一种基于过程尺寸特征的锌矿品位软测量方法与流程

本发明属于泡沫浮选技术领域，具体涉及一种锌浮选精矿品位的预测方法。

背景技术：

泡沫浮选是现今锌冶炼中最主要的选矿方法之一，浮选是根据矿物颗粒表面物理化学性质的不同，按矿物可浮性的差异进行分选的方法，泡沫浮选是一个将粉碎后的有用矿物和其共生的脉石分离的过程，通过在浮选过程中不断地搅拌和鼓风，在矿浆中形成大量具有不同尺寸、形态、纹理等特征的气泡，气泡携带矿物颗粒上升至浮选槽表面形成泡沫层，从而实现矿物与脉石的分离。对于泡沫浮选这样一个复杂的工业过程，因工艺流程长、子工序关联耦合严重、部分关键性参量难以在线检测等原因，浮选过程工况状态缺乏有效的综合感知手段，严重依赖于人工来回巡检，凭借经验大致评判当前生产是否处于正常状态，以便进一步实施相应的操作策略。这种单一粗犷、严重依赖人工经验感知的方法，常产生并不恰当的生产操作，无法保证生产的稳定优化运行。虽然选厂可以通过离线化验分析得到精确的精矿品位来判定浮选过程的生产状态，然而这往往需要数个小时，检验过程复杂且成本高严重滞后于生产过程。由于浮选工艺流程长、影响因素多，无法实现精矿品位的在线检测，影响了对加药量和其他参数的即时调整，最终影响了矿物的回收率。因此，研究浮选过程生产指标的实时在线检测方法，对指导生产操作和过程的优化运行具有重要的意义。

随着计算机技术、数字图像处理技术的快速发展，将基于机器视觉的软测量技术应用于浮选过程给浮选指标的实时监测带来了新的突破。机器视觉是一种模仿人类自身视觉感知能力来实现工业过程自动化测量和控制的重要手段，因其具有高精度、模块化、智能化、无损感知等多种优点，可以实现浮选过程精矿品位的在线检测。通过图像采集设备可以获得大量的不同品位下的泡沫视频，将这些视频与采集到的相应的生产数据组合起来，形成一个原始数据集，采用数据驱动建模的方法建立泡沫图像与精矿品位的数据模型，实现精矿品位的在线检测。已有的精矿品位预测方法主要是采用b样条偏最小二乘回归、支持向量机、神经网络等方法，这些方法都存在着不同程度的缺陷，它们难以处理大样本的数据，且对带噪声的数据比较敏感，在应用上仍然存在一定问题。

技术实现要素：

针对锌浮选过程中精矿品位在线检测困难，成本高，延迟大以及在锌浮选精矿品位预测上的不足，本发明利用现场工人的经验知识与积累的生产数据，提出一种铅锌浮选泡沫图像过程特征的构造方法，同时构造一种精矿品位的预测方法，该方法具有良好的预测精度，抗干扰能力且有较快的运行速度。

本发明采用的技术方案步骤如下：

s1：收集不同品位下的锌浮选的泡沫视频和生产数据，对采集到的锌浮选数据以及生产数据进行数据预处理,如下：

1)剔除测量到的数据取值超出变化范围的错误数据；

2)剔除不匹配的数据以及存在空缺值的数据；

s2：利用浮选现场图像采集系统所获得的泡沫视频读取rgb泡沫图像，将泡沫图像由rgb颜色空间转化到hsi颜色空间，并提取亮度分量作为源图像，得到一个图像序列i＝[i1,i2,...,iq]，q为视频帧数；

s3：对图像序列i中的第i帧泡沫图像ii做分割并统计分割结果中所有气泡的面积的概率直方图hi,用韦伯分布函数拟合hi，得到韦伯分布函数的参数βi,μi,γi，将ti＝[βi,μi,γi]作为第i帧泡沫图像ii的尺寸分布特征，对图像序列i中每一帧图像都做相同处理，得到尺寸分布序列t＝[t1,t2,...,tq]；

