本發(fā)明涉及浮選智能優(yōu)化生產(chǎn)，尤其涉及一種融合多源浮選工況信息的泡沫速度優(yōu)化設定方法。

背景技術：

1、長期以來，浮選生產(chǎn)主要依靠人工觀察泡沫表面視覺特征進行調(diào)整操作，存在主觀隨意性，易引起浮選工況波動，影響精礦產(chǎn)品質(zhì)量和礦物回收率。其中泡沫速度值的設定對浮選過程的控制具有重要的意義，且現(xiàn)階段投入使用的部分浮選泡沫專家系統(tǒng)，一般是手動設置泡沫速度目標值。而人工設定經(jīng)驗不一，存在主觀隨意性，易造成浮選工況波動，僅依靠人工不能使浮選生產(chǎn)指標長期處于最優(yōu)生產(chǎn)狀態(tài)。所以根據(jù)浮選實時工況特征信息數(shù)據(jù)，進行泡沫速度優(yōu)化設定實現(xiàn)浮選過程優(yōu)化生產(chǎn)，保證選礦生產(chǎn)穩(wěn)定的前提下同時達到精礦品位生產(chǎn)計劃指標要求，提高精礦產(chǎn)量，提高金屬回收率，降低能耗和生產(chǎn)成本，減少浮選工況的波動，切實引導選礦產(chǎn)業(yè)轉(zhuǎn)型升級具有重要的意義。

2、因此，有必要設計一種泡沫速度優(yōu)化設定方法，以解決上述技術問題。

技術實現(xiàn)思路

1、為此，本發(fā)明提供一種融合多源浮選工況信息的泡沫速度優(yōu)化設定方法，用以克服現(xiàn)有技術中減少浮選工況的波動，切實引導選礦產(chǎn)業(yè)轉(zhuǎn)型升級的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供一種融合多源浮選工況信息的泡沫速度優(yōu)化設定方法，包括：

3、通過浮選生產(chǎn)測控平臺采集浮選工況數(shù)據(jù)，并進行數(shù)據(jù)預處理得到若干浮選工況數(shù)據(jù)源案例集；

4、基于浮選工況匹配距離，結合k-means聚類方法獲取k組子類案例集，結合選礦品位預測模型和回收率計算模型得到關鍵生產(chǎn)指標，通過泡沫速度設定模型和評價與學習模型獲取每組子案例集下的最優(yōu)案例，進行案例存儲，完成案例庫初始化；

5、將浮選工況新案例在案例庫中進行案例檢索，若沒有匹配的案例，將新案例加入浮選工況源案例集，聚類分組數(shù)變成k+1，同步更新案例庫，實現(xiàn)案例修正，并繼續(xù)進行案例檢索，若匹配到相似案例，則結合評價與學習模型獲取最優(yōu)匹配案例；

6、將所述最優(yōu)匹配案例從案例庫中導出，進行案例重用，獲取泡沫速度最優(yōu)設定值；

7、基于浮選生產(chǎn)測控平臺進行泡沫速度優(yōu)化設定以及泡沫速度優(yōu)化設定的實驗驗證和分析。

8、進一步地，通過浮選生產(chǎn)測控平臺的若干傳感器獲取多源數(shù)據(jù)，其中，

9、浮選工況數(shù)據(jù)包括浮選泡沫表面視覺特征、浮選過程操作變量特征和浮選運行指標特征，其中浮選泡沫表面視覺特征又稱泡沫狀態(tài)變量特征；

10、浮選表面視覺特征包括泡沫表面顏色特征，泡沫尺寸和單位面積泡沫數(shù)量；泡沫表面紋理，泡沫穩(wěn)定度，泡沫流動速度，

11、浮選過程操作變量特征包括入礦量、充氣量、礦漿液位高度、加藥量；

12、浮選運行指標特征包括入礦品位、精礦品位、尾礦品位、回收率。

13、進一步地，所述數(shù)據(jù)預處理包括通過分布分析將浮選工況數(shù)據(jù)分為高斯變量和非高斯變量，高斯變量通過3σ原則判斷異常值，非高斯變量通過箱型圖判斷異常值，記異常值邊界為通過該異常值邊界條件對異常值進行限幅處理，結合斯皮爾曼(spearman)相關系數(shù)進行浮選工況特征的篩選，spearman相關系數(shù)表示為：

14、

15、其中，對兩個變量成對的取值分別按照順序編秩，ri代表xaj的秩次，qi代表xij(i≠a)的秩次，ri-qi為xaj、xij(i≠a)的秩次之差，相關系數(shù)r的取值范圍為-1≤r≤1。

16、進一步地，所述得到若干條浮選工況數(shù)據(jù)源案例集包括選擇相關系數(shù)|r|≤0.5的特征作為bpnn網(wǎng)絡的輸入特征，并基于bpnn對樣本缺失值進行插補，將多源數(shù)據(jù)轉(zhuǎn)換成統(tǒng)一標準的浮選工況特征，然后進行數(shù)據(jù)集成，獲取組成浮選基礎數(shù)據(jù)源案例集，而每條源案例表示為：

17、cj＝<xj；vset,j>,j＝1,2,…,n,

18、其中，vset,j為第j條源案例輸出；xj為第j條源案例輸入，

19、xj表示為：

20、xj＝(x1j,x2j,…,xmj),

21、其中，xij(i＝1,2,…,m)是第j條輸入特征變量xi的值。

22、進一步地，所述泡沫速度設定模型將浮選泡沫狀態(tài)變量特征和浮選過程操作變量特征中的m個特征作為泡沫速度設定模型的案例輸入特征xi(i＝1,2,…,m)，設置基準案例b＝(b1,…,bm)，表示x1～xm工況特征基準值，接著將所有輸入特征進行歸一化得到x′i(i＝1,2,…,m)和b′＝(b′1,…,b′m)，預設所有輸入特征對浮選關鍵指標的影響因子對應為λi(i＝1,2,…,m)，計算每條源案例與基準案例的歐式距離/匹配距離：

23、

24、然后，在所述步驟二中基于聚類方法將源案例集分成k個子案例集，結合選礦品位預測模型和回收率計算模型得到的關鍵生產(chǎn)指標精礦品位ηc(t)、回收率γ(t)，以及測量稱重得到的精礦產(chǎn)量mc(t)。

25、進一步地，令浮選工況新案例t＝(t1,…,tm)，表示x1～xm浮選當前工況數(shù)據(jù)，與計算匹配距離方法同理可得到新案例與案例庫每條經(jīng)典案例的匹配距離dj(j＝1,…,k)，將匹配距離轉(zhuǎn)換成相似度simj∈[0,1]：

26、

27、進一步地，通過相似度邊界條件simj≥λ從案例庫中獲取與目標案例t描述特征相匹配的案例集mk(k＝0,1,2,…,k)，完成案例檢索；

28、若匹配案例數(shù)k≥2，結合dpso算法和設定值評價指標j從與目標案例t相匹配的案例中獲取性能指標j最優(yōu)的匹配案例mj；

29、若匹配案例數(shù)k＝1，則直接將m1案例取出重用；

30、若k＝0，即案例庫中檢索不到與目標案例描述特征t相似的案例，則將目標案例加入源案例集中，聚類分類數(shù)k+1，通過匹配距離將源案例集進行聚類分層抽樣分成k+1個案例子集，結合設定值評價指標和dpso優(yōu)化算法從案例子集中選取k+1個最優(yōu)典型案例，實現(xiàn)案例修正；并將k+1個修正后的典型案例進行案例存儲，生成數(shù)量為k+1的案例庫，再重新進行新案例的檢索，獲取最優(yōu)匹配案例mj。

31、進一步地，將對應最優(yōu)匹配案例cj＝xj；vset,j取出重用，其對應的案例解vset,j為浮選泡沫速度設定值vset，記為vset＝vset,j，實現(xiàn)泡沫速度的優(yōu)化設定。

32、與現(xiàn)有技術相比，本發(fā)明的有益效果在于，本發(fā)明在現(xiàn)場銅浮選生產(chǎn)測控平臺的多源浮選生產(chǎn)工況數(shù)據(jù)的基礎上，結合指標預測模型、評價與學習模型和智能優(yōu)化方法等實現(xiàn)集成建模設定，獲取泡沫速度最優(yōu)設定值，與人工設定實驗對比結果表明，該方法的泡沫速度設定值和浮選品位波動程度更小，與人工設定相比綜合生產(chǎn)指標合格率提高了12％，精礦產(chǎn)量增產(chǎn)率提高了13.9％，具有一定的應用價值。

技術特征：

1.一種融合多源浮選工況信息的泡沫速度優(yōu)化設定方法，其特征在于，包括：

2.根據(jù)權利要求1所述的融合多源浮選工況信息的泡沫速度優(yōu)化設定方法，其特征在于，通過浮選生產(chǎn)測控平臺的若干傳感器獲取多源數(shù)據(jù)，其中，

