CN104299045B - 一种选矿生产全流程精矿产量预报系统及方法 - Google Patents
一种选矿生产全流程精矿产量预报系统及方法 Download PDFInfo
- Publication number
- CN104299045B CN104299045B CN201410492225.3A CN201410492225A CN104299045B CN 104299045 B CN104299045 B CN 104299045B CN 201410492225 A CN201410492225 A CN 201410492225A CN 104299045 B CN104299045 B CN 104299045B
- Authority
- CN
- China
- Prior art keywords
- data
- hidden layer
- model
- index
- forecasting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000012141 concentrate Substances 0.000 title claims abstract description 61
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 58
- 239000011707 mineral Substances 0.000 title claims abstract description 58
- 230000008569 process Effects 0.000 title claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 85
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000013500 data storage Methods 0.000 claims abstract description 8
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000003860 storage Methods 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 7
- 238000013481 data capture Methods 0.000 claims description 6
- 210000000352 storage cell Anatomy 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005553 drilling Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 206010003883 azoospermia Diseases 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000003034 coal gas Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000006148 magnetic separator Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000222065 Lycoperdon Species 0.000 description 1
- 241000768494 Polymorphum Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- SZVJSHCCFOBDDC-UHFFFAOYSA-N iron(II,III) oxide Inorganic materials O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种选矿生产全流程精矿产量预报系统及方法，该系统包括数据获取单元、数据处理单元、单模型训练单元、模型集成单元和数据存储单元；选矿生产全流程精矿产量预报方法，获取选矿生产全流程生产指标历史数据，从中选取精矿产量作为预报指标数据，将多个生产指标作为输入指标数据，形成新的数据集，将新的数据集分为训练数据集和验证数据集，建立单隐层前馈网络模型，将输入指标数据作为该模型的输入，将预报指标数据作为该模型的输出，求得单隐层前馈神经网络隐含层输出矩阵，对单隐层前馈神经网络进行集成，确定选矿生产全流程精矿产量预报模型，在实际选矿生产全流程中，实时采集生产指标数据，利用有效的预报模型，预报精矿产量。
Description
技术领域
本发明属于选矿生产过程技术领域，具体涉及一种选矿生产全流程精矿产量预报系统及方法。
