CN102681473A - 一种基于纹理单元分布的硫浮选过程故障检测方法 - Google Patents
一种基于纹理单元分布的硫浮选过程故障检测方法 Download PDFInfo
- Publication number
- CN102681473A CN102681473A CN2012100947093A CN201210094709A CN102681473A CN 102681473 A CN102681473 A CN 102681473A CN 2012100947093 A CN2012100947093 A CN 2012100947093A CN 201210094709 A CN201210094709 A CN 201210094709A CN 102681473 A CN102681473 A CN 102681473A
- Authority
- CN
- China
- Prior art keywords
- sulphur
- statistic
- pivot
- floatation process
- texture cell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于纹理单元分布的硫浮选过程故障检测方法,基于纹理单元提取硫浮选过程实时泡沫图像的纹理特征,设计非参数核密度估计算子逼近硫浮选泡沫纹理单元分布得到动态权系数,采用主元分析的方法建立基于动态权系数的主元模型,基于主元模型的T2统计量得到有效的硫浮选过程故障检测方法。本发明具有简便、快速的特点,适用于硫浮选生产过程,能检测生产过程中人工操作不合理造成的故障,对于降低工况误判率,提高硫精矿品位,实现硫浮选生产操作的优化有重要意义。
Description
技术领域
本发明属于图像处理技术和概率统计等领域,具体为一种基于纹理单元分布的硫浮选过程故障检测方法。
背景技术
浮选过程是矿物加工中最广泛应用的选矿方法,通常在矿浆中加入浮选药剂提高矿物表面湿润性差异,使得疏水性强的有用目的矿物从无用脉石中分离出来,达到提高原矿品位的目的。硫化矿物表面湿润性很小,疏水性强,硫浮选中无需添加任何药剂,通过调节液位和空气鼓入量得到较高品位的硫精矿。
硫精矿品位的高低取决于硫浮选过程工况优劣,硫浮选过程故障的检测直接影响到硫精矿品位。因此,研发一种有效的故障检测方法对于提高硫浮选生产质量具有重要的意义。
目前,硫浮选过程采用人工定点观察浮选泡沫的方法来判断故障工况,人工经验操作不合理,不能及时调整故障工况,易导致硫精矿品位低。因此,针对硫浮选过程特点,研究基于机器视觉的故障检测方法,采用一种基于纹理单元分布的方法对硫浮选故障进行检测,为操作人员提供简单直观的故障检测手段,对于稳定硫浮选工况,提高硫精矿品位,实现硫浮选过程的优化控制有重要的意义。
发明内容
本发明的目的在于解决硫浮选过程故障的检测问题,提出了一种基于纹理单元分布的硫浮选过程故障检测方法。本发明的主要内容如下:
一种基于纹理单元分布的硫浮选过程故障检测方法,其特征在于,包括以下步骤:
第一步,根据正常工况下硫浮选泡沫图像构建的图像库,基于纹理单元提取纹理特征,设计非参数核密度估计算子逼近泡沫实际纹理单元分布得到动态权系数,采用主元分析的方法建立基于动态权系数的主元模型,最后根据基于主元模型的T2统计量得到故障检测阈值。
步骤1:基于纹理单元(TU)提取泡沫纹理特征;
步骤2:根据计算的纹理单元值,设计非参数核密度估计算子逼近实际的纹理单元分布,得到描述纹理特征的动态权系数;
根据函数逼近原则,用下述设计的非参数核密度估计算子来逼近实际纹理单元分布:
步骤3:采用主元分析的方法建立基于动态权系数的主元模型,根据经验法确定主元个数;
设模型输入为动态权系数向量,为维矩阵,为数据样本数,为输入变量个数。为了避免变量不同量纲对结果的影响和便于数学上的处理,先对建模数据进行归一化处理。记归一化后的输入变量为 ,对进行主元分析,采用经验法确定主元个数,可分解为:
步骤4:根据T2统计量表征主元模型内部变化的一种测度的特点,计算基于主元模型的T2统计量;
步骤5:基于F分布得到T2统计量的控制限,以该控制限作为硫浮选过程故障检测阈值;
T2统计量的控制限的计算:
第二步,根据正常泡沫图像库建立的主元模型得到的故障检测阈值与实时泡沫图像T2统计量值的比较,判断硫浮选过程状态。
步骤1:应用第一步中前4个步骤计算实时泡沫图像的T2统计量;
根据硫浮选泡沫的纹理分布特点,在逼近曲线时选用了25个核函数,核函数以Gaussian核函数为原型,构建符合硫浮选过程***的核函数:
本发明提出的以非参数核密度估计算子来逼近实际纹理单元分布,采用主元分析的方法建立基于纹理分布动态权系数的主元模型,可以根据实际需求选择合适的主元个数表示硫浮选工况的波动信息,并基于T2统计量在主元子空间对故障进行检测,当硫浮选过程纹理分布权系数与建立的主元模型不符时,则可判断该过程中已有故障发生。
利用本发明的基于纹理分布的硫浮选过程故障检测方法,相对于人工经验操作,可以使硫精矿品位提高10%~30%。
本发明具有计算简单、方便的特点,适合于硫浮选过程故障工况的检测,具有较强的实用性,使现场操作人员能快速准确判断硫浮选过程故障工况,对降低硫浮选工况误判率,优化硫浮选操作,提高硫精矿品位具有重要的意义。
附图说明
图1逼近纹理单元分布的非参数核密度估计方法图;
图2正常硫浮选泡沫和故障硫浮选泡沫图;
图3(a)和图3(b)分别为正常硫浮选泡沫和故障硫浮选泡沫图像纹理单元分布图;
