[发明专利]一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法

说明书

本发明公开了一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法，该方法搭建动态溢流方式及水平四周补光的机器视觉系统，捕获浮选尾矿图像；基于卷积神经网络对不同工况的尾矿图像分类，实现对稳定的目标尾矿图像的筛选；融合传统特征和深度抽象特征，在深度卷积神经网络外层接回归预测器进行训练，实现对浮选尾矿灰分的实时预测。该方法环保高效、预测精度高，有效替代了原来过程复杂、耗时耗力的尾矿化验方式，避免了浮选生产过程反馈调节的高延迟性，并且对保证煤炭资源高效回收、智能化产业升级和提升选厂效益具有重要的意义，有较大的应用潜力。

技术领域

本发明涉及煤浮选技术领域，具体涉及一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法。

背景技术

煤的浮选过程参数冗杂，变量之间呈非线性且产品指标的检测严重滞后，这使浮选工艺实现自动化运行和闭环控制的进程较为困难。随着计算和检测技术的迭代更新，已经有传感器让浮选过程变量的准确捕获变得可能，但是至关重要的浮选指标依然在工业上缺少可靠的检测技术，尤其是浮选尾矿的灰分值，它涉及到精煤产率、可燃体回收率和浮选完善指标等多个性能参数的计算，对煤浮选工艺的评价和过程控制非常重要。

目前关于浮选尾矿灰分快速检测的研究主要集中在三个方向，分别是γ射线、光电快速检测和机器视觉。其中CN112486228A公开了一种运用γ射线测灰仪的浮选机控制系统，但是γ射线因为存在辐射风险、成本高等原因一直受到限制；光电快速检测是通过元件检测通过尾矿矿浆的白光通过率来预测浮选尾矿的灰分值，该方法受限于透光器件容易磨损，影响预测性能；机器视觉技术通过尾矿矿浆表面的视觉特征来反应尾矿的工况，该过程模仿了浮选司机调控浮选生产的人工操作策略，更加环保可靠，具有较大的应用潜力。

已有的研究中，多数采用尾矿图像的灰度值直接模拟，尽管灰度值与尾矿灰分有较强的相关性，但忽略了许多细节特征，因此得到的误差也较大；此外，浮选尾矿中存在的气泡和油粒会严重干扰尾矿灰分预测模型的结果，这些特征对于矿浆尾矿灰分的预测无益处，已有的研究中未对此提出有效的解决方法。煤浮选尾矿矿浆图像是典型的无背景图像，表面除了单一的灰度明暗变化特征外，表面还存在细小的颗粒斑点和油膜撑开的纹理等细节特征，然而这些细节特征更多的需要像素级表达，传统的算法经常会忽略这些特征，降低模型的预测潜力。深度学习方法可以通过大量的标注数据学习，可以提取出更高阶的强鲁棒性特征，因此浮选数据集与深度学习的结合也是该领域的一个热点问题。

虽然相关的技术给煤浮选工艺的自动化运行和闭环控制给出技术支撑，但是由于应用效果和选厂整体智能化升级进程的限制，煤浮选工业现场依然较多采用快灰法检测，这种方式过程复杂、耗时耗力，对于指导浮选生产有很高的延迟性，相应的可燃体回收率和精煤产率等指标不能得到实时的调控，因此煤浮选工业急需一套成熟可靠的尾矿监测方法作为保证煤炭资源高效回收、智能化产业升级和提升选厂效益的发力点。

发明内容

针对上述存在的技术不足，本发明的目的是提供一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法，其搭建动态溢流方式及水平四周补光的机器视觉系统，捕获浮选尾矿图像；基于卷积神经网络对不同工况的尾矿图像分类，实现对稳定的目标尾矿图像的筛选；融合传统特征和深度抽象特征，在深度卷积神经网络外层接回归预测器进行训练，实现对浮选尾矿灰分的实时预测；本方法环保高效、预测精度高，有效替代了原来过程复杂、耗时耗力的尾矿化验方式，避免了浮选生产过程反馈调节的高延迟性，并且对保证煤炭资源高效回收、智能化产业升级和提升选厂效益具有重要的意义，有较大的应用潜力。

为解决上述技术问题，本发明提供一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法，包括以下步骤：

S1：构建捕获浮选尾矿图像的动态溢流面的浮选尾矿监测机器视觉系统，用于捕获浮选尾矿模型训练用的尾矿数据集和模型预测用的数据来源，具体过程为：

S11：方法中所述的机器视觉系统包括工业CCD相机(RGB)、LED面光源、尾矿溢流堰体和矿浆回收槽；