一种利用小波时间序列确定交货批铁矿石品位波动的方法
【专利摘要】本发明公开了一种利用小波时间序列确定交货批铁矿石品位波动的方法，采用卸载时铁矿石的粒度数据作为交货批铁矿石品位波动的分析依据，利用时间序列对铁矿石卸载时的在线粒度检测结果进行分析，再利用小波分析方法，应用MATLAB软件建立ARIMA模型对铁矿石的品位波动情况进行预测。交货批铁矿中每个份样的粒度检测结果按时间序列排列为非平稳时间序列，它由趋势项、周期项和平稳项经加性迭加而成，本发明方法利用小波变换将其进行分解和分析，提取与铁矿品位相关的特征因子，比对未知交货批份样时间序列粒度值，达到品位预测的目的。
【专利说明】一种利用小波时间序列确定交货批铁矿石品位波动的方法
【技术领域】
[0001]本发明涉及一种确定交货批铁矿石品位波动的方法，具体涉及一种利用小波时间序列确定交货批铁矿石品位波动的方法。
【背景技术】
[0002]铁矿石的品位指的是铁矿石中的含铁量。铁矿石的种类很多，其品位各异。产生铁矿石品位差异的原因主要包括:对初采的铁矿石未进行混料加工、不同品位的矿点产地铁矿石混装、铁矿石粉块品位差异大和生产时破碎设计不当等。
[0003]对初采的铁矿石未进行混料加工。无论是露天作业还是地下开采，即使是直接开采就能使用的商品矿，初采的铁矿石除部分含有品位高的富矿外，其余是含有大量脉石的贫矿，有时富矿中也会因铁矿石矿物组成不同而引起品位不一致，因此同一矿点开采出来的铁矿石品位也会有所不均匀，一些操作规范的矿山一般将初采的铁矿石进行碎矿、磨矿、分选、富集、混匀等工艺加工，但也有一些欠发达地区的铁矿山，由于缺乏矿产品前期加工的投资资金，采剥水平差，只是将未进行任何处理的初采矿直接用来销售，其铁矿石产品多会产生品位不匀。
[0004]不同品位的矿点产地铁矿石混装。有些铁矿石产地因矿山规模比较小，而矿公司多，由于一次交易的铁矿石数量大，造成一条大吨位铁矿船所载铁矿石分别来自多个不同品位的矿山或公司，而在装船时又未将其进行混匀等处理，甚至同一货舱的铁矿石来自多地，很容易引起整船铁矿石品位不匀。在这种情况下，有时可观察到同一船舱的上下层铁矿石的颜色也有所不同，就是因为上下层铁矿石是来自不同的矿山的缘故。
[0005]铁矿石粉块品位差异大。在铁矿石运输、装卸、堆存等过程中，由于颠簸、风力、滚动、运动等会造成铁矿石大小颗粒的分离。根据不同铁矿石的矿物特性，有的铁矿石大颗粒的品位高于小颗粒，有的却小颗粒的品位大于大颗粒。因此粉块差异大的铁矿石有时品位也会极不均匀。一般情况下颗粒大的铁矿石品位相对较高，这是因为大颗粒铁矿石的矿物纯度较高，硬度也大，尤其是磁铁矿。
[0006]生产时破碎设计不当。在铁矿石粗破碎、中破碎和细破碎作业中，矿石粒度(粗粒级)、硬度(坚硬类型矿石)的波动对破碎有一定的影响。对旋回破碎机，当给矿粒度变小时，矿石只通过破碎机而不被破碎，当给矿粒度过粗时，破碎机处理量降低；对标准或短头圆锥破碎机，当给矿粒度变小时，使破碎部分和破碎空间的充填率缩小，而导致破碎矿石粒度的增大。使得金属矿物解离度不足，均会导致铁矿石品位不均匀。另外，在干式和湿式磁选作业中，矿石粒度、含铁量(磁铁矿中的铁)的波动导致精矿质量降低和尾矿中铁流失增加。在浮选作业中，粒度的改变会导致精矿质量和尾矿中铁成分流失。
[0007]传统的确定铁矿石品位波动的方法采用IS03084《Iron ores-Experimentalmethods for evaluation of quality variation))(即，IS03084《铁矿石评定质量波动的试验法》)，然而利用IS03084确定品位波动的工作量相当大。根据IS03084，有两种不同的传统方法可以对铁矿石进行品位波动评定，即:份样交替合法和变量法。铁矿石的品质波动以标准偏差来表示。由层内采取的各份样间品质特性的标准偏差Ow表示，它是以估计交替副样间的偏差，或以测定各个份样以及按变量法扣除制样和测定偏差的直线截距和斜率来确定。这两种情况都要作制样和测定偏差修正，且制样和测定偏差必须在确定品质波动实验时同时确定。确定品位波动所选择的品质特性可以是全铁含量、二氧化硅含量、三氧化二铝含量等成分含量和水分含量、粒度分布及其它物理品质特性。确定品质特性的样品单独采取时，则应分别对应于各个特性的品质波动。如果所取样品用于确定一个以上的品质特性时，则应选择这些特性中品质波动大的类别。评定品质波动的取样可以和测定交货批品质的日常取样相结合。
【发明内容】
[0008]本发明所要解决的技术问题是提供一种操作简单的利用小波时间序列确定交货批铁矿石品位波动的方法，采用本发明方法可以节省大量的人力财力，替代需要繁重的人工体力劳动的传统方法，实现对交货批铁矿石品位波动确定的人工智能化。
[0009]本发明为解决上述技术问题所采用的技术方案为:一种利用小波时间序列确定交货批铁矿石品位波动的方法，利用时间序列，对铁矿石卸载时的在线粒度检测结果进行分析，再利用小波分析方法，应用MATLAB软件建立ARIMA模型对时间序列进行分析并对铁矿石的品位波动情况进行预测，具体步骤为:
[0010]I)对铁矿石卸载时的在线粒度进行测定，形成从卸载开始到卸载结束的粒度的时间序列；
[0011]2)应用MATLAB软件建立ARIMA模型，该模型能够将时间序列迭加的趋势项、周期项和平稳项进行分离，并分析分离的随机因素，再结合趋势和周期分析，分别对趋势项、周期项和平稳项进行预测；
[0012]3)在计算机上安装上述MATLAB软件，在MATLAB软件的小波工具箱中选择一维离散小波分析，导入铁矿石卸载时的在线粒度检测结果，选择db7小波进行4层分解；
[0013]4)在上述db小波分解的基础上，对时间序列进行去噪，对分离的高频噪声曲线设定阈值，得到去噪后的阈值曲线，根据噪声在平稳项上下的振幅大小，即阈值幅度，对铁矿石的品位波动情况进行预测和确定，为判定铁矿石的品位大小提供参考依据。
[0014]根据IS03084，确定品位波动所选择的品质特性可以是全铁含量、二氧化硅含量、三氧化二铝含量等成分含量和水分含量、粒度分布及其它物理品质特性。本发明方法正是利用铁矿石卸载时的在线粒度分布对铁矿石的品位波动进行确定。
[0015]本发明方法中用到了时间序列。时间序列分析是概率统计学的一门重要的应用分支，在金融经济、气象水文、信号处理、机械振动等领域应用广泛。时间序列为按时间顺序排序的一组数据，它可以反映事物随时间变化的规律。铁矿石的取样标准需要引用相应的品位波动结果来确定所采取样品份样数，品位选择的表示方式“大”、“中”或“小”，分别代表矿石品位波动是大的、中等还是小的，不同的品位计算出来的份样数是不一样的，然而利用IS03084确定的品位工作量相当大。全自动机械铁矿石取制样设备是一种在铁矿石卸载过程中能在线检测粒度的设施，根据交货批铁矿的品位波动情况，结合交货批数量设定份样数，可由机器自动按等时间或等重量间隔采取份样并记录每个份样的粒度测定值，最终计算出交货批的总体粒度结果。每个交货批铁矿每个份样的粒度检测结果可以按时间进程形成一组时间排序数据，这为时间序列分析铁矿品位波动预测创造了条件。小波变换是时间序列分析的最有效的数据挖掘工具之一，它可以降低原先复杂时间序列信号的维度，提取有效信息进行模式识别，最终达到预测未知交货批铁矿石的品位的目的。
[0016]本发明方法中应用MATLAB软件建立了 ARIMA模型。
[0017]Matlab语目不同于其它闻级语目，它被称为第四代计算机语目，Matlab语目使人从繁琐的程序代码中解放出来。它丰富的函数无需开发者重复编程，Matlab允许用数学形式编写程序，因此比F0RTRAN、C语言更加接近我们书写计算公式的思维方式。利用Matlab小波工具箱进行小波分析可以利用Matlab的命令行或GUI两种方式，GUI方式某些功能的拓展有所限制，命令行需要记住大量的命令及函数代码，但功能全面。在本发明时间序列铁矿品位波动预测应用中，主要采用一维离散小波去噪，一维离散小波还可分为一维小波变换和一维小波包变换，两者区别在于小波包还可以对高频部分进行细分。因此，对小波铁矿石品位波动预测，Matlab是极好的分析工具。
[0018]ARIMA模型全称为差分自回归移动平均模型(Autoregressive IntegratedMoving Average Model)，是由Box和Jenkins于70年代初提出的著名时间序列预测方法。指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。在实际工作的时间序列中，其包含的趋势项、周期项和平稳项隐含着一定的规律，当采用小波变换将复杂信号层层分离，分离后的趋势项即为大尺度成分，它是将信号中的异常点、随机因素消除后的平滑时间序列；随机项为小尺度成分，一般为需要滤除的干扰因素；周期项为中尺度成分。一般利用趋势项和周期项就能满足品位波动的预测需要，采用该模型预测铁矿石品位波动，主要利用已知品位波动的交货批每个份样粒度值时间序列的趋势项、周期项与未知品位波动的交货批的趋势项、周期项的相似性、关联性比较原理。
[0019]与现有技术相比，本发明的优点如下:本发明方法采用卸载时铁矿石的粒度数据作为交货批铁矿石品位波动的分析依据，利用时间序列对铁矿石卸载时的在线粒度检测结果进行分析，再利用小波分析方法，应用MATLAB软件建立ARIMA模型对铁矿石的品位波动情况进行预测。交货批铁矿中每个份样的粒度检测结果按时间序列排列为非平稳时间序列，它由趋势项、周期项和平稳项经加性迭加而成，本发明方法利用小波变换将其进行分解和分析，提取与铁矿品位相关的特征因子，比对未知交货批份样时间序列粒度值，达到品位预测的目的。
【专利附图】
【附图说明】
[0020]图1为实施例中取制的份样粒度变化时的时间序列；
[0021]图2为实施例中9_16mm的粒度检测结果的小波分解曲线；
[0022]图3为对分离的高低频噪声曲线在Cl1至d4设定阈值并去噪后的阈值曲线；
[0023]图4为时间序列平稳项与品位波动情况合成曲线。
【具体实施方式】
[0024]以下结合附图实施例对本发明作进一步详细描述。
[0025]以一批42200t的交货批球团矿为例，该交货批取样间隔为800t，机械取制样系统在线粒度测定选择，一次筛为9mm, 二次筛为5mm,三次筛为16mm。最终结果表不为_5mm、5-9mm、9-16mm、+16mm四档数据,把每一个份样的四档数据对应取样时间,可形成一个从卸载开始到卸载结束的粒度时间序列。由于不同小波性能差异很大，各有其特点，需要根据实际情况进行选取。见图1。
[0026]应用MATLAB软件建立ARIMA模型，在MATLAB软件的小波工具箱中选择一维离散小波分析，导入铁矿石卸载时的在线粒度检测结果，选择db7小波进行4层分解，得如图2结果。
[0027]在本例中，当小波db7分解到第四层时，原信号(S)中的高低频部分(Cl1 - d4)被分离，此时低频部分(a4)为该粒度段按时间顺序变化的发展趋势，高频Cl1为随机项，可用作品位波动预测，d2 - d3为周期项、d4为平稳项。对所得阈值不做任何修改，并对时间序列进行去噪，得到去噪后的阈值曲线，得如图3所示。则Cl1阈值幅度为品位系数，已知该交货批的品位为“大”，则该产地球团矿其它同阈值幅度可预测为“大”。见图4，参考并根据噪声在平稳项上下的振幅大小，即阈值幅度，可判断铁矿石的品位大小。现有的分析方法中，通常情况下，ARIMA模型是采用差分消除序列中的趋势项、周期项，将其降维后，再用ARMA(Auto-Regressive and Moving Average Model)模型分析平稳项。但本发明方法对 ARIMA模型的使用方法进行了改进，主要利用ARIMA模型的随机项进行分析。
[0028]除上述实施例外，分别对来自澳大利亚多个产地的粉铁矿进行测试，数据源为:澳洲粉铁矿，17组粒级为+8_数据、8组粒级为+6.3mm的数据；力拓粉铁矿，13组粒级为+6.3mm的数据、5组粒级为+9.5mm数据；哈默斯利粉铁矿，14组粒级为+8mm数据、5组粒级为+9.5mm数据、2组粒级为+6.3mm的数据。将这些数组的数据链构成的时间序列按上述方法进行db7小波4层分解，小波分解去噪后的各层次的软阈值不做如何人工干预，得到高通软阈值如表1所示。表1中的dl为所谓噪声，实际上为品位波动，用已知品位波动的相同粒级检测值时间序列得到的dl软阈值与未知知品位波动的相同粒级检测值时间序列得到的dl软阈值比对，得出未知铁矿的品位。从表1可见，dl软阈值O~I为小品位，I~2为中品位，2以上为大品位。
`[0029]表1
[0030]
【权利要求】
1.一种利用小波时间序列确定交货批铁矿石品位波动的方法，其特征在于利用时间序列，对铁矿石卸载时的在线粒度检测结果进行分析，再利用小波分析方法，应用MATLAB软件建立ARIMA模型对时间序列进行分析并对铁矿石的品位波动情况进行预测，具体步骤为: 1)对铁矿石卸载时的在线粒度进行测定，形成从卸载开始到卸载结束的粒度的时间序列； 2)应用MATLAB软件建立ARIMA模型，该模型能够将时间序列迭加的趋势项、周期项和平稳项进行分离，并分析分离的随机因素，再结合趋势和周期分析，分别对趋势项、周期项和平稳项进行预测； 3)在计算机上安装上述MATLAB软件，在MATLAB软件的小波工具箱中选择一维离散小波分析，导入铁矿石卸载时的在线粒度检测结果，选择db7小波进行4层分解； 4)在上述db小波分解的基础上，对时间序列进行去噪，对分离的高频噪声曲线设定阈值，得到去噪后的阈值曲线，根据噪声在平稳项上下的振幅大小，即阈值幅度，对铁矿石的品位波动情况进行预测和确定，为判定铁矿石的品位大小提供参考依据。
【文档编号】G06F17/50GK103514324SQ201310426435
【公开日】2014年1月15日 申请日期:2013年9月17日 优先权日:2013年9月17日
【发明者】应海松, 郑建君, 余春晖 申请人:中华人民共和国北仑出入境检验检疫局