一种基于行为画像的浮选生产过程控制方法及系统与流程

本发明涉及浮选技术领域，具体涉及一种基于行为画像的浮选生产过程控制方法及系统。

背景技术：

浮选生产过程是选矿工艺的重要环节，目前，浮选生产过程主要依赖于人的经验知识和少量的测量数据进行操作，由于影响浮选操作的因素众多，入选矿浆种类、上游操作的稳定性、加药量、液位等，这些因素具有非线性、时变性、大滞后、强耦合的特点，因此完全采用手动操作，致使岗位工人劳动强度大，容易造成精矿产品的质量波动。画像技术是一种新的大数据处理方式，用于针对用户或者用户行为进行建模。使用行为画像技术来刻画和表征浮选生产过程的行为特征，并提供生产过程的推荐操作，有利于解决上述业务难题。浮选生产过程是选矿工艺的重要环节，目前，浮选生产过程完全采用手动操作，致使岗位工人劳动强度大，并且容易造成精矿产品的质量波动。

技术实现要素：

针对现有技术存在的问题，本发明提供一种基于行为画像的浮选生产过程控制方法及系统，通过构建浮选过程行为画像标签体系，结合多级支持向量机分类，针对不同矿浆种类提出相应的最佳操作方式，从而对浮选生产过程操作进行控制，达到稳质降尾、提高浮选生产效益的目的。

一方面，本发明提供一种基于行为画像的浮选生产过程控制方法，包括：

1)浮选过程行为指标数据存储以及预处理，所述浮选过程行为指标，包括：给矿品位、各种药剂流量、精矿闸门开度、刮板刮尾厚度、浮选精矿品位、浮选尾矿品位；

2)构建浮选过程行为画像标签体系：将选取的浮选过程行为指标进行单维度k-means聚类，分别将各浮选过程行为指标聚类成若干等级，各等级作为生成的行为画像标签，将数据仓库中的数据转为行为画像标签的形式存储，构建出浮选过程行为画像标签体系，即浮选过程行为指标与行为画像标签的对应关系；

3)挖掘矿浆种类与操作模式的对应关系：将各浮选过程行为指标数据作为一条操作模式，进行操作模式发掘，尽可能多的发现浮选过程中的操作模式并命名作为矿浆种类画像标签；

4)为不同矿浆种类找出对应的最佳操作方式：采用k-means聚类算法，将n种矿浆种类、m种浮选精矿品位、p种浮选尾矿品位进行组合，共生成n*m*p＝q种样本，将每种样本对应的操作模式进行聚类，在聚类结果中选取数量最多的类别的聚类中心作为为该矿浆种类浮选过程中的指导操作模式即最佳操作方式；

5)构建多层支持向量机分类器对实时的行为画像进行分类确定矿浆种类；

6)给每一矿浆种类构建多级支持向量机分类器，根据实时的操作模式来预测浮选精矿品位、浮选尾矿品位，进行操作模式的调整；

7)当出现多级支持向量机分类器预测出的浮选精矿品位和浮选尾矿品位都不合格的次数超过阈值时，返回步骤3)。

进一步地，步骤1)包括：

1.1)浮选过程行为指标数据存储时，离线测量的给矿品位、浮选精矿品位、浮选尾矿品位数据每两小时存储一次，在线测量的投放的药剂用量监测数据、精矿闸门开度、刮板刮尾厚度每10分钟存储一次；

1.2)将离线测量的数据和在线测量的数据进行数据对齐；

1.3)抽取近两年的所有数据存储到数据库中；

1.4)在从数据库到数据仓库的转储过程中对数据做ETL处理。

进一步地，所述步骤3)包括：

3.1)选择任意操作模式，计算该操作模式与其他操作模式的欧式距离；

3.2)将与当前选择的操作模式欧式距离最小的前5％～8％的操作模式归为一类，命名为矿浆种类1，作为矿浆种类1的画像标签；

3.3)在未命名的操作模式中随机选择另一操作模式，该操作模式与其他操作模式的欧式距离；

3.4)将与当前选择的操作模式欧式距离最小的前5％～8％的操作模式归为一类，命名为矿浆种类2，作为矿浆种类2的画像标签；循环迭代直到所有的操作模式已被归类并命名。

