CN114130525A

CN114130525A - 一种选矿设备控制方法、装置、设备及介质

Info

Publication number: CN114130525A
Application number: CN202111434687.6A
Authority: CN
Inventors: 何斌全; 黄劲松; 黄振林; 李琼峰; 郭宏海; 肖辉勇; 刘金涛; 王振伦
Original assignee: Hangzhou Hollysys Automation Co Ltd; Hunan Shizhuyuan Nonferrous Metals Co Ltd
Current assignee: Hangzhou Hollysys Automation Co Ltd; Hunan Shizhuyuan Nonferrous Metals Co Ltd
Priority date: 2021-11-29
Filing date: 2021-11-29
Publication date: 2022-03-04

Abstract

本申请公开了一种选矿设备控制方法、装置、设备及介质，包括：针对选矿设备对应的目标关键参数进行参数提取，以得到相应的参数数据帧；对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧；将所述完整数据帧输入至BP网络预测模型，并利用所述BP网络预测模型输出所述选矿设备对应的预测参数；基于所述预测参数确定出目标控制参数；基于所述目标控制参数对相应的所述选矿设备进行控制，以利用所述选矿设备进行选矿。这样，基于选矿设备对应的目标关键参数进行预测，得到的控制参数在满足选矿需求的同时能够合理利用设备资源，避免设备资源浪费以及降低环境污染。

Description

一种选矿设备控制方法、装置、设备及介质

技术领域

本申请涉及选矿技术领域，特别涉及一种选矿设备控制方法、装置、设备及介质。

背景技术

长期以来，矿业技术的发展始终围绕着适应贫、细、杂的资源条件变化与产品质量不断提高的需求。其中，资源不断贫化与产品质量要求不断提高的矛盾，直接影响选矿过程的进行。

目前，现有的选矿方法中，通常是将选矿设备的控制参数设置为固定的额定值，这样容易造成设备资源浪费和环境污染。

发明内容

有鉴于此，本申请的目的在于提供一种选矿设备控制方法、装置、设备及介质，能够避免设备资源浪费以及降低环境污染。其具体方案如下：

第一方面，本申请公开了一种选矿设备控制方法，包括：

针对选矿设备对应的目标关键参数进行参数提取，以得到相应的参数数据帧；

对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧；

将所述完整数据帧输入至BP网络预测模型，并利用所述BP网络预测模型输出所述选矿设备对应的预测参数；

基于所述预测参数确定出目标控制参数；

基于所述目标控制参数对相应的所述选矿设备进行控制，以利用所述选矿设备进行选矿。

可选的，所述基于所述预测参数确定出目标控制参数，包括：

从多个参数数据帧对应的所述预测参数中确定出最优参数；

从所述最优参数中确定出所述选矿设备对应的控制参数。

可选的，所述从多个参数数据帧对应的所述预测参数中确定出最优参数，包括：

基于粒子群算法从多个参数数据帧对应的所述预测参数中确定出最优参数。

可选的，所述对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧，包括：

将存在缺失参数的所述参数数据帧输入预设神经网络模型，并利用所述神经网络模型对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧。

可选的，所述对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧之前，还包括：

从所述参数数据帧中的所述目标关键参数中确定出离群值；

将所述离群值从所述参数数据帧中剔除。

可选的，所述从所述参数数据帧中的所述目标关键参数中确定出离群值，包括：

基于所述目标关键参数构建关系矩阵；

对所述关系矩阵进行归一化处理，得到归一化数据；

对所述归一化数据进行张量计算，得到张量计算结果；

基于所述张量计算结果确定出离群值。

基于多帧所述参数据数据帧中相同类型的所述目标关键参数、以及每帧所述参数数据帧中不同类型的所述目标关键参数对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧。

