一种基于时间序列特征的锌浮选过程模糊故障诊断方法与流程

本发明属于泡沫浮选技术领域，具体涉及一种锌浮选过程中的故障诊断的方法。

背景技术：

泡沫浮选是国内外广泛应用的一种选矿方法，该方法能依据矿物表面亲水性与疏水性的差异，有效地将目标矿物分离出来。泡沫浮选过程将目标矿物与其共生的脉石研磨成合适大小的颗粒然后送入浮选槽中，通过添加药剂调整不同矿物颗粒表面性质同时在浮选过程中不断地搅拌和鼓风，使矿浆中形成大量具有不同尺寸、形态、纹理等特征信息的气泡，使有用矿物颗粒粘附在气泡表面，气泡携带矿物颗粒上升至浮选槽表面形成泡沫层，脉石矿物留在矿浆中，从而实现矿物分选。浮选泡沫层的泡沫视觉特征能密切反应工况，常通过肉眼观察对泡沫层进行观察，对工况进行识别。由于泡沫浮选是一个复杂的工业过程，工艺流程长、子工序关联耦合严重，部分参量无法有效测量，导致目前的技术手段对于波动的出现不能及时监测，另外现场操作工人的轮换性和实际操作的主观性和随意性较大，也导致了对故障的诊断没有统一的标准。虽然可以通过离线化验分析精矿和尾矿品位，但是化验结果滞后，从局部故障发生到影响到浮选精矿品位的波动，在精矿品位反应出故障往往需要很长一段时间，导致泡沫浮选过程的故障诊断，难以实现可靠的实时性判断，随着信息技术、数字图像处理技术的快速发展，有许多基于数据驱动的故障诊断方法陆续出现。当前已有的故障诊断方法仅仅针对于单一时刻的各种图像特征，这些方法数据量范围存在局限，未将工业过程作为动态过程提取其变化的趋势特征，难以多层次地、立体地描述故障发生时刻的模式变化信息，导致不能及时对异常工况进行监测。而异常状况的出现的征兆是有一定规律和模式的，为了解决这个难题，本发明将提出一种新的模糊故障诊断方法，此方法基于现场设置的数字图像采集系统以及历史时刻数据分析储存系统，实时获取最新有关泡沫图像的数字信息，将这些采集到的历史数据信息进行时间序列线性化处理以提取趋势特征，并将历史趋势信息拆分成子序列、子模式的形式，以此组成历史数据集，然后通过将实时获取的特征趋势模式与历史数据集进行匹配，对未来时刻出现故障与异常的概率进行数值化分析，并通过可视化报表的形式对各个时刻系统运行的状况进行直观地显示，使得异常征兆出现的时候便显示出来，从而可以及时进行相应的操作调节，有效遏制异常情况向全局恶化。

技术实现要素：

从局部故障发生到影响到浮选精矿品位的波动，往往需要很长一段时间，导致泡沫浮选过程的故障诊断，难以实现可靠的实时性判断，而故障发生的时候往往伴随着一些信息量的异常波动，异常波动作为征兆具有一定的规律和模式，在局部故障发生还没影响到全局运行状况的时候，及时检测到故障的征兆，能及时有效的遏制故障的扩散，本文提出一种基于灰度特征的历史数据集的时间序列特征之间相似程度度量的方法，当灰度特征值落入一个故障发生的临界的区域之中时，依据历史数据集对其未来趋势走向进行判断，将有效地对接下来故障发生的可能性进行评估，有利于在故障还未对全局造成影响之前，及时进行调节，稳定优化生产。

本发明采用的技术方案步骤如下：

步骤一：利用浮选现场图像采集系统收集历史时刻的锌浮选的泡沫视频并将泡沫视频转换为连续图像，对采集到的锌浮选图像数据进行数据预处理,如下：

1)剔除超出正常变化阈值的错误数据；

2)剔除不完整的数据；

步骤二：灰度特征是泡沫图像的关键特征，提取灰度均值特征，进而对泡沫图像进行趋势分析，可以获取泡沫图像特征变化的规律，将泡沫图像由rgb彩色图像转化为灰度图像，并提取灰度均值作为源图像特征，得到一个时间序列图像特征i＝[i1,i2,...,iq]，q为按时间顺序排列图像特征的个数；

