Online Outlier Detection for Time-varying Time Series on Improved ARHMM in Geological Mineral Grade Analysis Process

Detección en tiempo real de valores atípicos sobre series de tiempo variable en ARHMM mejorado durante el proceso de análisis de grado mineralógico

Existe gran dificultad para la detección en tiempo real para series de datos masivos con altos niveles de ruido de valores atípicos. Se propone un algoritmo de autoaprendizaje ARHMM (Modelo autoregresivo oculto de Markov) para llevar a cabo la detección de dichos valores atípicos en el proceso de análisis del grado mineral geológico. El algoritmo usa un modelo AR para ajustar la serie de tiempo obtenida del “analizador de fluorescencia de rayos X” y hace uso del HMM como una herramienta básica de detección, la cual puede evitar la deficiencia de predeterminar el umbral en métodos tradicionales de detección. Para actualizar los parámetros del ARHMM en tiempo real, la estructura del algoritmo BDT (Brockwell-Dahlhaus-Trindade) tradicional se mejora para ser una doble estructura iterativa en la que se aplica el cálculo iterativo en tiempo y en orden respectivamente. Con el propósito de reducir la influencia de valores atípicos (o extremos) en la actualización del parámetro de ARHMM, se adoptan las estrategias de detección-antes-que-actualización y la detección-basada-en-actualización, lo que también aumenta la robustez del algoritmo. La subsiguiente simulación por modelos de datos y aplicación práctica comprueba la precisión, fortaleza y capacidad de la detección en línea del algoritmo. De acuerdo con el resultado, es evidente que el nuevo algoritmo propuesto en este artículo es más apropiado para la detección de datos de valores atipicos para el análisis del grado mineral en geología y el procesamiento mineral.

INTRODUCCIÓN

El análisis de la composición mineral es un factor clave a la hora de determinar si se lleva a cabo o no la explotación minera. A lo largo de los años, muchos estudiosos han propuesto algunas ideas y métodos nuevos para la evaluación precisa de la ley del mineral, muchos de los cuales se basan en equipos de pruebas químicas o físicas para obtener los datos para el análisis de la ley del ingrediente (Kameshwara, Rao y Narayana, 2014; De´nan, Naaim y Leong, 2017). Por lo tanto, la precisión de los datos utilizados para el análisis de la composición del mineral es fundamental para el análisis de la ley del mineral. En la actualidad, en el análisis de la ley del mineral se utilizan equipos de prueba automatizados, como el "analizador de fluorescencia de rayos X en flujo tipo BOX-A", que utiliza la obtención espectral mediante la irradiación de rayos X a la pulpa para obtener los resultados de la ley del mineral. Cabe destacar que el analizador de fluorescencia de rayos X tipo BOX-A por defecto es que los datos espectrales obtenidos son correctos. Pero si se trata de un equipo de análisis químico o físico, inevitablemente se producen datos anómalos. Esos valores atípicos afectan directamente a los resultados del análisis del analizador de productos minerales (Clarke, & Levis, 1998; Rivoirard, Demange, & Freulon, 2013).​