基于分布式动态图嵌入的浮选过程质量故障的检测方法 |
|||||||
申请号 | CN202311763992.9 | 申请日 | 2023-12-20 | 公开(公告)号 | CN117943211A | 公开(公告)日 | 2024-04-30 |
申请人 | 湖南大学; | 发明人 | 高云鹏; 张微; 罗芸; 孟茹; 周泳彬; | ||||
摘要 | 本 发明 公开了一种基于分布式动态图嵌入的浮选过程 质量 故障的检测方法,步骤1,采集浮选生产过程中浓度、PH值、 矿石 细度、 泡沫 层厚度、充其量等过程变量作为输入变量,浮选过程的精矿品位作为输出的质量指标;步骤2,基于互信息方法,建立过程变量与质量变量的互相关矩阵MI,计算平均 阈值 并选取关键变量;步骤3,基于浮选过程的生产工艺及现场经验,将关键性变量划分为Q个质量相关子 块 和B个质量不相关子块;步骤4:采用关键变量选取和子块分解结果,建立分布式动态图模型,实现进行质量相关故障检测;步骤5:采用贝叶斯融合网络,对监测结果融合决策。步骤6:根据监测结果,判断是否为质量相关故障。 | ||||||
权利要求 | 1.一种基于分布式动态图嵌入的浮选过程质量故障的检测方法,其特征在于,包括以下步骤: |
||||||
说明书全文 | 基于分布式动态图嵌入的浮选过程质量故障的检测方法技术领域[0001] 本发明涉及一种基于分布式动态图嵌入的浮选过程质量故障的检测方法。 背景技术[0002] 浮选工艺实现矿物的分选,并以品位作为最终的质量指标。然而,通常关于浮选过程的品位测量主要通过实验室化验获得,化验周期长且和生产过程未形成有效调节反馈。若通过对浮选生产过程中的过程变量和质量变量建立相关关系进行监测,可依据监测结果对生产过程进行实时调节生产指标,达到最优生产过程。 [0003] 传统的监控方法通过使用单一模型来表示整个过程。然而,随着现代工业的发展,选冶生产过程规模日益增大,存在大规模、多操作子过程的特点。采用集中的故障检测方法容易导致局部信息丢失。 [0004] 因此,有必要设计一种新的浮选过程质量故障的检测方法。 发明内容[0005] 本发明所要解决的技术问题是提供一种基于分布式动态图嵌入的浮选过程质量故障的检测方法,以解决目前浮选生产过程中质量相关故障检测检出率低,而误报率和漏报率高的问题。 [0006] 发明的技术解决方案如下: [0007] 一种基于分布式动态图嵌入的浮选过程质量故障的检测方法,包括以下步骤: [0008] 步骤1,采集浮选生产过程中的过程变量作为模型的输入变量,以浮选过程的精矿品位作为模型的输出的质量指标; [0010] 步骤2,基于互信息方法,建立过程变量与质量指标的互相关矩阵MI,计算平均阈值并选取关键变量; [0011] 步骤3,基于浮选过程的生产工艺及现场经验,将关键性变量划分为Q个质量相关子块和B个质量不相关子块; [0012] 步骤4:采用关键变量选取和子块分解结果,建立分布式动态图模型,进行质量相关故障检测;获得监测结果; [0013] 分布式动态图模型的监测结果为统计量T2和控制限T2lim; [0014] 步骤5:采用贝叶斯融合网络,对分布式动态图模型的监测结果进行融合决策; [0015] 对监测结果的可靠性进行推断,给出一个融合决策的监测结果BIC; [0016] 在这一步骤中,采用贝叶斯融合网络对来上述Q个质量相关子块和B个质量不相关子块的计算所得的统计量和控制限进行综合融合。贝叶斯融合考虑了子块计算所得的统计量和控制限的可靠性和不确定性,通过概率模型对这些信息进行权衡和整合,以获得更准确和鲁棒的综合结果。 [0017] 步骤6:根据融合决策的监测结果BIC,将统计量超过阈值的故障判断为质量相关故障。(对浮选生产过程进行进一步的分析和判断。对质量相关故障,统计量超过阈值,即为质量相关故障。) [0018] 步骤1中采集浮选生产过程中的6个过程变量作为输入变量,浮选过程的精矿品位作为输出的质量指标; [0019] 6个过程变量分别为浓度、PH值、矿石细度、泡沫层厚度、充其量以及药剂量; [0020] 对过程变量记性定时间隔采样获得数据样本。 [0021] 每一个量是一个特征,样本是采样间隔,比如每隔3分钟采样一次,48小时内采样了960个样本,即输入的数据为960*6,960是样本个数,6是特征量:分别是采集浮选生产过程中浓度、PH值、矿石细度、泡沫层厚度、充其量,药剂量。 [0023] [0024] [0025] 其中,M(xi,yi)为过程变量x和质量变量y的互相关系数,Mthreshold为平均阈值,l为全部变量个数; [0026] 若M>Mthreshold,则此变量为关键变量。 [0027] 计算的平均阈值Mthreshold和M都是具体的值,比如M>Mthreshold,则此变量为关键变量; [0028] 例如:Mthreshold=0.6258 [0029] M1=0.6934,M2=0.5826,则M1为关键变量,而M2不是关键变量。 [0030] 步骤3中,基于浮选过程的生产工艺及现场经验,将关键性变量划分为Q个质量相关子块和B个质量不相关子块; [0031] 例如选冶过程包括破碎、磨矿、浮选、压滤等若干环节,而其中浮选又包括粗选、精选、扫选等工艺,所以此发明结合生产工艺和现场经验,主要根据经验将浮选过程划分若干个子块,有根据关键变量选择,将这若干个子块划分为质量相关和质量不相干子块。 [0032] 步骤4和步骤5中,局部检测指标和全局融合结果计算如下所示: [0033] [0034] [0035] 式中,Xi代表输入矩阵X进行增广处理的增广矩阵,输入是6维,采用数据增强方法,增广为16*6=96维,U代表质量相关的投影矩阵,V代表质量无关的投影矩阵,Λ代表Xi的对角矩阵,vi为对角线上元素的特征值(对角线上元素的特征值,就是对角线上的元素),表示矩阵Xi的Frobenius范数,即矩阵中所有元素平方和的平方根; [0036] 质量相关投影矩阵U的计算如式(5): [0037] U=Xi(XiTX)‑1XT (5) [0038] 由于U和V是正交矩阵,故: [0039] V=UT (6) [0040] 式中,质量相关矩阵U为6维,质量不相关矩阵V也为6维; [0041] [0042] [0043] 式中,m代表样本的起始值,l代表样本的终止值,h代表带宽参数;在浮选过程监测中,m=960,l=1,h由式(6)计算所得。其中,式(6)中a为Ti的均值,v为Ti的方差; [0044] [0045] [0046] [0047] 其中Ti2为质量相关统计量,Qi为质量无关统计量, 为质量相关监测控制限,Qlim为质量无关监测控制限,N和F分别代表正常和故障;P(N)和P(F)分别表示正常样本和故障样本的先验概率,P(Tb)代表第B个质量相关子块统计概率,P(F/Tb)代表第b个质量相关子块中故障样本的先验概率; [0048] P(F)=α (12) [0049] P(N)=1‑α (13) [0050] P(Tb∣N)=exp(‑Tb/Tb,lim) [0051] 式中,Tb为Tb2的开方,Tb2代表第b个子块的统计量,Tb,lim2为Tb,lim2的开方,Tb,lim2代表第b个子块的控制限。它们的取值是根据公式(3)和公式(5)计算所得。 [0052] P(Tb∣F)=exp(‑Tb,lim/Tb) (14) [0053] [0054] 式中,BIC为贝叶斯融合的全局指标,也即所述的融合多个子块的监测结果,其中b代表监测子块的取值的最小值,B为监测子块的最大值,在浮选过程监测中,取b=1,B=3;2 监测的Ti为质量相关子块的统计量,,Qi为质量不相关子块的统计量, 为质量相关子块的监测控制限,Qlim为质量不相关子块的监测控制限。 [0055] 步骤6中,按照下式判断是否为质量相关故障: [0056] [0057] 有益效果: [0058] 本发明采用分而治之的思想,将整个浮选过程监控建模分成若干个子块,在质量指标监督下,结合数据时间和邻域信息对局部信息进行加强,提出一种基于分布式动态图嵌入的浮选生产过程质量相关监测模型。 [0059] 本发明的基于分布式动态图嵌入的浮选过程质量故障的检测方法具有以下特点: [0060] 1.本发明将浮选过程中的中浓度、PH值、矿石细度、泡沫层厚度、充其量等过程变量作指标与精矿品位指标相关联,对浮选生产过程进行质量相关故障检测。 [0061] 2.本发明采用采用动态图嵌入的方法,将一维时间序列转换为包含时间和空间信息的二维数据,并以滑动窗形式进行动态特征增强。 [0062] 3.该算法以分而治之的视角,结合互信息方法和工艺操作实际,对过程变量进行关键变量选择并将其分为质量相关和质量不相关子块,分别建立分布式动态图嵌入模型,最终采用贝叶斯网络进行全局决策融合。附图说明 [0063] 图1为将整个浮选过程分成的3个子空间的监测结果图; [0064] 图2为针对故障采用5种算法进行监测的效果图;(其中图2a‑f分别是故障相关曲线,以及分别采用KPLS,TKPLS,MKPLS,DGE及DDGE算法获得的曲线); [0065] 图3为针对故障采用5种算法进行监测的效果图;(其中图3a‑f分别是故障相关曲线,以及分别采用KPLS,TKPLS,MKPLS,DGE及DDGE算法获得的曲线); [0066] 图4为将质量不相关的变量划分为3个子空间的监测结果图; [0067] 图5为针对故障采用5种算法进行监测的效果图;(其中图5a‑f分别是故障相关曲线,以及分别采用KPLS,TKPLS,MKPLS,DGE及DDGE算法获得的曲线); [0068] 图6为本发明的实施流程; [0069] 图7为本算法的具体步骤。 具体实施方式[0070] 以下将结合附图和具体实施例对本发明做进一步详细说明: [0071] 实施例1:如图6~7,步骤1:采集浮选生产过程中浓度、PH值、矿石细度、泡沫层厚度、充其量等过程变量作为输入变量X,浮选过程的精矿品位作为输出的质量指标Y,具体如表1所示: [0072] 表1过程变量与质量变量表 [0073] [0074] 步骤2:数据预处理。对采集的过程变量X和质量变量Y进行标准归一化处理。即[0075] [0076] [0077] 式中, 表示过程变量X的各列均值;δ(x)为过程变量X的各列方差; 表示质量变量Y的各列均值;δ(y)为质量变量Y的各列方差。 [0078] 步骤3:计算过程变量X与质量变量Y的互信息系数,构建互相关矩阵M; [0079] [0080] N代表变量的样本数,l代表过程变量X的特征维度,m代表质量变量Y的特征维度,其取值需要根据采集数据决定,在本次采集的浮选数据中,N=960,l=33,m=1[0081] M(xi,yj)=H(xi)+H(yj)‑H(xi,yj) (4) [0082] 其中M(xi,yi)为互信息系数,H(xi)为X的信息熵,H(yi)为Y的信息熵,H(xi,yi)为X和Y的联合熵; [0083] [0084] 其中M代表互信息矩阵,M1,1代表第一列X与Y的互信息系数,Ml,m代表第l行第m列X与Y的互信息系数。 [0085] 步骤4:计算互信息阈值,实现关键变量选择; [0086] [0087] M代表互信息矩阵,M1代表第一列互信息系数之和,详见公式(10),Ml代表第l列互信息系数之和,详见公式(11); [0088] M1=M1,1+M1,2+L M1,m (7) [0089] Ml=Ml,1+Ml,2+L Ml,m (8) [0090] 其中,Mthreshold为互信息阈值,M1为第一列互信息之和,Ml为第l列互信息之和l为全部变量个数。当变量互信息系数大于互信息阈值Mthreshold,则确定其为关键变量。 [0091] 步骤5:采用知识和数据驱动混合的方法,将所选关键变量划分为质量相关子块和质量不相关子块。