一种融合多源浮选工况信息的泡沫速度优化设定方法

本发明涉及浮选智能优化生产，尤其涉及一种融合多源浮选工况信息的泡沫速度优化设定方法。

背景技术：

1、长期以来，浮选生产主要依靠人工观察泡沫表面视觉特征进行调整操作，存在主观随意性，易引起浮选工况波动，影响精矿产品质量和矿物回收率。其中泡沫速度值的设定对浮选过程的控制具有重要的意义，且现阶段投入使用的部分浮选泡沫专家系统，一般是手动设置泡沫速度目标值。而人工设定经验不一，存在主观随意性，易造成浮选工况波动，仅依靠人工不能使浮选生产指标长期处于最优生产状态。所以根据浮选实时工况特征信息数据，进行泡沫速度优化设定实现浮选过程优化生产，保证选矿生产稳定的前提下同时达到精矿品位生产计划指标要求，提高精矿产量，提高金属回收率，降低能耗和生产成本，减少浮选工况的波动，切实引导选矿产业转型升级具有重要的意义。

2、因此，有必要设计一种泡沫速度优化设定方法，以解决上述技术问题。

技术实现思路

1、为此，本发明提供一种融合多源浮选工况信息的泡沫速度优化设定方法，用以克服现有技术中减少浮选工况的波动，切实引导选矿产业转型升级的问题。

2、为实现上述目的，本发明提供一种融合多源浮选工况信息的泡沫速度优化设定方法，包括：

3、通过浮选生产测控平台采集浮选工况数据，并进行数据预处理得到若干浮选工况数据源案例集；

4、基于浮选工况匹配距离，结合k-means聚类方法获取k组子类案例集，结合选矿品位预测模型和回收率计算模型得到关键生产指标，通过泡沫速度设定模型和评价与学习模型获取每组子案例集下的最优案例，进行案例存储，完成案例库初始化；

5、将浮选工况新案例在案例库中进行案例检索，若没有匹配的案例，将新案例加入浮选工况源案例集，聚类分组数变成k+1，同步更新案例库，实现案例修正，并继续进行案例检索，若匹配到相似案例，则结合评价与学习模型获取最优匹配案例；

6、将所述最优匹配案例从案例库中导出，进行案例重用，获取泡沫速度最优设定值；

7、基于浮选生产测控平台进行泡沫速度优化设定以及泡沫速度优化设定的实验验证和分析。

8、进一步地，通过浮选生产测控平台的若干传感器获取多源数据，其中，

9、浮选工况数据包括浮选泡沫表面视觉特征、浮选过程操作变量特征和浮选运行指标特征，其中浮选泡沫表面视觉特征又称泡沫状态变量特征；

10、浮选表面视觉特征包括泡沫表面颜色特征，泡沫尺寸和单位面积泡沫数量；泡沫表面纹理，泡沫稳定度，泡沫流动速度，

11、浮选过程操作变量特征包括入矿量、充气量、矿浆液位高度、加药量；

12、浮选运行指标特征包括入矿品位、精矿品位、尾矿品位、回收率。

13、进一步地，所述数据预处理包括通过分布分析将浮选工况数据分为高斯变量和非高斯变量，高斯变量通过3σ原则判断异常值，非高斯变量通过箱型图判断异常值，记异常值边界为通过该异常值边界条件对异常值进行限幅处理，结合斯皮尔曼(spearman)相关系数进行浮选工况特征的筛选，spearman相关系数表示为：

14、

15、其中，对两个变量成对的取值分别按照顺序编秩，ri代表xaj的秩次，qi代表xij(i≠a)的秩次，ri-qi为xaj、xij(i≠a)的秩次之差，相关系数r的取值范围为-1≤r≤1。

16、进一步地，所述得到若干条浮选工况数据源案例集包括选择相关系数|r|≤0.5的特征作为bpnn网络的输入特征，并基于bpnn对样本缺失值进行插补，将多源数据转换成统一标准的浮选工况特征，然后进行数据集成，获取组成浮选基础数据源案例集，而每条源案例表示为：

17、cj＝<xj；vset,j>,j＝1,2,…,n,

18、其中，vset,j为第j条源案例输出；xj为第j条源案例输入，

19、xj表示为：

20、xj＝(x1j,x2j,…,xmj),

21、其中，xij(i＝1,2,…,m)是第j条输入特征变量xi的值。

22、进一步地，所述泡沫速度设定模型将浮选泡沫状态变量特征和浮选过程操作变量特征中的m个特征作为泡沫速度设定模型的案例输入特征xi(i＝1,2,…,m)，设置基准案例b＝(b1,…,bm)，表示x1～xm工况特征基准值，接着将所有输入特征进行归一化得到x′i(i＝1,2,…,m)和b′＝(b′1,…,b′m)，预设所有输入特征对浮选关键指标的影响因子对应为λi(i＝1,2,…,m)，计算每条源案例与基准案例的欧式距离/匹配距离：

23、

24、然后，在所述步骤二中基于聚类方法将源案例集分成k个子案例集，结合选矿品位预测模型和回收率计算模型得到的关键生产指标精矿品位ηc(t)、回收率γ(t)，以及测量称重得到的精矿产量mc(t)。

25、进一步地，令浮选工况新案例t＝(t1,…,tm)，表示x1～xm浮选当前工况数据，与计算匹配距离方法同理可得到新案例与案例库每条经典案例的匹配距离dj(j＝1,…,k)，将匹配距离转换成相似度simj∈[0,1]：

