Machine Translated by Google

Disponível on-line em www.sciencedirect.com

Engenharia Mineral 21 (2008) 642–651

Este artigo também está disponível online em:
www.elsevier.com/locate/mineng

Modelagem baseada em espuma e controle de processos de flotação

J. Jay Liu *, John F. MacGregor *

Departamento de Engenharia Química, Universidade McMaster, 1280 Main Street West, Hamilton, Ontário, Canadá L8S 4L7

Recebido em 7 de julho de 2007; aceito em 11 de dezembro de 2007

Disponível on-line em 8 de fevereiro de 2008

Abstrato

Este artigo ilustra uma nova forma de modelagem e controle de processos de flotação com base na aparência da espuma. Como mostrado em nosso trabalho anterior
[Liu, J., MacGregor, JF, Duchesne, C., Bartolacci, G., 2005. Monitoramento de processos de flotação usando análise de imagem multivariada multiresolucional. Minerals
Engineering 18 (1), 65–76], as pontuações das características do MR-MIA podem ser vistas como estimativas numéricas do estado ou saúde da espuma. Portanto, as
pontuações dos recursos MR-MIA podem ser usadas diretamente no controle de espuma, bem como na modelagem de espuma, empregando as pontuações como
saídas do processo (variáveis dependentes).
Quando aplicada a imagens de espuma reais e dados de processo correspondentes, a regressão PLS fornece bons valores de R2 (a fração da variância das variáveis
dependentes explicadas pelo modelo de regressão) e Q2 (a fração da variância prevista para variáveis dependentes não utilizadas no modelo de regressão) para modelos
causais de estado estacionário e dinâmico. O estudo de simulação mostra que um controlador projetado usando o modelo causal de estado estacionário proporcionou
desempenhos de controle que foram muito satisfatórios na obtenção das aparências de espuma desejadas.
2007 Elsevier Ltd. Todos os direitos reservados.

Palavras-chave: Aparência de espuma; Estimativa numérica; Modelo causal; Controle baseado em modelo; Visão de máquina

1. Introdução Um esquema típico de controle de flotação (Bartolacci e Bou ajila,

Devido às perturbações frequentes e aleatórias nos circuitos de
flotação, há mais de três décadas há necessidade de controle automático
dos processos de flotação (Wills, 1984). O controle de flotação também
pode trazer melhor recuperação da planta, teores de concentrado
consistentes, economia de reagentes, etc. Os objetivos do controle de
flotação são (Wills, 1984; McKee, 1991): (1) estabilizar um processo de
flotação no nível desejado, minimizando a frequência e gravidade da
operação errática devido a perturbações, (2) alcançar graus designados ou
pontos de ajuste de recuperação, e (3) maximizar o desempenho
econômico do processo.
* Autores correspondentes. Endereço: Samsung Electronics, 200 Myeon gam-ri, Tangjeong-
myeon, Asan, Chungchengnam-do 336-841, Coreia (JJ Liu). Tel.: +82 41 535 4470 (JJ Liu), tel.:
+1 905 525 9140x24951; fax: +1 905 521 1350 (JF MacGregor).
2001) é mostrado na Fig. 1 , onde analisadores on-stream (OSAs) fornecem
uma análise química do conteúdo metálico dos fluxos de processo. Os
OSA são a parte mais importante do esquema de controlo, mas estes
instrumentos são caros para adquirir e manter. Além disso, a maioria dos
OSAs são frequentemente projetados para analisar fluxos de processos
coletados de muitos circuitos de flotação (Holtham e Nguyen, 2002); isso
causa um atraso significativo na medição de 10 a 20 minutos. Por outro
lado, os operadores de instalações de flotação geralmente possuem regras
heurísticas relativas à aparência visual da espuma e às correspondentes
ações operacionais corretivas porque é um fato bem conhecido que o
desempenho dos circuitos de flotação está relacionado às características
visuais da espuma (Moolman et al., 1995) . ,1996). Por estas razões, o
controle de flotação baseado em espuma, ou seja, o uso de aparências de
espuma no controle de flotação através de visão artificial, tem sido
considerado como uma alternativa ou uma solução auxiliar aos esquemas
de controle convencionais baseados em OSA durante a última década.
Algumas das principais vantagens das soluções de visão artificial incluem
baixos custos de capital e manutenção e rápida taxa de amostragem.

Endereços de e-mail: jay.liu@samsung.com (JJ Liu), macgreg@mcmas

ter.ca (JF MacGregor).

