对新的浮选案例的案例描述在浮选案例库中进行案例检索，找到与新的浮选案例的案例描述具有最大相似度值的浮选案例库中的案例描述，若该最大相似度值大于相似度阈值，则舍弃新的浮选案例，否则，用新的浮选案例替换该具有最大相似度值的浮选案例库中的案例描述，完成浮选案例库的更新。

如图2所示，步骤7的具体步骤如下：

步骤7.1：设定一个相似度阈值；相似度阈值的具体取值取决于案例库中历史案例的数量，设历史案例的数量为c，相似度阈值为v，若c＜200则v＝0.9；若200＜c＜500则v＝0.8；若c＞500则v＝0.7。

步骤7.2：对新的浮选案例的案例描述在浮选案例库中进行案例检索，找到与新的浮选案例的案例描述具有最大相似度值的浮选案例库中的案例描述；

步骤7.3：若该最大相似度值大于相似度阈值，则舍弃新的浮选案例，否则，用新的浮选案例替换该具有最大相似度值的浮选案例库中的案例描述，完成浮选案例库的更新。

所述的基于案例推理的铁矿浮选精矿品位软测量方法采用的铁矿浮选精矿品位软测量系统，如图3所示，包括：

采集实时浮选生产数据的数据采集模块；

将数据采集模块采集的数据转发给以太网工控机的无线Zigbee传输模块；

接收无线Zigbee传输模块传来的数据并发送至精矿品位计算机的以太网工控机；

接收以太网工控机发送的数据进行精矿品位软测量和显示的精矿品位计算机，通过人机交互界面显示精矿品位软测量结果；

数据采集模块的输出端连接无线Zigbee传输模块的输入端，无线Zigbee传输模块的输出端连接以太网工控机的输入端，以太网工控机的输出端连接精矿品位计算机的输入端。

本发明的基于案例推理的铁矿浮选精矿品位软测量方法与现在的人工离线化验检测方法相比较具有以下的优点：提高了浮选生产效率，降低了出错的几率。与品位分析仪相比较具有以下的优点：减少了设备的维护费用，降低了生产成本；现场数据自动保存，不需要人工记录，降低数据丢失、记录错误几率。