背景技术
矿产资源是经济发展需求的一种重要基础原料，在国民经济发展、国防科技建设等方面，在冶金、建筑、交通、化工等多个领域中起着举足轻重的作用，同时矿产资源又是难以再生的自然资源，所以各国都在积极地倡导可持续发展战略。在这种形势下，选矿工业企业已经不能像过去那样单纯地追求经济效益，而应该更加注重产品的质量，降低生产成本，节约资源消耗，降低环境污染，只有这样才能满足企业越来越高的质量要求，才能使企业更好地生存发展。在选矿生产过程中，选矿生产全流程精矿产量的预报对保证产品质量尤为重要。
针对选矿问题较为传统的建模方法有灰色、回归分析以及时间序列等方法，但传统方法大都集中在对其因果关系回归模型和时间序列模型的分析上，所建立的模型不能全面、本质地反映所预测数据的复杂的内在结构和特性，也容易造成信息量的丢失。另外，也有学者利用传统的神经网络方法针对选矿建立预报模型，如基于模糊聚类RBF神经网络的生产指标预报模型，该模型基于经验风险最小化原则，但其泛化能力较差，过拟合，局部最优解和学习效率低等问题使得此模型在本领域的应用受到了一定的限制。
发明内容
针对现有技术的不足，本发明提出一种选矿生产全流程精矿产量预报系统及方法，
本发明技术方案如下：
一种选矿生产全流程精矿产量预报系统，包括数据获取单元、数据处理单元、单模型训练单元、模型集成单元和数据存储单元；
数据获取单元：获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标；
数据处理单元：从选矿生产全流程生产指标历史数据中选取计量指标中的精矿产量作为预报指标数据，将多个选矿生产全流程生产指标作为输入指标数据，将输入指标数据进行归一化处理，得到归一化后的输入指标数据，将归一化后的输入指标数据和预报指标数据作为新的数据集，将新的数据集分为训练数据集和验证数据集；
单模型训练单元：设定隐含层节点数L和激励函数，随机产生输入权值矩阵W和阈值向量，利用随机权值算法建立单隐层前馈网络模型，将输入指标数据作为该模型的输入，将预报指标数据作为该模型的输出，求得单隐层前馈神经网络隐含层输出矩阵；
模型集成单元：利用DNNE算法将M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为训练数据集的预报模型隐含层输出矩阵Hcorr，将M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵和训练数据集预报指标数据集成为预报模型的输出数据Th，根据公式HcorrBens＝Th，求出预报模型的输出权值向量确定选矿生产全流程精矿产量预报模型，将M个利用验证数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为验证数据集的预报模型隐含层输出矩阵H′corr，利用验证数据集的预报模型隐含层输出矩阵H′corr对预报模型进行验证，得到有效的预报模型；
所述的数据存储单元：存储随机产生的输入权值矩阵、阈值向量、单隐层前馈神经网络隐含层输出矩阵、预报模型隐含层输出矩阵、预报模型输出数据、预报模型输出权值向量、训练数据集数据和验证数据集数据。
采用选矿生产全流程精矿产量预报系统进行精矿产量预报的方法，包括以下步骤：
步骤1：获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标；
步骤2：从选矿生产全流程生产指标历史数据中选取计量指标中的精矿产量作为预报指标数据，将多个选矿生产全流程生产指标作为输入指标数据；
步骤3：将输入指标数据进行归一化处理，得到归一化后的输入指标数据；
步骤4：将归一化后的输入指标数据和预报指标数据作为新的数据集，将新的数据集分为训练数据集和验证数据集；
步骤5：设定隐含层节点数L和激励函数，随机产生输入权值矩阵W和阈值向量，利用随机权值算法建立单隐层前馈网络模型，将输入指标数据作为该模型的输入，将预报指标数据作为该模型的输出，求得单隐层前馈神经网络隐含层输出矩阵；
步骤6：利用DNNE算法对M个单隐层前馈神经网络进行集成，确定选矿生产全流程精矿产量预报模型；
步骤6.1：设定惩罚率λ，利用DNNE算法将M个利用新数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为预报模型隐含层输出矩阵；
M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为训练数据集的预报模型隐含层输出矩阵Hcorr，公式为：
其中，Hk为第k个单隐层前馈神经网络隐含层输出权值矩阵，k∈[1，M]，
同理，M个利用验证数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为验证数据集的预报模型隐含层输出矩阵H′corr；
步骤6.2：将M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵和训练数据集预报指标数据集成为训练数据集的预报模型输出数据Th：
其中，T为训练数据集的预报指标数据；
步骤6.3：根据公式HcorrBens＝Th，求出预报模型的输出权值向量从而选矿生产全流程精矿产量预报模型；
步骤7：利用验证数据集的预报模型隐含层输出矩阵H′corr对预报模型进行验证；
步骤7.1：利用验证数据集的预报模型隐含层输出矩阵H′corr和预报模型的输出权值向量得到该预报模型的输出数据
步骤7.2：计算预报模型的输出数据和验证数据集的预报指标数据T′的均方差公式其中，将该均方差作为评价指标；
步骤7.3：判断评价指标对否低于评价指标设定值，若是，则该预报模型为有效的预报模型，否则，返回步骤5重新建立预报模型；
步骤8：在实际选矿生产全流程中，实时采集生产指标数据，利用有效的预报模型，预报精矿产量。
本发明的有益效果是：针对目前的选矿生产指标预报模型学习慢、预报精度低、泛化能力弱等问题，本发明提出了一种选矿生产全流程精矿产量预报系统及方法，包括数据获取、数据处理、单模型训练、模型集成、数据存储，实现对选矿综合生产指标快速、高精度预报。
附图说明
图1为本发明具体实施方式中的一种选矿生产全流程精矿产量预报系统的结构框图；
图2为本发明具体实施方式中的一种选矿生产全流程精矿产量预报方法的流程图；
图3为本发明具体实施方式中的一种选矿生产全流程精矿产量预报系统的选矿生产全流程精矿产量的真实值和预报值的对比图；
图4为本发明具体实施方式中的一种选矿生产全流程精矿产量预报系统的选矿生产全流程精矿产量的真实值和预报值的差值曲线。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种选矿生产全流程精矿产量预报系统，如图1所示，包括数据获取单元、数据处理单元、单模型训练单元、模型集成单元和数据存储单元。
数据获取单元：获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标。
所述的质量指标包括：选矿综精品位、一次溢流回收率、废石品位、弱磁入磨品位、弱精品位、弱尾品位、强磁入磨品位、强精品位、强尾品位、弱磁入选粒度、强磁入选粒度、强磁磁选尾矿品位、磁选尾矿浓度。
所述的计量指标包括：包含水份的选矿综精产量、去除水份的选矿综精产量(精矿产量)、弱磁精矿产量、强磁精矿产量。
所述的设备运行统计指标包括：原矿炉运时、强磁球磨机运时、弱磁球磨机运时、球磨机作业率、强磁球磨机作业率和弱磁球磨机作业率，作业率是球磨机运时与总时间的比率；
所述的矿仓料位指标包括：储运贮矿仓料位、一次筛分矿仓料位、二次筛分矿仓料位、强磁矿仓料位和弱磁矿仓料位。
所述的工艺指标包括：竖炉加热煤气量，竖炉还原煤气量，强磁选机电流，强磁机漂水洗电流，立环机电流，立环机漂水洗电流，浮选药剂，浓缩大井的浓度、频率、流量，加压过滤机的加压仓压力。
所述的能源指标包括：电、中水、新水、焦炉煤气、高炉煤气、蒸汽、生活水的单耗和总耗。
所述的成本指标包括：原料单位成本、原料总成本、能源单位成本和能源总成本。
数据处理单元：从选矿生产全流程生产指标历史数据中选取计量指标中的精矿产量作为预报指标数据，将多个选矿生产全流程生产指标作为输入指标数据，将输入指标数据进行归一化处理，得到归一化后的输入指标数据，将归一化后的输入指标数据和预报指标数据作为新的数据集，将新的数据集分为训练数据集和验证数据集。
单模型训练单元：单模型训练单元：设定隐含层节点数L和激励函数，随机产生输入权值矩阵W和阈值向量，利用随机权值算法建立单隐层前馈网络模型，将输入指标数据作为该模型的输入，将预报指标数据作为该模型的输出，求得单隐层前馈神经网络隐含层输出矩阵。
模型集成单元：利用DNNE算法将M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为训练数据集的预报模型隐含层输出矩阵Hcorr，将M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵和训练数据集预报指标数据集成为预报模型的输出数据Th，根据公式HcorrBens＝Th，求出预报模型的输出权值向量确定选矿生产全流程精矿产量预报模型，将M个利用验证数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为验证数据集的预报模型隐含层输出矩阵H′corr，利用验证数据集的预报模型隐含层输出矩阵H′corr对预报模型进行验证，得到有效的预报模型。
所述的数据存储单元：存储随机产生的输入权值矩阵、阈值向量、单隐层前馈神经网络隐含层输出矩阵、预报模型隐含层输出矩阵、预报模型输出数据、预报模型输出权值向量、训练数据集数据和验证数据集数据。
本具体实施方式，在MATLAB R2012a编程环境下进行单隐层前馈神经网络和预报模型的构建。
采用选矿生产全流程精矿产量预报系统进行精矿产量预报的方法，如图2所示，包括以下步骤：
步骤1：获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标。
所述的质量指标包括选矿综精品位、一次溢流回收率、废石品位、弱磁入磨品位、弱精品位、弱尾品位、强磁入磨品位、强精品位、强磁综合尾矿品位、强磁入选粒度、强磁磁选尾矿品位、磁选尾矿浓度；
所述的计量指标包括包含水份的选矿综精产量、去除水份的选矿综精产量、弱磁精矿产量、强磁精矿产量；
所述的设备运行统计指标包括原矿炉运时、强磁球磨机运时、弱磁球磨机运时、球磨机作业率、强磁球磨机作业率和弱磁球磨机作业率，作业率是球磨机运时与总时间的比率；
所述的矿仓料位指标包括储运贮矿仓料位、一次筛分矿仓料位、二次筛分矿仓料位、强磁矿仓料位和弱磁矿仓料位；
所述的工艺指标包括竖炉加热煤气量，竖炉还原煤气量，强磁选机电流，强磁机漂水洗电流，立环机电流，立环机漂水洗电流，浮选药剂，浓缩大井的浓度、频率、流量，加压过滤机的加压仓压力；
所述的能源指标包括电、中水、新水、焦炉煤气、高炉煤气、蒸汽、生活水的单耗和总耗；
所述的成本指标包括原料单位成本、原料总成本、能源单位成本和能源总成本。
步骤2：从选矿生产全流程生产指标历史数据中选取计量指标中的精矿产量作为预报指标数据，将多个选矿生产全流程生产指标作为输入指标数据。
本具体实施方式中，从选矿生产全流程生产指标中确定的预报指标数据为精矿产量。
通过人工经验初选出与精矿产量有影响关系的14个生产指标作为输入指标数据，包括一次溢流回收率、弱精品位、弱尾品位、强精品位、强磁综合尾矿品位、废石品位、弱磁入磨品位、强磁入磨品位、强磁综合尾矿品位、弱磁入选粒度、强磁球磨机运时、弱磁球磨机运时、强磁球磨机作业率(台时处理量)、弱磁球磨机作业率(台时处理量)。
本具体实施方式中，共选出545组输入指标数据和预报指标数据，如表1所示。
表1输入指标数据和预报指标数据
步骤3：将输入指标数据进行归一化处理，得到归一化后的输入指标数据。
步骤4：将归一化后的输入指标数据和预报指标数据作为新的数据集，将新的数据集分为训练数据集(N组数据)和验证数据集(V组数据)。
本发明实施方式中，在545组新数据集中选取480组作为训练数据，65组作为验证数据。
训练数据集DN表示如公式(1)所示：
其中，为训练数据集的输入指标数据；
T＝{y1，y2，...，yN}＝{y1，y2，...，y480}为N组训练数据集预报指标数据；
N为训练数据集的数据条数，n为输入指标数据维数。
验证数据集DV表示如公式(2)所示：
其中，为验证数据集的输入指标数据；
T′＝{y′1，y′2，...，y′V}＝{y′1，y′2，...，y′65}为V组验证数据集预报指标数据；
V为验证数据集的数据条数，n为输入指标数据维数。
将归一化后的输入指标数据和预报指标数据作为新的数据集如表2所示。
表2新的数据集
步骤5：设定隐含层节点数L和激励函数，随机产生输入权值矩阵W和阈值向量利用随机权值算法建立单隐层前馈网络模型，将输入指标数据作为该模型的输入，将预报指标数据作为该模型的输出，求得单隐层前馈神经网络隐含层输出矩阵，训练数据集的单隐层前馈神经网络隐含层输出矩阵用H表示，验证数据集的单隐层前馈神经网络隐含层输出矩阵用H′表示。
本实施方式中，设定的隐含层节点数L为35，第j个隐含层节点激励函数利用0～1之间随机数产生大小为L×n＝35×14的输入权值矩阵W，和1×L＝1×35的阈值向量bj为第j个隐含层节点阈值，j∈[1，L]。
训练数据集的单隐层前馈神经网络隐含层输出矩阵H如公式(3)所示：
步骤6：利用DNNE(Fast decorrelated neural network ensembles with randomweights)算法对M个单隐层前馈神经网络进行集成，确定选矿生产全流程精矿产量预报模型。
步骤6.1：设定惩罚率λ，利用DNNE(Fast decorrelated neural networkensembles with random weights)算法将M个利用新数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为预报模型隐含层输出矩阵。
M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为训练数据集的预报模型隐含层输出矩阵Hcorr如公式(4)所示：
其中，Hk为第k个利用训练数据集得到的单隐层前馈神经网络隐含层输出权值矩阵，k∈[1，M]
同理，M个利用验证数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为验证数据集的预报模型隐含层输出矩阵H′corr。
本实施方式中，设定惩罚率λ＝0.5，M设定为6，则6个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为训练数据集的预报模型隐含层输出矩阵Hcorr如公式(5)所示：
步骤6.2：将M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵和训练数据集预报指标数据集成为训练数据集的预报模型输出数据Th如公式(6)所示：
其中，T为训练数据集的预报指标数据。
本实施方式，得到的训练数据集的预报模型输出数据Th如公式(7)所示：
步骤6.3：根据公式HcorrBens＝Th，求出预报模型的输出权值向量从而选矿生产全流程精矿产量预报模型。
本实施方式中得到的预报模型的输出权值向量如式(8)所示：
步骤7：利用验证数据集的预报模型隐含层输出矩阵H′corr对预报模型进行验证；
步骤7.1：利用验证数据集的预报模型隐含层输出矩阵H′corr和预报模型的输出权值向量得到该预报模型的输出数据
本实施方式中得到的预报模型的输出数据如公式(9)所示：
步骤7.2：计算预报模型的输出数据和验证数据集的预报指标数据T′的均方差公式其中，将该均方差作为评价指标。
本实施方式中均方差表示如公式(10)所示：
步骤7.3：判断评价指标对否低于评价指标设定值，若是，则该预报模型为有效的预报模型，否则，返回步骤5重新建立预报模型。
本实施方式中，评价指标设定值设为验证数据集的预报指标数据的平均值的3％。
步骤8：在实际选矿生产全流程中，实时采集生产指标数据，利用有效的预报模型，预报精矿产量。
本发明实施例中，图3为选矿生产全流程精矿产量的真实值和预报值的对比图，图4为选矿生产全流程精矿产量的真实值和预报值的差值曲线。
由图3、图4可知，预报精度误差均值达到低于实际精矿产量均值的3％，单条数据预报时间均值约为14ms，选择此种预报系统预报选矿生产全流程精矿产量，可以更好的降低成本，节约资源消耗。
Claims (2)
1.一种选矿生产全流程精矿产量预报系统，其特征在于，包括数据获取单元、数据处理单元、单模型训练单元、模型集成单元和数据存储单元；
所述的数据获取单元：获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标；
所述的数据处理单元：从选矿生产全流程生产指标历史数据中选取计量指标中的精矿产量作为预报指标数据，将多个选矿生产全流程生产指标作为输入指标数据，将输入指标数据进行归一化处理，得到归一化后的输入指标数据，将归一化后的输入指标数据和预报指标数据作为新的数据集，将新的数据集分为训练数据集和验证数据集；
所述的单模型训练单元：设定隐含层节点数L和激励函数，随机产生输入权值矩阵W和阈值向量，利用随机权值算法建立单隐层前馈网络模型，将输入指标数据作为该模型的输入，将预报指标数据作为该模型的输出，求得单隐层前馈神经网络隐含层输出矩阵；
所述的模型集成单元：利用DNNE算法将M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为训练数据集的预报模型隐含层输出矩阵Hcorr，将M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵和训练数据集预报指标数据集成为预报模型的输出数据Th，根据公式HcorrBens＝Th，求出预报模型的输出权值向量确定选矿生产全流程精矿产量预报模型，将M个利用验证数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为验证数据集的预报模型隐含层输出矩阵H′corr，利用验证数据集的预报模型隐含层输出矩阵H′corr对预报模型进行验证，得到有效的预报模型；
所述的数据存储单元：存储随机产生的输入权值矩阵、阈值向量、单隐层前馈神经网络隐含层输出矩阵、预报模型隐含层输出矩阵、预报模型输出数据、预报模型输出权值向量、训练数据集数据和验证数据集数据。
2.采用权利要求1所述的选矿生产全流程精矿产量预报系统进行精矿产量预报的方法，其特征在于，包括以下步骤：
步骤1：获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行统计指标、矿仓料位指标、工艺指标、能源指标和成本指标；
步骤2：从选矿生产全流程生产指标历史数据中选取计量指标中的精矿产量作为预报指标数据，将多个选矿生产全流程生产指标作为输入指标数据；
步骤3：将输入指标数据进行归一化处理，得到归一化后的输入指标数据；
步骤4：将归一化后的输入指标数据和预报指标数据作为新的数据集，将新的数据集分为训练数据集和验证数据集；
步骤5：设定隐含层节点数L和激励函数，随机产生输入权值矩阵W和阈值向量，利用随机权值算法建立单隐层前馈网络模型，将输入指标数据作为该模型的输入，将预报指标数据作为该模型的输出，求得单隐层前馈神经网络隐含层输出矩阵；
