CN114386679A - 基于集成学习的球磨机能耗状态监测方法 - Google Patents

基于集成学习的球磨机能耗状态监测方法 Download PDF

Info

Publication number
CN114386679A
CN114386679A CN202111599353.4A CN202111599353A CN114386679A CN 114386679 A CN114386679 A CN 114386679A CN 202111599353 A CN202111599353 A CN 202111599353A CN 114386679 A CN114386679 A CN 114386679A
Authority
CN
China
Prior art keywords
data
energy consumption
model
ball mill
regression
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
Application number
CN202111599353.4A
Other languages
English (en)
Inventor
刘栋
刘嘉奇
陈宏宇
李长亮
李忠华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Angang Group Mining Co Ltd
Original Assignee
Angang Group Mining Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Angang Group Mining Co Ltd filed Critical Angang Group Mining Co Ltd
Priority to CN202111599353.4A priority Critical patent/CN114386679A/zh
Publication of CN114386679A publication Critical patent/CN114386679A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于球磨机能耗监测技术领域，尤其是涉及一种基于集成学习的球磨机能耗状态监测方法，其特征在于包括如下步骤：步骤1：基于能耗相关数据的数据挖掘：将采集到的PI数据中与待监测的能源数据计算相关性，并依据相关性的结果，提取得前t个与能源数据最相关的数据；步骤2：依据与能耗相关的数据建立能耗预测模型，使用三种不同的预测模型，并最终使用集成学习方法集成三个模型的预测结果；步骤3：建立能耗状态监测模型。本发明的基于集成学习的球磨机能耗状态监测方法，采用集成学习，提高模型诊断的精度，将传统ARMA模型与机器学习模型结合，提高模型预测的稳定性。

Description

基于集成学习的球磨机能耗状态监测方法
技术领域
本发明属于球磨机能耗监测技术领域，尤其是涉及一种基于集成学习的球磨机能耗状态监测方法。
背景技术
作为我国能源消耗大户，矿山冶金行业的能源消耗一直名列前茅，而选矿作为矿山冶金行业的中间环节，势必要思考自身如何节能降耗。针对当前矿山冶金行业的生产状况，通过选矿工艺的创新改造、新材料新设备的应用、淘汰落后低效率设备、科学精细化管理等一系列措施，能有效降低选矿能耗，提高经济效益。随着低碳经济的到来，各个国家和各行各业越来越重视节能降耗。据报道发达国家的企业节能降耗潜力为20％，我国企业一般约为40-50％，可见节能降耗潜力是非常巨大的。我国铁矿石供应一直呈现高度紧张态势，严重依赖国外进口，对外依存度接近70％，其中有很多原因，最直接的原因是我国铁矿石品味较低，开采成本较高。铁矿石供应成为我国国民经济安全运行和我国矿山可持续发展的重大问题。
由于环境及经济方面的影响，从节能减排、设备优化的角度对采选厂进行技术改造及升级在最近十年的案例相对较多。由于在各个采选厂中能源所占比重较大的都是电能，因此对于设备用电优化相关的实际案例及研究较多。在采矿和选矿之中，球磨机的能耗占比大、电能消耗最多，因此对球磨机的能源优化的价值非常高。但是由于球磨机工作环境复杂，影响球磨机的能耗因素较多，不容易建立准确的数据学模型来区分球磨机的用能状态。
目前球磨机能耗监测的方法基本以机理模型研究为主,一种减少能耗的球磨机(CN201320222036.5)，一种球磨机运行能耗检测装置(CN201822245778.5)等专利，通过分析球磨机转速、磨球大小、装载量等物理因素与球磨机能耗之间的关系，用到的技术基本以球磨机内研磨体的运动学和动力学为主，也有方法从球磨机介质破碎矿石的效率入手建立能耗模型，然而这类方法的鲁棒性通常较差，由于球磨机工作现场工况复杂，很多不确定性因素导致了理想化的机理模型对球磨机能耗的评估效果变差；另一类使用较多的降低球磨机能耗的方式是构建硬件设备，一种球磨机在线监控及故障处理帮助系统(CN201811159549.X)等，从工艺的角度降低球磨机的能耗，例如使用综合次精矿再磨设备配合球磨机工作，以配套设备评估球磨机，使总体的能耗得到降低，然而这类方法需要引入额外的配套设备，增加了监测成本；如何使用现有的数据，通过大数据挖掘技术分析出当前球磨机的能耗状态是避开机理模型的弱鲁棒性、以及摆脱额外的硬件成本投入的有效方案。
此外，球磨机是大型的传动设备。其工作时，诸如衬板状态，矿石研磨状态等工作数据很难测量。因此，如何以收集方便的操作数据为主，建立一套稳定的球磨机电能消耗状态监测模型来识别当前球磨机的能耗状态是亟待解决的难题之一。
发明内容
本发明的目的是要解决的技术问题是针对上述现有技术的不足，提供一种基于集成学习的球磨机能耗状态监测方法，实现对球磨机能耗状态的实时检测，并对异常状态提供报警功能。
本发明的目的是通过下述技术方案来实现的：
本发明的基于集成学习的球磨机能耗状态监测方法，其特征在于包括如下步骤：
步骤1：基于能耗相关数据的数据挖掘：将采集到的球磨机工作数据、状态操作数据中与待监测的能源数据计算相关性，并依据相关性的结果，提取与能源消耗最相关的几个影响因素；
步骤2：依据球磨机的运作原理，提取出对球磨机能耗评估有效的操作数据，本步骤使用球磨机的排水量、给矿量、给矿浓度、给水量、压力等几个主要参数作为预测球磨机能耗的部分变量；
步骤3：使用步骤1分析出来的相关数据变量，以及步骤2依据球磨机运作机理给出数据变量建立能耗预测模型；使用三种不同的预测模型，并最终使用集成学习方法集成三个模型的预测结果；
步骤4：建立能耗状态监测模型。
所述的步骤1包括如下步骤：
步骤1.1：使用最大互信息方法对PI数据中：
Figure BDA0003431258300000031
其中，
Figure BDA0003431258300000041
其中，(x，y)为PI数据库中的两组数据，B(n)＝n0.6，n是数据点的数量，是nx和nx是x和y中每个分组的数量，MIC(x，y)是x和y的最大互信息相关系数值；
步骤1.2：以能耗数据De为基准，分别计算在PI数据库中的其它数据与De最大互信息系数值，其计算结果为：
Der＝[Dorg (1)，Dorg (2)，…，Dorg (m)]
其中，Der为相关系数计算结果，Dorg (i)是第i个与De计算互信息的数据，Dorg (1)，Dorg (2)，…，Dorg (m)以互信息系数从大到小排序；然后取得前t个最大的与能源数据最相关的数据D，进行后续的数据预测：
D＝[Dorg (1)，Dorg (2)，…，Dorg (t)]。
其中t的选择可以使用交叉核实验证等数据驱动的方法，也可根据经验给定。
所述的步骤3包括如下步骤：
步骤3.1：构造基于深度神经网络的能耗预测模型；使用反向传播神经网络的深度模型进行能耗的预测，模型的输入数据为步骤1中得出的能耗相关数据D，模型的输出为预测的能耗值；其回归过程定义如下：
D(1)＝BPNN(D1，D2，…，Dt)
其中，Di为第i个预测数据，i＝1，2，…，t，BPNN为深度神经网络模型，D(1)为回归结果；
步骤3.2：构造自回归滑动平均模型的能耗预测模型；此模型使用了自回归滑动平均模型进行回归计算，将能耗相关数据合并成输入向量来预测实际能耗，其回归过程定义如下：
D(2)＝ARMA(D1，D2，…，Dt)
其中，Di为第i个预测数据，i＝1，2，…，t，ARMA为自回归滑动平均模型，D(2)为回归结果；
步骤3.3：构造基于支持向量机回归模型的能耗预测模型；此模型使用了支持向量机技术，将支持向量机进行了调整，使其能够完成回归功能，其回归过程定义如下：
D(3)＝SVR(D1，D2，…，Dt)
其中，Di为第i个预测数据，i＝1，2，…，t，SVR为支持向量机回归模型，D(3)为回归结果；
步骤3.4：构造集成学习模型综合回归模型；具体步骤如下：
步骤3.4.1：从原始样本集中抽取训练集；每轮从原始样本集中抽取n个训练样本；共进行三轮抽取，得到三个训练集；
步骤3.4.2：每次使用一个训练集得到一个模型，三个训练集一共得到三个模型，即上面三个回归方法对应的回归模型；
步骤3.4.3：将上述三个回归模型得到的结果再次学习，再次建立回归模型，最终将3个回归结果集成为一个结果；
步骤3.4.4：具体的回归算法可定义如下：
D’＝ESB(D(1)，D(2)，D(3))
其中，ESB为集成学习模型，D(1)，D(2)，D(3)分别为使用基于深度神经元网络的回归模型、基于自回归滑动平均模型的回归模型和基于支持向量机的回归模型所得到的结果，D’为最终的集成回归结果。
所述的步骤4，为了识别球磨机的状态(低能耗模式、一般能耗模式或者高能耗模式)，需要建立能耗状态监测模型，具体步骤如下：
步骤4.1：预测能耗数据；依据步骤2中得出的预测模型，对能耗的历史数据D进行预测，并得到预测值D’
D’＝ESB(D)
步骤4.2：计算实际数据与预测数据的数据偏差；数据偏差E的计算方法如下：
E＝D-D’
步骤4.3：数据偏差E的概率密度函数；使用大量的数据偏差值，对数据偏差的概率密度进行估计，可得到概率密度函数曲线F的F＝ETM(E)
其中，ETM为概率密度估计函数，F为概率密度曲线；
步骤4.4：设定置信区间，计算上下边界；基于数据偏差的概率密度曲线F，设定置信区间τ，并计算上边界Bup和下边界Bdn；具体步骤如下：
步骤4.4.1：设置置信区间τ，依据数据的分布结合现场经验，设置F的置信区间；
步骤4.4.2：依据置信区间计算预测误差的上边界点Bup，取得概率密度曲线中
Figure BDA0003431258300000061
点对应的误差值为上边界点；
步骤4.4.3：依据置信区间计算预测误差的下边界点Bdn，取得概率密度曲线中
Figure BDA0003431258300000071
点对应的误差值为下边界点；
步骤4.5：依据实际的误差值判断球磨机的能耗状态；根据实时采集的能耗数据与实时预测的能耗数据的误差值e的不同，来确定球磨机当前的能耗状态，具体如下：
当c<Bdn时，判定球磨机的状态为低能耗状态；
当Bdn≤c<Bup时，判定球磨机的状态为正常耗状态；
当c≥Bup时，判定球磨机的状态为高能耗状态。
本发明的优点：
本发明的基于集成学习的球磨机能耗状态监测方法，采用集成学习，提高模型诊断的精度，将传统ARMA模型与机器学习模型结合，提高模型预测的稳定性。
附图说明
图1为本发明的原理框图。
具体实施方式
下面结合附图进一步说明本发明的具体实施方式。
一种基于集成学习的球磨机能耗状态监测方法，其特征在于包括如下步骤：
步骤1：基于能耗相关数据的数据挖掘：将采集到的球磨机工作数据、状态操作数据中与待监测的能源数据计算相关性，并依据相关性的结果，提取前t个与能源数据最相关的数据；
步骤1.1：使用最大互信息方法对PI数据中：
Figure BDA0003431258300000081
其中，
Figure BDA0003431258300000082
其中，(x,y)为PI数据库中的两组数据，B(n)＝n0.6，n是数据点的数量，是nx和nx是x和y中每个分组的数量，MIC(x,y)是x和y的最大互信息相关系数值；
步骤1.2：以能耗数据De为基准，分别计算在PI数据库中的其它数据与De最大互信息系数值，其计算结果为：
Der＝[Dorg (1),Dorg (2),…,Dorg (m)]
其中，Der为相关系数计算结果，Dorg (i)是第i个与De计算互信息的数据，Dorg (1),Dorg (2),…,Dorg (m)以互信息系数从大到小排序；然后取得前t个最大的与能源数据最相关的数据D，进行后续的数据预测：
D＝[Dorg (1),Dorg (2),…,Dorg (t)]。
步骤2：依据球磨机的运作原理，提取出对球磨机能耗评估有效的操作数据，本步骤使用球磨机的排水量、给矿量、给矿浓度、给水量、给水浓度几个主要参数作为预测球磨机能耗的部分变量；
步骤3：使用步骤1分析出来的相关数据变量，以及步骤2依据球磨机运作机理给出数据变量建立能耗预测模型；使用三种不同的预测模型，并最终使用集成学习方法集成三个模型的预测结果；
步骤3.1：构造基于深度神经网络的能耗预测模型；使用反向传播神经网络的深度模型进行能耗的预测，模型的输入数据为步骤1中得出的能耗相关数据D，模型的输出为预测的能耗值；其回归过程定义如下：
D(1)＝BPNN(D1，D2，…，Dt)
其中，Di为第i个预测数据，BPNN为深度神经网络模型，D(1)为回归结果；
步骤3.2：构造自回归滑动平均模型的能耗预测模型；此模型使用了自回归滑动平均模型进行回归计算，将能耗相关数据合并成输入向量来预测实际能耗，其回归过程定义如下：
D(2)＝ARMA(D1，D2，…，Dt)
其中，Di为第i个预测数据，ARMA为自回归滑动平均模型，D(2)为回归结果；
步骤3.3：构造基于支持向量机回归模型的能耗预测模型；此模型使用了支持向量机技术，将支持向量机进行了调整，使其能够完成回归功能，其回归过程定义如下：
D(3)＝SVR(D1，D2，…，Dt)
其中，Di为第i个预测数据，SVR为支持向量机回归模型，D(3)为回归结果；
步骤3.4：构造集成学习模型综合回归模型；具体步骤如下：
步骤3.4.1：从原始样本集中抽取训练集；每轮从原始样本集中抽取n个训练样本；共进行三轮抽取，得到三个训练集；
步骤3.4.2：每次使用一个训练集得到一个模型，三个训练集一共得到三个模型，即上面三个回归方法对应的回归模型；
步骤3.4.3：将上述三个回归模型得到的结果再次学习，再次建立回归模型，最终将3个回归结果集成为一个结果；
步骤3.4.4：具体的回归算法可定义如下：
D’＝ESB(D(1)，D(2)，D(3))
其中，ESB为集成学习模型，D(1)，D(2)，D(3)分别为使用基于深度神经元网络的回归模型、基于自回归滑动平均模型的回归模型和基于支持向量机的回归模型所得到的结果，D’为最终的集成回归结果。
步骤4：建立能耗状态监测模型。
所述的步骤4，为了识别球磨机的状态(低能耗模式、一般能耗模式或者高能耗模式)，需要建立能耗状态监测模型，具体步骤如下：
步骤4.1：预测能耗数据；依据步骤2中得出的预测模型，对能耗的历史数据D进行预测，并得到预测值D’
D’＝ESB(D)
步骤4.2：计算实际数据与预测数据的数据偏差；数据偏差E的计算方法如下：
E＝D-D’
步骤4.3：数据偏差E的概率密度函数；使用大量的数据偏差值，对数据偏差的概率密度进行估计，可得到概率密度函数曲线F的F＝ETM(E)
其中，ETM为概率密度估计函数，F为概率密度曲线；
步骤4.4：设定置信区间，计算上下边界；基于数据偏差的概率密度曲线F，设定置信区间τ，并计算上边界Bup和下边界Bdn；具体步骤如下：
步骤4.4.1：设置置信区间τ，依据数据的分布结合现场经验，设置F的置信区间；
步骤4.4.2：依据置信区间计算预测误差的上边界点Bup，取得概率密度曲线中
Figure BDA0003431258300000111
点对应的误差值为上边界点；
步骤4.4.3：依据置信区间计算预测误差的下边界点Bdn，取得概率密度曲线中
Figure BDA0003431258300000112
点对应的误差值为下边界点；
步骤4.5：依据实际的误差值判断球磨机的能耗状态；根据实时采集的能耗数据与实时预测的能耗数据的误差值e的不同，来确定球磨机当前的能耗状态，具体如下：
当c＜Bdn时，判定球磨机的状态为低能耗状态；
当Bdn≤c＜Bup时，判定球磨机的状态为正常耗状态；
当c≥Bup时，判定球磨机的状态为高能耗状态。
本发明的基于集成学习的球磨机能耗状态监测方法，采用集成学习，提高模型诊断的精度，将传统ARMA模型与机器学习模型结合，提高模型预测的稳定性。

Claims (4)

1.一种基于集成学习的球磨机能耗状态监测方法，其特征在于包括如下步骤：
步骤1：基于能耗相关数据的数据挖掘：计算能源数据及影响因素数据之间的相关性，并依据相关性的结果，提取指定的前t个与能源数据最相关的数据；
步骤2：依据球磨机的运作原理，提取出对球磨机能耗评估有效的操作数据，本步骤使用球磨机的排水量、给矿量、给矿浓度、给水量等几个主要参数作为预测球磨机能耗的部分变量；
步骤3：使用步骤1分析出来的相关数据变量，以及步骤2依据球磨机运作机理给出数据变量建立能耗预测模型；使用三种不同的预测模型，并最终使用集成学习方法集成三个模型的预测结果；
步骤4：建立能耗状态监测模型。
2.根据权利要求1所述的基于集成学习的球磨机能耗状态监测方法，其特征在于所述的步骤1包括如下步骤：
步骤1.1：使用最大互信息方法对PI数据中：
Figure FDA0003431258290000011
其中，
Figure FDA0003431258290000021
其中，(x,y)为PI数据库中的两组数据，B(n)＝n0.6，n是数据点的数量，是nx和nx是x和y中每个分组的数量，MIC(x,y)是x和y的最大互信息相关系数值；
步骤1.2：以能耗数据De为基准，分别计算在PI数据库中的其它数据与De最大互信息系数值，其计算结果为：
Der＝[Dorg (1),Dorg (2),…,Dorg (m)]
其中，Der为相关系数计算结果，Dorg (i)是第i个与De计算互信息的数据，Dorg (1),Dorg (2),…,Dorg (m)以互信息系数从大到小排序；然后取得前t个最大的与能源数据最相关的数据D，进行后续的数据预测：
D＝[Dorg (1),Dorg (2),…,Dorg (t)]。
3.根据权利要求1所述的基于集成学习的球磨机能耗状态监测方法，其特征在于所述的步骤3包括如下步骤：
步骤3.1：构造基于深度神经网络的能耗预测模型；使用反向传播神经网络的深度模型进行能耗的预测，模型的输入数据为步骤1中得出的能耗相关数据D，模型的输出为预测的能耗值；其回归过程定义如下：
D(1)＝BPNN(D1,D2,…,Dt)
其中，Di为第i个预测数据，BPNN为深度神经网络模型，D(1)为回归结果；
步骤3.2：构造自回归滑动平均模型的能耗预测模型；此模型使用了自回归滑动平均模型进行回归计算，将能耗相关数据合并成输入向量来预测实际能耗，其回归过程定义如下：
D(2)＝ARMA(D1,D2,…,Dt)
其中，Di为第i个预测数据，ARMA为自回归滑动平均模型，D(2)为回归结果；
步骤3.3：构造基于支持向量机回归模型的能耗预测模型；此模型使用了支持向量机技术，将支持向量机进行了调整，使其能够完成回归功能，其回归过程定义如下：
D(3)＝SVR(D1,D2,…,Dt)
其中，Di为第i个预测数据，SVR为支持向量机回归模型，D(3)为回归结果；
步骤3.4：构造集成学习模型综合回归模型；具体步骤如下：
步骤3.4.1：从原始样本集中抽取训练集；每轮从原始样本集中抽取n个训练样本；共进行三轮抽取，得到三个训练集；
步骤3.4.2：每次使用一个训练集得到一个模型，三个训练集一共得到三个模型，即上面三个回归方法对应的回归模型；
步骤3.4.3：将上述三个回归模型得到的结果再次学习，再次建立回归模型，最终将3个回归结果集成为一个结果；
步骤3.4.4：具体的回归算法可定义如下：
D'＝ESB(D(1),D(2),D(3))
其中，ESB为集成学习模型，D(1),D(2),D(3)分别为使用基于深度神经元网络的回归模型、基于自回归滑动平均模型的回归模型和基于支持向量机的回归模型所得到的结果，D'为最终的集成回归结果。
4.根据权利要求1所述的基于集成学习的球磨机能耗状态监测方法，其特征在于所述的步骤4，为了识别球磨机的状态(低能耗模式、一般能耗模式或者高能耗模式)，需要建立能耗状态监测模型，具体步骤如下：
步骤4.1：预测能耗数据；依据步骤2中得出的预测模型，对能耗的历史数据D进行预测，并得到预测值D'
D'＝ESB(D)
步骤4.2：计算实际数据与预测数据的数据偏差；数据偏差E的计算方法如下：
E＝D-D'
步骤4.3：数据偏差E的概率密度函数；使用大量的数据偏差值，对数据偏差的概率密度进行估计，可得到概率密度函数曲线F的F＝ETM(E)
其中，ETM为概率密度估计函数，F为概率密度曲线；
步骤4.4：设定置信区间，计算上下边界；基于数据偏差的概率密度曲线F，设定置信区间τ，并计算上边界Bup和下边界Bdn；具体步骤如下：
步骤4.4.1：设置置信区间τ，依据数据的分布结合现场经验，设置F的置信区间；
步骤4.4.2：依据置信区间计算预测误差的上边界点Bup，取得概率密度曲线中
Figure FDA0003431258290000051
点对应的误差值为上边界点；
步骤4.4.3：依据置信区间计算预测误差的下边界点Bdn，取得概率密度曲线中
Figure FDA0003431258290000052
点对应的误差值为下边界点；
步骤4.5：依据实际的误差值判断球磨机的能耗状态；根据实时采集的能耗数据与实时预测的能耗数据的误差值e的不同，来确定球磨机当前的能耗状态，具体如下：
当c<Bdn时，判定球磨机的状态为低能耗状态；
当Bdn≤c<Bup时，判定球磨机的状态为正常耗状态；
当c≥Bup时，判定球磨机的状态为高能耗状态。
CN202111599353.4A 2021-12-24 2021-12-24 基于集成学习的球磨机能耗状态监测方法 Pending CN114386679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111599353.4A CN114386679A (zh) 2021-12-24 2021-12-24 基于集成学习的球磨机能耗状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111599353.4A CN114386679A (zh) 2021-12-24 2021-12-24 基于集成学习的球磨机能耗状态监测方法

Publications (1)

Publication Number Publication Date
CN114386679A true CN114386679A (zh) 2022-04-22

Family

ID=81197355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111599353.4A Pending CN114386679A (zh) 2021-12-24 2021-12-24 基于集成学习的球磨机能耗状态监测方法

Country Status (1)

Country Link
CN (1) CN114386679A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167279A (zh) * 2022-09-07 2022-10-11 中科航迈数控软件(深圳)有限公司 针对数控机床的能耗预测方法、系统及相关设备
CN115577020A (zh) * 2022-12-07 2023-01-06 天津腾飞钢管有限公司 一种修磨周期能耗状态识别系统及识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167279A (zh) * 2022-09-07 2022-10-11 中科航迈数控软件(深圳)有限公司 针对数控机床的能耗预测方法、系统及相关设备
CN115577020A (zh) * 2022-12-07 2023-01-06 天津腾飞钢管有限公司 一种修磨周期能耗状态识别系统及识别方法

Similar Documents

Publication Publication Date Title
CN114386679A (zh) 基于集成学习的球磨机能耗状态监测方法
CN106909933A (zh) 一种三阶段多视角特征融合的窃电分类预测方法
CN104777830A (zh) 一种基于kpca混合模型的多工况过程监控方法
CN104794492B (zh) 基于功率特征模型的机床设备加工运行状态在线识别方法
CN107633337A (zh) 基于序关系分析和灰色关联理论节能技术综合评价方法
CN113177358B (zh) 一种基于模糊细粒度特征提取的水泥质量软测量方法
CN109063972B (zh) 一种机械加工车间制造系统全要素能源效率评价方法
Ak et al. Data analytics and uncertainty quantification for energy prediction in manufacturing
Yin et al. Dynamic real–time abnormal energy consumption detection and energy efficiency optimization analysis considering uncertainty
CN109594967A (zh) 一种基于录井大数据的卡钻事故检测预警方法
CN110276128B (zh) 一种基于dajypls算法的浓密机底流浓度预测方法
CN108709426B (zh) 基于频谱特征双边检测法烧结机漏风故障在线诊断方法
Jiang et al. A novel intelligent monitoring method for the closing time of the taphole of blast furnace based on two-stage classification
CN106570237B (zh) 高炉煤气余热回收装置的透平机静叶厚度监测方法及系统
CN112326283A (zh) 一种基于小波分析的浓密机底流堵塞故障诊断方法
CN113505818A (zh) 改进决策树算法的熔铝炉能耗异常诊断方法和系统及设备
Huang et al. Data-driven method for predicting energy consumption of machine tool spindle acceleration
Chen Analysis of economic growth forecast based on regression model
Li et al. Tool Wear Monitoring Technology Based on Deep Learning of Machining State Features
CN112183642A (zh) 一种基于随机森林模型的水泥烧成煤耗检测方法与系统
CN109800955A (zh) 煤层底板突水危险性评价计算方法
CN110647922A (zh) 基于公共和特有特征提取的分层式非高斯过程监测方法
CN103870881A (zh) 一种基于投入产出法的高炉-转炉长流程钢铁生产过程co2排放盘查方法
Zhang et al. An Unsupervised Intelligent Method for Cutting Pick State Recognition of Coal Mining Shearer
CN117993692B (zh) 基于大数据分析的电网生产成本优化方法

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