CN115495502A - 基于机器学习的洗煤厂重介分选密度计算系统及方法 - Google Patents
基于机器学习的洗煤厂重介分选密度计算系统及方法 Download PDFInfo
- Publication number
- CN115495502A CN115495502A CN202211191756.XA CN202211191756A CN115495502A CN 115495502 A CN115495502 A CN 115495502A CN 202211191756 A CN202211191756 A CN 202211191756A CN 115495502 A CN115495502 A CN 115495502A
- Authority
- CN
- China
- Prior art keywords
- data
- dense medium
- dense
- density
- density calculation
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 118
- 238000000926 separation method Methods 0.000 title claims abstract description 97
- 239000003245 coal Substances 0.000 title claims abstract description 62
- 238000010801 machine learning Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 230000006872 improvement Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 11
- 239000000725 suspension Substances 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 239000010883 coal ash Substances 0.000 description 5
- 238000009412 basement excavation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 3
- 239000002956 ash Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004380 ashing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- B03B5/00—Washing granular, powdered or lumpy materials; Wet separating
- B03B5/28—Washing granular, powdered or lumpy materials; Wet separating by sink-float separation
- B03B5/30—Washing granular, powdered or lumpy materials; Wet separating by sink-float separation using heavy liquids or suspensions
- B03B5/44—Application of particular media therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于机器学习的洗煤厂重介分选密度计算系统及方法。其中系统包括:数据读入模块、数据预处理模块、训练集划分模块、选择预测目标模块和模型训练与评估模块,模型自学习模块。数据读入模块用于从数据库和/或数据文件导入样本数据;样本数据包括影响重介分选密度的相关数据和对应的重介分选密度数据;模型训练与评估模块用于通过所述训练集训练机器学习模型,得到重介分选密度计算模型。通过监督学习方法训练合适的机器学习模型,得到精准的重介分选密度计算模型,通过重介分选密度计算模型计算重介分选密度,减少了对个人经验的依赖,同时提高了洗煤厂重介分选密度的计算结果的精准性和可靠性,促进产品质量和生产效率的提升。
Description
技术领域
本申请涉及煤炭洗选技术领域,尤其涉及一种基于机器学习的洗煤厂重介分选密度计算系统和方法。
背景技术
重介质选煤指的是通过密度大于水,并介于煤和矸石之间的重悬浮液作介质实现分选的一种重力选煤方法。重悬浮液是由加重质(高密度固体微粒)与水配制成具有一定密度呈悬浮状态的两相流体。当原煤给入充满这种悬浮液的分选机后,小于悬浮液密度的煤上浮,大于悬浮液密度的矸石(或中煤)下沉,实现按密度分选。重介质选煤工艺因其分选精度高、入选范围宽、便于实施自动化控制等优点被广泛应用于选煤厂。重介质选煤的目的主要是去除原煤中的矸石和杂质,提高原煤质量,其中,重介质密度即重介分选密度直接决定了分选效果。
相关技术中,重介分选密度的确定方式,主要是通过人工依靠灼烧测灰化验结果并结合人工经验给定。但是,这种确定方式对操作人员的个人经验有很强的依赖性,操作人员易因缺乏精准定量的能力而使参数调节不准确,造成重介分选密度波动较大、精煤灰分不稳定。
发明内容
本申请提供了一种基于机器学习的洗煤厂重介分选密度计算系统及方法,以减少对个人经验的依赖,同时提高计算结果的精准性和可靠性。本申请的技术方案如下:
第一方面,本申请实施例提供了一种基于机器学习的洗煤厂重介分选密度计算系统,包括:
数据读入模块,用于从数据库和/或数据文件导入样本数据;其中,所述样本数据包括影响重介分选密度的相关数据和对应的重介分选密度数据;
数据预处理模块,基于所述样本数据的有效区间,用于根据选定的数据预处理方法对所述样本数据进行数据预处理,得到预处理后的样本数据;
训练集划分模块,用于将所述预处理后的样本数据按比例划分成训练集和测试集;
选择预测目标模块,用于从所述训练集和测试集中确定特征数据和标签数据;其中,所述标签数据为重介分选密度数据,所述特征数据为影响重介分选密度的相关数据;
模型训练与评估模块,用于通过所述训练集训练机器学习模型,得到重介分选密度计算模型;还用于将所述测试集的特征数据输入所述重介分选密度计算模型,得到所述测试集对应的重介分选密度计算值,并根据所述重介分选密度计算值与所述测试集中的重介分选密度原始值的差值在预设容忍度范围内的比例,调整所述重介分选密度计算模型的参数。
第二方面,本申请实施例提供了一种重介分选密度计算模型的训练方法,包括:
获取样本数据;其中,所述样本数据包括影响重介分选密度的相关数据和对应的重介分选密度数据;
对所述样本数据进行数据预处理,得到预处理后的样本数据;
将所述预处理后的样本数据按比例划分成训练集和测试集;
从所述训练集和测试集中确定特征数据和标签数据;其中,所述标签数据为重介分选密度数据,所述特征数据为影响重介分选密度的相关数据;
通过所述训练集训练机器学习模型,得到重介分选密度计算模型;并将所述测试集的特征数据输入所述重介分选密度计算模型,得到所述测试集对应的重介分选密度计算值,并根据所述重介分选密度计算值与所述测试集中的重介分选密度原始值的差值在预设容忍度范围内的比例,调整所述重介分选密度计算模型的参数。
第三方面,本申请实施例提供了一种基于机器学习的洗煤厂重介分选密度计算方法,包括:
获取当前重介质选煤工艺中的影响重介分选密度的相关数据;
将所述重介质选煤工艺的相关数据输入训练好的重介分选密度计算模型,得到洗煤厂重介分选密度计算值;其中,所述训练好的重介分选密度计算模型为采用上述第二方面所述的重介分选密度计算模型的训练方法训练得到的。
本申请实施例提供的技术方案至少带来以下有益效果:
通过对收集的大量的现场样本数据进行数据预处理,通过监督学习方法训练合适的机器学习模型,得到精准的重介分选密度计算模型。通过重介分选密度计算模型计算重介分选密度,减少了对个人经验的依赖,并将大数据分析专家和工艺专家的经验标准化,软件化,极大的降低了重介分选密度的精准计算的门槛。同时,训练模型的数据来源于大量现场运行数据的深度挖掘,得到的重介分选密度计算模型精度高,泛化能力强,对实时数据的计算处理能力强,提高了洗煤厂重介分选密度的计算结果的精准性和可靠性,从而促进产品质量和生产效率的提升。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理,并不构成对本申请的不当限定。
图1是根据一示例性实施例示出的一种基于机器学习的洗煤厂重介分选密度计算系统的框图。
图2是根据一示例性实施例示出的一种重介分选密度计算模型的训练方法的流程图。
图3是根据一示例性实施例示出的一种基于机器学习的洗煤厂重介分选密度计算方法的流程图。
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。
以下,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
此外,本申请中,“上”、“下”等方位术语是相对于附图中的部件示意置放的方位来定义的,应当理解到,这些方向性术语是相对的概念,它们用于相对于的描述和澄清,其可以根据附图中部件所放置的方位的变化而相应地发生变化。
在本申请中,除非另有明确的规定和限定,术语“连接”应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或成一体;可以是直接相连,也可以通过中间媒介间接相连。
重介分选过程中悬浮液密度的设定值与混配的原煤煤质信息以及分选后精煤质量之间存在着非线性的耦合关系,当前主要依托常规的理论计算和人工经验指导生产,造成原煤配比随机性较大,工人劳动强度大及精煤质量难以满足生产要求。
为例解决上述问题,本申请实施例基于人工智能技术,将重介分选的工艺原理、现场运行过程中积累的海量工况数据、人工经验相结合,结合工艺计算模型与大数据机器学习模型,构建基于机器学习的洗煤厂重介分选密度计算系统,实现人工经验的在线学习,融合智能高效的大数据决策。
图1是根据一示例性实施例示出的一种基于机器学习的洗煤厂重介分选密度计算系统的框图。参照图1,该重介分选密度计算系统可以包括:数据读入模块101、数据预处理模块102、训练集划分模块103、选择预测目标模块104和模型训练与评估模块105。
其中,数据读入模块101用于从数据库和/或数据文件导入样本数据;其中,所述样本数据包括影响重介分选密度的相关数据和对应的重介分选密度数据。
在本实施例中,数据读入模块101支持从MySQL等数据库中导入数据源,也支持从CSV(Comma-Separated Values,逗号分隔值)、EXCEL等数据文件中导入数据源。
样本数据包括多年来积累的大量样本数据,样本数据的种类主要为重介分选密度的相关影响因素,如原煤灰分、精煤灰分等。
作为一个示例,相关数据包括原煤实时灰分、精煤的产品质量要求和当前时刻的重介分选密度,重介分选密度数据包括下一时刻的重介分选密度;所述原煤实时灰分、精煤的产品质量要求和当前时刻的重介分选密度为特征数据;下一时刻的重介分选密度为标签数据。
数据预处理模块102基于样本数据的有效区间,用于根据选定的数据预处理方法对所述样本数据进行数据预处理,得到预处理后的样本数据。
在具体实施时,数据预处理模块102根据导入的样本数据的实际情况选择适当的数据预处理方式。因为不同煤矿现场的数据情况不同,差异性极大,数据预处理模块102支持多种数据预处理方式,如数据清理、缺失值填充、光滑噪声数据、识别或删除离群点等。
可选的,数据预处理模块102能够将导入的多个数据源中的数据集成,并将导入的数据进行标准化处理,支持根据数据情况选择合适的数据标准化方法,例如min-max标准化、z-score标准化等。
训练集划分模块103用于将所述预处理后的样本数据按比例划分成训练集和测试集。
作为一种可能的实现方式,将预处理后的样本数据按比例划分成训练集和测试集。
选择预测目标模块104用于从所述训练集和测试集中确定特征数据和标签数据;其中,所述标签数据为重介分选密度数据,所述特征数据为影响重介分选密度的相关数据。
本实施例采用监督学习,将样本数据划分为特征数据和标签数据,特征数据为影响重介分选密度的相关数据,即样本数据中的相关影响因素,标签数据为重介分选密度数据。
模型训练与评估模块105,用于通过所述训练集训练机器学习模型,得到重介分选密度计算模型;还用于将所述测试集的特征数据输入所述重介分选密度计算模型,得到所述测试集对应的重介分选密度计算值,并根据所述重介分选密度计算值与所述测试集中的重介分选密度原始值的差值在预设容忍度范围内的比例,调整所述重介分选密度计算模型的参数。
在本实施例中,通过训练集训练机器学习模型,得到用于计算重介分选密度的重介分选密度计算模型,其中,机器学习模型可以选择适合的现有的机器学习模型。
本实施例并不直接使用MSE(Mean Square Error,均方误差)等损失函数值作为评价重介分选密度计算模型好坏的标准。
由于传统的重介分选密度给定方式是依靠人工,以致积累的样本数据包含了一定的主观因素,实际上在一定范围内的控制输出都可以达到控制效果,因为不同输出模型对应的容忍度范围不尽相同。
可选的,本实施例定义了一种新的模型精度指标,即机器学习模型训练完之后,得到重介分选密度计算模型。将测试集的特征数据输入所述重介分选密度计算模型得到重介分选密度计算值,再计算测试集上原始值(即标签值)与得到的重介分选密度计算值之间的差值,统计该差值在一定容忍度范围内的比例,在容忍度范围内的比例越高,说明得到的重介分选密度计算模型的控制精度越高。否则,调整训练得到的重介分选密度计算模型的参数,直到该差值在一定容忍度范围内的比例满足要求。
本实施例得到的重介分选密度计算模型,将工艺机理、机器学习技术和丰富的人工经验相结合,融入了现场操作人员丰富的操作经验,模型精度高、适用性强。
本申请实施例的基于机器学习的洗煤厂重介分选密度计算系统,通过对收集的大量的现场样本数据进行数据预处理,通过监督学习方法训练合适的机器学习模型,得到精准的重介分选密度计算模型。通过重介分选密度计算模型计算重介分选密度,减少了对个人经验的依赖,并将大数据分析专家和工艺专家的经验标准化,软件化,极大的降低了重介分选密度的精准计算的门槛。同时,训练模型的数据来源于大量现场运行数据的深度挖掘,得到的重介分选密度计算模型精度高,泛化能力强,对实时数据的计算处理能力强,提高了洗煤厂重介分选密度的计算结果的精准性和可靠性,从而促进产品质量和生产效率的提升。
在一些实施例中,同样参见图1,洗煤厂重介分选密度计算系统还包括:
机器学习算法选择模块106,用于从多个机械学习模型中选择所述模型训练与评估模块当前训练的机械学习模型,其中,所述多个机械学习模型包括随机森林、LSTM(LongShort-Term Memory,长短期记忆网络)以及SVM(Support Vector Machine,支持向量机)等。
也就是说,可以根据样本数据的具体情况,选择合适的机器学习算法,本实施例支持随机森林(RF)、LSTM、SVM等,同时支持每种机器学习算法的参数调优。
在一些实施例中,同样参见图1,洗煤厂重介分选密度计算系统还包括:
模型自学习模块107,用于定时通过所述数据读入模块读取新的样本数据,并通过所述新的样本数据训练所述重介分选密度计算模型。
考虑到模型的训练数据的定时更新,通过模型自学习定时更新包括如原煤灰分、精煤灰分、重介分选密度等工况样本数据,并按照最新数据训练重介分选密度计算模型,实现快速响应现场生产工况变化,模型适用性强。
本申请实施例提供的基于机器学习的洗煤厂重介分选密度计算系统,将大数据分析专家和工艺专家的经验标准化、软件化,用户只需要按照模型预设输入参数,即可实现一键式智能建模,极大降低了机器分析的使用门槛,即使不懂机器学习相关专业知识的现场操作人员和工艺人员也可通过该系统完成数据分析过程,快速准确的得到重介分选密度,用以指导生产。
图2是根据一示例性实施例示出的一种重介分选密度计算模型的训练方法的流程图。参照图2,该重介分选密度计算模型的训练方法,可以包括如下步骤:
S201,获取样本数据;其中,所述样本数据包括影响重介分选密度的相关数据和对应的重介分选密度数据。
可选的,获取样本数据,包括:从数据库,和\或数据文件导入样本数据。实现从多种数据源获取样本数据,实现丰富的数据获取。
S202,对所述样本数据进行数据预处理,得到预处理后的样本数据。
可选的,对所述样本数据进行数据预处理理,包括缺失值填充、光滑噪声数据、识别或删除离群点以及数据标准化处理中的一种或多种。
S203,将所述预处理后的样本数据按比例划分成训练集和测试集;
S204,从所述训练集和测试集中确定特征数据和标签数据;其中,所述标签数据为重介分选密度数据,所述特征数据为影响重介分选密度的相关数据。
在一些实施方式中,所述从所述训练集和测试集中确定特征数据和标签数据之后,还包括:从多个机械学习模型中选择所述模型训练与评估模块当前训练的机械学习模型,其中,所述多个机械学习模型包括随机森林、LSTM以及SVM等。以便根据样本数据情况选择合适的机器学习算法,能够实现更好的数据精度。
S205,通过所述训练集训练机器学习模型,得到重介分选密度计算模型;并将所述测试集的特征数据输入所述重介分选密度计算模型,得到所述测试集对应的重介分选密度计算值,并根据所述重介分选密度计算值与所述测试集中的重介分选密度原始值的差值在预设容忍度范围内的比例,调整所述重介分选密度计算模型的参数。
在一些实施方式中,在步骤S205之后,还可以定时获取新的样本数据,并通过所述新的样本数据训练所述重介分选密度计算模型。以便通过模型自学习,定时更新样本数据,并按照最新数据训练重介分选密度计算模型,实现快速响应现场生产工况变化,得到精准的重介分选密度。
本申请实施例的重介分选密度计算模型的训练方法,通过对收集的大量的现场样本数据进行数据预处理,通过监督学习方法训练合适的机器学习模型,得到精准的重介分选密度计算模型。通过重介分选密度计算模型计算重介分选密度,减少了对个人经验的依赖,并将大数据分析专家和工艺专家的经验标准化,软件化,极大的降低了重介分选密度的精准计算的门槛。同时,训练模型的数据来源于大量现场运行数据的深度挖掘,得到的重介分选密度计算模型精度高,泛化能力强,对实时数据的计算处理能力强,提高了洗煤厂重介分选密度的计算结果的精准性和可靠性,从而促进产品质量和生产效率的提升。
在上述重介分选密度计算模型的训练方法的实施例的基础上,图3是根据一示例性实施例示出的基于机器学习的洗煤厂重介分选密度计算方法的流程图。参照图3,该基于机器学习的洗煤厂重介分选密度计算方法,可以包括如下步骤:
S301,获取当前重介质选煤工艺中的影响重介分选密度的相关数据。
也就是说,获取当前的需要计算重介分选密度的重介质选煤工艺中的工况数据,以便根据这些工况数据计算重介分选密度值。
S302,将所述重介质选煤工艺的相关数据输入训练好的重介分选密度计算模型,得到洗煤厂重介分选密度计算值;其中,所述训练好的重介分选密度计算模型为采用上述重介分选密度计算模型的训练方法训练得到的。
在本实施例中,将获取的工况数据输入采用上面的训练方法得到的训练好的重介分选密度计算模型,得到洗煤厂重介分选密度计算值。
本申请实施例的基于机器学习的洗煤厂重介分选密度计算方法,通过大量丰富的样本数据训练机器学习模型得到的重介分选密度计算模型,根据当前的工况数据计算洗煤厂重介分选密度;减少了对个人经验的依赖,并将大数据分析专家和工艺专家的经验标准化,软件化,极大的降低了重介分选密度的精准计算的门槛。同时,训练模型的数据来源于大量现场运行数据的深度挖掘,得到的重介分选密度计算模型精度高,泛化能力强,对实时数据的计算处理能力强,提高了洗煤厂重介分选密度的计算结果的精准性和可靠性,从而促进产品质量和生产效率的提升。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于机器学习的洗煤厂重介分选密度计算系统,其特征在于,包括:
数据读入模块,用于从数据库和/或数据文件导入样本数据;其中,所述样本数据包括影响重介分选密度的相关数据和对应的重介分选密度数据;
数据预处理模块,基于所述样本数据的有效区间,根据选定的数据预处理方法对所述样本数据进行数据预处理,得到预处理后的样本数据;
训练集划分模块,用于将所述预处理后的样本数据按比例划分成训练集和测试集;
选择预测目标模块,用于从所述训练集和测试集中确定特征数据和标签数据;其中,所述标签数据为重介分选密度数据,所述特征数据为影响重介分选密度的相关数据;
模型训练与评估模块,用于通过所述训练集训练机器学习模型,得到重介分选密度计算模型;还用于将所述测试集的特征数据输入所述重介分选密度计算模型,得到所述测试集对应的重介分选密度计算值,并根据所述重介分选密度计算值与所述测试集中的重介分选密度原始值的差值在预设容忍度范围内的比例,调整所述重介分选密度计算模型的参数。
2.根据权利要求1所述的系统,其特征在于,所述系统还包括:
机器学习算法选择模块,用于从多个机械学习模型中选择所述模型训练与评估模块当前训练的机械学习模型,其中,所述多个机械学习模型包括随机森林、LSTM以及SVM。
3.根据权利要求1所述的系统,其特征在于,所述系统还包括:
模型自学习模块,用于定时通过所述数据读入模块读取新的样本数据,并通过所述新的样本数据训练所述重介分选密度计算模型。
4.根据权利要求1所述的系统,其特征在于,所述数据预处理模块提供的数据预处理方法包括缺失值填充、光滑噪声数据、识别或删除离群点以及数据标准化方法;所述相关数据包括原煤实时灰分、精煤的产品质量要求和当前时刻的重介分选密度,所述重介分选密度数据包括下一时刻的重介分选密度;所述原煤实时灰分、精煤的产品质量要求和当前时刻的重介分选密度为特征数据;所述下一时刻的重介分选密度为标签数据。
5.一种重介分选密度计算模型的训练方法,其特征在于,包括:
获取样本数据;其中,所述样本数据包括影响重介分选密度的相关数据和对应的重介分选密度数据;
对所述样本数据进行数据预处理,得到预处理后的样本数据;
将所述预处理后的样本数据按比例划分成训练集和测试集;
从所述训练集和测试集中确定特征数据和标签数据;其中,所述标签数据为重介分选密度数据,所述特征数据为影响重介分选密度的相关数据;
通过所述训练集训练机器学习模型,得到重介分选密度计算模型;并将所述测试集的特征数据输入所述重介分选密度计算模型,得到所述测试集对应的重介分选密度计算值,并根据所述重介分选密度计算值与所述测试集中的重介分选密度原始值的差值在预设容忍度范围内的比例,调整所述重介分选密度计算模型的参数。
6.根据权利要求5所述的方法,其特征在于,所述从所述训练集和测试集中确定特征数据和标签数据之后,还包括:
从多个机械学习模型中选择所述模型训练与评估模块当前训练的机械学习模型,其中,所述多个机械学习模型包括随机森林、LSTM以及SVM。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
定时获取新的样本数据,并通过所述新的样本数据训练所述重介分选密度计算模型。
8.根据权利要求5所述的方法,其特征在于,对所述样本数据进行数据预处理理,包括缺失值填充、光滑噪声数据、识别或删除离群点以及数据标准化处理中的一种或多种。
9.根据权利要求5所述的方法,其特征在于,所述获取样本数据,包括:
从数据库,和\或数据文件导入样本数据。
10.一种基于机器学习的洗煤厂重介分选密度计算方法,其特征在于,包括:
获取当前重介质选煤工艺中的影响重介分选密度的相关数据;
将所述重介质选煤工艺的相关数据输入训练好的重介分选密度计算模型,得到洗煤厂重介分选密度计算值;其中,所述训练好的重介分选密度计算模型为采用权利要求5-9任一项所述的重介分选密度计算模型的训练方法训练得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191756.XA CN115495502A (zh) | 2022-09-28 | 2022-09-28 | 基于机器学习的洗煤厂重介分选密度计算系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191756.XA CN115495502A (zh) | 2022-09-28 | 2022-09-28 | 基于机器学习的洗煤厂重介分选密度计算系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115495502A true CN115495502A (zh) | 2022-12-20 |
Family
ID=84471743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211191756.XA Pending CN115495502A (zh) | 2022-09-28 | 2022-09-28 | 基于机器学习的洗煤厂重介分选密度计算系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115495502A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111604163A (zh) * | 2020-04-17 | 2020-09-01 | 天津德通电气股份有限公司 | 一种炼焦煤选煤厂高精度重介智能控制系统及方法 |
CN112138861A (zh) * | 2020-08-21 | 2020-12-29 | 南京业恒达智能系统股份有限公司 | 重介智能控制方法及系统 |
WO2021057349A1 (zh) * | 2019-09-23 | 2021-04-01 | 中国矿业大学 | 一种重介分选过程智能控制系统及方法 |
CN114768987A (zh) * | 2022-03-14 | 2022-07-22 | 国能智深控制技术有限公司 | 一种基于dcs的选煤厂重介灰分控制方法及系统 |
-
2022
- 2022-09-28 CN CN202211191756.XA patent/CN115495502A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021057349A1 (zh) * | 2019-09-23 | 2021-04-01 | 中国矿业大学 | 一种重介分选过程智能控制系统及方法 |
CN111604163A (zh) * | 2020-04-17 | 2020-09-01 | 天津德通电气股份有限公司 | 一种炼焦煤选煤厂高精度重介智能控制系统及方法 |
CN112138861A (zh) * | 2020-08-21 | 2020-12-29 | 南京业恒达智能系统股份有限公司 | 重介智能控制方法及系统 |
CN114768987A (zh) * | 2022-03-14 | 2022-07-22 | 国能智深控制技术有限公司 | 一种基于dcs的选煤厂重介灰分控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108469180B (zh) | 基于大数据和机器学习的烧结终点预测系统的建立方法 | |
CN115993807B (zh) | 一种碳化硅的生产监测优化控制方法及系统 | |
CN109685289B (zh) | 高炉炉况顺行预测方法、装置及系统 | |
CN109222208A (zh) | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 | |
CN106681183B (zh) | 监测制造装置的方法、装置、系统与计算机可读储存媒介 | |
CN110458195B (zh) | 一种基于多判据融合的异常数据甄别方法 | |
CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
CN104181883A (zh) | 实时数据采集系统的异常数据实时处理方法 | |
CN115982178B (zh) | 一种蒸压加气混凝土制品智能配方配料方法及系统 | |
WO2019161589A1 (zh) | 一种结构模态参数实时追踪方法 | |
CN109741927A (zh) | 微型变压器生产线的设备故障和潜在不良品智能预测系统 | |
US5757665A (en) | Riverine community habitat assessment and restoration methodlogy | |
CN1307415C (zh) | 基于案例推理的磨矿系统溢流粒度指标软测量方法 | |
CN109940458A (zh) | 一种刀具未来磨损量在线预测方法 | |
CN116468160A (zh) | 基于生产大数据的铝合金压铸件质量预测方法 | |
CN114429189A (zh) | 一种高泛用性滑坡位移速率预警方法 | |
CN106407669A (zh) | 一种切削加工表面粗糙度的预测方法 | |
CN113379256A (zh) | 一种Kmeans-随机森林的储层评价预测方法 | |
CN106934184B (zh) | 一种基于时域载荷扩展的数控机床载荷外推方法 | |
CN117272216B (zh) | 一种自动流量监测站和人工水尺观测站的数据分析方法 | |
CN115495502A (zh) | 基于机器学习的洗煤厂重介分选密度计算系统及方法 | |
CN116415508B (zh) | 一种河口二维泥沙模型生成方法及系统 | |
CN114768987B (zh) | 一种基于dcs的选煤厂重介灰分控制方法及系统 | |
CN116739642B (zh) | 一种工程造价分析方法、系统及存储介质 | |
CN113539382A (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 |
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 |