基于BiLSTM预测偏离度的浮选过程故障早期预警方法技术

本发明专利技术提供一种基于BiLSTM预测偏离度的浮选过程故障早期预警方法：首先，采集泡沫视频图像并提取视频序列颜色特征，构建样本数据集；然后，构建基于ResNet50和BiLSTM的时间序列预测模型，将ResNet50提取的空间特征输入到BiLSTM网络进行颜色的时间序列预测；其次，采用正常工作数据集对时间序列颜色特征进行预测，根据预测值和实际值计算偏离度、确定预警阈值；最后，实时采集泡沫视频图像进行颜色特征预测，当预测偏离度超限时进行生产故障早期预警。本发明专利技术方法的时间序列颜色特征的预测偏差小、拟合度好，故障预警时间得到有效提前，能够实现浮选过程故障的早期预警，有效减少矿产资源和药剂的浪费。资源和药剂的浪费。资源和药剂的浪费。

【技术实现步骤摘要】
基于BiLSTM预测偏离度的浮选过程故障早期预警方法


[0001]本专利技术涉及泡沫浮选
，特别是基于BiLSTM预测偏离度的浮选过程故障早期预警方法。

技术介绍

[0002]泡沫浮选是一种重要的选矿技术，浮选过程中出现故障会造成矿产资源和试剂的浪费，而有效的故障检测技术可以帮助浮选厂降低药剂消耗和劳动强度，提高矿物回收率，促进浮选过程优化控制和节约生产成本。但是浮选过程的故障检测和诊断往往具有挑战性，一般是由有经验的操作人员通过频繁目视检查泡沫外观来完成的，但是这种手动操作总是伴随着严重的响应延迟和测量误差，并且很耗时、费力。
[0003]为了克服这个问题，机器视觉通过提取浮选槽表面泡沫的视觉特征来指示浮选性能，并将提取到的特征传输给操作人员或作为过程控制系统的输入，以此对浮选过程进行调整。很多基于机器视觉的浮选过程故障检测方法被相继提出，比如：利用小波变换来描述泡沫灰度图像，并计算空间灰度共生矩阵，从而得到泡沫图像的纹理特征，通过这些特征对泡沫图像进行分类，实现对浮选过程的故障状态识别，但是故障检测精度受识别精度的影响较大；通过非参数核估计器来近似分割后气泡大小的PDF，建立了气泡大小PDF的动态权重模型，且基于权重模型进行稳定性分析，得到稳定性条件确定的阈值准则进行故障检测，但是气泡形状不一且分布不均匀，使得相同的分割算法不能适用于所有情况，因此导致故障检测精度较低；对泡沫灰度图像进行小波变换和重建后，通过计算二值图像的白色区域来设计等效气泡尺寸特征，确定正常泡沫图像的范围进行浮选故障检测，但是小波变换的方向选择性有限，只能捕捉到有限的方向信息，在处理图像时会引入虚假信息和严重的外观退化，使得故障检测精度受到影响。
[0004]有效的故障检测技术可以帮助浮选厂减少药剂消耗，降低劳动强度，提高矿物回收率。传统上，浮选过程故障检测大多是由有经验的人员通过观察泡沫外观完成的，这种手动操作会伴随着严重的测量误差和响应延时，且耗时、费力。后续基于泡沫视觉特征的浮选过程故障检测方法被相继提出，但是这类方法是对浮选过程故障的在线实时检测，当故障发生时，留给操作人员的处理时间较为紧迫。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于BiLSTM预测偏离度的浮选过程故障早期预警方法，实现浮选过程故障的早期预警，有效减少矿产资源和药剂的浪费。
[0006]为实现上述目的，本专利技术采用如下技术方案：基于BiLSTM预测偏离度的浮选过程故障早期预警方法，包括以下步骤：
[0007]步骤1，获取历史浮选过程数据集，其中包括正常状态数据集和故障状态数据集；将数据集进行数据清洗等预处理，并选择模型预测量；
[0008]将其中的正常状态数据集利用6：2：2的比例划分为训练集，验证集和测试集，将训
练集数据作为模型的输入，提取训练集视频帧的图像颜色a通道均值、a通道标准差这2个与故障相关的测点参数，将2个测点参数的时间序列数据作为模型的预测输出值，对故障预测模型进行训练，并通过验证集测试模型的训练效果；
