專利名稱：測量水力旋流器固液分離溢流粒度分布的支持向量機(jī)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及自動化技術(shù)中的測量技術(shù)。具體為對一種在固液分離中得到廣泛應(yīng)用的機(jī)械——水力旋流器的重要指標(biāo)溢流粒度指標(biāo)進(jìn)行軟測量的方法。
背景技術(shù)：
水力旋流器是一種分離非均相液體混合物的設(shè)備，它根據(jù)兩相或多相之間的密度差，利用離心力來實現(xiàn)兩相或多相分離。水力旋流器在化工、石油、選礦等領(lǐng)域應(yīng)用十分廣泛。根據(jù)分離物質(zhì)的不同，水力旋流器可分為固液分離和液液分離兩類。本文只討論用于固液分離的水力旋流器，以下的“旋流器”或“水力旋流器”均指用于固液分離的水力旋流器。
作為一種應(yīng)用廣泛的固液分離設(shè)備，水力旋流器的溢流粒度指標(biāo)決定了分離的能耗、原料損耗和分離效果，是衡量分離品質(zhì)的重要指標(biāo)，在選礦應(yīng)用中對后繼工序也有較大影響，因此實時、準(zhǔn)確測量溢流濃度具有重要意義。目前常用的檢測方法有兩種1.人工離線檢測。其優(yōu)點(diǎn)在于技術(shù)難度低，容易實現(xiàn)；缺點(diǎn)為測量時間間隔過大，難以構(gòu)成控制回路，對生產(chǎn)指導(dǎo)性不足；2.粒度儀在線測量。其優(yōu)點(diǎn)在于測量精度高，實時性強(qiáng)；缺點(diǎn)為價格昂貴，維護(hù)復(fù)雜，國內(nèi)選礦廠大多難以配備。
此外，國內(nèi)專利公開號CN 1525153A(簡稱專利A)提出了一種針對球磨機(jī)磨礦系統(tǒng)溢流粒度指標(biāo)的軟測量方法，與本文內(nèi)容非常類似。專利A中提出的方法從一定程度上克服了上述兩種常用方法的缺點(diǎn)，但也存在一定的缺點(diǎn)1、將球磨機(jī)與分級機(jī)聯(lián)系，引入大量的輔助變量，相關(guān)小或者重復(fù)的變量的引入反而會造成模型的誤差；2、使用基于經(jīng)驗風(fēng)險最小化的學(xué)習(xí)方法，在學(xué)習(xí)和更新的樣本數(shù)量上的要求很高，缺乏快速溢流粒度指標(biāo)檢測手段的企業(yè)很難達(dá)到樣本數(shù)量的要求。

發(fā)明內(nèi)容
本發(fā)明針對性強(qiáng)，選擇了與旋流器直接相關(guān)的輔助變量，采用了支持向量機(jī)(SVM)方法，對樣本的要求低，在實現(xiàn)上的可能性更大，而且從理論上說，SVM方法為基于結(jié)構(gòu)風(fēng)險最小化的近似實現(xiàn)，推廣性更強(qiáng)。
支持向量機(jī)實現(xiàn)的是如下思想它通過某種事先選擇的非線性映射將輸入向量x映射到高維特征空間Z，在這個最優(yōu)空間中構(gòu)造最優(yōu)分類超平面。它是在統(tǒng)計理論基礎(chǔ)上發(fā)展起來的一種新的通用學(xué)習(xí)方法，同時最小化了經(jīng)驗風(fēng)險和VC維的界。支持向量機(jī)可以用于模式識別和函數(shù)擬合。本發(fā)明利用的是用于函數(shù)擬合的支持向量機(jī)。以下若非特別說明，“支持向量機(jī)”均指用于函數(shù)擬合的支持向量機(jī)。
支持向量機(jī)的核心思想在于以下幾點(diǎn)1、并不拘泥于精確擬合所有樣本數(shù)據(jù)，引入精度控制指標(biāo)(需要人為事先指定)，只保證擬合函數(shù)在指定精度控制指標(biāo)內(nèi)擬合樣本數(shù)據(jù)，并對極個別超出精度控制指標(biāo)的樣本數(shù)據(jù)進(jìn)行一定程度的懲罰；2、在滿足第一點(diǎn)條件的前提下，使擬合函數(shù)盡可能平滑。這兩點(diǎn)核心思想一方面保證了擬合函數(shù)可以在指定精度范圍內(nèi)擬合樣本點(diǎn)，又保證了擬合函數(shù)可以以較大的概率比較精確地擬合那些樣本點(diǎn)之外的數(shù)據(jù)。
支持向量機(jī)方法得到的擬合函數(shù)具有如下的形式f(x)=Σi=1l(αi-αi*)K(x,xi)+b---(1)]]>其中，xi，i＝1，2，…，l為訓(xùn)練樣本輸入，l為訓(xùn)練樣本總數(shù)，αi，αi*，b是需要通過訓(xùn)練得到的參數(shù)，K為核函數(shù)，需要事先人為指定其形式。