第二方面，本申请公开了一种选矿设备控制装置，包括：

参数提取模块，用于针对选矿设备对应的目标关键参数进行参数提取，以得到相应的参数数据帧；

参数填补模块，用于对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧；

参数预测模块，用于将所述完整数据帧输入至BP网络预测模型，并利用所述BP网络预测模型输出所述选矿设备对应的预测参数；

控制参数确定模块，用于基于预测参数确定出所述选矿设备对应的控制参数；

选矿设备控制模块，用于基于所述目标控制参数对相应的所述选矿设备进行控制，以利用所述选矿设备进行选矿。

第三方面，本申请公开了一种电子设备，包括：

存储器，用于保存计算机程序；

处理器，用于执行所述计算机程序，以实现前述的选矿设备控制方法。

第四方面，本申请公开了一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的选矿设备控制方法。

可见，本申请先针对选矿设备对应的目标关键参数进行参数提取，以得到相应的参数数据帧，然后对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧，之后将所述完整数据帧输入至BP网络预测模型，并利用所述BP网络预测模型输出所述选矿设备对应的预测参数，并基于所述预测参数确定出目标控制参数，最后基于所述目标控制参数对相应的所述选矿设备进行控制，以利用所述选矿设备进行选矿。可见，本申请提取选矿设备对应的目标关键参数，并对缺失参数进行填补，之后利用BP网络预测模型，得到预测参数最终从预测参数中确定出控制参数，这样，基于选矿设备对应的目标关键参数进行预测，得到的控制参数在满足选矿需求的同时能够合理利用设备资源，避免设备资源浪费以及降低环境污染。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种选矿设备控制方法流程图；

图2为本申请提供的一种具体的选矿设备参数热力图；

图3为本申请提供的一种具体的关系矩阵示意图；

图4为本申请提供的一种具体的归一化数据示意图；

图5为本申请提供的一种具体的张量计算结果示意图；

图6为本申请提供的一种具体的粒子群算法执行流程图；

图7为本申请提供的一种具体的粒子群模型计算的适应度值示意图；

图8为本申请提供的一种具体的粒子群模型的最优聚类输出示意图；

图9为本申请提供的一种具体的粒子群模型计算的最优适应度值示意图；

图10为本申请提供的一种具体的粒子群模型的聚类中心示意图；

图11为本申请提供的一种具体的最终调参后产线运行效果的仿真结果图；

图12为本申请公开的一种选矿设备控制装置结构示意图；

图13为本申请公开的一种电子设备结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

目前，现有的选矿方法中，通常是将选矿设备的控制参数设置为固定的最大值，这样容易造成设备资源浪费和环境污染。为此，本申请提供了一种选矿设备控制方案，能够避免设备资源浪费以及降低环境污染。

参见图1所示，本申请实施例公开了一种选矿设备控制方法，包括：

步骤S11：针对选矿设备对应的目标关键参数进行参数提取，以得到相应的参数数据帧。

在具体的实施方式中，所述目标关键参数可以包括圆盘给料机转速、核子皮带秤流量、分级机电流、球磨机功率、给矿水转速、排矿水转速、带式输送机电机转速、反砂水泵转速。

其中，上述8个属性的参数有相关的非线性关系，也即工艺关系。

并且，在具体的实施方式中，可以实时的针对选矿设备对应的目标关键参数进行参数提取，以得到相应的参数数据帧。

步骤S12：对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧。

其中，所述缺失参数包括空缺值和离群值，其中，空缺值为没有提取到的参数值。

进一步的，所述对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧之前，还包括：

从所述参数数据帧中的所述目标关键参数中确定出离群值；将所述离群值从所述参数数据帧中剔除。

需要指出的是，针对现场采集的数据一般具有高噪声、含缺失点等特性，本申请实施例可以对缺失参数进行填补，保障数据的稳定性。例如，参见图2所示，图2为本申请实施例提供的一种具体的选矿设备参数热力图。采集圆盘给料机转速、核子皮带秤流量、分级机电流、球磨机功率、球磨机离合器压力、球磨机轴瓦温度、球磨音频、给矿水转速、排矿水转速、带式输送机电机转速、反砂水泵转速、变频泵状态、油泵功率，共十三个属性数据，然后计算相应的热力图。根据热力图看出同工况下分级机电流X11与其他数据的相关性最小，且数据变化波动比其余部分大，而且存在离群值和缺失值，所以需要对初始数据进行清洗，以剔除离群值。

