CN101799394B - 一种水力旋流器溢流粒度分布的软测量方法 - Google Patents

Abstract

本发明涉及一种水力旋流器溢流粒度分布的软测量方法，其包括以下步骤：1)设置一水力旋流器溢流粒度分布的软测量装置；2)确定先验知识表达式，将先验知识表达式作为先验知识输送给软测量模型训练模块；3)离线读取训练样本，输送到软测量模型训练模块内；4)软测量模型训练模块将先验知识和训练样本集，融合、训练得到水力旋流器溢流粒度分布软测量模型，并将该模型输送给溢流粒度分布测量模块；5)溢流粒度分布测量模块对水力旋流器溢流粒度分布软测量模型进行存储；6)调用溢流粒度分布测量模块中的水力旋流器溢流粒度分布软测量模型，结合实时采集的数据，计算出水力旋流器的溢流粒度分布，并通过监控计算机显示和存储。本发明构思巧妙，精确实用，可广泛用于实际测量过程中。

Description

一种水力旋流器溢流粒度分布的软测量方法

技术领域

本发明涉及一种软测量方法，特别是关于一种水力旋流器溢流粒度分布的软测量方法。

背景技术

水力旋流器是一种分离混合物的设备，在化工、石油、选矿等领域应用十分广泛。水力旋流器的工作原理是离心沉降，利用离心力进行分级。由于在水力旋流器中，粗颗粒与细颗粒受到的离心力、向心力、流体曳力等大小不同，细颗粒由旋流器的上口溢流管排出，成为溢流产物，粗颗粒从下口底流管排出。在工业生产过程中，水力旋流器溢流产物在某特定粒度范围内的颗粒占颗粒总量的百分比作为反映产物溢流粒度分布的主要指标，称为水力旋流器的溢流粒度分布，记为β_+μ(表示粒度大于μ的颗粒占颗粒总量的百分比)或β_-μ(表示粒度小于μ的颗粒占颗粒总量的百分比)。实际工业中，通常用溢流产物中74μm以下颗粒占颗粒总量的百分比作为衡量产物粒度分布的重要指标，记为β_-74。水力旋流器溢流粒度分布直接决定了后级浮选工艺的生产效率和产品质量，因此实时、准确地测量水力旋流器溢流产物的粒度分布具有重要意义。

水力旋流器溢流粒度分布的检测方法有离线化验和在线检测两种方法。离线化验为目前选矿生产广泛采用的方法，缺点为测量时间间隔过大，无法在线指导生产。

在线检测方法有在线粒度仪检测与软测量两种。在线粒度仪检测虽然可以在线测量，但是价格昂贵，而且测量间隔周期通常为数分钟，不适应闭环控制的需要。研究者们根据水力旋流器溢流粒度分布与水力旋流器工作状态的关系，提出了各种具体计算水力旋流器溢流粒度分布的经验公式。水力旋流器的工作状态包括入口处的给料浓度C_v、给料压力P、给料流量Q等，这些变量容易实现在线测量，因此，可以通过经验公式推算出溢流粒度分布。但是，这些经验公式的参数较难根据实际情况进行调整，灵活性较差，计算精度不能满足实际要求。

此外，还可以利用神经网络方法对水力旋流器的溢流粒度分布进行软测量，即选择合适的辅助变量，结合试验样本得到软测量算法，从而推算出水力旋流器的溢流粒度分布。但现有的神经网络软测量方法在实际运用过程中，都需要对水力旋流器出口处的溢流产物浓度进行实时测量，而在很多实际生产过程中，水力旋流器出口处的溢流浓度很难在线直接测量，这也限制了现有神经网络软测量方法的实际应用。

发明专利“测量水力旋流器固液分离溢流粒度分布的支持向量机方法”(专利号：200510086685.7，已授权)提出了一种溢流粒度分布的测量方法。该方法选择水力旋流器入口处给料的浓度、压力、流量和出口处的溢流浓度作为辅助变量，采用支持向量机方法推算出水力旋流器的溢流粒度分布。但是，该方法在运用过程中并没有解决需要测量溢流浓度的问题。

发明内容

针对上述问题，本发明的目的是提供一种无需测量溢流浓度，可实时在线测量，可靠性高，精确实用的水力旋流器溢流粒度分布的软测量方法。

为实现上述目的，本发明采取以下技术方案：一种水力旋流器溢流粒度分布的软测量方法，其包括以下步骤：1)设置一水力旋流器溢流粒度分布的软测量装置，所述软测量装置包括一渣浆泵，所述渣浆泵通过一管道连接一水力旋流器，所述水力旋流器的上口处设置有一溢流管，下口处设置有一底流管，在所述管道的所述水力旋流器的入口处设置有一浓度检测设备、一压强采集设备和一流量采集设备，所述浓度检测设备、压强采集设备和流量采集设备的输出端连接一数据采集设备，所述数据采集设备的输出端连接一带有显示屏的监控计算机；所述监控计算机内预设有一先验知识计算模块、一软测量模型训练模块和一溢流粒度分布测量模块；2)根据所述水力旋流器的具体型号以及实际工况，选定一表征所述水力旋流器工作状态与溢流粒度分布关系的经验公式，将经验公式表示成一种核函数的线性组合形式，并作为先验知识表达式输入到所述监控计算机中的所述先验知识计算模块内，由所述先验知识计算模块结合指定的参数，确定先验知识表达式，将先验知识表达式作为待融合的先验知识输送给所述软测量模型训练模块；3)离线读取训练样本，并对读取的训练样本集进行剔除野值、归一化处理后，输送到所述软测量模型训练模块；4)所述软测量模型训练模块将步骤2)中得到的待融合的先验知识和步骤3)中获得的训练样本集，融合、训练得到水力旋流器溢流粒度分布软测量模型，并将该模型输送给所述溢流粒度分布测量模块；5)所述溢流粒度分布测量模块对步骤4)中得到的水力旋流器溢流粒度分布软测量模型进行存储；6)调用所述溢流粒度分布测量模块中的水力旋流器溢流粒度分布软测量模型，结合所述数据采集设备实时输入的浓度值、压强值和流量值，计算出所述水力旋流器的溢流粒度分布，并通过所述监控计算机进行显示和存储。

所述步骤2)中，选定经验公式为：y＝β_-74＝f(d_50c)＝p(x)，将该经验公式表示成一种核函数的线性组合形式为：

$p\left(x\right)\≈q\left(x\right)=\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{\mathrm{\γ}}_{i}K(t_i,x)$

式中，y为溢流粒度分布；β_-74表示溢流产物中74μm以下颗粒占颗粒总量的比例；d_50c＝g(x)为校正分离粒度，校正分离粒度d_50c是指一特定的粒度值，当一组颗粒的粒度均为d_50c时，其进入所述水力旋流器后，从所述溢流管排出和从所述底流管排出的比例相同，均为50％，g(x)为解析形式；x＝(C_v P Q)^T为旋流器入口处给料的浓度值、压力值和流量值；d为一待定参数，其表示线性组合中核函数的总数；i＝1、2、…d，其表示线性组合中第i个成分；γ_i为一待定参数，K(t_i，x)为指定的核函数，t_i为核函数中一待定基向量；基向量t_i和待定参数d、γ_i均由所述先验知识计算模块进行迭代运算确定。

所述基向量t_i和待定参数d、γ_i在所述先验知识计算模块中的具体求解步骤如下：

①确定核函数K(t_i，x)，指定正则化参数μ的值，指定阈值ε，令基向量t_i的取值集合

(空集)；

②令迭代步数k＝0，记q(x)此时的表达函数q₀(x)＝0，则误差函数为：r₀(x)＝p(x)-q₀(x)；

③求t_k+1，使误差函数 $\left|r_k\left(t_{k+1}\right)\right|=\underset{t}{\max }\left|r_k\left(t\right)\right|,$ 若|r_k(t_k+1)|＜ε，则返回d＝k，q(x)＝q_k(x)，基向量t_i的取值集合为T_k， ${\mathrm{\γ}}_i={\mathrm{\γ}}_i^{\left(k\right)},i=1,\·\·\·,k,$ 终止迭代；

④令T_k+1＝T_k∪{t_k+1}，则构造出一(k+1)×(k+1)维矩阵K_k+1，K_k+1的第(i，j)个元素为K(t_i，t_j)，进而构造出一(k+1)维向量p(T^(k+1))＝[p(t₁)，…，p(t_k+1)]^T；

⑤计算向量矩阵γ^(k+1)＝(K_k+1+μI_k+1)^-1p(T^(k+1))，其中I_k+1为(k+1)维单位矩阵，令 $q_{k+1}\left(x\right)=\underset{i=1}{\overset{k+1}{\mathrm{\Σ}}}{\mathrm{\γ}}_i^{(k+1)}K(t_i,x),$ 其中γ_i ^(k+1)为向量矩阵γ^(k+1)的第i个元素；

