一种基于记忆网络和预测控制器的锌快粗加药量调整方法技术

本发明专利技术公开了一种基于记忆网络和预测控制器的锌快粗加药量调整方法，应用于泡沫浮选工艺，包括以下步骤：当浮选状态异常时，将当前原矿品位、泡沫视频和加药量构建为输入特征向量；然后，将该输入特征向量在离线构建的记忆网络中搜索最相似的记忆项，搜索到的记忆项和特征向量输入到LSTM中对加药量调整值进行推理；在LSTM推理过程中，利用预测控制器对加药量调整后的精矿品位进行预测，当预测的精矿品位在预期区间内时停止推理；最后，将LSTM的隐藏单元状态输入到全连接层获得最终的加药量调整值。本发明专利技术方法利用记忆网络为加药量调整值推理过程提供经验知识，并且预测控制器对加药量调整值进行有控制地输出，可以避免频繁操作导致浮选过程的波动。作导致浮选过程的波动。作导致浮选过程的波动。

【技术实现步骤摘要】
一种基于记忆网络和预测控制器的锌快粗加药量调整方法


[0001]本专利技术涉及泡沫浮选
，特别是涉及一种基于记忆网络和预测控制器的锌快粗加药量调整方法。

技术介绍

[0002]泡沫浮选是一种重要的选矿方法，它主要利用矿物之间的疏水性差异达到不同矿物颗粒分离的目的。在泡沫浮选过程中，通常添加适量的药剂量来改变矿物表面疏水性从而调节浮选性能。当药剂量不足时，有用矿物与脉石矿物之间的疏水差异性不够，导致矿物回收率降低；而药剂量过多时，泡沫过分稳定容易跑槽导致精矿品位降低，并且造成药剂浪费和环境污染。合理的加药量有利于提高和稳定浮选性能以及减少矿物资源的浪费，是获得优良浮选性能的关键。在锌浮选过程中，锌快粗槽是第一个浮选槽，它的浮选性能直接影响后续所有浮选槽的性能，因此通常在锌快粗槽对加药量进行调整。
[0003]由于泡沫状态能直接反映浮选性能，目前绝大多数浮选厂的生产操作依靠有经验的工人通过肉眼观察泡沫表面和手动调节加药量。该方式存在两点局限性，首先，这种以人工肉眼观察泡沫进行浮选操作的生产方式主观性强、误差大、效率低，无法实现浮选泡沫状态的客观评价与认知；其次，人工调节的方式难以及时、准确和有效地调节加药量，导致浮选生产指标波动频繁、药剂消耗量大、资源回收率低等情况。因此，在企业现有的生产流程与设备上，研究浮选过程中的加药量智能调整策略，对稳定浮选性能、节约矿物资源具有重要意义。
[0004]现有的加药量调整方法大部分采用基于数据或经验的模型，其中，基于数据的模型可以充分挖掘数据中隐含的有效信息，基于经验的模型可以提供明确具体的专业领域知识，因此可以结合基于数据和经验的模型用于泡沫浮选中加药量调整；其次，考虑到泡沫浮选是一个动态变化且受多种因素影响的工业过程，为了提供实时有效的经验知识，采用的模型应具有在线更新的能力；由于频繁改变加药量容易导致浮选过程不稳定和药剂的浪费，设计控制模块对加药量调整值进行有控制地输出是十分有必要的；基于以上问题，本专利技术提出一种基于记忆网络和预测控制器的锌快粗加药量调整方法。

