[發明專利]一種銻浮選工況識別方法及系統

有效

• 申請號: 201410122812.3
• 申請日: 2014-03-28
• 公開（公告）號: CN103839057B
• 公開（公告）日: 2017-03-15
• 發明（設計）人: 唐朝暉;劉美麗;劉金平;陽春華;楊貴軍;譚珍
• 申請（專利權）人: 中南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京路浩知識產權代理有限公司11002
• 代理人: 李迪

技術領域

本發明涉及泡沫浮選技術領域，具體涉及一種銻浮選工況識別方法及系統。

背景技術

銻常被稱為金屬或合金的硬化劑，在金屬中加入比例不等的銻后，金屬的硬度就會加大，可以用來制造軍火，銻成為重要的戰略金屬。銻礦是屬于不可再生資源，在國民經濟中的地位重要，為充分利用有限的礦產資源，實現礦產資源的可持續發展，現代銻冶煉過程越來越重視礦物資源的分選水平以及選礦過程中的能耗與排放問題。為此，許多大型企業建立了礦物泡沫浮選生產線。

泡沫浮選是一種利用礦物表面物理化學性質的差異，使目標礦物與礦漿分離的選礦方法，相對其他選礦方法而言，浮選的分選效率較高、應用最為廣泛。泡沫表觀特征（如泡沫尺寸、顏色、紋理等）是生產工況的綜合反映，浮選現場主要由經驗豐富的操作人員通過肉眼觀察泡沫表觀狀態進行工況判斷，這種方法生產效率低、勞動強度大。此外，浮選操作及入礦條件的改變會引起泡沫特征的變化，而操作人員對泡沫的判斷沒有客觀標準、主觀隨意性大，導致浮選過程難以處于優化運行狀態，浮選效率低、工況不穩定、礦物資源浪費多，直接造成企業生產成本增加，嚴重影響企業在市場中的競爭力。因此，浮選工況的實時準確識別是優化浮選生產操作、保證浮選過程穩定高效運行的關鍵。

浮選工況的識別是一個十分復雜的多特征參數綜合識別問題。目前文獻對銻浮選工況識別的研究主要是在提取浮選泡沫圖像的紋理特征、顏色特征等特征參數的基礎上，利用神經網絡或支持向量機等方法進行工況識別。然而，神經網絡要求訓練樣本大，存在過學習、易陷入局部極小點和收斂速度慢等缺點；支持向量機的計算量大，難選擇合適的核及當類別過近時準確率驟降等問題，在應用上仍存在一定困難。

發明內容

（一）解決的技術問題

針對現有技術的不足，本發明提供一種銻浮選工況識別方法，能夠利用博弈論方法和物元可拓理論，從定性和定量兩個方面對浮選工況進行識別。

（二）技術方案

為了達到以上目的，本發明通過以下技術方案予以實現：

一種銻浮選工況識別方法，該方法包括：

S1：對記錄的銻浮選泡沫圖像特征數據進行預處理；

S2：從泡沫圖像特征處理后的數據中提取對工況變化敏感性高且相互間無相關性或弱相關性的關鍵泡沫特征；

S3：基于物元可拓理論，融合多種關鍵泡沫特征，通過關聯函數建立待識別工況的關鍵泡沫特征與預設工況類別的關聯度矩陣；

S4：采用博弈論方法，通過最優化理論將主觀賦權法和客觀賦權法進行綜合，得到關鍵泡沫特征的綜合權重；

S5：基于關聯度矩陣和綜合權重計算待識別工況關于預設工況類別的綜合相關度，根據最大關聯度原則確定待識別工況所屬類別，并預測工況等級變化趨勢。

其中，步驟S1具體包括：

S11：剔除缺少主要數據的空缺數據項；

S12：剔除超出每個參數變量區間的錯誤數據項；

S13：獲取各泡沫特征數值后，對各數值進行無量綱化處理。

其中，步驟S2具體包括：

S21：從銻浮選泡沫圖像采集系統中獲取若干個泡沫特征；

S22：計算每次加藥量改變之后工況進入穩定期間的泡沫圖像特征變量均值σ和方差δ，并作為一個樣本保存；

S23：同樣方法采集若干個樣本(σ_i,δ_i),i=1,2,…,n，n為泡沫特征的個數；

S24：計算樣本集中均值σ_i的方差σ_k和方差δ_i的均值δ_v，并計算敏感性指數S，其中S=δ_v/σ_k；

S25：若某個泡沫特征的敏感性指數大于等于所設定的閾值，則判定該特征為工況敏感特征，則根據其從所有的泡沫特征中提取若干個工況敏感特征；

S26：利用主成分分析法對所述工況敏感特征進行相關性分析，得到若干個關鍵泡沫特征。

其中，步驟S3具體包括：

S31：確定關鍵泡沫特征的經典域；

S32：確定關鍵泡沫特征的節域；

S33：確定待識別的浮選工況；

S34：確定待識別工況的關鍵泡沫特征與浮選預設工況類別的關聯度矩陣。

其中，步驟S4具體包括：

S41：利用熵權法確定客觀權重；

S42：利用層次分析法確定主觀權重；