并且，在具体的实施方式中，可以基于所述目标关键参数构建关系矩阵；对所述关系矩阵进行归一化处理，得到归一化数据；对所述归一化数据进行张量计算，得到张量计算结果；基于所述张量计算结果确定出离群值。

例如，参见图3所示，图3为本申请实施提供的一种具体的关系矩阵示意图，八种目标关键参数分别用x1～x8表示。然后进行归一化，得到归一化数据。参见图4所示，图4为本申请实施例提供的一种具体的归一化数据示意图。然后进行张量计算，得到张量计算结果，参见图5所示，图5为本申请实施例提供的一种具体的张量计算结果示意图。最后将不符合工艺情况的张量滤除即可。

在具体的实施方式中，可以将存在缺失参数的所述参数数据帧输入预设神经网络模型，并利用所述神经网络模型对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧。

进一步的，在具体的实施方式中，本申请实施例可以基于多帧所述参数据数据帧中相同类型的所述目标关键参数、以及每帧所述参数数据帧中不同类型的所述目标关键参数对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧。

可以理解的是，选矿工艺涉及到的选矿设备较多，所采集的数据存在空缺值，数据种类之间有一定的工艺关系，对数据进行缺失值填充后可以为后续模型提供完整的数据帧，提高后续模型的分析精度。同一数据源的数据也即同一设备的数据在设备正常运行时提取的数据帧在关联属性方面有一定的相似性，可以以此为主要训练依据，不同数据源之间通过工艺关系，也存在一定的共性和异性，作为辅助训练依据。其中，同一数据源的数据也即相同类型的目标关键参数，不同数据源的数据也即不同类型的目标关键参数。

本申请实施例基于将离群值剔除后的参数数据帧构建带工艺标签的不完整数据集，圆盘给料机转速、核子皮带秤流量、分级机电流、球磨机功率、给矿水转速、排矿水转速、带式输送机电机转速、反砂水泵转速为对应的工艺标签，也为数据的属性，首先将数据进行拟合，通过此过程可以将空缺值用固定的值代替，使数据连续起来，避免断点的存在，然后构建神经网络模型对缺失值(离群值、空缺值)进行预测，并将预测的结果代替原有的数据。具体过程为：

令{(x_i,t_i)|x_i∈R^s；t_i∈R^c,i＝1,2,…,n}表示带工艺标签的不完整数据集，其中，S表示属性个数，C表示类的数量，一个属性对应一类，n表示样本数量，x_i＝[x_i1,x_i2,…x_is]^T是上述八个类型的初始数据，t_i＝[t_i1,t_i2,…t_ic]^T是样本x_i的数据类标签。一个帧数据即为一个样本。若x_i中缺失的参数属于第j(1≤j≤c)类，则t_ij置1，t_j内其他元素置0，A_in＝{a₁,a₂,…,a_m}表示不完整属性的序号集合，也即存在缺失参数的帧序号，其中，1≤a_j≤s(j＝1,2,…m)。

在神经网络模型中，输出层第j，1≤j≤m个神经元用于拟合符号为a_j的不完整属性也即缺失的相应类型的参数。神经元在计算输出y_ij时，需删除输入所包含的

并结合其余数据源进行求解。令

其中r_1j中除第a_j置0外其余均设定成1，同时r_2j＝[1]_c*1；

用于表示八个维度数据中，每个元素是否参与运算。针对第j(1≤j≤m)个输出层神经元，第k个隐藏层神经元的输出式为：

其中，φ(·)为隐藏层激活函数，

为输入层神经元与隐藏层神经元的连接权重，连接权重表示各属性的重要程度，

为隐藏层神经元的阈值，

表示多帧参数数据帧中相同类型的参数的方差。

通过上式计算，八个属性数据值拟合时的网络输出也即拟合出的缺失值为：

其中，θ(·)为输出层激活函数，

为隐藏层神经元与输出层神经元的连接权重，

为输出层神经元的阈值。可以理解的是，空缺值为缺失值，离群值过滤后留下的是带标记的空缺值，也为缺失值。

根据工艺关系，用z_ij表示输出层j+m个神经元的输出值，通过试验后获得解，在实际运行中需要删除输入中的类标签t_i，并利用泰勒级数对缺少不同属性的数据x_i展开。同时将函数的变量改写为

