一种选矿生产指标监控系统及方法
【专利摘要】本发明一种选矿生产指标监控系统及方法，属于选矿生产过程【技术领域】，本发明包括数据获取、指标影响因素筛选、指标监视、案例库维护、指标异常分析和数据存储；实现了对选矿重要生产指标影响因素的深入分析和对选矿重要生产指标异常情况时的分析，提高了选矿重要生产指标监控的有效程度；实现对目前选矿生产指标监控仅仅是对所有选矿生产指标的统计显示、没有研究如何通过分析各种生产指标之间的相互影响关系来对企业最关心的重要生产指标进行有效监视，没有对选矿过程中指标异常原因进行分析和处理，从而导致难以对选矿过程的重要生产指标进行在线的有效监控问题的解决。
【专利说明】一种选矿生产指标监控系统及方法
【技术领域】
[0001]本发明属于选矿生产过程【技术领域】，具体涉及一种选矿生产指标监控系统及方法。
【背景技术】
[0002]矿产资源是经济发展需求的一种重要基础原料，在国民经济发展、国防科技建设等方面，在冶金、建筑、交通、化工等多个领域中起着举足轻重的作用，同时矿产资源又是难以再生的自然资源，所以各国都在积极地倡导可持续发展战略。在这种形势下，选矿工业企业已经不能像过去那样单纯地追求经济效益，而应该更加注重产品的质量，降低生产成本，节约资源消耗，降低环境污染，只有这样才能满足企业越来越高的质量要求，才能使企业更好地生存发展。在选矿生产过程中，存在着大量的生产指标，包括质量指标、计量指标、设备运行统计、能源指标、成本指标、矿仓料位和工艺指标。对上述各种生产指标进行有效监控，对保证产品质量尤为重要。
[0003]目前对选矿生产指标监控方面仅有少量专利，如“201410053940 (锡矿摇床选矿自动监控的方法)”由自动摄像模块监视，通过PLC控制调节阀，实现最佳洗涤水流量控制；由自动摄像模块监视，通过PLC加单轴控制伺服电动机驱动机械构件实现最佳床身坡度控制；由自动摄像模块监视，通过PLC控制机械构件实现锡精矿接取位置控制。从而确保摇床给矿浓度、体积量稳定在最佳状态，提高选别指标。“201310704334.2 (—种设备能力变化条件下的选矿综合生产指标优化方法)”在设备检修或设备故障导致设备能力出现变化时，针对选矿综合生产指标优化目标及约束条件对各原矿处理量进行调整优化，进而实现选矿综合生产指标优化。“201310647027.5 ( —种选矿过程运行指标优化方法)”对质量指标和产量指标进行预报，得到质量指标预报值和产量指标预报值，校正运行指标目标值的预设定值，得到运行指标优化值。“201310723320.5 (可视化选矿生产全流程工艺指标优化决策系统及方法)”对算法进行封装、配置数据接口、配置数据类型，或者对封装好的算法模块进行修改；组态形成选矿生产全流程控制策略；对趋势分组以及变量数据分组配置并动态配置显示界面。上述专利主要针对的是对选矿生产指标设定值如何进行优化，而没有研究如何通过研究各种生产指标之间的相互影响关系来对企业最关心的重要生产指标进行有效监视，更没有对选矿生产过程中指标异常原因进行分析和处理，因此难以对选矿重要生产指标进行在线的有效监控。
【发明内容】
[0004]针对现有技术的缺点，本发明提出一种选矿生产指标监控系统及方法，以达到实现对选矿重要生产指标影响因素的深入分析、对选矿重要生产指标异常情况时的分析，提高选矿重要生产指标监控有效程度的目的。
[0005]一种选矿生产指标监控系统，包括数据获取单元、指标影响因素筛选单元、指标监视单元、案例库维护单元、指标异常分析单元和数据存储单元，其中，
[0006]数据获取单元:用于获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运彳T统计指标、矿仓料位指标、工艺指标、能源指标和成本指标，并将犹取的数据发送至指标影响因素筛选单元和数据存储单元中；
[0007]指标影响因素筛选单元:用于根据实际需求确定监控指标和与监控指标有影响关系的多个影响生产指标，并采用基于PLS-VIP的选矿生产指标筛选方法，从选取的多个影响生产指标中进一步筛选，确定关键生产指标，并将关键生产指标发送至案例库维护单元;
