[go: up one dir, main page]

CN120133011B - 用于铅锌矿浮选的智能加药方法及系统 - Google Patents

用于铅锌矿浮选的智能加药方法及系统

Info

Publication number
CN120133011B
CN120133011B CN202510614660.7A CN202510614660A CN120133011B CN 120133011 B CN120133011 B CN 120133011B CN 202510614660 A CN202510614660 A CN 202510614660A CN 120133011 B CN120133011 B CN 120133011B
Authority
CN
China
Prior art keywords
feature
vector
cross
time
lead
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202510614660.7A
Other languages
English (en)
Other versions
CN120133011A (zh
Inventor
胡海浪
李然
刘石梅
夏星
朱思涵
王新颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Research Institute of Mining and Metallurgy Co Ltd
Original Assignee
Changsha Research Institute of Mining and Metallurgy Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changsha Research Institute of Mining and Metallurgy Co Ltd filed Critical Changsha Research Institute of Mining and Metallurgy Co Ltd
Priority to CN202510614660.7A priority Critical patent/CN120133011B/zh
Publication of CN120133011A publication Critical patent/CN120133011A/zh
Application granted granted Critical
Publication of CN120133011B publication Critical patent/CN120133011B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
    • B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
    • B03D1/00—Flotation
    • B03D1/02—Froth-flotation processes
    • B03D1/028—Control and monitoring of flotation processes; computer models therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
    • B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
    • B03D1/00—Flotation
    • B03D1/14—Flotation machines
    • B03D1/1443—Feed or discharge mechanisms for flotation tanks
    • B03D1/145—Feed mechanisms for reagents
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Biotechnology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术领域，公开一种用于铅锌矿浮选的智能加药方法及系统，以提高浮选工艺的效率、稳定性和经济效益。方法包括：计算第一和第二跨模态特征，将第一和第二跨模态特征与气泡图像特征和元素品位特征通过残差连接进行融合后再处理得到多模态特征序列；将每个时间步的多模态特征序列输入LSTM网络得到对应的LSTM隐藏状态序列；再计算各个时间步的隐藏状态序列在时间窗口内的时间注意力权重，并根据时间注意力权重对相应的LSTM隐藏状态序列执行加权求和后得到时间窗口内的上下文向量；最后将加权求和后的上下文向量作为输入共享给两个检测头所对应的全连接层以分别得到预测药剂种类的概率分布和每种药剂的剂量值。