用于标记输入属性数据的方差

中每个元素的运算状态。

针对j+m个输出神经元，隐藏层中第k个神经元的输出值如下计算：

网络输出z_ij的计算方式为：

其中，m_ij的计算公式如下：

由于对

求解时，输入数据集中非工艺类标签t_i已经剔除，所以可以有效的避免模型的过拟合。其中，非工艺类标签为8个属性数据中不计算的类数据剔除避免对计算的类数据造成影响

网络训练时，整体工艺根据八个属性的数据值分解为多个不同的模式，不同属性的数据，计算时的模式是不同的，则多模式学习模型的代价函数为：

E＝λE_M+(1-λ)E_s

其中，λ表示多模式在训练时的权重分配参数，E_M为分类误差，E_S为不完整属性的拟合误差，具体表达式为：

N_CO为数据集中完整样本的序号集合。

需要指出的是，在模型运行时，会遇到不完整样本的类标签未知，此时需要依次对每种类标签的取值进行最优化计算，将计算后的优化值作为实际的填补值，具体步骤如下：

(1)对缺少不同属性的数据x_i进行预填补；

(2)设数据x_i缺少的属性属于第j类，对应的类标签为

中除了j个元素为1外，其余全为0；

(3)将预填补后的x_i和

输入模型，计算所有神经元的网络输出y_i和z_i；

(4)根据输出z_i计算样本x_i缺少的属性属于j类的概率p_j＝z_ij；

(5)设置j←j+1，并返回第2步；

(6)计算最大概率值

该概率值对应的类就是模型最终预测的样本类；

将模型计算后的结果作为填补值输入到与其对应的不完整数据集中。

该模型既能通过从多源数据中提炼每个单独类的特点，又可以根据不完整数据集的属性拟合、挖掘相互的关联关系，从而更好的辅助预测的进行，所以各关联类间的相互关系传递至模型中，使其精度大大的提升。

步骤S13：将所述完整数据帧输入至BP网络预测模型，并利用所述BP网络预测模型输出所述选矿设备对应的预测参数。

其中，BP网络预测模型由输入层、隐藏层、输出层组成。将数据填充后的数据集的属性分解为两个维度，一个维度是实值，一个维度为关联性，表示为：

D＝{(N₁,R₁),(N₂,R₂)…(N_n,R_n)}，其中，N₁表示实值，R₁表示关联性。比如，A是a1，B是b1，A是a2，B是b2(均为数值)，可以大概得出A-B＝K(a-b)，这就是关联函数，体现的性质就是关联性。

填充后的数据集为输入量，用x₁,x₂…x_i表示，调节各输入量的连接权值的占重比，用w₁,w₂,…w_i表示。

设计神经元的总输入为：

激活函数选用成熟、稳定的Sigmod函数，则输出为：

其中，θ_i为神经元阈值

阈值为动态阈值，选用Mamdani模型确定，具体为：

其中，代价函数为：

β为学习效率(>0)。

为了增加结果的精度，用PLS算法对算法进行结构调精，调精函数具体为：

步骤S14：基于所述预测参数确定出目标控制参数。

在具体的实施方式中，可以从多个参数数据帧对应的所述预测参数中确定出最优参数；从所述最优参数中确定出目标控制参数。其中，本申请实施例可以基于粒子群算法从多个参数数据帧对应的所述预测参数中确定出最优参数。

也即，每帧参数数据帧均有对应的预测参数，预测参数也为8个属性的参数，从中确定出最优参数，即最优的8个属性的参数，从最优的8个属性的参数中确定出目标控制参数。需要指出的是，圆盘给料机转速、核子皮带秤流量、分级机电流、球磨机功率、给矿水转速、排矿水转速、带式输送机电机转速、反砂水泵转速中的分级机电流、球磨机功率为目标控制参数，也即需要调节的参数，其他参数受分级机电流、球磨机功率的影响。

经过步骤S13预测得到的数据集中的数据有两个维度，利用成熟、稳定的粒子群模型，对数据集进行建模，则具体为：

BP网络预测后，最终还是形成一个两维的数据集，其中实数属性表示为N_i＝{n₁,n₂…,n_i}，工艺关联性属性表示为R_i＝{r₁,r₂…,r_i}，将两个维度的数据表示在空间中，则每个粒子可以用一个包含八个属性数据的空间点表示，通过不断调整自己的位置搜索空间的最优解，达到整体的最优。其中，每个粒子自身搜索的最优解记为s_id，粒子群整体搜索的最优解记为s_gd，当两个维度的最优解找到后更新数据，具体为：

n_id(t+1)＝wn_id(t)+η₁r₁(s_id-r_id(t))+η₂r₂(s_gd-r_id(t))

r_id(t+1)＝t_id(t)+n_id(t+1)

其中，n_i为实数属性，d表示最优化模型的标记，r_i为关联属性，w为惯性权重，调精模型为：

其中，本实施例采用动态的权重系数，max是最大权重，min是最小权重，Tmax表示最大权重下训练所用的时间，η₁,η₂为学习因子，r₁,r₂为实验数，且0≤r₁,r₂≤1，

模型的适应度函数为：

其中，s表示第s个训练样本，k表示第k个输出节点，w_ij表示八个属性每个属性之间的关系数，i，j表示第i，j个权重，n＝7。

参见图6所示，本申请实施例提供了一种具体的粒子群算法执行流程图。执行流程为：初始化数据集属性的粒子群；根据粒子群的初始空间位置结合工艺关联产生各粒子的新位置；计算每个粒子的适应度值；单粒子适应度值与其自身位置比较，决定是否更新；粒子群适应度值与其自身位置比较，决定是否更新；调整粒子更新的位置和关联性；达到停止条件则停止迭代，若未达到，跳转至第三步继续参与迭代。根据项目的实际数据，粒子群模型计算的适应度值图如图7所示，最终迭代次数为1600次；最优聚类输出如图8所示，最优适应度值如图9所示，聚类中心如图10所示。

步骤S15：基于所述目标控制参数对相应的所述选矿设备进行控制，以利用所述选矿设备进行选矿。

也即，最优参数中的分级机电流、球磨机功率的为目标控制参数，利用目标参数对相应的选矿设备进行控制调节。

进一步的，对本申请实施例提供的方案进行仿真验证，首先数据清洗可以有效去除八个属性数据集中的离群值，输入是实际数据集，输出时去除离群值的数据集；然后可以针对数据集中缺失值进行填充，输入是含有缺失值的数据集，输出时根据模型预测填补后的数据集；进一步的，用BP神经网络对已采集及处理后的设备数据进行预测，每次预测后记录下来，当收集了多组数据时，再利用粒子群算法对数据做优化选择，最后选择的数据作为控制值输出到控制设备中。输入是预测填充后的数据集，输出时设备的调节参数，优化控制设备。最终调参后产线运行效果的仿真结果如图11所示。基准线，主要用来理想数据的基准，调节后的数据线，通过调节，开始会有大的波动，后面很快就逼近基准线，说明通过预测性调节达到了预期的效果。

可以理解的是，本申请实施例用神经网络对选矿设备的数据进行关联性填充，保证数据集的完整性，然后在用BP神经网络模型中，针对其中的神经元阈值主要采用Mamdani模型确定，还可以采用两段闭路磨矿流程和浮选法确定；粒子群模型中，针对适应度函数的确认主要采用工艺流程确认。具体的，数据填充用的是基于多任务学习的神经网络，主要特点是可以在一个模型中协同学习多个相关任务的过程。BP神经网络中的神经元阈值主要是在分析工艺流程的基础上采用Mamdani模型最终确定，主要的方式为模糊规则的后件是输出量的某一模糊集，主要特点是即继承了定性的分析应用场景的能力，又融合了学习能力强、并行计算、容错能力强的特点。粒子群模型中将其位置和速度两个属性用实际值和关联性替换，适应度函数主要结合浮选法的实际流程，可以起到很好的优化效果。这样，在选矿初期阶段，通过收集多个维度的数据，搭建不同的模型对工艺参数进行预测，更好的辅助生产的进行。

参见图12所示，本申请实施例公开了一种具体的选矿设备控制装置，包括：

参数提取模块11，用于针对选矿设备对应的目标关键参数进行参数提取，以得到相应的参数数据帧；

参数填补模块12，用于对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧；

参数预测模块13，用于将所述完整数据帧输入至BP网络预测模型，并利用所述BP网络预测模型输出所述选矿设备对应的预测参数；

控制参数确定模块14，用于基于预测参数确定出所述选矿设备对应的控制参数；

选矿设备控制模块15，用于基于所述目标控制参数对相应的所述选矿设备进行控制，以利用所述选矿设备进行选矿。

控制参数确定模块，具体包括：

最优参数确定子模块，用于从多个参数数据帧对应的所述预测参数中确定出最优参数；

目标控制参数确定子模块，用于从所述最优参数中确定出目标控制参数。

其中，最优参数确定子模块，具体用于基于粒子群算法从多个参数数据帧对应的所述预测参数中确定出最优参数。

参数填补模块，具体用于将存在缺失参数的所述参数数据帧输入预设神经网络模型，并利用所述神经网络模型对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧。

所述装置还包括离群值剔除模块，用于在参数填补模块对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧之前，从所述参数数据帧中的所述目标关键参数中确定出离群值；将所述离群值从所述参数数据帧中剔除。

离群值剔除模块，具体用于基于所述目标关键参数构建关系矩阵；对所述关系矩阵进行归一化处理，得到归一化数据；对所述归一化数据进行张量计算，得到张量计算结果；基于所述张量计算结果确定出离群值。

参数填补模块，具体用于基于多帧所述参数据数据帧中相同类型的所述目标关键参数、以及每帧所述参数数据帧中不同类型的所述目标关键参数对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧。

参见图13所示，本申请实施例公开了一种电子设备20，包括处理器21和存储器22；其中，所述存储器22，用于保存计算机程序；所述处理器21，用于执行所述计算机程序，前述实施例公开的选矿设备控制方法。

关于上述选矿设备控制方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

并且，所述存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，存储方式可以是短暂存储或者永久存储。

另外，所述电子设备20还包括电源23、通信接口24、输入输出接口25和通信总线26；其中，所述电源23用于为所述电子设备20上的各硬件设备提供工作电压；所述通信接口24能够为所述电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；所述输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

进一步的，本申请实施例还公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述实施例公开的选矿设备控制方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的一种选矿设备控制方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims

1.一种选矿设备控制方法，其特征在于，包括：

基于所述预测参数确定出目标控制参数；

2.根据权利要求1所述的选矿设备控制方法，其特征在于，所述基于所述预测参数确定出目标控制参数，包括：

从多个参数数据帧对应的所述预测参数中确定出最优参数；

从所述最优参数中确定出目标控制参数。

3.根据权利要求2所述的选矿设备控制方法，其特征在于，所述从多个参数数据帧对应的所述预测参数中确定出最优参数，包括：

4.根据权利要求1所述的选矿设备控制方法，其特征在于，所述对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧，包括：

5.根据权利要求1所述的选矿设备控制方法，其特征在于，所述对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧之前，还包括：

从所述参数数据帧中的所述目标关键参数中确定出离群值；

将所述离群值从所述参数数据帧中剔除。

6.根据权利要求5所述的选矿设备控制方法，其特征在于，所述从所述参数数据帧中的所述目标关键参数中确定出离群值，包括：

基于所述目标关键参数构建关系矩阵；

对所述关系矩阵进行归一化处理，得到归一化数据；

对所述归一化数据进行张量计算，得到张量计算结果；

基于所述张量计算结果确定出离群值。

7.根据权利要求1至6任一项所述的选矿设备控制方法，其特征在于，所述对所述参数数据帧中的缺失参数进行填补，得到包括所有所述目标关键参数的完整数据帧，包括：

8.一种选矿设备控制装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

存储器，用于保存计算机程序；

处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的选矿设备控制方法。

10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的选矿设备控制方法。