一种基于受试者操作特征曲线分析的矿石拣选决策方法

摘要

本发明提供一种基于受试者操作特征曲线分析的矿石拣选决策方法，属于矿物加工技术领域。该方法包括拣选产品分类、确定最优拣选决策阈值、计算贫化率、损失率评价拣选效果，首先在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，比较拣选决策阈值与传感品位数据，采用受试者操作特征曲线分析计算敏感性、假阳性率，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。本发明采用受试者操作特征曲线分析，确定了矿石拣选决策方法，相比传统线性回归矿石决策算法，优化了拣选效果及拣选技术经济指标。

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

[0001] 本发明涉及矿物加工技术领域，特别是指一种基于受试者操作特征曲线分析的矿石拣选决策方法。

背景技术

[0002] 矿石拣选是一种将不同品位及矿物组成的矿石利用其传感检测信号的差异进行分类并将品位高的矿石分离出来的方法。在整个电磁波谱范围中，γ射线、中子流、X射线、
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。

[0003] 在矿石拣选应用于工业实践前，通常通过实验室或半工业试验确定其矿石拣选决策方法及拣选决策阈值参数。对于X射线荧光分析(XRF)等定量测试技术，确定其XRF品位测
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

[0004] 本发明要解决的技术问题是提供一种基于受试者操作特征曲线分析的矿石拣选决策方法，优化拣选效果。

[0005] 该方法首先在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，比较拣选决策阈值与传感品位数据，采用受试者操作特征曲线分析计算敏感性、假阳性率，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。

[0006] 具体包括步骤如下：

[0007] (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，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；

[0008] (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，按照式(1)～(2)计算敏感性、假阳性率；

[0009] (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；

[0010] (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，按照式
(3)～(4)确定最优拣选决策阈值条件下贫化率、损失率。

[0011] 其中，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，取值数量根据取值范围及取值精度确定。

[0012] 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。

[0013] 步骤(2)中敏感性、假阳性率的计算公式为：

[0014]

[0015]

[0016] 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。

[0017] 步骤(3)中最优拣选决策阈值为最接近(0,1)坐标点的点所对应的拣选决策阈值或取敏感性与假阳性率之差的最大值。

[0018] 步骤(4)中贫化率、损失率的计算公式为：

[0019]

[0020]

[0021] 本发明的上述技术方案的有益效果如下：

[0022] 上述方案中，提出了基于受试者操作特征曲线分析的矿石拣选决策方法，提高了矿石拣选效果。

附图说明

[0023] 图1为本发明方法的流程示意图。

具体实施方式

[0024] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

[0025] 本发明提供一种基于受试者操作特征曲线分析的矿石拣选决策方法。

[0026] 如图1所示，本方法首先在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，比较拣选决策阈值与传感品位数据，采用受试者操作特征曲线分析计算敏感性、假
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。

[0027] 下面结合具体实施例予以说明。

[0028] 实施例1

[0029] 本实施例矿石拣选对象为铜矿，共144个，每个试样重量为250g左右。通过X射线荧光分析(XRF)矿石传感技术测得试样铜品位。完成XRF品位测定后，利用研磨机研磨试样至
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％。

[0030] 采用传统线性回归矿石拣选决策算法，矿石传感品位与实际矿石品位间的线性关系确定为：ICP＝0.843XRF+0.079。根据该线性关系，矿石拣选决策阈值为0.20％。采用线性
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。

[0031] 采用本发明所述矿石拣选决策算法，在不同拣选决策阈值条件下将矿石分为4类。不同拣选决策阈值范围在0.01％～1.2％之间，相邻拣选阈值数值间隔为0.01％，拣选决策
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。

[0032] 根据不同拣选决策阈值条件下的矿石分类结果，采用受试者操作特征曲线分析，按照式(1)～(2)计算敏感性、假阳性率。计算不同拣选决策阈值下敏感性与假阳性率之差，
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。

[0033] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也
应视为本发明的保护范围。