Description

用于铅锌矿浮选的智能加药方法及系统
技术领域
本发明涉及人工智能与自动化控制技术领域，尤其涉及一种用于铅锌矿浮选的智能加药方法及系统。
背景技术
在矿业领域，铅锌矿浮选是一项核心工艺，旨在高效分离矿石中的有价值金属与废石。在浮选过程中，合理的药剂投放对提升目标矿物的回收率和工艺效率至关重要。然而，现有浮选加药方法在精准性、实时性和智能化方面存在显著不足，严重制约了浮选工艺的稳定性与经济效益。
首先，传统加药方式主要依赖操作人员的经验和主观判断。这种人为操作方式容易受到操作人员技能水平、工作状态及经验偏差的影响，导致药剂投放的不稳定性和不准确性，进而降低浮选效果。药剂用量不足可能导致目标矿物回收率下降，而药剂用量过多则可能造成资源浪费、生产成本增加以及环境污染等问题。
其次，尽管行业内已出现部分半自动化加药设备（如自助加药机），但其依然高度依赖人工经验——操作人员需通过观察气泡图像和元素品位数据来预设加药时间间隔和药剂用量。这种依赖人工设定的模式缺乏对浮选过程动态变化的实时感知能力，无法根据浮选工艺中矿浆性质的变化做出及时调整，难以实现真正意义上的闭环控制和高效运行。
此外，现有加药过程的智能化程度较低，无法满足浮选工艺的动态调控需求。浮选过程中，矿浆的性质及浮选条件可能随原料品质或环境因素的变化而不断波动，而传统加药方法由于滞后性较强，难以智能化调整药剂种类和药剂剂量，导致浮选效果的波动性增加，特别是在大规模连续生产的情况下效率尤为低下。
综上所述，现有浮选加药方法在精准性、实时性和智能化方面均存在较大改进空间。为此，亟需一种结合先进技术与智能控制算法的全新加药方法和装置，以实现对浮选过程的实时监控与动态调控，从而提高浮选工艺的效率、稳定性和经济效益。
发明内容
本发明目的在于公开一种用于铅锌矿浮选的智能加药方法及系统，以提高浮选工艺的效率、稳定性和经济效益。
为达上述目的，本发明公开的用于铅锌矿浮选的智能加药方法包括：
步骤S1、在铅锌矿浮选过程中，基于气泡图像提取气泡图像特征，同时通过在线分析仪实时采集工序中矿浆样品的至少两个金属元素的品位数据以构建元素品位特征；
步骤S2、分别计算气泡图像特征和元素品位特征基于注意力机制的查询向量、键向量和值向量；
步骤S3、根据基于元素品位特征的键向量和值向量、以及基于气泡图像特征的查询向量通过交叉注意力机制计算得出的第一跨模态特征，同时，根据基于气泡图像特征的键向量和值向量、以及基于元素品位特征的查询向量通过交叉注意力机制计算得出的第二跨模态特征，将所述第一跨模态特征、所述第二跨模态特征与所述气泡图像特征和所述元素品位特征通过残差连接进行融合后，经层归一化处理得到最终的多模态特征序列；
步骤S4、在任一时间窗口中，将每个时间步的多模态特征序列输入LSTM网络以得到各个时间步所对应的LSTM隐藏状态序列；
步骤S5、计算各个时间步所对应的隐藏状态序列在时间窗口内的时间注意力权重，并根据所述时间注意力权重对相应的LSTM隐藏状态序列执行加权求和后得到时间窗口内的上下文向量；
步骤S6、将加权求和后的上下文向量作为输入共享给两个检测头所对应的全连接层以分别得到预测药剂种类的概率分布和每种药剂的剂量值。
优选地，在步骤S1中，基于输入224×224×3的原始图像，通过预训练的ResNet-18的特征提取网络提取出64维的图像特征。
优选地，在步骤S2中，通过独立线性变换计算气泡图像特征和元素品位特征基于注意力机制的查询向量、键向量和值向量，具体计算过程为：
其中，为64维的图像特征；为能训练的不同权重矩阵，且；分别为气泡图像特征基于注意力机制的查询向量、键向量和值向量；
其中，为22维元素品位特征，为能训练的不同权重矩阵，且；分别为元素品位特征基于注意力机制的查询向量、键向量和值向量。
优选地，步骤S3的计算公式具体包括：
；；
其中，为第一跨模态特征，为第二跨模态特征，和为超参数温度系数，上标为矩阵转置符号。