步骤三：对时间序列的图像特征i用分段线性化算法，取所有极值点作为端点，对时间序列进行分段线性化表示，提取其线性结构化特征，如下：

1)以时间轴为横轴绘制时间序列图像特征i对时间轴的一条连续曲线；

2)将曲线中不同极值点之间用线段进行填充，将原时间序列的曲线用若干条首尾相接的直线段近似代替，直接提取其线性结构特征得到分段的基本趋势；

3)将原时间序列拆分为两点一组的子序列，提取所有子序列趋势特征，如下：

s＝{(k1,τ1),(k2,τ2),(k3,τ3)…(ki,τi)},i＝1,2,3,…,q-1

si＝(ki,τi)表示灰度均值时间序列的第i个子序列，其中ki是灰度均值时间序列中的子序列的趋势，τi是该子序列在时间轴上的投影距离。

步骤四：在历史子序列集合中将提取所有模式趋势特征，将相邻三个子序列组合成一个子模式，得到模式趋势特征集合m，mj＝(kj,τj,kj+1,τj+1,kj+2,τj+2)表示模式趋势特征,如下：

m＝{(k1,τ1,k2,τ2,k3,τ3),(k2,τ2,k3,τ3,k4,τ4),(k3,τ3,k4,τ4,k5,τ5)…(kj,τj,kj+1,τj+1,kj+2,τj+2)}j＝1,2,3,…,q-3

而将子模式相邻的子序列的集合记作走向子序列集合h，hj是集合h中的元素：

hj＝{(kj+3,τj+3)}j＝1,2,3,…,q-3

将mj与走向子序列hj对应组成一个数据对(mj,hj)，并建立历史模式趋势特征集合:

步骤五：实时在线过程，依据现场历史数据分析以及人工经验对灰度视觉特征设置一个合理波动区间为[100,125]，并对区间上下界设置临界越限区间为[95,105]∪[120,130]，灰度均值处于临界越限区间时对工况状态趋势进行分析：

s1：依据马氏距离度量子序列、子模式之间的相似程度；

相似程度的定义：

1)定义子序列su(ku,τu)与子序列sv(kv,τv)之间的马氏距离为其相似程度的度量：

且u≠v

2)定义子模式mp与子模式ml的模式之间的马氏距离为其相似程度的度量：

且p≠l

mp＝(kp,τp，kp+1,τp+1，kp+2,τp+2)

ml＝(kl,τl，kl+1,τl+1，kl+2,τl+2)

s2：可靠度与序列的相似程度呈正比，由实时模式趋势特征与历史模式趋势特征的相似程度计算可靠度，如下：

1)将实时模式趋势特征与历史趋势特征集合中的模式趋势特征逐一计算相似程度，相似程度由d表示，得到相似程度序列集合：

d＝{d1,d2,d3,…,dj},

j＝1,2,3,…,q-3

dj是mt与mj相比较的相似程度，mt是实时模式趋势特征；

2)将相似程度序列数值进行归一化处理:

得到标准化后的相似程度序列：d^*＝{d^*1,d^*2,d^*3,…,d^*j}；

s3：浮选工况状态预报表示模型的构建，如下：

1)可靠序列的选取：当d^*>0.9时，选取相似程度量值d^*对应的子模式为可靠序列，并将其对应趋势走向模式hj中的趋势值ki+3作为综合工况走向趋势的判断，c是可靠序列的总个数；