步骤6：利用DNNE算法对M个单隐层前馈神经网络进行集成，确定选矿生产全流程精矿产量预报模型；
步骤6.1：设定惩罚率λ，利用DNNE算法将M个利用新数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为预报模型隐含层输出矩阵；
M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为训练数据集的预报模型隐含层输出矩阵Hcorr，公式为：
其中，Hk为第k个单隐层前馈神经网络隐含层输出权值矩阵，k∈[1，M]，
同理，M个利用验证数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为验证数据集的预报模型隐含层输出矩阵H′corr；
步骤6.2：将M个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵和训练数据集预报指标数据集成为训练数据集的预报模型输出数据Th：
其中，T为训练数据集的预报指标数据；
步骤6.3：根据公式HcorrBens＝Th，求出预报模型的输出权值向量从而选矿生产全流程精矿产量预报模型；
步骤7：利用验证数据集的预报模型隐含层输出矩阵H′corr对预报模型进行验证；
步骤7.1：利用验证数据集的预报模型隐含层输出矩阵H′corr和预报模型的输出权值向量 得到该预报模型的输出数据
步骤7.2：计算预报模型的输出数据和验证数据集的预报指标数据T′的均方差公式其中，将该均方差作为评价指标；
步骤7.3：判断评价指标对否低于评价指标设定值，若是，则该预报模型为有效的预报模型，否则，返回步骤5重新建立预报模型；
步骤8：在实际选矿生产全流程中，实时采集生产指标数据，利用有效的预报模型，预报精矿产量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410492225.3A CN104299045B (zh) | 2014-09-24 | 2014-09-24 | 一种选矿生产全流程精矿产量预报系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410492225.3A CN104299045B (zh) | 2014-09-24 | 2014-09-24 | 一种选矿生产全流程精矿产量预报系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104299045A CN104299045A (zh) | 2015-01-21 |
| CN104299045B true CN104299045B (zh) | 2017-05-10 |
Family
ID=52318766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410492225.3A Active CN104299045B (zh) | 2014-09-24 | 2014-09-24 | 一种选矿生产全流程精矿产量预报系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104299045B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809514A (zh) * | 2015-04-09 | 2015-07-29 | 北京科技大学 | 一种浮选过程浮精品位的动态预测方法及系统 |
| CN106597898B (zh) * | 2016-12-16 | 2019-05-31 | 鞍钢集团矿业有限公司 | 一种基于行为画像的浮选生产过程控制方法及系统 |
| CN110363355B (zh) * | 2019-07-16 | 2022-11-29 | 东北大学 | 一种氧化铝生产指标的云-边协同预报系统及方法 |
| CN111482280B (zh) * | 2020-04-22 | 2021-11-30 | 齐鲁工业大学 | 一种基于无线传感网络的铜矿浮选智能软测量方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1749891A (zh) * | 2005-10-19 | 2006-03-22 | 东北大学 | 选矿过程综合生产指标智能优化控制方法 |
-
2014
- 2014-09-24 CN CN201410492225.3A patent/CN104299045B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1749891A (zh) * | 2005-10-19 | 2006-03-22 | 东北大学 | 选矿过程综合生产指标智能优化控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于PCA-GA-BP的选矿工序生产指标预报模型研究;刘业峰 等;《2009中国控制与决策会议论文集》;20090617;第2567-2572页 * |