支持向量機(jī)的訓(xùn)練過程是解如下的約束條件下的凸優(yōu)化問題而得到參數(shù)αi，αi*，bmaxJ=-12Σi=1lΣj=1l(αi-αi*)(αj-αj*)K(xi,xj)-ϵΣi=1l(αi+αi*)+Σi=1lyi(αi-αi*)---(2)]]>約束條件為Σi=1l(αi-αi*)=0]]>αiαi*=0,i=1,2,···,l---(3)]]>0≤αi,αi*≤C,i=1,2,···,l]]>其中，ε為誤差限，需要事先人為指定，yi，i＝1，2，…，l為訓(xùn)練樣本輸出，C為超出誤差限的懲罰系數(shù)，需要事先人為指定。該約束條件又稱為KKT條件。
較常用的支持向量機(jī)訓(xùn)練算法為序貫最小優(yōu)化算法(SMO算法)。這種算法每次選擇兩個不滿足KKT條件的樣本進(jìn)行優(yōu)化，得到相應(yīng)的αi(*)，αj(*)，同時更新b。由于每次對兩個樣本進(jìn)行優(yōu)化，因此優(yōu)化解是解析的。
基本的SMO算法是針對用于模式識別的支持向量機(jī)的。因此本專利采用針對用于函數(shù)回歸的改進(jìn)SMO算法。改進(jìn)的SMO算法與基本算法的優(yōu)化樣本選擇流程完全相同，不同之處在于改進(jìn)算法對樣本的預(yù)處理和優(yōu)化的計算式。
以下的流程說明中用到了“調(diào)用-返回”的概念。其概念如下當(dāng)過程進(jìn)行到某一步，需要“調(diào)用”另一個過程時，則進(jìn)入相應(yīng)的過程；當(dāng)被調(diào)用過程“返回”時，返回到調(diào)用它的那一步的下一步。
改進(jìn)的SMO算法的步驟共分三層，分別描述如下(另參見附圖3)
●外層循環(huán)外層循環(huán)的作用是搜索第一個用于優(yōu)化的樣本，具體流程如下(并參見附圖3左側(cè)子圖)1)進(jìn)行數(shù)據(jù)預(yù)處理重新構(gòu)造訓(xùn)練樣本集(xi0，yi0)，i＝1，2，…，2l，其中xi0=xi,yi0=1,···i=1,2,···,lxi0=xi-l,yi0=-1,···i=l+1,l+2,···,2l,]]>另計αi+l=αi*,i=1,2,···,l,]]>ci-yi-ϵ,···i=1,2,···,lyi-l-ϵ,···i=l+1,l+2,···,2l,]]>計根據(jù)當(dāng)前的αi，i＝1，2，…，2l計算得到的第i個樣本的函數(shù)值為fi，i＝1，2，…，2l，則KKT條件可改寫為αi=C,yi0fi>=-ci]]>0<αi<C,yi0fi=-ci---(4)]]>αi=0,yi0fi<=-ci]]>以下根據(jù)預(yù)處理過的樣本進(jìn)行優(yōu)化。
2)隨機(jī)選擇初值αi，i＝1，2，…，2l3)依次遍歷所有樣本，直到找到第一個違反KKT條件的樣本為止，選定其為第一個待優(yōu)化樣本，以下用下標(biāo)1表示選定的第一個優(yōu)化樣本。若不存在違反KKT條件的樣本，則轉(zhuǎn)至第8)步4)調(diào)用內(nèi)層循環(huán)(將在第9)～14)步詳細(xì)說明)，選擇第二個待優(yōu)化樣本。
5)遍歷所有滿足0＜αi＜C的樣本，直到找到第一個違反KKT條件的樣本為止，選定其為第一個優(yōu)化樣本，若不存在滿足0＜αi＜C的樣本且違反KKT條件的樣本，則轉(zhuǎn)至第3)步。
6)調(diào)用內(nèi)層循環(huán)，選擇第二個待優(yōu)化樣本。
7)轉(zhuǎn)至第5)步。
8)保存數(shù)據(jù)，結(jié)束訓(xùn)練。
●內(nèi)層循環(huán)內(nèi)層循環(huán)的作用是搜索第二個優(yōu)化的樣本，具體流程如下(并參見附圖3右側(cè)子圖)9)根據(jù)當(dāng)前的αi，i＝1，2，…，2l計算第一個優(yōu)化樣本的函數(shù)值f1和E1=f1-y10c1;]]>依次搜索所有樣本，對第k個樣本，計算Ek=fk-yk0ck,1≤k≤2l,]]>找到2l個樣本中，使得|E1-Ek|最大的樣本，選定其為第二個進(jìn)行優(yōu)化的樣本。以下用下標(biāo)2表示選定的第二個優(yōu)化樣本。調(diào)用優(yōu)化過程(將在第15)～20)步詳細(xì)說明)。若選定的樣本不適于進(jìn)行優(yōu)化(“適于進(jìn)行優(yōu)化”的概念將在第17)步詳細(xì)說明)，則轉(zhuǎn)至第11)步10)否則轉(zhuǎn)至第14)步
11)遍歷所有滿足0＜αi＜C的樣本，對每個滿足0＜αi＜C的樣本調(diào)用優(yōu)化過程，直到找到一個適于進(jìn)行優(yōu)化的樣本為止。若不存在0＜αi＜C的樣本或所有滿足0＜αi＜C的樣本都不適于進(jìn)行優(yōu)化，則轉(zhuǎn)至第13)步；12)轉(zhuǎn)至第14)步。
13)遍歷所有樣本，對每個樣本調(diào)用優(yōu)化過程，直到找到一個適于進(jìn)行優(yōu)化的樣本為止。若不存在適于優(yōu)化的樣本，則轉(zhuǎn)至第14)步。
14)跳出內(nèi)層循環(huán)，返回調(diào)用位置，重新選擇第一個優(yōu)化樣本。
●優(yōu)化過程優(yōu)化過程的目的是對選定的樣本進(jìn)行優(yōu)化，詳細(xì)流程如下15)計算θij=K(xi0,xj0),i,j=1,2]]>和η＝2θ12-θ11-θ2216)分別用上標(biāo)new和old表示優(yōu)化前后的樣本。優(yōu)化算式為α2new=α2old-y20(E1-E2)η---(5)]]>α1new將在第18)步計算17)對優(yōu)化結(jié)果進(jìn)行裁剪，以使α1new，α2new滿足約束條件。用上標(biāo)clipped表示經(jīng)過裁剪的樣本。裁剪邊界為L=max(0,α1old+α2old-C),H=min(C,α1old+α2old),···]]>若y10=y20]]>L=max(0,α2old-α1old),H=min(C,C+α2old-α1old),···]]>若y10≠y20]]>(6)若裁剪邊界L＝H則說明受到約束條件的限制，選定的兩個樣本已經(jīng)不能進(jìn)一步優(yōu)化，這種情況稱為“樣本不適于進(jìn)行優(yōu)化”。此時跳出優(yōu)化過程，返回內(nèi)層循環(huán)中調(diào)用優(yōu)化過程的位置，重新選擇第二個優(yōu)化樣本。
裁剪的結(jié)果為 18)優(yōu)化α1α1new=α1old+y10y20(α2new-α2new,clipped)---(8)]]>19)更新b，Ei，i＝1，2若0＜α1new＜C，則bmew=E1old+y10(α1new-α1old)θ11+y20(α2new-α2old)θ12-bold]]>若0＜α2new＜C，則bnew=E2old+y10(α1new-α1old)θ21+y20(α2new-α2old)θ22-bold---(9)]]>否則bnew＝bold
Einew=Eiold+y10(α1new-α1old)ki1+y20(α2new-α2old)ki2-bold+bnew,i=1,2---(10)]]>20)跳出優(yōu)化過程，返回內(nèi)層循環(huán)。
發(fā)明內(nèi)容針對上述測量方法的不足之處，本發(fā)明利用SVM智能學(xué)習(xí)方法，通過一系列常規(guī)在線儀表提供的數(shù)據(jù)構(gòu)成軟測量模型，給出當(dāng)前旋流器溢流粒度指標(biāo)的測量值，為后續(xù)工序及構(gòu)成控制回路提供關(guān)鍵參數(shù)。
本發(fā)明針對性強(qiáng)，通過對旋流器內(nèi)流場理論的分析以及實際數(shù)據(jù)，并考慮到生產(chǎn)現(xiàn)場的傳感器配備情況，選擇了與旋流器直接相關(guān)且重要的輔助變量；采用了SVM方法，對樣本的要求低，在實現(xiàn)上的可能性更大；大部分網(wǎng)絡(luò)結(jié)構(gòu)由方法決定，使得學(xué)習(xí)方法更加可靠；而且SVM方法為基于結(jié)構(gòu)風(fēng)險最小化的近似實現(xiàn)，推廣性更強(qiáng)。
本發(fā)明的特征在于1.該方法依次含有以下步驟步驟1計算機(jī)經(jīng)過通訊接口，從安裝在所述旋流器進(jìn)料管處的流量計、濃度計、壓力計上讀取在設(shè)備承受能力內(nèi)、覆蓋且略大于正常工作范圍內(nèi)的一組進(jìn)料管流量qm、進(jìn)料體積濃度μv、進(jìn)料壓力Pm的數(shù)組，并用集合Sset表示，所述的Sset＝{[μv，qm，pm]，i＝1，2，…，n}；同時在系統(tǒng)進(jìn)入穩(wěn)態(tài)時，該計算機(jī)由安裝在所述旋流器溢流管出口處的溢流濃度計讀取相應(yīng)的一組溢流濃度數(shù)據(jù)，用μoi表示；在通過離線分析得到一組相應(yīng)的溢流粒度數(shù)值，用M200i表示，則所述μv，Pmi，qmi，μoi，M200i構(gòu)成一組訓(xùn)練樣本；步驟2所述計算機(jī)用改進(jìn)的序貫最小優(yōu)化算法訓(xùn)練支持向量機(jī)，以得到下面所述擬合函數(shù)f(x)中參