一种用于煤浮选中浓缩灰分含量预测的解释性非线性特征融合方法

《IEEE Sensors Journal》：An Explanatory Nonlinear Feature Fusion Method for Concentrate Ash Content Prediction in Coal Flotation

　　

实时监测精煤灰分含量对于有效控制煤炭浮选工艺至关重要。目前的研究主要集中在优化卷积神经网络（CNN）架构以提高准确性，但忽视了传统的与灰分相关的特征和模型的可解释性，导致模型过于复杂，而准确性的提升却很有限。本文提出了一种新颖的解释性非线性特征融合方法，用于煤炭浮选过程中的泡沫图像分析。该方法结合了优化的卷积特征切片技术和传统特征工程，利用四种机器学习技术来预测精煤灰分含量，并通过Shapley Additive exPlanations（SHAP）阐明特征贡献机制。在特征融合实验中，初始融合特征包括98个传统特征和256个卷积特征，在直接建模中的表现并不理想。经过特征选择后，极端梯度提升（XGBoost）模型在82个优化特征的支持下取得了更好的性能。这些特征的重要性从形态学特征逐渐降低到卷积组件，其中面积特征的平均（|SHAP值|）最高（0.290631），而CNN59的特征平均（|SHAP值|）最低（0.004135）。优化后的XGBoost模型达到了平均绝对误差（MAE）= 0.6139、均方根误差（RMSE）= 1.1547和R2 = 0.7948。力图分析显示，来自传统工程的形态学和灰度直方图特征是不可或缺的，卷积特征具有关键影响，而统计特征的作用最小。这项研究为煤炭浮选泡沫图像分析中的特征选择和建模建立了一个方法论框架，为工业应用提供了理论和实践基础。

浮选是一种广泛认可的有效方法，通过降低灰分含量来生产更清洁的煤炭[1]、[2]。煤炭浮选受多种变量影响，例如进入浮选槽的流量（即进料、空气和泡沫洗涤水），以及各种化学试剂的添加；浆料密度和固体含量，还有槽内的浆料液位[3]、[4]。由于涉及多种变量及其相互作用，控制浮选工艺以实现所需的精煤回收率和适当的灰分含量具有挑战性[5]。因此，工厂通常使用滞后的实验室慢灰分测定方法来测试精煤灰分含量，以评估浮选机的当前运行状态。然而，这种方法耗时较长，且常常导致精煤中的灰分含量在一段时间内升高，浮选试剂被过度消耗，或者清洁煤炭随尾矿一起流失[6]、[7]。人们一直在寻求改进的快速精煤灰分含量测试技术，以精确控制浮选工艺，从而帮助最大化清洁煤炭的回收率。