图4硫浮选过程故障发生前后纹理单元分布的3D mesh图;
图5 基于T2统计量的硫浮选过程故障检测结果;
图6 基于纹理单元分布的故障检测方法应用对比结果。
具体实施方式
为了更好的理解本发明的技术方案,以下结合说明书的附图对本发明的实施方式作进一步描述:
第一步,根据正常工况下硫浮选泡沫图像构建的图像库,采用纹理单元提取纹理特征,设计非参数核密度估计算子逼近泡沫实际纹理单元分布得到动态权系数,采用主元分析的方法建立基于动态权系数的主元模型,最后基于主元模型的T2统计量得到故障检测阈值。
步骤1:采用纹理单元值描述泡沫纹理特征;
(1)
步骤2:根据计算的纹理单元值,设计非参数核密度估计算子逼近实际的纹理单元分布,得到描述纹理特征的动态权系数;
根据函数逼近原则,用下述设计的非参数核密度估计算子来逼近实际纹理单元分布:
根据泡沫的纹理单元分布,在逼近曲线时选用了25个核函数,核函数以Gaussian核函数为原型,构建符合硫浮选过程***的核函数:
考虑实际硫浮选工况,选择合适的值,各个核函数都固定不变,可获得各个核函数相对应的权系数,用来表征输出纹理单元分布,设计的核方法逼近实际纹理分布的情况如图1所示(其中,1、2分别为实际纹理分布与自设计的核方法估计)。
引入误差函数:
对硫浮选泡沫纹理单元分布的描述,就转化成一组动态权系数。
步骤3:采用主元分析的方法建立基于动态权系数的主元模型,根据经验法确定主元个数;
采用主元分析的方法建立主元模型,设模型输入为动态权系数向量,为维矩阵,为数据样本数,为输入变量个数。为了避免变量不同量纲对结果的影响和便于数学上的处理,先对建模数据进行归一化处理。设的均值向量为,标准差向量为,则归一化后的输入向量为,,记归一化后的输入变量为,记的均值向量和协方差矩阵为和
步骤4:根据T2统计量表征主元模型内部变化的一种测度的特点,计算基于主元模型的T2统计量;
T2统计量是主元得分向量的标准平方和,指示每个采样点在变化趋势和幅值上偏离模型的程度,是表征主元模型内部变化的一种测度。为了检测硫浮选过程的波动,设计基于T2统计量的故障检测方法。对于第个样本动态权系数,T2统计量被定义为:
步骤5:基于F分布得到T2统计量的控制限,以该控制限作为硫浮选过程故障检测阈值;
T2统计量的控制限可以利用F分布进行计算:
第二步,根据正常泡沫图像库建立的主元模型得到的故障检测阈值与实时泡沫图像T2统计量值的比较,判断硫浮选过程状态。
实施例1:某铅锌厂湿法炼锌工艺硫浮选过程为例说明本发明的优越性。第一步,采集正常工况下硫浮选泡沫图像建立基于纹理单元分布的主元模型计算硫浮选过程故障检测阈值;第二步,根据实时泡沫图像计算T2统计量值,与故障检测阈值比较,判断硫浮选过程状态。精选槽采集的正常硫浮选泡沫图像和故障发生时的硫浮选泡沫图像如图2所示。这里的故障指的是液位偏高,导致翻矿浆现象。采用自设计的核方法逼近的正常硫浮选泡沫图像和故障硫浮选泡沫图像纹理分布图如图3(a)和图3(b)所示。图4所示为某一段连续时间内,随着液位的调节,故障发生前后输出纹理单元分布的3D mesh图(其中,3为发生故障处),基于T2统计量的故障检测结果如图5所示(其中,4为发生故障处,a为正常工况样本,b为故障控制限,c为故障工况样本),检测结果分析如附表1所示。从附表1可知采用基于纹理单元分布的故障检测方法可以检测出硫浮选过程故障,给出报警提示,指导操作人员及时调整液位,消除故障。
硫浮选生产现场按天化验硫精矿品位值,该方法应用前后的现场硫精矿品位对比如图6所示(其中,5、6分别为使用前与使用后)。从图中可看出使用基于纹理单元分布的故障检测方法,操作人员能及时发现故障并进行调整,使出口硫精矿品位波动范围从28.64%缩小到14.33%,且硫精矿品位稳定在60%以上,月均精矿品位值从59.78%提高到72.98%。
其结果表明,本发明所提出的方法充分考虑了实际硫浮选泡沫纹理分布的特殊性,采用自设计的核函数逼近输出纹理单元分布,建立的基于主元模型的T2统计量的故障检测方法能准确快速判断硫浮选故障,稳定了硫浮选生产过程,提高了硫精矿品位。
附表1:
项目 | 样本数 | 正确检测个数 | 误判率 |
正常图像 | 150 | 144 | 4% |
故障图像 | 106 | 95 | 10.38% |
合计 | 256 | 239 | 6.64% |
Claims (2)
1.一种基于纹理单元分布的硫浮选过程故障检测方法,其特征在于包含以下步骤:
第一步,根据正常工况下硫浮选泡沫图像构建的图像库,基于纹理单元提取纹理特征,设计非参数核密度估计算子逼近泡沫实际纹理单元分布得到动态权系数,采用主元分析的方法建立基于动态权系数的主元模型,最后根据基于主元模型的T2统计量得到故障检测阈值,具体包括:
步骤1:基于纹理单元提取泡沫纹理特征;
步骤2:根据计算的纹理单元值,设计非参数核密度估计算子逼近实际的纹理单元分布,得到描述纹理特征的动态权系数;
根据函数逼近原则,用下述设计的非参数核密度估计算子来逼近实际纹理单元分布:
步骤3:采用主元分析的方法建立基于动态权系数的主元模型,根据经验法确定主元个数;
设模型输入为动态权系数向量,为维矩阵,为数据样本数,为输入变量个数,为了避免变量不同量纲对结果的影响和便于数学上的处理,先对建模数据进行归一化处理,记归一化后的输入变量为 ,对进行主元分析,采用经验法确定主元个数,可分解为:
步骤4:根据T2统计量表征主元模型内部变化的一种测度的特点,计算基于主元模型的T2统计量;