⑥令r_k+1(x)＝p(x)-q_k+1(x)，k＝k+1，返回步骤③。

所述步骤4)中溢流粒度分布软测量模型的表达式为：

$y=f\left(x\right)=\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}K(t_i,x)$

式中，y为溢流粒度分布软测量结果，α_i ^*为一待定参数，参数d和基向量t_i由所述步骤2)确定。

所述待定参数α_i ^*通过求解以下优化公式得到：

${\mathrm{\α}}^{*}=\underset{\mathrm{\α}}{\arg \min }{\mathrm{\α}}^T{K}_{\mathrm{XT}}^T{K}_{\mathrm{XT}}\mathrm{\α}-2y^T{K}_{\mathrm{XT}}^T\mathrm{\α}+\mathrm{\λ}{(\mathrm{\α}-\mathrm{\γ})}^T{K}_T(\mathrm{\α}-\mathrm{\γ})$

式中，K_XT为l×d维矩阵，其中第(i，j)个元素为K(t_i，x_j)；K_T的第(i，j)个元素为K(t_i，t_j)；训练样本数量为l个，y＝[y₁，…，y_l]^T为训练样本输出向量；λ为一指定值；γ＝[γ₁，…，γ_i，…，γ_d]^T由所述步骤2)确定，α_i ^*为向量α^*中的第i个元素。

所述步骤3)中读取的训练样本为：

x_i＝(C_v(i)P(i)Q(i))^T，y_i＝β_-74(i)，i＝1，2，…，l

式中，C_v(i)为第i份样品的入口浓度值；P(i)为第i份样品的入口压强值；Q(i)为第i份样品的入口流量值；β_-74(i)为采样时刻第i份样品的溢流粒度分布；l为训练样本数量。

本发明由于采取以上技术方案，其具有以下优点：1、本发明设置的溢流粒度分布软测量装置，可实时在线检测水力旋流器入口处给料的浓度值、压强值和流量值，检测的数据通过输入监控计算机，由监控计算机内预制的模块实时运算出水力旋流器出口处的溢流粒度分布，因此，测量间隔时间短、效率高，能更方便地为生产提供依据。2、本发明在监控计算机内预制有先验知识计算模块、软测量模型训练模块和溢流粒度分布测量模块，测量过程中，只需要在线检测水力旋流器入口处给料的浓度值、压强值和流量值，就可以运算出水力旋流器的溢流粒度分布，因此，不需要测量水力旋流器出口处的溢流浓度值，解决了溢流浓度值很难在线测量的问题。3、本发明由于将水力旋器溢流粒度分布计算的经验公式做为先验知识，结合训练样本，融合、训练得到水力旋器溢流粒度分布的测量模型，因此，并不完全依赖于训练样本，可靠性要高于传统的完全依赖样本的学习方法，更适于实际溢流粒度分布的测量应用。本发明构思巧妙，精确实用，可广泛用于实际测量过程中。

附图说明

图1是本发明的软测量装置示意图

图2是本发明的软测量模块示意图

图3是本发明的测量流程示意图

图4是本发明用于实施例的测量结果示意图

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

本发明包括以下步骤：

1)如图1所示，设置一水力旋流器溢流粒度分布的软测量装置，该装置包括一渣浆泵1，渣浆泵1通过一管道2连接一水力旋流器3，水力旋流器3的上口处设置有一溢流管31，下口处设置有一底流管32。在管道2的水力旋流器3入口处设置有一浓度检测设备4、一压强检测设备5和一流量检测设备6，浓度检测设备4、压强检测设备5和流量检测设备6的输出端连接一数据采集设备7，数据采集设备7的输出端连接一带有显示屏的监控计算机8。如图2所示，监控计算机8内预设有一先验知识计算模块81、一软测量模型训练模块82和一溢流粒度分布测量模块83。

工作过程中，矿浆通过渣浆泵1泵入管道2中，在矿浆到达水力旋流器3的入口处时，通过浓度检测设备4、压强检测设备5和流量检测设备6分别对水力旋流器3入口处给料的浓度值、压强值和流量值进行测量，测量得到的数据输入到数据采集设备7，由数据采集设备7最后输入到监控计算机8中，进行溢流粒度分布的运算。在水流旋流器3的作用下，矿浆中的细颗粒经水力旋流器3上口的溢流管31排出，成为溢流产物，粗颗粒从水力旋流器3下口的底流管32排出。

