一种基于受试者操作特征曲线分析的矿石拣选决策方法转让专利
申请号 : CN202010891770.5
文献号 : CN112024451B
文献日 : 2021-08-31
发明人 : 李根壮 , 孙春宝 , 寇珏
申请人 : 北京科技大学
摘要 :
权利要求 :
1.一种基于受试者操作特征曲线分析的矿石拣选决策方法,其特征在于:包括步骤如下:
(1)不同拣选决策阈值条件下,比较实际设计阈值与矿石实际品位,并比较拣选决策阈值与传感品位数据,根据比较结果将矿石进行分类;
(2)根据步骤(1)不同拣选决策阈值条件下矿石分类结果,采用受试者操作特征曲线分析,计算敏感性、假阳性率;
(3)建立以假阳性率和敏感性分别为x轴和y轴的坐标系,不同拣选决策阈值条件下矿石拣选产品分类结果以坐标系的点表示,确定最接近(0,1)坐标点的点所对应的拣选决策阈值为最优拣选决策阈值;
(4)根据步骤(1)确定最优拣选决策阈值条件下的矿石分类结果,正确拣选精矿数量为TP,正确拣选废石数量为TN,错置拣选精矿数量为FP,错置拣选废石数量为FN,确定最优拣选决策阈值条件下贫化率、损失率;
所述步骤(2)中敏感性、假阳性率的计算公式为:其中,TPR表示敏感性,FPR表示假阳性率,TP表示正确拣选精矿数量,TN表示正确拣选废石数量,FP表示错置拣选精矿数量,FN表示错置拣选废石数量;
所述步骤(4)中贫化率、损失率的计算公式为:
2.根据权利要求1所述的基于受试者操作特征曲线分析的矿石拣选决策方法,其特征在于:所述步骤(1)中不同拣选决策阈值取值范围涵盖测试矿石传感品位最低至最高值,取值精度适应工业实践操作水平,根据取值范围及取值精度确定取值数量。
3.根据权利要求1所述的基于受试者操作特征曲线分析的矿石拣选决策方法,其特征在于:所述步骤(1)中根据比较结果将矿石分为4类:矿石实际品位高于实际设计阈值且传感品位数据高于拣选决策阈值,为正确拣选精矿;矿石实际品位低于实际设计阈值且传感品位数据高于拣选决策阈值,为错置拣选精矿;矿石实际品位低于实际设计阈值且传感品位数据低于拣选决策阈值,为正确拣选废石;矿石实际品位高于实际设计阈值且传感品位数据低于拣选决策阈值,为错置拣选废石。
4.根据权利要求1所述的基于受试者操作特征曲线分析的矿石拣选决策方法,其特征在于:所述步骤(3)中将最优拣选决策阈值替换为取敏感性与假阳性率之差的最大值。
说明书 :
一种基于受试者操作特征曲线分析的矿石拣选决策方法
技术领域
背景技术
紫外线、可见光、红外线、无线电波与矿石作用后,矿石对射线的吸收、反射或受射线照射后
发射的荧光的差异都可用作拣选的依据。在很多情况下,拣选所利用的分辨特征并不是与
矿石中有用元素直接相关,为此还需要找出分选特征与有用元素之间的关系。
定结果与其真实化验品位关系通常采用线性回归模型,即针对某一矿石性质及拣选设备,
确定其XRF品位测定结果与其真实化验品位的线性关系。在实际拣选中,通过利用该线性关
系可根据实际设计阈值品位计算决策阈值品位,并通过直接比较XRF传感品位与该决策阈
值品位确定拣选矿石的隶属。矿石传感品位高于决策阈值,矿石被拣选为精矿。矿石传感品
位低于决策阈值,矿石被拣选为废石。然而,在实际矿石拣选中,由于矿石传感设备及拣选
决策算法的准确性不足,有可能发生拣选精矿与废石产品的错置,进而影响拣选效果。
发明内容
立坐标系确定最优拣选决策阈值,确定最优拣选决策阈值条件下的贫化率、损失率。
决策阈值为最优拣选决策阈值;
(3)~(4)确定最优拣选决策阈值条件下贫化率、损失率。
位数据高于拣选决策阈值,为错置拣选精矿;矿石实际品位低于实际设计阈值且传感品位
数据低于拣选决策阈值,为正确拣选废石;矿石实际品位高于实际设计阈值且传感品位数
据低于拣选决策阈值,为错置拣选废石。
附图说明
具体实施方式
阳性率,建立坐标系确定最优拣选决策阈值,确定最优拣选决策阈值条件下的贫化率、损失
率。
0.074毫米以下,并采用电感耦合等离子体发射光谱仪(ICP)测得试样实际化验品位。144个
试样矿石传感品位范围为:0.004%~1.19%,实际矿石品位范围为:0.054%~2.53%。设
计矿石拣选阈值为0.25%。
回归矿石拣选决策方法,矿石拣选精矿产率为43.8%,拣选精矿品位为0.63%,金属回收率
为63.0%,贫化率为1.6%,损失率为46.9%,计算矿石熔炼收益为每吨5.9美元。
阈值共120个。矿石实际品位高于实际设计阈值且传感品位数据高于拣选决策阈值,为正确
拣选精矿;矿石实际品位低于实际设计阈值且传感品位数据高于拣选决策阈值,为错置拣
选精矿;矿石实际品位低于实际设计阈值且传感品位数据低于拣选决策阈值,为正确拣选
废石;矿石实际品位高于实际设计阈值且传感品位数据低于拣选决策阈值,为错置拣选废
石。
确定在矿石拣选决策阈值为0.18%时敏感性与假阳性率之差最大,确定0.18%为最优拣选
决策阈值。在最优拣选决策下,矿石分类结果为:正确拣选精矿数量为71,正确拣选废石数
量为43,错误拣选精矿为1,错误拣选废石为29。按照式(3)~(4)计算贫化率、损失率分别为
1.4%、40.3%。采用本发明所述矿石拣选决策算法,矿石拣选精矿产率为50.0%,拣选精矿
品位为0.62%,金属回收率为71.1%,计算矿石熔炼收益为每吨6.8美元。采用本发明所述
矿石拣选决策算法相比传统线性回归矿石拣选决策算法,提高了矿石拣选经济效益指标。
应视为本发明的保护范围。