优选地，步骤S5的计算公式具体包括：
；；；
其中，为时间窗口长度，为LSTM网络对应时间步输出的隐藏状态序列；为能训练的权重矩阵；为能训练的偏置项；为时间步在时间窗口中的权重；为基于Softmax函数转换后的归一化权重；为加权求和后得到时间窗口内的上下文向量。
优选地，步骤S6的具体计算公式包括：
；
其中，为分类任务权重矩阵；为分类任务偏置项；为分类任务线性输出；为药剂种类概率；为自然常数，表示标准差。
；
其中，为回归任务权重矩阵；为回归任务偏置项；为药剂剂量预测值。
优选地，在训练用于实现步骤S2至步骤S6的模型的过程中，损失函数由药剂种类信息的多标签二分类交叉熵损失和药剂剂量均方损失的加权和组成，且通过对损失进行求导计算得到模型反向传播的损失梯度。
为达上述目的，本发明还公开一种用于铅锌矿浮选的智能加药系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本发明能提高浮选工艺的效率、稳定性和经济效益，并具有以下有益效果：
1、将多维的气泡图像特征与元素品位特征先基于注意力机制计算查询向量、键向量和值向量，然后对两类特征进行特有的跨模态的注意力计算，具体包括：根据基于元素品位特征的键向量和值向量、以及基于气泡图像特征的查询向量通过交叉注意力机制计算得出的第一跨模态特征，同时，根据基于气泡图像特征的键向量和值向量、以及基于元素品位特征的查询向量通过交叉注意力机制计算得出的第二跨模态特征，将所述第一跨模态特征、所述第二跨模态特征与所述气泡图像特征和所述元素品位特征通过残差连接进行融合后，经层归一化处理得到最终的多模态特征序列。基于该多模态特征序列中，相比于在气泡图像特征与元素品位特征做融合过程中省略对两类特征进行特有的跨模态的注意力计算而言，优化了特征之间的交互方式，更能针对浮选过程的实时状态，捕捉各个时间步中更多基于整体协同的关键特征。
2、通过计算各个时间步所对应的隐藏状态序列在时间窗口内的时间注意力权重，并根据时间注意力权重对相应的LSTM隐藏状态序列执行加权求和后得到时间窗口内的上下文向量的方式能精准地识别关键操作时间点（即LSTM所得隐藏状态序列中时间注意力权重最大的时间步），进而提高了后续对药剂种类的概率分布和每种药剂的剂量值的预测精度。
3、基于时间窗口内的同一上下文向量预测药剂种类的概率分布和每种药剂的剂量值，解决了传统方法中两类任务分离导致的协同性不足问题。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例公开的用于铅锌矿浮选的智能加药方法流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
本实施例公开一种用于铅锌矿浮选的智能加药方法，如图1所示，包括：
步骤S1、在铅锌矿浮选过程中，基于气泡图像提取气泡图像特征，同时通过在线分析仪实时采集工序中矿浆样品的至少两个金属元素的品位数据以构建元素品位特征。
优选地，在该步骤中，基于输入224×224×3的原始图像，通过预训练的ResNet-18的特征提取网络提取出64维的图像特征。
针对气泡图像的原始训练数据集，可随机选取若干种数据增强方法以扩展训练集。相关增强方式包括但不限于旋转、翻转和裁剪等操作。通过对气泡图像实施数据增强，不仅可以引入多样化的变换和噪声，从而提升模型的泛化能力，使其在不同场景和条件下更好地适应气泡图像；还可以生成更丰富的训练样本，有效扩大训练数据集规模，缓解数据分布稀缺性的问题。
在具体部署时，可在浮选工艺生产线上，通过在线品位分析仪实时采集粗选、精选、扫选等关键工序中矿浆样品的多个金属元素（可参照后续的具体举例说明）的品位数据以构建多维的元素品位特征。
步骤S2、分别计算气泡图像特征和元素品位特征基于注意力机制的查询向量、键向量和值向量。