0892-6875/$ - ver capa 2007 Elsevier Ltd. Todos os direitos reservados. doi:10.1016/
j.mineng.2007.12.011
Machine Translated by Google
JJ Liu, JF MacGregor / Engenharia Mineral 21 (2008) 642–651
+ +
Mestre
Ponto de ajuste
- Controlador
Concentrado
nota
Figura 1. Esquema típico de controle de flotação (Bartolacci e Bouajila, 2001).
Por estas razões mencionadas acima, uma quantidade considerável
de pesquisas tem sido feita sobre a análise da cor, estrutura e morfologia
da espuma, conforme discutido no artigo anterior (Liu et al., 2005).
Como resultado, estão disponíveis alguns protótipos e soluções
comerciais de visão mecânica, como ACEFLOT (DICTUC SA),
FrothmasterTM (Outotec) e JKFrothcam (JKTech) . Embora algumas
dessas soluções de visão artificial tenham sido testadas em plantas de
flotação reais, poucos resultados foram relatados. Ainda menos resultados
sobre controle de flotação usando soluções de visão artificial foram
relatados (Ylinen et al., 2000; Brown et al., 2001; Holtham e Nguyen,
2002; Bartolacci et al., 2006). Além disso, a metodologia utilizada varia
de caso para caso e, portanto, não é fácil comparar diferentes soluções
de visão artificial.
Embora tenha sido comprovado na literatura que as aparências de
espuma são essencialmente saídas do processo que respondem às
entradas do processo, como taxa de fluxo de reagentes, não houve
tentativas de construir um modelo causal que preveja futuras aparências
de espuma. O objetivo deste artigo é ilustrar um novo método para
modelagem e controle de processos de flotação com base nas
aparências de espuma - desenvolvendo um modelo causal de estado
estacionário usando características de espuma MR-MIA (Liu e MacGregor,
2007) e dados de processo correspondentes, e projetando um controlador
baseado no modelo desenvolvido. Além disso, este artigo discutirá o
desenvolvimento de um modelo causal dinâmico de processos de
flotação, que pode ser usado em técnicas avançadas de controle
baseadas em modelos, como MPC (Model Predictive Control, Garcia et
al., 1989; Morari e Lee, 1999) . O restante deste trabalho está organizado
da seguinte forma. Depois de revisar o controle de flotação baseado em
espuma usando técnicas contemporâneas de visão mecânica, a Seção
2 propõe um novo esquema de controle de flotação e discute o projeto
do controlador. Em seguida, a construção de modelos causais dinâmicos
e de estado estacionário e a inversão de modelos via otimização para
projeto de controladores serão ilustradas na Seção 3. Ao contrário de
Liu et al. (2005), assinaturas de tamanho de wavelet usando transformada
wavelet contínua (CWT) em escala linear são usadas ao longo deste
artigo. Explicações detalhadas da CWT em escala linear e sua
comparação com a DWT são fornecidas no Apêndice A.
643
Escravo Flutuação
- Controladores Circuitos
Medidas
pH, vazões, ...
AOS
2. Controle de flotação baseado em espuma
Conforme mencionado anteriormente, a literatura sobre controle de
flotação usando visão artificial é muito limitada. Ylinen et al. (2000)
relataram resultados de testes básicos de circuitos de flotação mais
desbaste de zinco com base na configuração de visão de máquina do
Projeto ChaCo (Caracterização da Estrutura e Cor da Espuma de
Flotação por Visão de Máquina) (Projeto ChaCo). As características da
imagem incluídas em sua estratégia de controle foram a cor vermelha da
espuma, a taxa de colapso da bolha e o tamanho da bolha da espuma,
e as taxas de adição de Xantato e CuSO4 foram usadas como variáveis
manipuladas. Em Ylinen et al. (2000), a aplicabilidade dessas variáveis
de imagem no controle de flotação foi demonstrada através de testes
em plantas reais. O FrothmasterTM é o primeiro sistema comercial de
visão mecânica a relatar testes de controle de flotação (Brown et al.,
2001). Um controlador mestre simples baseado em regras incluía uma
variável de imagem (velocidade de espuma) e três variáveis manipuladas
(nível, taxa de adição de espuma e taxa de aeração). Os resultados do
controle mostraram que a qualidade do concentrado obtido pôde ser
estabilizada quando a velocidade da espuma foi controlada. A Figura 2
mostra o esquema de controle utilizado no teste da planta (Brown et al.,
2001).
Embora muito limitada, a literatura sobre controle de flotação baseada
em espuma confirma a possibilidade do uso de recursos de imagem no
controle de processos de flotação.
As características da imagem de espuma refletem características
importantes do processo e respondem a mudanças nas variáveis manipuladas.
Portanto, ao empregar características de imagem como saídas do
processo, é possível construir um modelo de processo causal que pode
prever características de imagem a partir dos valores dados das variáveis
manipuladas e, além disso, qualquer técnica de controle baseada em
modelo pode ser aplicada ao controle de flotação baseado em espuma.
usando o modelo causal. O uso de uma técnica de controle baseada
em modelo proporcionará melhor desempenho de controle em
comparação com controladores PID simples ou baseados em regras.
Suponha que o modelo de processo f(x) preveja valores futuros das
características visuais da espuma y, onde x são variáveis de processo
manipuladas. Então, os novos valores das variáveis manipuladas ^x para
obter a aparência de espuma desejada, ou seja, ^yð¼ f ð^xÞÞ ffi ysp
podem ser dados por
Machine Translated by Google

644 JJ Liu, JF MacGregor / Engenharia Mineral 21 (2008) 642–651

+ +
Defina pontos Mestre Escravo Flutuação
- Controlador - Controladores Circuitos

Velocidade/estabilidade

da espuma

Mestre de espuma

Imagens RGB

Grau concentrado

AOS

Figura 2. O esquema de controle utilizado em Brown et al. (2001).

