基于稀疏多核最小二乘支持向量機的浮選關(guān)鍵指標軟測量

陽春華，任會峰，許燦輝，桂衛(wèi)華

(中南大學 信息科學與工程學院，長沙 410083)

基于稀疏多核最小二乘支持向量機的浮選關(guān)鍵指標軟測量

陽春華，任會峰，許燦輝，桂衛(wèi)華

(中南大學 信息科學與工程學院，長沙 410083)

由于浮選性能受多種因素的制約，適宜的礦漿pH值是高效泡沫浮選的關(guān)鍵。針對pH值在線檢測儀易受干擾、維護保養(yǎng)成本高等不足，結(jié)合泡沫浮選過程機理分析，以泡沫視頻圖像特征為輔助變量，將局部核函數(shù)和全局核函數(shù)加權(quán)組合，提高模型的學習和泛化能力，利用Schmidt正交化理論約簡多核矩陣，減小計算量，建立基于稀疏多核最小二乘支持向量機的浮選礦漿pH值軟測量模型。工業(yè)運行數(shù)據(jù)測試結(jié)果表明：所建模型具有預(yù)測精度高、反應(yīng)迅速、穩(wěn)定性好等優(yōu)點，適于工業(yè)應(yīng)用。

pH值；軟測量；多核最小二乘支持向量機；稀疏性；泡沫浮選

泡沫浮選是氣、液、固三相交互的復(fù)雜的物理化學反應(yīng)過程[1]。礦漿的pH值直接影響礦漿離子組成、細泥的分散和凝聚、浮選藥劑的活性、礦物的可浮性等[2]，因此，特定的礦石及相應(yīng)的浮選工藝只有在適宜的礦漿 pH值條件下才能獲得滿意的效果。目前，選廠裝備的 pH在線檢測儀使用壽命短、誤差大、穩(wěn)定性差、維護量大[3?4]。實際生產(chǎn)中，操作工人利用pH測定儀或pH試紙通過離線分析的方式每隔1 h化驗一次礦漿 pH值，勞動量大，檢測滯后，難以及時調(diào)整，無法保證工況穩(wěn)定。因此，實時準確地測量礦漿pH值，對優(yōu)化浮選生產(chǎn)意義重大。

研究表明，泡沫的外觀特征是礦物的物理化學性質(zhì)、浮選藥劑、機械和操作條件等的綜合反映，具有非接觸性、可連續(xù)在線獲取等優(yōu)點[5]。基于泡沫圖像特征建立軟測量數(shù)據(jù)模型，無需改動現(xiàn)有工藝，可移植性更強。最小二乘支持向量機(LSSVM)是一種基于數(shù)據(jù)的建模方法，具有良好的學習性能[6?7]，但是，標準LSSVM基于單個特征空間的單核映射，模型性能依賴于核函數(shù)的選擇[8]。多核最小二乘支持向量機(MK-LSSVM)通過將數(shù)據(jù)的各維特征分量輸入不同的核函數(shù)進行映射，可以提高模型的預(yù)測精度，為解決核函數(shù)的選擇難題提供了契機[9]，但仍缺乏稀疏性，計算量大，不利于實時檢測；常用的剪枝法需要大量的迭代，效率較低，而且部分描述輸入?輸出關(guān)系信息的行向量被刪除，導致模型性能隨之降低[10]。

本文作者針對泡沫浮選礦漿 pH值難以在線檢測的問題，以國內(nèi)某企業(yè)礦物泡沫浮選過程為研究對象，結(jié)合浮選機理分析，提取多種泡沫表觀特征作為輔助變量，研究稀疏多核最小二乘支持向量機(SMKLSSVM)的建模方法，采用Schmidt正交化理論約簡多核矩陣，建立實時性好、預(yù)測精度高、推廣能力強的浮選礦漿pH值軟測量模型。

