基于多源数据的铝土矿浮选生产指标集成建模方法.pdf

第 31 卷第 9 期 2014 年 9 月 控 制 理 论 与 应 用 Control Theory 2. 湖南文理学院 物理与电子科学学院, 湖南 常德 415000 摘要 在长流程浮选过程中, 生产指标难以在线检测, 造成操作不及时, 影响系统的稳定运行. 本文提出了一种基 于多源数据的铝土矿浮选过程生产指标集成建模方法. 首先结合浮选机理和现场工人经验, 分析影响和反映生产 指标的多源数据生产数据和泡沫图像特征数据; 然后分别建立各生产指标预测子模型和同步误差补偿子模型; 最 后采用信息熵和智能协调策略分别构建精矿品位和尾矿品位的集成预测模型. 工业验证和工况分析表明, 本文集 成建模方法具有良好的预测性能和较强的泛化性, 为基于生产指标的浮选过程操作参数控制和全流程优化奠定基 础. 关键词 泡沫特征; 生产指标; 集成建模; 偏最小二乘; 正则极限学习机 中图分类号 TP29文献标识码 A Integrated modeling for production index of bauxite fl otation based on multi-source data CAO Bin-fang1,2, XIE Yong-fang1†, YANG Chun-hua1, GUI Wei-hua1, WANG Xiao-li1 1. School of Ination Science and Engineering, Central South University, Changsha Hunan 410083, China; 2. College of Physics and Electronics Science, Hunan University of Arts and Sciences, Changde Hunan 415000, China Abstract Because of the diffi culty in online detecting the production index in a long-time fl otation process, we are unable to take the counterpart operation timely to keep the production process stable. To deal with this problem, we propose an integrated prediction model for the production index of bauxite fl otation based on multi-source data. Firstly, we make use of the fl otation mechanism and the experiences of operators to analyze the multi-source data production data and froth image features that affects the production index. Then, the prediction sub-model and the corresponding compensation sub-model for each production index are built, and their parameters are optimized. Then, the integrated prediction models of concentrate grade and tailing grade are established by using the ination entropy and coordination strategy. Industrial validation results show that the proposed improves the prediction accuracy and adaptability, which lays a foundation for controlling the operating parameters of the fl otation and the total process optimization. Key words froth features; production index; integrated model; partial least squares; regular extreme learning machine 1引引引言言言Introduction 铝作为一种重要的有色金属原材料, 在国民经济 中有着广泛的应用. 