进一步地，步骤5)构建多层支持向量机分类器对实时的行为画像进行分类确定矿浆种类，包括：

5.1)采用历史操作模式数据构建多层支持向量机分类器，以操作模式数据为输入，不同矿浆种类为输出；

5.2)利用多层支持向量机分类器对实时的操作模式数据进行分类，确定实时的操作模式数据所属矿浆种类。

进一步地，所述步骤6)包括：

6.1)针对每一矿浆种类构建一个多级支持向量机分类器：将m种浮选精矿品位、p种浮选尾矿品位进行组合，共得到m*p＝q种样本；利用q种样本以及每种样本对应的距离训练时间最近的若干条操作模式作为样本训练集，构造q-1级支持向量机分类器；

6.2)将实时的操作模式输入q-1级支持向量机分类器，输出样本种类，根据样本种类与浮选精矿品位、浮选尾矿品位的对应关系预测出浮选精矿品位、浮选尾矿品位；

6.3)根据从样本种类中得到浮选精矿品位和浮选尾矿品位对现场的操作模式进行调整。

另一方面，本发明提供一种基于行为画像的浮选生产过程控制系统，包括：

行为指标选取及预处理单元，用于浮选过程行为指标数据存储以及预处理，所述浮选过程行为指标，包括：给矿品位、各种药剂流量、精矿闸门开度、刮板刮尾厚度、浮选精矿品位、浮选尾矿品位；

画像标签体系构建单元，用于构建浮选过程行为画像标签体系：将选取的浮选过程行为指标进行单维度k-means聚类，分别将各浮选过程行为指标聚类成若干等级，各等级作为生成的行为画像标签，将数据仓库中的数据转为行为画像标签的形式存储，构建出浮选过程行为画像标签体系，即浮选过程行为指标与行为画像标签的对应关系；

画像标签挖掘单元，用于挖掘矿浆种类与操作模式的对应关系：将各浮选过程行为指标数据作为一条操作模式，进行操作模式发掘，尽可能多的发现浮选过程中的操作模式并命名作为矿浆种类画像标签；

最佳选取单元，用于为不同矿浆种类找出对应的最佳操作方式：采用k-means聚类算法，将n种矿浆种类、m种浮选精矿品位、p种浮选尾矿品位进行组合，共生成n*m*p＝q种样本，将每种样本对应的操作模式进行聚类，在聚类结果中选取数量最多的类别的聚类中心作为为该矿浆种类浮选过程中的指导操作模式即最佳操作方式；

矿浆种类分类单元，用于构建多层支持向量机分类器对实时的行为画像进行分类确定矿浆种类；

操作模式调整单元，用于给每一矿浆种类构建多级支持向量机分类器，根据实时的操作模式来预测浮选精矿品位、浮选尾矿品位，进行操作模式的调整；

阈值判定单元，用于当出现多级支持向量机分类器预测出的浮选精矿品位和浮选尾矿品位都不合格的次数超过阈值时，返回调用画像标签挖掘单元。

进一步地，所述行为指标选取及预处理单元，包括：

存储模块，浮选过程行为指标数据存储时，离线测量的给矿品位、浮选精矿品位、浮选尾矿品位数据每两小时存储一次，在线测量的投放的药剂用量监测数据、精矿闸门开度、刮板刮尾厚度每10分钟存储一次；

数据对齐模块，将离线测量的数据和在线测量的数据进行数据对齐；

数据抽取模块，抽取近两年的所有数据存储到数据库中；

ETL处理模块，在从数据库到数据仓库的转储过程中对数据做ETL处理。

进一步地，所述画像标签挖掘单元，包括：

第一计算模块，选择任意操作模式，计算该操作模式与其他操作模式的欧式距离；

画像标签命名模块，将与当前选择的操作模式欧式距离最小的前5％～8％的操作模式归为一类，命名为矿浆种类1，作为矿浆种类1的画像标签；

第二计算模块，在未命名的操作模式中随机选择另一操作模式，该操作模式与其他操作模式的欧式距离；

归类命名模块，将与当前选择的操作模式欧式距离最小的前5％～8％的操作模式归为一类，命名为矿浆种类2，作为矿浆种类2的画像标签；循环迭代直到所有的操作模式已被归类并命名。

