CN106406257A - 一种基于案例推理的铁矿浮选精矿品位软测量方法及*** - Google Patents
一种基于案例推理的铁矿浮选精矿品位软测量方法及*** Download PDFInfo
- Publication number
- CN106406257A CN106406257A CN201610902423.1A CN201610902423A CN106406257A CN 106406257 A CN106406257 A CN 106406257A CN 201610902423 A CN201610902423 A CN 201610902423A CN 106406257 A CN106406257 A CN 106406257A
- Authority
- CN
- China
- Prior art keywords
- case
- flotation
- concentrate grade
- new
- iron ore
- 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.)
- Granted
Links
- 238000005188 flotation Methods 0.000 title claims abstract description 89
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 64
- 239000012141 concentrate Substances 0.000 title claims abstract description 52
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 32
- 238000000691 measurement method Methods 0.000 title claims abstract description 13
- 238000004519 manufacturing process Methods 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000005273 aeration Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacture And Refinement Of Metals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于案例推理的铁矿浮选精矿品位软测量方法及***。该方法包括:从铁矿浮选生产过程中提取历史生产数据;构建浮选案例库;在浮选案例库中进行案例检索,得到一组相似度值;将相似度值从大到小排列,选取前n个相似度值对应的案例描述作为当前工况的参考案例;求取n个参考案例的每种案例解的加权平均值,案例重用获得新的案例解;案例检索找到具有最大相似度值的案例描述,若该最大相似度值大于相似度阈值,则舍弃新的浮选案例,否则,用新的浮选案例替换该具有最大相似度值的案例描述。本发明借助于铁矿浮选精矿品位相关的可测生产数据,给出不同工况下的浮选精矿品位软测量值,可以提高铁矿浮选生产的安全性、可靠性和经济性。
Description
技术领域
本发明属于软测量技术领域,具体涉及一种基于案例推理的铁矿浮选精矿品位软测量方法及***。
背景技术
在浮选生产过程中,精矿品位是表征铁矿浮选过程产品质量和生产效率的关键工艺指标。目前精矿品位的检测方法大多依靠人工离线化验检测,这种方法会使得数据存在很严重的滞后性,当工况发生变化时不能及时做出对应的调整策略,很有可能会造成矿浆中有用成分没有得到充分的选别或是浮选药剂过量,导致浮选效率低下,造成资源浪费。少数铁矿选矿厂通过品位分析仪对精矿品位进行在线检测,但品位分析仪价格昂贵且维护费用高,增加选矿成本。
发明内容
针对现有技术存在的不足,本发明提供一种基于案例推理的铁矿浮选精矿品位软测量方法及***。
一种基于案例推理的铁矿浮选精矿品位软测量方法,包括如下步骤:
步骤1:从铁矿浮选生产过程中提取历史生产数据,包括浮选精矿品位及浮选边界条件;
所述浮选边界条件,包括:给矿品位、给矿浓度、浮选时间、浮选温度、浮选浓度、充气量、浮选药剂用量;
步骤2:去除历史生产数据中的异常点,并以异常点的前一点数值和后一点数值的平均值作为代替值;
步骤3:根据去除异常点的历史生产数据,构建浮选案例库,将浮选边界条件为案例描述,浮选精矿品位为案例解,案例描述与案例解构成浮选案例;
步骤4:将铁矿浮选生产过程中实时获得的浮选边界条件作为新的案例描述,在浮选案例库中进行案例检索,得到新的案例描述与案例库中记载的各案例描述之间的一组相似度值;
步骤5:将相似度值从大到小排列,选取前n个相似度值对应的浮选案例库中的案例描述作为当前工况的参考案例;
步骤6:根据从案例库中检索出来的参考案例,求取n个参考案例的每种案例解的加权平均值,其中加权系数为每个案例与新案例的相似度,由此完成案例重用,获得新的案例解,即针对当前工况的浮选精矿品位软测量结果,新的案例描述和新的案例解构成新的浮选案例;
步骤7:对新的浮选案例的案例描述在浮选案例库中进行案例检索,找到与新的浮选案例的案例描述具有最大相似度值的浮选案例库中的案例描述,若该最大相似度值大于相似度阈值,则舍弃新的浮选案例,否则,用新的浮选案例替换该具有最大相似度值的浮选案例库中的案例描述,完成浮选案例库的更新。
所述的基于案例推理的铁矿浮选精矿品位软测量方法采用的铁矿浮选精矿品位软测量***,包括:
采集实时浮选生产数据的数据采集模块;
将数据采集模块采集的数据转发给以太网工控机的无线Zigbee传输模块;
接收无线Zigbee传输模块传来的数据并发送至精矿品位计算机的以太网工控机;
接收以太网工控机发送的数据进行精矿品位软测量和显示的精矿品位计算机;
数据采集模块的输出端连接无线Zigbee传输模块的输入端,无线Zigbee传输模块的输出端连接以太网工控机的输入端,以太网工控机的输出端连接精矿品位计算机的输入端。
有益效果:
本发明的基于案例推理的铁矿浮选精矿品位软测量方法,借助于铁矿浮选精矿品位相关的可测生产数据,给出不同工况下的浮选精矿品位软测量值,可以提高铁矿浮选生产的安全性、可靠性和经济性。相比于现在的人工离线化验检测方法,本发明提高了浮选生产效率,降低了出错的几率;相比于品位分析仪,本发明减少了设备的维护费用,降低了生产成本;现场数据自动保存,不需要人工记录,降低数据丢失、记录错误几率。
附图说明
图1是本发明具体实施方式基于案例推理的铁矿浮选精矿品位软测量方法流程图;
图2是本发明具体实施方式步骤7流程图;
图3是本发明具体实施方式铁矿浮选精矿品位软测量***框图。
具体实施方式
下面结合附图对本发明的具体实施做详细说明。
一种基于案例推理的铁矿浮选精矿品位软测量方法,如图1所示,包括如下步骤:
步骤1:从铁矿浮选生产过程中提取历史生产数据,包括浮选精矿品位及浮选边界条件;
所述浮选边界条件,包括:给矿品位、给矿浓度、浮选时间、浮选温度、浮选浓度、充气量、浮选药剂用量,本实施方式浮选边界条件如表1:
表1浮选边界条件
结合历史数据、生产现场调研及浮选过程理论分析,上述浮选边界条件对浮选精矿品位有着直接的影响,并且所占比重很大。给矿品位、给矿浓度直接反应出浮选给矿性质;浮选时间、浮选温度直接影响浮选效果;浮选浓度、充气量、浮选药剂用量可直接影响浮选精矿品位,成正相关关系。
步骤2:去除历史生产数据中的异常点,并以异常点的前一点数值和后一点数值的平均值作为代替值;
通过分析历史数据,可以看到由于某些原因(如人为记录等),采集到的数据中会出现异常点,某一点的数据突变的特别严重,去除浮选精矿品位数据中的异常点,以异常点的前一点数值和后一点数值的平均值作为代替值;
步骤3:根据去除异常点的历史生产数据,构建浮选案例库,将浮选边界条件为案例描述,浮选精矿品位为案例解,案例描述与案例解构成浮选案例;
为了得到浮选精矿品位的软测量值,需要考虑当前的工况条件。案例的结构由案例描述和案例解两部分组成,案例描述是由给矿品位z1、给矿浓度%z2、浮选时间z3、浮选温度z4、浮选浓度%z5、充气量z6、浮选药剂用量z7组成;案例解为浮选精矿品位软测量值x1。本实施方式中浮选案例见表2:
表2浮选案例
基于案例推理技术的案例可以表示如下:
Ck={Fk,Jk}.
式中,Ck(k=1,...,m)表示第k条案例,m为案例数量;Fk={zk.1,zk.2,zk.3,zk.4,zk.5,zk.6,zk.7}为第k个案例描述,将案例描述简记为Fk={fk.1,...,fk.8};Jk={xk.1}为第k个案例的案例解,将案例解简记为Jk。
步骤4:将铁矿浮选生产过程中实时获得的浮选边界条件作为新的案例描述,在浮选案例库中进行案例检索,得到新的案例描述F与案例库中记载的各案例描述之间的一组相似度值,相似度为一个0到1之间的数,如0.88;
其中,ωi为案例描述权值,m为案例库中的案例数,SIM(fi,fk.i)为当前工况的案例描述fi与案例库中第k条案例对应的案例描述fk.i的相似度,定义为:
步骤5:将相似度值从大到小排列,选取前n个相似度值对应的浮选案例库中的案例描述作为当前工况的参考案例,在本实施方式中n的取值为3;
步骤6:根据从案例库中检索出来的参考案例,求取n个参考案例的每种案例解的加权平均值,其中加权系数为每个参考案例与新案例的相似度,由此完成案例重用,获得新的案例解即针对当前工况的浮选精矿品位软测量结果,其中,J为新的案例解(如68.82),Jk为参考案例的案例解,n为参考案例的数量,新的案例描述和新的案例解构成新的浮选案例;
n值的选择会对结果产生重大影响。n值较小意味着只有与新案例较接近的历史案例才会对新的案例解起作用,但容易发生过拟合;如果n值较大,与新案例较不接近的历史案例也会对预测起作用,使预测发生错误。在实际应用中,n值一般选择一个较小的数值,通常采用交叉验证的方法来选择最优的n值。
步骤7:对新的浮选案例的案例描述在浮选案例库中进行案例检索,找到与新的浮选案例的案例描述具有最大相似度值的浮选案例库中的案例描述,若该最大相似度值大于相似度阈值,则舍弃新的浮选案例,否则,用新的浮选案例替换该具有最大相似度值的浮选案例库中的案例描述,完成浮选案例库的更新。
如图2所示,步骤7的具体步骤如下:
步骤7.1:设定一个相似度阈值;相似度阈值的具体取值取决于案例库中历史案例的数量,设历史案例的数量为c,相似度阈值为v,若c<200则v=0.9;若200<c<500则v=0.8;若c>500则v=0.7。
步骤7.2:对新的浮选案例的案例描述在浮选案例库中进行案例检索,找到与新的浮选案例的案例描述具有最大相似度值的浮选案例库中的案例描述;
步骤7.3:若该最大相似度值大于相似度阈值,则舍弃新的浮选案例,否则,用新的浮选案例替换该具有最大相似度值的浮选案例库中的案例描述,完成浮选案例库的更新。
所述的基于案例推理的铁矿浮选精矿品位软测量方法采用的铁矿浮选精矿品位软测量***,如图3所示,包括:
采集实时浮选生产数据的数据采集模块;
将数据采集模块采集的数据转发给以太网工控机的无线Zigbee传输模块;
接收无线Zigbee传输模块传来的数据并发送至精矿品位计算机的以太网工控机;
