[发明专利]一种基于过程尺寸特征的锌矿品位软测量方法

摘要

一种基于过程特征的锌浮选精矿品位的软测量的方法，本发明综合了专家知识和数据建模方法，首先根据现场工人看泡时的观察重点利用图像中的气泡尺寸分布来表征泡沫图像，根据现场工人需要观察一段时间内泡沫状态来判断当前生产状态的特点提出用尺寸分布序列来数学化当前生产状态，并提出一种对泡沫尺寸序列的建模方法，降低了特征向量的维数。在预测算法中利用积累的大量数据采用改进的提升决策树算法，有效的抑制由于学习太快导致的过拟合问题，提高了泛化能力。实验证明本发明方法计算简单，执行速度较快，预测准确度较高，便于在现场实际操作，可即时指导现场操作，优化生产过程，解决了现锌矿品位在线检测难的问题。

主权项

1.一种基于过程尺寸特征的铅锌矿品位软测量方法，包括以下步骤：S1：收集不同品位下的锌浮选的泡沫视频和生产数据，对采集到的锌浮选数据以及生产数据进行数据预处理,如下：1)剔除测量到的数据取值超出变化范围的错误数据；2)剔除不匹配的数据以及存在空缺值的数据；S2：利用浮选现场图像采集系统所获得的泡沫视频读取RGB泡沫图像，将泡沫图像由RGB颜色空间转化到HSI颜色空间，并提取亮度分量作为源图像，得到一个图像序列I＝[I1,I2,...,Iq]，q为视频帧数；S3：对图像序列I中的第i帧泡沫图像Ii做分割并统计分割结果中所有气泡的面积的概率直方图Hi,用韦伯分布函数拟合Hi，得到韦伯分布函数的参数βi,μi,γi，将Ti＝[βi,μi,γi]作为第i帧泡沫图像Ii的尺寸分布特征，对图像序列I中每一帧图像都做相同处理，得到尺寸分布序列T＝[T1,T2,...,Tq]；S4：对S3中得到的尺寸分布序列T建立高斯‑马尔可夫自回归滑动平均模型，其函数表达式如下：其中：x(k)，x(k+1)是n维的状态向量；y(k)是一个m维的输出向量，y(k)＝Tk代表纹理特征；v(k)是一个服从高斯分布的随机变量，它的协方差矩阵为V；w(k)是一个服从高斯分布的随机变量，协方差矩阵为W；k＝1,2,3…,q估计出参数A,C,V的值，将其排列成一个列向量F，称F为这一段时间浮选过程的过程尺寸特征；S5：将S4中得到的F和与其对应的精矿品位G组合在一起，作为一个样本点Di＝{Fi,Gi)}；将收集的所有的视频求出过程尺寸特征，与精矿品位组合，求出所有的样本点集合D＝{(F1,G1),...,(Fi,Gi),...,(FN,GN)}，用Fi(j)表示Fi的第j个分量；S6：用S5中获得的样本集，采用CART算法训练决策树模型，记为f0；S7：建立预测模型，设计一个损失函数Lf来定量的计算生成的模型输出值与实际测量值的偏差，根据损失函数Lf逐步递增地生成一个以f0为基础的提升树模型，其步骤如下：1)将fi更新为fi'＝fi+φi+1(F)，其中：i＝0,1,2,3…，φi+1为新加入的弱学习器；2)设计损失函数Lf，令其中，η为一个小于1的常数。3)求解得到使得损失函数Lf取最小值的φ_i+1的数值解；4)以φi+1为目标值，按照步骤S6建立决策树模型得到fi+1；5)重复上述步骤，共生成L棵树，得到提升决策树：fboost(F)＝f0(F)+ηf1(F)+...+ηfL(F)；S8：获取待检测锌浮选泡沫样本数据输入计算机，计算机根据步骤S3，S4计算过程尺寸特征，并输入S7中得到的模型，即可得到预测的锌精品位。