一种选矿生产指标监控系统及方法

1.一种选矿生产指标监控系统，其特征在于，包括数据获取单元、指标影响因素筛选单元、指标监视单元、案例库维护单元、指标异常分析单元和数据存储单元，其中，数据获取单元：用于获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标，并将获取的数据发送至指标影响因素筛选单元和数据存储单元中；
指标影响因素筛选单元：用于根据实际需求确定监控指标和与监控指标有影响关系的多个影响生产指标，并采用基于PLS-VIP的选矿生产指标筛选方法，从选取的多个影响生产指标中进一步筛选，确定关键生产指标，并将关键生产指标发送至案例库维护单元；
案例库维护单元：用于对指标异常分析中用到的案例库进行维护，包括添加案例、修正案例、删除案例和查看案例；
指标监视单元：用于根据监控指标的监视画面，在线实时监控关键生产指标的数值，并发送至指标异常分析单元；
指标异常分析单元：用于当监控指标发生异常时，采用基于案例推理方法，根据案例库中记载的历史案例，确定当前指标异常情况所属案例；
数据存储单元：用于存储获取的选矿生产全流程生产指标历史数据、选取的监控指标、选取的与监控指标有影响关系的多个影响生产指标、实时检测的关键生产指标实际数值和案例库中记载的生产指标历史数据。
2.采用权利要求1所述的选矿生产指标监控系统进行的监控方法，其特征在于，包括以下步骤：
步骤1、获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标；
步骤2、根据实际需求，从选矿生产全流程生产指标中选取所需监控指标；
步骤3、根据实际需求，从选矿生产全流程生产指标中选取与监控指标有影响关系的多个影响生产指标；
步骤4、采用基于PLS-VIP的选矿生产指标筛选方法，从选取的多个影响生产指标中进一步筛选，确定关键生产指标，具体方法如下：
步骤4-1、根据历史数据，确定多组影响生产指标的具体数值，将该生产指标作为自变量，并构建自变量数据矩阵；
自变量数据矩阵的行数为影响生产指标的组数，矩阵的列数为影响生产指标的个数，矩阵的元素为影响生产指标的具体数值；
步骤4-2、根据历史数据，确定多组监控指标的具体数值，将监控指标为因变量，并构建因变量数据矩阵；
因变量数据矩阵的行数为监控指标的组数，矩阵的列数为监控指标的个数，矩阵的元素为监控指标的具体数值；
步骤4-3、对自变量数据矩阵和因变量数据矩阵进行标准化处理；
步骤4-4、采用NIPALS方法对自变量数据矩阵和因变量数据矩阵进行主成分提取；
步骤4-5、确定每个自变量的变量投影重要性指标；

其中，VIPj为第j个自变量的变量投影重要性指标，j＝1,2,...,p，p为自变量个数；
s为主成分提取的总次数；
th为从自变量数据矩阵中第h次提取的主成分；
whj为矩阵 的最大特征值所对应单位特征向量wh的第j个分量，Eh-1表示第h-1次主成分提取中获得的自变量数据矩阵，Fh-1表示第h-1次主成分提取中获得的因变量数据矩阵；当h＝1时，E0表示构建的自变量数据矩阵，F0表示构建的因变量数据矩阵；
Rd(yj；th)为th对因变量数据矩阵Y的解释能力；Rd(yj；th)＝r2
(yj；th),r(yj；th)为th与因变量yj的简单相关系数；q表示监控指标个数；
为t1,...,ts对因变量数据矩阵Y的累积解释能力；
步骤4-6、判断每个自变量的变量投影重要性指标是否大于等于变量投影重要性指标阈值，若是，则保留该自变量，即保留对应影响生产指标，当所有自变量均判断完成后执行步骤4-8，否则，删除该自变量，即删除对应影响生产指标，当所有自变量均判断完成后执行步骤4-7；
步骤4-7、将剩余的自变量重新构成自变量数据矩阵，即将多组剩余影响生产指标重新构成自变量数据矩阵，并返回执行步骤4-4至步骤4-6，直至剩余每个自变量的变量投影重要性指标均大于等于变量投影重要性指标阈值；
步骤4-8、将最终剩余的自变量，即最终剩余的影响生产指标作为关键生产指标；
步骤5、根据获得的关键生产指标，查询案例库，确定监控指标异常时，关键生产指标对应的数值，及该情况下案例库中所存储的分析结果和调整方案；
步骤6、现场工作人员根据监控指标的监视画面，在线实时监控关键生产指标的数值，当监控指标发生异常时，采用基于案例推理方法，根据案例库中记载的历史案例，确定当前指标异常情况所属案例，具体方法如下：
步骤6-1、获取当前关键生产指标的具体数值；
步骤6-2、确定发生异常的关键生产指标；
即将每个关键生产指标的实际数值与其设定值做差，将差的绝对值与关键生产指标的实际数值相除获得指标差异率，将指标差异率与其设置阈值相比较，若大于设定指标差异率阈值，则该关键生产指标发生异常；
步骤6-3、采用最近相邻法，确定当前监控指标异常情况与案例库中每个案例的相似度：

其中，Gin为当前指标异常情况；
Gk为案例库中第k个案例；
m为关键生产指标的个数；
ωi为第i个关键生产指标相对于监控指标影响的权值；
SIM(Gin,Gk)为当前指标异常情况与第k个案例的相似度；
vi,k为第k个案例中的第i个特征的值，即第i个关键生产指标；
sim(vi,vi,k)为当前指标异常情况下第i个关键生产指标，与第k个案例中第i个关键生产指标的相似度，计算如下：

步骤7、选择当前监控指标异常情况与历史案例相似度最高的案例，作为当前指标异常情况所属案例，根据案例库中该案例记载的分析结果和调整方案，将具体的生产调整指导措施下发到相应生产工序进行现场调整，保证监控指标满足要求。