s4：对s3中得到的尺寸分布序列t建立高斯-马尔可夫自回归滑动平均模型，其函数表达式如下：

其中：x(k)，x(k+1)是n维的状态向量；

y(k)是一个m维的输出向量，y(k)＝tk代表纹理特征；

v(k)是一个服从高斯分布的随机变量，期望为0，它的协方差矩阵为v；

w(k)是一个服从高斯分布的随机变量，期望为0，协方差矩阵为w；

k＝1,2,3…,q；

估计出参数a,c,v的值，将其排列成一个列向量f，称f为这一段时间浮选过程的过程

尺寸特征；

s5：将s4中得到的f和与其对应的精矿品位g组合在一起，作为一个样本点di＝{fi,gi)}；将收集的所有视频求出过程尺寸特征，与精矿品位组合，求出所有的样本点集合d＝{(f1,g1),(f2,g2),...,(fn,gn)}，用fi^(j)表示fi的第j个分量；

s6：s5中获得的样本集，采用cart算法训练决策树模型，记为f0；

s7：建立预测模型，设计一个损失函数lf来定量的计算生成的模型输出值与实际测量值的偏差，根据损失函数lf逐步递增地生成一个以f0为基础的提升树模型，其步骤如下：

1)将fi更新为fi'＝fi+φi+1(f)，其中：i＝0,1,2,3…，φi+1为新加入的弱学习器；

2)设计损失函数lf，令其中，η为一个小于1的常数；

3)求解得到使得损失函数lf取最小值的φi+1的数值解；

4)以φi+1为目标值，利用cart算法建立决策树模型得到fi+1；

5)重复生成决策树，共生成l棵树，得到提升决策树：

fboost(f)＝f0(f)+ηf1(f)+...+ηfl(f)；

s8：获取待检测锌浮选泡沫样本数据输入计算机，计算机根据步骤s3，s4计算过程尺寸特征，并输入s7中得到的模型，即可得到预测的锌精品位；

s3中所述的韦伯分布函数为c为归一化的常数，β,μ,γ为参数；

本发明提出了一种基于过程尺寸特征的锌浮选精矿品位的软测量的方法，解决了现场锑矿品位在线检测难的问题；针对传统方法仅仅依靠一张图片提取的图像特征来表征当前泡沫状态的问题，本发明结合现场工人实际看泡的经验，提出一种与时间有关的过程尺寸特征。根据现场工人看泡时的观察重点提出基于图像统计特征的单帧纹理特征来表征泡沫特征，融合了专家知识，可以更加准确的代表当前泡沫的状态；根据现场工人需要观察一段时间内泡沫状态来判断当前生产状态的特点提出一种对尺寸分布序列的建模方法，降低了特征向量的维数，同时也可以反映尺寸分布序列动态变化的规律；针对传统品位预测方法难以处理大样本的数据，且对带噪声的数据比较敏感的问题，提出利用数据驱动的方式建立品位预测的提升决策树模型；由于树模型是一个非线性模型因此可以很好的拟合品位预测这样一个强非线性函数，而且树模型是分支结构，运算速度很快，能够快速求解出当前泡沫状态对应的精矿品位，便于实现在线检测；针对提升决策树模型应用到锌精矿品位预测中容易出现过拟合导致训练出的模型泛化能力差的问题，引入学习率η,在每次前向递增的过程中加入一个小于1的常数，可以有效的抑制由于学习太快导致的过拟合问题，提高了泛化能力；该方法计算简单，执行速度较快，预测准确度较高，便于在现场实际操作，可即时指导现场操作，优化生产过程。

附图说明

图1是本发明实施锌浮选精矿品位预测方法的流程图。

具体实施方式

下面是结合本发明附图，对本发明中所采用的技术方案更加详细、清楚地做出了描述和解释。本发明针对传统方法仅仅依靠单帧图片难以准确反映泡沫状态的局限性提出一种与时间有关的过程尺寸特征提取方法，并利用改进的提升决策树模型实现了锌精矿品位的在线检测。显然，所描述的实施例仅是本发明实施例中的一部分，并不是实施例的全部。基于本发明中的实施例，相关领域的技术人员在没有做出创造性劳动的前提所获得所有其它的实施例都应为本发明的保护范围。