數(shù)αi，αi*，b的數(shù)值范圍f(x)=Σi=1l(αi-αi*)K(x,xi)+b]]>其中，xi，i＝1，2，…，l為訓(xùn)練樣本，l為訓(xùn)練樣本總數(shù)，K為核函數(shù)，其形式是預(yù)設(shè)的；該步驟2依次含有以下步驟步驟2.1，在所述計算機(jī)中設(shè)定核函數(shù)K的形式，誤差限ε，超出該誤差限ε時的懲罰系數(shù)C；步驟2.2，按設(shè)定值讀取訓(xùn)練樣本數(shù)；步驟2.3，對訓(xùn)練樣本進(jìn)行預(yù)處理首先，剔除野值，所謂野值是指這樣的樣本其任意一個分量與所有樣本對應(yīng)分量的樣本均值的差的絕對值大于所有樣本對應(yīng)分量的樣本標(biāo)準(zhǔn)差的三倍；這一步使訓(xùn)練樣本都處在正常范圍內(nèi)；
其次，歸一化把訓(xùn)練樣本的每個分量都除以所對應(yīng)分量的樣本集的標(biāo)準(zhǔn)差，使經(jīng)過處理的訓(xùn)練樣本輸入變量的各個分量對輸入變量之間的距離的影響比較接近；步驟2.4，用所述序貫最小優(yōu)化算法，訓(xùn)練支持向量機(jī)，其步驟依次如下步驟2.4.1，數(shù)據(jù)預(yù)處理重新構(gòu)造訓(xùn)練樣本集(xi0，yi0)，i＝1，2，…，2l；其中，xi0=xi,yi0=1,···i=1,2,···,lxi0=xi-l,yi0=-1,···i=l+1,l+2,···,2l]]>令αi+l=αi*,i=1,2,···,l]]>相應(yīng)地，ci=-yi-ϵ,···i=1,2,···,lyi-l-ϵ,···i=l+1,l+2,···,2l]]>根據(jù)當(dāng)前的αi，i＝1，2，…，2l按照下述支持向量機(jī)方法的擬合函數(shù)的通式f(x)計算第i個樣本的函數(shù)值fi；f(x)=Σi=1l(αi-αi*)K(x,xi)+b]]>相應(yīng)的約束條件如下αi=C,yi0fi>=-ci]]>0<αi<C,yi0fi=-ci]]>αi=0,yi0fi<=-ci]]>步驟2.4.2，隨機(jī)選擇初值αi，i＝1，2，…，2l；步驟2.4.3，依次遍歷所有樣本；若所有樣本都滿足上述約束條件，則結(jié)束訓(xùn)練；若找到第一個違反上述約束條件的樣本，則選定該樣本為第一個待優(yōu)化樣本，用下標(biāo)“1”表示；步驟2.4.3按以下步驟調(diào)用內(nèi)層循環(huán)，選擇第二個待優(yōu)化樣本步驟2.4.3.1根據(jù)當(dāng)前的αi，i＝1，2，…，2l計算第一個待優(yōu)化樣本的函數(shù)值f1和E1=f1-y10c1;]]>步驟2.4.3.2依次搜索所有樣本，對第j個樣本計算Ej=fj-yj0cj,1≤j≤2l,]]>找到2l個樣本中|E1-Ej|值最大的樣本，選定為第二個待進(jìn)行優(yōu)化的樣本，用下標(biāo)“2”表示該樣本；步驟2.4.4，對所選定的上述兩個樣本進(jìn)行優(yōu)化，其步驟如下步驟2.4.4.1，按下式計算樣本的裁剪邊界，判別樣本是否適于進(jìn)行優(yōu)化；所述裁剪邊界為
L=max(0,α1old+α2old-C),H=min(C,α1old+α2old),···]]>當(dāng)y10=y20]]>時L=max(0,α2old-α1old),H=min(C,C+α2old-α1old),···]]>當(dāng)y10≠y20]]>時若L＝H，則說明受約束條件限制，所選定的兩個樣本，不能進(jìn)行優(yōu)化，返回步驟2.4.3；否則，執(zhí)行下一步步驟2.4.4.2，根據(jù)設(shè)定的核函數(shù)K，計算θij=K(xi0,xj0),i,j=1,2]]>和η＝2θ12-θ11-θ22步驟2.4.4.3，分別用上標(biāo)new，old表示優(yōu)化前后的樣本，計算α2new=α2old-y20(E1-E2)η]]>α1new=α1old+y10y20(α2new-α2new,clipped)]]>其中，α2new，clipped表示裁剪過的適于優(yōu)化的樣本 步驟2.4.4.4，更新b，Ei，i＝1，2；若0＜α1new＜C，則bnew=E1old+y10(α1new-α1old)θ11+y20(α2new-α2old)θ12-bold]]>若0＜α2new＜C，則bnew=E2old+y10(α1new-α1old)θ21+y20(α2new-α2old)θ22-bold]]>否則bnew＝boldEinew=Eiold+y10(α1new-α1old)θi1+y20(α2new-α2old)θi2-bold+bnew,i=1,2]]>步驟2.4.5，判斷所有0＜αi＜C的樣本是否滿足約束條件若都已滿足約束條件，返回步驟2.4.3，結(jié)束；否則，返回步驟2.4.3，找到第一個違反約束條件的樣本，重復(fù)步驟2.4.3～步驟2.4.5，一直到所有樣本滿足約束條件為止；步驟2.5，計算αi≠0，αi≠C或αi*≠0,αi*≠C]]>所對應(yīng)的訓(xùn)練樣本數(shù)，并保存訓(xùn)練得到的支持向量機(jī)參數(shù)αi，αi*，b，還有訓(xùn)練樣本步驟3，實時測量階段；步驟3.1，計算機(jī)對于待測樣本按步驟2.3所述方法進(jìn)行歸一化處理；步驟3.2，讀取步驟2.5所述的支持向量機(jī)及相應(yīng)的過程數(shù)據(jù)；步驟3.3，按步驟3.2所取得的參數(shù)αi，αi*，b以及設(shè)定的核函數(shù)K計算擬合函數(shù)f(x)并得出結(jié)果步驟3.4，結(jié)束。
本發(fā)明在滿足誤差精度的條件下，具有對樣本數(shù)量要求低，易于推廣實現(xiàn)的優(yōu)點(diǎn)。


圖1本發(fā)明的硬件連接示意圖；圖2本發(fā)明的程序流程圖；圖3本發(fā)明所述的SMO算法的流程圖，(a)圖為外層循環(huán)，(b)圖為內(nèi)層循環(huán)；圖4本發(fā)明對真實數(shù)據(jù)的測量結(jié)果圖5本發(fā)明對真實數(shù)據(jù)測量誤差分布圖。
具體實施例方式
本測量方法的具體實現(xiàn)方式如下硬件要求一個流量計，用于在線測量旋流器進(jìn)料管入口流量，安裝于旋流器進(jìn)料管上。
一個濃度計，用于在線測量旋流器進(jìn)料管入口濃度，安裝于旋流器進(jìn)料管上。
一個壓力計，用于在線測量旋流器進(jìn)料管入口壓力，安裝于旋流器進(jìn)料管上。
一個濃度計，用于在線測量旋流器溢流管出口濃度，安裝于旋流器溢流管上。
監(jiān)控計算機(jī)，通過在線儀表獲得數(shù)據(jù)，進(jìn)行軟件計算，給出最終檢測結(jié)果，傳送到下一工序。
儀表與計算機(jī)之間的通訊設(shè)備。
硬件連接示意圖參見附圖1，其中粗線表示管路，細(xì)線表示電氣連接，圓表示傳感器，儀表與計算機(jī)之間的通信設(shè)備未繪出。
具體方法包括以下幾步選擇輔助變量、離線獲得數(shù)據(jù)樣本、模型的訓(xùn)練與使用。
●選擇輔助變量設(shè)水力旋流器中固體物料均為球形，密度與直徑分別為δ、d，在介質(zhì)密度為ρ(一般指水)的旋流器中以半徑r，切線速度Ut旋轉(zhuǎn)，則其離心力如下F=πd36r(δ-ρ)Ut2]]>根據(jù)斯托克斯阻力公式，其介質(zhì)阻力如下R=fd2Uor2r]]>其中φ為與介質(zhì)阻力系數(shù)相關(guān)的常數(shù)，Uor為顆粒徑向速度。
以常數(shù)W進(jìn)行替換，當(dāng)兩者平衡時，被分離的固體顆粒沿徑向的粒度分布為d=Wr(d-r)(UorUt)2r]]>由上式，旋流器中呈平衡旋轉(zhuǎn)的顆粒粒度與其旋轉(zhuǎn)半徑成正比，半徑越大顆粒越粗。綜合水力旋流器中的流體分布狀況，粒度或密度較大的固體顆粒將主要進(jìn)入外旋流，最終隨底流排出，粒度或密度較小的固體顆粒主要進(jìn)入內(nèi)旋流，最終隨溢流排出，完成分離過程。而部分固體顆粒由于器壁摩擦阻力的作用，進(jìn)入短路流，未經(jīng)分離直接進(jìn)入內(nèi)旋流由溢流管排出。
由以上原理，當(dāng)懸浮液中固體顆粒粒度分布一定時，對于水力旋流器的溢流粒度分布有影響的主要為以下幾個因素1.固液密度；2.影響顆粒徑向速度的因素包括柱體高度，半徑，角錐比，溢流口等的大??；3.影響顆粒切向速度的因素入口大小，流體壓力，流量；4.影響阻力系數(shù)的因素液體(水)的粘度；5.一些其他難以分析的因素湍流，顆粒形狀，由于摩擦造成的短路流等。
以現(xiàn)有的某銅礦歷史數(shù)據(jù)為例考慮現(xiàn)存各個計算分離粒度公式，得出對分離粒度影響較為明顯的各個輔助變量，其中，關(guān)于水力旋流器各個結(jié)構(gòu)參數(shù)認(rèn)為是常數(shù)(其主要變化原因是由底流口等磨損造成)，各個變量的變化率為+10％。
最大切線速度軌跡法Δpm-2.4％；δ-ρm-4.7％；ρm+2.5％；ζm+4.9％達(dá)爾揚(yáng)計算式qm-4.7％Plitt經(jīng)驗公式μv+19％其中Δpm為進(jìn)料管到溢流管壓力降，d，rm為固體顆粒與介質(zhì)密度，ζm為介質(zhì)粘度，qm為進(jìn)料管流量，μv為進(jìn)料體積濃度。