3.根据权利要求2所述的监控方法，其特征在于，步骤1所述的质量指标包括选矿综精品位、选矿综精水分、选矿综精烧损Ig、选矿综精S、选矿综精CaO、选矿综精SiO2、测算烧结矿品位、测算烧结矿SiO2、综精粒度、综精测算达标率、综精SiO2达标率、综合块矿率、一次溢流回收率、焙烧矿品位、废石品位、弱磁磁精品位、弱磁磁精SiO2、弱磁磁精CaO、弱磁磁精Ig、弱磁入磨品位、弱精品位、弱尾品位、弱磁磁尾品位、三磁精品位、弱精品位合格率、浮选给矿品位、浮选给矿SiO2、弱磁浮尾品位、弱磁浮精SiO2、强磁入磨品位、强精品位、强磁综合尾矿品位、平环综精品位、高梯度综精品位、高梯度尾矿品位、强精品位合格率、强精SiO2、强磁入选粒度、强磁入选浓度、1-2旋溢浓度、2-2旋溢浓度、弱磁三次浓度、磁选尾矿品位、磁选尾矿浓度、全选比、一次溢流收率合格率、废石斗数、废石量、废石产率、弱磁选理论金属回收率、弱磁选理论选矿比、浮选选比、强磁选理论金属回收率、强磁选理论选矿比和各种原矿的品位、S含量、SiO2含量和CaO含量和水份；
所述的计量指标包括包含水份的选矿综精产量、去除水份的选矿综精产量、弱磁精矿产量、强磁精矿产量、选3#矿量、块1#矿量、粉2#矿量、成品-2#矿量、废石-1#矿量、2X精4#矿量、1-1#球磨矿量、2-1#球磨矿量、3-1#球磨矿量、4-1#球磨矿量、强磁给矿量、弱磁给矿量、下山矿量和各种原矿的干重和湿重；
所述的设备运行统计指标包括原矿炉运时、强磁球磨机运时、弱磁球磨机运时、球磨机作业率、强磁球磨机作业率和弱磁球磨机作业率，作业率是球磨机运时与总时间的比率；
所述的矿仓料位指标包括储运贮矿仓料位、一次筛分矿仓料位、二次筛分矿仓料位、强磁矿仓料位和弱磁矿仓料位；
所述的工艺指标包括竖炉加热煤气量，竖炉还原煤气量，强磁选机电流，强磁机漂水洗电流，立环机电流，立环机漂水洗电流，浮选药剂，浓缩大井的浓度、频率、流量，加压过滤机的加压仓压力；
所述的能源指标包括电、中水、新水、焦炉煤气、高炉煤气、蒸汽、生活水的单耗和总耗；
所述的成本指标包括原料单位成本、原料总成本、能源单位成本和能源总成本。
4.根据权利要求2所述的监控方法，其特征在于，步骤4-4所述的采用NIPALS方法对自变量数据矩阵和因变量数据矩阵进行主成分提取，具体方法如下：
步骤4-4-1、获得矩阵 的最大特征值所对应的单位特征向量wh，进而获得
自变量的第h个主成分th：
th＝Eh-1wh                 (4)
其中，Eh-1表示第h-1次主成分提取中获得的自变量数据矩阵，Fh-1表示第h-1次主成分提取中获得的因变量数据矩阵； 为第h-1次主成分提取中获得的因变量数据矩阵的转置矩阵， 为第h-1次主成分提取中获得的自变量数据矩阵的转置矩阵；当h＝1时，E0表示构建的自变量数据矩阵，F0表示构建的因变量数据矩阵；
步骤4-4-2、获得矩阵 的最大特征值所对应的单位特征向量ch，进而获得
因变量的第h个主成分uh：
uh＝Fh-1ch              (5)
步骤4-4-3、根据自变量的第h主成分和因变量的第h主成分，获得自变量数据矩阵和因变量数据矩阵的残差矩阵：

其中，ph表示th在自变量数据矩阵上的载荷，
rh表示uh在因变量数据矩阵上的载荷，
步骤4-4-4、判断此时的主成分th对因变量数据矩阵Y的交叉有效性值是否小于设定值，若是，则完成对自变量数据矩阵和因变量数据矩阵进行主成分提取，否则，执行步骤4-4-5；
交叉有效性值计算公式如下：

其中， 表示第h次提取的主成分th对因变量数据矩阵Y的交叉有效性；
j＝1,2,...,q，q为因变量个数，PRESSj(h)为因变量yj的预
测误差平方和： yij表示第i组数据中的第j个因变量的值，
表示yij在自变量样本点x(i)上的预测值；i＝1,2,K,n，n为所需监控指标的组数；
SSj(h-1)表示yj的拟合误差平方和；
yij表示第i组数据中的第j个因变量的值， 表示yj在自变量样本点x(i)上的拟合值；
步骤4-4-5、返回执行步骤4-4-1至步骤4-4-4，直至主成分th对因变量Y的交叉有效性值小于设定值，完成对自变量数据矩阵和因变量数据矩阵进行主成分提取。

一种选矿生产指标监控系统及方法\n技术领域\n[0001] 本发明属于选矿生产过程技术领域，具体涉及一种选矿生产指标监控系统及方\n法。\n背景技术\n[0002] 矿产资源是经济发展需求的一种重要基础原料，在国民经济发展、国防科技建设等方面，在冶金、建筑、交通、化工等多个领域中起着举足轻重的作用，同时矿产资源又是难以再生的自然资源，所以各国都在积极地倡导可持续发展战略。在这种形势下，选矿工业企业已经不能像过去那样单纯地追求经济效益，而应该更加注重产品的质量，降低生产成本，节约资源消耗，降低环境污染，只有这样才能满足企业越来越高的质量要求，才能使企业更好地生存发展。在选矿生产过程中，存在着大量的生产指标，包括质量指标、计量指标、设备运行统计、能源指标、成本指标、矿仓料位和工艺指标。对上述各种生产指标进行有效监控，对保证产品质量尤为重要。\n[0003] 目前对选矿生产指标监控方面仅有少量专利，如“201410053940(锡矿摇床选矿自动监控的方法)”由自动摄像模块监视，通过PLC控制调节阀，实现最佳洗涤水流量控制；由自动摄像模块监视，通过PLC加单轴控制伺服电动机驱动机械构件实现最佳床身坡度控制；\n由自动摄像模块监视，通过PLC控制机械构件实现锡精矿接取位置控制。从而确保摇床给矿浓度、体积量稳定在最佳状态，提高选别指标。“201310704334.2(一种设备能力变化条件下的选矿综合生产指标优化方法)”在设备检修或设备故障导致设备能力出现变化时，针对选矿综合生产指标优化目标及约束条件对各原矿处理量进行调整优化，进而实现选矿综合生产指标优化。“201310647027.5(一种选矿过程运行指标优化方法)”对质量指标和产量指标进行预报，得到质量指标预报值和产量指标预报值，校正运行指标目标值的预设定值，得到运行指标优化值。