本发明涉及铁矿石选矿粉的铁品位无损检测技术领域，具体是一种铁矿石选矿粉铁品位的高光谱检测方法。
背景技术：
铁矿粉是钢铁工业的主要原料，铁矿粉的品质直接影响生产成本、环境效益和产品质量。随着国内供给侧改革的稳健推进，要求钢铁企业加大高品位铁矿粉的使用，要求入厂铁矿粉的品位达到某个等级。中国铁矿资源特点是贫矿多，富矿少，平均品位只有32.67％左右，绝大部分铁矿石需要经过选矿后提炼制成铁精粉，剩余处理成铁
尾矿。为了监查选矿效果，确定精矿的品位等级，同时检测尾矿铁含量，需要不间断地快速、准确测定铁矿厂选矿产品的铁品位。因此铁矿石选矿粉铁品位检测方法改进对选矿铁品位质量监控、检测时效性和防止铁尾矿铁浪费具有重要的意义。
现有测定铁品位的方法主要有仪器分析法和化学分析法，主要有重量法、比色法、滴定法、原子吸收法、等离子体发射光谱法和x射线荧光光谱法等。仪器
分析检测铁品位的方法需将样本制成溶液或熔融状态，存在仪器测试样本制备耗时，存在原料损耗和污染，一般一个样品检测需要30分钟，检测精度有待进一步提高。化学分析检测铁品位的方法精度最高，存在分析步骤繁琐、周期较长、存在原料和化学试剂损耗和污染等缺点，一个样品检测需要约30分钟；在iso标准和国家标准规定中，选矿厂铁精粉中铁品位最常用化学检测方法是重铬酸钾滴定法、坏血酸滴定法、edta滴定法，其中重铬酸钾的使用会严重污染了环境，坏血酸滴定法、edta滴定法虽然无汞、无络的污染，但是适用范围和稳定性较差，会对环境造成少量污染；
cn1810783651.0公开了一种基于光谱数据的铁矿石全铁含量检测方法，其基于改进粒子群算法优化的双隐含层极限学习机神经网络的铁矿石全铁品位检测模型，利用光谱数据对其矿石种类分类的基础上检测其全铁含量。
关于选矿厂精铁粉和尾矿的铁品位高光谱检测方法还未见公开报导。
技术实现要素：
本发明要解决的技术问题是提供一种铁矿石选矿粉铁品位的高光谱检测方法，可以简便、无损、快速测定精矿样品及尾矿的铁品位，是铁矿粉品位无损检测技术领域的有益补充，具有重要的意义。
本发明解决其技术问题采用的技术方案是：
一种铁矿石选矿粉铁品位的高光谱检测方法，包括以下步骤：
s1.建立不同铁品位等级的铁矿石选矿粉的高光谱基准数据库；
s2.确定不同铁品位的铁矿石选矿粉的高光谱曲线的强线性识别波段；
s3.建立高光谱曲线的强线性识别波段的光谱反射率与选矿粉铁品位的高光谱预测模型；
s4.确定待检测样本的铁品位。
采用上述技术方案的本发明，与现有技术相比，其有益效果是：
通过高光谱遥感数据反演铁矿粉品味的技术手段，达到了快速、无损、准确挖掘数据潜在信息、反演精度高、预测效果好的技术效果，解决了传统方法判断铁矿粉品味工作流程繁琐、周期长、存在化学试剂污染或适用性差的技术问题。
进一步的，本发明的优选方案如下：
s1.建立不同铁品位等级的铁矿石选矿粉的高光谱基准数据库，按下述步骤进行：
s11.选取不同类型铁矿石选矿粉的不同铁品位的样本，经过筛选、干燥标准化处理后，制作成铁矿石选矿粉的基准样本；
s12.用高光谱仪收集基准样本在350～2500nm波段的高光谱数据；
s13.高光谱数据经过去噪、归一化处理后，建立不同铁品位铁矿石选矿粉的高光谱基准数据库。
s2.确定不同铁品位的铁矿石选矿粉的高光谱曲线的强线性识别波段，按下述步骤进行：
s21.提取基准样本高光谱曲线的fe离子吸收位置、吸收宽度、吸收深度特征参量；
s22.确立铁品位数值与高光谱曲线相关的强线性特征波段。
s3.建立高光谱曲线的强线性识别波段的光谱反射率与选矿粉铁品位的高光谱预测模型，按下述步骤进行：
s31.采用最小二乘、偏最小二乘匹配或相似性匹配方法建立高光谱预测模型；
s32.采用迭代计算，当迭代结果变化小于1个单位时，对应的参数为铁品位高光谱预测的模型参数。
s4.确定待检测样本的铁品位，按下述步骤进行：
s41.用高光谱仪测量待检测铁矿石选矿粉样本在350～2500nm波段的高光谱数据；
s42.提取样本高光谱曲线吸收位置、吸收宽度和吸收面积特征参量，检核与不同铁品位等级的铁矿石选矿粉的高光谱基准数据强线性波段指标一致性；检查合格后，将样本高光谱曲线的特征参数导入预测模型，求解出待检测样本的铁品位。
附图说明
图1是存储于黑色不反光盒体内的铁矿石选矿粉干燥样本示意图；
图2是样本的高光谱曲线示意图；
图3是样本归一化处理后的高光谱曲线示意图；
图4是待测样本的高光谱曲线示意图。
具体实施方式
以下结合附图及实施例详述本发明。
一种铁矿石选矿粉铁品位的高光谱检测方法，按以下步骤进行：
步骤1：建立不同铁品位等级的铁矿石选矿粉的高光谱基准数据库；具体是：
(1)采集不同铁品味的铁矿石选矿粉为样本；
实验使用某铁矿石选矿厂提供的铁矿石选矿粉作为样本，样本的铁品味已知，铁含量及光谱曲线命名如下表1，样本干燥后平铺于10cm*10cm黑色不反光的盒体内存储待测，如图1所示。
表1样本分类名称
(2)采集样本的高光谱数据；
采用波长范围350～2500nm，采样间隔2nm的光谱仪(asdfieldspec4便携式地物光谱仪，asd公司)采集样本的高光谱数据。高光谱数据的采集在暗室内进行，具体操作为：将装有样本的盒体放置在铺有黑色绒布的桌子上，将样本在盒体内铺平。打开主机电源预热一段时间，待光谱仪的光源稳定后开始试验，测量时参考白板水平放置，采用接触式测量方式。为了提高数据可靠性，抑制环境噪声，对每个样本分为10份，每份重复采集10次。
(3)高光谱数据预处理；
消除采集的高光谱数据的阶跃性误差并对测得的高光谱数据进行拼接校正后取平均值，再对数据进行平滑后剔除边缘异常值，得到每个样本的高光谱曲线，并存储为铁矿石选矿粉铁品位的高光谱原始数据库，如图2所示。
(4)对每个样本的高光谱曲线进行归一化处理，存储为铁矿石选矿粉铁品位的高光谱基准数据库，如图3所示。
步骤2：确定不同铁品位的铁矿石选矿粉的高光谱曲线的强线性识别波段；具体是：
(1)选取所有样本的fe离子的吸收位置；
根据每个样本的高光谱基准数据库中高光谱曲线，提取每个样本的fe离子吸收位置，具体如表2所示，选取所有样本的fe离子的吸收位置。在本实施例中，所有样本的fe离子的吸收位置为517～550nm和873～913nm。
表2fe离子的光谱特征参量(部分)
(2)对铁品位和高光谱数据特征波段进行相关性分析，遴选相关性强的波段；
获取样本在fe离子吸收位置为517～550nm和873～913nm处铁矿粉光谱曲线反射率和铁品位相关性的绝对值，选取相关性的绝对值在0.98以上的波段(相关性绝对值越接近1，相关性越强)为强线性识别波段，在本实施例中，选择相关性的绝对值在0.98以上的波段517～520nm和873～888nm为强线性识别波段；
在本实施例中，通过对铁品位和铁矿粉光谱曲线反射率相关性的绝对值从大到小进行排序来选取绝对值在0.98以上的波段，部分内容如表3所示。
表3铁品位和铁矿粉光谱曲线反射率的相关性排名前300的波长(部分)
步骤3：建立预测模型并进行预测模型效果评价；具体是：
(1)依据最小二乘法构建铁品位和铁矿石选矿粉光谱曲线关系的预测模型；
将强线性识别波段中每一个波长作为一个特征参量，针对每n个特征参量，n为大于等于1的整数，依据最小二乘法构建铁品位和铁矿粉光谱曲线关系的预测模型：预测模型将全部样本同一个特征参量所对应的高光谱值作为x，样本的铁品位作为y；同时计算每个预测模型的拟合误差r2。选取r2接近1的预测模型作为铁品位和铁矿石选矿粉光谱曲线关系的预测模型。
通过大量数据发现，不同样本的铁品位y与每一特征参量相对应的高光谱反射率x，呈现明显的分段相关性。且针对不同特征参量所建立的模型拐点在铁品位(y坐标在)30％附近，反射率x坐标随铁品味的增大而减小。
在本实施例中，针对单独的特征参量520nm、880nm(即n等于1)以及两者都考虑(即n等于2)分别建立预测模型，选取r2如表4所示。
表4
x1为520nm的高光谱值，x2为880nm的高光谱值。
采集其在350～2500nm波段的高光谱数据，对采集的高光谱数据进行去噪、归一化处理后，待测样本的高光谱曲线如图4所示，提取待测样本的高光谱曲线的吸收位置，经检核与铁品位高光谱基准数据强线性识别波段指标一致。进一步的，判断每个待测样本在波长520处的反射率值，求得每个待测样本在波长520处的反射率值x1，同理得到每个待测样本在波长880处的反射率值x2，代入该预测模型求解出待测样本的铁品位。
在本实施例中，待测样本如表5所示，且该待测样本的铁品位已知。
表5
进一步解释，将待测样本的高光谱曲线在520nm和880nm的高光谱值代入步骤3中所得预测模型中的x，所得y见表6中的预测值。
表6
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
技术特征：
1.一种铁矿石选矿粉铁品位的高光谱检测方法，其特征在于，包括以下步骤：
s1.建立不同铁品位等级的铁矿石选矿粉的高光谱基准数据库；
s2.确定不同铁品位的铁矿石选矿粉的高光谱曲线的强线性识别波段；
s3.建立高光谱曲线的强线性识别波段的光谱反射率与选矿粉铁品位的高光谱预测模型；
s4.确定待检测样本的铁品位。
2.根据权利要求1所述的铁矿石选矿粉铁品位的高光谱检测方法，其特征在于，s1.建立不同铁品位等级的铁矿石选矿粉的高光谱基准数据库，按下述步骤进行：
s11.选取不同类型铁矿石选矿粉的不同铁品位的样本，经过筛选、干燥标准化处理后，制作成铁矿石选矿粉的基准样本；
s12.用高光谱仪收集基准样本在350～2500nm波段的高光谱数据；
s13.高光谱数据经过去噪、归一化处理后，建立不同铁品位铁矿石选矿粉的高光谱基准数据库。
3.根据权利要求1所述的铁矿石选矿粉铁品位的高光谱检测方法，其特征在于，s2.确定不同铁品位的铁矿石选矿粉的高光谱曲线的强线性识别波段，按下述步骤进行：
s21.提取基准样本高光谱曲线的fe离子吸收位置、吸收宽度、吸收深度特征参量；
s22.确立铁品位数值与高光谱曲线相关的强线性特征波段。
4.根据权利要求1所述的铁矿石选矿粉铁品位的高光谱检测方法，其特征在于，s3.建立高光谱曲线的强线性识别波段的光谱反射率与选矿粉铁品位的高光谱预测模型，按下述步骤进行：
s31.采用最小二乘、偏最小二乘匹配或相似性匹配方法建立高光谱预测模型；
s32.采用迭代计算，当迭代结果变化小于1个单位时，对应的参数为铁品位高光谱预测的模型参数。
5.根据权利要求1所述的铁矿石选矿粉铁品位的高光谱检测方法，其特征在于，s4.确定待检测样本的铁品位，按下述步骤进行：
s41.用高光谱仪测量待检测铁矿石选矿粉样本在350～2500nm波段的高光谱数据；
s42.提取样本高光谱曲线吸收位置、吸收宽度和吸收面积特征参量，检核与不同铁品位等级的铁矿石选矿粉的高光谱基准数据强线性波段指标一致性；检查合格后，将样本高光谱曲线的特征参数导入预测模型，求解出待检测样本的铁品位。
技术总结
本发明公开了一种铁矿石选矿粉铁品位的高光谱检测方法，包括以下步骤：利用高光谱仪采集已知铁品位的铁矿石选矿粉样本的高光谱曲线，建立不同铁品位的铁矿石选矿粉高光谱基准数据库；确定铁品位评定的强线性识别波段；建立Fe离子强线性识别波段的光谱反射率与铁矿石选矿粉铁品位的高光谱预测模型；采集待检测样本的高光谱曲线，将样本高光谱曲线的特征参数导入预测模型，计算待检测样本的铁品位。本发明采用高光谱探测和反演识别的技术手段，对选矿后铁矿粉铁品位进行快速、无损的鉴定，成本低，精度高。
技术研发人员：李孟倩;韩秀丽;汪金花;吴兵;高伟;黄海辉;贾玉娜;陈凯江
受保护的技术使用者：华北理工大学
技术研发日：2020.03.19
技术公布日：2020.06.12
声明：
“铁矿石选矿粉铁品位的高光谱检测方法与流程” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
617
编辑：中冶有色技术网
来源：华北理工大学
分享 0
举报 0
收藏 0
反对 0
点赞 0
中冶有色技术平台
2024年07月12日 ~ 14日 