2 2
^x ¼ arg min kysp ^yk Os graus de concentrado dos OSAs podem ser usados para atualização
P s:t xlb 6 x 6 xub; kysp ^yk P
x periódica do modelo de processo em tais casos. Detalhes sobre o
T
¼ ðysp yÞ Qðysp ^yÞ ð1Þ desenvolvimento de um modelo causal e projeto de controlador baseado em
modelo serão ilustrados na próxima seção.

onde xlb e xub são os limites inferior e superior de x, e Q é uma matriz de

ponderação para y. Esta é a ideia básica do controle baseado em modelo, que
utiliza um otimizador para inverter um modelo de processo. Este esquema de
controle baseado em modelo é mostrado na Fig. 3. Neste artigo, um modelo
de processo em estado estacionário é usado para prever o status futuro da
espuma (por exemplo, distribuição de tamanho de bolha, janelas claras e
buracos negros) em estados estacionários e um otimizador fornece os valores
de estado estacionário correspondentes das variáveis manipuladas. No entanto,
se um modelo de processo dinâmico for usado para prever o status futuro da
espuma dentro de um horizonte de tempo fixo, então um otimizador poderá
encontrar sequências das variáveis manipuladas, o que é essencialmente MPC.
Um controlador baseado neste modelo atuará como um controlador
estabilizador (Wills, 1984). Conforme mencionado em nosso artigo anterior (Liu
et al., 2005), a estimativa de teores de concentrado usando MIA pode ser
facilmente incluída na mesma estrutura do MR-MIA II. O controlador resultante
será então um controlador estabilizador e economizador (Wills, 1984).
3. Modelagem de processos e projeto de controladores
3.1. Modelagem de processos em estado estacionário
O conjunto de dados de imagens Laronde (Liu et al., 2005) e os dados de
processo correspondentes são usados para ilustrar o desenvolvimento de
modelos causais em estado estacionário. O conjunto de dados foi coletado
durante dois testes de fábrica na fábrica de Laronde da Agnico-Eagle em
Quebec, Canadá; durante o teste do ativador (CuSO4), foram feitas alterações
na vazão do ativador e um total de 487 imagens foram coletadas. A duração
dos sinais de passo foi mantida por tempo suficiente para garantir que o
processo atingisse um novo estado estacionário. Os set-points de todas as
outras variáveis manipuladas foram mantidos constantes, exceto a vazão do
ativador. Uma série semelhante de mudanças de etapas foi feita na taxa de
fluxo do coletor (Xantato de Potássio, KAX), na qual 456 imagens foram
coletadas durante o coletor.

Grau concentrado

AOS
Nova solução de visão mecânica

+ +
Defina pontos Escravo Flutuação
Otimizador
- - Controladores Circuitos

Grau
estimado de
concentrado/
estados de espuma
Modelo de planta
Medidas
pH, vazões, ...

Imagens RGB

MR-MIA/
Redução de recursos

Figura 3. Esquema de controle baseado em modelo.

Machine Translated by Google

JJ Liu, JF MacGregor / Engenharia Mineral 21 (2008) 642–651 645

teste. Cada imagem foi amostrada a cada 30 s enquanto todo o processo mesa 2
Resultados da modelagem PLS para o primeiro conjunto de dados de teste
dados incluindo duas variáveis manipuladas usadas na planta
testes e seis condições de alimentação foram amostradas a cada minuto. A DWT Escala linear CWT
2 2 2 2
Portanto, assinaturas de tamanho calculadas a partir do atual Ry Qy Ry Qy
imagem e duas imagens anteriores mais recentes são calculadas em média para 1 0,605 0,599 0,719 0,714
forneça uma assinatura de tamanho médio para cada minuto. Isso vai 2 0,765 0,752 0,919 0,915

atuar como um filtro de média móvel para reduzir o nível de ruído em 3 0,859 0,849 0,947 0,941
4 0,905 0,888 0,961 0,957
as assinaturas de tamanho calculado. Janelas claras e pretas
5 0,964 0,956 – –

características de buracos (Liu et al., 2005) também são calculadas em média no

da mesma maneira. Para uma representação compacta das aparências de
espuma, os dois primeiros PCs (t1 e t2) das características médias do MR MIA Tabela 3
(assinaturas de tamanho, janelas claras e preto Resultados da modelagem PLS para o segundo conjunto de dados de teste
furos) são calculados. A DWT Escala linear CWT
Porque apenas uma variável manipulada foi alterada 2 2 2 2
Ry Qy Ry Qy
durante cada teste (CuSO4 para o primeiro teste e KAX (Xantato de Potássio)
0,492 0,481 0,693 0,690
para o segundo teste), um modelo causal é
1 0,546 0,533 0,786 0,763
desenvolvido para cada teste. Para construir modelos causais em estado 2 0,620 0,607 0,832 0,826
estacionário, 20 pares de (t1, t2) e dados de processo correspondentes são 34 0,649 0,632 0,847 0,841
selecionado para cada estado estacionário. O conjunto de dados combinado para
cada teste de planta tem três estados estacionários com uma variável
manipulada x (CuSO4 para o primeiro conjunto de dados e KAX A DWT aumenta a não-linearidade desnecessária (ver também Figs.
para o segundo conjunto de dados), seis condições de alimentação z e pares Fig. A1 e Fig. A2) na relação causal entre
correspondentes (t1, t2) . A regressão de mínimos quadrados parciais (PLS) Características da espuma MR-MIA, bem como a incerteza no
(Wold, 1966; Geladi e Kowalski, 1986) é aplicada assinaturas de tamanho. A Tabela 3 mostra uma melhoria muito maior
construir modelos causais empregando dois PCs de recursos MR MIA como com o CWT no segundo conjunto de dados de teste. Os coeficientes de
variáveis de saída do modelo e um manipulado regressão PLS para o segundo conjunto de dados são mostrados na Fig .
variáveis e condições de alimentação como variáveis de entrada do modelo.
As descrições das variáveis estão resumidas na Tabela 1. 3.2. Modelagem dinâmica
Para comparar os resultados da regressão PLS usando o
DWT e CWT em escala linear (consulte o Apêndice A para obter mais Embora existam diversas variáveis manipuladas em um
detalhe) assinaturas de tamanho, modelos causais são desenvolvidos para circuito de flotação que pode ser usado para controlar a aparência de espuma,
ambos os casos e os resultados estão resumidos nas Tabelas 2 muitas vezes apenas uma variável manipulada, que tem
e 3, respectivamente. O número de componentes em cada o efeito mais dominante na aparência da espuma, é usado para
caso foi determinado por validação cruzada. Para o primeiro conjunto de dados, controlar as aparências manualmente ou é emparelhado com uma aparência
o modelo PLS com cinco componentes utilizando o DWT de espuma estimada em um circuito de controle PID (Derivado Proporcional-
captura 96,4% da variação de imagens de espuma no conjunto de dados (ou Integral) quando soluções de visão industrial
seja, R2 = 96,4%) e pode prever 95,6% da variabilidade de novas imagens de são usados. Por exemplo, apenas o ativador (CuSO4) é usado em
espuma (ou seja, Q2 = 95,6%) representada pelo um emparelhamento de loop PID em uma seção de recuperação de zinco de Agnico–
dois PCs com recursos MR-MIA. O modelo PLS usando o Fábrica da Eagle's Laronde em Quebec. Nesses casos, uma dinâmica
A assinatura de tamanho CWT tem quase a mesma quantidade do O modelo de processo pode ser usado em um ajuste PID ou em MPC SISO
variação explicada (R2 = 96,1%) e previsibilidade (Entrada Única, Saída Única) para obter melhor controle
(Q2 = 95,7%) de características de MR-MIA com apenas quatro desempenho.
variáveis. Isso ocorre porque a amostragem em escala diádica do Houve várias tentativas de explicar a dinâmica
em modelos PLS usando matrizes de dados deslocadas no tempo ou
relações internas PLS deslocadas no tempo, produzindo relações multivariadas
tabela 1
média móvel (MA) ou média móvel autoregressiva
Descrições das variáveis utilizadas na modelagem causal
(ARMA) (Kaspar e Ray, 1993; Lakshminaraya nan et al., 1997). A primeira
Tipo Descrições
estratégia (usando um time-shifted
Entrada do modelo x Taxa de fluxo (CuSO4 para o primeiro conjunto de dados e KAX
matriz de dados) é empregado nesta seção para construir uma dinâmica
para o segundo conjunto de dados)
modelo do circuito de zinco da planta Laronde da Agnico-Eagle.
z1 Sólido da ração fresca (%)
z2 Ferro na ração fresca (%)
Um modelo dinâmico é desenvolvido usando o conjunto de dados de
z3 Cobre na ração fresca (%) o primeiro teste de planta. O conjunto de dados tem 243 observações
z4 Zinco na ração fresca (%) incluindo estados estacionários e estados de transição; cada
z5 Liderar na ração fresca (%)
a observação consiste em dois PCs das características médias do MR MIA e
z6 Prata no feed fresco (ppm)
das condições de alimentação correspondentes e
Saída do modelo t1, t2 Os dois primeiros PCs (t1 e t2) da média uma variável manipulada (taxa de fluxo de CuSO4) registrada
Recursos do MR-MIA
a cada minuto. Usando o diagrama da planta, o tamanho do con
Machine Translated by Google

646 JJ Liu, JF MacGregor / Engenharia Mineral 21 (2008) 642–651

0,5

setneicifaeroa1C
pt

-0,5

-1
z1 z2 z3 z4 z5 z6 x

0,8

0,6

0,4
setneicifaeroa2C
pt

0,2

-0,2

-0,4
z1 z2 z3 z4 z5 z6 x

Figura 4. Gráfico de coeficientes PLS para o segundo conjunto de dados de teste.

tanques de condicionamento e a taxa normal de alimentação de polpa, Tabela 4

estima-se o tempo de atraso da variável manipulada. Em vez de Modelagem PLS estática versus modelagem PLS dinâmica para o primeiro conjunto de dados de teste

mudando todas as variáveis de entrada do modelo (ou seja, condições de A Modelagem estática Modelagem dinâmica
2 2 2 2
alimentação e uma variável manipulada), apenas as manipuladas Ry Qy Ry Qy
variável é deslocada com base no atraso de tempo estimado e 0,373 0,372 0,784 0,784
adicionado como uma variável de entrada adicional. O modelo final 1 0,484 0,483 0,896 0,895

variáveis de entrada são [z T(t) x(t) x(t30)]T. A Tabela 4 mostra 23 0,502 0,500 0,923 0,923

a modelagem PLS resulta da modelagem PLS estática (sem mudança de

tempo) e dinâmica usando todas as 243 observações. Fica claro na tabela
que o MA multivariado
Contudo, a otimização requer alguma cautela (Jaeckle e MacGregor,
modelo da modelagem PLS dinâmica captura a maior parte do
1998); Por causa do uso empírico
variação nas respostas dinâmicas do processo à mudança de etapa em
modelos baseados em dados históricos, quaisquer novos valores de
a variável manipulada. Valores observados e previstos
variáveis manipuladas ficam confinados ao intervalo e estrutura de
de dois PCs também são mostrados na Fig. 5. Coeficientes do
os dados históricos, ou seja, a estrutura latente das variáveis de entrada
modelo dinâmico também é mostrado na Fig .
nos modelos PLS.
Seguindo a Tabela 1, denotamos xa variável manipulada, z
3.3. Projeto de controlador via inversão de modelo as (6 1) condições de alimentação e y os dois primeiros PCs de
Recursos de espuma MR-MIA, t1 e t2. Então o PLS linear
Os modelos de estado estacionário desenvolvidos na Seção 3.1 as equações são dadas como ½XZ ¼ UPT þ E e Y ¼ UQT þ F
contêm principalmente informações de ganho do processo de variáveis onde as linhas das matrizes [XZ] e Y consistem em [x zT] e
manipuladas e respostas do processo às mudanças nas condições de alimentação.
[t1 t2], respectivamente. O P e Q são (7 4) e (2 4)
Portanto, a inversão desses modelos com as condições atuais de carregando matrizes, respectivamente. O novo valor de uma variável
alimentação fornecerá novos valores das variáveis manipuladas manipulada ^x, que conduzirá o processo a um novo
que conduzirá o processo de flotação a novos estados estacionários estado estacionário com aparência de espuma desejada ysp = [t1,sp
T
com a aparência de espuma desejada. Inversão do mod PLS t2,sp] nas condições atuais de alimentação z, é dado como ½^x ^zT ¼
Machine Translated by Google

JJ Liu, JF MacGregor / Engenharia Mineral 21 (2008) 642–651 647

3
Observado t1

T1 previsto
2
T2 observado

T2 previsto
1

-1

-2

-3

-4

-5
0 20 40 60 80 100 120 140 160 180 200
Tempo (min.)

Figura 5. Resultados da modelagem dinâmica do primeiro conjunto de dados de teste.

0,4

0,2

-0,2
setneicifaeroa1C
pt

-0,4

-0,6

-0,8

-1
z1 z2 z3 z4 z5 z6 x(t)x(t-30)

0,4

0,2

-0,2
setneicifaeroa2C
pt

-0,4

-0,6

-0,8

-1
z1 z2 z3 z4 z5 z6 x(t)x(t-30)

6. Um gráfico de coeficientes PLS da modelagem dinâmica do primeiro conjunto de dados de teste.

Machine Translated by Google

648 JJ Liu, JF MacGregor / Engenharia Mineral 21 (2008) 642–651

Figura 7. Resultados da simulação de controle.

^uTPT onde um vetor (4 1) ^u é uma solução do seguinte Com base no modelo PLS usando a escala linear CWT em
problema de otimização Tabela 2 e o algoritmo de controle acima, novos valores do
2 variável manipulada que é necessária para alterar a corrente
^u ¼ arg min kysp ^yk S1
s:t xlb 6 x 6 xub ð2Þ
você
sim o status da espuma com os alvos desejados são calculados e comparados
para imagens reais nas Figs. 7 e 8. Na Fig. 7 a espuma atual
uTS1 você 6 c1 ð3aÞ
você
imagem (imagem atual 1 na Fig. 7) com valores de pontuação de PCs
kz ^zk2 6 c2 ð3bÞ dado por y = [2,736 0,036]T mostra carga muito pesada
e deseja-se mudar sua aparência para aquela (alvo
onde ^yT ¼ ^uT QT e Su são uma matriz de covariância amostral
imagem 1 na Fig. 7) mostrada na parte superior central da Fig. 7 com
de vc. Em comparação com (1), duas restrições adicionais em (3)
valores de pontuação ysp = [0,075 1,821]T. Dado o momento
garantem que ^x esteja dentro do intervalo (3a) e da estrutura (3b) do
valores observados das condições de alimentação z, o algoritmo de
espaço latente dos dados de treinamento [XZ].
controle calculou que uma mudança na variável manipulada

2,5

2 estado atual2

estado alvo1
1,5 estado previsto1

1
2
t

0,5

0
estado atual1
-0,5

estado de destino2
-1
SS1
estado previsto2
-1,5 SS2
SS3
-2
-5 -4 -3 -2 -1 0 1 2
t
1

Figura 8. Resultados da simulação de controle no gráfico de pontuação.