“201310723320.5(可视化选矿生产全流程工艺指标优化决策系统及方法)”对算法进行封装、配置数据接口、配置数据类型，或者对封装好的算法模块进行修改；\n组态形成选矿生产全流程控制策略；对趋势分组以及变量数据分组配置并动态配置显示界面。上述专利主要针对的是对选矿生产指标设定值如何进行优化，而没有研究如何通过研究各种生产指标之间的相互影响关系来对企业最关心的重要生产指标进行有效监视，更没有对选矿生产过程中指标异常原因进行分析和处理，因此难以对选矿重要生产指标进行在线的有效监控。\n发明内容\n[0004] 针对现有技术的缺点，本发明提出一种选矿生产指标监控系统及方法，以达到实现对选矿重要生产指标影响因素的深入分析、对选矿重要生产指标异常情况时的分析，提高选矿重要生产指标监控有效程度的目的。\n[0005] 一种选矿生产指标监控系统，包括数据获取单元、指标影响因素筛选单元、指标监视单元、案例库维护单元、指标异常分析单元和数据存储单元，其中，\n[0006] 数据获取单元：用于获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标，并将获取的数据发送至指标影响因素筛选单元和数据存储单元中；\n[0007] 指标影响因素筛选单元：用于根据实际需求确定监控指标和与监控指标有影响关系的多个影响生产指标，并采用基于PLS-VIP的选矿生产指标筛选方法，从选取的多个影响生产指标中进一步筛选，确定关键生产指标，并将关键生产指标发送至案例库维护单元；\n[0008] 案例库维护单元：用于对指标异常分析中用到的案例库进行维护，包括添加案例、修正案例、删除案例和查看案例；\n[0009] 指标监视单元：用于根据监控指标的监视画面，在线实时监控关键生产指标的数值，并发送至指标异常分析单元；\n[0010] 指标异常分析单元：用于当监控指标发生异常时，采用基于案例推理方法，根据案例库中记载的历史案例，确定当前指标异常情况所属案例；\n[0011] 数据存储单元：用于存储获取的选矿生产全流程生产指标历史数据、选取的监控指标、选取的与监控指标有影响关系的多个影响生产指标、实时检测的关键生产指标实际数值和案例库中记载的生产指标历史数据。\n[0012] 采用选矿生产指标监控系统进行的监控方法，包括以下步骤：\n[0013] 步骤1、获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标；\n[0014] 步骤2、根据实际需求，从选矿生产全流程生产指标中选取所需监控指标；\n[0015] 步骤3、根据实际需求，从选矿生产全流程生产指标中选取与监控指标有影响关系的多个影响生产指标；\n[0016] 步骤4、采用基于PLS-VIP的选矿生产指标筛选方法，从选取的多个影响生产指标中进一步筛选，确定关键生产指标，具体方法如下：\n[0017] 步骤4-1、根据历史数据，确定多组影响生产指标的具体数值，将该生产指标作为自变量，并构建自变量数据矩阵；\n[0018] 自变量数据矩阵的行数为影响生产指标的组数，矩阵的列数为影响生产指标的个数，矩阵的元素为影响生产指标的具体数值；\n[0019] 步骤4-2、根据历史数据，确定多组监控指标的具体数值，将监控指标为因变量，并构建因变量数据矩阵；\n[0020] 因变量数据矩阵的行数为监控指标的组数，矩阵的列数为监控指标的个数，矩阵的元素为监控指标的具体数值；\n[0021] 步骤4-3、对自变量数据矩阵和因变量数据矩阵进行标准化处理；\n[0022] 步骤4-4、采用NIPALS方法对自变量数据矩阵和因变量数据矩阵进行主成分提取；\n[0023] 步骤4-5、确定每个自变量的变量投影重要性指标；\n[0024]\n[0025] 其中，VIPj为第j个自变量的变量投影重要性指标，j＝1,2,...,p，p为自变量个数；\n[0026] s为主成分提取的总次数；\n[0027] th为从自变量数据矩阵中第h次提取的主成分；\n[0028] whj为矩阵 的最大特征值所对应单位特征向量wh的第j个分量，Eh-1表\n示第h-1次主成分提取中获得的自变量数据矩阵，Fh-1表示第h-1次主成分提取中获得的因变量数据矩阵；F为因变量数据矩阵Y标准化处理后的矩阵；\n[0029] Rd(yj；th)为th对因变量数据矩阵Y的解释能力；Rd(yj；\nth)＝r2(yj；th),r(yj；th)为th与因变量yj的简单相关系数；\n[0030] 为t1,...,ts对因变量数据矩阵Y的累积解释能力；\n[0031] 步骤4-6、判断每个自变量的变量投影重要性指标是否大于等于变量投影重要性\n指标阈值，若是，则保留该自变量，即保留对应影响生产指标，当所有自变量均判断完成后执行步骤4-8，否则，删除该自变量，即删除对应影响生产指标，当所有自变量均判断完成后执行步骤4-7；\n[0032] 步骤4-7、将剩余的自变量重新构成自变量数据矩阵，即将多组剩余影响生产指标重新构成自变量数据矩阵，并返回执行步骤4-4至步骤4-6，直至剩余每个自变量的变量投影重要性指标均大于等于变量投影重要性指标阈值；\n[0033] 步骤4-8、将最终剩余的自变量，即最终剩余的影响生产指标作为关键生产指标；\n[0034] 步骤5、根据获得的关键生产指标，查询案例库，确定监控指标异常时，关键生产指标对应的数值，及该情况下案例库中所存储的分析结果和调整方案；\n[0035] 步骤6、现场工作人员根据监控指标的监视画面，在线实时监控关键生产指标的数值，当监控指标发生异常时，采用基于案例推理方法，根据案例库中记载的历史案例，确定当前指标异常情况所属案例，具体方法如下：\n[0036] 