[0009]步骤3：首先保存步骤2训练好的故障预测模型，把正常测试集作为该模型的输入数据，以此来验证模型的泛化能力和预测精度，然后利用均方根误差RMSE、平均绝对误差MAE和拟合系数R2作为评估预测效果的指标，最后结合由对应的泡沫视频帧提取的颜色测点参数值计算正常浮选过程状态下偏离度和预警阈值，得到故障预警模型；
[0010]步骤4：通过故障测试集对故障预警模型测试，将故障测试集输入故障预警模型，得到预测值并根据预测值计算偏离度，根据偏离度是否超出预警阈值进行早期预警，验证预警模型的有效性。
[0011]步骤5：实时采集泡沫视频图像输入到故障预警模型，得到预测值并根据预测值计算偏离度，若偏离度超出了预警阈值，则认为浮选过程有发生故障的趋势，给出预警信号。
[0012]在一较佳的实施例中，数据预处理具体为对采集到的浮选泡沫图像数据集进行预处理；具体包括：
[0013](1)数据清洗，通过格拉布斯准则法对数据进行清洗，该准则法的具体步骤如下：
[0014]步骤S1：假设x
i
(i＝1,2,3,...,N)为浮选过程观测数据样本，建立以μ为观测对象的观测数据模型如下式所示：
[0015]x
i
＝μ+p
i
,p
i N(0,σ2)
[0016]步骤S2：分别根据下式计算xi的样本均值和方差；
[0017][0018][0019]步骤S3：计算构造统计量G，使得统计量G服从变换；
[0020][0021]步骤S4：根据下式计算统计量G
α
的值，当G＞G
α
时，判定样本为异常，直接剔除；
[0022][0023]步骤S5：循环执行步骤S1至步骤S4，直到样本数据集清洗完成；
[0024](2)数据归一化，在对模型训练前，将数据通过下式进行归一化，将数据压缩至[0,1]范围区间内；
[0025]x
std
＝(x
‑
x
min
)/(x
max
‑
x
min
)。
[0026]在一较佳的实施例中，浮选过程故障预警模型构建具体为：
[0027]采用ResNet50网络提取输入的浮选泡沫视频帧的特征，将经过数据预处理的视频帧数据输入到ResNet50网络中，提取每个时间点数据的空间特征，然后将其传递到BiLSTM网络进行时间序列预测；
[0028]ResNet50网络对输入数据进行特征提取后，经过一段时间的积累，形成特征值序列，其随时间波动形成的波形反映出浮选过程状态的变化；将从ResNet50网络上学习到的数据特征输入到BiLSTM网络，由其对数据特征做时序编码，获取时序上的特征向量后，再送入全连接层，完成时间序列的预测；
[0029]基于ResNet50和BiLSTM构建浮选过程故障预测模型；故障预测模型包含训练模型和测试模型两个部分，两个部分模型都主要包括数据输入、深度网络和预测输出这三个部分；在数据输入部分中，首先将浮选泡沫可见光视频帧通过数据预处理后，作为预测模型的输入，其中，训练集和验证集作为训练模型的输入，正常测试集作为测试模型的输入；深度网络中包含ResNet50和BiLSTM网络，ResNet50网络用来提取每个时间点输入数据的空间特征，然后将其传递到BiLSTM网络学习数据间的相关性，对数据特征进行时序编码，从正、反两个方向提取时间序列特征；在预测输出部分中，将所提取的时序特征送入全连接层，通过全连接层输出预测值，其中，在训练模型中，将泡沫视频图像转换至CIElab空间提取a通道的均值和方差这2个颜色方面的测点，将2个测点参数的时间序列数据作为模型的预测输出值，对故障预测模型进行训练，以此得到故障预测模型；而在测试模型中，由全连接层输出对下一时刻颜色测点参数的预测值，完成时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于BiLSTM预测偏离度的浮选过程故障早期预警方法，其特征在于，包括以下步骤：步骤1，获取历史浮选过程数据集，其中包括正常状态数据集和故障状态数据集；将数据集进行数据清洗等预处理，并选择模型预测量；将其中的正常状态数据集利用6：2：2的比例划分为训练集，验证集和测试集，将训练集数据作为模型的输入，提取训练集视频帧的图像颜色a通道均值、a通道标准差这2个与故障相关的测点参数，将2个测点参数的时间序列数据作为模型的预测输出值，对故障预测模型进行训练，并通过验证集测试模型的训练效果；步骤3：首先保存步骤2训练好的故障预测模型，把正常测试集作为该模型的输入数据，以此来验证模型的泛化能力和预测精度，然后利用均方根误差RMSE、平均绝对误差MAE和拟合系数R2作为评估预测效果的指标，最后结合由对应的泡沫视频帧提取的颜色测点参数值计算正常浮选过程状态下偏离度和预警阈值，得到故障预警模型；步骤4：通过故障测试集对故障预警模型测试，将故障测试集输入故障预警模型，得到预测值并根据预测值计算偏离度，根据偏离度是否超出预警阈值进行早期预警，验证预警模型的有效性；步骤5：实时采集泡沫视频图像输入到故障预警模型，得到预测值并根据预测值计算偏离度，若偏离度超出了预警阈值，则认为浮选过程有发生故障的趋势，给出预警信号。2.根据权利要求1所述的基于BiLSTM预测偏离度的浮选过程故障早期预警方法，其特征在于，数据预处理具体为对采集到的浮选泡沫图像数据集进行预处理；具体包括：(1)数据清洗，通过格拉布斯准则法对数据进行清洗，该准则法的具体步骤如下：步骤S1：假设x
i
(i＝1,2,3,...,N)为浮选过程观测数据样本，建立以μ为观测对象的观测数据模型如下式所示：x
i
＝μ+p
i
,p
i N(0,σ2)步骤S2：分别根据下式计算x
i
的样本均值和方差；的样本均值和方差；步骤S3：计算构造统计量G，使得统计量G服从变换；步骤S4：根据下式计算统计量G
α
的值，当G＞G
α
时，判定样本为异常，直接剔除；步骤S5：循环执行步骤S1至步骤S4，直到样本数据集清洗完成；(2)数据归一化，在对模型训练前，将数据通过下式进行归一化，将数据压缩至[0,1]范围区间内；
x
std
＝(x
‑
x
min
)/(x
max
‑
x
min
)。3.根据权利要求1所述的基于BiLSTM预测偏离度的浮选过程故障早期预警方法，其特征在于，浮选过程故障预警模型构建具体为：采用ResNet50网络提取输入的浮选泡沫视频帧的特征，将经过数据预处理的视频帧数据输入到ResNet50网络中，提取每个时间点数据的空间特征，然后将其传递到BiLSTM网络进行时间序列预测；ResNet50网络对输入数据进行特征提取后，经过一段时间的积累，形成特征值序列，其随时间波动形成的波形反映出浮选过程状态的变化；将从ResNet50网络上学习到的数据特征输入到BiLSTM网络，由其对数据特征做时序编码，获取时序上的特征向量后，再送入全连接层，完成时间序列的预测；基于ResNet50和BiLSTM构建浮选过程故障预测模型；故障预测模型包含训练模型和测试模型两个部分，两个部分模型都主要包括数据输入、深度网络和预测输出这三个部分；在数据输入部分中，首先将浮选泡沫可见光视频帧通过数据预处理后，作为预测模型的输入，其中，训练集和验证集作为训练模型的输入，正常测试集作为测试模型的输入；深度网络中包含ResNet50和BiLSTM网络，ResNet50网络用来提取每个时间点输入数据的空间特征，然后将其传递到BiLSTM网络学习数据间的相关性，对数据特征进行时序编码，从正、反两个方向提取时间序列特征；在预测输出部分中，将所提取的时序特征送入全连接层，通过全连接层输出预测值，其中，在训练模型中，将泡沫视频图像转换至CIElab空间提取a通道的均值和方差这2个颜色方面的测点，将2个测点参数的时间序列数据作为模型的预测输出值，对故障预测模型进行训练，以此得到故障预测模型；而在测试模型中，由全连接层输出对下一时刻颜色测点参数的预测值，完成时间序列的预测，然后再结合由对应的泡沫视频帧提取的颜色测点参数值计算正常偏离度和预警阈值，进一步得到故障预警模型。4.根据权利要求1所述的基于BiLSTM预测偏离度的浮选过程故障早期预警方法，其特征在于，偏离度定义和预警策略具体为：构建的ResNet50
‑...

【专利技术属性】
技术研发人员：廖一鹏，严欣，朱坤华，
申请(专利权)人：福州大学，
类型：发明
国别省市：