| 基于模糊聚类RBF神经网络的生产指标预报模型;刘威 等;《系统仿真学报》;20040502;第16卷(第5期);第1030-1033页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104299045A (zh) | 2015-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104134120B (zh) | 一种选矿生产指标监控系统及方法 | |
| US11487962B2 (en) | Decision-making method of comprehensive alumina production indexes based on multi-scale deep convolutional network | |
| CN104299045B (zh) | 一种选矿生产全流程精矿产量预报系统及方法 | |
| WO2019149147A1 (zh) | 一种基于煤炭资源开发的生态地质环境类型划分方法 | |
| CN110263988B (zh) | 一种基于电厂脱硫系统的数据运行优化方法 | |
| CN104008278B (zh) | 一种基于特征向量和最小二乘支持向量机的pm2.5浓度预测方法 | |
| CN106251049A (zh) | 一种大数据的电费风险模型构建方法 | |
| CN104899463B (zh) | 高炉铁水硅含量四分类趋势预报模型的建立方法及应用 | |
| CN107194803A (zh) | 一种p2p网贷借款人信用风险评估的装置 | |
| CN101526814B (zh) | 湿法冶金浸出过程浸出率预测与优化操作方法 | |
| CN110119747A (zh) | 一种基于x射线图像的煤矸识别方法 | |
| CN103412489A (zh) | 一种磨矿粒度在线预报系统及方法 | |
| CN101604322A (zh) | 一种决策级文本自动分类融合方法 | |
| Li et al. | Dynamic time features expanding and extracting method for prediction model of sintering process quality index | |
| CN103258130A (zh) | 烧结矿转鼓强度预测方法 | |
| CN103617456A (zh) | 一种选矿过程运行指标优化方法 | |
| CN106599385A (zh) | 一种新材料合成工艺的智能设计系统及方法 | |
| CN106814719A (zh) | 一种水泥联合半终粉磨优化控制系统及方法 | |
| CN107491846A (zh) | 采用类比法对煤炭资源进行概略技术经济评价的方法 | |
| CN104751254A (zh) | 基于非等距加权灰色模型和模糊聚类排序线损率预测方法 | |
| CN104318313B (zh) | 基于案例推理的选矿全流程运行指标智能决策系统及方法 | |
| Nakhaeie et al. | Concentrate grade prediction in an industrial flotation column using artificial neural network | |
| CN104318330B (zh) | 快速蒙特卡洛方法预测球磨机磨矿粒度分布的系统及方法 | |
| CN104281134B (zh) | 基于人机交互的原矿选别过程多生产指标优化系统及方法 | |
| CN104978484B (zh) | 基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20150121 Assignee: Aolin Technology Co.,Ltd. Assignor: Northeastern University Contract record no.: X2021210000014 Denomination of invention: A prediction system and method of concentrate production in the whole process of mineral processing Granted publication date: 20170510 License type: Common License Record date: 20210324 |