步骤5:基于F分布得到T2统计量的控制限,以该控制限作为硫浮选过程故障检测阈值;
T2统计量的控制限的计算:
第二步,根据正常泡沫图像库建立的主元模型得到的故障检测阈值与实时泡沫图像的T2统计量值的比较,判断硫浮选过程状态;
步骤1:应用第一步中前4个步骤计算实时泡沫图像的T2统计量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100947093A CN102681473A (zh) | 2012-04-01 | 2012-04-01 | 一种基于纹理单元分布的硫浮选过程故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100947093A CN102681473A (zh) | 2012-04-01 | 2012-04-01 | 一种基于纹理单元分布的硫浮选过程故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102681473A true CN102681473A (zh) | 2012-09-19 |
Family
ID=46813550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100947093A Pending CN102681473A (zh) | 2012-04-01 | 2012-04-01 | 一种基于纹理单元分布的硫浮选过程故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102681473A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808652A (zh) * | 2015-04-20 | 2015-07-29 | 中国石油化工股份有限公司 | 化工装置运行状态评分方法 |
CN107704680A (zh) * | 2017-09-29 | 2018-02-16 | 北京航空航天大学 | 一种消费品安全伤害发生概率的计算方法 |
CN108181891A (zh) * | 2017-12-13 | 2018-06-19 | 东北大学 | 基于智能核主元分析的工业大数据故障诊断方法 |
CN109740727A (zh) * | 2018-12-05 | 2019-05-10 | 中国软件与技术服务股份有限公司 | 一种基于神经网络的水轮机转轴状态监测方法和*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5396260A (en) * | 1992-12-22 | 1995-03-07 | The Center For Innovative Technology | Video instrumentation for the analysis of mineral content in ores and coal |
CN1399579A (zh) * | 1999-11-24 | 2003-02-26 | 奥托库姆普联合股份公司 | 对泡沫浮选工厂的监视和控制 |
CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
CN101446827A (zh) * | 2008-11-06 | 2009-06-03 | 西安交通大学 | 一种流程工业***的过程故障分析装置及方法 |
CN101566848A (zh) * | 2009-05-27 | 2009-10-28 | 中南大学 | 基于泡沫尺寸统计分布的浮选过程故障诊断方法 |
CN101738435A (zh) * | 2009-11-30 | 2010-06-16 | 浙江大学 | 气固流化床反应器内聚合物结块的动态故障诊断方法 |
CN102033523A (zh) * | 2009-09-25 | 2011-04-27 | 上海宝钢工业检测公司 | 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法 |
-
2012
- 2012-04-01 CN CN2012100947093A patent/CN102681473A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5396260A (en) * | 1992-12-22 | 1995-03-07 | The Center For Innovative Technology | Video instrumentation for the analysis of mineral content in ores and coal |
CN1399579A (zh) * | 1999-11-24 | 2003-02-26 | 奥托库姆普联合股份公司 | 对泡沫浮选工厂的监视和控制 |
CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
CN101446827A (zh) * | 2008-11-06 | 2009-06-03 | 西安交通大学 | 一种流程工业***的过程故障分析装置及方法 |
CN101566848A (zh) * | 2009-05-27 | 2009-10-28 | 中南大学 | 基于泡沫尺寸统计分布的浮选过程故障诊断方法 |
