一种选矿生产指标监控系统及方法
专利汇可以提供一种选矿生产指标监控系统及方法专利检索，专利查询，专利分析的服务。并且本 发明 一种选矿生产指标 监控系统 及方法，属于选矿生产过程技术领域，本发明包括数据获取、指标影响因素筛选、指标监视、案例库维护、指标异常分析和数据存储；实现了对选矿重要生产指标影响因素的深入分析和对选矿重要生产指标异常情况时的分析，提高了选矿重要生产指标监控的有效程度；实现对目前选矿生产指标监控仅仅是对所有选矿生产指标的统计显示、没有研究如何通过分析各种生产指标之间的相互影响关系来对企业最关心的重要生产指标进行有效监视，没有对选矿过程中指标异常原因进行分析和处理，从而导致难以对选矿过程的重要生产指标进行在线的有效监控问题的解决。，下面是一种选矿生产指标监控系统及方法专利的具体信息内容。
1.一种选矿生产指标监控系统，其特征在于，包括数据获取单元、指标影响因素筛选单元、指标监视单元、案例库维护单元、指标异常分析单元和数据存储单元，其中，数据获取单元：用于获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标，并将获取的数据发送至指标影响因素筛选单元和数据存储单元中；
指标影响因素筛选单元：用于根据实际需求确定监控指标和与监控指标有影响关系的多个影响生产指标，并采用基于PLS-VIP的选矿生产指标筛选方法，从选取的多个影响生产指标中进一步筛选，确定关键生产指标，并将关键生产指标发送至案例库维护单元；
案例库维护单元：用于对指标异常分析中用到的案例库进行维护，包括添加案例、修正案例、删除案例和查看案例；
指标监视单元：用于根据监控指标的监视画面，在线实时监控关键生产指标的数值，并发送至指标异常分析单元；
指标异常分析单元：用于当监控指标发生异常时，采用基于案例推理方法，根据案例库中记载的历史案例，确定当前指标异常情况所属案例；
数据存储单元：用于存储获取的选矿生产全流程生产指标历史数据、选取的监控指标、选取的与监控指标有影响关系的多个影响生产指标、实时检测的关键生产指标实际数值和案例库中记载的生产指标历史数据。
2.采用权利要求1所述的选矿生产指标监控系统进行的监控方法，其特征在于，包括以下步骤：
步骤1、获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标；
步骤2、根据实际需求，从选矿生产全流程生产指标中选取所需监控指标；
步骤3、根据实际需求，从选矿生产全流程生产指标中选取与监控指标有影响关系的多个影响生产指标；
步骤4、采用基于PLS-VIP的选矿生产指标筛选方法，从选取的多个影响生产指标中进一步筛选，确定关键生产指标，具体方法如下：
步骤4-1、根据历史数据，确定多组影响生产指标的具体数值，将该生产指标作为自变量，并构建自变量数据矩阵；
自变量数据矩阵的行数为影响生产指标的组数，矩阵的列数为影响生产指标的个数，矩阵的元素为影响生产指标的具体数值；
步骤4-2、根据历史数据，确定多组监控指标的具体数值，将监控指标为因变量，并构建因变量数据矩阵；
因变量数据矩阵的行数为监控指标的组数，矩阵的列数为监控指标的个数，矩阵的元素为监控指标的具体数值；
步骤4-3、对自变量数据矩阵和因变量数据矩阵进行标准化处理；
步骤4-4、采用NIPALS方法对自变量数据矩阵和因变量数据矩阵进行主成分提取；
步骤4-5、确定每个自变量的变量投影重要性指标；
其中，VIPj为第j个自变量的变量投影重要性指标，j＝1，2，...，p，p为自变量个数；
s为主成分提取的总次数；
th为从自变量数据矩阵中第h次提取的主成分；
whj为矩阵 的最大特征值所对应单位特征向量wh的第j个分量，Eh-1表示
