權(quán)利要求

1.銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)，其特征在于，所述石灰石添加量預(yù)測(cè)控制系統(tǒng)包括采集模塊、預(yù)測(cè)控制模塊、添加量控制模塊；

所述采集模塊，用于獲取銅礦浮選裝置DCS系統(tǒng)的多組歷史生產(chǎn)數(shù)據(jù)以及實(shí)時(shí)生產(chǎn)數(shù)據(jù)，并將所述多組歷史生產(chǎn)數(shù)據(jù)及實(shí)時(shí)生產(chǎn)數(shù)據(jù)發(fā)送至預(yù)測(cè)控制模塊；

所述預(yù)測(cè)控制模塊，用于依據(jù)采集模塊發(fā)送的多組歷史生產(chǎn)數(shù)據(jù)以及實(shí)時(shí)生產(chǎn)數(shù)據(jù)對(duì)銅礦浮選裝置的石灰石添加量進(jìn)行預(yù)測(cè)，并依據(jù)預(yù)測(cè)結(jié)果生成控制命令，并將控制命令發(fā)送至添加量控制模塊；

所述添加量控制模塊，用于依據(jù)預(yù)測(cè)控制模塊發(fā)送的控制命令，控制石灰石添加量，使銅礦浮選裝置的石灰石添加量處于合理范圍內(nèi)。

2.根據(jù)權(quán)利要求1所述的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)，其特征在于，所述采集模塊包括DCS系統(tǒng)生產(chǎn)數(shù)據(jù)采集單元、現(xiàn)場(chǎng)采集單元；

所述DCS系統(tǒng)生產(chǎn)數(shù)據(jù)采集單元，用于獲取銅礦浮選裝置DCS系統(tǒng)的多組歷史生產(chǎn)數(shù)據(jù)以及實(shí)時(shí)生產(chǎn)數(shù)據(jù)；

所述現(xiàn)場(chǎng)采集單元包括稱重傳感器、流量傳感器、圖像傳感器、PH數(shù)字傳感器，

所述稱重傳感器用于采集銅礦浮選裝置的給礦總量、石灰石添加總量，

所述流量傳感器用于采集銅礦浮選裝置的空氣充氣量的設(shè)定值，

所述圖像傳感器用于采集銅礦浮選裝置中的大泡面積、中泡面積，

所述PH數(shù)字傳感器用于采集銅礦浮選裝置中的礦漿PH值。

3.根據(jù)權(quán)利要求1所述的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)，其特征在于，所述預(yù)測(cè)控制模塊包括主控單元、初始化單元、通信單元、FLASH與SRAM單元、JTAG調(diào)試單元；

所述主控單元，用于協(xié)調(diào)各單元的運(yùn)行，以及用于依據(jù)采集模塊發(fā)送的多組歷史生產(chǎn)數(shù)據(jù)訓(xùn)練得到GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，并將實(shí)時(shí)生產(chǎn)數(shù)據(jù)輸入GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，得到銅礦浮選裝置的石灰石添加量的預(yù)測(cè)結(jié)果，并依據(jù)預(yù)測(cè)結(jié)果生成控制命令；

所述初始化單元，用于加載初始化驅(qū)動(dòng)程序，對(duì)所述石灰石添加量預(yù)測(cè)控制系統(tǒng)的硬件及軟件執(zhí)行初始化操作；

所述通信單元，用于接收采集模塊發(fā)送的多組歷史生產(chǎn)數(shù)據(jù)及實(shí)時(shí)生產(chǎn)數(shù)據(jù)并傳輸至主控單元，以及用于向添加量控制模塊發(fā)送主控單元生成的控制命令；

所述FLASH與SRAM單元，用于存儲(chǔ)系統(tǒng)初始化程序、系統(tǒng)所需數(shù)據(jù)；

所述JTAG調(diào)試單元，用于通過JTAG接口訪問主控單元的內(nèi)部寄存器，對(duì)主控單元及其外圍設(shè)備進(jìn)行調(diào)試。

4.根據(jù)權(quán)利要求3所述的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)，其特征在于，所述預(yù)測(cè)控制模塊還包括顯示單元；

所述顯示單元，用于獲取主控單元得到銅礦浮選裝置的石灰石添加量的預(yù)測(cè)結(jié)果，并實(shí)時(shí)顯示。

5.一種銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制方法，其特征在于，所述方法包括：

SS1、獲取并存儲(chǔ)銅礦浮選裝置DCS系統(tǒng)的多組歷史生產(chǎn)數(shù)據(jù)；

SS2、用K-means聚類算法從所述多組歷史生產(chǎn)數(shù)據(jù)中選取多組優(yōu)秀生產(chǎn)數(shù)據(jù)；

SS3、用NNG算法對(duì)所述多組優(yōu)秀生產(chǎn)數(shù)據(jù)進(jìn)行處理，獲得GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型的訓(xùn)練數(shù)據(jù)集；

SS4、依據(jù)所述訓(xùn)練數(shù)據(jù)集，訓(xùn)練并修正獲得GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型；

SS5、獲取銅礦浮選裝置DCS系統(tǒng)的實(shí)時(shí)生產(chǎn)數(shù)據(jù)，并將所述實(shí)時(shí)生產(chǎn)數(shù)據(jù)輸入GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，得到銅礦浮選裝置中石灰石添加量的預(yù)測(cè)結(jié)果；

SS6、依據(jù)所述預(yù)測(cè)結(jié)果控制銅礦浮選裝置中的石灰石添加量，從而使得銅礦浮選裝置的石灰石添加量處于合理范圍內(nèi)。

6.根據(jù)權(quán)利要求5所述的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制方法，其特征在于，所述步驟SS2具體包括：

SS201、在所述多組歷史數(shù)據(jù)中選取2個(gè)初始聚類中心，所述2個(gè)初始聚類中心分別為優(yōu)秀歷史數(shù)據(jù)點(diǎn)、不良?xì)v史數(shù)據(jù)點(diǎn)；

SS202、將所述多組歷史數(shù)據(jù)依據(jù)最近鄰規(guī)則分組，分別劃分至優(yōu)秀歷史數(shù)據(jù)點(diǎn)所在的類簇、不良?xì)v史數(shù)據(jù)點(diǎn)所在的類簇；

SS203、重新調(diào)整優(yōu)秀歷史數(shù)據(jù)點(diǎn)所在的類簇、不良?xì)v史數(shù)據(jù)點(diǎn)所在的類簇的聚類中心，直至聚類中心不再發(fā)生變化；

SS204、選取優(yōu)秀歷史數(shù)據(jù)點(diǎn)所在類簇的生產(chǎn)數(shù)據(jù)作為優(yōu)秀生產(chǎn)數(shù)據(jù)。

7.根據(jù)權(quán)利要求5所述的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制方法，其特征在于，所述步驟SS3具體包括：

SS301、獲取所述多組優(yōu)秀生產(chǎn)數(shù)據(jù)中的輸入變量作為當(dāng)前輸入變量池x＝{x1,x2,…,xk}，獲取所述多組優(yōu)秀生產(chǎn)數(shù)據(jù)中的石灰石添加量作為當(dāng)前輸出變量y；

SS302、利用最小二乘法得到最小二乘法的系數(shù)估計(jì)為

SS303、確定NNG算法參數(shù)s的取值范圍；

SS304、利用V折交叉檢驗(yàn)法確定最佳的NNG算法參數(shù)s的值；

SS305、利用公式確定最終的懲罰參數(shù)的值

SS306、將作為新的預(yù)測(cè)系數(shù)，從而得到y(tǒng)的預(yù)測(cè)值

SS307、經(jīng)過NNG算法壓縮系數(shù)后得到的輔助變量為xq，以此q個(gè)變量作為輸入變量，以石灰石的添加量作為輸出變量，共同構(gòu)成GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型的訓(xùn)練數(shù)據(jù)集。

8.根據(jù)權(quán)利要求5所述的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制方法，其特征在于，所述步驟SS4中的GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型具體包括輸入層、模式層、求和層、輸出層；

所述輸入層神經(jīng)元的數(shù)量與輸入變量的維數(shù)相等，每個(gè)神經(jīng)元均為簡(jiǎn)單的分布單元，將輸入變量傳遞給模式層；

所述模式層的神經(jīng)元數(shù)目等于訓(xùn)練數(shù)據(jù)集的樣本數(shù)，并將高斯函數(shù)作為傳遞函數(shù)；

所述求和層的神經(jīng)元包括第一類神經(jīng)元、第二類神經(jīng)元，所述第一類神經(jīng)元用于對(duì)所有模式層的神經(jīng)元的輸出進(jìn)行算數(shù)求和，第二類神經(jīng)元用于對(duì)所有模式層的神經(jīng)元的輸出進(jìn)行加權(quán)求和；

所述輸出層神經(jīng)元的數(shù)目等于訓(xùn)練數(shù)據(jù)集中輸出變量的維數(shù)。

說明書

技術(shù)領(lǐng)域

本發(fā)明涉及銅礦浮選技術(shù)領(lǐng)域，具體涉及銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)及方法。

背景技術(shù)

浮選法是銅礦選礦工藝中應(yīng)用最為普遍的工藝，銅礦浮選過程主要是在銅礦浮選裝置內(nèi)進(jìn)行，該裝置有四個(gè)區(qū)域即：混合區(qū)、運(yùn)輸區(qū)、分離區(qū)、泡沫區(qū)，用于分離礦漿的硫和銅，使礦物一步一步得到富集，保證泡沫層中的礦物不致脫落，泡沫能順利地流入泡沫槽內(nèi)。

銅礦浮選過程是一個(gè)液態(tài)、固態(tài)、氣態(tài)三相物質(zhì)混合的復(fù)雜過程，其運(yùn)行機(jī)理復(fù)雜，影響過程的因素較多。因此，須對(duì)銅礦浮選過程的重要工藝參數(shù)進(jìn)行實(shí)時(shí)的檢測(cè)，以便隨時(shí)判斷銅礦浮選工藝過程中各變量的變化情況，進(jìn)行合理的調(diào)節(jié)和控制，保持各控制變量參數(shù)穩(wěn)定在合理范圍內(nèi)，從而控制銅礦浮選過程在預(yù)定操作條件下正常進(jìn)行。

石灰石對(duì)銅礦浮選過程的影響主要表現(xiàn)在對(duì)浮選泡沫性質(zhì)的影響。當(dāng)石灰石用量適當(dāng)時(shí)，浮選泡沫可以保持一定的黏度和穩(wěn)定性，而當(dāng)石灰石嚴(yán)重過量時(shí)，會(huì)促使微細(xì)粒凝結(jié)于泡沫中，使泡沫黏結(jié)膨脹，甚至跑槽，從而影響銅精礦品位。傳統(tǒng)的銅礦浮選生產(chǎn)操作，通常依據(jù)操作工肉眼觀察泡沫的顏色、亮度、大小、流動(dòng)速度，并結(jié)合操作工個(gè)人的經(jīng)驗(yàn)積累，對(duì)銅礦浮選的生產(chǎn)狀況作出判斷，進(jìn)而調(diào)整石灰石添加量。而這種傳統(tǒng)的操作模式由于人工經(jīng)驗(yàn)的差異性、發(fā)散性以及非實(shí)時(shí)性，往往導(dǎo)致生產(chǎn)操作的滯后調(diào)整，進(jìn)而造成生產(chǎn)波動(dòng)大、產(chǎn)品質(zhì)量穩(wěn)定性差等后果。

為解決上述問題，實(shí)現(xiàn)銅礦浮選裝置的石灰石添加量的自動(dòng)及穩(wěn)定預(yù)測(cè)，本發(fā)明提出一種銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)及方法。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的上述不足，本發(fā)明提供一種銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)及方法，以解決上述技術(shù)問題。

第一方面，本發(fā)明提供一種銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)，包括采集模塊、預(yù)測(cè)控制模塊、添加量控制模塊；

所述采集模塊，用于獲取銅礦浮選裝置DCS系統(tǒng)的多組歷史生產(chǎn)數(shù)據(jù)以及實(shí)時(shí)生產(chǎn)數(shù)據(jù)，并將所述多組歷史生產(chǎn)數(shù)據(jù)及實(shí)時(shí)生產(chǎn)數(shù)據(jù)發(fā)送至預(yù)測(cè)控制模塊；

所述預(yù)測(cè)控制模塊，用于依據(jù)采集模塊發(fā)送的多組歷史生產(chǎn)數(shù)據(jù)以及實(shí)時(shí)生產(chǎn)數(shù)據(jù)對(duì)銅礦浮選裝置的石灰石添加量進(jìn)行預(yù)測(cè)，并依據(jù)預(yù)測(cè)結(jié)果生成控制命令，并將控制命令發(fā)送至添加量控制模塊；

所述添加量控制模塊，用于依據(jù)預(yù)測(cè)控制模塊發(fā)送的控制命令，控制石灰石添加量，使銅礦浮選裝置的石灰石添加量處于合理范圍內(nèi)。

進(jìn)一步的，所述采集模塊包括DCS系統(tǒng)生產(chǎn)數(shù)據(jù)采集單元、現(xiàn)場(chǎng)采集單元；所述DCS系統(tǒng)生產(chǎn)數(shù)據(jù)采集單元，用于獲取銅礦浮選裝置DCS系統(tǒng)的多組歷史生產(chǎn)數(shù)據(jù)以及實(shí)時(shí)生產(chǎn)數(shù)據(jù)；

所述現(xiàn)場(chǎng)采集單元包括稱重傳感器、流量傳感器、圖像傳感器、PH數(shù)字傳感器，

所述稱重傳感器用于采集銅礦浮選裝置的給礦總量、石灰石添加總量，

所述流量傳感器用于采集銅礦浮選裝置的空氣充氣量的設(shè)定值，

所述圖像傳感器用于采集銅礦浮選裝置中的大泡面積、中泡面積，

所述PH數(shù)字傳感器用于采集銅礦浮選裝置中的礦漿PH值。

進(jìn)一步的，所述預(yù)測(cè)控制模塊包括主控單元、初始化單元、通信單元、FLASH與SRAM單元、JTAG調(diào)試單元；

所述主控單元，用于協(xié)調(diào)各單元的運(yùn)行，以及用于依據(jù)采集模塊發(fā)送的多組歷史生產(chǎn)數(shù)據(jù)訓(xùn)練得到GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，并將實(shí)時(shí)生產(chǎn)數(shù)據(jù)輸入GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，得到銅礦浮選裝置的石灰石添加量的預(yù)測(cè)結(jié)果，并依據(jù)預(yù)測(cè)結(jié)果生成控制命令；

所述初始化單元，用于加載初始化驅(qū)動(dòng)程序，對(duì)所述石灰石添加量預(yù)測(cè)控制系統(tǒng)的硬件及軟件執(zhí)行初始化操作；

所述通信單元，用于接收采集模塊發(fā)送的多組歷史生產(chǎn)數(shù)據(jù)及實(shí)時(shí)生產(chǎn)數(shù)據(jù)并傳輸至主控單元，以及用于向添加量控制模塊發(fā)送主控單元生成的控制命令；

所述FLASH與SRAM單元，用于存儲(chǔ)系統(tǒng)初始化程序、系統(tǒng)所需數(shù)據(jù)；

所述JTAG調(diào)試單元，用于通過JTAG接口訪問主控單元的內(nèi)部寄存器，對(duì)主控單元及其外圍設(shè)備進(jìn)行調(diào)試。

進(jìn)一步的，所述預(yù)測(cè)控制模塊還包括顯示單元；

所述顯示單元，用于獲取主控單元得到銅礦浮選裝置的石灰石添加量的預(yù)測(cè)結(jié)果，并實(shí)時(shí)顯示。

第二方面，本發(fā)明提供一種銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制方法，所述方法包括：

SS1、獲取并存儲(chǔ)銅礦浮選裝置DCS系統(tǒng)的多組歷史生產(chǎn)數(shù)據(jù)；

SS2、用K-means聚類算法從所述多組歷史生產(chǎn)數(shù)據(jù)中選取多組優(yōu)秀生產(chǎn)數(shù)據(jù)；

SS3、用NNG算法對(duì)所述多組優(yōu)秀生產(chǎn)數(shù)據(jù)進(jìn)行處理，獲得GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型的訓(xùn)練數(shù)據(jù)集；

SS4、依據(jù)所述訓(xùn)練數(shù)據(jù)集，訓(xùn)練并修正獲得GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型；

SS5、獲取銅礦浮選裝置DCS系統(tǒng)的實(shí)時(shí)生產(chǎn)數(shù)據(jù)，并將所述實(shí)時(shí)生產(chǎn)數(shù)據(jù)輸入GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，得到銅礦浮選裝置中石灰石添加量的預(yù)測(cè)結(jié)果；

SS6、依據(jù)所述預(yù)測(cè)結(jié)果控制銅礦浮選裝置中的石灰石添加量，從而使得銅礦浮選裝置的石灰石添加量處于合理范圍內(nèi)。

進(jìn)一步的，所述步驟SS2具體包括：

SS201、在所述多組歷史數(shù)據(jù)中選取2個(gè)初始聚類中心，所述2個(gè)初始聚類中心分別為優(yōu)秀歷史數(shù)據(jù)點(diǎn)、不良?xì)v史數(shù)據(jù)點(diǎn)；

SS202、將所述多組歷史數(shù)據(jù)依據(jù)最近鄰規(guī)則分組，分別劃分至優(yōu)秀歷史數(shù)據(jù)點(diǎn)所在的類簇、不良?xì)v史數(shù)據(jù)點(diǎn)所在的類簇；

SS203、重新調(diào)整優(yōu)秀歷史數(shù)據(jù)點(diǎn)所在的類簇、不良?xì)v史數(shù)據(jù)點(diǎn)所在的類簇的聚類中心，直至聚類中心不再發(fā)生變化；

SS204、選取優(yōu)秀歷史數(shù)據(jù)點(diǎn)所在類簇的生產(chǎn)數(shù)據(jù)作為優(yōu)秀生產(chǎn)數(shù)據(jù)。

進(jìn)一步的，所述步驟SS3具體包括：

SS301、獲取所述多組優(yōu)秀生產(chǎn)數(shù)據(jù)中的輸入變量作為當(dāng)前輸入變量池x＝{x1，x2，...，xk)，獲取所述多組優(yōu)秀生產(chǎn)數(shù)據(jù)中的石灰石添加量作為當(dāng)前輸出變量y；

SS302、利用最小二乘法得到最小二乘法的系數(shù)估計(jì)為

SS303、確定NNG算法參數(shù)s的取值范圍；

SS304、利用V折交叉檢驗(yàn)法確定最佳的NNG算法參數(shù)s的值；

SS305、利用公式確定最終的懲罰參數(shù)的值

SS306、將作為新的預(yù)測(cè)系數(shù)，從而得到y(tǒng)的預(yù)測(cè)值

SS307、經(jīng)過NNG算法壓縮系數(shù)后得到的輔助變量為xq，以此q個(gè)變量作為輸入變量，以石灰石的添加量作為輸出變量，共同構(gòu)成GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型的訓(xùn)練數(shù)據(jù)集。

進(jìn)一步的，所述步驟SS4中的GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型具體包括輸入層、模式層、求和層、輸出層；

所述輸入層神經(jīng)元的數(shù)量與輸入變量的維數(shù)相等，每個(gè)神經(jīng)元均為簡(jiǎn)單的分布單元，將輸入變量傳遞給模式層；

所述模式層的神經(jīng)元數(shù)目等于訓(xùn)練數(shù)據(jù)集的樣本數(shù)，并將高斯函數(shù)作為傳遞函數(shù)；

所述求和層的神經(jīng)元包括第一類神經(jīng)元、第二類神經(jīng)元，所述第一類神經(jīng)元用于對(duì)所有模式層的神經(jīng)元的輸出進(jìn)行算數(shù)求和，第二類神經(jīng)元用于對(duì)所有模式層的神經(jīng)元的輸出進(jìn)行加權(quán)求和；

所述輸出層神經(jīng)元的數(shù)目等于訓(xùn)練數(shù)據(jù)集中輸出變量的維數(shù)。

本發(fā)明的有益效果在于，

第一方面，本發(fā)明提出的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)基于采集模塊、預(yù)測(cè)控制模塊、添加量控制模塊的相互配合，實(shí)現(xiàn)了銅礦浮選裝置的石灰石添加量的自動(dòng)化、實(shí)時(shí)化、智能化控制，解決了傳統(tǒng)的銅礦浮選過程中由人工操作確定石灰石添加量帶來的生產(chǎn)操作調(diào)整滯后、生產(chǎn)波動(dòng)大、產(chǎn)品質(zhì)量穩(wěn)定性差的問題，并極大的提高了銅礦浮選過程的操作效率。

第二方面，本發(fā)明提出的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制方法，基于NNG-GRNN算法實(shí)現(xiàn)，該算法以貝葉斯準(zhǔn)則作為模型的評(píng)價(jià)標(biāo)準(zhǔn)，以v-fold交叉驗(yàn)證法來確定最優(yōu)的非負(fù)絞殺系數(shù)，該預(yù)測(cè)控制方法可用于銅礦浮選機(jī)裝置的石灰石添加量的預(yù)測(cè)，從而實(shí)現(xiàn)銅礦浮選裝置石灰石添加量的自動(dòng)控制，提高了通過浮選過程中產(chǎn)品生產(chǎn)的穩(wěn)定性以及生產(chǎn)效率。

此外，本發(fā)明設(shè)計(jì)原理可靠，具有非常廣泛的應(yīng)用前景。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，對(duì)于本領(lǐng)域普通技術(shù)人員而言，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

表1為銅礦浮選裝置的可測(cè)輸入變量表。

圖1為根據(jù)一示例性實(shí)施例示出的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)的結(jié)構(gòu)示意圖。

圖2為根據(jù)一示例性實(shí)施例示出的采集模塊中稱重傳感器的檢測(cè)電路。

圖3為根據(jù)一示例性實(shí)施例示出的采集模塊中流量傳感器的檢測(cè)電路。

圖4為根據(jù)一示例性實(shí)施例示出的采集模塊中圖像傳感器的檢測(cè)電路。

圖5為根據(jù)一示例性實(shí)施例示出的預(yù)測(cè)控制模塊的結(jié)構(gòu)示意圖。

圖6為根據(jù)一示例性實(shí)施例示出的主控單元芯片最小系統(tǒng)及存儲(chǔ)模塊圖。

圖7為根據(jù)一示例性實(shí)施例示出的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制方法流程示意圖。

圖8為根據(jù)一示例性實(shí)施例示出的GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型示意圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明中的技術(shù)方案，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。

為了使本技術(shù)領(lǐng)域的人員更好的理解本發(fā)明方案，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說明。

浮選法是銅礦選礦工藝中應(yīng)用最為普遍的工藝，銅礦浮選過程多在銅礦浮選裝置內(nèi)進(jìn)行，該裝置包括混合區(qū)、運(yùn)輸區(qū)、分離區(qū)、泡沫區(qū)四個(gè)區(qū)域，用于分離礦漿的硫和銅，使礦物一步一步得到富集，保證泡沫層中的礦物不致脫落，泡沫能順利地流入泡沫槽內(nèi)。

銅礦浮選過程涉及的主要參數(shù)變量包括如下述表1中記載的27個(gè)參數(shù)變量，本發(fā)明基于NNG-GRNN算法，依據(jù)銅礦浮選歷史生產(chǎn)數(shù)據(jù)，篩選出輔助變量，依據(jù)輔助變量訓(xùn)練得到GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，從而實(shí)現(xiàn)石灰石添加量的實(shí)時(shí)在線矯正。

表1銅礦浮選裝置的可測(cè)輸入變量表

圖1為根據(jù)一示例性實(shí)施例示出的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)的結(jié)構(gòu)示意圖，如圖1所示的，石灰石添加量預(yù)測(cè)控制系統(tǒng)包括：采集模塊10、預(yù)測(cè)控制模塊20、添加量控制模塊30；

采集模塊10，用于獲取銅礦浮選裝置DCS系統(tǒng)的多組歷史生產(chǎn)數(shù)據(jù)以及實(shí)時(shí)生產(chǎn)數(shù)據(jù)，并將所述多組歷史生產(chǎn)數(shù)據(jù)及實(shí)時(shí)生產(chǎn)數(shù)據(jù)發(fā)送至預(yù)測(cè)控制模塊；

預(yù)測(cè)控制模塊20，用于依據(jù)采集模塊發(fā)送的多組歷史生產(chǎn)數(shù)據(jù)以及實(shí)時(shí)生產(chǎn)數(shù)據(jù)對(duì)銅礦浮選裝置的石灰石添加量進(jìn)行預(yù)測(cè)，并依據(jù)預(yù)測(cè)結(jié)果生成控制命令，并將控制命令發(fā)送至添加量控制模塊；

添加量控制模塊30，用于依據(jù)預(yù)測(cè)控制模塊發(fā)送的控制命令，控制石灰石添加量，使銅礦浮選裝置的石灰石添加量處于合理范圍內(nèi)。

對(duì)于圖1所示的技術(shù)方案，需要特殊說明的是，上述石灰石添加量預(yù)測(cè)控制系統(tǒng)基于采集模塊、預(yù)測(cè)控制模塊、添加量控制模塊的相互配合，實(shí)現(xiàn)了銅礦浮選裝置的石灰石添加量的自動(dòng)化、實(shí)時(shí)化、智能化控制，解決了傳統(tǒng)的銅礦浮選過程中由人工操作確定石灰石添加量帶來的生產(chǎn)操作調(diào)整滯后、生產(chǎn)波動(dòng)大、產(chǎn)品質(zhì)量穩(wěn)定性差的問題，并極大的提高了銅礦浮選過程的操作效率。

對(duì)于圖1所示的技術(shù)方案，其中的采集模塊包括DCS系統(tǒng)生產(chǎn)數(shù)據(jù)采集單元、現(xiàn)場(chǎng)采集單元；

DCS系統(tǒng)生產(chǎn)數(shù)據(jù)采集單元，用于獲取銅礦浮選裝置DCS系統(tǒng)的多組歷史生產(chǎn)數(shù)據(jù)以及實(shí)時(shí)生產(chǎn)數(shù)據(jù)；

現(xiàn)場(chǎng)采集單元包括稱重傳感器、流量傳感器、圖像傳感器、PH數(shù)字傳感器，

稱重傳感器用于采集銅礦浮選裝置的給礦總量、石灰石添加總量，

流量傳感器用于采集銅礦浮選裝置的空氣充氣量的設(shè)定值，

圖像傳感器用于采集銅礦浮選裝置中的大泡面積、中泡面積，

PH數(shù)字傳感器用于采集銅礦浮選裝置中的礦漿PH值。

需要特殊說明的是上述現(xiàn)場(chǎng)采集單元中的多個(gè)傳感器為設(shè)置在銅礦浮選裝置內(nèi)部的傳感器，上述多個(gè)傳感器的采集結(jié)果傳遞至銅礦浮選裝置DCS系統(tǒng)，并作為上述多組歷史生產(chǎn)數(shù)據(jù)及實(shí)時(shí)生產(chǎn)數(shù)據(jù)中的一部分。

上述稱重傳感器選用CHH-1型板環(huán)式稱重傳感器，CHH-1板環(huán)式稱重式傳感器是利用電阻應(yīng)變?cè)順?gòu)成的一種高精度載荷傳感器部件，彈性體采用板環(huán)式結(jié)構(gòu)，它由4片電阻應(yīng)變片計(jì)組成一全橋平衡電路。當(dāng)傳感器受到外力作用時(shí)，彈性體產(chǎn)生變形，電阻應(yīng)變計(jì)阻值發(fā)生變化，使橋路失去平衡，在外界供橋電源作用下，電橋輸出一不平衡直流電壓信號(hào)，該信號(hào)的大小與傳感器所受外力大小成正比，據(jù)此，可測(cè)定外載荷的大小。CHH-1型板環(huán)式稱重傳感器輸出阻抗650Ω，輸入阻抗650Ω，可工作的溫度范圍-10～+60℃，在各種工礦企業(yè)系統(tǒng)中作力的測(cè)量分析。本實(shí)施例中，采集模塊選用的CHH-1型板環(huán)式稱重傳感器的檢測(cè)電路如圖2所示。

上述流量傳感器選用SWINGWIRLⅡ電容式渦街流量傳感器。WINGWIRLⅡ電容式渦街流量傳感器是采用差動(dòng)開關(guān)電容(DSC)作為檢測(cè)元件來感測(cè)旋渦發(fā)生體產(chǎn)生的漩渦頻率的一種器材，其優(yōu)點(diǎn)是工作溫度范圍很寬，從-200℃～+400℃，抗振性能特別好。同時(shí)還具有以下特點(diǎn):無可動(dòng)件，測(cè)量范圍可達(dá)40:1，壓力損失小，測(cè)量準(zhǔn)確度較高等?？捎糜跍y(cè)量封閉管道中氣體、蒸汽和液體流量。本裝置SWINGWIRLⅡ電容式渦街流量傳感器所使用的公稱通徑為300mm，空氣測(cè)量范圍為1655m3/h～19330m3/h。本實(shí)施例中，采集模塊選用的SWINGWIRLⅡ電容式渦街流量傳感器的檢測(cè)電路如圖3所示。

上述圖像傳感器選用TCD142D-CCD圖像傳感器。TCD142D-CCD圖像傳感器是一種能進(jìn)行光電轉(zhuǎn)換存儲(chǔ)信息及轉(zhuǎn)換信息電荷功能的器件。PN結(jié)光敏二極管和CCD(電荷耦合器件)構(gòu)成若干像素的一元光敏二極管陣列，物體通過光學(xué)鏡頭在這種陣列上形成實(shí)像。每個(gè)光敏元件(像素)呈現(xiàn)不同強(qiáng)度的弱電流，由掃描電路拾取圖像信號(hào)，在經(jīng)過處理可獲得視頻信號(hào)。TCD142D-CCD圖像傳感器可用于傳真、圖像掃描及光特性識(shí)別工業(yè)自動(dòng)檢測(cè)等多個(gè)領(lǐng)域，它具有壽命長、自掃描、高靈敏、低噪聲、低消耗等優(yōu)點(diǎn)，容易與計(jì)算機(jī)連接組成自動(dòng)測(cè)量控制，有效像素?cái)?shù)目1728，有效讀取長度210mm。本實(shí)施例中，采集模塊選用的TCD142D-CCD圖像傳感器的檢測(cè)電路如圖4所示。

上述PH數(shù)字傳感器選用BPHDJT9501PH數(shù)字傳感器。BPHDJT9501PH數(shù)字傳感器可以直接接入到介質(zhì)中，并且可以廣泛用于化工、冶金、制藥、環(huán)保水處理等各種復(fù)雜的工況環(huán)境?？蓽y(cè)量的PH范圍為0-14PH，可工作的溫度范圍為0～60℃，測(cè)量精度高，此傳感器的防護(hù)等級(jí)為IP68，防水效果好。

圖5為根據(jù)一示例性實(shí)施例示出的預(yù)測(cè)控制模塊的結(jié)構(gòu)示意圖，如圖5所示的，本實(shí)施例的預(yù)測(cè)控制模塊包括主控單元201、初始化單元202、通信單元203、FLASH與SRAM單元204、JTAG調(diào)試單元205、顯示單元206；

主控單元201，用于協(xié)調(diào)各單元的運(yùn)行，以及用于依據(jù)采集模塊發(fā)送的多組歷史生產(chǎn)數(shù)據(jù)計(jì)算得到GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，并將實(shí)時(shí)生產(chǎn)數(shù)據(jù)輸入GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，得到銅礦浮選裝置的石灰石添加量的預(yù)測(cè)結(jié)果，并依據(jù)預(yù)測(cè)結(jié)果生成控制命令；

初始化單元202，用于加載初始化驅(qū)動(dòng)程序，對(duì)所述石灰石添加量預(yù)測(cè)控制系統(tǒng)的硬件及軟件執(zhí)行初始化操作；

通信單元203，用于接收采集模塊發(fā)送的多組歷史生產(chǎn)數(shù)據(jù)及實(shí)時(shí)生產(chǎn)數(shù)據(jù)并傳輸至主控單元，以及用于向添加量控制模塊發(fā)送主控單元生成的控制命令；

FLASH與SRAM單元204,用于存儲(chǔ)系統(tǒng)初始化程序、系統(tǒng)所需數(shù)據(jù)；

JTAG調(diào)試單元205，用于通過JTAG接口訪問主控單元的內(nèi)部寄存器，對(duì)主控單元及其外圍設(shè)備進(jìn)行調(diào)試。

顯示單元206，用于獲取主控單元得到銅礦浮選裝置的石灰石添加量的預(yù)測(cè)結(jié)果，并實(shí)時(shí)顯示。

上述主控單元選用LPC2106作為主控芯片，該芯片是基于ARM7TDMI-S內(nèi)核的處理器，具有實(shí)時(shí)仿真和嵌入式跟蹤支持，以及128kb的嵌入式高速閃存等功能。128位寬內(nèi)存接口和獨(dú)特的加速器體系結(jié)構(gòu)使32位代碼能夠以最高時(shí)鐘速率執(zhí)行，SP3232芯片用于串行口的電平變換，實(shí)現(xiàn)控制器與通信接口之間的通信。本實(shí)施例中主控單元選用的LPC2106芯片最小系統(tǒng)及存儲(chǔ)模塊圖如圖6所示。

本發(fā)明實(shí)施例提供的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制系統(tǒng)，基于NNG-GRNN算法，依據(jù)歷史生產(chǎn)數(shù)據(jù)篩選出輔助變量，并依據(jù)輔助變量訓(xùn)練得到GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型。本實(shí)施例系統(tǒng)中的，預(yù)測(cè)控制模塊通過將實(shí)時(shí)生產(chǎn)數(shù)據(jù)輸入GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，從而得到銅礦浮選裝置的石灰石添加量的預(yù)測(cè)結(jié)果，從而實(shí)現(xiàn)石灰石添加量的實(shí)時(shí)自動(dòng)控制。

基于與前述實(shí)施例相同的發(fā)明構(gòu)思，本發(fā)明實(shí)施例還提出一種銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制方法，如圖7所示的，方法包括：

SS1、獲取并存儲(chǔ)銅礦浮選裝置DCS系統(tǒng)的多組歷史生產(chǎn)數(shù)據(jù)；

SS2、用K-means聚類算法從所述多組歷史生產(chǎn)數(shù)據(jù)中選取多組優(yōu)秀生產(chǎn)數(shù)據(jù)；

SS3、用NNG算法對(duì)所述多組優(yōu)秀生產(chǎn)數(shù)據(jù)進(jìn)行處理，獲得GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型的訓(xùn)練數(shù)據(jù)集；

SS4、依據(jù)所述訓(xùn)練數(shù)據(jù)集，訓(xùn)練并修正獲得GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型；

SS5、獲取銅礦浮選裝置DCS系統(tǒng)的實(shí)時(shí)生產(chǎn)數(shù)據(jù)，并將所述實(shí)時(shí)生產(chǎn)數(shù)據(jù)輸入GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，得到銅礦浮選裝置中石灰石添加量的預(yù)測(cè)結(jié)果；

SS6、依據(jù)所述預(yù)測(cè)結(jié)果控制銅礦浮選裝置中的石灰石添加量，從而使得銅礦浮選裝置的石灰石添加量處于合理范圍內(nèi)。

針對(duì)圖7所示的技術(shù)方案，需要特殊說明的是，本實(shí)施例提供的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制方法通過K-means聚類算法篩選優(yōu)秀生產(chǎn)數(shù)據(jù)，依據(jù)上述優(yōu)秀生產(chǎn)數(shù)據(jù)，并基于NNG算法選取銅礦浮選過程中影響石灰石添加量的輔助變量，最后通過篩選的輔助變量訓(xùn)練得到GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型，通過GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型實(shí)現(xiàn)石灰石添加量的實(shí)時(shí)預(yù)測(cè)。本實(shí)施例中通過NNG算法選擇輔助變量從而訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型的方法能夠提高神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度，提高石灰石添加量預(yù)測(cè)的精確度。

針對(duì)圖7所示的技術(shù)方案，其中的步驟SS2具體包括：

SS201、在所述多組歷史數(shù)據(jù)中選取2個(gè)初始聚類中心，所述2個(gè)初始聚類中心分別為優(yōu)秀歷史數(shù)據(jù)點(diǎn)、不良?xì)v史數(shù)據(jù)點(diǎn)；

SS202、將所述多組歷史數(shù)據(jù)依據(jù)最近鄰規(guī)則分組，分別劃分至優(yōu)秀歷史數(shù)據(jù)點(diǎn)所在的類簇、不良?xì)v史數(shù)據(jù)點(diǎn)所在的類簇；

SS203、重新調(diào)整優(yōu)秀歷史數(shù)據(jù)點(diǎn)所在的類簇、不良?xì)v史數(shù)據(jù)點(diǎn)所在的類簇的聚類中心，直至聚類中心不再發(fā)生變化；

SS204、選取優(yōu)秀歷史數(shù)據(jù)點(diǎn)所在類簇的生產(chǎn)數(shù)據(jù)作為優(yōu)秀生產(chǎn)數(shù)據(jù)。

需要具體說明的是，K-means聚類算法是一種基于劃分的聚類分析算法，通過K-means聚類算法選取多組歷史生產(chǎn)數(shù)據(jù)中的優(yōu)秀生產(chǎn)數(shù)據(jù)有利于后續(xù)GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型建立的精確性。

針對(duì)圖7所示的技術(shù)方案，其中的步驟SS3具體包括：

SS301、獲取所述多組優(yōu)秀生產(chǎn)數(shù)據(jù)中的輸入變量作為當(dāng)前輸入變量池x＝{x1，x2，...，xk}，獲取所述多組優(yōu)秀生產(chǎn)數(shù)據(jù)中的石灰石添加量作為當(dāng)前輸出變量y；

SS302、利用最小二乘法得到最小二乘法的系數(shù)估計(jì)為

SS303、確定NNG算法參數(shù)s的取值范圍；其中s為NNG算法關(guān)鍵參數(shù)，s的取值范圍為0≤s≤k，當(dāng)s＝0時(shí)，則所有變量將會(huì)刪除，當(dāng)s＝k時(shí)，則所有的變量被保留了下來，當(dāng)0＜s＜k時(shí)，則對(duì)應(yīng)的變量的系數(shù)得到壓縮；

SS304、利用V折交叉檢驗(yàn)法確定最佳的NNG算法參數(shù)s的值；

SS305、利用公式確定最終的懲罰參數(shù)的值具體的，若則對(duì)應(yīng)的變量xk對(duì)預(yù)測(cè)模型沒有任何影響，從而xk就會(huì)被刪除，若則對(duì)應(yīng)的變量無變化的保留下來，若則說明相應(yīng)的變量系數(shù)被壓縮，通過減小s，使更多的變?yōu)榱悖瑥亩_(dá)到變量壓縮的目的；

SS306、將作為新的預(yù)測(cè)系數(shù)，從而得到y(tǒng)的預(yù)測(cè)值

SS307、經(jīng)過NNG算法壓縮系數(shù)后得到的輔助變量為xq，以此q個(gè)變量作為輸入變量，以石灰石的添加量作為輸出變量，共同構(gòu)成GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型的訓(xùn)練數(shù)據(jù)集。

需要具體說明的是，NNG算法是一種穩(wěn)定性好，又能對(duì)候選變量進(jìn)行篩選和系數(shù)壓縮的變量選擇方法，它不僅可以壓縮候選變量的個(gè)數(shù)，還可以壓縮響應(yīng)變量的系數(shù)。NNG算法系數(shù)壓縮的實(shí)質(zhì)就是在使用最優(yōu)函數(shù)建模時(shí)，加入額外的懲罰函數(shù)。在約束條件

ck≥0，∑k cx≤s

下解式(1)

其中，是最小二乘法的系數(shù)估計(jì)，并將作為新的預(yù)測(cè)系數(shù)。的大小取決于s，s被認(rèn)為是額外加入的參數(shù)，NNG算法相比于傳統(tǒng)的最小二乘法回歸，擁有較小的預(yù)測(cè)誤差。

還需要特殊說明的是，上述V折交叉檢驗(yàn)法，具體是指把數(shù)據(jù)集平均分成v份，每次從v份數(shù)據(jù)集中拿出一份數(shù)據(jù)集作為驗(yàn)證集，剩下的v-1份數(shù)據(jù)集作為訓(xùn)練集，重復(fù)進(jìn)行v次，最后平均v次的結(jié)果作為最后泛化誤差的估計(jì)。通常v的取值為5到10時(shí)能得到較好的結(jié)果。

圖8為根據(jù)一示例性實(shí)施例示出的GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型示意圖，如圖8所示的，上述實(shí)施例中步驟SS4中GRNN神經(jīng)網(wǎng)絡(luò)石灰石添加量預(yù)測(cè)控制模型具體包括輸入層、模式層、求和層、輸出層；

輸入層神經(jīng)元的數(shù)量與輸入變量的維數(shù)相等，每個(gè)神經(jīng)元均為簡(jiǎn)單的分布單元，將輸入變量傳遞給模式層；

模式層的神經(jīng)元數(shù)目等于訓(xùn)練數(shù)據(jù)集的樣本數(shù)，并將高斯函數(shù)作為傳遞函數(shù)；

求和層的神經(jīng)元包括第一類神經(jīng)元、第二類神經(jīng)元，所述第一類神經(jīng)元用于對(duì)所有模式層的神經(jīng)元的輸出進(jìn)行算數(shù)求和，第二類神經(jīng)元用于對(duì)所有模式層的神經(jīng)元的輸出進(jìn)行加權(quán)求和；

輸出層神經(jīng)元的數(shù)目等于訓(xùn)練數(shù)據(jù)集中輸出變量的維數(shù)。

需要特殊說明的是，本發(fā)明提出的石灰石添加量預(yù)測(cè)控制模型是基于GRNN神經(jīng)網(wǎng)絡(luò)建立。GRNN神經(jīng)網(wǎng)絡(luò)是RBF神經(jīng)網(wǎng)絡(luò)(即徑向基神經(jīng)網(wǎng)絡(luò))的分支，是建立在徑向基函數(shù)網(wǎng)絡(luò)和非參數(shù)回歸基礎(chǔ)上的，常用于函數(shù)逼近。將輸入向量由一定的函數(shù)運(yùn)算，映射到隱含層中，在隱含層中確立中心點(diǎn)，確定映射關(guān)系，僅有線性映射傳到輸出空間。

本發(fā)明實(shí)施例提出的銅礦浮選裝置的石灰石添加量預(yù)測(cè)控制方法基于NNG-GRNN算法實(shí)現(xiàn)。該算法以貝葉斯準(zhǔn)則作為模型的評(píng)價(jià)標(biāo)準(zhǔn)，以v-fold交叉驗(yàn)證法來確定最優(yōu)的非負(fù)絞殺系數(shù)，該預(yù)測(cè)控制方法可用于銅礦浮選機(jī)裝置的石灰石添加量的預(yù)測(cè)，從而實(shí)現(xiàn)銅礦浮選裝置石灰石添加量的自動(dòng)控制。

盡管通過參考附圖并結(jié)合優(yōu)選實(shí)施例的方式對(duì)本發(fā)明進(jìn)行了詳細(xì)描述，但本發(fā)明并不限于此。在不脫離本發(fā)明的精神和實(shí)質(zhì)的前提下，本領(lǐng)域普通技術(shù)人員可以對(duì)本發(fā)明的實(shí)施例進(jìn)行各種等效的修改或替換，而這些修改或替換都應(yīng)在本發(fā)明的涵蓋范圍內(nèi)/任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。