一种基于数据融合的浮选关键指标监测模型构建方法

本发明属于泡沫浮选，具体涉及一种锌浮选过程中的浮选关键性能指标监测模型构建方法。

背景技术：

1、泡沫浮选是矿石选矿过程中最常用的分离方法之一。泡沫浮选通过利用矿物表面物理化学性质(主要是亲疏水性)的差异，实现有价值矿物颗粒与废石或其他非有价值矿物的分离，具有灵活性强、适用范围广、选矿效果好等优点，能帮助提高矿石的回收率和金属品位。但由于浮选过程中涉及到极其复杂的物理化学过程，具有浮选工艺流程长、内部机理不明确、外部干扰因素多、非线性严重等特点。虽然近年来国内外学者进行了大量研究，但迄今为止，还没有有效适用的数学模型可以对浮选过程进行描述，浮选流程的分析和建模仍然是一个亟待解决的难题。一直以来，浮选过程主要依靠人工肉眼观察浮选槽表面泡沫状态来完成现场操作，这种生产方式严重依赖工人经验知识，主观性强，准确性低，造成浮选生产指标波动频繁、矿物原料流失严重、药剂消耗量大、资源回收率低等情况。泡沫视频是浮选表层泡沫状态及变化的指示器，是浮选关键性能指标监测的主要依据。但是，泡沫视频持续时间长，包含信息丰富，数据冗余大，采用传统卷积神经网络方法获取的泡沫视频深度特征向量语义信息弱，泛化性能不强，模型训练时容易过拟合。强语义数据(如现场的温度、压力、流量等)是工业过程中具有明确物理、知识意义的数据集合，与泡沫视频等弱语义数据形成互补，并且可由工业现场的传感器采集得到或浮选领域专业知识获得。针对传统的深度学习没有考虑到工业过程强语义数据对浮选关键性能指标监测的信息补充作用，提出一种新的基于泡沫视频和强语义数据融合的浮选关键性能指标监测模型构建方法。

技术实现思路

1、本发明的目的是提供一种基于泡沫视频和强语义数据融合的浮选关键性能指标监测模型构建方法，在浮选工业流程中，泡沫视频是反映当前浮选工况的重要数据，是浮选关键性能指标监测的基础。针对目前泡沫视频持续时间长，包含信息丰富，数据冗余大，采用传统卷积神经网络方法获取的泡沫视频深度特征向量语义信息弱，泛化性能不强，模型训练时容易过拟合，提出一种新的基于泡沫视频数据和强语义数据融合的浮选关键性能指标监测模型构建方法。该方法首先从泡沫视频和工业现场提取深度特征信息和强语义数据信息，然后将两者信息进行有效融合，分析具备不同数据表征的多源异构数据之间的耦合关系，构建浮选关键性能指标监测模型，提升了模型的表征能力和泛化能力。采用的技术方案步骤如下：

2、步骤一：利用浮选现场的图像采集系统收集锌浮选泡沫视频数据，对收集的数据进行预处理，构成锌浮选数据集；

3、步骤二：构建泡沫视频深度特征提取子网络和泡沫视频强语义特征提取子网络；s1：构建基于3d卷积网络及向量压缩的泡沫视频深度特征提取子网络；

4、对泡沫视频提取泡沫视频图像帧并对其进行归一化处理，得到原始视频图像帧序列组成的三维特征输入图v0；采用3d卷积模块获取泡沫视频的深度特征表征向量；记fk,k＝1…m为经3d卷积模块的3dconv_k,k＝1...m处理后的特征图，各层特征图定义如下：

5、

6、其中，m为采用3d卷积模块的总数；

7、记m1为强语义特征图层数阈值，对fk,m1≤k≤m采用张量扁平化和向量压缩进行处理，获得泡沫视频高层深度特征表征向量fk，定义如下：

8、

9、其中，vc(·)表示张量扁平化和向量压缩操作；

10、s2：构建基于lstm的泡沫视频强语义特征提取子网络；

11、在泡沫浮选中，工业过程数据由工业现场的传感器采集；泡沫表观特征由浮选操作工长期积累的经验知识和浮选领域专业知识获得；记p为工业过程数据元素总数，s为泡沫表征特征数目，得到与泡沫视频图像帧匹配的工业过程数据向量泡沫表观特征向量则泡沫视频图像帧的强语义特征向量x(t)，如下式所示：