第h-1次主成分提取中获得的自变量数据矩阵，Fh-1表示第h-1次主成分提取中获得的因变量数据矩阵；F0为因变量数据矩阵Y标准化处理后的矩阵；
Rd(yj；th)为th对因变量数据矩阵Y的解释能力；
2
Rd(yj；th)＝r(yj；th)，r(yj；th)为th与因变量yj的简单相关系数；
为t1，...，ts对因变量数据矩阵Y的累积解释能力；
步骤4-6、判断每个自变量的变量投影重要性指标是否大于等于变量投影重要性指标阈值，若是，则保留该自变量，即保留对应影响生产指标，当所有自变量均判断完成后执行步骤4-8，否则，删除该自变量，即删除对应影响生产指标，当所有自变量均判断完成后执行步骤4-7；
步骤4-7、将剩余的自变量重新构成自变量数据阵，即将多组剩余影响生产指标重新构成自变量数据阵，并返回执行步骤4-4至步骤4-6，直至剩余每个自变量的变量投影重要性指标均大于等于变量投影重要性指标阈值；
步骤4-8、将最终剩余的自变量，即最终剩余的影响生产指标作为关键生产指标；
步骤5、根据获得的关键生产指标，查询案例库，确定监控指标异常时，关键生产指标对应的数值，及该情况下案例库中所存储的分析结果和调整方案；
步骤6、现场工作人员根据监控指标的监视画面，在线实时监控关键生产指标的数值，当监控指标发生异常时，采用基于案例推理方法，根据案例库中记载的历史案例，确定当前指标异常情况所属案例，具体方法如下：
步骤6-1、获取当前关键生产指标的具体数值；
步骤6-2、确定发生异常的关键生产指标；
即将每个关键生产指标的实际数值与其设定值做差，将差的绝对值与关键生产指标的实际数值相除获得指标差异率，将指标差异率与其设置阈值相比较，若大于设定指标差异率阈值，则该关键生产指标发生异常；
步骤6-3、采用最近相邻法，确定当前监控指标异常情况与案例库中每个案例的相似度：
其中，Gin为当前指标异常情况；
Gk为案例库中第k个案例；
m为关键生产指标的个数；
ωi为第i个关键生产指标相对于监控指标影响的权值；
SIM(Gin，Gk)为当前指标异常情况与第k个案例的相似度；
vi，k为第k个案例中的第i个特征的值，即第i个关键生产指标；
sim(vi，vi，k)为当前指标异常情况下第i个关键生产指标，与第k个案例中第i个关键生产指标的相似度，计算如下：
步骤7、选择当前监控指标异常情况与历史案例相似度最高的案例，作为当前指标异常情况所属案例，根据案例库中该案例记载的分析结果和调整方案，将具体的生产调整指导措施下发到相应生产工序进行现场调整，保证监控指标满足要求。
3.根据权利要求2所述的监控方法，其特征在于，步骤1所述的质量指标包括选矿综精品位、选矿综精水分、选矿综精烧损Ig、选矿综精S、选矿综精CaO、选矿综精SiO2、测算烧结矿品位、测算烧结矿SiO2、综精粒度、综精测算达标率、综精SiO2达标率、综合块矿率、一次溢流回收率、焙烧矿品位、废石品位、弱磁磁精品位、弱磁磁精SiO2、弱磁磁精CaO、弱磁磁精Ig、弱磁入磨品位、弱精品位、弱尾品位、弱磁磁尾品位、三磁精品位、弱精品位合格率、浮选给矿品位、浮选给矿SiO2、弱磁浮尾品位、弱磁浮精SiO2、强磁入磨品位、强精品位、强磁综合尾矿品位、平环综精品位、高梯度综精品位、高梯度尾矿品位、强精品位合格率、强精SiO2、强磁入选粒度、强磁入选浓度、1-2旋溢浓度、2-2旋溢浓度、弱磁三次浓度、磁选尾矿品位、磁选尾矿浓度、全选比、一次溢流收率合格率、废石斗数、废石量、废石产率、弱磁选理论金属回收率、弱磁选理论选矿比、浮选选比、强磁选理论金属回收率、强磁选理论选矿比和各种原矿的品位、S含量、SiO2含量和CaO含量和水份；
所述的计量指标包括包含水份的选矿综精产量、去除水份的选矿综精产量、弱磁精矿产量、强磁精矿产量、选3#矿量、块1#矿量、粉2#矿量、成品-2#矿量、废石-1#矿量、2X精
4#矿量、1-1#球磨矿量、2-1#球磨矿量、3-1#球磨矿量、4-1#球磨矿量、强磁给矿量、弱磁给矿量、下山矿量和各种原矿的干重和湿重；
所述的设备运行统计指标包括原矿炉运时、强磁球磨机运时、弱磁球磨机运时、球磨机作业率、强磁球磨机作业率和弱磁球磨机作业率，作业率是球磨机运时与总时间的比率；
所述的矿仓料位指标包括储运贮矿仓料位、一次筛分矿仓料位、二次筛分矿仓料位、强磁矿仓料位和弱磁矿仓料位；
所述的工艺指标包括竖炉加热煤气量，竖炉还原煤气量，强磁选机电流，强磁机漂水洗电流，立环机电流，立环机漂水洗电流，浮选药剂，浓缩大井的浓度、频率、流量，加压过滤机的加压仓压力；
所述的能源指标包括电、中水、新水、焦炉煤气、高炉煤气、蒸汽、生活水的单耗和总耗；
所述的成本指标包括原料单位成本、原料总成本、能源单位成本和能源总成本。
4.根据权利要求2所述的监控方法，其特征在于，步骤4-4所述的采用NIPALS方法对自变量数据矩阵和因变量数据矩阵进行主成分提取，具体方法如下：
步骤4-4-1、获得矩阵 的最大特征值所对应的单位特征向量wh，进而获得
自变量的第h个主成分th：
th＝Eh-1wh (4)
其中，Eh-1表示第h-1次主成分提取中获得的自变量数据矩阵，Fh-1表示第h-1次主成分提取中获得的因变量数据矩阵； 为第h-1次主成分提取中获得的因变量数据矩阵的转置矩阵， 为第h-1次主成分提取中获得的自变量数据矩阵的转置矩阵；当h＝1时，E0表示构建的自变量数据矩阵，F0表示构建的因变量数据矩阵；
步骤4-4-2、获得矩阵 的最大特征值所对应的单位特征向量ch，进而获得
因变量的第h个主成分uh：
uh＝Fh-1ch (5)
步骤4-4-3、根据自变量的第h主成分和因变量的第h主成分，获得因变量数据矩阵和因变量数据矩阵的残差矩阵：
其中，ph表示th在自变量数据矩阵上的载荷，
rh表示uh在因变量数据矩阵上的载荷，
步骤4-4-4、判断此时的主成分th对因变量数据矩阵Y的交叉有效性值是否小于设定值，若是，则完成对自变量数据矩阵和因变量数据矩阵进行主成分提取，否则，执行步骤
4-4-5；
交叉有效性值计算公式如下：
其中， 表示第h次提取的主成分th对因变量数据矩阵Y的交叉有效性；
j＝1，2，...，q，q为因变量个数，PRESSj(h)为因变量yj
的预测误差平方和： yij表示第i组数据中的第j个因变量
的值， 表示yij在自变量样本点x(i)上的预测值；i＝1，2，...，n，n为所需监控指标的组数；
SSj(h-1) 表 示 yj 的 拟 合 误 差 平 方 和；
yij表示第i组数据中的第j个因变量的值， 表示yj
(i)
在在自变量样本点x 上的拟合值；
步骤4-4-5、返回执行步骤4-4-1至步骤4-4-4，直至主成分th对因变量Y的交叉有效性值小于设定值，完成对自变量数据矩阵和因变量数据矩阵进行主成分提取。
一种选矿生产指标监控系统及方法
技术领域
背景技术
由自动摄像模块监视，通过PLC加单轴控制伺服电动机驱动机械构件实现最佳床身坡度控
制；由自动摄像模块监视，通过PLC控制机械构件实现锡精矿接取位置控制。从而确保摇床给矿浓度、体积量稳定在最佳状态，提高选别指标。“201310704334.2(一种设备能力变化条件下的选矿综合生产指标优化方法)”在设备检修或设备故障导致设备能力出现变化时，针对选矿综合生产指标优化目标及约束条件对各原矿处理量进行调整优化，进而实现选矿综
合生产指标优化。“201310647027.5(一种选矿过程运行指标优化方法)”对质量指标和产
量指标进行预报，得到质量指标预报值和产量指标预报值，校正运行指标目标值的预设定
值，得到运行指标优化值。“201310723320.5(可视化选矿生产全流程工艺指标优化决策系统及方法)”对算法进行封装、配置数据接口、配置数据类型，或者对封装好的算法模块进行修改；组态形成选矿生产全流程控制策略；对趋势分组以及变量数据分组配置并动态配置
显示界面。上述专利主要针对的是对选矿生产指标设定值如何进行优化，而没有研究如何
通过研究各种生产指标之间的相互影响关系来对企业最关心的重要生产指标进行有效监
视，更没有对选矿生产过程中指标异常原因进行分析和处理，因此难以对选矿重要生产指
标进行在线的有效监控。
发明内容
高选矿重要生产指标监控有效程度的目的。
影响生产指标中进一步筛选，确定关键生产指标，并将关键生产指标发送至案例库维护单
元；
数值和案例库中记载的生产指标历史数据。
因变量数据矩阵；F为因变量数据矩阵Y标准化处理后的矩阵；
差异率阈值，则该关键生产指标发生异常；
2X精4#矿量、1-1#球磨矿量、2-1#球磨矿量、3-1#球磨矿量、4-1#球磨矿量、强磁给矿量、弱磁给矿量、下山矿量和各种原矿的干重和湿重；
阵的转置矩阵， 为第h-1次主成分提取中获得的自变量数据矩阵的转置矩阵；当h＝1
时，E0表示构建的自变量数据矩阵，F0表示构建的因变量数据矩阵；
量的值， 表示yij在自变量样本点x(i)上的预测值；i＝1，2，...，n，n为所需监控指
标的组数；
(i)
在在自变量样本点x 上的拟合值；
效监视和没有对选矿过程中指标异常原因进行分析和处理，从而导致难以对选矿过程的重
要生产指标进行在线的有效监控的问题，本发明提出了一种选矿生产指标监控系统及方
法，包括数据获取、指标影响因素筛选、指标监视、案例库维护、指标异常分析和数据存储；
实现了对选矿重要生产指标影响因素的深入分析和对选矿重要生产指标异常情况时的分
析，提高了选矿重要生产指标监控的有效程度。
附图说明
具体实施方式
影响生产指标中进一步筛选，确定m(m＜p)个关键生产指标，并将关键生产指标发送至案
例库维护单元；
系的m个关键生产指标值；
数值和案例库中记载的生产指标历史数据。
和水份；
2X精4#矿量、1-1#球磨矿量、2-1#球磨矿量、3-1#球磨矿量、4-1#球磨矿量、强磁给矿量、弱磁给矿量、下山矿量和各种原矿的干重和湿重；
位、平环精矿品位、平环尾矿品位、高梯度尾矿品位、综精粒度(-200目)、强磁入选粒度、
1-2旋溢浓度、2-2旋溢粒度、2-2旋溢浓度、弱磁三次粒度(-300目)、弱磁三次浓度、弱磁磁精品位、弱磁磁精SiO2、弱磁磁精CaO、弱磁入磨品位、弱精品位、弱磁磁尾品位、三磁精品位、浮选给矿品位、浮选给矿SiO2、弱磁浮精品位、弱磁浮精SiO2、一次溢流回收率、磁选尾矿品位、预选矿品位、黑沟矿品位、周边矿品位、进口粉矿品位；
30)和因变量数据阵Y＝(yij)151×1(i＝1，....，151；j＝1)；
2013/5/115：00：00 31.8 44.5 … 33.45 61.55 54.3
2013/5/117：00：00 32.7 46 … 33.86 60.5 53.56
2013/5/119：00：00 32.7 45.6 … 35.71 62.1 53.8
2013/5/121：00：00 31.15 44.9 … 36.45 60.4 53.6
… … … … … … …
2013/5/1313：00：00 30.6 45.9 … 34.86 59.65 53.05
2013/5/1315：00：00 32.1 46.9 … 32.05 60.5 53.03
2013/5/1317：00：00 30.6 46.6 … 34.79 60.5 53.45
2013/5/1319：00：00 31.55 46.8 … 31.95 61.35 53.21
2013/5/1321：00：00 33.55 47.7 … 32.2 58.6 53.21
均值；为因变量数据矩阵Y的第j列数据的平均值； 为自变量数据矩阵的第j列数据的
标准差； 为因变量数据矩阵的第j列数据的标准差；标准化处理后的数据如表2所示：
0.8243 -0.5540 … -0.2898 0.6957 1.3693
1.5881 0.7264 … -0.1137 -0.2555 0.0923
1.5881 0.3850 … 0.6813 1.1940 0.5065
0.2726 -0.2125 … 0.9993 -0.3461 0.1614
… … … … … …
-0.1942 0.6410 … 0.3160 -1.0256 -0.7877
1.0789 1.4946 … -0.8914 -0.2555 -0.8222
-0.1942 1.2385 … 0.2860 -0.2555 -0.0975
0.6121 1.4092 … -0.9344 0.5145 -0.5116
2.3096 2.1775 … -0.8270 -1.9765 -0.5116
阵的转置矩阵， 为第h-1次主成分提取中获得的自变量数据矩阵的转置矩阵；当h＝1
时，E0表示构建的自变量数据矩阵，F0表示构建的因变量数据矩阵；
2，...，n)之后，用剩余的n-1个样本点拟合出含h个主成分的回归方程，再对x (i＝1，
2，...，n)点进行预测的预测误差平方和； j＝1，2，...，q，q为
因变量个数，PRESSj(h)为因变量yj的预测误差平方和： yij
(i)
表示第i组数据中的第j个因变量的值， 表示yij在自变的样本点x 上的预测值；
i＝1，2，...，n，n为所需监控指标的组数；
SSj(h-1)表示yj的拟合误差平方和； yij表示第i组数据中的
(i)
第j个因变量的值， 表示yj在在自变量样本点x 上的拟合值；
因变量数据矩阵；F为因变量数据矩阵Y标准化处理后的矩阵；
1.1429 1.6407 0.3584 0.7038 0.7366 0.8411 0.4653 1.4239 0.7269 0.2308
VIP11 VIP12 VIP13 VIP14 VIP15 VIP16 VIP17 VIP18 VIP19 VIP20
0.9706 1.4896 0.8272 1.5537 1.1864 0.3337 1.1429 1.0532 0.2217 1.0162
VIP21 VIP22 VIP23 VIP24 VIP25 VIP26 VIP27 VIP28 VIP29 VIP30
1.2922 1.0402 0.7837 0.8845 1.9651 0.5056 1.1204 0.4164 0.5034 0.7217
关键生产指标值；案例库中的案例解特征包括分析结果与调整方案；案例库结构如表4所
示：
矿品位指标值和筛选出的与选矿综合精矿品位有主要影响关系的8个关键生产指标值；图
4～图12为历史时间段的选矿综合精矿品位的监视画面，图13～图21为选矿综合精矿品
位的在线实时监视画面；
生产调整指导措施为：加强对粉矿的监督、加强对原料质量的监控，将生产调整指导措施下发到相应生产工序进行现场调整，保证选矿综合精矿品位指标满足要求。
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
-
3 一种气动磁选机
-
6 环带式磁选机
-
8 永磁感应式磁选机
-
10 低品位铁矿石选矿装置