Machine Translated by Google
JJ Liu, JF MacGregor / Engenharia Mineral 21 (2008) 642–651
x (ou seja, Dx) para um valor de 4,378 é necessário e deu os valores de
T
pontuação de ^y ¼ ½0:0781:839 . A imagem com os valores de pontuação
mais próximos de ^y é mostrada na parte superior direita da Fig. 7 (imagem
obtida 1 na Fig. 7). Observe que os valores de aparência e pontuação da
imagem obtida são quase idênticos aos desejados. Este movimento
conseguido pelo algoritmo de controle também é mostrado na Figura 8.
Um segundo movimento de controle também está ilustrado nas Figs. 7
e 8. Na Fig. 7, a imagem de espuma atual (imagem atual 2 na Fig. 7) com
valores de pontuação dados por y = [0,295 1,785]T mostra uma boa
aparência de espuma e tentamos deliberadamente mudar sua aparência
para isso ( imagem alvo 2 na Fig. 7) mostrada à direita com valores de
pontuação ysp = [3,634 1,279]T (uma espuma prestes a entrar em colapso).
Dados os valores atualmente observados das condições de alimentação z,
o algoritmo de controle calculou que é necessária uma mudança no fluxo
de CuSO4 x para um valor de 7,080 e deu os valores de pontuação de ^y ¼
½3:146 1:373 . A imagem correspondente será muito semelhante àquela na
T
parte inferior direita da Fig. 7 (imagem obtida 2 na Fig. 7). Observe que os
valores de aparência e pontuação da imagem alcançada são próximos aos
da imagem alvo. Este movimento conseguido pelo algoritmo de controle
também é mostrado na Figura 8.
4. Conclusões
Este artigo discute e ilustra um novo método para modelagem e controle
de flotação baseado em espuma que pode ser usado como parte de
sistemas abrangentes de controle de flotação.
1,5
0,5
-0,5
2t
-1
-1,5
-2
-2,5
-3
-1,5 -1 -0,5
Figura A1. Estimativas médias de bootstrap dos componentes principais (t1 e t2) da assinatura do tamanho DWT.
649
O novo método é baseado no modelo de processo causal que prevê futuras
aparências de espuma a partir dos valores fornecidos das variáveis
manipuladas e dos valores observados das variáveis do processo. Com
este modelo, os novos valores das variáveis manipuladas para alcançar
aparências de espuma especificadas podem ser obtidos através de
otimização. A simulação utilizando o modelo causal de estado estacionário
proporcionou um desempenho de controle que foi muito satisfatório na
obtenção de uma aparência de espuma especificada. Os resultados da
modelagem dinâmica de processos mostraram a possibilidade de usar
técnicas avançadas de controle baseadas em modelos, como MPC, no
controle de processos de flotação com base na aparência da espuma. Além
disso, este artigo compara assinaturas de tamanho de wavelet calculadas a
partir do DWT e do CWT em escala inteira. A assinatura de tamanho
usando escala linear CWT fornece um histograma de tamanho de bolha
com largura de compartimento constante e, portanto, fornece melhor
desempenho na modelagem de processos em estado estacionário, bem
como na caracterização de imagens de espuma.
Apêndice A
A.1. Assinaturas de tamanho de wavelet usando escala linear CWT
A transformada wavelet contínua (CWT) de um sinal f(x) é definida pela
integral de convolução
1 sexo
CWTða; sÞ ¼ ap ffiffiffi
dx ð3Þ
Z f ðxÞw a
onde a e s são parâmetros de deslocamento contínuo e escala,
respectivamente. A equação acima pode ser interpretada como a
SS1
SS3
SS4
SS5
0 0,5 1 1,5 2
t1
Machine Translated by Google
650 JJ Liu, JF MacGregor / Engenharia Mineral 21 (2008) 642–651
correlação do sinal de entrada com um tempo reverso e redimensionado (por
um fator a) (x). A magnitude do coeficiente é
maximizado quando a frequência do sinal corresponde à de
a wavelet dilatada correspondente. Por esta razão, o symlet da ordem quatro,
que está mais próximo da forma de bolha (1D)
entre wavelets ortogonais, foi utilizado em Liu et al. (2005)
para extrair assinaturas de tamanho de bolha de imagens de espuma.
A transformada wavelet discreta (DWT) calcula o
CWT em escala diádica a = 2i e s = 2i k (i 2 Z+, k 2 Z).
A complexidade computacional é O(N) usando o algoritmo de Mal lat ou o
''Algorithme a` trous” (Mallat,
1989; Rioul e Duhamel, 1992). No entanto, em algumas aplicações, como a
análise do eletroencefalograma (EEG), a amostragem em escala diádica do
DWT não é precisa o suficiente para
escalas altas porque fornece grades de amostragem muito grosseiras em
escalas altas (Ho, 1998; Munoz et al., 2002). Para conseguir mesmo