步骤6-1、获取当前关键生产指标的具体数值；\n[0037] 步骤6-2、确定发生异常的关键生产指标；\n[0038] 即将每个关键生产指标的实际数值与其设定值做差，将差的绝对值与关键生产指标的实际数值相除获得指标差异率，将指标差异率与其设置阈值相比较，若大于设定指标差异率阈值，则该关键生产指标发生异常；\n[0039] 步骤6-3、采用最近相邻法，确定当前监控指标异常情况与案例库中每个案例的相似度：\n[0040]\n[0041] 其中，Gin为当前指标异常情况；\n[0042] Gk为案例库中第k个案例；\n[0043] m为关键生产指标的个数；\n[0044] ωi为第i个关键生产指标相对于监控指标影响的权值；\n[0045] SIM(Gin,Gk)为当前指标异常情况与第k个案例的相似度；\n[0046] vi,k为第k个案例中的第i个特征的值，即第i个关键生产指标；\n[0047] sim(vi,vi,k)为当前指标异常情况下第i个关键生产指标，与第k个案例中第i个关键生产指标的相似度，计算如下：\n[0048]\n[0049] 步骤7、选择当前监控指标异常情况与历史案例相似度最高的案例，作为当前指标异常情况所属案例，根据案例库中该案例记载的分析结果和调整方案，将具体的生产调整指导措施下发到相应生产工序进行现场调整，保证监控指标满足要求。\n[0050] 步骤1所述的质量指标包括选矿综精品位、选矿综精水分、选矿综精烧损Ig、选矿综精S、选矿综精CaO、选矿综精SiO2、测算烧结矿品位、测算烧结矿SiO2、综精粒度、综精测算达标率、综精SiO2达标率、综合块矿率、一次溢流回收率、焙烧矿品位、废石品位、弱磁磁精品位、弱磁磁精SiO2、弱磁磁精CaO、弱磁磁精Ig、弱磁入磨品位、弱精品位、弱尾品位、弱磁磁尾品位、三磁精品位、弱精品位合格率、浮选给矿品位、浮选给矿SiO2、弱磁浮尾品位、弱磁浮精SiO2、强磁入磨品位、强精品位、强磁综合尾矿品位、平环综精品位、高梯度综精品位、高梯度尾矿品位、强精品位合格率、强精SiO2、强磁入选粒度、强磁入选浓度、1-2旋溢浓度、2-2旋溢浓度、弱磁三次浓度、磁选尾矿品位、磁选尾矿浓度、全选比、一次溢流收率合格率、废石斗数、废石量、废石产率、弱磁选理论金属回收率、弱磁选理论选矿比、浮选选比、强磁选理论金属回收率、强磁选理论选矿比和各种原矿的品位、S含量、SiO2含量和CaO含量和水份；\n[0051] 所述的计量指标包括包含水份的选矿综精产量、去除水份的选矿综精产量、弱磁精矿产量、强磁精矿产量、选3#矿量、块1#矿量、粉2#矿量、成品-2#矿量、废石-1#矿量、2X精\n4#矿量、1-1#球磨矿量、2-1#球磨矿量、3-1#球磨矿量、4-1#球磨矿量、强磁给矿量、弱磁给矿量、下山矿量和各种原矿的干重和湿重；\n[0052] 所述的设备运行统计指标包括原矿炉运时、强磁球磨机运时、弱磁球磨机运时、球磨机作业率、强磁球磨机作业率和弱磁球磨机作业率，作业率是球磨机运时与总时间的比率；\n[0053] 所述的矿仓料位指标包括储运贮矿仓料位、一次筛分矿仓料位、二次筛分矿仓料位、强磁矿仓料位和弱磁矿仓料位；\n[0054] 所述的工艺指标包括竖炉加热煤气量，竖炉还原煤气量，强磁选机电流，强磁机漂水洗电流，立环机电流，立环机漂水洗电流，浮选药剂，浓缩大井的浓度、频率、流量，加压过滤机的加压仓压力；\n[0055] 所述的能源指标包括电、中水、新水、焦炉煤气、高炉煤气、蒸汽、生活水的单耗和总耗；\n[0056] 所述的成本指标包括原料单位成本、原料总成本、能源单位成本和能源总成本。\n[0057] 步骤4-4所述的采用NIPALS方法对自变量数据矩阵和因变量数据矩阵进行主成分\n提取，具体方法如下：\n[0058] 步骤4-4-1、获得矩阵 的最大特征值所对应的单位特征向量wh，进而\n获得自变量的第h个主成分th：\n[0059] th＝Eh-1wh  (4)\n[0060] 其中，Eh-1表示第h-1次主成分提取中获得的自变量数据矩阵，Fh-1表示第h-1次主成分提取中获得的因变量数据矩阵； 为第h-1次主成分提取中获得的因变量数据矩阵的\n转置矩阵， 为第h-1次主成分提取中获得的自变量数据矩阵的转置矩阵；当h＝1时，E0表示构建的自变量数据矩阵，F0表示构建的因变量数据矩阵；\n[0061] 步骤4-4-2、获得矩阵 的最大特征值所对应的单位特征向量ch，进而\n获得因变量的第h个主成分uh：\n[0062] uh＝Fh-1ch  (5)\n[0063] 步骤4-4-3、根据自变量的第h主成分和因变量的第h主成分，获得因变量数据矩阵和因变量数据矩阵的残差矩阵：\n[0064]\n[0065] 其中，ph表示th在自变量数据矩阵上的载荷，\n[0066] rh表示uh在因变量数据矩阵上的载荷，\n[0067] 步骤4-4-4、判断此时的主成分th对因变量数据矩阵Y的交叉有效性值是否小于设定值，若是，则完成对自变量数据矩阵和因变量数据矩阵进行主成分提取，否则，执行步骤\n4-4-5；\n[0068] 交叉有效性值计算公式如下：\n[0069]\n[0070] 其中， 表示第h次提取的主成分th对因变量数据矩阵Y的交叉有效性；\n[0071] q为因变量个数，PRESSj(h)为因变量yj的\n预测误差平方和： yij表示第i组数据中的第j个因变量的值，\n表示yij在自变量样本点x(i)上的预测值；i＝1,2,K,n，n为所需监控指标的组数；\n[0072] SSj(h-1)表示yj的拟合误差平方和；\nyij表示第i组数据中的第j个因变量的值， 表示yj在在自变量样本点x(i)上的拟合\n值；\n[0073] 步骤4-4-5、返回执行步骤4-4-1至步骤4-4-4，直至主成分th对因变量Y的交叉有效性值小于设定值，完成对自变量数据矩阵和因变量数据矩阵进行主成分提取。