[发明专利]一种基于时间序列特征的锌浮选过程模糊故障诊断方法

摘要

一种基于时间序列特征的锌浮选过程模糊故障诊断方法，在泡沫浮选领域，本发明公开了一种浮选过程的模糊故障诊断方式，以泡沫视觉时间序列特征提取为基础，定义了泡沫时间序列的子序列、子模式，采用历史数据信息建立历史特征趋势信息集，度量实时趋势特征与历史趋势特征集相似性，综合序列趋势信息对故障发生几率进行模糊化诊断。本发明提出了模糊故障诊断的概念，通过可靠性序列选取和异常因子设立，建立了浮选工况状态预报表示模型，对趋势走向的判断以及数值化的趋势走向可能性提出了一种新的解决方法。克服原有泡沫特征静态描述浮选过程的缺陷，及时发现工况异常征兆，对未来时刻故障可能性以数值化显示，利于工人及时操作、稳定优化生产。

主权项

1.一种基于时间序列特征的锌浮选过程模糊故障诊断方法，其特征在于，包括以下步骤：步骤一：利用浮选现场图像采集系统收集历史时刻的锌浮选的泡沫视频，将泡沫视频转换为多帧连续图像，对采集到的锌浮选图像数据进行数据预处理；步骤二：将数据预处理后的泡沫图像由RGB彩色图像转化为灰度图像，并提取灰度均值作为源图像特征，得到一个时间序列图像特征I＝[I₁，I₂，...，I_q]，q为按时间顺序排列的图像特征的个数；步骤三：对时间序列的图像特征采用分段线性化算法，取所有极值点作为端点，对时间序列的图像特征进行分段线性化表示，提取子序列趋势特征；步骤四：将相邻三个子序列组合成一个子模式，得到模式趋势特征集合M，M_j＝(k_j，τ_j，k_j+1，τ_j+1，k_j+2，τ_j+2)表示模式趋势特征，如下：M＝{(k₁，τ₁，k₂，τ₂，k₃，τ₃)，(k₂，τ₂，k₃，τ₃，k₄，τ₄)，(k₃，τ₃，k₄，τ₄，k₅，τ₅)...(k_j，τ_j，k_j+1，τ_j+1，k_j+2，τ_j+2)}j＝1，2，3，...，q‑3，将子模式相邻的子序列的集合记为走向子序列集合H，H_j是集合H中的元素：H_j＝{(k_j+3，τ_j+3)}j＝1，2，3，...，q‑3将M_j与走向子序列H_j对应组成一个数据对(M_j，H_j)，并建立历史模式趋势特征集合：步骤五：实时在线过程，依据泡沫图像灰度均值视觉特征设置一个合理波动区间为[100，125]，并对区间上下界设置临界越限区间为[95，105]∪[120，130]，灰度均值处于临界越限区间时对工况状态趋势进行分析：S1：依据马氏距离度量子序列、子模式之间的相似程度；S2：将在线过程中实时获取的模式趋势特征与历史模式趋势特征集合中的模式趋势特征进行相似程度的计算；S3：构建浮选工况状态预报表示模型，将信息汇总添加到报表进行可视化显示。