接收以太网工控机发送的数据进行精矿品位软测量和显示的精矿品位计算机,通过人机交互界面显示精矿品位软测量结果;
数据采集模块的输出端连接无线Zigbee传输模块的输入端,无线Zigbee传输模块的输出端连接以太网工控机的输入端,以太网工控机的输出端连接精矿品位计算机的输入端。
本发明的基于案例推理的铁矿浮选精矿品位软测量方法与现在的人工离线化验检测方法相比较具有以下的优点:提高了浮选生产效率,降低了出错的几率。与品位分析仪相比较具有以下的优点:减少了设备的维护费用,降低了生产成本;现场数据自动保存,不需要人工记录,降低数据丢失、记录错误几率。
Claims (2)
1.一种基于案例推理的铁矿浮选精矿品位软测量方法,其特征在于:包括如下步骤:
步骤1:从铁矿浮选生产过程中提取历史生产数据,包括浮选精矿品位及浮选边界条件;
所述浮选边界条件,包括:给矿品位、给矿浓度、浮选时间、浮选温度、浮选浓度、充气量、浮选药剂用量;
步骤2:去除历史生产数据中的异常点,并以异常点的前一点数值和后一点数值的平均值作为代替值;
步骤3:根据去除异常点的历史生产数据,构建浮选案例库,将浮选边界条件为案例描述,浮选精矿品位为案例解,案例描述与案例解构成浮选案例;
步骤4:将铁矿浮选生产过程中实时获得的浮选边界条件作为新的案例描述,在浮选案例库中进行案例检索,得到新的案例描述与案例库中记载的各案例描述之间的一组相似度值;
步骤5:将相似度值从大到小排列,选取前n个相似度值对应的浮选案例库中的案例描述作为当前工况的参考案例;
步骤6:根据从案例库中检索出来的参考案例,求取n个参考案例的每种案例解的加权平均值,其中加权系数为每个案例与新案例的相似度,由此完成案例重用,获得新的案例解,即针对当前工况的浮选精矿品位软测量结果,新的案例描述和新的案例解构成新的浮选案例;
步骤7:对新的浮选案例的案例描述在浮选案例库中进行案例检索,找到与新的浮选案例的案例描述具有最大相似度值的浮选案例库中的案例描述,若该最大相似度值大于相似度阈值,则舍弃新的浮选案例,否则,用新的浮选案例替换该具有最大相似度值的浮选案例库中的案例描述,完成浮选案例库的更新。
2.如权利要求1所述的基于案例推理的铁矿浮选精矿品位软测量方法采用的铁矿浮选精矿品位软测量***,其特征在于,包括:
采集实时浮选生产数据的数据采集模块;
将数据采集模块采集的数据转发给以太网工控机的无线Zigbee传输模块;
接收无线Zigbee传输模块传来的数据并发送至精矿品位计算机的以太网工控机;
接收以太网工控机发送的数据进行精矿品位软测量和显示的精矿品位计算机;
数据采集模块的输出端连接无线Zigbee传输模块的输入端,无线Zigbee传输模块的输出端连接以太网工控机的输入端,以太网工控机的输出端连接精矿品位计算机的输入端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610902423.1A CN106406257B (zh) | 2016-10-17 | 2016-10-17 | 一种基于案例推理的铁矿浮选精矿品位软测量方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610902423.1A CN106406257B (zh) | 2016-10-17 | 2016-10-17 | 一种基于案例推理的铁矿浮选精矿品位软测量方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106406257A true CN106406257A (zh) | 2017-02-15 |
CN106406257B CN106406257B (zh) | 2019-01-15 |
Family
ID=58011998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610902423.1A Active CN106406257B (zh) | 2016-10-17 | 2016-10-17 | 一种基于案例推理的铁矿浮选精矿品位软测量方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106406257B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108469797A (zh) * | 2018-04-28 | 2018-08-31 | 东北大学 | 一种基于神经网络和进化计算的磨矿过程建模方法 |
CN111198550A (zh) * | 2020-02-22 | 2020-05-26 | 江南大学 | 基于案例推理的云端智能生产优化调度在线决策方法及*** |
CN112905632A (zh) * | 2021-01-19 | 2021-06-04 | 浙江中控技术股份有限公司 | 一种基于参数案例的常减压设备配置方法及装置 |
CN115128950A (zh) * | 2022-06-16 | 2022-09-30 | 矿冶科技集团有限公司 | 破碎筛分控制方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5581664A (en) * | 1991-03-04 | 1996-12-03 | Inference Corporation | Case-based reasoning system |
CN1749891A (zh) * | 2005-10-19 | 2006-03-22 | 东北大学 | 选矿过程综合生产指标智能优化控制方法 |