2)异常因子的定义：灰度值数据点处于下临界越限区间内的情况，it是实时的灰度数据值，it-1是前一时刻的灰度数据值，kt-1是其间趋势值，it+1和it+1′是未来时刻的灰度值数据点的两种可能位置，而kt+1和kt+1′分别是两种可能位置其间的趋势值，①、②分别是临界越限区间的区间上、下界。灰度数据值位于临界越限区间内，其趋势值kt-1本身具有向恶化情况发展的倾向，若未来时刻趋势值kt+1与它同号，数据点处于it+1的位置，则系统向故障的方向发展，若未来时刻趋势值为kt+1′与kt-1异号，数据点处于it+1′的位置，则状态回转，系统向稳定的方向发展。

由此定义异常因子为：

其中n是当情况下可靠序列的个数。

3)浮选工况状态预报表示模型：

由异常因子表示故障发生的可能性，比较可靠序列中走向子序列与实时特征趋势模式当中末尾子序列趋势的特征值，若可靠序列当中走向子序列全部与实时特征趋势模式子序列的趋势一致，则表明故障概率很大，若可靠序列当中走向子序列都与实时特征趋势模式子序列的趋势走向相反，则表明状态回稳，故障的可能性小。

当φ＝1，表示系统即将出现异常，出现异常的可能性为ζ％

当φ＝2，表示系统稳定转为异常，转为异常的可能性为ζ％

当φ＝3，表示系统状态回稳定，出现异常的可能性很小，具体估算数值为ζ％

可视化显示，将信息汇总添加到可视化报表进行显示，由此得到可视化异常报表标示图。

传统的故障诊断方法仅对当前时刻的工况状态进行识别，忽略了浮选过程是一个持续动态变化的过程，传统的方法无法多时刻、全方面地刻画浮选流程中产生的异常变化的模式。本发明的优点在于：提出了一种适用于泡沫浮选过程的一种时间序列特征，克服了传统特征在时间维度上数据量单一和具有局限性的缺点，同时提出了模糊故障诊断的概念，有别于传统故障诊断的结果都只是对当前时刻是否故障的一个的判断，而本发明选取可靠序列，设立异常因子实时感知异常情况发生的征兆，建立的浮选工况预报表示模型以模糊化的可能性代替了原本单一的判断，并以数值化概率的形式表示了不同的情况下发生故障的可能性大小，与实际动态变化现场的情况更相符合，有利于现场及时调整操作，优化稳定生产。

附图说明

图1是本发明基于时间序列的锌浮选过程故障诊断的流程图。

图2是步骤五中s3所示的趋势分析示意图

具体实施方式

图1是本发明流程图。

步骤一：利用浮选现场图像采集系统收集历史时刻的锌浮选的泡沫视频并将泡沫视频转换为连续图像，对采集到的锌浮选图像数据进行数据预处理,如下：

1)剔除超出正常变化阈值的错误数据；

2)剔除不完整的数据；

步骤二：将泡沫图像由rgb彩色图像转化为灰度图像，并提取灰度均值作为源图像特征，得到一个时间序列图像特征i＝[i1,i2,...,iq]，q为按时间顺序排列图像特征的个数；

步骤三：对时间序列的图像特征i用分段线性化算法，取所有极值点作为端点，对时间序列进行分段线性化表示，提取其线性结构化特征，如下：

1)以时间轴为横轴绘制时间序列图像特征i对时间轴的一条连续曲线；

2)将曲线中不同极值点之间用线段进行填充，将原时间序列的曲线用若干条首尾相接的直线段近似代替，直接提取其线性结构特征得到分段的基本趋势；

3)将原时间序列拆分为两点一组的子序列，提取所有子序列趋势特征，如下：

s＝{(k1,τ1),(k2,τ2),(k3,τ3)…(ki,τi)},i＝1,2,3,…,q-1

si＝(ki,τi)表示灰度均值时间序列的第i个子序列，其中ki是灰度均值时间序列中的子序列的趋势，τi是该子序列在时间轴上的投影距离。

步骤四：在历史子序列集合中将提取所有模式趋势特征，将相邻三个子序列组合成一个子模式，得到模式趋势特征集合m，mj表示模式趋势特征，如下：

mj＝{(k1,τ1,k2,τ2,k3,τ3),(k2,τ2,k3,τ3,k4,τ4),(k3,τ3,k4,τ4,k5,τ5)…(kj,τj,kj+1,τj+1,kj+2,τj+2)}j＝1,2,3,…,q-3