\n[0074] 本发明优点：\n[0075] 针对目前的选矿生产指标监控仅仅是对所有选矿生产指标的统计显示、没有研究如何通过分析各种生产指标之间的相互影响关系来对企业最关心的重要生产指标进行有\n效监视和没有对选矿过程中指标异常原因进行分析和处理，从而导致难以对选矿过程的重要生产指标进行在线的有效监控的问题，本发明提出了一种选矿生产指标监控系统及方\n法，包括数据获取、指标影响因素筛选、指标监视、案例库维护、指标异常分析和数据存储；\n实现了对选矿重要生产指标影响因素的深入分析和对选矿重要生产指标异常情况时的分\n析，提高了选矿重要生产指标监控的有效程度。\n附图说明\n[0076] 图1为本发明具体实施例的一种选矿生产指标监控系统的结构框图；\n[0077] 图2为本发明具体实施例的一种选矿生产指标监控方法的流程图；\n[0078] 图3为本发明具体实施例的一种选矿生产指标监控方法的指标影响因素筛选的流\n程图；\n[0079] 图4为本发明具体实施例的一种选矿生产指标监控系统的历史时间段的选矿综精\n品位指标监视画面；\n[0080] 图5为本发明具体实施例的一种选矿生产指标监控系统的历史时间段的一次溢流\n回收率指标监视画面；\n[0081] 图6为本发明具体实施例的一种选矿生产指标监控系统的历史时间段的弱磁入磨\n品位指标监视画面；\n[0082] 图7为本发明具体实施例的一种选矿生产指标监控系统的历史时间段的强精品位\n指标监视画面；\n[0083] 图8为本发明具体实施例的一种选矿生产指标监控系统的历史时间段的强磁入选\n粒度指标监视画面；\n[0084] 图9为本发明具体实施例的一种选矿生产指标监控系统的历史时间段的强磁入磨\n品位指标监视画面；\n[0085] 图10为本发明具体实施例的一种选矿生产指标监控系统的历史时间段的弱精品\n位指标监视画面；\n[0086] 图11为本发明具体实施例的一种选矿生产指标监控系统的历史时间段的弱磁三\n次粒度指标监视画面；\n[0087] 图12为本发明具体实施例的一种选矿生产指标监控系统的历史时间段的预选矿\n品位指标监视画面；\n[0088] 图13为本发明具体实施例的一种选矿生产指标监控系统的在线实时选矿综精品\n位指标监视画面；\n[0089] 图14为本发明具体实施例的一种选矿生产指标监控系统的在线实时一次溢流回\n收率指标监视画面；\n[0090] 图15为本发明具体实施例的一种选矿生产指标监控系统的在线实时弱磁入磨品\n位指标监视画面；\n[0091] 图16为本发明具体实施例的一种选矿生产指标监控系统的在线实时强精品位指\n标监视画面；\n[0092] 图17为本发明具体实施例的一种选矿生产指标监控系统的在线实时强磁入选粒\n度指标监视画面；\n[0093] 图18为本发明具体实施例的一种选矿生产指标监控系统的在线实时强磁入磨品\n位指标监视画面；\n[0094] 图19为本发明具体实施例的一种选矿生产指标监控系统的在线实时弱精品位指\n标监视画面；\n[0095] 图20为本发明具体实施例的一种选矿生产指标监控系统的在线实时弱磁三次粒\n度指标监视画面；\n[0096] 图21为本发明具体实施例的一种选矿生产指标监控系统的在线实时预选矿品位\n指标监视画面；\n[0097] 图22为本发明具体实施例的一种选矿生产指标监控系统的选矿综精品位指标异\n常时的监视画面。\n具体实施方式\n[0098] 下面结合附图对本发明一种实施例做进一步说明。\n[0099] 本发明实施例中，选矿生产指标监控系统如图1所示，包括数据获取单元、指标影响因素筛选单元、指标监视单元、案例库维护单元、指标异常分析单元和数据存储单元，其中，\n[0100] 数据获取单元：用于获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标，并将获取的数据发送至指标影响因素筛选单元和数据存储单元中；\n[0101] 指标影响因素筛选单元：用于根据实际需求确定q个监控指标和与监控指标有影\n响关系的p个影响生产指标，并采用基于PLS-VIP的选矿生产指标筛选方法，从选取的多个影响生产指标中进一步筛选，确定m(m＜p)个关键生产指标，并将关键生产指标发送至案例库维护单元；\n[0102] 案例库维护单元：用于根据获得的m个关键生产指标，查询案例库，确定监控指标异常时，关键生产指标对应的数值，及该情况下案例库中所存储的分析结果和调整方案，并发送至指标异常分析单元和数据存储单元；\n[0103] 本发明实施例中，案例库维护单元对指标异常分析中用到的案例库进行维护，包括添加案例、修正案例、删除案例、查看案例、帮助等功能；\n[0104] 指标监视单元：建立需要监控的选矿生产指标的监视画面，该画面中同时实时显示需要监控的q个选矿生产指标值和筛选出的与需要监控的选矿生产指标有主要影响关系的m个关键生产指标值；\n[0105] 本发明实施例中，采用Microsoft Visual Studio 2008下的C#进行监视画面的构建；\n[0106] 指标异常分析单元：用于当监控指标发生异常时，采用基于案例推理方法，根据案例库中记载的历史案例，确定当前指标异常情况所属案例；\n[0107] 数据存储单元：用于存储获取的选矿生产全流程生产指标历史数据、选取的监控指标、选取的与监控指标有影响关系的多个影响生产指标、实时检测的关键生产指标实际数值和案例库中记载的生产指标历史数据。