CN114130525A - 一种选矿设备控制方法、装置、设备及介质 - Google Patents
一种选矿设备控制方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114130525A CN114130525A CN202111434687.6A CN202111434687A CN114130525A CN 114130525 A CN114130525 A CN 114130525A CN 202111434687 A CN202111434687 A CN 202111434687A CN 114130525 A CN114130525 A CN 114130525A
- Authority
- CN
- China
- Prior art keywords
- parameter
- parameters
- data frame
- beneficiation
- equipment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 50
- 239000011707 mineral Substances 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003912 environmental pollution Methods 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005188 flotation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000498 ball milling Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03B—SEPARATING SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS
- B03B13/00—Control arrangements specially adapted for wet-separating apparatus or for dressing plant, using physical effects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03B—SEPARATING SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS
- B03B13/00—Control arrangements specially adapted for wet-separating apparatus or for dressing plant, using physical effects
- B03B13/04—Control arrangements specially adapted for wet-separating apparatus or for dressing plant, using physical effects using electrical or electromagnetic effects
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
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。
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:
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{(xi,ti)|xi∈Rs;ti∈Rc,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,xi=[xi1,xi2,…xis]T是上述八个类型的初始数据,ti=[ti1,ti2,…tic]T是样本xi的数据类标签。一个帧数据即为一个样本。若xi中缺失的参数属于第j(1≤j≤c)类,则tij置1,tj内其他元素置0,Ain={a1,a2,…,am}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≤aj≤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aj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yij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r1j中除第aj置0外其余均设定成1,同时r2j=[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:
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:
根据工艺关系,用zij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ti,并利用泰勒级数对缺少不同属性的数据xi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zij的计算方式为:
其中,mij的计算公式如下:
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=λEM+(1-λ)Es
其中,λ表示多模式在训练时的权重分配参数,EM为分类误差,ES为不完整属性的拟合误差,具体表达式为:
NCO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xi进行预填补;
(4)根据输出zi计算样本xi缺少的属性属于j类的概率pj=zij;
(5)设置j←j+1,并返回第2步;
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)…(Nn,Rn)},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…xi表示,调节各输入量的连接权值的占重比,用w1,w2,…wi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,θi为神经元阈值
阈值为动态阈值,选用Mamdani模型确定,具体为:
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Ni={n1,n2…,ni},工艺关联性属性表示为Ri={r1,r2…,ri},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sid,粒子群整体搜索的最优解记为sgd,当两个维度的最优解找到后更新数据,具体为:
nid(t+1)=wnid(t)+η1r1(sid-rid(t))+η2r2(sgd-rid(t))
rid(t+1)=tid(t)+nid(t+1)
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,wij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。
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。
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。
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。
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 (10)
1.一种选矿设备控制方法,其特征在于,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。
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:
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。
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:
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。
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:
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。
8.一种选矿设备控制装置,其特征在于,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。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434687.6A CN114130525A (zh) | 2021-11-29 | 2021-11-29 | 一种选矿设备控制方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434687.6A CN114130525A (zh) | 2021-11-29 | 2021-11-29 | 一种选矿设备控制方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114130525A true CN114130525A (zh) | 2022-03-04 |
Family
ID=80389399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111434687.6A Pending CN114130525A (zh) | 2021-11-29 | 2021-11-29 | 一种选矿设备控制方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114130525A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622418A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种基于bp神经网络的预测装置及设备 |
US20150096926A1 (en) * | 2012-05-10 | 2015-04-09 | Outotec (Finland) Oy | Method and apparatus for controlling the flotation process of pyrite-containing sulphide ores |
CN107133723A (zh) * | 2017-04-18 | 2017-09-05 | 东北大学 | 一种基于配矿产品性质的选矿综合指标预测方法 |
US20180045638A1 (en) * | 2014-02-14 | 2018-02-15 | Sony Corporation | Particle sorting apparatus, particle sorting method, and non-transitory computer-readable storage medium storing program |
CN109508753A (zh) * | 2018-12-25 | 2019-03-22 | 中南大学 | 一种矿物浮选过程指标的在线预测方法 |
CN110516954A (zh) * | 2019-08-23 | 2019-11-29 | 昆明理工大学 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
CN111408480A (zh) * | 2020-03-20 | 2020-07-14 | 天津美腾科技股份有限公司 | 物料浮选方法、装置及电子设备 |
CN111482280A (zh) * | 2020-04-22 | 2020-08-04 | 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 |
CN111598298A (zh) * | 2020-04-16 | 2020-08-28 | 天津德通电气股份有限公司 | 一种选煤厂浮选药剂加药量的预测方法 |
CN113685162A (zh) * | 2021-07-22 | 2021-11-23 | 中国石油大学(北京) | 压裂参数的确定方法、装置、设备及存储介质 |
-
2021
- 2021-11-29 CN CN202111434687.6A patent/CN114130525A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622418A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种基于bp神经网络的预测装置及设备 |
US20150096926A1 (en) * | 2012-05-10 | 2015-04-09 | Outotec (Finland) Oy | Method and apparatus for controlling the flotation process of pyrite-containing sulphide ores |
US20180045638A1 (en) * | 2014-02-14 | 2018-02-15 | Sony Corporation | Particle sorting apparatus, particle sorting method, and non-transitory computer-readable storage medium storing program |
CN107133723A (zh) * | 2017-04-18 | 2017-09-05 | 东北大学 | 一种基于配矿产品性质的选矿综合指标预测方法 |
CN109508753A (zh) * | 2018-12-25 | 2019-03-22 | 中南大学 | 一种矿物浮选过程指标的在线预测方法 |
CN110516954A (zh) * | 2019-08-23 | 2019-11-29 | 昆明理工大学 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
CN111408480A (zh) * | 2020-03-20 | 2020-07-14 | 天津美腾科技股份有限公司 | 物料浮选方法、装置及电子设备 |
CN111598298A (zh) * | 2020-04-16 | 2020-08-28 | 天津德通电气股份有限公司 | 一种选煤厂浮选药剂加药量的预测方法 |
CN111482280A (zh) * | 2020-04-22 | 2020-08-04 | 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 |
CN113685162A (zh) * | 2021-07-22 | 2021-11-23 | 中国石油大学(北京) | 压裂参数的确定方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
刘利敏;杨文旺;刘之能;吴峰;: "基于BP神经网络的浮选回收率预测模型", 有色金属(选矿部分), no. 1, pages 206 - 208 * |
郭锐;刘丹;杜钰;余龙舟;: "神经网络在矿物加工中预测应用的研究现状及展望", 硅酸盐通报, no. 04, pages 27 - 32 * |
韩忠明 等: "数据分析与R", 北京邮电大学出版社, pages: 42 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A critical review of online battery remaining useful lifetime prediction methods | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN110838364A (zh) | 一种基于深度学习混合模型的克罗恩病预测方法及装置 | |
CN113139570A (zh) | 一种基于最优混合估值的大坝安全监测数据补全方法 | |
CN113222149A (zh) | 模型训练方法、装置、设备和存储介质 | |
CN112529071A (zh) | 一种文本分类方法、系统、计算机设备和存储介质 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN109902168B (zh) | 一种专利评价方法和系统 | |
CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
CN114130525A (zh) | 一种选矿设备控制方法、装置、设备及介质 | |
CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
Nguyen et al. | OASIS: an active framework for set inversion | |
CN114969511A (zh) | 基于分片的内容推荐方法、设备及介质 | |
CN111242520B (zh) | 特征合成模型的生成方法、装置及电子设备 | |
Cintra et al. | FCA-based rule generator, a framework for the genetic generation of fuzzy classification systems using formal concept analysis | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
CN114492174A (zh) | 一种全生命周期盾构掘进参数预测方法及装置 | |
Liu et al. | STA-APSNFIS: STA-optimized adaptive pre-sparse neuro-fuzzy inference system for online soft sensor modeling | |
Chernyshev et al. | Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site | |
CN111047011B (zh) | 一种基于机器学习模型的场景变量自动化深度挖掘引擎系统 | |
CN113656294A (zh) | 一种软件缺陷预测方法 | |
CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
CN113592064A (zh) | 环抛机工艺参数预测方法、系统、应用、终端及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |