|
簡(jiǎn)體中文|
English| 發(fā)布日期：2023-07-28 |
礦物含量是衡量礦石品質(zhì)的重要指標(biāo)之一，對(duì)于實(shí)現(xiàn)礦產(chǎn)資源的合理利用具有重要意義。在選礦廠中，快速準(zhǔn)確地檢測(cè)礦物含量是一個(gè)關(guān)鍵問(wèn)題。傳統(tǒng)的礦物含量檢測(cè)方法步驟繁瑣，分析周期長(zhǎng)，還會(huì)破壞樣本內(nèi)部結(jié)構(gòu)。此外，這些方法對(duì)測(cè)量人員的實(shí)驗(yàn)操作能力要求較高，而且成本昂貴、存在環(huán)境污染等缺陷，已經(jīng)不適合現(xiàn)代數(shù)字化工業(yè)的快速發(fā)展需求。近幾十年來(lái)，近紅外光譜分析技術(shù)由于其易操作、快速、無(wú)損等優(yōu)點(diǎn)，已在醫(yī)療、食品、礦物勘探等領(lǐng)域獲得了廣泛的應(yīng)用和發(fā)展。本文使用微型光纖光譜儀，以氧化銅礦表面的光學(xué)特性為背景，探究孔雀石含量與樣本表面反射光譜之間的關(guān)系，旨在創(chuàng)建一種快速且環(huán)保的礦物含量檢測(cè)模型。
本文測(cè)試數(shù)據(jù)及數(shù)據(jù)處理方法由福州大學(xué)資源與環(huán)境學(xué)院占錦玉提供，測(cè)試系統(tǒng)采用如海光電光譜儀、鹵素光源、Y 型光纖、校準(zhǔn)白板等進(jìn)行搭建，如圖1所示。此外，為了避免外界光對(duì)實(shí)驗(yàn)的干擾，將探頭和樣品置于暗箱當(dāng)中。
圖1 光譜數(shù)據(jù)采集裝置示意圖
其中光譜儀和鹵素光源的主要參數(shù)為：(a)光譜儀：光譜范圍：180~1100nm，探測(cè)器：背照式制冷線陣CCD，有效像素2048pixels。(b) 鹵素光源：工作功率：8.04w，發(fā)射光范圍：350~2500nm，供電電流：12V/1.2A 以上，輸出接口：SMA905。
3.1孔雀石和脈石礦物樣品反射率測(cè)試
同一孔雀石和脈石礦物樣品的 32 條反射率光譜曲線，分別如圖2、圖3所示。
圖2 孔雀石樣品的反射光譜圖（32次）
圖3 次脈石礦物反射率光譜圖（32次）
根據(jù)上圖，將精礦和脈石礦物的光譜曲線分為 340~400nm，400~1000nm，1000~1165nm 三個(gè)波段，在三個(gè)波長(zhǎng)范圍內(nèi)探究光譜數(shù)據(jù)采集裝置的重復(fù)性，分別計(jì)算兩組樣品的峰值標(biāo)準(zhǔn)差、最大值以及最小值。由表1可知，兩端波段范圍內(nèi)的峰值偏差均比中間波段大，兩端反射光譜的重復(fù)性稍差，因此選擇400~1000nm波段進(jìn)行分析。
表1 孔雀石和脈石礦物不同波段的峰值參數(shù)
3.2 礦物種類識(shí)別模型的建立
采用 SVM 算法來(lái)建立礦物種類識(shí)別模型。建模之前，將孔雀石、石英、赤鐵礦三種礦物設(shè)置標(biāo)簽值，數(shù)字1表示孔雀石，數(shù)字2表示石英，數(shù)字3表示赤鐵礦。將兩個(gè)主成分的得分值作為新的自變量X代替原始光譜數(shù)據(jù)，標(biāo)簽值作為因變量Y建立SVM模型。為了防止模型過(guò)擬合，選擇五折交叉驗(yàn)證的方式的來(lái)建模。模型的訓(xùn)練集結(jié)果如圖4所示，第一類樣本中，有一個(gè)樣本被錯(cuò)誤地預(yù)測(cè)成第二類，為預(yù)測(cè)錯(cuò)誤。第二、三類樣本的真實(shí)類別與預(yù)測(cè)類別完全一致，無(wú)錯(cuò)誤預(yù)測(cè)。訓(xùn)練集模型總體的識(shí)別準(zhǔn)確率達(dá) 98.88%，表明建立的模型效果較好。
圖4 模型訓(xùn)練集結(jié)果