resolução de escala, um número inteiro ou mesmo uma grade de amostragem
de escala arbitrária pode ser usada (Unser et al., 1994; Ho, 1998; Munoz
e outros, 2002).
A assinatura do tamanho da wavelet calculada usando o DWT em
Liu et al. (2005) tem o mesmo problema: devido à amostragem em escala
diádica, a largura do intervalo do histograma de tamanho de bolha não era
constante; a largura da caixa era muito larga para
tamanhos de bolhas maiores e muito estreitos para tamanhos de bolhas menores
na Fig. 7 de Liu et al. (2005). Portanto, foi possível
têm uma separação muito clara de imagens em estado estacionário com
bolhas menores (SS1 e SS3 na Fig. 8 de Liu et al.
(2005)) , embora fossem visualmente semelhantes, enquanto separavam
1,5
0,5
-0,5
2t
-1
-1,5
-2
-2,5
-3
-1,5 -1 -0,5
Figura A2. Estimativas médias de bootstrap dos componentes principais (t1 e t2) da assinatura de tamanho CWT.
ração de imagens em estado estacionário com bolhas maiores (SS4 e
SS5 na Fig. 8 de Liu et al. (2005)) não ficou claro em Liu et al.
(2005). Por esta razão, as assinaturas de tamanho com bin constante
a largura é calculada usando a escala linear CWT neste artigo.
Os cálculos de assinaturas de tamanho podem ser feitos da mesma forma
maneira como em Liu et al. (2005).
Para comparar assinaturas de tamanho do DWT e
escala linear CWT, 20 imagens em estado estacionário do Laronde
conjunto de dados de imagem em Liu et al. (2005) são selecionados para cada um dos
quatro estados estacionários, SS1, SS3, SS4 e SS5, e depois de calcular todas
as assinaturas de tamanho, os dois primeiros componentes principais
(PCs) de assinaturas de tamanho são obtidas usando tanto o DWT
e escala linear CWT. As assinaturas de tamanho DWT são calculadas da mesma
forma que em Liu et al. (2005) (por exemplo, seis níveis
decomposição e o simleto de ordem quatro, etc.). Elementos
na (5 1) assinatura de tamanho DWT de uma imagem de espuma representa o
número (em escala) de bolhas correspondentes às escalas
2j 2j+1 (j = 1, 2, 3, 4, 5), respectivamente. Bidimensional
Os coeficientes CWT (ou seja, subimagens) são calculados em escalas
2+9l ðl = 0; 1; ...; 7Þ usando uma wavelet gaussiana com r
(largura) = 1 e as assinaturas de tamanho são calculadas no mesmo
maneira como o caso DWT. Portanto, um número (escalonado) de
bolhas representadas por cada elemento de uma assinatura 1) Tamanho do CWT
(7 correspondem às escalas 2 + 9l 2 + 9(l + 1)
(eu = 0; 1; ... ; 6), respectivamente.
Para cada estado estacionário, 100 estimativas bootstrap do
a média bivariada de dois PCs é calculada a partir dos 20
pares de PCs em estado estacionário para DWT e escala linear
SS1
SS3
SS4
SS5
0 0,5 1 1,5 2
t1
Machine Translated by Google
JJ Liu, JF MacGregor / Engenharia Mineral 21 (2008) 642–651
Figura A3. Exemplos de imagens de quatro estados estacionários.
Casos CWT. Após o escalonamento, as médias estimadas dos
casos de DWT e CWT em escala linear são mostradas nas Figs.
Figura A1 e Figura A2, respectivamente. Uma imagem de amostra
para cada estado estacionário, que tem os valores t1 e t2 mais
próximos da média geral de 100 estimativas bootstrap, também é
mostrada na Fig. Na Figura A1, a distância entre os aglomerados
de espumas similares SS1 e SS3 é maior que a distância entre as
espumas diferentes SS1 e SS4 (ou SS5), enquanto a Figura A2
mostra o oposto. Na Fig. A2, espumas com aparências
semelhantes estão agrupadas próximas umas das outras, ao
contrário da Fig. A1. A comparação das imagens na Fig. A3 revela
que a Fig. A2 descreve as diferenças nas aparências de espuma
das imagens com mais precisão. Isso ocorre porque a assinatura
de tamanho DWT tem resolução fina em escalas mais baixas e
resolução grosseira em escalas mais altas devido à amostragem
de escala diádica, enquanto a assinatura de tamanho CWT em
escala linear tem resolução constante em todas as escalas. Por
esta razão, a distância entre os clusters SS4 e SS5 na Figura A1 é
menor que a distância na Figura A2. As distâncias euclidianas
entre duas grandes médias de SS4 e SS5 são 0,274 na Figura A1
e 0,551 na Figura A2. A resolução fina na escala inferior também
aumenta a incerteza nas assinaturas de tamanho DWT de
imagens de espuma com bolhas menores. Os intervalos de
confiança, ou seja, os intervalos cobertos pelas estimativas médias
de SS1 na Fig. A1 são mais amplos do que os de SS1 na Fig. A2.
Referências
Bartolacci, G., Bouajila, A., 2001. Controle baseado em espuma em plantas de