26、

27、进一步地，通过相似度边界条件simj≥λ从案例库中获取与目标案例t描述特征相匹配的案例集mk(k＝0,1,2,…,k)，完成案例检索；

28、若匹配案例数k≥2，结合dpso算法和设定值评价指标j从与目标案例t相匹配的案例中获取性能指标j最优的匹配案例mj；

29、若匹配案例数k＝1，则直接将m1案例取出重用；

30、若k＝0，即案例库中检索不到与目标案例描述特征t相似的案例，则将目标案例加入源案例集中，聚类分类数k+1，通过匹配距离将源案例集进行聚类分层抽样分成k+1个案例子集，结合设定值评价指标和dpso优化算法从案例子集中选取k+1个最优典型案例，实现案例修正；并将k+1个修正后的典型案例进行案例存储，生成数量为k+1的案例库，再重新进行新案例的检索，获取最优匹配案例mj。

31、进一步地，将对应最优匹配案例cj＝xj；vset,j取出重用，其对应的案例解vset,j为浮选泡沫速度设定值vset，记为vset＝vset,j，实现泡沫速度的优化设定。

32、与现有技术相比，本发明的有益效果在于，本发明在现场铜浮选生产测控平台的多源浮选生产工况数据的基础上，结合指标预测模型、评价与学习模型和智能优化方法等实现集成建模设定，获取泡沫速度最优设定值，与人工设定实验对比结果表明，该方法的泡沫速度设定值和浮选品位波动程度更小，与人工设定相比综合生产指标合格率提高了12％，精矿产量增产率提高了13.9％，具有一定的应用价值。

技术特征：

1.一种融合多源浮选工况信息的泡沫速度优化设定方法，其特征在于，包括：

2.根据权利要求1所述的融合多源浮选工况信息的泡沫速度优化设定方法，其特征在于，通过浮选生产测控平台的若干传感器获取多源数据，其中，

3.根据权利要求1所述的融合多源浮选工况信息的泡沫速度优化设定方法，其特征在于，所述数据预处理包括通过分布分析将浮选工况数据分为高斯变量和非高斯变量，高斯变量通过3σ原则判断异常值，非高斯变量通过箱型图判断异常值，记异常值边界为通过该异常值边界条件对异常值进行限幅处理，结合斯皮尔曼(spearman)相关系数进行浮选工况特征的筛选，spearman相关系数表示为：

4.根据权利要求1所述的融合多源浮选工况信息的泡沫速度优化设定方法，其特征在于，所述得到若干条浮选工况数据源案例集包括选择相关系数r≤0.5的特征作为bpnn网络的输入特征，并基于bpnn对样本缺失值进行插补，将多源数据转换成统一标准的浮选工况特征，然后进行数据集成，获取组成浮选基础数据源案例集，而每条源案例表示为：

5.根据权利要求1所述的融合多源浮选工况信息的泡沫速度优化设定方法，其特征在于，所述泡沫速度设定模型将浮选泡沫状态变量特征和浮选过程操作变量特征中的m个特征作为泡沫速度设定模型的案例输入特征xi(i＝1,2,…,m)，设置基准案例b＝(b1,…,bm)，表示x1～xm工况特征基准值，接着将所有输入特征进行归一化得到xi′(i＝1,2,…,m)和b′＝(b1′,…,b′m)，预设所有输入特征对浮选关键指标的影响因子对应为λi(i＝1,2,…,m)，计算每条源案例与基准案例的欧式距离/匹配距离：

6.根据权利要求1所述的融合多源浮选工况信息的泡沫速度优化设定方法，其特征在于，令浮选工况新案例t＝(t1,…,tm)，表示x1～xm浮选当前工况数据，与计算匹配距离方法同理可得到新案例与案例库每条经典案例的匹配距离dj(j＝1,…,k)，将匹配距离转换成相似度simj∈[0,1]：

7.根据权利要求6所述的融合多源浮选工况信息的泡沫速度优化设定方法，其特征在于，通过相似度边界条件simj≥λ从案例库中获取与目标案例t描述特征相匹配的案例集mk(k＝0,1,2,…,k)，完成案例检索；

8.根据权利要求7所述的融合多源浮选工况信息的泡沫速度优化设定方法，其特征在于，将对应最优匹配案例cj＝xj；vset,j取出重用，其对应的案例解vset,j为浮选泡沫速度设定值vset，记为vset＝vset,j，实现泡沫速度的优化设定。

技术总结本发明涉及一种融合多源浮选工况信息的泡沫速度优化设定方法，涉及浮选智能优化生产技术领域，通过浮选生产测控平台采集浮选工况数据，并进行数据预处理得到若干浮选工况数据源案例集；基于浮选工况匹配距离，结合K‑Means聚类方法获取K组子类案例集，结合选矿品位预测模型和回收率计算模型得到关键生产指标，通过泡沫速度设定模型和评价与学习模型获取每组子案例集下的最优案例；将浮选工况新案例在案例库中进行案例检索，若没有匹配的案例，将新案例加入浮选工况源案例集，进行案例修正，并继续进行案例检索，若匹配到相似案例，则获取最优匹配案例；并从案例库中导出，进行案例重用，获取泡沫速度最优设定值；解决了浮选工况过程的波动问题，有效改善了浮选关键生产指标。技术研发人员：卢明,何先科,王进,邹莹,陈祖国,李沛,何磊,易遵辉,李颖聪,彭兰溪,谭静瑶受保护的技术使用者：湖南科技大学技术研发日：技术公布日：2024/9/9