技術領域

本發明屬于圖像處理技術和概率統計等領域，具體為一種基于紋理單元分布的硫浮選過程故障檢測方法。

背景技術

浮選過程是礦物加工中最廣泛應用的選礦方法，通常在礦漿中加入浮選藥劑提高礦物表面濕潤性差異，使得疏水性強的有用目的礦物從無用脈石中分離出來，達到提高原礦品位的目的。硫化礦物表面濕潤性很小，疏水性強，硫浮選中無需添加任何藥劑，通過調節液位和空氣鼓入量得到較高品位的硫精礦。

硫精礦品位的高低取決于硫浮選過程工況優劣，硫浮選過程故障的檢測直接影響到硫精礦品位。因此，研發一種有效的故障檢測方法對于提高硫浮選生產質量具有重要的意義。

目前，硫浮選過程采用人工定點觀察浮選泡沫的方法來判斷故障工況，人工經驗操作不合理，不能及時調整故障工況，易導致硫精礦品位低。因此，針對硫浮選過程特點，研究基于機器視覺的故障檢測方法，采用一種基于紋理單元分布的方法對硫浮選故障進行檢測，為操作人員提供簡單直觀的故障檢測手段，對于穩定硫浮選工況，提高硫精礦品位，實現硫浮選過程的優化控制有重要的意義。

發明內容

本發明的目的在于解決硫浮選過程故障的檢測問題，提出了一種基于紋理單元分布的硫浮選過程故障檢測方法。本發明的主要內容如下：

一種基于紋理單元分布的硫浮選過程故障檢測方法，其特征在于，包括以下步驟：

第一步，根據正常工況下硫浮選泡沫圖像構建的圖像庫，基于紋理單元提取紋理特征，設計非參數核密度估計算子逼近泡沫實際紋理單元分布得到動態權系數，采用主元分析的方法建立基于動態權系數的主元模型，最后根據基于主元模型的T²統計量得到故障檢測閾值。

步驟1：基于紋理單元（TU）提取泡沫紋理特征；

?????????????????????????????????????????????????是個33鄰域，該鄰域的灰度值依次記為，其中為區域中心像素的灰度值，紋理單元值的計算：

????

其中，，，為依據硫浮選工況確定的常數；

步驟2：根據計算的紋理單元值，設計非參數核密度估計算子逼近實際的紋理單元分布，得到描述紋理特征的動態權系數；

根據函數逼近原則，用下述設計的非參數核密度估計算子來逼近實際紋理單元分布：

??????????????????????

式中為硫浮選泡沫紋理單元分布函數，為紋理單元值，是控制輸入，即硫浮選過程中的液位調節值，為第i個核函數的權系數，?是第i個核函數，是第i個核函數的x軸中點，是核函數的窗寬；

步驟3：采用主元分析的方法建立基于動態權系數的主元模型，根據經驗法確定主元個數；

設模型輸入為動態權系數向量，為維矩陣，為數據樣本數，為輸入變量個數。為了避免變量不同量綱對結果的影響和便于數學上的處理，先對建模數據進行歸一化處理。記歸一化后的輸入變量為?，對進行主元分析，采用經驗法確定主元個數，可分解為：

????

式中為主元負荷矩陣，為主元得分矩陣，為殘差矩陣，為主元個數；

步驟4：根據T²統計量表征主元模型內部變化的一種測度的特點，計算基于主元模型的T²統計量；

為了檢測硫浮選過程的波動，采用基于主元模型的T²統計量的故障檢測方法。對于第個樣本動態權系數，T²統計量被定義為：

???????????????????????

其中為數據樣本數，是矩陣中的第行，由構成PCA模型的個主元的得分向量所組成，是由與前個主元所對應的特征值所組成的對角均值。

步驟5：基于F分布得到T²統計量的控制限，以該控制限作為硫浮選過程故障檢測閾值；

T²統計量的控制限的計算：

???????????????????????????????????????

其中是數據樣本個數，是所保留的主元個數，是檢驗水平，是對應于檢驗水平為，自由度為，條件下的F分布的臨界值。使T²統計量的控制限作為故障檢測閾值。

第二步，根據正常泡沫圖像庫建立的主元模型得到的故障檢測閾值與實時泡沫圖像T²統計量值的比較，判斷硫浮選過程狀態。

步驟1：應用第一步中前4個步驟計算實時泡沫圖像的T²統計量；