1 泡沫浮選過程

泡沫浮選是利用礦物表面疏水性質(zhì)的差異，將有價礦物與脈石分離的過程[11]。圖1所示為單個浮選槽泡沫浮選的示意圖。

泡沫浮選基本過程是在浮選機中添加各種藥劑，與送入浮選機的微粒礦物、工業(yè)用水等混合形成礦漿。風機壓入的空氣流在葉輪高速旋轉(zhuǎn)的旋渦作用以及礦漿與氣流垂直交叉運動的剪切作用下被分割成眾多微小氣泡，氣泡在上升過程中與疏水的有價礦物粘附，在浮選機液面表層聚集成為礦化泡沫，在刮板的作用下進入溜槽，回收富集為精礦。而脈石等親水性礦物由于不能與氣泡粘附而滯留在礦漿中，作為尾礦排出。攝像機拍攝浮選槽表層泡沫圖像經(jīng)過光纖傳輸?shù)焦I(yè)控制計算機實時顯示處理。

圖1 單個浮選槽的結(jié)構(gòu)示意圖Fig.1 Scheme of individual flotation cell

2 基于 SMK-LSSVM 的泡沫浮選礦漿pH值軟測量

2.1 輔助變量的選擇與計算

深入分析具體浮選工藝發(fā)現(xiàn)：礦漿pH值較低時，礦粒表面帶正電荷，對捕收劑的靜電物理吸附活性差，不利于礦粒與氣泡的粘附，泡沫含礦量低，顏色偏紅，泡沫發(fā)黏，流動性較差；pH值較高時，選用的起泡劑起泡能力增強，氣泡表面張力降低，有利于形成眾多穩(wěn)定的微小氣泡，防止氣泡相互兼并而形成易碎的大泡，礦化氣泡在浮選槽表層堆積，相互擠壓形變，呈現(xiàn)不規(guī)則的橢圓形。

本文作者在CIE-Lab空間計算泡沫圖像的b分量描述泡沫顏色[12]。采用谷底邊緣檢測分割泡沫圖像[13]，對分割后的圖像去除邊界非完整氣泡區(qū)域并進行像素標定得到氣泡實際面積，并以與氣泡區(qū)域具有相同標準二階中心矩的橢圓的離心率描述氣泡形狀特征。圖2所示為現(xiàn)場獲取的一幅泡沫圖像及分割結(jié)果，圖3和4所示分別為該分割圖像所有完整氣泡區(qū)域的大小和離心率的直方圖。從圖中可見，氣泡大小和離心率服從偏態(tài)分布，故綜合尺寸和離心率分布的均值、方差、偏斜度和峰度描述泡沫形態(tài)特征。利用宏塊匹配技術(shù)對泡沫圖像序列的速度特征進行估計，計算水平方向速度向量的均值，再采用二維拉格朗日曲面插值方法提取亞像素位移，通過像素標定值計算得到泡沫實際移動速度[14]。

圖2 分割的泡沫圖像Fig.2 Segmented froth image

最終確定以CIE-Lab中的b分量bcolor，尺寸(形狀)分布的均值 Esize(Eshape)、方差 Dsize(Dshape)、偏斜度Ssize(Sshape)和峰度Ksize(Kshape)、流速v共10種泡沫表觀特征作為輔助變量。

圖3 氣泡大小直方圖Fig.3 Histogram of size of bubbles

圖4 氣泡離心率直方圖Fig.4 Histogram of eccentricity of bubbles

2.2 礦漿pH值的MK-LSSVM軟測量模型

以[bcolor，Esize，Dsize，Ssize，Ksize，Eshape，Dshape，Sshape，Kshape，v]T作為模型輸入 xi，pH值作為模型輸出 yi構(gòu)成樣本集，基于MK-LSSVM的pH軟測量是求解式(1)的優(yōu)化問題：

式中：w是權(quán)系數(shù)向量；C為平衡模型復(fù)雜度和計算誤差之間的調(diào)整系數(shù)；b是決策超平面的偏置常數(shù)；?(x)是將輸入樣本從原空間Rd映射到高維特征空間的非線性映射。構(gòu)造對偶拉格朗日函數(shù)并求偏導，式(1)轉(zhuǎn)化為求解式(2)的線性方程組問題：

式中：αi為拉格朗日乘子；K(xi,xj)=?T(xi)?(xj)是滿足Mercer條件的核函數(shù)，綜合考慮建模精度要求和復(fù)雜度的限制，根據(jù)核函數(shù)的性質(zhì)，將學習能力強的高斯核函數(shù)和泛化能力強的多項式核函數(shù)融合，進行線性加權(quán)，構(gòu)建新的Mercer核函數(shù)：其中K1為多項式核函數(shù)：1( 1)di K x x= ?+ ，K2為高斯核函數(shù)：則由式(2)可得基于MK-LSSVM的pH值軟測量模型為

2.3 MK-LSSVM軟測量模型的稀疏性實現(xiàn)

所有樣本在高維特征空間的映射向量構(gòu)成一個映射矩陣[φ (x1),L ,φ(xn)]T，其中的任意一個映射向量φ( xi)都可以由該映射矩陣中的列向量組合表示，如式(4)所示。

式中：[φ (x%1),L ,φ(x%m)]T是映射矩陣的一組基，1≤i≤n，從而可用該映射矩陣的基代替原映射矩陣實現(xiàn)稀疏性。

根據(jù)Schmidt正交化理論，映射向量φ(xa)的正交化可表示為

根據(jù)核矩陣各列向量G(i,i)的大小選取向量，每次選出最大的G(i,i)所在列xi，再對原矩陣中的其余列向量正交化，假設(shè)核矩陣的秩為 r，構(gòu)造稀疏核矩陣的算法如下：

3 結(jié)果與分析

以工業(yè)現(xiàn)場泡沫浮選過程為實驗對象，單個浮選槽的有效容積為40 m3。在泡沫表層上方100 cm處安裝彩色CCD攝像機拍攝泡沫視頻，視野為12 cm×9 cm，拍攝速率為 7.5幀/s。圖像視頻信號通過光纖傳輸?shù)焦I(yè)計算機實時顯示并提取泡沫表觀特征作為輔助變量。每隔1 h人工取樣，離線化驗礦漿pH值作為主導變量，并與取樣時刻提取的泡沫表觀特征關(guān)聯(lián)構(gòu)成一組樣本數(shù)據(jù)建立軟測量模型。圖5所示為基于SMK-LSSVM的礦漿pH值軟測量示意圖。

圖5 礦漿pH值軟測量示意圖Fig.5 Block diagram of pH of soft-sensor

針對168組生產(chǎn)數(shù)據(jù)，采用3σ準則剔除粗大誤差樣本，剩余152組數(shù)據(jù)，經(jīng)過濾波、歸一化預(yù)處理后隨機選擇120組數(shù)據(jù)樣本訓練軟測量模型，最近鄰山峰聚類算法約簡核矩陣?；赟MK-LSSVM的pH軟測量模型需要估計的關(guān)鍵參數(shù)有正則化參數(shù)C、核加權(quán)系數(shù)μ以及核函數(shù)本身的參數(shù)d和σ共4個，采用混沌偽并行遺傳算法[15]尋優(yōu)模型參數(shù)值。模型訓練時以化驗值和預(yù)測值之差作為校正數(shù)據(jù)，修正軟測量模型。

用剩余32組數(shù)據(jù)樣本測試模型性能。由于浮選工況時變，軟測量模型的性能會隨時間的推移產(chǎn)生較大預(yù)測誤差，所以，采用替代法[16]實現(xiàn)軟測量模型的在線修正。圖6所示為pH軟測量模型的預(yù)測值與人工化驗值對比的散點圖。對角線上的點表示預(yù)測值與離線化驗值完全吻合。從圖6可見，所有點均勻分布在對角線兩側(cè)，相對誤差在±5%的范圍內(nèi)，表明模型具有較高的穩(wěn)定性和預(yù)測精度。

圖6 pH軟測量值與人工化驗值對比Fig.6 Comparison of soft-sensor and measured values

再用單核LSSVM在相同條件下建模，選擇高斯核函數(shù)，并采用與本文相同的方法約簡核矩陣和尋優(yōu)模型參數(shù)。模型的性能評價指標對比如表1所列。其中，Δ是最大相對誤差，σ是均方根誤差。

由表1可知，單核的LSSVM建模方法由于采用單一的高斯核函數(shù)，泛化能力相對不足，pH值預(yù)測誤差較大，會導致藥劑和資源的較大浪費。而基于SMK-LSSVM的pH軟測量模型融合學習能力強的高斯核函數(shù)與泛化能力強的線性核函數(shù)，兼顧了模型的學習能力和泛化能力，最大相對誤差為 4.93%，表明模型具有較高的預(yù)測精度，均方根誤差為0.17，表明模型性能穩(wěn)定，能較好地檢測礦漿pH值。

表1 pH軟測量模型性能指標比較Table 1 Comparison of performance indexes between different pH soft-sensor models

4 結(jié)論

1) 礦漿的 pH值是泡沫浮選過程的重要監(jiān)控指標。泡沫表觀特征能夠?qū)崟r反應(yīng)pH值的變化。利用泡沫表觀特征作為輔助變量實現(xiàn)pH軟測量具有反應(yīng)迅速等優(yōu)點，可推廣應(yīng)用于其他關(guān)鍵指標的在線檢測。

2) 在線泡沫視頻圖像表觀特征與多核最小二乘支持向量機結(jié)合，實現(xiàn) pH軟測量，為實時檢測礦物浮選礦漿pH值提供一條新的有效途徑。

3) 與單核LSSVM軟測量方法相比，稀疏多核學習的軟測量模型具有更強的學習能力和泛化能力，預(yù)測精度更高，性能更穩(wěn)定，采用基于最近鄰山峰聚類的核矩陣約簡方法，減小了計算量，縮短了 pH值的預(yù)測時間，可用于其他類似工業(yè)過程指標的軟測量建模，取代離線的化學分析。

REFERENCES

[1] 李 艷, 孫 偉, 胡岳華. 氣泡性質(zhì)對高嶺石浮選行為的影響[J]. 中國有色金屬學報, 2009, 19(8): 1498?1504.LI Yan, SUN Wei, HU Yue-hua. Effect of bubble properties on flotation behavior of kaolinite[J]. The Chinese Journal of Nonferrous Metals, 2009, 19(8): 1498?1504.

[2] MA X, BRUCKARD W J, HOLMES R. Effect of collector, pH and ionic strength on the cationic flotation of kaolinite[J].International Journal of Mineral Processing, 2009, 93(1): 54?58.

[3] 黃宋魏, 張博亞, 胡 娟, 鄧云英, 鄭志強. pH計及其在浮選中的應(yīng)用[J]. 有色金屬: 選礦部分, 2008(2): 41?45.HUANG Song-wei, ZHANG Bo-ya, HU Juan, DENG Yun-ying,ZHENG Zhi-qiang. The application of pH apparatus in flotation[J]. Nonferrous Metals: Mineral Processing Section,2008(2): 41?45.

[4] 賈潤達, 毛志忠, 常玉清, 周俊武. 鈷濕法冶煉萃取過程中的組分含量軟測量[J]. 控制與決策, 2009, 24(4): 632?636.JIA Run-da, MAO Zhi-zhong, CHANG Yu-qing, ZHOU Jun-wu.Soft sensing for component content in cobalt hydrometallurgy extraction process[J]. Control and Decision, 2009, 24(4):632?636.

[5] 劉文禮, 路邁西, 王 凡, 王 勇. 煤泥浮選泡沫圖像紋理特征的提取及泡沫狀態(tài)的識別[J]. 化工學報, 2003, 54(6):830?835.LIU Wen-li, LU Mai-xi, WANG Fan, WANG Yong. Extraction of textural feature and recognition of coal flotation froth[J].Journal of Chemical Industry and Engineering, 2003, 54(6):830?835.

[6] LIU B, SU H Y, CHU J. New predictive control algorithms based on least squares support vector machines[J]. Journal of Zhejiang University Science A: Science in Engineering, 2005, 6(5):440?446.

[7] 舒服華. 基于 LS-SVM 的銅鉻合金擠壓加工擠壓力預(yù)測[J].中國有色金屬學報, 2008, 18(9): 1706?1710.SHU Fu-hua. Prediction model for extrusion force of Cu-0.75Cr alloy based on least square support vector machine[J]. The Chinese Journal of Nonferrous Metals, 2008, 18(9): 1706?1710.

[8] 陳如清, 俞金壽. 基于粒子群最小二乘支持向量機的軟測量建模[J]. 系統(tǒng)仿真學報, 2007, 19(22): 5307?5310.CHEN Ru-qing, YU Jin-shou. Soft sensor modeling based on particle swarm optimization and least squares support vector machines[J]. Journal of System Simulation, 2007, 19(22):5307?5310.

[9] 汪洪橋, 孫富春, 蔡艷寧, 陳 寧, 丁林閣. 多核學習方法[J].自動化學報, 2010, 36(8): 1037?1050.WANG Hong-qiao, SUN Fu-chun, CAI Yan-ning, CHEN Ning,DING Lin-ge. On multiple kernel learning methods[J]. Acta Automatica Sinica, 2010, 36(8): 1037?1050.

[10] 宋海鷹, 桂衛(wèi)華, 陽春華. 稀疏最小二乘支持向量機及其應(yīng)用研究[J]. 信息與控制, 2008, 37(3): 334?345.SONG Hai-ying, GUI Wei-hua, YANG Chun-hua. Sparse least squares support vector machine and its applications[J].Information and Control, 2008, 37(3): 334?345.

[11] 耿增顯, 柴天佑. 基于案例推理的浮選過程智能優(yōu)化設(shè)定[J].東北大學學報: 自然科學版, 2008, 29(6): 761?764.GENG Zeng-xian, CHAI Tian-you. Intelligently optimal index setting for flotation process by CBR[J]. Journal of Northeastern University: Natural Science, 2008, 29(6): 761?764.

[12] REDDICK J F, HESKETH A H, MORAR S H, BRADSHAW D J. An evaluation of factors affecting the robustness of colour measurement and its potential to predict the grade of flotation concentrate[J]. Minerals Engineering, 2009, 22(1): 64?69.

[13] YANG C H, XU C H, MU X M, ZHOU K J. Bubble size estimation using interfacial morphological information for mineral flotation process monitoring[J]. Transactions of Nonferrous Metals Society of China, 2009, 19(3): 694?699.

[14] 唐朝暉, 劉金平, 桂衛(wèi)華, 陽春華. 基于數(shù)字圖像處理的浮選泡沫速度特征提取及分析[J]. 中南大學學報: 自然科學版,2009, 40(6): 1616?1622.TANG Zhao-hui, LIU Jin-ping, GUI Wei-hua, YANG Chun-hua.Froth bubbles speed characteristic extraction and analysis based on digital image processing[J]. Journal of Central South University: Science and Technology, 2009, 40(6): 1616?1622.

[15] 桂衛(wèi)華, 陽春華, 李勇剛, 賀建軍, 尹林子. 基于數(shù)據(jù)驅(qū)動的銅閃速熔煉過程操作模式優(yōu)化及應(yīng)用[J]. 自動化學報, 2009,35(6): 717?724.GUI Wei-hua, YANG Chun-hua, LI Yong-gang, HE Jian-jun,YIN Lin-zi. Data-driven operational-pattern optimization for copper flash smelting process[J]. Acta Automatica Sinica, 2009,35(6): 717?724.

[16] 陶少輝, 史書陽, 劉 猛, 金思毅. LS-SVM 模型在線校正的替代法及其軟測量應(yīng)用[J]. 化工自動化及儀表, 2010, 37(8):15?18.TAO Shao-hui, SHI Shu-yang, LIU Meng, JIN Si-yi.Substituting method for LS-SVM online updating and its application to soft sensing[J]. Control and Instruments in Chemical Industry, 2010, 37(8): 15?18.

Soft sensor of key index for flotation process based on sparse multiple kernels least squares support vector machines

YANG Chun-hua, REN Hui-feng, XU Can-hui, GUI Wei-hua
(School of Information Science and Engineering, Central South University, Changsha 410083, China)

The pH value of pulp can directly influence the mineral froth flotation efficiency. Considering the poor stability of detectors and serious manual detection time-delay, a novel soft-sensor of pH is proposed combined with the analysis of flotation mechanism and convex combination of Gaussian and linear kernel function based on the sparse multiple kernels least squares support vector machines using image features as instrumental variable. Furthermore, the kernel matrices were reduced by Schmidt orthogonalization theory to lower the computational complexity. The experiment has verified the presented model performs high prediction accuracy, high efficiency and good stability.

pH value; soft sensor; multiple kernels least squares support vector machines; sparsity; froth flotation

TD923；TP273

A

1004-0609(2011)12-3149-06

國家自然科學基金資助項目(60634020，61071176)；國家高新技術(shù)研究發(fā)展計劃資助項目(2009AA04Z124)

2011-01-19；

2011-07-10

陽春華，教授，博士；電話：0731-88830394；E-mail: ychh@csu.edu.cn

(編輯 李艷紅)