Escolar Documentos
Profissional Documentos
Cultura Documentos
Froth-Based Rubens
Froth-Based Rubens
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
0892-6875/$ - ver capa 2007 Elsevier Ltd. Todos os direitos reservados. doi:10.1016/
j.mineng.2007.12.011
Machine Translated by Google
+ +
Mestre Escravo Flutuação
Ponto de ajuste
Concentrado
nota
Medidas
pH, vazões, ...
AOS
Por estas razões mencionadas acima, uma quantidade considerável 2. Controle de flotação baseado em espuma
+ +
Defina pontos Mestre Escravo Flutuação
- Controlador - Controladores Circuitos
Velocidade/estabilidade
da espuma
Mestre de espuma
Imagens RGB
Grau concentrado
AOS
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.
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
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 – –
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
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
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.)
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)
^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
x (ou seja, Dx) para um valor de 4,378 é necessário e deu os valores de O novo método é baseado no modelo de processo causal que prevê futuras
T
pontuação de ^y ¼ ½0:0781:839 . A imagem com os valores de pontuação aparências de espuma a partir dos valores fornecidos das variáveis
mais próximos de ^y é mostrada na parte superior direita da Fig. 7 (imagem manipuladas e dos valores observados das variáveis do processo. Com
obtida 1 na Fig. 7). Observe que os valores de aparência e pontuação da este modelo, os novos valores das variáveis manipuladas para alcançar
imagem obtida são quase idênticos aos desejados. Este movimento aparências de espuma especificadas podem ser obtidos através de
conseguido pelo algoritmo de controle também é mostrado na Figura 8. otimização. A simulação utilizando o modelo causal de estado estacionário
proporcionou um desempenho de controle que foi muito satisfatório na
Um segundo movimento de controle também está ilustrado nas Figs. 7 obtenção de uma aparência de espuma especificada. Os resultados da
e 8. Na Fig. 7, a imagem de espuma atual (imagem atual 2 na Fig. 7) com modelagem dinâmica de processos mostraram a possibilidade de usar
valores de pontuação dados por y = [0,295 1,785]T mostra uma boa técnicas avançadas de controle baseadas em modelos, como MPC, no
aparência de espuma e tentamos deliberadamente mudar sua aparência controle de processos de flotação com base na aparência da espuma. Além
para isso ( imagem alvo 2 na Fig. 7) mostrada à direita com valores de disso, este artigo compara assinaturas de tamanho de wavelet calculadas a
pontuação ysp = [3,634 1,279]T (uma espuma prestes a entrar em colapso). partir do DWT e do CWT em escala inteira. A assinatura de tamanho
Dados os valores atualmente observados das condições de alimentação z, usando escala linear CWT fornece um histograma de tamanho de bolha
o algoritmo de controle calculou que é necessária uma mudança no fluxo com largura de compartimento constante e, portanto, fornece melhor
de CuSO4 x para um valor de 7,080 e deu os valores de pontuação de ^y ¼ desempenho na modelagem de processos em estado estacionário, bem
½3:146 1:373 . A imagem correspondente será muito semelhante àquela na como na caracterização de imagens de espuma.
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 Apêndice A
da imagem alvo. Este movimento conseguido pelo algoritmo de controle
também é mostrado na Figura 8. A.1. Assinaturas de tamanho de wavelet usando escala linear CWT
1,5
0,5
-0,5
2t
-1
-1,5
-2
SS1
SS3
-2,5
SS4
SS5
-3
-1,5 -1 -0,5 0 0,5 1 1,5 2
t1
Figura A1. Estimativas médias de bootstrap dos componentes principais (t1 e t2) da assinatura do tamanho DWT.
Machine Translated by Google
correlação do sinal de entrada com um tempo reverso e redimensionado (por ração de imagens em estado estacionário com bolhas maiores (SS4 e
um fator a) (x). A magnitude do coeficiente é SS5 na Fig. 8 de Liu et al. (2005)) não ficou claro em Liu et al.
maximizado quando a frequência do sinal corresponde à de (2005). Por esta razão, as assinaturas de tamanho com bin constante
a wavelet dilatada correspondente. Por esta razão, o symlet da ordem quatro, a largura é calculada usando a escala linear CWT neste artigo.
que está mais próximo da forma de bolha (1D) Os cálculos de assinaturas de tamanho podem ser feitos da mesma forma
entre wavelets ortogonais, foi utilizado em Liu et al. (2005) maneira como em Liu et al. (2005).
para extrair assinaturas de tamanho de bolha de imagens de espuma. Para comparar assinaturas de tamanho do DWT e
A transformada wavelet discreta (DWT) calcula o escala linear CWT, 20 imagens em estado estacionário do Laronde
CWT em escala diádica a = 2i e s = 2i k (i 2 Z+, k 2 Z). conjunto de dados de imagem em Liu et al. (2005) são selecionados para cada um dos
A complexidade computacional é O(N) usando o algoritmo de Mal lat ou o quatro estados estacionários, SS1, SS3, SS4 e SS5, e depois de calcular todas
''Algorithme a` trous” (Mallat, as assinaturas de tamanho, os dois primeiros componentes principais
1989; Rioul e Duhamel, 1992). No entanto, em algumas aplicações, como a (PCs) de assinaturas de tamanho são obtidas usando tanto o DWT
análise do eletroencefalograma (EEG), a amostragem em escala diádica do e escala linear CWT. As assinaturas de tamanho DWT são calculadas da mesma
DWT não é precisa o suficiente para forma que em Liu et al. (2005) (por exemplo, seis níveis
escalas altas porque fornece grades de amostragem muito grosseiras em decomposição e o simleto de ordem quatro, etc.). Elementos
escalas altas (Ho, 1998; Munoz et al., 2002). Para conseguir mesmo na (5 1) assinatura de tamanho DWT de uma imagem de espuma representa o
resolução de escala, um número inteiro ou mesmo uma grade de amostragem número (em escala) de bolhas correspondentes às escalas
de escala arbitrária pode ser usada (Unser et al., 1994; Ho, 1998; Munoz 2j 2j+1 (j = 1, 2, 3, 4, 5), respectivamente. Bidimensional
e outros, 2002). Os coeficientes CWT (ou seja, subimagens) são calculados em escalas
A assinatura do tamanho da wavelet calculada usando o DWT em 2+9l ðl = 0; 1; ...; 7Þ usando uma wavelet gaussiana com r
Liu et al. (2005) tem o mesmo problema: devido à amostragem em escala (largura) = 1 e as assinaturas de tamanho são calculadas no mesmo
diádica, a largura do intervalo do histograma de tamanho de bolha não era maneira como o caso DWT. Portanto, um número (escalonado) de
constante; a largura da caixa era muito larga para bolhas representadas por cada elemento de uma assinatura 1) Tamanho do CWT
tamanhos de bolhas maiores e muito estreitos para tamanhos de bolhas menores (7 correspondem às escalas 2 + 9l 2 + 9(l + 1)
na Fig. 7 de Liu et al. (2005). Portanto, foi possível (eu = 0; 1; ... ; 6), respectivamente.
têm uma separação muito clara de imagens em estado estacionário com Para cada estado estacionário, 100 estimativas bootstrap do
bolhas menores (SS1 e SS3 na Fig. 8 de Liu et al. a média bivariada de dois PCs é calculada a partir dos 20
(2005)) , embora fossem visualmente semelhantes, enquanto separavam pares de PCs em estado estacionário para DWT e escala linear
1,5
0,5
-0,5
2t
-1
-1,5
-2
SS1
SS3
-2,5
SS4
SS5
-3
-1,5 -1 -0,5 0 0,5 1 1,5 2
t1
Figura A2. Estimativas médias de bootstrap dos componentes principais (t1 e t2) da assinatura de tamanho CWT.
Machine Translated by Google
Casos CWT. Após o escalonamento, as médias estimadas dos Ho, KC, 1998. Cálculo rápido de CWT em escalas inteiras pela estrutura MRA
generalizada. Transações IEEE sobre processamento de sinais 46, 501–506.
casos de DWT e CWT em escala linear são mostradas nas Figs.
Figura A1 e Figura A2, respectivamente. Uma imagem de amostra Holtham, PN, Nguyen, KK, 2002. Análise on-line da superfície da espuma na flotação
para cada estado estacionário, que tem os valores t1 e t2 mais de carvão e minerais usando JKFrothCam. Jornal Internacional de Processamento
próximos da média geral de 100 estimativas bootstrap, também é Mineral 64, 163–180.
mostrada na Fig. Na Figura A1, a distância entre os aglomerados Jaeckle, CM, MacGregor, JF, 1998. Projeto de produto através de análise estatística
multivariada de dados de processo. Jornal AIChE 44, 1105–1118.
de espumas similares SS1 e SS3 é maior que a distância entre as
< http://www.jktech.com.au >.
espumas diferentes SS1 e SS4 (ou SS5), enquanto a Figura A2 Kaspar, MH, Ray, WH, 1993. Modelagem PLS dinâmica para controle de processos.
mostra o oposto. Na Fig. A2, espumas com aparências Ciência da Engenharia Química 48, 3447–3461.
semelhantes estão agrupadas próximas umas das outras, ao Lakshminarayanan, S., Shah, SL, Nandakumar, K., 1997. Modelagem e controle de
contrário da Fig. A1. A comparação das imagens na Fig. A3 revela processos multivariados: abordagem PLS dinâmica. Jornal AIChE 43, 2307–2322.