為了檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)能力，對(duì)預(yù)測(cè)集的30個(gè)樣本進(jìn)行測(cè)試。模型的測(cè)試集結(jié)果如圖5所示，第一類和第三類樣本的預(yù)測(cè)值和真實(shí)值完全一致，第二類樣本中有一個(gè)被錯(cuò)誤識(shí)別成第一類，其余全部識(shí)別正確。PCA-SVM分類模型的總體預(yù)測(cè)準(zhǔn)確率約為96.67%，模型預(yù)測(cè)效果較好，表明此模型用于礦物的聚類分析是可行的。
圖5 PCA-SVM模型預(yù)測(cè)結(jié)果
3.3 基于BP神經(jīng)網(wǎng)絡(luò)的孔雀石含量檢測(cè)模型建立
經(jīng)過(guò)競(jìng)爭(zhēng)自適應(yīng)算法挑選特征后的光譜數(shù)據(jù)樣本按照4:1劃分，其中訓(xùn)練集樣本93個(gè)，測(cè)試集樣本23個(gè)。根據(jù)上述設(shè)置的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，將訓(xùn)練集光譜數(shù)據(jù)X和實(shí)際的孔雀石含量值Y作為輸入來(lái)建立BP神經(jīng)網(wǎng)絡(luò)模型，模型訓(xùn)練的結(jié)果如圖6。
圖6 BP模型校正集結(jié)果
由圖6可知，相關(guān)系數(shù)R=0.9908，模型均方根誤差 RMSE=0.04983，表明模型的真實(shí)值和預(yù)測(cè)值較接近，模型內(nèi)部結(jié)構(gòu)穩(wěn)定性好。為了檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)能力，將另外的16個(gè)礦物樣本的光譜作為測(cè)試集輸入到建立的模型中，并與真實(shí)的孔雀石含量值相比較，如表2所示，模型的預(yù)測(cè)結(jié)果如圖7所示。
圖7 BP模型預(yù)測(cè)結(jié)果
表2 BP模型預(yù)測(cè)值與真實(shí)值對(duì)比
由表2的預(yù)測(cè)結(jié)果可知，預(yù)測(cè)相對(duì)誤差的最大值為0.238，最小值為0.004，誤差均在可接受的范圍內(nèi)。模型的相關(guān)系數(shù)R=0.9832，均方根誤差RMSE=0.6936，表明BP模型的預(yù)測(cè)值和真實(shí)值之間相關(guān)性高，預(yù)測(cè)誤差較小，建立的模型具備較高的可行性，可用于模型數(shù)據(jù)分析。
結(jié)果表明，可通過(guò)如海光電XS13256光譜儀、HL10000鹵素光源等設(shè)備可搭建礦石分選系統(tǒng)，結(jié)合PCA-SVM和BP神經(jīng)網(wǎng)絡(luò)算法可實(shí)現(xiàn)礦物的聚類分析以及礦石中孔雀石含量檢測(cè)。感謝福州大學(xué)資源與環(huán)境學(xué)院占錦玉提供文章素材。
XS13256光纖光譜儀
1、產(chǎn)品簡(jiǎn)介
XS13256采用背照式線陣CCD傳感器，該傳感器采用電阻柵結(jié)構(gòu)，可實(shí)現(xiàn)高速傳輸。另外，內(nèi)置TE冷卻器，在運(yùn)行時(shí)可以保持恒定的元件溫度（最低-2°C），使得光譜儀暗噪聲可以控制在±10counts@100ms。其內(nèi)部采用 C-T 式光路設(shè)計(jì)，通過(guò)光路的優(yōu)化設(shè)計(jì)與光學(xué)元器件的嚴(yán)格選型，使得 XS13256能夠獲得更高的光譜分辨率，消除光譜儀內(nèi)部的雜散光干擾。
XS13256擁有穩(wěn)定的光譜信號(hào)探測(cè)能力，可用于拉曼光譜檢測(cè)、透反輻測(cè)量、熒光光譜測(cè)量等功能。
2、產(chǎn)品特點(diǎn)
? TE制冷設(shè)計(jì)，制冷溫度能達(dá)到-2℃；
? 低暗噪聲，能夠控制在±10Counts@100ms；
? 高動(dòng)態(tài)范圍，收集到更豐富的光譜信息；
? 開放外部接口協(xié)議，可嵌入設(shè)備中，可支持Windows、Linux、Andorid系統(tǒng)開發(fā)；
? 支持長(zhǎng)積分，可以支持0.1ms-180S積分；
? SMA905可更換，方便客戶自行更換狹縫