\n[0108] 本发明实施例中，采用选矿生产指标监控系统进行的监控方法，方法流程图如图2所示，包括以下步骤：\n[0109] 步骤1、获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标；\n[0110] 所述的质量指标包括选矿综精品位、选矿综精水分、选矿综精烧损Ig、选矿综精S、选矿综精CaO、选矿综精SiO2、测算烧结矿品位、测算烧结矿SiO2、综精粒度、综精测算达标率、综精SiO2达标率、综合块矿率、一次溢流回收率、焙烧矿品位、废石品位、弱磁磁精品位、弱磁磁精SiO2、弱磁磁精CaO、弱磁磁精Ig、弱磁入磨品位、弱精品位、弱尾品位、弱磁磁尾品位、三磁精品位、弱精品位合格率、浮选给矿品位、浮选给矿SiO2、弱磁浮尾品位、弱磁浮精SiO2、强磁入磨品位、强精品位、强磁综合尾矿品位、平环综精品位、高梯度综精品位、高梯度尾矿品位、强精品位合格率、强精SiO2、强磁入选粒度、强磁入选浓度、1-2旋溢浓度、2-2旋溢浓度、弱磁三次浓度、磁选尾矿品位、磁选尾矿浓度、全选比、一次溢流收率合格率、废石斗数、废石量、废石产率、弱磁选理论金属回收率、弱磁选理论选矿比、浮选选比、强磁选理论金属回收率、强磁选理论选矿比和各种原矿的品位、S含量、SiO2含量和CaO含量和水份；\n[0111] 所述的计量指标包括包含水份的选矿综精产量、去除水份的选矿综精产量、弱磁精矿产量、强磁精矿产量、选3#矿量、块1#矿量、粉2#矿量、成品-2#矿量、废石-1#矿量、2X精\n4#矿量、1-1#球磨矿量、2-1#球磨矿量、3-1#球磨矿量、4-1#球磨矿量、强磁给矿量、弱磁给矿量、下山矿量和各种原矿的干重和湿重；\n[0112] 所述的设备运行统计指标包括原矿炉运时、强磁球磨机运时、弱磁球磨机运时、球磨机作业率、强磁球磨机作业率和弱磁球磨机作业率，作业率是球磨机运时与总时间的比率；\n[0113] 所述的矿仓料位指标包括储运贮矿仓料位、一次筛分矿仓料位、二次筛分矿仓料位、强磁矿仓料位和弱磁矿仓料位；\n[0114] 所述的工艺指标包括竖炉加热煤气量，竖炉还原煤气量，强磁选机电流，强磁机漂水洗电流，立环机电流，立环机漂水洗电流，浮选药剂，浓缩大井的浓度、频率、流量，加压过滤机的加压仓压力；\n[0115] 所述的能源指标包括电、中水、新水、焦炉煤气、高炉煤气、蒸汽、生活水的单耗和总耗；\n[0116] 所述的成本指标包括原料单位成本、原料总成本、能源单位成本和能源总成本。\n[0117] 步骤2、根据实际需求，从选矿生产全流程生产指标中选取所需监控指标；\n[0118] 本发明实施例中，从选矿生产全流程生产指标中确定出需要监控的指标为选矿综合精矿品位；\n[0119] 步骤3、根据实际需求，从选矿生产全流程生产指标中选取与监控指标有影响关系的多个影响生产指标；\n[0120] 本发明实施例中，根据需要监控的选矿综合精矿品位，通过人工经验初选出与选矿综合精矿品位有影响关系的30个生产指标：强磁入磨品位、强精品位、强磁综合尾矿品位、平环精矿品位、平环尾矿品位、高梯度尾矿品位、综精粒度(-200目)、强磁入选粒度、1-2旋溢浓度、2-2旋溢粒度、2-2旋溢浓度、弱磁三次粒度(-300目)、弱磁三次浓度、弱磁磁精品位、弱磁磁精SiO2、弱磁磁精CaO、弱磁入磨品位、弱精品位、弱磁磁尾品位、三磁精品位、浮选给矿品位、浮选给矿SiO2、弱磁浮精品位、弱磁浮精SiO2、一次溢流回收率、磁选尾矿品位、预选矿品位、黑沟矿品位、周边矿品位、进口粉矿品位；\n[0121] 步骤4、采用基于PLS-VIP的选矿生产指标筛选方法，从选取的30个影响生产指标中进一步筛选，确定m(m＜30)个关键生产指标，如图3所示，具体方法如下：\n[0122] 步骤4-1、根据历史数据，确定151组影响生产指标的具体数值，将该生产指标作为自变量，并构建自变量数据矩阵；自变量数据矩阵的行数为151，矩阵的列数为30，矩阵的元素为影响生产指标的具体数值；\n[0123] 步骤4-2、根据历史数据，确定151组监控指标的具体数值，将监控指标为因变量，并构建因变量数据矩阵；因变量数据矩阵的行数为151，矩阵的列数为1，矩阵的元素为监控指标的具体数值；\n[0124] 本发明实施例中建立30个自变量x1、...、x30，分别对应与选矿综合精矿品位有影响关系的30个生产指标；建立1个因变量y1，对应需要监控的选矿综合精矿品位；\n[0125] 根据建立的30个自变量和1个因变量，选取2013年5月的151组数据作为分析样本\n(如表1所示)，分别构成自变量数据矩阵X＝(xij)151×30(i＝1,...,151；j＝1,...,30)和因变量数据矩阵Y＝(yij)151×1(i＝1,...,151；j＝1)；\n[0126] 表1样本的原始指标数据\n[0127]\n时间 强磁入磨品位x1 强精品位x2 … 周边框品位x29 进口粉矿品位x30 选矿综精品位(Tfe)y\n2013/5/1 15:00:00 31.8 44.5 … 33.45 61.55 54.3\n2013/5/1 17:00:00 32.7 46 … 33.86 60.5 53.56\n2013/5/1 19:00:00 32.7 45.6 … 35.71 62.1 53.8\n2013/5/1 21:00:00 31.15 44.9 … 36.45 60.4 53.6\n… … … … … … …\n2013/5/13 13:00:00 30.6 45.9 … 34.86 59.65 53.05\n2013/5/13 15:00:00 32.1 46.9 … 32.05 60.5 53.03\n2013/5/13 17:00:00 30.6 46.6 … 34.79 60.5 53.45\n2013/5/13 19:00:00 31.55 