2)根据水力旋流器3的具体型号以及实际工况，选定一表征水力旋流器3工作状态与溢流粒度分布关系的经验公式，将经验公式表示成一种核函数的线性组合形式，并作为先验知识表达式输入到监控计算机8中的先验知识计算模块81内，由先验知识计算模块81结合指定的参数，确定先验知识表达式，将先验知识表达式作为待融合的先验知识输送给软测量模型训练模块82。该步骤的具体过程如下：

对于不同型号的水力旋流器3，其入口处给料的浓度、压强、流量与溢流粒度分布关系的经验公式具有不同的表达形式。选定校正分离粒度d_50c的经验公式d_50c＝g(x)，然后通过溢流粒度分布公式β_-74＝f(d_50c)，计算溢流粒度分布。

其中，校正分离粒度d_50c是指一特定的粒度值，当一组颗粒的粒度均为d_50c时，其进入水力旋流器3后，从溢流管31排出和从底流管32排出的比例相同，均为50％。对于给定的水力旋流器，d_50c取决于旋流器入口处给料的浓度值、压强值和流量值，即可以用g(x)表示，其中x＝(C_v P Q)^T为旋流器入口处给料的浓度值、压力值和流量值。β_-74表示溢流产物中74μm以下颗粒占颗粒总量的比例。A.L.穆拉尔和G.V.杰根森提出了一个表格近似表示f(d_50c)，如表1所示，实际使用时可以通过插值计算得到溢流粒度分布β_-74。

表1溢流粒度分布与校正分离粒度关系表

校正分离粒度d50c(μm)	溢流粒度分布β-74
		39.96	0.99
54.02	0.95

67.34	0.90
		92.50	0.80
123.58	0.70
		153.92	0.60
205.72	0.50

选定计算d_50c的经验公式为g(x)，通过插值计算即可确定计算溢流粒度分布的经验公式为：y＝β_-74＝f(d_50c)＝p(x)。将该经验公式表示成一种核函数的线性组合形式为：

$p\left(x\right)\≈q\left(x\right)=\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{\mathrm{\γ}}_{i}K(t_i,x)---\left(1\right)$

式中，y为溢流粒度分布，x为水力旋流器3入口处给料的浓度值、压强值与流量值；d为一待定参数，其表示线性组合中核函数的总数；i＝1、2、…d，其表示线性组合中第i个成分；γ_i为一待定参数，K(t_i，x)为指定的核函数，t_i为核函数中一待定基向量；基向量t_i和待定参数d、γ_i均由先验知识计算模块81进行迭代运算确定。

基向量t_i和待定参数d、γ_i的具体求解步骤如下：

①确定核函数K(t_i，x)，指定正则化参数μ的值，指定阈值ε，令基向量t_i的取值集合

(空集)；

②令迭代步数k＝0，记q(x)此时的表达函数q₀(x)＝0，则误差函数为：r₀(x)＝p(x)-q₀(x)；

③求t_k+1，使误差函数 $\left|r_k\left(t_{k+1}\right)\right|=\underset{t}{\max }\left|r_k\left(t\right)\right|,$ 若|r_k(t_k+1)|＜ε，则返回d＝k，q(x)＝q_k(x)，基向量t_i的取值集合为T_k， ${\mathrm{\γ}}_i={\mathrm{\γ}}_i^{\left(k\right)},i=1,\·\·\·,k,$ 终止迭代；

④令T_k+1＝T_k∪{t_k+1}，则构造出一(k+1)×(k+1)维矩阵K_k+1，K_k+1的第(i，j)个元素为K(t_i，t_j)，进而构造出一(k+1)维向量p(T^(k+1))＝[p(t₁)，…，p(t_k+1)]^T；

⑤计算向量矩阵γ^(k+1)＝(K_k+1+μI_k+1)^-1p(T^(k+1))，其中I_k+1为(k+1)维单位矩阵，令 $q_{k+1}\left(x\right)=\underset{i=1}{\overset{k+1}{\mathrm{\Σ}}}{\mathrm{\γ}}_i^{(k+1)}K(t_i,x),$ 其中γ_i ^(k+1)为向量矩阵γ^(k+1)的第i个元素；

⑥令r_k+1(x)＝p(x)-q_k+1(x)，k＝k+1，返回步骤③。

基向量t_i和待定参数d、γ_i确定后，即可确定先验知识表达式(1)，将选验知识表达式(1)作为待融合的先验知识输送给软测量模型训练模块82。

3)离线读取训练样本，并对读取的训练样本集进行剔除野值、归一化处理后，输送到软测量模型训练模块82中。该步骤的具体过程如下：

在旋流器3的溢流口31取矿浆样品，同时记录取样时刻的旋流器3入口处给料的浓度值、压力值和流量值，通过实验室化验得到溢流口矿浆样品的溢流粒度分布值β_-74，并重复此过程，从而得到l个训练样本，其中第i份样品的入口浓度值记为C_v(i)，第i份样品的入口压强值记为P(i)，第i份样品的入口流量值记为Q(i)，第i份样品的溢流粒度分布记为β_-74(i)，则C_v(i)、P(i)、Q(i)、β_-74(i)构成一组训练样本，记为{x_i，y_i}：

x_i＝(C_v(i)P(i)Q(i))^T，y_i＝β_-74(i)，i＝1，2，…，l

将上述得到的训练样本集输入到软测量模型训练模块82中。

4)给定水力旋流器3溢流粒度分布软测量模型的一个核函数的线性组合形式，软测量模型训练模块82将步骤2)中得到的待融合的先验知识表达式(1)和步骤3)中获得的训练样本集{x_i，y_i}，融合、训练得到水力旋流器溢流粒度分布软测量模型中的未知参数，最终确定水力旋流器溢流粒度分布的软测量模型，将该模型输送给溢流粒度分布测量模块83。该步骤的具体过程为：

给定水力旋流器3溢流粒度分布软测量模型的一个核函数的线性组合形式为：

$y=f\left(x\right)=\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}K(t_i,x)---\left(2\right)$

式中，y＝β_-74为溢流粒度分布软测量结果，α_i ^*一为待定参数，参数d和基向量t_i由所述步骤2)确定。

将步骤2)中得到的待融合的先验知识表达式(1)中的参数d、γ_i和基向量t_i与步骤3)中获得的训练样本集{x_i，y_i}，融合、训练得到水力旋流器3溢流粒度分布软测量模型中的未知参数α_i ^*，α_i ^*的求解通过以下优化公式得到：

${\mathrm{\α}}^{*}=\underset{\mathrm{\α}}{\arg \min }{\mathrm{\α}}^T{K}_{\mathrm{XT}}^T{K}_{\mathrm{XT}}\mathrm{\α}-2y^T{K}_{\mathrm{XT}}^T\mathrm{\α}+\mathrm{\λ}{(\mathrm{\α}-\mathrm{\γ})}^T{K}_T(\mathrm{\α}-\mathrm{\γ})$

式中，K_XT为l×d维矩阵，其中第(i，j)个元素为K(t_i，x_j)；K_T的第(i，j)个元素为K(t_i，t_j)；训练样本数量为l个，y＝[y₁，…，y_l]^T为训练样本输出向量；λ为一指定值；γ＝[γ₁，…，γ_i，…，γ_d]^T由所述步骤2)确定，α_i ^*为向量α^*中的第i个元素。

求得α_i ^*后，水力旋流器溢流粒度分布软测量模型可以确定，将该模型输送给溢流粒度分布测量模块83。

5)溢流粒度分布测量模块83对步骤4)中得到的水力旋流器溢流粒度分布软测量模型进行存储。

6)调用溢流粒度分布测量模块83中的水力旋流器溢流粒度分布软测量模型，结合数据采集设备7实时输入的水力旋流器3入口处的给料浓度值、压强值和流量值，计算出水力旋流器3的溢流粒度分布，并通过监控计算机8进行显示和存储。在实际测量过程中，如果发现溢流粒度分布测量模块83中的溢流粒度分布软测量模型精度不能满足要求时，返回步骤2)，再进行融合、训练得到新的溢流粒度分布软测量模型，并用该新模型替换原有的旧模型，继续进行溢流粒度分布的软测量。

如图3所示，在步骤6)中，测量溢流粒度分布的具体步骤如下：

(A)测量开始，决定使用方式：选择进行训练或者测量，若选择测量则转至(H)，否则，转至(B)。

(B)选择合适的经验公式作为先验知识。

(C)指定参数：指定核函数K(t，x)、阈值ε、参数μ和λ的值。

(D)读取训练样本{x_i，y_i}。

(E)对训练样本进行预处理：剔除野值、归一化。

(F)进行训练。

(G)保存训练结果，训练过程结束，转至结尾(M)。

(H)读取训练结果表达式(2)。

(I)读取入口浓度、压强以及流量数据，得到表达式(2)中的输入量x。

(J)代入表达式(2)进行计算，得到溢流粒度分布软测量结果y。

(K)由监控计算机保存结果。

(L)由用户选择是否继续计算，若是，则转至(I)，否则转至结尾(M)。

(M)结束。

实施例：该实施例所采用的数据为某选矿厂的实测数据，样本一共有520组，随机选取其中的50组作为训练样本，然后用所有数据检验训练得到结果。每组样本包括三维输入变量x_i＝(C_v(i)P(i)Q(i))^T和输出变量y_i＝β_-74(i)。利用本发明测量步骤如下：

1)选择进行训练；

2)经验公式包括两部分：校正分离粒度d_50c的计算，通过校正分离粒度d_50c计算溢流粒度分布β_-74。实施例中采用如下公式计算d_50c：

$d_{50c}=981.907\sqrt{\frac{0.001{\mathrm{\ρ}}_m^{0.5}(1+2.5C_v+10.05C_v^2)}{(\mathrm{\δ}-{\mathrm{\ρ}}_m)P^{0.5}}}$

式中，δ为矿石密度、ρ_m为矿浆密度，δ可以通过实验室化验确定、ρ_m计算公式如下：

ρ_m＝1+C_v(δ-1)

根据表1，并通过插值，可以得到经验公式如下。

y＝β_-74＝f(d_50c)＝p(x)

3)选定核函数为高斯型核函数：

$K(t,x)=\exp (-\frac{{\left|\right|x-t\left|\right|}^2}{632})$

式中，‖·‖表示向量的范数，指定ε＝0.05，μ＝0.001，λ＝0.1；

4)求取先验知识的表达式(1)；

5)随机读取50组训练样本{x_i，y_i}；

6)对训练样本进行预处理：判断训练样本是否都在正常范围内，是否存在异常数据需要剔除；

7)求取训练结果，保存参数γ_i、d、α_i ^*和基向量t_i；

8)利用上面的训练结果进行测量。对于某个待测样本，输入x_i值，根据表达式(2)计算相应的y_i值(读取数据、读取训练结果和显示结果的过程不再详述)；

9)按照第8)步所述的方法计算所有样本的输出；

10)结束。

如图4所示，将采用本发明所测得的溢流粒度分布值和实验室化验所得的溢流粒度分布值进行绘图表示，横坐标为实验室化验所得溢流粒度分布真实值，纵坐标为采用本发明测得的溢流粒度分布值，两条直线为±0.02的误差线。利用本发明进行测量的误差主要指标如下：

误差最大值：9.19％

误差最小值：-14.30％

误差均值：0.024786％

误差标准差：1.62％

而直接采用经验公式计算，误差主要指标如下：

误差最大值：13.34％

误差最小值：-14.97％

误差均值：-0.085927％

误差标准差：2.072％

可见，采用本发明进行溢流粒度分布值测量，其测量精度有了很大提高。

上述实施例仅用于说明本发明，其中各部件的结构、设置位置及连接方式都是可以有所变化的，凡是在本发明技术方案的基础上进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (3)

1.一种水力旋流器溢流粒度分布的软测量方法，其包括以下步骤：

1)设置一水力旋流器溢流粒度分布的软测量装置，所述软测量装置包括一渣浆泵，所述渣浆泵通过一管道连接一水力旋流器，所述水力旋流器的上口处设置有一溢流管，下口处设置有一底流管，在所述水力旋流器的入口处设置有一浓度检测设备、一压强采集设备和一流量采集设备，所述浓度检测设备、压强采集设备和流量采集设备的输出端连接一数据采集设备，所述数据采集设备的输出端连接一带有显示屏的监控计算机；所述监控计算机内预设有一先验知识计算模块、一软测量模型训练模块和一溢流粒度分布测量模块；

2)根据所述水力旋流器的具体型号以及实际工况，选定一表征所述水力旋流器工作状态与溢流粒度分布关系的经验公式，将经验公式表示成一种核函数的线性组合形式，并将该经验公式输入到所述监控计算机中的所述先验知识计算模块内，由所述先验知识计算模块结合指定的参数之后形成先验知识表达式，将先验知识表达式作为待融合的先验知识输送给所述软测量模型训练模块；其中，选定经验公式为：y＝β_-74＝f(d_50c)＝p(x)，将该经验公式表示成一种核函数的线性组合形式为：

式中，y为溢流粒度分布；β_-74表示溢流产物中74μm以下颗粒占颗粒总量的比例；d_50c＝g(x)为校正分离粒度，校正分离粒度d_50c是指一特定的粒度值，当一组颗粒的粒度均为d_50c时，其进入所述水力旋流器后，从所述溢流管排出和从所述底流管排出的比例相同，均为50％，g(x)为解析形式；x＝(C_v P Q)^T为旋流器入口处给料的浓度值、压力值和流量值；d为一待定参数，其表示线性组合中核函数的总数；i＝1、2、…d，其表示线性组合中第i个成分；γ_i为一待定参数，K(t_i，x)为指定的核函数，t_i为核函数中一待定基向量；基向量t_i和待定参数d、γ_i均由所述先验知识计算模块进行迭代运算确定；

3)离线读取训练样本，并对读取的训练样本集进行剔除野值、归一化处理后，输送到所述软测量模型训练模块；

4)所述软测量模型训练模块将步骤2)中得到的待融合的先验知识和步骤3)中获得的训练样本集，融合、训练得到水力旋流器溢流粒度分布软测量模型，并 将该模型输送给所述溢流粒度分布测量模块；其中，溢流粒度分布软测量模型的表达式为：

式中，y为溢流粒度分布软测量结果， 

为一待定参数，参数d和基向量t_i由所述步骤2)确定；所述待定参数 

通过求解以下优化公式得到：

式中，K_XT为l×d维矩阵，其中第(i，j)个元素为K(t_i，x_j)；K_T的第(i，j)个元素为K(t_i，t_j)；训练样本数量为l个，y＝[y₁，…，y_i]^T为训练样本输出向量；λ为一指定值；γ＝[γ₁，…，γ_i，…，γ_d]^T由所述步骤2)确定， 

为向量α^*中的第i个元素；

5)所述溢流粒度分布测量模块对步骤4)中得到的水力旋流器溢流粒度分布软测量模型进行存储；

6)调用所述溢流粒度分布测量模块中的水力旋流器溢流粒度分布软测量模型，结合所述数据采集设备实时输入的浓度值、压强值和流量值，计算出所述水力旋流器的溢流粒度分布，并通过所述监控计算机进行显示和存储。

2.如权利要求1所述的一种水力旋流器溢流粒度分布的软测量方法，其特征在于：所述基向量t_i和待定参数d、γ_i在所述先验知识计算模块中的具体求解步骤如下：

①确定核函数K(t_i，x)，指定正则化参数μ的值，指定阈值ε，令基向量t_i的取值集合 

②令迭代步数k＝0，记q(x)此时的表达函数q₀(x)＝0，则误差函数为：r₀(x)＝p(x)-q₀(x)；

③求t_k+1，使误差函数 

若|r_k(t_k+1)|＜ε，则返回d＝k，q(x)＝q_k(x)，基向量t_i的取值集合为T_k， i＝1，…，k，终止迭代；

④令T_k+1＝T_k∪{t_k+1}，则构造出一(k+1)×(k+1)维矩阵K_k+1，K_k+1的第(i，j)个元素为K(t_i，t_j)，进而构造出一(k+1)维向量p(T^(k+1))＝[p(t₁)，…，p(t_k+1)]^T；

⑤计算向量矩阵γ^(k+1)＝(K_k+1+μI_k+1)^-1p(T^(k+1))，其中I_k+1为(k+1)维单位矩阵，令 

其中 为向量矩阵γ^(k+1)的第i个元素；

⑥令r_k+1(x)＝p(x)-q_k+1(x)，k＝k+1，返回步骤③。

3.如权利要求1或2所述的一种水力旋流器溢流粒度分布的软测量方法，其特征在于：所述步骤3)中读取的训练样本为： 

x_i＝(C_v(i) P(i) Q(i))^T，y_i＝β_-74(i)，i＝1，2，…，l

式中，C_v(i)为第i份样品的入口浓度值；P(i)为第i份样品的入口压强值；Q(i)为第i份样品的入口流量值；β_-74(i)为采样时刻第i份样品的溢流粒度分布；l为训练样本数量。

Images