本申请提供了一种面向铜矿浮选过程铜品位的测量方法及装置,该方法包括:获取测量数据,并对测量数据进行数据增强处理,以降低测量数据中无标签样本的维度,并基于无标签样本和测量数据中有标签样本构建训练集和测试集;以BiLSTM作为学习器,从训练集的时间序列数据中双向探索价值信息;针对过程数据中存在的冗余变量,对冗余变量进行剔除处理,得到稳健BiLSTM模型,并基于稳健BiLSTM模型对铜矿浮选过程铜品位进行测量。本申请能够克服现有的铜矿浮选过程的测量数据存在无标签样本,离群值和冗余变量的问题实现对铜品位的快速和准确的估计,从而有助于铜矿石浮选过程的控制和优化。
背景技术
浮选是铜矿加工中常用的矿物分离方法,通过气泡的作用将有用铜矿从废石中分离出来。首先,原矿石在研磨系统中粉碎和研磨后,得到的铜矿粒子被送入一个浮选槽中,与水混合形成矿浆。然后,用表面活性剂和发泡剂处理这些矿浆,通过搅拌器的持续搅拌,供应的空气和水在发泡剂使的作用下产生气泡,其中有价值的矿物粉末在表面活性剂的作用下附着在气泡上。然后气泡浮到矿浆的顶部形成一个泡沫层,从中收集和浓缩有价值的矿物。最后,将浓缩物转到一个脱水系统,以获得浮选过程的成品。不能浮动的矿石颗粒从浮选槽底部排放出来作为尾矿。因为产品的铜品位反映了最终产品的质量,所以其被视为一个关键绩效指标。因此,对于这个过程来说,实时监测和控制此变量非常关键。然而,在现场操作中,对变量的测量需要技术熟练的操作人员进行手动取样和实验室测试,获得每个结果需要15分钟,既耗时又高成本。因此,开发一个准确的软测量传感器对于提供更快捷、更方便的监测目标变量—产品的铜品位至关重要。
然而,软测量传感器的开发存在以下问题:(1)该过程相当长,导致输入和输出之间存在显著的时间延迟;(2)该过程的工作环境非常恶劣,导致测量数据中存在许多异常值;(3)目标变量是以约15分钟的间隔通过实验室测量获得的。其他过程变量,如矿石进料速率、溢流细度和浆液的pH值,则是以几十秒的间隔进行测量的。历史数据中存在许多未标记的样本,可能包含许多有价值的信息。因此,有必要开发一种测量方法来解决此问题。
实现思路