46.8 … 31.95 61.35 53.21\n2013/5/13 21:00:00 33.55 47.7 … 32.2 58.6 53.21\n[0128] 步骤4-3、对自变量数据矩阵X和因变量数据矩阵Y进行标准化处理；\n[0129] 本发明实施例中，标准化处理过程如下：\n[0130] E0＝(eij)151×30；\n[0131] F0＝(fij)151×1；\n[0132] 其中，eij为标准化处理后的自变量数据矩阵E0的第i行j列元素值；fij为标准化处理后的因变量数据矩阵F0的第i行j列元素值； 为自变量数据矩阵的第j列数据的平均值；\n为因变量数据矩阵Y的第j列数据的平均值； 为自变量数据矩阵的第j列数据的标准差；\n为因变量数据矩阵的第j列数据的标准差；标准化处理后的数据如表2所示：\n[0133] 表2标准化处理后的数据\n[0134]\ne1 e2 … e29 e30 f0\n0.8243 -0.5540 … -0.2898 0.6957 1.3693\n1.5881 0.7264 … -0.1137 -0.2555 0.0923\n1.5881 0.3850 … 0.6813 1.1940 0.5065\n0.2726 -0.2125 … 0.9993 -0.3461 0.1614\n… … … … … …\n-0.1942 0.6410 … 0.3160 -1.0256 -0.7877\n1.0789 1.4946 … -0.8914 -0.2555 -0.8222\n-0.1942 1.2385 … 0.2860 -0.2555 -0.0975\n0.6121 1.4092 … -0.9344 0.5145 -0.5116\n2.3096 2.1775 … -0.8270 -1.9765 -0.5116\n[0135] 步骤4-4、采用NIPALS方法对自变量数据矩阵和因变量数据矩阵进行主成分提取；\n[0136] 采用NIPALS方法对自变量数据矩阵和因变量数据矩阵进行主成分提取，具体方法如下：\n[0137] 步骤4-4-1、获得矩阵 的最大特征值所对应的单位特征向量wh，进而\n获得自变量的第h个主成分th：\n[0138] th＝Eh-1wh  (4)\n[0139] 其中，Eh-1表示第h-1次主成分提取中获得的自变量数据矩阵，Fh-1表示第h-1次主成分提取中获得的因变量数据矩阵； 为第h-1次主成分提取中获得的因变量数据矩阵的\n转置矩阵， 为第h-1次主成分提取中获得的自变量数据矩阵的转置矩阵；当h＝1时，E0表示构建的自变量数据矩阵，F0表示构建的因变量数据矩阵；\n[0140] 步骤4-4-2、获得矩阵 的最大特征值所对应的单位特征向量ch，进而\n获得因变量的第h个主成分uh：\n[0141] uh＝Fh-1ch  (5)\n[0142] 步骤4-4-3、根据自变量的第h主成分和因变量的第h主成分，获得因变量数据矩阵和因变量数据矩阵的残差矩阵：\n[0143]\n[0144] 其中，ph表示th在自变量数据矩阵上的载荷，\n[0145] rh表示uh在因变量数据矩阵上的载荷，\n[0146] 步骤4-4-4、判断此时的主成分th对因变量数据矩阵Y的交叉有效性值是否小于设定值0.0975，若是，则完成对自变量数据矩阵和因变量数据矩阵进行主成分提取，否则，执行步骤4-4-5；\n[0147] 交叉有效性值计算公式如下：\n[0148]\n[0149] 其中， 表示第h次提取的主成分th对因变量数据矩阵Y的交叉有效性；\n[0150] PRESS(h)是从所有n个样本点中舍弃自变量数据矩阵中某个样本点x(i)(i＝1,2,\nK,n)之后，用剩余的n-1个样本点拟合出含h个主成分的回归方程，再对x(i)(i＝1,2,K,n)点进行预测的预测误差平方和； q为因变量个数，\nPRESSj(h)为因变量yj的预测误差平方和： yij表示第i组数据\n中的第j个因变量的值， 表示yij在自变量样本点x(i)上的预测值；i＝1,2,K,n，n为所\n需监控指标的组数；\n[0151] SS(h-1)是用所有n个样本点拟合出的含h-1个主成分的回归方程的拟合误差平方\n和： SSj(h-1)表示yj的拟合误差平方和： SSj\n(h-1)表示yj的拟合误差平方和； yij表示第i组数据中的第j个\n因变量的值， 表示yj在在自变量样本点x(i)上的拟合值；\n[0152] 步骤4-4-5、返回执行步骤4-4-1至步骤4-4-4，直至主成分th对因变量Y的交叉有效性值小于设定值，完成对自变量数据矩阵和因变量数据矩阵进行主成分提取。\n[0153] 本发明实施例中，主成分提取次数为3，最终提取到3个主成分：t1,t2,t3。\n[0154] 步骤4-5、确定每个自变量的变量投影重要性指标；\n[0155]\n[0156] 其中，VIPj为第j个自变量的变量投影重要性指标，j＝1,2,...,p，p为自变量个数；\n[0157] s为主成分提取的总次数；\n[0158] th为从自变量数据矩阵中第h次提取的主成分；\n[0159] whj为矩阵 的最大特征值所对应单位特征向量wh的第j个分量，Eh-1表\n示第h-1次主成分提取中获得的自变量数据矩阵，Fh-1表示第h-1次主成分提取中获得的因变量数据矩阵；F为因变量数据矩阵Y标准化处理后的矩阵；\n[0160] Rd(yj；th)为th对因变量数据矩阵Y的解释能力；Rd(yj；\n2\nth)＝r(yj；th),r(yj；th)为th与因变量yj的简单相关系数；\n[0161] 为t1,...,ts对因变量数据矩阵Y的累积解释能力；\n[0162] 本发明实施例中，VIP值对应值如表3所示；\n[0163] 