一种锑浮选工况识别方法及系统的制作方法
【专利摘要】本发明提供了一种锑浮选工况识别方法及系统，包括：对记录的锑浮选泡沫图像特征数据进行预处理；从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征；基于物元可拓理论，融合多种关键泡沫特征，通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵；采用博弈论方法，通过最优化理论将主观赋权法和客观赋权法进行综合，得到关键泡沫特征的综合权重；基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合相关度，根据最大关联度原则确定待识别工况所属类别，并预测工况等级变化趋势。
【专利说明】一种锑浮选工况识别方法及系统
【技术领域】
[0001]本发明涉及泡沫浮选【技术领域】，具体涉及一种锑浮选工况识别方法及系统。
【背景技术】
[0002]锑常被称为金属或合金的硬化剂，在金属中加入比例不等的锑后，金属的硬度就会加大，可以用来制造军火，锑成为重要的战略金属。锑矿是属于不可再生资源，在国民经济中的地位重要，为充分利用有限的矿产资源，实现矿产资源的可持续发展，现代锑冶炼过程越来越重视矿物资源的分选水平以及选矿过程中的能耗与排放问题。为此，许多大型企业建立了矿物泡沫浮选生产线。
[0003]泡沫浮选是一种利用矿物表面物理化学性质的差异，使目标矿物与矿浆分离的选矿方法，相对其他选矿方法而言，浮选的分选效率较高、应用最为广泛。泡沫表观特征(如泡沫尺寸、颜色、纹理等)是生产工况的综合反映，浮选现场主要由经验丰富的操作人员通过肉眼观察泡沫表观状态进行工况判断，这种方法生产效率低、劳动强度大。此外，浮选操作及入矿条件的改变会引起泡沫特征的变化，而操作人员对泡沫的判断没有客观标准、主观随意性大，导致浮选过程难以处于优化运行状态，浮选效率低、工况不稳定、矿物资源浪费多，直接造成企业生产成本增加，严重影响企业在市场中的竞争力。因此，浮选工况的实时准确识别是优化浮选生产操作、保证浮选过程稳定高效运行的关键。
[0004]浮选工况的识别是一个十分复杂的多特征参数综合识别问题。目前文献对锑浮选工况识别的研究主要是在提取浮选泡沫图像的纹理特征、颜色特征等特征参数的基础上，利用神经网络或支持向量机等方法进行工况识别。然而，神经网络要求训练样本大，存在过学习、易陷入局部极小点和收敛速度慢等缺点；支持向量机的计算量大，难选择合适的核及当类别过近时准确率骤降等问题，在应用上仍存在一定困难。
【发明内容】
[0005](一)解决的技术问题
[0006]针对现有技术的不足，本发明提供一种锑浮选工况识别方法，能够利用博弈论方法和物元可拓理论，从定性和定量两个方面对浮选工况进行识别。
[0007](二)技术方案
[0008]为了达到以上目的，本发明通过以下技术方案予以实现:
[0009]一种锑浮选工况识别方法，该方法包括:
[0010]S1:对记录的锑浮选泡沫图像特征数据进行预处理；
[0011]S2:从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征；
[0012]S3:基于物元可拓理论，融合多种关键泡沫特征，通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵；
[0013]S4:采用博弈论方法，通过最优化理论将主观赋权法和客观赋权法进行综合，得到关键泡沫特征的综合权重；
[0014]S5:基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合相关度，根据最大关联度原则确定待识别工况所属类别，并预测工况等级变化趋势。
[0015]其中，步骤SI具体包括:
[0016]Sll:剔除缺少主要数据的空缺数据项；
[0017]S12:剔除超出每个参数变量区间的错误数据项；
[0018]S13:获取各泡沫特征数值后，对各数值进行无量纲化处理。
[0019]其中，步骤S2具体包括:
[0020]S21:从锑浮选泡沫图像采集系统中获取若干个泡沫特征；
[0021]S22:计算每次加药量改变之后工况进入稳定期间的泡沫图像特征变量均值σ和方差I并作为一个样本保存；
[0022]S23:同样方法采集若干个样本(Oi, Si), i=l, 2，…，η, η为泡沫特征的个数；
[0023]S24:计算样本集中均值σ i的方差σ k和方差δ ,的均值δ ν，并计算敏感性指数S，其中 S=Sv/ok;
[0024]S25: 若某个泡沫特征的敏感性指数大于等于所设定的阈值，则判定该特征为工况敏感特征，则根据其从所有的泡沫特征中提取若干个工况敏感特征；
[0025]S26:利用主成分分析法对所述工况敏感特征进行相关性分析，得到若干个关键泡沫特征。
[0026]其中，步骤S3具体包括:
[0027]S31:确定关键泡沫特征的经典域；
[0028]S32:确定关键泡沫特征的节域；
[0029]S33:确定待识别的浮选工况；
[0030]S34:确定待识别工况的关键泡沫特征与浮选预设工况类别的关联度矩阵。
[0031]其中，步骤S4具体包括:
[0032]S41:利用熵权法确定客观权重；
[0033]S42:利用层次分析法确定主观权重；
[0034]S43:基于博弈论，利用客观权重和主观权重得到关键泡沫特征的综合权重。
[0035]其中，步骤S5包括:
[0036]S51:计算待识别工况关于浮选预设工况类别的综合关联度；
[0037]S52:判断待识别工况所属工况类别；
[0038]S53:预测待识别工况等级变化的趋势。
[0039]一种锑浮选工况识别系统，该系统包括:预处理单元、关键特征提取单元、关联度单元、权重单元以及识别单元；
[0040]预处理单元，用于对记录的锑浮选泡沫图像特征数据进行预处理；
[0041]关键特征提取单元，用于从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征；
[0042]关联度单元，用于基于物元可拓理论，融合多种关键泡沫特征，通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵；