而将子模式相邻的子序列的集合记作走向子序列集合h，hj是集合h中的元素：

hj＝{(kj+3,τj+3)}j＝1,2,3,…,q-3

将mj与走向子序列hj对应组成一个数据对(mj,hj)，并建立历史模式趋势特征集合:

步骤五：实时在线过程，依据现场历史数据分析以及人工经验对灰度视觉特征设置一个合理波动区间为[100,125]，并对区间上下界设置临界越限区间为[95,105]∪[120,130]，灰度均值处于临界越限区间时对工况状态趋势进行分析：

s1：依据马氏距离度量子序列、子模式之间的相似程度；

相似程度的定义：

1)定义子序列su(ku,τu)与子序列sv(kv,τv)之间的马氏距离为其相似程度的度量：

且u≠v

2)定义子模式mp与子模式ml的模式之间的马氏距离为其相似程度的度量：

且p≠l

mp＝(kp,τp，kp+1,τp+1，kp+2,τp+2)

ml＝(kl,τl，kl+1,τl+1，kl+2,τl+2)。

s2：可靠度与序列的相似程度呈正比，由实时模式趋势特征与历史模式趋势特征的相似程度计算可靠度，如下：

1)将实时模式趋势特征与历史趋势特征集合中的模式趋势特征逐一计算相似程度，相似程度由d表示，得到相似程度序列集合：

d＝{d1,d2,d3,…,dj},

j＝1,2,3,…,q-3

dj是mt与mj相比较的相似程度，mt是实时模式趋势特征；

2)将相似程度序列数值进行归一化处理:

得到标准化后的相似程度序列：d^*＝{d^*1,d^*2,d^*3,…,d^*j}；

s3：浮选工况状态预报表示模型的构建，如下：

1)可靠序列的选取：当d^*>0.9时，选取相似程度量值d^*对应的子模式为可靠序列,并将其对应趋势走向模式hj中的趋势值ki+3作为综合工况走向趋势的判断，c是可靠序列的总个数；

2)异常因子的定义：如图2所示是灰度值数据点处于下临界越限区间内的情况，it是实时的灰度数据值，it-1是前一时刻的灰度数据值，kt-1是其间趋势值，it+1和it+1′是未来时刻的灰度值数据点的两种可能位置，而kt+1和kt+1′分别是两种可能位置其间的趋势值，①、②分别是临界越限区间的区间上、下界。灰度数据值位于临界越限区间内，其趋势值kt-1本身具有向恶化情况发展的倾向，若未来时刻趋势值kt+1与它同号，数据点处于it+1的位置，则系统向故障的方向发展，若未来时刻趋势值为kt+1′与kt-1异号，数据点处于it+1′的位置，则状态回转，系统向稳定的方向发展。

由此定义异常因子为：

其中n是当情况下可靠序列的个数。

3)浮选工况状态预报表示模型的建立：

由异常因子表示故障发生的可能性，比较可靠序列中走向子序列与实时特征趋势模式当中末尾子序列趋势的特征值，若可靠序列当中走向子序列全部与实时特征趋势模式子序列的趋势一致，则表明故障概率很大，若可靠序列当中走向子序列都与实时特征趋势模式子序列的趋势走向相反，则表明状态回稳，故障的可能性小。

当φ＝1，表示系统即将出现故障，出现故障的可能性为ζ％

当φ＝2，表示系统稳定转为异常，转为异常的可能性为ζ％

当φ＝3，表示系统状态回稳定，出现异常的可能性很小，具体估算数值为ζ％

添加到可视化报表进行显示，由此可得可视化异常报表标示图。