为了充分利用低品位铝土矿资源, 我国建立了首条选矿拜耳法生产线, 其方法是在拜耳 法生产流程中增设一个浮选流程. 浮选是利用矿物表 面物理化学性质差异进行矿物分离的有效方法, 其目 的是提高矿物的富集程度, 最终提高拜耳法生产氧化 铝的效率[1]. 因此, 如何有效地提高浮选效果是氧化 铝生产中的一个重要环节. 精矿品位和尾矿品位是铝 土矿浮选过程的重要生产指标, 可通过粒度分析仪在 线获得, 然而粒度分析仪价格贵, 且容易受铝土矿矿 浆浓度过而导致堵塞损坏, 所以目前主要依靠人工化 验获得, 该方式具有很大的滞后性, 使得操作工人不 能及时获得矿物品位的变化信息, 难以有效指导生产 操作和过程的优化运行. 因此研究浮选过程生产指标 的实时在线检测方法, 对稳定浮选过程、 优化浮选操 作以及提高我国铝土矿资源的综合利用水平具有重 要的意义. 针对浮选过程生产指标的检测方法, 国内外学者 进行了大量研究[2–5]. 考虑到浮选过程机理复杂, 传统 上基于机理的建模方法都存在较多的简化和假设[4], 使得难以准确描述真实浮选过程. 目前浮选生产指标 的检测主要是结合现场操作工人经验, 领域专家知识 以及统计建模规则等完成. 如文献[5]用铜浮选过程中 收稿日期 2014−01−07; 录用日期 2014−05−16. †通信作者. E-mail; Tel. 86 13786163035. 基金项目 国家自然科学基金重点资助项目61134006; 国家创新研究群体科学基金资助项目61321003; 国家自然科学基金资助项目61473318, 61304126; 高等学校博士学科点专项基金博导类资助课题20120162110076; 湖南省研究生科研创新项目CX2014B077. 第 9 期曹斌芳等 基于多源数据的铝土矿浮选生产指标集成建模方法1253 获得的原矿品位、 进料速率、 矿浆浓度以及矿浆液位 作为模型输入数据, 比较了自回归滑动平均模型 autoregressive moving average model, ARMAX、 神 经网络、 模糊组合模型以及偏最小二乘partial least squares, PLS几种预测模型在铜浮选精矿品位预测中 的应用, 得出PLS能够得到相对准确的预测结果. 但由 于PLS模型是线性结构, 采用经验风险最小的建模策 略, 易导致模型的过拟合和泛化性差. 针对上述问题, 文献[6]以铜浮选过程中的进料速率、 空气流速以及 矿浆pH值作为输入变量, 采用递归偏最小二乘建立铅 铜的精矿品位和回收率预测模型, 仿真结果表明该模 型要优于PLS方法. 针对入矿数据的高维非线性特性, 文献[7]提出了采用核心主元分析kernel principal component analysis, KPCA提取主元特征, 然后建立 磁铁矿品位预测模型. 虽然KPCA或主元分析princi- pal component analysis, PCA能够完成对数据的降维 和消除数据之间的冗余特性, 然而降维以后的主元并 不一定与输出样本具有最大的相似度, 容易导致模型 预测性能的不稳定. 近年来, 基于浮选泡沫图像特征的浮选过程生产 指标检测方法受到广泛关注. 如文献[8]指出浮选泡沫 的表面特征包含有大量与操作参数和生产指标相关 的信息, 是判断浮选效果的重要依据. 文献[9]利用泡 沫的颜色、 表面纹理等视觉信息进行煤泥浮选过程生 产指标的预测. 文献[10]研究了锌浮选过程泡沫大小, 颜色, 速度与精矿品位, 回收率的关系, 进而构建了专 家控制系统. 文献[11]研究了铂浮选过程, 泡沫纹理特 征的提取以及与精矿品位的预估模型. 这些研究说明 浮选泡沫表面的视觉特征能够反映浮选性能, 是完成 浮选过程生产指标预测的一种有效方法. 