[0008]案例库维护单元:用于对指标异常分析中用到的案例库进行维护，包括添加案例、修正案例、删除案例和查看案例；
[0009]指标监视单元:用于根据监控指标的监视画面，在线实时监控关键生产指标的数值，并发送至指标异常分析单元；
[0010]指标异常分析单元:用于当监控指标发生异常时，采用基于案例推理方法，根据案例库中记载的历史案例，确定当前指标异常情况所属案例；
[0011]数据存储单元:用于存储获取的选矿生产全流程生产指标历史数据、选取的监控指标、选取的与监控指标有影响关系的多个影响生广指标、实时检测的关键生广指标实际数值和案例库中记载的生产指标历史数据。
[0012]采用选矿生产指标监控系统进行的监控方法，包括以下步骤:
[0013]步骤1、获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运打统计指标、矿仓料位指标、工艺指标、能源指标和成本指标;
[0014]步骤2、根据实际需求，从选矿生产全流程生产指标中选取所需监控指标；
[0015]步骤3、根据实际需求，从选矿生产全流程生产指标中选取与监控指标有影响关系的多个影响生产指标；
[0016]步骤4、采用基于PLS-VIP的选矿生产指标筛选方法，从选取的多个影响生产指标中进一步筛选，确定关键生产指标，具体方法如下:
[0017]步骤4-1、根据历史数据，确定多组影响生产指标的具体数值，将该生产指标作为自变量，并构建自变量数据矩阵；
[0018]自变量数据矩阵的行数为影响生产指标的组数，矩阵的列数为影响生产指标的个数，矩阵的元素为影响生产指标的具体数值；
[0019]步骤4-2、根据历史数据，确定多组监控指标的具体数值，将监控指标为因变量，并构建因变量数据矩阵；
[0020]因变量数据矩阵的行数为监控指标的组数，矩阵的列数为监控指标的个数，矩阵的元素为监控指标的具体数值；
[0021]步骤4-3、对自变量数据矩阵和因变量数据矩阵进行标准化处理；
[0022]步骤4-4、采用NIPALS方法对自变量数据矩阵和因变量数据矩阵进行主成分提取；
[0023]步骤4-5、确定每个自变量的变量投影重要性指标；
[0024]
【权利要求】
1.一种选矿生产指标监控系统，其特征在于，包括数据获取单元、指标影响因素筛选单元、指标监视单元、案例库维护单元、指标异常分析单元和数据存储单元，其中， 数据获取单元:用于获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运打统计指标、矿仓料位指标、工艺指标、能源指标和成本指标，并将犹取的数据发送至指标影响因素筛选单元和数据存储单元中； 指标影响因素筛选单元:用于根据实际需求确定监控指标和与监控指标有影响关系的多个影响生产指标，并采用基于PLS-VIP的选矿生产指标筛选方法，从选取的多个影响生产指标中进一步筛选，确定关键生产指标，并将关键生产指标发送至案例库维护单元； 案例库维护单元:用于对指标异常分析中用到的案例库进行维护，包括添加案例、修正案例、删除案例和查看案例； 指标监视单元:用于根据监控指标的监视画面，在线实时监控关键生产指标的数值，并发送至指标异常分析单元； 指标异常分析单元:用于当监控指标发生异常时，采用基于案例推理方法，根据案例库中记载的历史案例，确定当前指标异常情况所属案例； 数据存储单元:用于存储获取的选矿生产全流程生产指标历史数据、选取的监控指标、选取的与监控指标有影响关系的多个影响生广指标、实时检测的关键生广指标实际数值和案例库中记载的生产指标历史数据。