12、

13、其中，concat(·)代表向量拼接操作；

14、将强语义特征向量按视频帧的前后顺序输入到lstm网络，获取泡沫视频强语义特征向量lq，如下式所示：

15、lq＝lstm(x(1),x(2),...,x(q))

16、其中，lstm(·)代表长短期记忆网络，q代表当前泡沫视频的总帧数；

17、步骤三：融合视频深度特征和强语义特征求解浮选关键性能指标；

18、s1：对基于3d卷积网络及向量压缩的泡沫视频深度特征提取网络进行网络训练，获得该网络的预训练权重；

19、s2：对基于lstm的泡沫视频强语义特征提取网络进行网络训练，获得该网络的预训练权重；

20、s3：将上述两个网络预训练权重作为初始值，对整个网络模型进行网络训练；s4：将泡沫视频的高层深度表征向量fk和强语义特征向量lq拼接后输入多层感知机，可求解关键性能指标如下式所示：

21、

22、其中，mlp(·)代表多层感知机。

23、所述步骤二s1包括：对泡沫视频提取泡沫视频图像帧的时间间隔设置为0.2秒。

24、所述步骤二s1包括：vc(·)表示张量扁平化和向量压缩操作，其中向量压缩由向量压缩层执行，采用全连接层或自编码器实现高维深度向量的压缩。

25、所述步骤二s1包括：强语义特征图层数阈值m1设置为4。

26、所述工业过程数据为：温度、压力和流量，由工业现场的传感器采集；所述泡沫表观特征为：气泡大小、泡沫流速和纹理。

27、本方法基于现场设置的浮选泡沫视频图像采集系统采集泡沫视频数据，对泡沫视频提取深度特征表达，并加入对工业过程强语义数据特征提取，采取中期融合的方法对提取的两类特征进行融合获得更加强大的特征表达，增强了模型的理解和泛化能力，用以更加准确地预测浮选过程的关键性能指标，从而更准确地判断工况并有效指导现场操作。

技术特征：

1.一种基于数据融合的浮选关键指标监测模型构建方法，其特征在于，包括下列步骤：

2.根据权利要求1所述的一种基于数据融合的浮选关键指标监测模型构建方法，其特征在于：所述步骤二s1包括：对泡沫视频提取泡沫视频图像帧的时间间隔设置为0.2秒。

3.根据权利要求1所述的一种基于数据融合的浮选关键指标监测模型构建方法，其特征在于：所述步骤二s1包括：vc(·)表示张量扁平化和向量压缩操作，其中向量压缩由向量压缩层执行，采用全连接层或自编码器实现高维深度向量的压缩。

4.根据权利要求1所述的一种基于数据融合的浮选关键指标监测模型构建方法，其特征在于：所述步骤二s1包括：强语义特征图层数阈值m1设置为4。

5.根据权利要求1所述的一种基于数据融合的浮选关键指标监测模型构建方法，其特征在于：所述工业过程数据为：温度、压力和流量，由工业现场的传感器采集；所述泡沫表观特征为：气泡大小、泡沫流速和纹理。

技术总结一种基于数据融合的浮选关键指标监测模型构建方法，本发明提出了一种基于泡沫视频数据和强语义数据融合的浮选关键性能指标监测模型构建方法，基于浮选现场设置的数字图像采集系统采集泡沫视频，首先从泡沫视频和工业现场提取深度特征信息和强语义数据信息，再将两者信息进行有效融合，分析具备不同数据表征的多源异构数据之间的耦合关系，构建浮选关键性能指标监测模型。本发明解决了传统卷积神经网络方法获取的泡沫视频深度特征向量语义信息弱，泛化性能不强，模型训练时容易过拟合等问题，能更加准确地判断工况并有效指导现场操作。技术研发人员：唐朝晖,马炜烨,张虎,苏越,聂子邦受保护的技术使用者：中南大学技术研发日：技术公布日：2024/11/4