上述文献[5–7,9,11]说明目前浮选过程的生产指 标模型主要集中在构造某浮选流程如粗选流程的单 一预测模型, 这种建模方法没有充分考虑到实际浮选 过程是由多个浮选流程构成, 不同流程之间存在相互 关联和耦合特性, 容易造成模型精度低和泛化性差. 研究表明集成多个子模型的方法可以有效的提高模 型的精度, 泛化性和可信度[12–14], 该方法已经成功的 应用在磨机负荷参数测量[15], 铅锌烧结过程参数预 测[16]和铜吹炼过程[17]等复杂有色冶金过程. 为此, 本 文将集成建模方法引入浮选过程, 结合浮选工艺和浮 选对象的长流程, 时变特性以及不同输入源对模型生 产指标的影响, 构建了一种全流程集成协调建模方法, 以期提高浮选过程生产指标模型的综合性能, 为后续 研究浮选全流程的优化控制奠定基础. 针对以上分析, 考虑浮选过程采集的生产数据和 多传感器图像特征数据间的互补性和冗余性, 本文提 出一种基于多源数据的浮选过程生产指标集成建模 方法. 首先结合工人经验分析影响和表征生产指标的 生产数据和多传感器视觉特征参数, 然后针对不同数 据源的特点, 分别建立各生产指标预测子模型和误差 补偿子模型. 最后采用信息熵和协调策略分别构建精 矿品位和尾矿品位的集成预测模型. 对所建立的集成 模型进行工业验证和工况分析, 以说明方法的有效性. 2铝铝铝土土土矿矿矿浮浮浮选选选过过过程程程多多多源源源数数数据据据分分分析析析Multi- source data analysis in bauxite fl otation pro- cess 浮选是利用矿物表面物理化学性质的差异, 在气 体、 固体和液体三相体系中完成的复杂过程, 其目的 是提高磨矿之后矿物的富集程度. 本文以中国某铝土 矿浮选流程为例, 进行浮选工艺的分析. 该铝土矿为 典型的一水硬铝矿, 具有高硅, 高铝和低铝硅比特点, 通常铝硅比Al2O3/SiO2, A/S在5∼6. 该浮选流程采 用浮选泡沫为精矿, 底流矿浆为尾矿的正浮选工艺, 共包括5种选别作业, 分别是6个粗选槽、 2个粗扫槽、 4个精Ⅱ槽、 4个精Ⅰ槽和2个精扫槽, 该铝土矿浮选工 艺流程如图1所示. 在矿物浮选流程中, 首先对上游磨矿产生的矿粒 进行分级, 分级后的细粒进入浮选槽, 加入水和各种 药剂, 在叶轮的搅拌下形成矿浆和气泡, 有用矿粒粘 附于气泡上浮并溢流出粗选槽, 经管道进入精选Ⅰ作 业进行一次精选, 同时粗选槽的底流矿浆则进入粗扫 槽; 然后精Ⅰ槽的泡沫溢流至精选Ⅱ形成最终精选泡 沫, 而精选Ⅱ的底流矿浆则进入精选Ⅰ, 精选Ⅰ的底流 矿浆进入精扫槽; 精扫槽和粗扫槽的泡沫分别重新返 回精Ⅰ槽和粗选槽, 而它们的底流矿浆汇合流至总尾 槽, 形成尾矿. 该浮选过程包括多槽泡沫的溢流和矿浆的底流, 是一个非常复杂的过程. 许多过程参数都会对最终生 产指标产生影响, 各槽泡沫状态也能反映最终矿物品 位的变化.下面从影响生产指标的多源数据出发, 分析 影响生产指标的生产数据和反映矿物品位的泡沫特 征. 2.1生生生产产产数数数据据据分分分析析析Production data analysis 根据铝土矿浮选工艺学理论[1,18], 矿石性质对浮 选脱硅有显著影响, 当给矿铝硅比较高时, 矿石可浮 性较好, 有用矿物富集程度高, 精矿品位质量好, 反之, 当铝硅比降低至4.0以下时, 矿物分选困难, 富集度低. 磨矿粒度是反映矿浆颗粒大小分布的情况, 当磨矿细 度增加时, 对提高精矿质量有利, 但是由于泥化也会 影响浮选过程, 当粒度较粗时浮选速度变慢, 矿物单 体解离不够充分, 容易脱落进入尾矿, 导致精矿和尾 矿指标均不好. 因此对于正浮选脱硅工艺, 通常磨矿 粒度应该满足小于0.074mm的占90以上. 矿浆浓 度对于浮选机的充气量, 药剂消耗以及浮选时间都有 显著影响, 浓度过大或过小都会影响生产指标. 通常 1254控 制 理 论 与 应 用第 31 卷 铝土矿正浮选一般控制入选浓度在30左右. 矿浆酸 碱度是影响浮选性能的重要因素, 在pH值较大的情况 下, 由于矿浆中的OH[−]离子较多, 矿粒表面吸附大量 的H[], 导致矿粒表面亲水性增大并阻碍捕收剂阴离 子的吸附; 较小时取得相反的效果, 因此正浮选工艺 一般控制pH在8∼10. 