由以上可知，主要影響分離粒度的主要因素依次是入口濃度，液體粘度，流量，固液密度差，流量。其中，固液密度差的變化取決于礦石性質(zhì)，液體粘度取決于環(huán)境溫度，二者在同一批礦中，一段時間內(nèi)可以近似認(rèn)為不變，因此主要輔助變量選擇為入口給礦濃度、流量以及壓力。這三者決定了旋流器的分離能力。此外，由于最終待測量量為溢流產(chǎn)物中的粒度分布指標(biāo)，其與進(jìn)料粒度分布密切相關(guān)，而溢流濃度從某種程度上可以反映進(jìn)料粒度分布，因此加入溢流濃度作為第四個輔助變量。
●獲得樣本數(shù)據(jù)在設(shè)備承受能力內(nèi)，在覆蓋且略大于正常工作范圍給出進(jìn)料管流量qm，進(jìn)料體積濃度μv，進(jìn)料管壓力Pm不同設(shè)定值組合Sset＝{[μv，qm，pm]，i＝1，2，…n}。將集合中每組三個元素加在旋流器上，當(dāng)系統(tǒng)進(jìn)入穩(wěn)態(tài)時，記錄溢流濃度μoi，同時通過離線分析得到溢流粒度數(shù)值M200i，則μv，Pmi，qmi，μoi，M200i構(gòu)成一組訓(xùn)練樣本。
●支持向量機(jī)的訓(xùn)練與使用本方法的主要部分是由軟件來完成的，支持向量機(jī)的訓(xùn)練采用改進(jìn)的SMO算法。訓(xùn)練與使用的流程如下(另參見附圖2、3)
(A)決定使用方式選擇進(jìn)行訓(xùn)練或者測量，對于未經(jīng)訓(xùn)練的支持向量機(jī)不允許進(jìn)行測量。若選擇測量則轉(zhuǎn)至(H)，否則，轉(zhuǎn)至(B)(B)準(zhǔn)備訓(xùn)練支持向量機(jī)決定支持向量機(jī)的幾個主要的人為指定的參數(shù)核函數(shù)類型、誤差限ε、超出誤差限部分的懲罰系數(shù)C(C)讀取訓(xùn)練樣本(D)對訓(xùn)練樣本進(jìn)行預(yù)處理剔除野值、歸一化(E)訓(xùn)練支持向量機(jī)采用改進(jìn)的SMO算法對支持向量機(jī)進(jìn)行訓(xùn)練(SMO訓(xùn)練算法的流程參見附圖3)(F)檢驗支持向量機(jī)判斷支持向量數(shù)是否合格。若合格，轉(zhuǎn)至(G)，否則，轉(zhuǎn)至(E)重新進(jìn)行訓(xùn)練(G)善后工作保存支持向量機(jī)，訓(xùn)練過程結(jié)束。轉(zhuǎn)至結(jié)尾(M)(H)讀取第(G)步保存的支持向量機(jī)(I)讀取過程數(shù)據(jù)(J)計算結(jié)果(K)輸出結(jié)果顯示(L)由用戶選擇是否繼續(xù)計算，若是，則轉(zhuǎn)至(I)，否則轉(zhuǎn)至結(jié)尾(M)(M)結(jié)束●實例下面以具體實例說明軟件的流程。該實例所采用的數(shù)據(jù)為某銅礦的實測數(shù)據(jù)，樣本一共有520組，選取其中的26組作為訓(xùn)練樣本，然后用所有數(shù)據(jù)檢驗訓(xùn)練得到的支持向量機(jī)的效果。每組樣本包括四維輸入變量xi=PiμovμvQi]]>(四個分量依次為進(jìn)料壓力、溢流濃度、進(jìn)料濃度和進(jìn)料流量)和輸出變量y，為溢流固相成分中74μm以下成分所占的比例，用小數(shù)表示。訓(xùn)練和使用流程如下1)選擇進(jìn)行訓(xùn)練2)選定核函數(shù)為高斯型核函數(shù)K(x,y)=exp(-||x-y||22),]]>||●||表示向量的范數(shù)，指定ε＝0.02，C＝13)讀取26組訓(xùn)練樣本4)對訓(xùn)練樣本進(jìn)行預(yù)處理訓(xùn)練樣本都在正常范圍內(nèi)，沒有明顯的野值，因此不需要剔除野值；將訓(xùn)練樣本的每個分量都除以對應(yīng)的樣本標(biāo)準(zhǔn)差(例如對于Pi，先將所有訓(xùn)練樣本的Pi構(gòu)成一個數(shù)據(jù)集，求出這個數(shù)據(jù)集的標(biāo)準(zhǔn)差，然后將所有樣本的Pi除以求得的標(biāo)準(zhǔn)差，對于輸入數(shù)據(jù)的其他分量以此類推)，則經(jīng)過處理的訓(xùn)練樣本輸入變量的各個分量對輸入變量之間的距離的影響比較接近5)隨機(jī)選擇支持向量機(jī)初值，即隨機(jī)選取αi，αi*∈
,i=1,2,···,26,]]>指定b＝0，然后用SMO算法訓(xùn)練支持向量機(jī)(詳細(xì)過程不再贅述)6)計算訓(xùn)練得到的支持向量機(jī)的支持向量數(shù)。所謂支持向量是指αi≠0，αi≠C或αi*≠0,αi*≠C]]>所對應(yīng)的訓(xùn)練樣本，也就是正好落在誤差限范圍界限上的訓(xùn)練樣本。如果支持向量數(shù)為0，說明此時支持向量機(jī)擬合的函數(shù)完全落在誤差限外，此時的支持向量機(jī)不符合要求，需要回到第5)步，重新隨機(jī)選擇初值再進(jìn)行訓(xùn)練7)保存訓(xùn)練得到的支持向量機(jī)參數(shù)αi，αi*，b和訓(xùn)練樣本8)利用上面訓(xùn)練得到的支持向量機(jī)進(jìn)行測量。對于某個待測樣本，首先對其進(jìn)行歸一化處理(與第4)步中所述類似)，然后根據(jù)(1)式計算相應(yīng)的y(讀取數(shù)據(jù)、讀取支持向量機(jī)和顯示結(jié)果的過程不再詳述)9)結(jié)束按照上面的步驟得到的主要結(jié)果如下支持向量機(jī)參數(shù)

利用訓(xùn)練得到的支持向量機(jī)對所有數(shù)據(jù)進(jìn)行測量，結(jié)果如附圖4所示，估計誤差分布如附圖5所示。支持向量機(jī)測量誤差的主要指標(biāo)如下(單位為百分點(diǎn)，即pct)誤差最大值8.88pct誤差最小值-12.82pct誤差均值-0.11pct誤差標(biāo)準(zhǔn)差1.81pct誤差均方根1.81pct
權(quán)利要求
1.測量水力旋流器固液分離溢流粒度分布的支持向量機(jī)方法，其特征在于該方法依次含有以下步驟步驟1計算機(jī)經(jīng)過通訊接口，從安裝在所述旋流器進(jìn)料管處的流量計、濃度計、壓力計上讀取在設(shè)備承受能力內(nèi)、覆蓋且略大于正常工作范圍內(nèi)的一組進(jìn)料管流量qm、進(jìn)料體積濃度μv、進(jìn)料壓力Pm的數(shù)組，并用集合Sset表示，所述的Sset＝{[μv，qm，pm]，i＝1，2，…，n}；同時在系統(tǒng)進(jìn)入穩(wěn)態(tài)時，該計算機(jī)由安裝在所述旋流器溢流管出口處的溢流濃度計讀取相應(yīng)的一組溢流濃度數(shù)據(jù)，用μoi表示；在通過離線分析得到一組相應(yīng)的溢流粒度數(shù)值，用M200i表示，則所述μv，Pmi，qmi，μoi，M200i構(gòu)成一組訓(xùn)練樣本；步驟2所述計算機(jī)用改進(jìn)的序貫最小優(yōu)化算法訓(xùn)練支持向量機(jī)，以得到下面所述擬合函數(shù)f(x)中參數(shù)αi，αi*，b的數(shù)值范圍f(x)=Σi=1l(αi-αi*)K(x,xi)+b]]>其中，xi，i＝1，2，…，l為訓(xùn)練樣本，l為訓(xùn)練樣本總數(shù)，K為核函數(shù)，其形式是預(yù)設(shè)的；該步驟2依次含有以下步驟步驟2.1，在所述計算機(jī)中設(shè)定核函數(shù)K的形式，誤差限ε，超出該誤差限ε時的懲罰系數(shù)C；步驟2.2，按設(shè)定值讀取訓(xùn)練樣本數(shù)；步驟2.3，對訓(xùn)練樣本進(jìn)行預(yù)處理首先，剔除野值，所謂野值是指這樣的樣本其任意一個分量與所有樣本對應(yīng)分量的樣本均值的差的絕對值大于所有樣本對應(yīng)分量的樣本標(biāo)準(zhǔn)差的三倍；這一步使訓(xùn)練樣本都處在正常范圍內(nèi)；其次，歸一化把訓(xùn)練樣本的每個分量都除以所對應(yīng)分量的樣本集的標(biāo)準(zhǔn)差，使經(jīng)過處理的訓(xùn)練樣本輸入變量的各個分量對輸入變量之間的距離的影響比較接近；步驟2.4，用所述序貫最小優(yōu)化算法，訓(xùn)練支持向量機(jī)，其步驟依次如下步驟2.4.1，數(shù)據(jù)預(yù)處理重新構(gòu)造訓(xùn)練樣本集(xi0,yi0),i=1,2,···,2l;]]>其中，xi0=xi,yi0=1,···i=1,2,···,lxi0=xi-l,yi0=-1,···i=l+1,l+2,···,2l]]>令αi+l=αi*,i=1,2,···,l]]>相應(yīng)地，ci=-yi-ϵ,···i=1,2,···,lyi-l-ϵ,···i=l+1,l+2,···,2l]]>根據(jù)當(dāng)前的αi，i＝1，2，…，2l按照下述支持向量機(jī)方法的擬合函數(shù)的通式f(x)計算第i個樣本的函數(shù)值fi；f(x)=Σi=1l(αi-αi*)K(x,xi)+b]]>相應(yīng)的約束條件如下；αi=C,yi0fi>=-ci]]>0<αi<C,yi0fi=-ci]]>αi=0,yi0fi<=-ci]]>步驟2.4.2，隨機(jī)選擇初值αi，i＝1，2，…，2l；步驟2.4.3，依次遍歷所有樣本；若所有樣本都滿足上述約束條件，則結(jié)束訓(xùn)練；若找到第一個違反上述約束條件的樣本，則選定該樣本為第一個待優(yōu)化樣本，用下標(biāo)“1”表示；步驟2.4.3按以下步驟調(diào)用內(nèi)層循環(huán)，選擇第二個待優(yōu)化樣本步驟2.4.3.1根據(jù)當(dāng)前的αi，i＝1，2，…，2L計算第一個待優(yōu)化樣本的函數(shù)值f1和E1=f1-y10c1;]]>步驟2.4.3.2依次搜索所有樣本，對第j個樣本計算Ej=fj-yj0cj,1≤j≤2l,]]>找到2l個樣本中|E1-Ej|值最大的樣本，選定為第二個待進(jìn)行優(yōu)化的樣本，用下標(biāo)“2”表示該樣本；步驟2.4.4，對所選定的上述兩個樣本進(jìn)行優(yōu)化，其步驟如下步驟2.4.4.1，按下式計算樣本的裁剪邊界，判別樣本是否適于進(jìn)行優(yōu)化；所述裁剪邊界為L=max(0,α1old+α2old-C),H=min(C,α1old+α2old),]]>…當(dāng)y10=y20]]>時L=max(0,α2old-α1old),H=min(C,C+α2old-α1old),]]>…當(dāng)y10≠y20]]>時若L＝H，則說明受約束條件限制，所選定的兩個樣本，不能進(jìn)行優(yōu)化，返回步驟2.4.3；否則，執(zhí)行下一步步驟2.4.4.2，根據(jù)設(shè)定的核函數(shù)K，計算θij=K(xi0,xj0),i,j=1,2]]>和η＝2θ12-θ11-θ22步驟2.4.4.3，分別用上標(biāo)new，old表示優(yōu)化前后的樣本，計算α2new=α2old-y20(E1-E2)η]]>α1new=α1old+y10y20(α2new-α2new,clipped)]]>其中，α2new，clipped表示裁剪過的適于優(yōu)化的樣本； 步驟2.4.4.4，更新b，Ei，i＝1，2；若0<α1new<C,]]>則bnew=E1old+y10(α1new-α1old)θ11+y20(α2new-α2old)θ12-bold]]>若0<α2new<C,]]>則bnew=E2old+y10(α1new-α1old)θ21+y20(α2new-α2old)θ22-bold]]>否則bnew＝boldEinew=Eiold+y10(α1new-α1old)θi1+y20(α2new-α2old)θi2-bold+bnew,i=1,2]]>步驟2.4.5，判斷所有0＜αi＜C的樣本是否滿足約束條件若都已滿足約束條件，返回步驟2.4.3，結(jié)束；否則，返回步驟2.4.3，找到第一個違反約束條件的樣本，重復(fù)步驟2.4.3～步驟2.4.5，一直到所有樣本滿足約束條件為止；步驟2.5，計算αi≠0，αi≠C或αi*≠0,αi*≠C]]>所對應(yīng)的訓(xùn)練樣本數(shù)，并保存訓(xùn)練得到的支持向量機(jī)參數(shù)αi，αi*，b，還有訓(xùn)練樣本；步驟3，實時測量階段；步驟3.1，計算機(jī)對于待測樣本按步驟2.3所述方法進(jìn)行歸一化處理；步驟3.2，讀取步驟2.5所述的支持向量機(jī)及相應(yīng)的過程數(shù)據(jù)；步驟3.3，按步驟3.2所取得的參數(shù)αi，αi*，b以及設(shè)定的核函數(shù)K計算擬合函數(shù)f(x)并得出結(jié)果；步驟3.4，結(jié)束。
全文摘要
測量水力旋流器固液分離粒度分布的支持向量機(jī)方法，屬于溢流粒度測量技術(shù)領(lǐng)域，其特征在于，選擇與水力旋流器直接相關(guān)的進(jìn)料流量、進(jìn)料體積濃度、進(jìn)料管壓力、溢流濃度以及離線分析得到的溢流粒度數(shù)據(jù)作為輔助變量，再通過計算機(jī)利用支持向量機(jī)方法擬合輔助變量與待測變量之間的函數(shù)關(guān)系，實現(xiàn)對待測變量的測量。因此本發(fā)明具有對樣本數(shù)量的要求低、精度足夠、易于實現(xiàn)和推廣的優(yōu)點(diǎn)。
文檔編號G01N15/02GK1769861SQ20051008668
公開日2006年5月10日 申請日期2005年10月21日 優(yōu)先權(quán)日2005年10月21日
發(fā)明者張曾科, 孫喆, 徐文立, 王煥剛, 薛文軒 申請人:清華大學(xué)