flotação – estado da arte. In: Anais da 33ª Conferência Canadense de Operadores
de Processadores de Minerais, Ottawa, Canadá.
Bartolacci, G., Pelletier, P., Tessier Jr., J., Duchense, C., Bosse, P.-A., Fournier, J.,
2006. Aplicação de análise numérica de imagens para processar diagnóstico e
medição de parâmetros físicos em processo mineral – parte i: controle de flotação
baseado nas características texturais da espuma.
Engenharia Mineral 19, 734–747.
Brown, N., Bourke, P., Ronkainen, S., van Olst, M., 2001. Melhorando o desempenho
da planta de flotação em Cadia controlando e otimizando a taxa de recuperação
de espuma usando Outokumpu FrothmasterTM. In: Procedimentos da 33ª
Reunião Anual de Processadores Minerais Canadenses, Ottawa, Canadá, pp.
Projeto ChaCo (Caracterização da Estrutura e Cor da Espuma de Flotação por Visão
de Máquina). <http://www.hut.fi/Units/Control/projects/ChaCo/index.htm >.
DICTUC SA <http://www2.ing.puc.cl/aceflot/>.
Garcia, CE, Prett, DM, Morari, M., 1989. Modelo de controle preditivo: teoria e prática
– uma pesquisa. Automática 25, 335–348.
Geladi, P., Kowalski, B., 1986. Regressão parcial de mínimos quadrados: um tutorial.
Analytica Química Acta 35, 1–17.
651
Ho, KC, 1998. Cálculo rápido de CWT em escalas inteiras pela estrutura MRA
generalizada. Transações IEEE sobre processamento de sinais 46, 501–506.
Holtham, PN, Nguyen, KK, 2002. Análise on-line da superfície da espuma na flotação
de carvão e minerais usando JKFrothCam. Jornal Internacional de Processamento
Mineral 64, 163–180.
Jaeckle, CM, MacGregor, JF, 1998. Projeto de produto através de análise estatística
multivariada de dados de processo. Jornal AIChE 44, 1105–1118.
< http://www.jktech.com.au >.
Kaspar, MH, Ray, WH, 1993. Modelagem PLS dinâmica para controle de processos.
Ciência da Engenharia Química 48, 3447–3461.
Lakshminarayanan, S., Shah, SL, Nandakumar, K., 1997. Modelagem e controle de
processos multivariados: abordagem PLS dinâmica. Jornal AIChE 43, 2307–2322.
Liu, J., MacGregor, JF, Duchesne, C., Bartolacci, G., 2005. Monitoramento de
processos de flotação usando análise de imagem multivariada multirresolucional.
Engenharia Mineral 18 (1), 65–76.
Liu, J., MacGregor, JF, 2007. Sobre a extração de informações espectrais e espaciais
de imagens. Quimiometria e Sistemas Laboratoriais Inteligentes 85, 119–130.
Mallat, SG, 1989. Uma teoria para decomposição de sinais em multirresolução: a
representação wavelet. Transações IEEE em Análise de Padrões e Inteligência
de Máquina 11, 674–693.
McKee, DJ, 1991. Controle automático de flutuação – uma revisão de 20 anos de
esforço. Engenharia Mineral 4, 653–666.
Moolman, DW, Aldrich, C., Van Deventer, JSJ, Bradshaw, DJ, 1995.
Interpretação de superfícies de espuma de flotação utilizando análise de imagens
digitais e redes neurais. Ciência da Engenharia Química 50, 3501–3513.
Moolman, DW, Eksteen, JJ, Aldrich, C., Van Deventer, JSJ, 1996.
A importância da aparência da espuma de flotação para o controle de visão de
máquina. Jornal Internacional de Processamento Mineral 48, 135–158.
Morari, M., Lee, JH, 1999. Modelo de controle preditivo: passado, presente e futuro.
Computadores e Engenharia Química 23, 667–682.
Munoz, A., Ertle´, R., Unser, M., 2002. Transformada wavelet contínua com escalas
arbitrárias e complexidade O(N). Processamento de Sinal 82, 749–757.
Outotec. <http://www.outotec.com>.
Rioul, O., Duhamel, P., 1992. Algoritmos rápidos para transformadas wavelet
discretas e contínuas. Transações IEEE sobre Teoria da Informação 38, 569–
586.
Unser, M., Aldroubi, A., Schiff, SJ, 1994. Implementação rápida da transformada
wavelet contínua com escalas inteiras. Transações IEEE sobre processamento
de sinais 42, 3519–3523.
Wills, BA, 1984. Controle automático de flutuação. Engenharia e Mineração
Diário (junho), 62–66.
Wold, H., 1966. Estimativa de componentes principais e modelos relacionados por
mínimos quadrados iterativos. In: Krishnaihah, PR (Ed.), Análise Multivariada.
Academic Press, NY, pp.
Ylinen, R., Miettunen, J., Molander, M., Silia¨maa, E.-R., 2000. Visão e controle de
flotação baseado em modelo. In: Jamsa-Jounela, SL., Vapaavuori, E., (Eds.),
Tendências Futuras em Automação em Processamento de Minerais e Metais:
Workshop da IFAC sobre Tendências Futuras em Automação em Processamento
de Minerais e Metais. Finlândia, 22 a 24 de agosto, pp.