CN104318313A (zh) * | 2014-09-19 | 2015-01-28 | 东北大学 | 基于案例推理的选矿全流程运行指标智能决策***及方法 |
-
2016
- 2016-10-17 CN CN201610902423.1A patent/CN106406257B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5581664A (en) * | 1991-03-04 | 1996-12-03 | Inference Corporation | Case-based reasoning system |
CN1749891A (zh) * | 2005-10-19 | 2006-03-22 | 东北大学 | 选矿过程综合生产指标智能优化控制方法 |
CN104318313A (zh) * | 2014-09-19 | 2015-01-28 | 东北大学 | 基于案例推理的选矿全流程运行指标智能决策***及方法 |
Non-Patent Citations (3)
Title |
---|
李海波: "浮选过程混合智能优化设定控制方法", 《东北大学学报》 * |
耿增显: "基于案例推理的浮选过程智能优化设定", 《东北大学学报》 * |
耿增显: "浮选药剂智能优化设定控制方法的研究", 《仪器仪表学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108469797A (zh) * | 2018-04-28 | 2018-08-31 | 东北大学 | 一种基于神经网络和进化计算的磨矿过程建模方法 |
CN108469797B (zh) * | 2018-04-28 | 2020-09-29 | 东北大学 | 一种基于神经网络和进化计算的磨矿过程建模方法 |
CN111198550A (zh) * | 2020-02-22 | 2020-05-26 | 江南大学 | 基于案例推理的云端智能生产优化调度在线决策方法及*** |
CN112905632A (zh) * | 2021-01-19 | 2021-06-04 | 浙江中控技术股份有限公司 | 一种基于参数案例的常减压设备配置方法及装置 |
CN115128950A (zh) * | 2022-06-16 | 2022-09-30 | 矿冶科技集团有限公司 | 破碎筛分控制方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106406257B (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109465676B (zh) | 一种刀具寿命预测方法 | |
CN111340791A (zh) | 一种基于gan改进算法的光伏组件无监督缺陷检测方法 | |
CN106406257A (zh) | 一种基于案例推理的铁矿浮选精矿品位软测量方法及*** | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测***和方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测***及方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN111080074B (zh) | 基于网络多特征关联的***服役安全态势要素获取方法 | |
CN106709816A (zh) | 基于非参数回归分析的电力负荷异常数据识别与修正方法 | |
CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
CN101908214B (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
CN110889441A (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
CN110826624A (zh) | 一种基于深度强化学习的时间序列分类方法 | |
CN115526515A (zh) | 一种水利水电用闸门的安全监测*** | |
CN105425777A (zh) | 一种基于主动学习的化工过程故障监控方法 | |
CN103902798B (zh) | 数据预处理方法 | |
Yan et al. | Estimation of copper concentrate grade for copper flotation | |
CN108956783A (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 | |
CN112817955A (zh) | 基于回归模型的数据清洗方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN105350963B (zh) | 一种基于相关性度量学习的煤岩识别方法 | |
CN110532699A (zh) | 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 | |
CN114692922B (zh) | 矿石可磨度获取方法、获取装置及预测模型 | |
CN114779098A (zh) | 一种锂离子电池的状态评估方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |