【技术实现步骤摘要】
本专利技术属于矿物加工工程自动控制，尤其是涉及一种赤铁矿反浮选尾矿品位预测方法。
技术介绍
1、影响浮选效果的关键因素很多，例如：浮选给矿量、矿浆浓度、矿浆ph值、浮选充气量、搅拌转速、泡沫层厚度、浮选液位、药剂添加量等。现有品位检测方法主要有两种：化学滴定法时间长，需两个小时；在线品位分析仪器价格偏高，需要400万元。
2、针对泡沫浮选铁矿品位预测，太原理工大学提出的专利cn202310783346.2“一种基于动态低秩重构的泡沫浮选铁矿品位预测方法”基于泡沫图像提取气泡特征所建立的软测量回归模型是线性的，很难体现输入输出之间的非线性关系；北矿机电科技有限责任公司提出的专利cn202210971142.7“基于深度学习的浮选精矿品位预测方法、装置及设备”、中南大学提出的专利cn201911005613.3“一种锌浮选过程精矿品位预测方法”、中南大学提出的专利cn201911008874.0“一种基于反馈补偿机制优化的锌浮选过程精矿品位预测方法”、中南大学提出的专利cn200710034870.0“一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法”均采用浮选泡沫图像或浮选泡沫图像特征建立了精矿品位预测模型；中南大学提出的专利cn201810446660.0“一种基于过程尺寸特征的锌矿品位软测量方法”基于浮选泡沫图像hsi颜色空间亮度分量建立泡沫尺寸特征与锌矿品位之间的决策树预测模型。为降低不同浮选槽数据分布差异性导致精矿品位预测精度低的问题，论文“融合公共特征与注意力机制的精矿品位预测方法”采用了时序模式注意
3、针对上述存在的问题分析，提出一种基于浮选泡沫图像特征的赤铁矿反浮选过程多源信息融合的尾矿品位预测方法。
技术实现思路
1、本专利技术属于矿物加工工程自动控制
，尤其是涉及一种赤铁矿反浮选尾矿品位预测方法，提取在hsi色彩空间下的浮选泡沫图像的颜色特征参数(饱和度和亮度)和基于灰度共生矩阵的视觉特征参数(能量、惯性矩、熵及相关性等14个纹理特性参数)，将浮选过程数据和浮选图像数据提取的图像特征信息共同作为软测量模型的输入变量，并采用核主元分析方法(kernel principal component analysis，kpca)对高维输入向量进行降维，提取非线性主元，以降低回声状态神经网络(echo state networks,esn)的输入变量维数和网络规模；然后采用基于拥挤度因子的萤火虫优化(glowworm swarm optimization,gso)算法对浮选过程esn软测量模型进行优化，并对浮选尾矿品位进行预测，指导浮选过程工艺参数的调控，实现选矿厂生产效益的最大化。
2、本专利技术的目的是通过下述技术方案来实现的：
3、本专利技术的一种基于多源信息融合的赤铁矿反浮选尾矿品位预测方法，该模型结构如图1所示。
4、图1中直接可测量变量包括浮选充气量、矿浆ph值、泡沫层厚度、浮选槽液位、药剂流量和浮选泡沫图像等；过程输入变量包括浮选机充气阀门开度、氢氧化钠加药阀门开度、浮选机给矿和排矿管路阀门开度、浮选药剂加药阀门开度等；不直接可测变量包括浮选给矿品位、浮选精矿品位和浮选尾矿品位等。
5、该优化方法包括以下步骤：
6、步骤1、采集信息数据
7、所述的信息数据为赤铁矿反浮选过程中的信息数据，在线采集的信息数据包括：浮选充气量、矿浆ph值、泡沫层厚度、浮选槽液位、药剂流量和浮选泡沫图像。离线采集的信息数据包括：浮选尾矿品位。
8、步骤2、浮选泡沫图像的特征提取
9、浮选泡沫图像中含有与浮选过程相关的重要信息，传统上都是依靠有经验的操作工人来观察浮选泡沫的状态。描述浮选泡沫的状态通常可以用气泡的粒径、泡沫的色彩(灰度值)、纹理和稳定性等。本专利技术采用数字图像处理技术，提取了在hsi色彩空间下的浮选泡沫图像的颜色特征参数(饱和度和亮度)和视觉特征参数(能量、惯性矩、熵及相关性等14个纹理特性参数)作为预测模型的输入变量，构建浮选尾矿品位与浮选泡沫图像特征之间的预测模型。具体步骤如下：
10、s2.1浮选泡沫图像的颜色特征提取
11、浮选泡沫图像一般为真彩色rgb图像，图像中红(r)、绿(g)、蓝(b)三个颜色分量分别由每一个像素的三个数值来指定，即用m×n×3来表示。因为每个颜色分量均可以用8位灰度级表示，即(r,g,b)∈[0,...,255]，则共有224种颜色。系统采集到的浮选泡沫图像rgb真彩图像中的三个分量(红、绿、蓝)是具有相关性的，由于人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度，而且色度、饱和度和亮度(hue、saturation和intensity，hsi)模型的颜色信息比较接近人的视觉感知，因此采用hsi色彩空间更符合人类视觉特性。
12、在hsi模型中，饱和度(s)是颜色空间任一点距i轴的距离，表示的是颜色的深浅或者浓淡的程度；亮度(i)主要受到光源的影响，表示的是颜色明暗程度。工业应用中，s取值范围[0,1]，对应从不饱和到全饱和(无白色)；i取值范围[0,1]，对应色彩由暗到亮；rgb强度值的取值范围为0～255。hsi色彩空间和rgb色彩空间可以通过公式(1)-(2)相互转换：
13、
14、
15、s2.2浮选泡沫图像的纹理特征提取
16、浮选泡沫图像出现了较为明显的纹理特征，其纹理统计特征可以反映浮选过程工况。灰度共生矩阵(glcm)就是一种描述纹理的常用方法，是以估计图像的二阶组合条件概率密度函数为基础的。定义图像空间中两个像素的联合概率密度为共生矩阵，它是作为定义一组纹理特征的基础。图2为灰度共生矩阵示意图，其中i、j表示相应像素点灰度值。
17、设f(x,y)是一幅二维数字图像，灰度共生矩阵是指从图像f(x,y)中灰度为i的像素出发，与偏角θ、距离为δ、灰度为j的像素(x+δx,y+δy)同时出现的概率p(i,j,δ,θ)。
18、
19、式中,i,j＝0,1,…,l-1，x、y是图像中像素的坐标，l表示灰度级数，nx,ny表示图像的行列数。由灰度共生矩阵计算出浮选泡沫图像的14种纹理特征参数，其计算公式如表1所示。
20、表1基于glcm的纹理特征参数计算方法
21、
22、步骤3、预测模型数据集
23、将浮选泡沫图像视觉特征参数(2个颜色特征和14个纹理特征)及5个浮选过程变量作为esn融合软测量模型的输入变量，来预测浮选尾矿品位。通过现场采集浮选泡沫图像(提取其颜色特征和纹理特征)和相应时间段内过程变量的测量本文档来自技高网...
【技术保护点】
1.一种基于多源信息融合的赤铁矿反浮选尾矿品位预测方法，包括在线和离线信息采集，智能优化计算系统，该优化方法包括以下步骤：
2.根据权利要求1所述的基于多源信息融合的赤铁矿反浮选尾矿品位预测方法，其特征在于所述的步骤3中，采用多源信息融合方法，将浮选过程数据和浮选图像数据提取的图像特征信息共同作为软测量模型的输入变量，所述浮选过程数据包括浮选充气量、矿浆pH值、泡沫层厚度、浮选槽液位和药剂流量；所述浮选图像数据提取的图像特征信息包括颜色特征和纹理特征。
3.根据权利要求1所述的基于多源信息融合的赤铁矿反浮选尾矿品位预测方法，其特征在于所述的步骤5中，智能优化计算系统对采集的信息数据进行归一化处理，基于浮选过程数据和浮选泡沫图像视觉特征参数进行多源异构信息的融合、协调和优化，满足浮选尾矿品位的实时监控要求。
【技术特征摘要】
1.一种基于多源信息融合的赤铁矿反浮选尾矿品位预测方法，包括在线和离线信息采集，智能优化计算系统，该优化方法包括以下步骤：
2.根据权利要求1所述的基于多源信息融合的赤铁矿反浮选尾矿品位预测方法，其特征在于所述的步骤3中，采用多源信息融合方法，将浮选过程数据和浮选图像数据提取的图像特征信息共同作为软测量模型的输入变量，所述浮选过程数据包括浮选充气量、矿浆p...
【专利技术属性】
技术研发人员：范喜杰，徐冬林，刘延辉，侯英，王子扬，吴春阳，夏勇，黄天鹏，
申请(专利权)人：鞍钢集团矿业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。