技术实现思路

[0005]为了克服上述现有技术的不足，本专利技术提供了一种基于记忆网络和预测控制器的锌快粗加药量调整方法。首先，针对现有的基于历史数据的加药量推理模型难以满足快速变化的泡沫浮选过程，采用外置的记忆网络，通过在线更新记忆库为加药量调整的推理过程提供实时有效的经验知识。然后，针对推理的加药量调整值的合理性无法保证的问题，在预测控制器中实时预测该推理的加药量调整后的精矿品位，并在预测的精矿品位满足要求时输出加药量调整值，可以避免因频繁操作导致浮选过程不稳定的问题。
[0006]本专利技术所采用的技术方案具体步骤如下：
[0007]步骤一：首先，离线构建记忆网络。收集浮选状态异常时(精矿品位不在预期区间)
通过加药量调整使浮选状态位于预期区间内的操作数据，包括泡沫视频、原矿品位、加药量和加药量调整值，将这些数据构建包含众多“键
‑
值”(K
i
‑
V
i
，i＝1,2,3,
…
,N)项的记忆网络，其中“键”(K
i
，i＝1,2,3,
…
,N)为浮选状态异常时的泡沫视频特征、原矿品位和加药量构成的特征向量，“值”(V
i
，i＝1,2,3,
…
,N)为加药量调整值；
[0008]步骤二：然后，在线通过输入模块构建输入特征。当浮选状态异常时，当前的泡沫视频P、原矿品位f和加药量r作为输入，首先通过输入模块提取泡沫视频的气泡尺寸分布特征、泡沫纹理特征和泡沫速度特征，其中气泡尺寸分布特征是泡沫视频中所有气泡尺寸的统计分布，利用累计分布函数和分段基函数进行拟合得到的拟合系数[d1,d2,d3,d4,d5,d6]，泡沫纹理特征是泡沫视频中泡沫纹理的对比度、相关性、熵和同质度[t1,t2,t3,t4]，泡沫速度特征是泡沫视频中泡沫流动速度的平均值和标准差[s1,s2]，它们共同表征泡沫视频特征P＝[d1,d2,d3,d4,d5,d6，t1,t2,t3,t4，s1,s2]；原矿品位是指锌快粗槽的入矿中锌的含量f；加药量是指活化剂添加的值r。将提取的泡沫视频特征P、原矿品位f和加药量r进行联合构建为一个输入特征向量X：
[0009][0010]步骤三：其次，在记忆网络中搜索相似的“键
‑
值”记忆项。将构建的输入特征向量X输入到记忆网络中搜索最相似的“键
‑
值”(K
i
‑
V
i
，i＝1,2,3,
…
,N)记忆项，利用余弦相似度计算输入特征向量X和记忆网络中所有“键”(K
i
，i＝1,2,3,
…
,N)的相似度：
[0011][0012]其中N为记忆网络中记忆项的总数，余弦相似度最大的“键”K
i
对应的记忆项为搜索到的最相似的记忆项，对应的“值”V
i
作为推理过程中参考的加药量调整值；
[0013]步骤四：接着，LSTM对加药量调整值进行推理并且预测控制器确定是否结束推理。LSTM由多个单元组成，推理过程中，序列数据依次通过LSTM单元并被编码为一系列强相关性的隐藏单元状态，其中最后一个隐藏单元状态包含之前所有隐藏状态的重要信息，因此最后一个隐藏单元状态作为加药量调整值的最终推理结果。由于每次加药量调整值推理需要的参考记忆项数量不同，因此利用预测控制器对LSTM的输出进行控制，不仅可以动态地确定参考的记忆项数量，而且可以确保输出的加药量调整值的合理性。
[0014]假设记忆网络中搜索到第1个记忆项[K1,V1]的余弦相似度最大，将该记忆项和输入特征向量X拼接为一个特征向量[X,K1,V1]，并输入到第一个LSTM单元中，第一个单元的隐藏单元状态h1由拼接的特征向量[X,K1,V1]、初始化的隐藏单元状态h0和初始化的细胞单元c0得到：
[0015]h1＝LSTMUnit([X,K1,V1],h0,c0)
ꢀꢀꢀꢀ
式(3)
[0016]其中LSTMUnit(
·
)是LSTM单元函数。