影响工艺指标的操作变量有加 药量、 矿浆液位以及进气流量, 考虑到矿浆液位和进 气流量变化时容易导致生产过程的工况波动, 出 现“冒槽”或“跑槽”等生产事故, 所以通常是在保 证矿浆液位和进气流量稳定的情况下, 通过调整浮选 药剂来达到目的. 浮选药剂主要是捕收剂, 在铝土矿 浮选过程, 当捕收剂用量过多时, 泡沫层致密、 粘度较 高、 泡沫带矿物多, 但也有较多的泥质物夹杂进入精 矿, 导致精矿铝硅比降低; 当捕收剂用量不足, 矿物疏 水性不够, 使得回收率下降, 所以药剂用量须合适. 综 上分析, 影响浮选性能的主要生产数据有给矿品 位Gg、 给矿浓度Gc、 给矿粒度Gs, 加药量Do和矿浆 pH值Gph. 图 1 浮选工艺流程图 Fig. 1 Flow-diagram of the fl otation 2.2多多多传传传感感感器器器视视视觉觉觉特特特征征征分分分析析析Multi-sensor image features analysis 浮选泡沫图像的表面视觉特征是反映浮选性能 的重要指标[10,19–21]. 传统上采用单一浮选槽获取 的泡沫特征进行生产指标的表征, 但是由于单一浮 选槽的视觉特征不能表征整个浮选流程的泡沫状 态, 所以存在描述生产指标误差偏大的问题. 为此 本文构建了铝土矿分布式机器视觉系统, 经过现场 分析摄像机分别安装在粗选首槽、 粗扫末槽和精Ⅱ 末槽上, 具体见图1中. 考虑到工业现场不同浮选槽 的视觉特征在一定程度上都可以作为工人判断浮选 工况的依据, 因此下面研究表征不同浮选槽的泡沫 关键特征以及它们之间的关联性. 2.2.1不不不同同同浮浮浮选选选工工工序序序泡泡泡沫沫沫特特特征征征选选选取取取Froth features selection of different fl otation stages 在图1平台上采集不同浮选槽的泡沫图像, 如 图2所示, 其中 图2a为粗选首槽图像, 图2b为粗 扫末槽图像, 图2c为精Ⅱ末槽图像. 图 2 不同浮选槽获取的泡沫图像 Fig. 2 Froth images of different fl otation stages 第 9 期曹斌芳等 基于多源数据的铝土矿浮选生产指标集成建模方法1255 从采集的泡沫图像和浮选操作人员提供的信息 可知 粗选槽矿浆中矿物含量低, 泡沫层具有明显 的气泡尺寸, 相对稳定, 颜色偏浅, 如图2a所示; 粗 扫槽中, 矿浆中只含少量的有用矿粒, 泡沫层的气 泡承载量低, 泡沫比较虚, 含矿量少, 颜色较浅, 如 图2b所示; 精Ⅱ槽的气泡矿化程度比较高, 泡沫表 现为粘稠状, 尺寸细小, 难以分辨单个泡沫, 颜色较 深, 如图2c所示. 结合上述定性分析和运用相关系数法计算获得 不同浮选槽表征生产指标的关键特征如表1所示. 表 1 不同浮选槽获取的关键图像特征 Table 1 Key image features of different cells 粗选首槽精Ⅱ末槽粗扫末槽 红色分量红色分量红色分量 流速流速流速 稳定性稳定性稳定性 大小承载率大小 承载率纹理特征熵承载率 2.2.2时时时空空空配配配准准准及及及变变变换换换趋趋趋势势势Variation trend and time-space registration 铝土矿浮选过程是一个长流程, 大时滞系统, 不 同浮选槽之间具有很大的延迟. 通过对现场实验跟 踪可知, 泡沫从粗选首槽溢流到精Ⅱ末槽的时间大 约为30min, 从粗选首槽溢流到粗扫末槽的时间大 约为95min, 从而可以为不同工序的同步性和图像 特征的对应性研究提供基础, 进而完成多传感器数 据的时空配准. 下面对不同浮选槽获取的泡沫特征 进行关联性分析, 其中泡沫特征来自于2011年4月 −6月之间连续45天在图1平台上采集的样本数据. 精矿品位和图像特征之间的关系见文献[10,21], 这 里主要分析3个浮选槽图像特征的动态变换关系. 3个浮选槽红色分量均值之间的关系如图3所示, 可知同一泡沫状态在各槽的延迟时间以及颜色表征 随着时间的变化关系. 说明各槽的色调值有大致相 同的变化趋势, 也反映同一泡沫状态, 粗扫槽sca- venger的色调平均值最小, 精选cleaner槽最大, 粗 选rougher其次. 