在该步骤中，可通过独立线性变换计算气泡图像特征和元素品位特征基于注意力机制的查询向量、键向量和值向量，具体计算过程为：
其中，为64维的图像特征；为能训练的不同权重矩阵，且；分别为气泡图像特征基于注意力机制的查询向量、键向量和值向量。
其中，为22维的元素品位特征，为能训练的不同权重矩阵，且；分别为元素品位特征基于注意力机制的查询向量、键向量和值向量。
步骤S3、根据基于元素品位特征的键向量和值向量、以及基于气泡图像特征的查询向量通过交叉注意力机制计算得出的第一跨模态特征，同时，根据基于气泡图像特征的键向量和值向量、以及基于元素品位特征的查询向量通过交叉注意力机制计算得出的第二跨模态特征，将所述第一跨模态特征、所述第二跨模态特征与所述气泡图像特征和所述元素品位特征通过残差连接进行融合后，经层归一化处理得到最终的多模态特征序列。
参照后续步骤，在该步骤所融合的多模态特征序列中的各特征是基于时间步进行对齐的。
该步骤具体的计算公式包括：
；；
其中，为第一跨模态特征，为第二跨模态特征，和为超参数温度系数。可选地，，，上标为矩阵转置符号。
融合后的多模态特征序列可表示为：
；
其中，为权重系数，LayerNorm为归一化函数。可选地，，这意味着我们对元素品位特征赋予更大权重，让其在特征计算中处于主导地位。
步骤S4、在任一时间窗口中，将每个时间步的多模态特征序列输入LSTM网络以得到各个时间步所对应的LSTM隐藏状态序列。
例如，输入多模态特征序列，则经过LSTM处理，输出，其中，。可选地，时间窗口T=5。
在该步骤中，因为LSTM的隐藏状态维度可以独立于输入维度，即隐藏状态维度可以自定义。因此，本实施例将86（即64+22之和）维特征映射到128维，可以增强特征的表达能力，便于后续时间注意力机制和任务头（分类和回归）的处理。
步骤S5、计算各个时间步所对应的隐藏状态序列在时间窗口内的时间注意力权重，并根据所述时间注意力权重对相应的LSTM隐藏状态序列执行加权求和后得到时间窗口内的上下文向量。
该步骤的计算公式具体包括：
；；；
其中，为时间窗口长度，为LSTM网络对应时间步输出的隐藏状态序列；为能训练的权重矩阵；为能训练的偏置项；为时间步在时间窗口中的权重；为基于Softmax函数转换后的归一化权重；为加权求和后得到时间窗口内的上下文向量。
在本实施例的维度处理过程中，尽管气泡图像和品位数据作为加药依据，但是品位数据权重更大，因此有意降低图像特征维度，以免气泡图像特征与元素品位特征进行交叉注意力计算时，元素品位特征被淹没。此外，在跨模态特征注意力计算过程中，元素品位特征键向量除以0.5，可以强化其注意力权重，使得元素品位特征起主导作用。相反，气泡图像特征键向量除以2，可以弱化其注意力权重，使得气泡图像特征起辅助作用。
步骤S6、将加权求和后的上下文向量作为输入共享给两个检测头所对应的全连接层以分别得到预测药剂种类的概率分布和每种药剂的剂量值。
优选地，该步骤的具体计算公式包括：
；
其中，为分类任务权重矩阵；为分类任务偏置项；为分类任务线性输出；为药剂种类概率；为自然常数，表示标准差。
；
其中，为回归任务权重矩阵；为回归任务偏置项；为药剂剂量预测值。
本实施例中，在训练用于实现步骤S2至步骤S6的模型的过程中，损失函数可由药剂种类信息的多标签二分类交叉熵损失和药剂剂量均方损失的加权和组成，且通过对损失进行求导计算得到模型反向传播的损失梯度。
可选地，药剂种类信息的多标签二分类交叉熵损失，其形式化表示可为：
；
其中，表示批次样本数量，为药剂种类（以共10种药剂为例进行示意）索引，为第个样本中第种药剂的真实标签，取值为0或1；为第个样本中第种药剂的预测概率，取值为[0,1]。
可选地，计算药剂剂量均方损失的形式化表述可为：
；
其中，表示第个样本中第种药剂的真实剂量值，第个样本中第种药剂的预测剂量值。