2.采用权利要求1所述的选矿生产指标监控系统进行的监控方法，其特征在于，包括以下步骤: 步骤1、获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标; 步骤2、根据实际需求，从选矿生产全流程生产指标中选取所需监控指标； 步骤3、根据实际需求，从选矿生产全流程生产指标中选取与监控指标有影响关系的多个影响生产指标； 步骤4、采用基于PLS-VIP的选矿生产指标筛选方法，从选取的多个影响生产指标中进一步筛选，确定关键生广指标，具体方法如下: 步骤4-1、根据历史数据，确定多组影响生产指标的具体数值，将该生产指标作为自变量，并构建自变量数据矩阵； 自变量数据矩阵的行数为影响生产指标的组数，矩阵的列数为影响生产指标的个数，矩阵的元素为影响生产指标的具体数值； 步骤4-2、根据历史数据，确定多组监控指标的具体数值，将监控指标为因变量，并构建因变量数据矩阵； 因变量数据矩阵的行数为监控指标的组数，矩阵的列数为监控指标的个数，矩阵的元素为监控指标的具体数值； 步骤4-3、对自变量数据矩阵和因变量数据矩阵进行标准化处理； 步骤4-4、采用NIPALS方法对自变量数据矩阵和因变量数据矩阵进行主成分提取； 步骤4-5、确定每个自变量的变量投影重要性指标；
其中，νπ^_为第j个自变量的变量投影重要性指标，j = 1，2，...，P，P为自变量个数； s为主成分提取的总次数； th为从自变量数据矩阵中第h次提取的主成分； Whj为矩阵的最大特征值所对应单位特征向量Wh的第j个分量，Elri表示第h-Ι次主成分提取中获得的自变量数据矩阵，Flri表示第h-Ι次主成分提取中获得的因变量数据矩阵为因变量数据矩阵Y标准化处理后的矩阵；
为th对因变量数据矩阵Y的解释能力；
RcKyj ；th) = r2 (yj ；th), Hyj ；th)为th与因变量y」的简单相关系数；
为ti，...，ts对因变量数据矩阵Y的累积解释能力；
步骤4-6、判断每个自变量的变量投影重要性指标是否大于等于变量投影重要性指标阈值，若是，则保留该自变量，即保留对应影响生产指标，当所有自变量均判断完成后执行步骤4-8，否则，删除该自变量，即删除对应影响生产指标，当所有自变量均判断完成后执行步骤4-7 ； 步骤4-7、将剩余的自变量重新构成自变量数据阵，即将多组剩余影响生产指标重新构成自变量数据阵，并返回执行步骤4-4至步骤4-6，直至剩余每个自变量的变量投影重要性指标均大于等于变量投影重要性指标阈值； 步骤4-8、将最终剩余的自变量，即最终剩余的影响生产指标作为关键生产指标； 步骤5、根据获得的关键生产指标，查询案例库，确定监控指标异常时，关键生产指标对应的数值，及该情况下案例库中所存储的分析结果和调整方案； 步骤6、现场工作人员根据监控指标的监视画面，在线实时监控关键生产指标的数值，当监控指标发生异常时，采用基于案例推理方法，根据案例库中记载的历史案例，确定当前指标异常情况所属案例，具体方法如下: 步骤6-1、获取当前关键生产指标的具体数值； 步骤6-2、确定发生异常的关键生产指标； 即将每个关键生产指标的实际数值与其设定值做差，将差的绝对值与关键生产指标的实际数值相除获得指标差异率，将指标差异率与其设置阈值相比较，若大于设定指标差异率阈值，则该关键生产指标发生异常； 步骤6-3、采用最近相邻法，确定当前监控指标异常情况与案例库中每个案例的相似度:
其中，Gin为当前指标异常情况；Gk为案例库中第k个案例； m为关键生产指标的个数； Oi为第i个关键生产指标相对于监控指标影响的权值； SIM (Gin, Gk)为当前指标异常情况与第k个案例的相似度； Vi,k为第k个案例中的第i个特征的值，即第i个关键生产指标； Sim(Vi，Vi,k)为当前指标异常情况下第i个关键生产指标，与第k个案例中第i个关键生产指标的相似度，计算如下:
步骤7、选择当前监控指标异常情况与历史案例相似度最高的案例，作为当前指标异常情况所属案例，根据案例库中该案例记载的分析结果和调整方案，将具体的生产调整指导措施下发到相应生产工序进行现场调整，保证监控指标满足要求。
3.根据权利要求2所述的监控方法，其特征在于，步骤I所述的质量指标包括选矿综精品位、选矿综精水分、选矿综精烧损Ig、选矿综精S、选矿综精CaO、选矿综精Si02、测算烧结矿品位、测算烧结矿Si02、综精粒度、综精测算达标率、综精Si02达标率、综合块矿率、一次溢流回收率、焙烧矿品位、废石品位、弱磁磁精品位、弱磁磁精Si02、弱磁磁精CaO、弱磁磁精I g、弱磁入磨品位、弱精品位、弱尾品位、弱磁磁尾品位、三磁精品位、弱精品位合格率、浮选给矿品位、浮选给矿Si02、弱磁浮尾品位、弱磁浮精Si02、强磁入磨品位、强精品位、强磁综合尾矿品位、平环综精品位、闻梯度综精品位、闻梯度尾矿品位、强精品位合格率、强精Si02、强磁入选粒度、强磁入选浓度、1-2旋溢浓度、2-2旋溢浓度、弱磁三次浓度、磁选尾矿品位、磁选尾矿浓度、全选比、一次溢流收率合格率、废石斗数、废石量、废石产率、弱磁选理论金属回收率、弱磁选理论选矿比、浮选选比、强磁选理论金属回收率、强磁选理论选矿比和各种原矿的品位、S含量、Si02含量和CaO含量和水份； 所述的计量指标包括包含水份的选矿综精产量、去除水份的选矿综精产量、弱磁精矿产量、强磁精矿产量、选3#矿量、块1#矿量、粉2#矿量、成品-2#矿量、废石-1#矿量、2X精4#矿量、1-1#球磨矿量、2-1#球磨矿量、3-1#球磨矿量、4-1#球磨矿量、强磁给矿量、弱磁给矿量、下山矿量和各种原矿的干重和湿重； 所述的设备运行统计指标包括原矿炉运时、强磁球磨机运时、弱磁球磨机运时、球磨机作业率、强磁球磨机作业率和弱磁球磨机作业率，作业率是球磨机运时与总时间的比率；所述的矿仓料位指标包括储运贮矿仓料位、一次筛分矿仓料位、二次筛分矿仓料位、强磁矿仓料位和弱磁矿仓料位； 所述的工艺指标包括竖炉加热煤气量，竖炉还原煤气量，强磁选机电流，强磁机漂水洗电流，立环机电流，立环机漂水洗电流，浮选药剂，浓缩大井的浓度、频率、流量，加压过滤机的加压仓压力； 所述的能源指标包括电、中水、新水、焦炉煤气、高炉煤气、蒸汽、生活水的单耗和总耗； 所述的成本指标包括原料单位成本、原料总成本、能源单位成本和能源总成本。
4.根据权利要求2所述的监控方法，其特征在于，步骤4-4所述的采用NIPALS方法对自变量数据矩阵和因变量数据矩阵进行主成分提取，具体方法如下:步骤4-4-1、获得矩阵ZlA,的最大特征值所对应的单位特征向量wh，进而获得自变量的第h个主成分th:th = ElriWh (4)其中，Elri表示第h-Ι次主成分提取中获得的自变量数据矩阵，Flri表示第h-Ι次主成分提取中获得的因变量数据矩阵?为第h-Ι次主成分提取中获得的因变量数据矩阵的转置矩阵，El1为第h-Ι次主成分提取中获得的自变量数据矩阵的转置矩阵；当h = I时，E0表示构建的自变量数据矩阵，F0表示构建的因变量数据矩阵；步骤4-4-2、获得矩阵的最大特征值所对应的单位特征向量ch，进而获得因变量的第h个主成分Uh:Uh = FlriCh (5) 步骤4-4-3、根据自变量的第h主成分和因变量的第h主成分，获得因变量数据矩阵和因变量数据矩阵的残差矩阵:
其中，Ph表示th在自变量数据矩阵上的载荷，
rh表不Uh在因变量数据矩阵上的载荷
步骤4-4-4、判断此时的主成分th对因变量数据矩阵Y的交叉有效性值是否小于设定值，若是，则完成对自变量数据矩阵和因变量数据矩阵进行主成分提取，否则，执行步骤4-4-5 ； 交叉有效性值计算公式如下:
其中，表示第h次提取的主成分th对因变量数据矩阵Y的交叉有效性；
； j = 1，2，…，q，q 为因变量个数，PRESSjOi)为因变量 y」的预测误差平方和
，Yij表示第i组数据中的第j个因变量
的值，表示yu在自变量样本点χω上的预测值；i = 1,2,...,η,η为所需监控指标的组数；
, SSj(H)表示yj的拟合误差平方和；.H
, Yij表示第i组数据中的第j个因变量的值，；ih_n表示yj在在自变量样本点Χω上的拟合值； 步骤4-4-5、返回执行步骤4-4-1至步骤4-4-4，直至主成分th对因变量Y的交叉有效性值小于设定值，完成对自变量数据矩阵和因变量数据矩阵进行主成分提取。
【文档编号】G06Q50/02GK104134120SQ201410370724
【公开日】2014年11月5日 申请日期:2014年7月30日 优先权日:2014年7月30日
【发明者】俞胜平, 郑秀萍, 初延刚, 王昭, 徐泉, 胡毅 申请人:东北大学