同样的方法分析3个不同浮选槽 泡沫的流动速度如图4, 可知同一泡沫状态在粗选槽 的流动速度最快, 精选其次, 扫选最慢, 随着浮选流 程的变化, 各槽的流速有大致相同的变化趋势. 同 样也可以分析泡沫的稳定性, 承载率的动态关系. 从图3和图4可知粗选流程采集的特征参数波动比 较严重, 而精选流程相对稳定. 图 3 3槽样本图像色调分布趋势 Fig. 3 Distribution trends in the froth colour of different fl otation stages 图 4 3槽样本图像速度特征分布趋势 Fig. 4 Distribution trends in the froth speed of different fl otation stages 上述分析说明不同浮选流程之间具有相似的变 化趋势, 但同时也存在局部点的不确定性, 这些数 据分析为后续模型的建立提供依据. 3生生生产产产指指指标标标集集集成成成建建建模模模Production index inte- grated modeling 影响生产指标的多源数据从不同角度表征和反 映矿物品位, 并且各数据源内部之间存在超高维、 大量冗余、 非线性和互补性等问题. 为此本文提出 对异源数据集分别构建生产指标预测子模型和同步 误差补偿模型, 最后通过信息熵和智能补偿策略两 种集成方法完成生产指标的预测. 3.1建建建模模模策策策略略略Modeling strategy 结合铝土矿浮选过程, 提出了由数据预处理和 时空配准模块, 预测子模型和误差补偿子模型模块, 以及加权集成模块共3部分组成的生产指标建模策 略, 如图5所示. 数据预处理模块主要是针对工业现场整理的生 产数据, 采集计算的图像特征数据, 以及工业化验 的生产指标进行时空配准, 具体见第2.2节. 1256控 制 理 论 与 应 用第 31 卷 图 5 浮选生产指标集成建模策略 Fig. 5 Strategy of production index integrated modeling 预测子模型模块建立生产数据, 粗选特征和浮 选生产指标之间的模型; 误差补偿子模型模块建立 精选泡沫特征和精矿品位误差之间的关系模型, 扫 选特征和尾矿品位误差之间的关系模型. 加权集成模块则实现模型的信息熵集成和智能 补偿集成, 最终获得生产指标的输出. 图5中 用x0 m表示现场生产数据, x1m表示粗选 槽采集的泡沫特征, x2 m表示精选槽采集的泡沫特 征, x3 m表示扫选槽采集的泡沫特征, 其中m为样本 个数, 取值范围为m 1,2, ,5. ˆ y1k和ˆ y2k分别为 两个预测子模型的输出, ˆ yk为集成预测模型的预估 值, yk为实际品位化验值; ∆yp1和∆yp2分别为精矿 品位和尾矿品位采用智能补偿模型的输出量; ∆yc1 和∆yc2分别为精矿品位和尾矿品位采用经验补偿 模型的输出量; ∆ˆ y1和∆ˆ y2分别表示精矿品位和尾 矿品位的补偿值; ˆ y0 k1表示精矿品位集成预测模型的 输出, ˆ y0 k2表示尾矿品位集成预测模型的输出. 3.2预预预测测测子子子模模模型型型Predictive sub-model 前面分析的多源数据中, 共包含4种不同的数据 源, 用x0 m表示现场生产数据, 具体包括给矿品 位、 给矿浓度、 给矿粒度、 加药量以及矿浆pH值; 用x1 m表示粗选槽获取的泡沫图像特征, 包括泡沫红 色分量、 流速、 稳定性、 泡沫大小和承载率. 这些数 据之间存在超高维、 大量冗余、 非线性和互补性等 特点, 常规的PLS方法能够提取数据中与生产指标 相关的潜变量实现数据的降维, 但不能解决过程数 据的非线性问题, B样条函数具有较好的非线性拟 合性能, 能将非线性问题用拟线性的方法转化为线 性化问题[22], 故本文建立基于B样条的PLS方法, 具 体步骤如下 Step 1对输入矩阵的每列j1 6 j 6 p做如下 变换xj→ zj. 1 定义εj,l−1 , h j , M j分别为变量xj上划分的 区间分点、 分段长度和分段个数, 确定Mj, 计算区 间分点εj,l−1为 εj,l−1 minxj l − 1hj,1 式中 hj maxxj−minxj Mj , l0,1,,Mj2. 