[0017]为了得到合理的加药量调整值，构建基于MLP的预测控制器对LSTM推理过程进行控制，即LSTM中每个单元得到的隐藏单元状态输入到预测控制器中预测精矿品位，当预测的精矿品位满足要求时停止推理。在第一个LSTM单元得到隐藏单元状态h1后，将其和特征
向量X输入到基于MLP的预测控制器中预测精矿品位：
[0018][0019]其中W
m
和b
m
是MLP的参数，是预测的精矿品位，若预测的精矿品位在预期区间内，则将变量s1置为1，表示推理结束；若预测的精矿品位不在预期区间内，则将变量s1置为0，表示不结束加药量推理，在记忆网络中搜索下一个最相似的“键
‑
值”记本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于记忆网络和预测控制器的锌快粗加药量调整方法，其特征在于，包括以下步骤：步骤一：离线构建记忆网络收集浮选状态异常时，即精矿品位不在预期区间，通过加药量调整使浮选状态位于预期区间内的操作数据，包括泡沫视频、原矿品位、加药量和加药量调整值，将这些数据构建包含众多“键
‑
值”项的记忆网络，K
i
‑
V
i
，i＝1,2,3,
…
,N，其中“键”K
i
，i＝1,2,3,
…
,N为浮选状态异常时的泡沫视频特征、原矿品位和加药量构成的特征向量，“值”V
i
，i＝1,2,3,
…
,N为加药量调整值；步骤二：在线通过输入模块构建输入特征向量当浮选状态异常时，当前的原矿品位、泡沫视频和加药量作为输入，输入模块提取泡沫视频特征，并将提取的泡沫视频特征、原矿品位和加药量进行联合构建为一个输入特征向量X；步骤三：在记忆网络中搜索相似的“键
‑
值”记忆项将构建的输入特征向量X输入到记忆网络中搜索最相似的“键
‑
值”记忆项，利用余弦相似度计算输入特征向量X和记忆网络中所有“键”的相似度：其中N为记忆网络中记忆项的总数，余弦相似度最大的“键”K
i
对应的记忆项为搜索到的最相似的记忆项，对应的“值”V
i
作为推理过程中参考的加药量调整值；步骤四：LSTM对加药量调整值进行推理并且预测控制器决定是否结束推理将输入特征向量和在记忆网络中搜索到的一系列记忆项输入到LSTM中，挖掘它们之间的相关性从而推理出加药量调整值。LSTM由多个单元组成，推理过程中，序列数据依次通过LSTM单元并被编码为一系列强相关性的隐藏单元状态，其中最后一个隐藏单元状态包含之前所有隐藏状态的重要信息，最后一个隐藏单元状态作为加药量调整值的最终推理结果。假设记忆网络中搜索到第1个记忆项[K1,V1]的余弦相似度最大，将该记忆项和输入特征向量X拼接为一个特征向量[X,K1,V1]，并输入到第一个LSTM单元中，第一个单元的隐藏单元状态h1由拼接的特征向量[X,K1,V1]、初始化的隐藏单元状态h0和初始化的细胞单元c0得到：h1＝LSTMUnit([X,K1,V1],h0,c0)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式(2)其中LSTMUnit(
·
)是LSTM单元函数；为了得到合理的加药量调整值，构建基于MLP的预测控制器对LSTM推理过程进行控制，即LSTM中每个单元得到的隐藏单元状态输入到预测控制器中预测精矿品位，当预测的精矿品位满足要求时停止推理。在第一个LSTM单元得到隐藏单元状态h1后，将其和特征向量X输入到基于MLP的预测控制器中预测精矿品位：其中W
m
和b
m
是MLP的参数，是预测的精矿品位，若预测的精矿品位在预期区间内，则将变量s1置为1，表示推理结束；若预测的精矿品位不在预期区间内，则将变量s1置为0，表示不结束加药量推理，在记忆网络中搜索下一个...

【专利技术属性】
技术研发人员：唐朝晖，田灿，谢永芳，罗金，范影，骆昊堃，
申请(专利权)人：中南大学，
类型：发明
国别省市：