如图1所示，为本发明实施例中的一种基于过程尺寸分布特征的铅锌矿品位软测量方法的流程图，该方法包括如下具体步骤：

s1：收集不同品位下的锌浮选的泡沫视频和生产数据，对采集到的锌浮选数据以及生产

数据进行数据预处理,如下：

1)剔除测量到的数据取值超出变化范围的错误数据；

2)剔除不匹配的数据以及存在空缺值的数据；

s2：利用浮选现场图像采集系统所获得的泡沫视频读取rgb泡沫图像，将泡沫图像由rgb

颜色空间转化到hsi颜色空间，并提取亮度分量作为源图像，得到一个图像序列i＝[i1,i2,...,iq]，q为视频帧数；

s3：对图像序列中的泡沫图像ii提取泡沫尺寸分布特征，泡沫尺寸分布特征提取的流程如下：

1)首先对泡沫图像进行预处理，然后采用形态滤波对泡沫图像ii进行一次开闭重构除噪，以降低局部极小值所产生的非边界数目；

2)选择局部极小值检测模板，检测图像ii的局部极小值，得到ii'；

3)对检测结果，采用椭圆状结构元素对ii'滤波，使得图像的边界连续；

4)细化ii'中的图像边缘，采用8邻域的细化判断算法，细化边缘；

5)采用非边界滤波处理细化后的图像，去除线段毛刺，采用面积滤波算法滤除面积过小的假区域，最终去除掉所有的孤立点，线段，分叉线；

6)统计分割结果中所有区域的面积的概率直方图hi,用韦伯分布函数拟合hi，得到韦伯分布函数的参数βi,μi,γi，将ti＝[βi,μi,γi]作为图像ii的尺寸分布特征；

对图像序列i中每一帧图像都做相同处理，得到尺寸分布序列t＝[t1,t2,...,tq]；

s4：对s3中得到的尺寸分布序列t建立高斯-马尔可夫自回归滑动平均模型，其函数表达式如下：

其中：x(k)，x(k+1)是n维的状态向量；

y(k)是一个m维的输出向量，y(k)＝tk代表纹理特征；

v(k)是一个服从高斯分布的随机变量，期望为0，协方差为v；

w(k)是一个服从高斯分布的随机变量，期望为0，协方差为w；

k＝1,2,3…,q；

估计出参数a,c,v的值，将其排列成一个列向量f，称f为这一段时间浮选过程的过程尺寸特征，步骤如下：

1)将s4中的高斯马尔科夫滑动自回归模型中的y(k),写做如下形式，y＝[y(1),y(2),y(3),...,y(q)]；

2)求出模型的所有输出y(k)的平均值ym,令y^q＝y-ym；

3)利用一个从m*q维空间到实数域的映射函数作为概率密度函数，来模拟y(k)，其数学表达式如下：

其中：μ是一个与y^q形状相同的矩阵，∑是一个对称矩阵且元素为正数，z是一个归一化常数；

4)求解使得p(y^q)最大时的参数值，即具体步骤如下：

①将原式写成如下形式：y1^τ＝[y(1),y(2),…,y(k)],w1^τ＝[w(1),w(2),…,w(k)],则

②对y1^τ做奇异值分解可得y1^τ＝u∑v^t，则

③求解得到a的估计值；

④其中

5)将a，c，v排列成一个列向量fi，设其维数为n；

s5：将s4中得到的f和与其对应的精矿品位g组合在一起，作为一个样本点di＝{fi,gi)}；将收集的所有的视频求出过程尺寸特征，与精矿品位组合，求出所有的样本点集合d＝{(f1,g1),(f2,g2),...,(fn,gn)}；

s6：用s5中获得的样本集，采用cart算法训练决策树模型，记为f0；

s7：建立预测模型，设计一个损失函数lf来定量的计算生成的模型输出值与实际测量值的偏差，根据损失函数lf逐步递增地生成一个以f0为基础的提升树模型，其步骤如下：

1)将fi更新为fi'＝fi+φi+1(f)，其中：i＝0,1,2,3…，φi+1为新加入的弱学习器；

2)设计损失函数lf，在本方法中取损失函数为l2损失函数，令其中，η为一个小于1的常数；

3)求解得到使得损失函数lf取最小值的φi+1的数值解，令求出φi+1；

4)以φi+1为目标值，利用cart算法建立决策树模型得到fi+1；

5)重复不断生成决策树，如果出现10次连续加入新树都不会导致预测误差减小的情况，认为已经达到停止条件，共生成l棵树，得到提升决策树：

fboost(f)＝f0(f)+ηf1(f)+...+ηfl(f)；

s8：获取待检测锌浮选泡沫样本数据输入计算机，计算机根据步骤s3，s4计算过程尺寸特征，并输入s7中得到的模型，即可得到预测的锌精品位。