2 对[xj]n1作3次B样条变换, 有 Zj {zj,0,zj,1, ,zj,Mj2} {Ω3xj − εj,l−1 hj ,l 0,1, ,Mj 2},2 其中 Ω3xj − εj,l−1 hj 1 3h3 j 4 P p0 −1p ˆ 4 p xj− εj,l−3p3 . Step 2对B样条变换后的矩阵进行中心标准 化处理, 即 第 9 期曹斌芳等 基于多源数据的铝土矿浮选生产指标集成建模方法1257 ˜ zi j,l zi j,l − zj,l sj,l , ˜ yi yi− y sy ,3 其中 l 0,1,Mj2; j 1,2, ,p; i 1,2, ,q, zj,l, y分别为zj,l,y的样本均值, sj,l,sy分别是 zj,l,y的样本方差. 记上述处理后的输入矩阵为˜Z, 输出矩阵为˜Y , 则可知经过标准化后输入输出矩阵组成的联合矩阵 为 [X,Y ] [x1,x2, ,xp,y]np1→ [˜Z,˜Y ][˜Z1nM13, ,˜ZpnMp3,˜Y ] [˜ z1,0, , ˜ z1,M12, , ˜ zp,M12, ˜ y] n{ p P j1M j 3 1} ,4 从而得到新的各列的线性系数表达式为 ˜ y p P j1 Mj2 P l0 αj,l˜ zj,l.5 Step 3对公式5 在满足交叉有效性原理条件 下, 提取最多的PLS成分数, 求得回归系数αj,lj 1,2, ,p;l 0,1, ,Mj2. Step 4将式3代入式5, 即 y − y sy p P j1 Mj2 P l0 αj,l zj,l− zj,l sj,l ,6 得到 y β0 p P j1 Mj2 P l0 βj,lzj,l,7 其中 βj,l sy αj,l sj,l , β0 y − p P j1 Mj2 P l0 βj,l zj,l. Step 5将回归系数和式2代入式7, 得到输 出与输入之间的非线性模型为 ˆ y β0 p P j1 ˆ fjxj β0 p P j1 Mj2 P l0 βj,lΩ3xj − εj,l−1 hj .8 通过设定分段个数Mj和相关参数, 可以采用上 述方法完成对生产数据x0 m和粗选特征x1m的非线性 预测模型的建立, 获得预测模型输出ˆ y1k和ˆ y2k. 3.3误误误 差差差 补补补 偿偿偿 子子子 模模模 型型型 Error compensation sub- model 从浮选过程来看, 由于长流程预测模型带入的 误差以及未知外界和生产扰动带来的模型误差需要 进行补偿. 在泡沫浮选过程中, 粗选槽泡沫波动明 显, 特征参数变化大, 而精选槽和扫选槽的特征变 化相对比较平缓, 趋于稳定, 为此利用生产中积累 的大量与粗选流程同步的精选特征数据或扫选特征 数据为验前知识和指导经验建立同步误差补偿模 型. 该补偿模型主要是完成对预测模型的同步误差 补偿和提高模型精度. 文中采用正则极限学习机 regularized extreme learning machine, RELM神 经 网络[7]构造生产指标补偿模型, 主要是因为RELM 是一种速度快和泛化性能好的单隐层前馈神经网络 学习算法, 另外采用小波函数作为激励函数, 可在 一定程度上提高网络的收敛速度和降低误差. 将精选槽或扫选槽的泡沫特征作为模型输入, 采用正则极限学习机神经网络构造生产指标补偿模 型, 即 ∆ypr fRELMxr, r 1,2,9 其中 xr为模型的输入, ∆ypr表示由该模型获得的 输出补偿量, fRELM表示神经网络拟合的∆ypr与 xr之间的关系函数, 当r为1时表示精选槽的补偿模 型, r为2时表示扫选槽的补偿模型. 具体包括以下 步骤 Step 1模型参数选择 1 以图像特征作为输入变量, 见表1精选特征 x2 m或扫选特征x3m; 2 以精矿品位或尾矿品位的补偿量作为模型输 出, 即∆yp1和∆yp2; 3 对上述变量进行归一化处理, 以消除不同量 纲所带来的影响. Step 2构建小波极限学习机神经网络补偿模 型, 选取模型参数 1 选Morlet小波作为隐含层激励函数; 针对激励函数的特性, 容易证明Morlet小波符合 无限可微的条件, 可以作为激励函数构造RELM. Morlet小波函数表述为 ht cos1.75te−2t 2/2; 10 2 确定参数γ和隐含层节点数L, 随即设置权值 向量as和隐含层阈值bs, s 1,2,L; 3 计算隐层输出矩阵H和权值向量ˆβ; 4 计算网络输出Y H˜β, 更多参数详见文献 [23]. 