进一步地，所述矿浆种类分类单元，包括：

第一分类器构建模块，采用历史操作模式数据构建多层支持向量机分类器，以操作模式数据为输入，不同矿浆种类为输出；

矿浆种类确定模块，利用多层支持向量机分类器对实时的操作模式数据进行分类，确定实时的操作模式数据所属矿浆种类。

进一步地，所述操作模式调整单元，包括：

第二分类器构建模块，针对每一矿浆种类构建一个多级支持向量机分类器：将m种浮选精矿品位、p种浮选尾矿品位进行组合，共得到m*p＝q种样本；利用q种样本以及每种样本对应的距离训练时间最近的若干条操作模式作为样本训练集，构造q-1级支持向量机分类器；

预测模块，将实时的操作模式输入q-1级支持向量机分类器，输出样本种类，根据样本种类与浮选精矿品位、浮选尾矿品位的对应关系预测出浮选精矿品位、浮选尾矿品位；

调整模块，根据从样本种类中得到浮选精矿品位和浮选尾矿品位对现场的操作模式进行调整。

有益效果：

本发明对浮选生产过程的选矿石性质、加药量、精矿闸门开度、刮板刮尾厚度，建立了比较完整的行为画像，并建立了它们之间的关联关系，据此指导浮选生产岗位工人进行操作，达到了稳质降尾，降低成本，提高浮选生产效益的目的。

附图说明

图1是本发明实施例1中基于行为画像的浮选生产过程控制方法流程图；

图2是本发明实施例1中步骤1)的流程图；

图3是本发明实施例1中步骤4)的流程图；

图4是本发明实施例1中步骤6)的流程图；

图5是本发明实施例1中步骤7)的流程图；

图6是本发明实施例2中基于行为画像的浮选生产过程控制系统框图；

图7是本发明实施例2中数据仓库单元框图；

图8是本发明实施例2中画像标签挖掘单元框图；

图9是本发明实施例2中矿浆种类分类单元框图；

图10是本发明实施例2中操作模式调整单元框图；

图11是本发明实施例1中构造n-1级支持向量机的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

实施例1

本发明提供一种基于行为画像的浮选生产过程控制方法，如图1所示，包括：

1)浮选过程行为指标数据存储以及预处理，所述浮选过程行为指标，包括：给矿品位、各种药剂流量、精矿闸门开度、刮板刮尾厚度、浮选精矿品位、浮选尾矿品位；

各种药剂流量，包括：LKY粗药剂流量、LKY细药剂流量、NAOH药剂流量、淀粉药剂流量；

2)构建浮选过程行为画像标签体系：将选取的浮选过程行为指标进行单维度k-means聚类，分别将各浮选过程行为指标聚类成若干等级，各等级作为生成的行为画像标签，将数据仓库中的数据转为行为画像标签的形式存储，构建出浮选过程行为画像标签体系，即浮选过程行为指标与行为画像标签的对应关系；

其中LKY粗药剂流量、LKY细药剂流量、NAOH药剂流量、淀粉药剂流量、精矿闸门开度、刮板刮尾厚度划分成三等或者五等，即分为大、中、小三等，或者极大、大、中等、小、极小五等。浮选尾矿品位生成标签为“品位中等”、“品位较好”、“品位较差”，浮选精矿品位生成标签为“合格率范围”、“偏高于合格率”、“偏低于合格率”；给矿品位标签人为规定包括“矿石易选”、“矿石中等可选”、“矿石难选”、“矿石极难选”；将数据仓库中的数据转为行为画像标签的形式存储；

3)挖掘矿浆种类与操作模式的对应关系：将各浮选过程行为指标数据作为一条操作模式，即LKY粗药剂流量、LKY细药剂流量、NAOH药剂流量、淀粉药剂流量、精矿闸门开度、刮板刮尾厚度六个行为指标共同构成一条操作模式，进行操作模式发掘，尽可能多的发现浮选过程中的操作模式并命名作为矿浆种类画像标签；

4)为不同矿浆种类找出对应的最佳操作方式：采用k-means聚类算法，将n种矿浆种类、m种浮选精矿品位、p种浮选尾矿品位进行组合，共生成n*m*p＝q种样本，将每种样本对应的操作模式进行聚类，在聚类结果中选取数量最多的类别的聚类中心作为为该矿浆种类浮选过程中的指导操作模式即最佳操作方式；

5)构建多层支持向量机分类器对实时的行为画像进行分类确定矿浆种类；

6)给每一矿浆种类构建多级支持向量机分类器，根据实时的操作模式来预测浮选精矿品位、浮选尾矿品位，进行操作模式的调整；

7)当出现多级支持向量机分类器预测出的浮选精矿品位和浮选尾矿品位都不合格的次数超过阈值时，返回步骤3)。

进一步地，如图2所示，步骤1)包括：

1.1)浮选过程监测指标数据存储时，离线测量的给矿品位、浮选精矿品位、浮选尾矿品位数据每两小时存储一次，在线测量的投放的药剂用量监测数据、精矿闸门开度、刮板刮尾厚度每10分钟存储一次；

1.2)将离线测量的数据和在线测量的数据进行数据对齐；

1.3)抽取近两年的所有数据存储到数据库中；

1.4)在从数据库到数据仓库的转储过程中对数据做ETL处理。

进一步地，如图3所示，所述步骤3)包括：

3.1)选择任意操作模式，利用公式一计算该操作模式与其他操作模式的欧式距离；

其中，d为两个操作模式的欧式距离，x和y分别代表两个不同的操作模式，是一个六维向量，i＝1，2，3，4，5，6分别表示LKY粗药剂流量、LKY细药剂流量、NAOH药剂流量、淀粉药剂流量、精矿闸门开度、刮板刮尾厚度。

3.2)将与当前选择的操作模式欧式距离最小的前5％～8％的操作模式归为一类，命名为矿浆种类1，作为矿浆种类1的画像标签；

3.3)在未命名的操作模式中随机选择另一操作模式，该操作模式与其他操作模式的欧式距离；

3.4)将与当前选择的操作模式欧式距离最小的前5％～8％的操作模式归为一类，命名为矿浆种类2，作为矿浆种类2的画像标签；循环迭代直到所有的操作模式已被归类并命名。

进一步地，如图4所示，步骤5)构建多层支持向量机分类器对实时的行为画像进行分类确定矿浆种类，包括：

5.1)采用历史操作模式数据构建多层支持向量机分类器，以操作模式数据为输入，不同矿浆种类为输出；

5.2)利用多层支持向量机分类器对实时的操作模式数据进行分类，确定实时的操作模式数据所属矿浆种类。

进一步地，如图5所示，所述步骤6)包括：

6.1)针对每一矿浆种类构建一个多级支持向量机分类器：根据实验数据，将浮选精矿品位分为合格范围、偏高于合格、偏低于合格三类，将浮选尾矿品位分为三类分别是品位较好、品位较差、品位中等进行组合，共得到3*3＝9种样本；利用9种样本以及每种样本对应的距离训练时间最近的15～20条操作模式作为样本训练集，利用支持向量机算法进行训练，输入是六维向量的样本训练集，每个训练样本格式为x＝(LKY粗药剂流量、LKY细药剂流量、NAOH药剂流量、淀粉药剂流量、精矿闸门开度、刮板刮尾厚度)，得到的支持向量机分类器输出是样本种类i；

第一级支持向量机分类器采用-1代表样本1，其余的样本2、样本3……样本q都采用+1表示，输入“操作模式，+1”和“操作模式，-1”结构的训练样本集得到第一级支持向量机分类器；以此类推，第i级支持向量机分类器用-1代表第i种样本，用+1代表第i+1、i+2……第q种样本，训练得到第i级支持向量机分类器，这样q种样本通过q-1个支持向量机分类器进行分类，根据样本的种类得到相应的浮选精矿品位和浮选尾矿品位；

6.2)支持向量机分类器训练完成后，将实时产生的操作模式x输入q-1级支持向量机分类器中，输出样本种类，从而根据样本种类与浮选精矿品位、浮选尾矿品位的对应关系预测出浮选精矿品位、浮选尾矿品位；

6.3)如果从样本种类中得到的浮选精矿品位为“偏低于合格率”，浮选尾矿品位为“品位较差”，则根据已有的指导操作模式对现场的操作模式进行调整。

实施例2

本实施例提供一种基于行为画像的浮选生产过程控制系统，如图6所示，包括：

行为指标选取及预处理单元，用于浮选过程行为指标数据存储以及预处理，所述浮选过程行为指标，包括：给矿品位、各种药剂流量、精矿闸门开度、刮板刮尾厚度、浮选精矿品位、浮选尾矿品位；

画像标签体系构建单元，用于构建浮选过程行为画像标签体系：将选取的浮选过程行为指标进行单维度k-means聚类，分别将各浮选过程行为指标聚类成若干等级，各等级作为生成的行为画像标签，将数据仓库中的数据转为行为画像标签的形式存储，构建出浮选过程行为画像标签体系，即浮选过程行为指标与行为画像标签的对应关系；

画像标签挖掘单元，用于挖掘矿浆种类与操作模式的对应关系：将各浮选过程行为指标数据作为一条操作模式，进行操作模式发掘，尽可能多的发现浮选过程中的操作模式并命名作为矿浆种类画像标签；

最佳选取单元，用于为不同矿浆种类找出对应的最佳操作方式：采用k-means聚类算法，将n种矿浆种类、m种浮选精矿品位、p种浮选尾矿品位进行组合，共生成n*m*p＝q种样本，将每种样本对应的操作模式进行聚类，在聚类结果中选取数量最多的类别的聚类中心作为为该矿浆种类浮选过程中的指导操作模式即最佳操作方式；

矿浆种类分类单元，用于构建多层支持向量机分类器对实时的行为画像进行分类确定矿浆种类；

操作模式调整单元，用于给每一矿浆种类构建多级支持向量机分类器，根据实时的操作模式来预测浮选精矿品位、浮选尾矿品位，进行操作模式的调整；

阈值判定单元，用于当出现多级支持向量机分类器预测出的浮选精矿品位和浮选尾矿品位都不合格的次数超过阈值时，返回调用画像标签挖掘单元。

进一步地，如图7所示，所述行为指标选取及预处理单元，包括：

存储模块，浮选过程监测指标数据存储时，离线测量的给矿品位、浮选精矿品位、浮选尾矿品位数据每两小时存储一次，在线测量的投放的药剂用量监测数据、精矿闸门开度、刮板刮尾厚度每10分钟存储一次；

数据对齐模块，将离线测量的数据和在线测量的数据进行数据对齐；

数据抽取模块，抽取近两年的所有数据存储到数据库中；

ETL处理模块，在从数据库到数据仓库的转储过程中对数据做ETL处理。

进一步地，如图8所示，所述画像标签挖掘单元，包括：

第一计算模块，选择任意操作模式，计算该操作模式与其他操作模式的欧式距离；

画像标签命名模块，将与当前选择的操作模式欧式距离最小的前5％～8％的操作模式归为一类，命名为矿浆种类1，作为矿浆种类1的画像标签；

第二计算模块，在未命名的操作模式中随机选择另一操作模式，该操作模式与其他操作模式的欧式距离；

归类命名模块，将与当前选择的操作模式欧式距离最小的前5％～8％的操作模式归为一类，命名为矿浆种类2，作为矿浆种类2的画像标签；循环迭代直到所有的操作模式已被归类并命名。

进一步地，如图9所示，所述矿浆种类分类单元，包括：

第一分类器构建模块，采用历史操作模式数据构建多层支持向量机分类器，以操作模式数据为输入，不同矿浆种类为输出；

矿浆种类确定模块，利用多层支持向量机分类器对实时的操作模式数据进行分类，确定实时的操作模式数据所属矿浆种类。

进一步地，如图10所示，所述操作模式调整单元，包括：

第二分类器构建模块，针对每一矿浆种类构建一个多级支持向量机分类器：将m种浮选精矿品位、p种浮选尾矿品位进行组合，共得到m*p＝q种样本；利用q种样本以及每种样本对应的距离训练时间最近的若干条操作模式作为样本训练集，构造q-1级支持向量机分类器；

第一级支持向量机分类器采用-1代表样本1，其余的样本2、样本3……样本q都采用+1表示，输入“操作模式，+1”和“操作模式，-1”结构的训练样本集得到第一级支持向量机分类器；以此类推，第i级支持向量机分类器用-1代表第i种样本，用+1代表第i+1、i+2……第q种样本，训练得到第i级支持向量机分类器，这样q种样本通过q-1个支持向量机分类器进行分类，根据样本的种类得到相应的浮选精矿品位和浮选尾矿品位；

预测模块，将实时的操作模式输入q-1级支持向量机分类器，输出样本种类，根据样本种类与浮选精矿品位、浮选尾矿品位的对应关系预测出浮选精矿品位、浮选尾矿品位；

调整模块，根据从样本种类中得到浮选精矿品位和浮选尾矿品位对现场的操作模式进行调整。