总的损失函数可为：；其中，λ 为损失权重系数，取值可为0.5。进一步地，对最终损失进行求导计算，得到损失梯度，并在网络模型中反向传播该梯度，对模型参数进行优化。计算公式可为：；其中，为第次迭代过程中的网络模型待学习的损失梯度参数；表示学习率。
其中，基于本实施例在对气泡图像（包括增强图像）以及对应的加药信息进行标注时，建立气泡图像（包括原始数据及增强数据）、原矿Zn品位、原矿Pb品位、总铅精矿Zn品位、总铅精矿Pb品位、锌精矿Zn品位、锌精矿Pb品位、锌扫三尾Zn品位、锌扫三尾Pb品位、高铅精矿Zn品位、高铅精矿Pb品位、低铅精矿Zn品位、低铅精矿Pb品位、铅快粗尾Zn品位、铅快粗尾Pb品位、锌扫四泡Zn品位、锌扫四泡Pb品位、锌扫四尾Zn品位、锌扫四尾Pb品位、铅尾Zn品位、铅尾Pb品位、锌快粗尾Zn品位、锌快粗尾Pb品位与药剂种类序列以及药剂剂量序列之间的关联数据。在一条真实的药剂及剂量序列的标注过程中，前10个元素表示药剂种类序列，从第11个元素到第20个元素表示药剂剂量序列。例如：药剂序列中第一个元素表示硫酸铜、第二个元素表示SD-11、第三个元素表示乙硫氮、第四个元素表示锡石活化剂、第五个元素表示硝酸铅、第六个元素表示2#油、第七个元素表示GZT、第八个元素表示丁黄药、第九个元素表示SND-21、第十个元素表示锡石捕收剂。此外，它们都是二分类数据，其中0表示无，1表示有。相对应的，剂量序列中第一个元素表示硫酸铜重量、第二个元素表示SD-11重量、第三个元素表示乙硫氮重量、第四个元素表示锡石活化剂重量、第五个元素表示硝酸铅重量、第六个元素表示2#油重量、第七个元素表示GZT重量、第八个元素表示丁黄药重量、第九个元素表示SND-21重量、第十个元素表示锡石捕收剂重量；其中，剂量数据通常是浮点数，重量单位均为kg。
实施例2
本实施例公开一种用于铅锌矿浮选的智能加药系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例所公开的方法。
综上，本发明上述两实施例分别公开的方法及系统，能提高浮选工艺的效率、稳定性和经济效益，并具有以下有益效果：
1、将多维的气泡图像特征与元素品位特征先基于注意力机制计算查询向量、键向量和值向量，然后对两类特征进行特有的跨模态的注意力计算，具体包括：根据基于元素品位特征的键向量和值向量、以及基于气泡图像特征的查询向量通过交叉注意力机制计算得出的第一跨模态特征，同时，根据基于气泡图像特征的键向量和值向量、以及基于元素品位特征的查询向量通过交叉注意力机制计算得出的第二跨模态特征，将所述第一跨模态特征、所述第二跨模态特征与所述气泡图像特征和所述元素品位特征通过残差连接进行融合后，经层归一化处理得到最终的多模态特征序列。基于该多模态特征序列中，相比于在气泡图像特征与元素品位特征做融合过程中省略对两类特征进行特有的跨模态的注意力计算而言，优化了特征之间的交互方式，更能针对浮选过程的实时状态，捕捉各个时间步中更多基于整体协同的关键特征。
2、通过计算各个时间步所对应的隐藏状态序列在时间窗口内的时间注意力权重，并根据时间注意力权重对相应的LSTM隐藏状态序列执行加权求和后得到时间窗口内的上下文向量的方式能精准地识别关键操作时间点（即LSTM所得隐藏状态序列中时间注意力权重最大的时间步），进而提高了后续对药剂种类的概率分布和每种药剂的剂量值的预测精度。
3、基于时间窗口内的同一上下文向量预测药剂种类的概率分布和每种药剂的剂量值，解决了传统方法中两类任务分离导致的协同性不足问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种用于铅锌矿浮选的智能加药方法，其特征在于，包括：
步骤S1、在铅锌矿浮选过程中，基于气泡图像提取气泡图像特征，同时通过在线分析仪实时采集工序中矿浆样品的至少两个金属元素的品位数据以构建元素品位特征；
步骤S2、分别计算气泡图像特征和元素品位特征基于注意力机制的查询向量、键向量和值向量；