3.4加加加权权权集集集成成成策策策略略略Integrated weighted 浮选流程长, 表层泡沫状态变化大, 仅仅通过粗 选槽的泡沫特征不能充分反映精矿品位和尾矿品位 的变换, 尤其工况波动时更加难以判断. 为了进一 步解决浮选过程工况波动引起模型误差的问题, 系 统提取粗选流程的历史同步特征参数, 通过智能残 差补偿模型完成对误差的补偿, 同时针对粗选环节 提出基于信息熵的补偿策略, 以达期提高模型预测 1258控 制 理 论 与 应 用第 31 卷 精度和泛化性. 3.4.1基基基于于于信信信息息息熵熵熵的的的集集集成成成策策策略略略Integrated strategy using comentropy 集成模型中的权重因子通常根据操作工人经验 或领域专家知识来确定. 由于浮选过程工况参数具 有不确定性, 容易出现波动, 为了提高权重因子的 可靠性, 本文采用的熵值法[15]来确定权重因子的取 值. 计算图5中基于生产数据的预测模型1和基于粗 选特征的预测模型2在k时刻矿物品位的预估值ˆ y1k 和ˆ y2k, 集成预测模型的预估值ˆ yk. 设enk为第n个预 测模型在k 时刻的相对误差, 按下式计算得到 enk 1 − ˆ ynk/yk, 06|1−ˆ ynk/yk|1, 11 式中 yk表示k时刻品位实际检测值; n 1,2, , N,N为子模型个数, 文中取2; k 1,2, ,M,M 为训练样本个数. 利用熵值法确定加权系数的步骤 如下 Step 1第n个单一预测模型在k时刻的预测相 对误差的比重pnk pnk enk/ N P n1 enk.12 Step 2第n个单一预测模型的熵值En En − 1 lnM M P k1 pnklnpnk.13 Step 3第n个单一预测模型的相对误差序列的 变异程度dn dn 1 − En.14 Step 4各单一预测模型加权系数wn wn 1/N − 11 − dn/ N P n1 dn.15 Step 5计算信息熵集成模型的输出 ˆ yk N P n1 wnˆ ynk.16 通过上述步骤可以分别计算得到信息熵集成后 的精矿品位和尾矿品位. 3.4.2智智智能能能协协协调调调补补补偿偿偿策策策略略略Intelligent coordinated compensation strategy 选取样本空间分布的图像特征数据进行仿真说 明, 智能补偿模型在样本区间内具有较高预测精度, 但对训练样本外的数据, 其预测能力有限. 为了解 决样本空间外数据模型误差的问题, 提取历史检测 数据通过经验补偿模型对误差进行补偿. 见图5集 成模型, 设当前时刻为k, 对于极限学习机神经网络 模型边界外的输入数据, 该时刻的误差补偿量为 ∆ycvk ykvk − τ − ˆ ykvk − τ,17 其中 ykvk−τ为k−τ时刻的品位化验值; ˆ ykvk − τ为k − τ 时刻集成模型的预测值; v 1,2分别表 示精矿品位和尾矿品位; τ为浮选流程生产过程的 滞后时间, 与泡沫流速、 取样检测时间等有关. 设V 为小波极限学习机网络输入变量的取值区 间, X为输入向量. 则智能协调器的工作方式如下 IF X ∈ V THEN ∆ˆ y ∆ypr; IF X / ∈ V THEN ∆ˆ y ∆ycv. 故可获得集成模型的输出为 ˆ y0 k ˆ yk ∆ˆ y,18 式中 ˆ yk为集成预测模型的输出, ∆ˆ y为补偿模型的 输出值, 可分别计算获得精矿指标和尾矿指标的输 出值. 3.5模模模型型型的的的更更更新新新Model updating 上述建模策略考虑了浮选过程的多源数据和长 流程特性, 但是该模型是纯粹的数据模型, 容易受 浮选过程的各种扰动影响, 使获取的数据具有很大 的时变特性, 从而导致模型存在一定偏差, 不能很 好的反映工况波动情况下的状态. 当工况发生较大 波动, 如“跑槽”或“沉槽”时, 该模型将出现严重 偏差. 