3.根據(jù)權利要求1所述的融合多源浮選工況信息的泡沫速度優(yōu)化設定方法，其特征在于，所述數(shù)據(jù)預處理包括通過分布分析將浮選工況數(shù)據(jù)分為高斯變量和非高斯變量，高斯變量通過3σ原則判斷異常值，非高斯變量通過箱型圖判斷異常值，記異常值邊界為通過該異常值邊界條件對異常值進行限幅處理，結合斯皮爾曼(spearman)相關系數(shù)進行浮選工況特征的篩選，spearman相關系數(shù)表示為：

4.根據(jù)權利要求1所述的融合多源浮選工況信息的泡沫速度優(yōu)化設定方法，其特征在于，所述得到若干條浮選工況數(shù)據(jù)源案例集包括選擇相關系數(shù)r≤0.5的特征作為bpnn網(wǎng)絡的輸入特征，并基于bpnn對樣本缺失值進行插補，將多源數(shù)據(jù)轉(zhuǎn)換成統(tǒng)一標準的浮選工況特征，然后進行數(shù)據(jù)集成，獲取組成浮選基礎數(shù)據(jù)源案例集，而每條源案例表示為：

5.根據(jù)權利要求1所述的融合多源浮選工況信息的泡沫速度優(yōu)化設定方法，其特征在于，所述泡沫速度設定模型將浮選泡沫狀態(tài)變量特征和浮選過程操作變量特征中的m個特征作為泡沫速度設定模型的案例輸入特征xi(i＝1,2,…,m)，設置基準案例b＝(b1,…,bm)，表示x1～xm工況特征基準值，接著將所有輸入特征進行歸一化得到xi′(i＝1,2,…,m)和b′＝(b1′,…,b′m)，預設所有輸入特征對浮選關鍵指標的影響因子對應為λi(i＝1,2,…,m)，計算每條源案例與基準案例的歐式距離/匹配距離：

6.根據(jù)權利要求1所述的融合多源浮選工況信息的泡沫速度優(yōu)化設定方法，其特征在于，令浮選工況新案例t＝(t1,…,tm)，表示x1～xm浮選當前工況數(shù)據(jù)，與計算匹配距離方法同理可得到新案例與案例庫每條經(jīng)典案例的匹配距離dj(j＝1,…,k)，將匹配距離轉(zhuǎn)換成相似度simj∈[0,1]：

7.根據(jù)權利要求6所述的融合多源浮選工況信息的泡沫速度優(yōu)化設定方法，其特征在于，通過相似度邊界條件simj≥λ從案例庫中獲取與目標案例t描述特征相匹配的案例集mk(k＝0,1,2,…,k)，完成案例檢索；

8.根據(jù)權利要求7所述的融合多源浮選工況信息的泡沫速度優(yōu)化設定方法，其特征在于，將對應最優(yōu)匹配案例cj＝xj；vset,j取出重用，其對應的案例解vset,j為浮選泡沫速度設定值vset，記為vset＝vset,j，實現(xiàn)泡沫速度的優(yōu)化設定。

技術總結
本發(fā)明涉及一種融合多源浮選工況信息的泡沫速度優(yōu)化設定方法，涉及浮選智能優(yōu)化生產(chǎn)技術領域，通過浮選生產(chǎn)測控平臺采集浮選工況數(shù)據(jù)，并進行數(shù)據(jù)預處理得到若干浮選工況數(shù)據(jù)源案例集；基于浮選工況匹配距離，結合K?Means聚類方法獲取K組子類案例集，結合選礦品位預測模型和回收率計算模型得到關鍵生產(chǎn)指標，通過泡沫速度設定模型和評價與學習模型獲取每組子案例集下的最優(yōu)案例；將浮選工況新案例在案例庫中進行案例檢索，若沒有匹配的案例，將新案例加入浮選工況源案例集，進行案例修正，并繼續(xù)進行案例檢索，若匹配到相似案例，則獲取最優(yōu)匹配案例；并從案例庫中導出，進行案例重用，獲取泡沫速度最優(yōu)設定值；解決了浮選工況過程的波動問題，有效改善了浮選關鍵生產(chǎn)指標。

技術研發(fā)人員：盧明,何先科,王進,鄒瑩,陳祖國,李沛,何磊,易遵輝,李穎聰,彭蘭溪,譚靜瑤
受保護的技術使用者：湖南科技大學
技術研發(fā)日：
技術公布日：2024/9/9