表3\n[0164]\nVIP1 VIP2 VIP3 VIP4 VIP5 VIP6 VIP7 VIP8 VIP9 VIP10\n1.1429 1.6407 0.3584 0.7038 0.7366 0.8411 0.4653 1.4239 0.7269 0.2308\nVIP11 VIP12 VIP13 VIP14 VIP15 VIP16 VIP17 VIP18 VIP19 VIP20\n0.9706 1.4896 0.8272 1.5537 1.1864 0.3337 1.1429 1.0532 0.2217 1.0162\nVIP21 VIP22 VIP23 VIP24 VIP25 VIP26 VIP27 VIP28 VIP29 VIP30\n1.2922 1.0402 0.7837 0.8845 1.9651 0.5056 1.1204 0.4164 0.5034 0.7217\n[0165] 步骤4-6、判断每个自变量的变量投影重要性指标是否大于等于变量投影重要性\n指标阈值VIP*＝0.8，若是，则保留该自变量，即保留对应影响生产指标，当所有自变量均判断完成后执行步骤4-8，否则，删除该自变量，即删除对应影响生产指标，当所有自变量均判断完成后执行步骤4-7；\n[0166] 步骤4-7、将剩余的自变量重新构成自变量数据矩阵，即将多组剩余影响生产指标重新构成自变量数据矩阵，并返回执行步骤4-4至步骤4-6，直至剩余每个自变量的变量投影重要性指标均大于等于变量投影重要性指标阈值；\n[0167] 本发明实施例中，剩余自变量为：x1、x2、x6、x8、x11、x12、x13、x14、x15、x17、x18、x20、x21、x22、x24、x25、x27，并将剩余自变量及y重新构成自变量数据矩阵和因变量数据矩阵；\n[0168] 步骤4-8、将最终剩余的自变量，即最终剩余的影响生产指标作为关键生产指标；\n[0169] 本发明实施例中，剩余的自变量即为最终筛选出的影响因素，最终筛选出8个主要影响因素：x1、x2、x8、x12、x17、x18、x25、x27，即筛选出的关键指标为预选矿品位、一次溢流回收率、弱磁入磨品位、弱磁三次粒度、弱精品位、强磁入磨品位、强磁入选粒度和强精品位八个选矿数据采集指标；\n[0170] 步骤5、根据获得的关键生产指标，查询案例库，确定监控指标异常时，关键生产指标对应的数值，及该情况下案例库中所存储的分析结果和调整方案；\n[0171] 本发明实施例中，根据筛选出的8个关键生产指标，针对选矿综合精矿品位分别建立指标异常情况下调整时的案例库，案例库中的属性为8个关键生产指标，其值为8个关键生产指标值；案例库中的案例解特征包括分析结果与调整方案；案例库结构如表4所示：\n[0172] 表4\n[0173]\n[0174] 步骤6、现场工作人员根据监控指标的监视画面，在线实时监控关键生产指标的数值，当监控指标发生异常时，采用基于案例推理方法，根据案例库中记载的历史案例，确定当前指标异常情况所属案例，具体方法如下：\n[0175] 步骤6-1、获取当前关键生产指标的具体数值；\n[0176] 本发明实施例中，根据筛选出的与需要监控的选矿综合精矿品位有主要影响关系的8个关键生产指标，建立选矿综合精矿品位的监视画面，该画面中同时显示选矿综合精矿品位指标值和筛选出的与选矿综合精矿品位有主要影响关系的8个关键生产指标值；图4～图12为历史时间段的选矿综合精矿品位的监视画面，图13～图21为选矿综合精矿品位的在线实时监视画面；\n[0177] 当现场人员通过选矿综合精矿品位监视画面发现矿综合精矿品位出现异常情况\n时，如图22所示，7月29日的选矿综合精矿品位实际值低于计划值时，采用基于案例推理方法对选矿综合精矿品位异常情况进行分析；\n[0178] 步骤6-2、确定发生异常的关键生产指标；\n[0179] 确定公式如下：\n[0180] (|指标设定值-指标实际值|/指标实际值)＜α，其中：α为出现异常情况的指标差异率阈值，α＝0.86；\n[0181] 步骤6-3、采用最近相邻法，确定当前监控指标异常情况与案例库中每个案例的相似度：\n[0182]\n[0183] 其中，Gin为当前指标异常情况；\n[0184] Gk为案例库中第k个案例；\n[0185] m为关键生产指标的个数；\n[0186] ωi为第i个关键生产指标相对于监控指标影响的权值；\n[0187] 本发明实施例中，8个关键生产指标相对于监控指标影响的权值为：ω1＝0.6，ω2＝1.2，ω3＝0.6，ω4＝0.8，ω5＝1.8，ω6＝1.5，ω7＝1.5，ω8＝2；\n[0188] SIM(Gin,Gk)为当前指标异常情况与第k个案例的相似度；\n[0189] vi,k为第k个案例中的第i个特征的值，即第i个关键生产指标；\n[0190] sim(vi,vi,k)为当前指标异常情况下第i个关键生产指标，与第k个案例中第i个关键生产指标的相似度，计算如下：\n[0191]\n[0192] 步骤7、选择当前监控指标异常情况与历史案例相似度最高的案例，作为当前指标异常情况所属案例，根据案例库中该案例记载的分析结果和调整方案，将具体的生产调整指导措施下发到相应生产工序进行现场调整，保证监控指标满足要求。\n[0193] 本发明实施例中，检索得到的案例相似度值最大的SIM(Gin,Gk)＝0.9，因此选择该条案例作为本次选矿综精品位异常情况时的调整方法，具体调整措施为该条案例解特征中的调整方案，得到的工况原因为：强磁入磨品位偏低和矿物可选性发生较大变化；得到生产调整指导措施为：加强对粉矿的监督、加强对原料质量的监控，将生产调整指导措施下发到相应生产工序进行现场调整，保证选矿综合精矿品位指标满足要求。