步骤S3、根据基于元素品位特征的键向量和值向量、以及基于气泡图像特征的查询向量通过交叉注意力机制计算得出的第一跨模态特征，同时，根据基于气泡图像特征的键向量和值向量、以及基于元素品位特征的查询向量通过交叉注意力机制计算得出的第二跨模态特征，将所述第一跨模态特征、所述第二跨模态特征与所述气泡图像特征和所述元素品位特征通过残差连接进行融合后，经层归一化处理得到最终的多模态特征序列；
步骤S4、在任一时间窗口中，将每个时间步的多模态特征序列输入LSTM网络以得到各个时间步所对应的LSTM隐藏状态序列；
步骤S5、计算各个时间步所对应的隐藏状态序列在时间窗口内的时间注意力权重，并根据所述时间注意力权重对相应的LSTM隐藏状态序列执行加权求和后得到时间窗口内的上下文向量；
步骤S6、将加权求和后的上下文向量作为输入共享给两个检测头所对应的全连接层以分别得到预测药剂种类的概率分布和每种药剂的剂量值。
2.根据权利要求1所述的用于铅锌矿浮选的智能加药方法，其特征在于，在步骤S1中，基于输入224×224×3的原始图像，通过预训练的ResNet-18的特征提取网络提取出64维的图像特征。
3.根据权利要求2所述的用于铅锌矿浮选的智能加药方法，其特征在于，在步骤S2中，通过独立线性变换计算气泡图像特征和元素品位特征基于注意力机制的查询向量、键向量和值向量，具体计算过程为：
其中，为64维的图像特征；为能训练的不同权重矩阵，且；分别为气泡图像特征基于注意力机制的查询向量、键向量和值向量；带上标的表示相应参数的维度数为对应的上标值；
其中，为22维的元素品位特征，为能训练的不同权重矩阵，且；分别为元素品位特征基于注意力机制的查询向量、键向量和值向量。
4.根据权利要求3所述的用于铅锌矿浮选的智能加药方法，其特征在于，步骤S3的计算公式具体包括：
；；
其中，为第一跨模态特征，为第二跨模态特征，和为超参数温度系数，上标为矩阵转置符号。
5.根据权利要求4所述的用于铅锌矿浮选的智能加药方法，其特征在于，步骤S5的计算公式具体包括：
；；；
其中，为时间窗口长度，为LSTM网络对应时间步输出的隐藏状态序列；为能训练的权重矩阵；为能训练的偏置项；为时间步在时间窗口中的权重；为基于Softmax函数转换后的归一化权重；为加权求和后得到时间窗口内的上下文向量。
6.根据权利要求5所述的用于铅锌矿浮选的智能加药方法，其特征在于，步骤S6的具体计算公式包括：
；
其中，为分类任务权重矩阵；为分类任务偏置项；为分类任务线性输出；为药剂种类概率；为自然常数，表示标准差；
；
其中，为回归任务权重矩阵；为回归任务偏置项；为药剂剂量预测值。
7.根据权利要求1至6任一所述的用于铅锌矿浮选的智能加药方法，其特征在于，在训练用于实现步骤S2至步骤S6的模型的过程中，损失函数由药剂种类信息的多标签二分类交叉熵损失和药剂剂量均方损失的加权和组成，且通过对损失进行求导计算得到模型反向传播的损失梯度。
8.一种用于铅锌矿浮选的智能加药系统，包括存储器、处理器以及存储在存储器上并能在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一所述的方法。
CN202510614660.7A 2025-05-14 2025-05-14 用于铅锌矿浮选的智能加药方法及系统 Active CN120133011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510614660.7A CN120133011B (zh) 2025-05-14 2025-05-14 用于铅锌矿浮选的智能加药方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510614660.7A CN120133011B (zh) 2025-05-14 2025-05-14 用于铅锌矿浮选的智能加药方法及系统