为此, 本文结合上述特性, 采用滑窗方式更新 模型参数, 具体步骤如下 1 计算模型预测误差. 计算新样本时刻模型的 预测误差, 比较其和模型精度阈值之间的关系, 判 断是否需要重新训练模型. 这里根据实际浮选现场 需求, 精度阈值在5以内较好. 2 样本的取舍处理. 若模型需重新训练, 对新 采集的数据样本与原训练样本做相关度检测, 若相 关度大, 则可认为新样本未带入新的信息, 则舍去 最新样本, 否则添加新样本. 当新样本加入到下一 阶段的训练中时, 需要删除最老的一个训练样本. 实验中采用后台训练方式, 使模型随着系统的运行 也能保持较高的预测精度. 4模模模型型型的的的验验验证证证及及及工工工况况况分分分析析析Model validation and industrial analysis 4.1模模模型型型的的的验验验证证证Validation of the model 为了保证多源数据和生产指标的时空一致性, 对同一时刻的矿浆取样、 制样等流程及方法测定泡 沫化学参数, 并制作成份化验样本, 获取矿浆浓 度、 矿物粒度、 矿物品位和矿浆pH等. 采集泡沫图 像的各个特征参数与此时的工艺指标参数的组合构 成标准输入输出样本. 第 9 期曹斌芳等 基于多源数据的铝土矿浮选生产指标集成建模方法1259 为了验证本文所提出的集成预测模型的性能, 选取2011 年4−10月的实验数据共计580组数据样 本, 该数据每8小时轮班采集化验, 分别进行模型的 参数辨识和验证模型的性能. 实验中选取分段个数 Mj 3, 对模型1和模型2 的数据进行样条函数处 理, 完成非线性问题转换成线性化问题, 然后用PLS 的线性映射建立预测模型. 经实验测试选取模型更 新时滑窗大小N 100进行模型的训练, 精度阈值 为0.04. 基于RELM算法的单隐层前馈神经网络模 型的生产指标补偿模型, 其参数设置如下 输入层 节点为5, 输出节点为2, 训练次数1000, γ 0.1. 隐 含层神经元的个数由经验公式确定, 采用RELM算 法获得隐含层输出矩阵和最终输出. 通过基于信息熵的权值计算, 精矿品位的最优 加权系数分别为w110.537, w120.463; 尾矿品 位的最优加权系数分别为w210.598, w220.402; 进而可以获得当前k时刻信息熵集成模型的输出 ˆ yk1和ˆ yk2. 通过同步补偿模型, 最终获得本文集成预 测模型的输出精矿品位ˆ y0 k1和尾矿品位ˆ y 0 k2, 其预测 效果分别如图6−9所示. 图 6 精矿品位集成模型预测结果比较 Fig. 6 Comparison of integrated predicted concentrate grade vs. actual value 图 7 尾矿品位集成模型预测结果比较 Fig. 7 Comparison of integrated predicted tailing grade vs. actual value 图 8 精矿品位在线集成补偿预测模型与PLS模型的比较 Fig. 8 Comparison of on-line integrated predicted concentrate grade vs. PLS model 图 9 尾矿品位在线集成补偿预测模型与PLS的比较 Fig. 9 Comparison of on-line integrated predicted tailing grade vs. PLS model 图6和图7中给出的曲线是本文提出的方法信 息熵集成模型, 信息熵集成补偿预测模型以及在线 更新集成补偿预测模型与实际值的比较, 这几种方 法是结合浮选工艺, 在传统预测模型的基础上进行 了一定的集成, 补偿以及在线修正后的结果, 整体 上比较逼近实际值; 但是当浮选工况变化明显时, 在线更新集成补偿模型的跟踪预测性能能够适应工 况变化, 逼近程度好于其他两种方法. 图8和图9给 出了本文的在线集成补偿模型与传统PLS方法的比 较其中子模型1是基于生产数据的PLS模型, 子模 型2是基于粗选特征的PLS模型, 由图8−9可知, 本 文方法的逼近性能明显高于传统预测方法. 为了与本文提出的方法进行比较, 建立了基于 生产数据的BPLS模型, 基于粗选特征的BPLS模型, 基于生产数据的PLS传统模型