具体地,第一步,考虑过程变量的物理位置和操作工艺,将浮选过程变量及对应的质量变量,在完整工业知识的驱动下,按照工艺顺序划分粗选、精选、扫选三个子块,分别对应子空间1,子空间2,子空间3。考虑到浮选过程中工艺变量之间的耦合关系,第一个块和下一个子块之间存在连接变量。第二步,为了避免不相关的过程变量造成信息冗余和淹没,根据步骤4将第一步中的变量高于互信息阈值的,划分为质量相关子块,反之划分为质量不相关子块;说明:步骤4是选择关键变量,步骤5是将这些变量分成不同子块分别建模; [0092] 步骤6:采用关键变量选取和子块分解结果,建立分布式动态图模型,实现进行质量相关故障检测; [0093] [0094] 式中,Xi代表输入矩阵X进行增广处理的增广矩阵,U代表质量相关的投影矩阵,V代表质量无关的投影矩阵,Λ代表Xi的协方差矩阵, 表示矩阵Xi的Frobenius范数,即矩阵中所有元素平方和的平方根。 [0095] [0096] [0097] [0098] 式中,a为Ti统计量中的均值,v为Ti统计量中的方差。 [0099] [0100] [0101] 式中,Tb代表第b个子块的统计量。 [0102] [0103] P(F)=α (16) [0104] P(N)=1‑α (17) [0105] P(Tb∣N)=exp(‑Tb/Tb,lim); (18) [0106] 式中,Tb,lim代表第b个子块的控制限。 [0107] P(Tb∣F)=exp(‑Tb,lim/Tb) (19) [0108] [0109] 其中Ti2为质量相关统计量,Qi为质量无关统计量, 为质量相关监测控制限,Qlim为质量无关监测控制限,N和F分别代表正常和故障;P(N)和P(F)分别表示正常样本和故障样本的先验概率,它们的置信度分别为α和1‑α。 [0110] 步骤7:采用贝叶斯融合网络,对监测结果融合决策。并根据监测结果,判断是否为质量相关故障。 [0111]2 [0112] 其中,Ti为统计量, 监测控制限,置信度α取值范围为(0,1),BIC为贝叶斯融合后的T2和SPE的全局指标。 [0113] 本发明的效果通过如下仿真实验可以获得,具体如下: [0115] (1)基于DDGE的质量相关子空间监测结果 [0116] 首先按照分块的结果,都每个子空间建立DDGE模型进行监测,监测结果如图(1)所示。从图中可以看出,将整个浮选过程分为3个子空间,对每个空间与质量相关的故障进行监测,监测结果显示所提算法在三个子空间都具有较高的检出率,无误报率。 [0117] (2)基于质量相关故障的不同算法监测结果 [0118] 为验证算法的优越性。将所提算法与典型的故障监测算法KPLS,TKPLS,MKPLS,DGE在内的四种算法进行对比。针对图2(a)所示的质量相关的故障(即故障对质量有较大影响,质量变量无法自恢复),所提算法DDGE优于其他算法,有较高的检测率,且无误报率。 [0119] (3)基于质量半相关故障的不同算法监测结果 [0120] 为验证算法的优越性。将所提算法与典型的故障监测算法KPLS,TKPLS,MKPLS,DGE在内的四种算法进行对比。针对图3(a)所示的质量半相关的故障(即在故障作用后,经过一段时间系统质量变量可以自恢复),所提算法DDGE优于其他算法,相对来说误报率低于其他算法。 [0121] (4)基于DDGE的质量不相关子空间监测结果 [0122] 按照分块的结果将质量不相关的变量,划分为3个子空间,分别建立DDGE模型进行监测,监测结果如图4所示。从图中可以看出,将整个浮选过程分为3个子空间,对每个空间与质量不相关的故障进行监测,监测结果显示所提算法在三个子空间都具有较低的误报率。 [0123] (5)基于质量不相关故障的不同算法监测结果 [0124] 为验证算法的优越性。将所提算法与典型的故障监测算法KPLS,TKPLS,MKPLS,DGE在内的四种算法进行对比。针对图5(a)所示的质量不相关的故障(即在故障与质量完全无关,对质量没有影响),所提算法DDGE优于其他算法,相对来说误报率低于其他算法。 |