CN102033523A (zh) * | 2009-09-25 | 2011-04-27 | 上海宝钢工业检测公司 | 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法 |
CN101738435A (zh) * | 2009-11-30 | 2010-06-16 | 浙江大学 | 气固流化床反应器内聚合物结块的动态故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
《中国优秀硕士学位论文全文数据库•信息科技辑》 20110315 程翠兰 基于颜色与纹理特征的矿物浮选精选泡沫分类 I138-1033 第2011年卷, 第3期 * |
程翠兰: "基于颜色与纹理特征的矿物浮选精选泡沫分类", 《中国优秀硕士学位论文全文数据库•信息科技辑》, vol. 2011, no. 3, 15 March 2011 (2011-03-15), pages 138 - 1033 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808652A (zh) * | 2015-04-20 | 2015-07-29 | 中国石油化工股份有限公司 | 化工装置运行状态评分方法 |
CN107704680A (zh) * | 2017-09-29 | 2018-02-16 | 北京航空航天大学 | 一种消费品安全伤害发生概率的计算方法 |
CN108181891A (zh) * | 2017-12-13 | 2018-06-19 | 东北大学 | 基于智能核主元分析的工业大数据故障诊断方法 |
CN108181891B (zh) * | 2017-12-13 | 2020-05-05 | 东北大学 | 基于智能核主元分析的工业大数据故障诊断方法 |
CN109740727A (zh) * | 2018-12-05 | 2019-05-10 | 中国软件与技术服务股份有限公司 | 一种基于神经网络的水轮机转轴状态监测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018212323B2 (en) | Mineral recovery control | |
CN102681473A (zh) | 一种基于纹理单元分布的硫浮选过程故障检测方法 | |
Alves et al. | Universal fluctuations in radial growth models belonging to the KPZ universality class | |
CN107301657B (zh) | 一种考虑目标运动信息的视频目标跟踪方法 | |
CN104483962A (zh) | 基于多向正交局部保持投影的间歇过程在线故障检测方法 | |
CN103092078A (zh) | 多阶段间歇生产过程的全程优化方法 | |
CN101853243A (zh) | ***模型未知的自适应卡尔曼滤波方法 | |
CN104828517B (zh) | 基于视觉的皮带跑偏检测方法 | |
CN107401140B (zh) | 支流尾闾河段造床流量的确定方法 | |
CN108647722B (zh) | 一种基于过程尺寸特征的锌矿品位软测量方法 | |
CN106683405B (zh) | 基于道路车流密度的道路交通状态评价方法 | |
CN106372320B (zh) | 一种采用亚滤波尺度模型对公路隧道湍流进行大涡模拟的方法 | |
CN101566848A (zh) | 基于泡沫尺寸统计分布的浮选过程故障诊断方法 | |
CN104268600A (zh) | 一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法 | |
CN104463876A (zh) | 一种基于自适应滤波的复杂背景下图像多圆快速检测方法 | |
CN109934456A (zh) | 一种用于对采集运维***进行智能故障检测的方法及*** | |
CN102592290A (zh) | 一种针对水下显微视频的运动目标区域检测方法 | |
Stano et al. | Estimation of the soil-dependent time-varying parameters of the hopper sedimentation model: The FPF versus the BPF | |
CN104001739A (zh) | 一种冷轧平整轧制压力的获取方法及装置 | |
CN105372651A (zh) | 基于最优ar模型的自适应机动目标跟踪方法 | |
CN108226887A (zh) | 一种观测量短暂丢失情况下的水面目标救援状态估计方法 | |
CN113095164A (zh) | 基于强化学习和标志点表征的车道线检测定位方法 | |
CN102339381B (zh) | 一种基于粒子位置调整的粒子滤波视频运动目标跟踪方法 | |
CN102880869A (zh) | 基于先验知识的马尔科夫随机场指纹方向场提取方法 | |
CN102354376B (zh) | 对测风数据进行补缺修正的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120919 |