[0043]权重单元，用于采用博弈论方法，通过最优化理论将主观赋权法和客观赋权法进行综合，得到关键泡沫特征的综合权重；
[0044]识别单元，用于基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合相关度，根据最大关联度原则确定待识别工况所属类别，并预测工况等级变化趋势。
[0045](三)有益效果
[0046]本发明至少有如下有益效果:
[0047]本发明提出了一种实时准确识别浮选工况的方法，该方法通过对泡沫图像特征进行敏感性指数分析，并结合主成分分析法提取泡沫图像关键特征；采用博弈论方法，将熵权法获得的泡沫特征客观权重和层次分析法获得的主观权重优化融合，克服传统权重确定方法只依赖数据样本的客观权重，而忽略特征本身对浮选工况的重要度差异的缺陷，获得能真实反映泡沫特征重要度差异的泡沫特征权重系数；利用物元可拓理论，融合多种关键泡沫特征，通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵；从定性和定量两方面对浮选工况进行识别。本发明克服了传统方法利用一种泡沫特征进行工况识别造成信息缺少，识别率低的缺点；传统方法随意选取特征的缺点；忽略因素间相互耦合的缺点。该方法计算简便，执行速度快，识别率高，便于在工程实际中推广，以及时指导操作变量的调整，实现优化生产。
【专利附图】
【附图说明】
[0048]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
[0049]图1是本发明实施例中一种锑浮选工况识别方法的流程图。
【具体实施方式】
[0050]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]如图1所示，为本发明实施例中一种锑浮选工况识别方法，该方法包括如下步骤:
[0052]S1:对记录的锑浮选泡沫图像特征数据进行预处理。
[0053]其中，基于数字图像处理的锑浮选泡沫图像采集系统中提取的数据库中包含了大量的记录，但是这些记录中不乏存在一些错误和不完整的数据，因此首先需进行数据预处理。详细步骤如下:
[0054](I)剔除缺少主要数据的空缺数据项；
[0055](2)剔除超出每个参数变量区间的错误数据项；
[0056](3)由于各泡沫特征的量纲不同，因此在获得特征数值后，需解决特征间的可综合性问题，对各数值进行无量纲化处理，方法如下:
[0057]当对泡沫特征的要求属于越小越优性:
【权利要求】
1.一种锑浮选工况识别方法，其特征在于，该方法包括: S1:对记录的锑浮选泡沫图像特征数据进行预处理； S2:从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征； S3:基于物元可拓理论，融合多种关键泡沫特征，通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵； S4:采用博弈论方法，通过最优化理论将主观赋权法和客观赋权法进行综合，得到关键泡沫特征的综合权重； S5:基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合相关度，根据最大关联度原则确定待识别工况所属类别，并预测工况等级变化趋势。
2.根据权利要求1所述的方法，其特征在于，步骤SI具体包括: S11:剔除缺少主要数据的空缺数据项； S12:剔除超出每个参数变量区间的错误数据项； S13:获取各泡沫特征数值后，对各数值进行无量纲化处理。
3.根据权利要求1所述的方法，其特征在于，步骤S2具体包括: S21:从锑浮选泡沫图像采集系统中获取若干个泡沫特征； S22:计算每次加药量改变之后工况进入稳定期间的泡沫图像特征变量均值σ和方差S，并作为一个样本保存； S23:同样方法采集若干个样本(Oi, Si), i=l, 2，…，η, η为泡沫特征的个数； S24:计算样本集中均值Oi的方差Ok和方差Si的均值δν，并计算敏感性指数S，其中 S= δ ν/ σ k ; S25:若某个泡沫特征的敏感性指数大于等于所设定的阈值，则判定该特征为工况敏感特征，则根据其从所有的泡沫特征中提取若干个工况敏感特征；S26:利用主成分分析法对所述工况敏感特征进行相关性分析，得到若干个关键泡沫特征。
4.根据权利要求1所述的方法，其特征在于，步骤S3具体包括: 531:确定关键泡沫特征的经典域； 532:确定关键泡沫特征的节域； 533:确定待识别的浮选工况； S34:确定待识别工况的关键泡沫特征与浮选预设工况类别的关联度矩阵。
5.根据权利要求1所述的方法，其特征在于，步骤S4具体包括: S41:利用熵权法确定客观权重； S42:利用层次分析法确定主观权重； S43:基于博弈论，融合客观权重和主观权重得到关键泡沫特征的综合权重。
6.根据权利要求1所述的方法，其特征在于，步骤S5包括: S51:计算待识别工况关于浮选预设工况类别的综合关联度； S52:判断待识别工况所属工况类别； S53:预测待识别工况等级变化的趋势。
7.—种锑浮选工况识别系统，其特征在于，该系统包括:预处理单元、关键特征提取单元、关联度单元、权重单元以及识别单元； 预处理单元，用于对记录的锑浮选泡沫图像特征数据进行预处理； 关键特征提取单元，用于从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征； 关联度单元，用于基于物元可拓理论，融合多种关键泡沫特征，通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵； 权重单元，用于采用博弈论方法，通过最优化理论将主观赋权法和客观赋权法进行综合，得到关键泡沫特征的综合权重； 识别单元，用于基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合相关度，根据最大关联度原则确定待识别工况所属类别，并预测工况等级变化趋势。
【文档编号】G06K9/00GK103839057SQ201410122812
【公开日】2014年6月4日 申请日期:2014年3月28日 优先权日:2014年3月28日
【发明者】唐朝晖, 刘美丽, 刘金平, 阳春华, 杨贵军, 谭珍 申请人:中南大学