Publications (2)

Publication Number Publication Date
CN120133011A CN120133011A (zh) 2025-06-13
CN120133011B true CN120133011B (zh) 2025-09-09

Family

ID=95945814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510614660.7A Active CN120133011B (zh) 2025-05-14 2025-05-14 用于铅锌矿浮选的智能加药方法及系统

Country Status (1)

Country Link
CN (1) CN120133011B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115445785A (zh) * 2022-09-05 2022-12-09 中南大学 一种基于记忆网络和预测控制器的锌快粗加药量调整方法
CN118470456A (zh) * 2024-04-29 2024-08-09 鞍钢集团矿业有限公司 基于多源信息融合的赤铁矿反浮选尾矿品位预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0918566A1 (en) * 1996-05-31 1999-06-02 Baker Hughes Incorporated Method and apparatus for controlling froth flotation machines
CN111709942B (zh) * 2020-06-29 2022-04-12 中南大学 一种基于纹理度优化的锌浮选加药量预测控制方法
CN115457439B (zh) * 2022-09-05 2025-07-29 中南大学 一种基于关键帧注意力和Bi-GRU的锌浮选工况识别方法
CN118022994B (zh) * 2024-04-12 2024-08-06 鞍山广联科技发展有限公司 选矿厂浮选加药方法、加药系统、电子设备及介质
CN119387049B (zh) * 2024-12-17 2025-10-10 昆明理工大学 一种称重双流式云端优化浮选加药控制方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115445785A (zh) * 2022-09-05 2022-12-09 中南大学 一种基于记忆网络和预测控制器的锌快粗加药量调整方法
CN118470456A (zh) * 2024-04-29 2024-08-09 鞍钢集团矿业有限公司 基于多源信息融合的赤铁矿反浮选尾矿品位预测方法

Also Published As

Publication number Publication date
CN120133011A (zh) 2025-06-13

Similar Documents

Publication Publication Date Title
CN110378799B (zh) 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法
CN108595590A (zh) 一种基于融合注意力模型的中文文本分类方法
CN108427740B (zh) 一种基于深度度量学习的图像情感分类与检索算法
CN111340123A (zh) 一种基于深度卷积神经网络的图像分数标签预测方法
CN110245252A (zh) 基于遗传算法的机器学习模型自动生成方法
CN114627333B (zh) 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统
Zhang et al. Convolutional memory network-based flotation performance monitoring
CN111506760B (zh) 一种基于困难感知的深度集成度量图像检索方法
CN111753918B (zh) 一种基于对抗学习的去性别偏见的图像识别模型及应用
CN110689085A (zh) 基于深度跨连接网络及损失函数设计的垃圾分类方法
CN108846047A (zh) 一种基于卷积特征的图片检索方法及系统
CN110347851A (zh) 基于卷积神经网络的图像检索方法及系统
CN108921197A (zh) 一种基于特征选择和集成算法的分类方法
CN113032613A (zh) 一种基于交互注意力卷积神经网络的三维模型检索方法
CN114462466A (zh) 一种面向深度学习的数据去偏方法
CN119478545B (zh) 一种基于粒球计算及对比学习的图像标签噪声学习方法
CN112329884A (zh) 基于判别性视觉属性的零样本识别方法及系统
CN112597979A (zh) 一种实时更新余弦夹角损失函数参数的人脸识别方法
Xu et al. MsFfTsGP: Multi-source features-fused two-stage grade prediction of zinc tailings in lead-zinc flotation process via multi-stream 3D convolution with attention mechanism
CN120133011B (zh) 用于铅锌矿浮选的智能加药方法及系统
CN115034314B (zh) 一种系统故障检测方法、装置、移动终端及存储介质
CN118733636B (zh) 一种检索增强生成和大型语言模型的选矿查询方法及系统
CN117548234A (zh) 一种用于泡沫浮选工况预估的级联特征选择方法
CN113591773B (zh) 基于卷积神经网络的配电室物体检测方法、装置和设备
CN114372181B (zh) 一种基于多模态数据的设备生产智能规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant