CN115729103A - 一种磨矿分级过程的模糊优化控制方法和设备 - Google Patents
一种磨矿分级过程的模糊优化控制方法和设备 Download PDFInfo
- Publication number
- CN115729103A CN115729103A CN202211418658.5A CN202211418658A CN115729103A CN 115729103 A CN115729103 A CN 115729103A CN 202211418658 A CN202211418658 A CN 202211418658A CN 115729103 A CN115729103 A CN 115729103A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- data
- sliding window
- variable
- rule
- 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
Images
Abstract
本发明公开了一种磨矿分级过程的模糊优化控制方法和设备,方法为:获取磨矿分级过程的历史运行数据,并预处理得到标准数据集;其中运行数据包括若干被控和控制变量的时间序列;根据标准数据集对磨矿分级过程划分工况并确定最优工况;选择部分被控变量并计算其趋势特征,根据趋势特征和最优工况优选样本并生成优化数据库;采用加权优化的WM算法提取过程不同工况下的模糊规则,生成离线模糊规则库;获取实时运行数据并在线识别工况,激活该工况规则库,并根据实时运行数据进行规则推理得到控制输出,同时提取在线控制规则对模糊规则库进行在线更新。本发明可以减小磨矿分级过程波动并使其稳定在最优工况,提高了该过程优化控制系统的自适应能力。
Description
技术领域
本发明属于磨矿及控制技术领域,具体涉及一种磨矿分级过程的模糊优化控制方法和设备。
背景技术
磨矿分级过程是矿石破碎和矿物浮选的中间作业,该过程通过球磨机的研磨作用和旋流器的分级作用,使矿石颗粒由大变小,输出具有合格粒度的矿浆。磨矿分级过程内部机理较为复杂且无法直接检测其内部状态参数,该过程的黑箱特性提高了控制难度。
目前国内大多数选矿厂智能化水平较低,离不开操作人员的实时监控与调整,而操作人员对工况划分没有一致的判断标准,导致设备常常难以维持在最佳工作性能,因此工况的明确划分对过程监控具有重要意义。此外,人工操作具有主观性、精力有限且操作滞后、经验知识的积累和传承也较为困难。针对该问题,国内外学者已提出一些基于专家系统、模糊控制、案例推理等优化控制方法,并取得了一定的研究成果,然而这些方法中的控制规则来自领域专家经验,虽易于学习和理解,但知识获取困难,更新繁琐,难以适用于矿源复杂且矿石性质多变的磨矿分级过程。
随着大数据技术的应用,基于数据驱动的知识发现方法为实现具有自学习和自我更新能力的过程优化控制提供了有效途径。WM算法是一种直观的数据驱动机器学习方法,能够直接从样本数据中提取模糊规则,无需任何先验知识且易于理解,已成为模糊规则提取的经典方法。此外,由于选矿厂矿石品位较低、嵌布粒度不均匀且成分性质不稳定,导致磨矿分级过程存在明显时变性,使得离线提取的模糊规则难以长期适应磨矿分级过程,因此研究模糊规则的在线更新策略对生产过程的控制具有实际意义。
发明内容
针对磨矿分级过程存在的现有技术缺陷,本发明提供一种磨矿分级过程的模糊优化控制方法和设备,减小磨矿分级过程波动并稳定在最优工况,提高了磨矿分级过程优化控制系统的自适应能力。
为实现上述技术目的,本发明采用如下技术方案:
一种磨矿分级过程的模糊优化控制方法,包括:
S1:获取磨矿分级过程的历史运行数据,对获取的数据进行时间配准和标准化处理,得到标准数据集;其中,磨矿分级过程的运行数据包括磨矿分级过程的若干个被控变量和控制变量的时间序列;
S2:根据标准数据集对磨矿分级过程进行工况划分,并确定最优工况;
S3:选择部分被控变量,根据其在标准数据集的时间序列数据计算对应的趋势特征数据;根据趋势特征数据和最优工况从标准数据集中优选样本数据,将优选的样本数据与趋势特征数据结合生成优化数据库;
S4:以被控变量和控制变量分别作为模糊规则的输入和输出,并根据优化数据库、采用加权优化的WM算法,提取磨矿分级过程不同工况下的模糊规则,生成离线模糊规则库;
S5:获取磨矿分级过程的实时运行数据,对其进行在线工况识别,激活该工况对应的模糊规则库,并根据实时运行数据进行规则推理得到输出,将输出应用于磨矿分级过程,同时提取在线模糊控制规则并基于滑动窗口对模糊规则库进行在线更新。
进一步地,所述磨矿分级过程包括磨矿过程和分级过程;所述磨矿过程的变量包括给矿流量、磨音和磨机功率,其中给矿流量为控制变量,磨音和磨机功率均为被控变量;所述分级过程的变量包括补水流量、砂泵频率、泵池液位、旋流浓度和旋流压力,其中补水流量和砂泵频率均为控制变量,泵池液位、旋流浓度和旋流压力均为被控变量。
进一步地,对获取数据进行时间配准的方法为:
1)对历史运行数据进行去噪处理,构成原始数据集其中,Vo={xo_1,xo_2,...,xo_n}为磨矿分级过程的变量集,依次对应过程变量:磨音、磨机功率、泵池液位、旋流浓度、旋流压力、给矿量、砂泵频率、补水流量,n为过程变量的个数;do,1·,do,2·,…,do,n·分别为过程变量xo_1,xo_2,...,xo_n的时间序列数据;To为样本总数,即过程变量的时间序列数据的长度;
2)以给矿流量为基准,计算其余各变量相对于给矿流量的时延;首先计算xo_i,xo_j(i∈{1,2,...,n},j=6)的相关系数估计其中τij为xo_i,xo_j间的时延,计算公式如式(1)所示:
3)根据变量间的时延对原始数据集Do进行时间配准,得到重构数据集其中,Dnod中各过程变量的时间序列数据dnod,1·,dnod,2·,…,dnod,n·的数据长度为Tnod=To-max(λij),i∈{1,2,...,n},j=6。
4、根据权利要求3所述的一种磨矿分级过程的模糊优化控制方法,其特征在于,采用Z-Score方法对重构数据集Dnod进行标准化处理,得到标准数据集Dnor:
3)将状态转移算法求得的最优解作为核模糊C均值聚类算法聚类中心矩阵的初始值,并采用核模糊C均值聚类算法对磨矿过程数据集DM进行聚类分析,得到最优的聚类中心矩阵和相对应的隶属度矩阵;
4)根据数据集的聚类结果,将磨矿过程划分为c类工况,每个聚类中心对应一种工况,根据生产指标确定最优工况,根据数据属于的类别划分工况;
5)针对分级过程和分级过程数据集DC,按照上述步骤1)至步骤4)对磨矿过程划分工况相同的方法,对分级过程进行工况划分。
进一步地,在步骤S3中计算趋势特征数据的部分被控变量包括:选择磨音、泵池液位、旋流浓度和压力;步骤S3中优选样本数据的原则为:若标准数据集的某样本数据属于最优工况且对应变量趋势特征为保持最优工况,或者其对应的趋势特征数据向最优工况靠近,则选择该样本数据;选择磨音趋势作为新的控制变量添加到优选的样本数据中,构成优化样本数据。
进一步地,计算变量的趋势特征数据的方法为:
1)设置滑动窗口的初始宽度为W并将变量的时间序列移入窗口;
2)对滑动窗口内的数据采用最小二乘法进行线性回归拟合,若拟合结果满足F检验,则转至3);若拟合结果不满足F检验,则转至4);
3)逐步将滑动窗口的宽度加1,并对滑动窗口内数据进行拟合,直到拟合结果不满足F检验时转至5);
4)计算方差并设置判断阈值以确定滑动窗口内的数据是否处于稳态;若为稳态数据,则可继续增加滑动窗口宽度直到超出阈值时提取当前滑动窗口内数据的趋势;反之,逐步减小滑动窗口宽度直至满足F检验或低于阈值时提取该部分数据趋势;
5)当提取一个片段趋势后,需将滑动窗口内的数据清空,将滑动窗口滑动到时间序列的下一时段W个数据;
6)重复步骤2)至5),直至对变量的时间序列中的所有数据完成拟合,将所得拟合曲线进行一阶求导获得趋势的定量特征值,得到该变量的趋势特征数据。
进一步地,步骤S4提取不同工况下的模糊规则的方法为:
2)根据优化数据库中数据的分布,确定每个输入变量xi和输出变量y的域值区间分别为和并确定模糊子集个数分别为和cout,i=1,...,nI;用和表示模糊集合,为输入变量xi的个模糊子集,为输出变量y的cout个模糊子集;将所有nI个模糊子集相互组合得到个模糊区域;
3)为每个输入变量和输出变量的模糊子集分配相应的隶属函数;
4)对于优化数据库中符合当前模糊规则提取的各输入输出数据对(X(P);y(p)),p=1,2,...,T,按分配的隶属函数计算每个输入变量和输出变量在不同模糊子集对应模糊区间下的隶属度值,基于最大隶属度原则确定输入数据和输出数据所隶属的模糊子集;
其中,为输入变量xi的模糊子集索引,i=1,...,nI;lout∈{1,2,...,cout}为输出变量y的模糊子集索引;为模糊区域的索引;Na为索引为a的模糊区域内输入输出对的数量;表示输入在模糊子集上的隶属度;表示输出y(p)在模糊子集上的隶属度;
6)获得支持度矩阵Sup:
7)选取支持度较大的规则,即根据给定阈值θ选取模糊区域a内满足式(6)的lout:
其中,max(Supa)表示该模糊区域a内的最大支持度;
8)将步骤7)所选lout对应的支持度作为权重计算输出模糊子集的中心值av:
9)定义置信度Conf评价模糊规则的可靠程度:
其中,σ为加权方差;
10)将最终确定的模糊规则表示为如下形式:
进一步地,步骤S5具体包括:
1)设计双滑动窗口模型,其中:外滑动窗口大小为out_W,包含多个基本窗口,外滑动窗口每次滑动一个基本窗口;基本窗口大小为base_W,包含多个内滑动窗口;内滑动窗口大小为in_W,内滑动窗口每次滑动in_W个数据量;
2)当内滑动窗口的实时运行数据量in_t小于内滑动窗口大小in_W时,根据实时运行数据进行在线识别,激活对应工况的模糊规则库,经过规则推理得到控制输出以指导生产,同时对该条数据进行时间配准,根据优选样本数据的原则判断该条数据是否为优化数据,若是则采用加权优化的WM算法提取在线模糊控制规则;
3)当内滑动窗口的实时运行数据量in_t达到内滑动窗口大小in_W时,根据步骤2)在线提取的模糊控制规则对模糊规则库进行在线更新,同时将in_t清零并滑动至下一个内滑动窗口;
其中,所述对模糊规则库进行在线更新,包括旧规则替换和新规则添加:若规则前件相同但后件参数不同则进行规则替换;若模糊规则库中不存在在线提取的模糊规则,则将该在线提取的模糊规则添加至激活的工况模糊规则库中;
4)当基本窗口的实时运行数据量base_t达到基本窗口大小base_W时,将外滑动窗口滑动一个基本窗口大小,并基于状态转移的核模糊C均值聚类算法对滑动后的外滑动窗口内的数据进行聚类分析,并比较与滑动前的外滑动窗口内数据的聚类中心的相似度,以此评判工况的改变;若存在聚类中心与滑动前的外滑动窗口的聚类中心相似程度都小于设置的阈值,表明出现新工况,则在内滑动窗口的滑动过程中应用加权优化的WM算法提取该工况下的模糊规则并添加至控制规则库;若滑动后的外滑动窗口的聚类中心可以与滑动前的外滑动窗口的聚类中心通过相似度进行一一对应,表明当前该过程未出现新工况,则根据滑动后的外滑动窗口的聚类中心更新工况信息。
一种磨矿分级过程的模糊优化控制设备,包括存储器及处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现上述任一项技术方案所述的磨矿分级过程的模糊优化控制方法方法。
有益效果
与现有技术相比,本发明的优点在于:
本发明提出了非局部均值去噪和互相关函数相结合的过程变量时延分析方法,解决了流程工业生产数据去噪及时间配准问题;综合状态转移算法的全局搜索能力以及核函数的非线性特性,克服了传统模糊C均值聚类算法易陷入局部最优且对离群点敏感的缺陷,并结合生产指标确定最优工况;将工况和趋势特征相结合选取较优人工操作数据生成优化数据库,然后采用加权优化的WM算法提取不同工况下的模糊规则;最后设计滑动窗口模型进行模糊规则的在线提取与更新,模糊规则应用于磨矿分级过程模糊优化控制,提高了模糊规则库的自适应能力。基于本发明的在线模糊规则优化控制,能够根据过程的波动及时调整控制规则,从而减小过程波动并稳定在最优工况,提高了系统的自适应能力。
附图说明
图1是本申请实施例总体流程图;
图2为本申请实施例磨矿过程聚类结果可视化;
图3为本申请实施例球磨机运行特性曲线;
图4为本申请实施例分级过程聚类结果可视化;
图5为本申请实施例双滑动窗口模型;
图6为本申请实施例基于滑动窗口的模糊规则在线提取与更新流程图;
图7本申请实施例的磨音控制效果对比图;
图8本申请实施例的泵池液位控制效果对比图;
图9本申请实施例的旋流浓度控制效果对比图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
实施例1
如图1所示,本实施例提供一种磨矿分级过程的模糊优化控制方法。首先,对磨矿分级过程的原始数据进行预处理,运用基于互相关函数法估计过程变量间的时延信息,采用Z-Score标准化方法进行无量纲化处理;然后,运用基于状态转移的核模糊C均值聚类算法对工况进行划分,根据生产指标确定最优工况;再结合工况和趋势特征生成优化数据库;再基于加权优化的WM算法提取不同工况下的模糊规则,并生成离线规则库;最后基于滑动窗口进行样本更迭,并对更新样本进行在线聚类分析、在线工况识别、在线规则提取,进而在线更新模糊规则,使用模糊规则库对磨矿分级过程进行模糊优化控制。具体包括以下步骤:
S1:获取磨矿分级过程的历史运行数据,对获取数据进行时间配准和标准化处理,得到标准数据集;其中,磨矿分级过程的运行数据包括磨矿分级过程的若干个被控变量和控制变量的时间序列。
具体地,将磨矿分级过程包括磨矿过程和分级过程;所述磨矿过程的变量包括给矿流量、磨音和磨机功率,其中给矿流量为控制变量,磨音和磨机功率均为被控变量;所述分级过程的变量包括补水流量、砂泵频率、泵池液位、旋流浓度和旋流压力,其中补水流量和砂泵频率均为控制变量,泵池液位、旋流浓度和旋流压力均为被控变量。
首先,对历史运行数据进行去噪处理,构成原始数据集其中,Vo={xo_1,xo_2,...,xo_n}为磨矿分级过程的变量集,依次对应过程变量:磨音、磨机功率、泵池液位、旋流浓度、旋流压力、给矿量、砂泵频率、补水流量,n为过程变量的个数;do,1·,do,2·,…,do,n·分别为过程变量xo_1,xo_2,...,xo_n的时间序列数据;To为样本总数,即过程变量的时间序列数据的长度。本实施例中整个磨矿和分级过程包括上述8个变量,因此n=8;另外本实施例中将变量的采样周期设置为1分钟,各变量的时间序列长度为To=1442,即包括1442个运行数据样本。
然后,以给矿流量为基准,计算其余各变量相对于给矿流量的时延;先计算xo_i,xo_j(i∈{1,2,...,n},j=6)的相关系数估计其中τij为xo_i,xo_j间的时延,计算公式如式(1)所示:
本实施例中基于互相关函数法计算变量间的时延信息,根据某选矿厂操作人员的经验,设置最大延迟时间为50分钟,以给矿量为基准,计算得到磨矿分级过程各变量相对于给矿量的时延如表1所示。
表1磨矿分级过程各变量相对于给矿量的时延
接着,根据变量间的时延对原始数据集Do进行时间配准,得到重构数据集其中,Dnod中各过程变量的时间序列数据dnod,1·,dnod,2·,…,dnod,n·的数据长度为Tnod=To-max(λij)(i∈{1,2,...,n},j=6)。
最后,采用Z-Score方法对重构数据集Dnod进行标准化处理,得到标准数据集Dnor:
其中,i∈{1,2,...,n},t∈{1,2,...,Tnod};dnod,it为第i个过程变量在时刻t的数据,dnor,it为dnod,it标准化后的值;为标准化得到的标准数据集。根据变量所属的过程将标准数据集分为磨矿过程数据集和分级过程数据集
S2:根据标准数据集对磨矿分级过程进行工况划分,并根据生产指标确定最优工况。
步骤S2中,为了更好地监测磨矿分级过程运行状态,对预处理后的数据运用基于状态转移的核模糊C均值聚类算法进行工况划分并根据生产指标确定最优工况,考虑到在实际生产过程控制中,面对磨矿分级过程不稳定的情况,无法同时兼顾球磨机和泵池及旋流器的工作状况调节控制参数,为实现磨矿分级过程的精细化控制,故将磨矿分级过程分为磨矿过程和分级过程,分别监测球磨机和泵池及旋流器的工作状态,根据DM对磨矿过程的工况进行识别和划分,根据DC对分级过程的工况进行识别和划分,具体步骤如下:
3)将状态转移算法求得的最优解作为核模糊C均值聚类算法聚类中心矩阵的初始值,并采用核模糊C均值聚类算法对磨矿过程数据集DM进行聚类分析,得到最优的聚类中心矩阵和相对应的隶属度矩阵;
4)根据数据集的聚类结果,将磨矿过程划分为c类工况,每个聚类中心对应一种工况,根据生产指标确定最优工况,根据数据属于的类别划分工况;
5)针对分级过程和分级过程数据集DC,按照上述步骤1)至步骤4)对磨矿过程划分工况相同的方法,对分级过程进行工况划分。
在本实施例中,据实际生产现场磨矿过程的运行特点以及操作人员的经验知识,将磨矿过程的聚类个数设置为5,其聚类结果可视化如图2所示,其中“Δ”代表聚类中心,反标准化后聚类中心的实际值及工况识别结果如表2所示。
表2磨矿过程工况划分结果及对应聚类中心
图3为球磨机运行特性曲线,当功率位于极大值位置附近时,球磨机处于最佳负荷状态,此时为最优工况,由图2可知,正常工况下球磨机功率最大,该工况即为球磨机最优工况。据实际生产现场分级过程的运行特点以及操作人员的经验知识,将分级过程的聚类个数设置为3,为了更好地观察聚类结果及各工况状态,采用标准化后的数据分别以泵池液位-旋流压力以及泵池液位-旋流浓度两个维度对聚类结果进行可视化展示,如图4所示,反标准化后聚类中心的实际值及工况识别结果如表3所示。维持旋流压力和旋流浓度的稳定有利于保证旋流器的工作效率,因此,工况一为分级过程的最优工况。
表3分级过程工况划分结果及对应聚类中心
S3:选择部分被控变量,根据其在标准数据集的时间系列数据计算对应的趋势特征数据,并优选部分变量的趋势特征数据与标准数据集一起构成优化数据库。
本实施例中选择的用于计算趋势特征数据的被控变量包括:选择磨音、泵池液位、旋流浓度和压力。计算每个被选择的被控变量的趋势特征数据的方法为:
1)设置滑动窗口的初始宽度为W并将变量的时间序列移入窗口;
2)对滑动窗口内的数据采用最小二乘法进行线性回归拟合,若拟合结果满足F检验,则转至3);若拟合结果不满足F检验,则转至4);
3)逐步将滑动窗口的宽度加1,并对滑动窗口内数据进行拟合,直到拟合结果不满足F检验时转至5);
4)计算方差并设置判断阈值以确定滑动窗口内的数据是否处于稳态;若为稳态数据,则可继续增加滑动窗口宽度直到超出阈值时提取当前滑动窗口内数据的趋势;反之,逐步减小滑动窗口宽度直至满足F检验或低于阈值时提取该部分数据趋势;
5)当提取一个片段趋势后,需将滑动窗口内的数据清空,将滑动窗口滑动到时间序列的下一时段W个数据;
6)重复步骤2)至5),直至对变量的时间序列中的所有数据完成拟合,将所得拟合曲线进行一阶求导获得趋势的定量特征值,得到该变量的趋势特征数据。
根据部分变量的趋势特征数据从标准数据集Dnor中优选样本数据的原则为:若标准数据集的某样本数据属于最优工况且对应变量趋势特征为保持最优工况,或者其对应的趋势特征数据向最优工况靠近,则选择该样本数据。然后选择磨音趋势作为新的控制变量添加到优选的样本数据中,构成优化样本数据,所有优化样本数据构成优化数据库。
因此,结合运行工况、时延信息以及趋势特征生成优化数据库Vopt={xopt_1,xopt_2,...,xopt_n+1}为变量集,分别对应过程变量:磨音、磨音趋势、磨机功率、泵池液位、旋流浓度、旋流压力、给矿量、砂泵频率、补水流量,d1·,d2·,...,d(n+1)·分别为变量xopt_1,xopt_2,...,xopt_n+1的序列数据。
S4:根据优化数据库,采用加权优化的WM算法,提取磨矿分级过程不同工况下的模糊规则,生成离线模糊规则库。
针对磨矿过程,选取磨音、磨音趋势值以及磨机功率为输入变量,给矿量为输出变量;针对分级过程,选取泵池液位、旋流浓度和旋流压力为输入变量,输出变量分别为补水流量和砂泵频率,分别对磨矿过程和分级过程的不同工况提取模糊规则,具体步骤如下:
2)根据优化数据库中数据的分布,确定每个输入变量xi和输出变量y的域值区间分别为和并确定模糊子集个数分别为和cout,i=1,...,nI;用和表示模糊集合,为输入变量xi的个模糊子集,为输出变量y的cout个模糊子集;将所有nI个模糊子集相互组合得到个模糊区域;
3)为每个输入变量和输出变量的模糊子集分配相应的隶属函数;
4)对于优化数据库中符合当前模糊规则提取的各输入输出数据对(X(P);y(p)),p=1,2,...,T,按分配的隶属函数计算每个输入变量和输出变量在不同模糊子集对应模糊区间下的隶属度值,基于最大隶属度原则确定输入数据和输出数据所隶属的模糊子集;
其中,为输入变量xi的模糊子集索引,i=1,...,nI;lout∈{1,2,...,cout}为输出变量y的模糊子集索引;为模糊区域的索引;Na为索引为a的模糊区域内输入输出对的数量;表示输入在模糊子集上的隶属度;表示输出y(p)在模糊子集上的隶属度;
6)获得支持度矩阵Sup:
7)选取支持度较大的规则,即根据给定阈值θ选取模糊区域a内满足式(6)的lout:
其中,max(Supa)表示该模糊区域a内的最大支持度;
8)将步骤7)所选lout对应的支持度作为权重计算输出模糊子集的中心值av:
9)定义置信度Conf评价模糊规则的可靠程度:
其中,σ为加权方差;
10)将最终确定的模糊规则表示为如下形式:
本实施例以磨矿过程为例,表4为不同工况下的域值区间设置,表5为不同工况下对应区间的模糊集个数,所涉及变量均采用均匀分布的高斯隶属函数,不同工况下所提取的模糊规则个数如表6所示,以偏饱磨工况为例,其部分模糊规则如表7所示。
表4磨矿过程不同工况下各变量域值区间
表5磨矿过程不同工况下各变量区间上定义的模糊集个数
表6磨矿过程不同工况模糊规则个数
表7磨矿过程偏饱磨工况部分模糊规则
S5:获取磨矿分级过程的实时运行数据,对其进行在线工况识别,激活该识别工况的模糊规则库,并根据实时运行数据进行规则推理得到控制输出,将输出应用于磨矿分级过程,同时提取在线模糊控制规则并基于滑动窗口对模糊规则库进行在线更新。具体步骤包括:
1)设计双滑动窗口模型,其中:外滑动窗口大小为out_W,包含多个基本窗口,外滑动窗口每次滑动一个基本窗口;基本窗口大小为base_W,包含多个内滑动窗口;内滑动窗口大小为in_W,内滑动窗口每次滑动in_W个数据量;
2)当内滑动窗口的实时运行数据量in_t小于内滑动窗口大小in_W时,根据实时运行数据进行在线识别,激活对应工况的模糊规则库,经过规则推理得到控制输出以指导生产,同时对该条数据进行时间配准,根据优选样本数据原则判断该条数据是否为优化数据,若是则采用加权优化的WM算法提取在线模糊控制规则;
3)当内滑动窗口的实时运行数据量in_t达到内滑动窗口大小in_W时,根据步骤2)在线提取的模糊控制规则对模糊规则库进行在线更新,同时将in_t清零并滑动至下一个内滑动窗口;
其中,所述对模糊规则库进行在线更新,包括旧规则替换和新规则添加:若规则前件相同但后件参数不同则进行规则替换;若模糊规则库中不存在在线提取的模糊规则,则将该在线提取的模糊规则添加至激活的工况模糊规则库中;
4)当基本窗口的实时运行数据量base_t达到基本窗口大小base_W时,将外滑动窗口滑动一个基本窗口大小,并基于状态转移的核模糊C均值聚类算法对滑动后的外滑动窗口内的数据进行聚类分析,并比较与滑动前的外滑动窗口内数据的聚类中心的相似度,以此评判工况的改变;若存在聚类中心与滑动前的外滑动窗口的聚类中心相似程度都小于设置的阈值,表明出现新工况,则在内滑动窗口的滑动过程中应用加权优化的WM算法提取该工况下的模糊规则并添加至控制规则库;若滑动后的外滑动窗口的聚类中心可以与滑动前的外滑动窗口的聚类中心通过相似度进行一一对应,表明当前该过程未出现新工况,则根据滑动后的外滑动窗口的聚类中心更新工况信息。
本实施例设计的双滑动窗口如图5所示,基于滑动窗口的模糊规则在线提取与更新策略如图6所示,其中设置外滑动窗口out_W为24小时,基本窗口base_W为6小时,内滑动窗口in_W为2小时,in_t为内滑动窗口数据量计数器,base_t为基本窗口数据量计数器。
以下通过建立基于LSTM的磨音、泵池液位和旋流浓度的非线性关系模型,对本发明方法进行仿真验证。
在线分析连续12小时的磨矿过程生产数据,并将人工控制、基于本发明的在线模糊规则控制以及离线模糊规则控制下的磨音状态进行对比,其控制效果如图7所示。由图可知,人工控制下的磨音存在较大波动,表明球磨机工作状态不稳定;离线和在线模糊规则控制下的磨音基本能够稳定在最优工况,由于在线模糊规则控制能够根据过程的波动及时对模糊规则进行相应调整,从而提高了控制规则的自适应能力,因此在线模糊规则控制下磨音的波动较小。
在线分析连续12小时的分级过程生产数据,并将人工控制、基于本发明的在线模糊规则控制以及离线模糊规则控制下的泵池液位及旋流浓度状态进行对比,其控制效果如图8和图9所示。由图可知,分级过程在前400分钟较为稳定,此时人工控制下泵池液位和旋流浓度的波动较大,在线模糊规则控制下泵池液位和旋流浓度的状态最为平稳。400分钟之后分级过程出现异常,此时在线模糊规则控制能够根据过程波动及时进行调整从而减缓泵池液位大幅波动并控制其趋于平稳,相比之下,离线模糊规则控制虽然最终能控制泵池液位趋于平稳,但控制过程中存在较大波动;此时旋流浓度在三种控制下的变化情况差别不大,但在线模糊规则控制下旋流浓度的整体波动幅度相对较小。因此,本发明对模糊控制规则进行在线更新能够减小过程波动,一定程度上提高了系统的自适应能力。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (10)
1.一种磨矿分级过程的模糊优化控制方法,其特征在于,包括:
S1:获取磨矿分级过程的历史运行数据,对获取的数据进行时间配准和标准化处理,得到标准数据集;其中,磨矿分级过程的运行数据包括磨矿分级过程的若干个被控变量和控制变量的时间序列;
S2:根据标准数据集对磨矿分级过程进行工况划分,并确定最优工况;
S3:选择部分被控变量,根据其在标准数据集的时间序列数据计算对应的趋势特征数据;根据趋势特征数据和最优工况从标准数据集中优选样本数据,将优选的样本数据与趋势特征数据结合生成优化数据库;
S4:以被控变量和控制变量分别作为模糊规则的输入和输出,并根据优化数据库、采用加权优化的WM算法,提取磨矿分级过程不同工况下的模糊规则,生成离线模糊规则库;
S5:获取磨矿分级过程的实时运行数据,对其进行在线工况识别,激活该工况对应的模糊规则库,并根据实时运行数据进行规则推理得到输出,将输出应用于磨矿分级过程,同时提取在线模糊控制规则并基于滑动窗口对模糊规则库进行在线更新。
2.根据权利要求1所述的一种磨矿分级过程的模糊优化控制方法,其特征在于,所述磨矿分级过程包括磨矿过程和分级过程;所述磨矿过程的变量包括给矿流量、磨音和磨机功率,其中给矿流量为控制变量,磨音和磨机功率均为被控变量;所述分级过程的变量包括补水流量、砂泵频率、泵池液位、旋流浓度和旋流压力,其中补水流量和砂泵频率均为控制变量,泵池液位、旋流浓度和旋流压力均为被控变量。
3.根据权利要求2所述的一种磨矿分级过程的模糊优化控制方法,其特征在于,对获取数据进行时间配准的方法为:
1)对历史运行数据进行去噪处理,构成原始数据集其中,Vo={xo_1,xo_2,...,xo_n}为磨矿分级过程的变量集,依次对应过程变量:磨音、磨机功率、泵池液位、旋流浓度、旋流压力、给矿量、砂泵频率、补水流量,n为过程变量的个数;do,1·,do,2·,···,do,n·分别为过程变量xo_1,xo_2,...,xo_n的时间序列数据;To为样本总数,即过程变量的时间序列数据的长度;
2)以给矿流量为基准,计算其余各变量相对于给矿流量的时延;首先计算xo_i,xo_j(i∈{1,2,...,n},j=6)的相关系数估计其中τij为xo_i,xo_j间的时延,计算公式如式(1)所示:
5.根据权利要求2所述的一种磨矿分级过程的模糊优化控制方法,其特征在于,根据变量所属的过程将标准数据集分为磨矿过程数据集和分级过程数据集对磨矿过程和分级过程均采用基于状态转移的核模糊C均值聚类算法进行工况划分,具体步骤如下:
3)将状态转移算法求得的最优解作为核模糊C均值聚类算法聚类中心矩阵的初始值,并采用核模糊C均值聚类算法对磨矿过程数据集DM进行聚类分析,得到最优的聚类中心矩阵和相对应的隶属度矩阵;
4)根据数据集的聚类结果,将磨矿过程划分为c类工况,每个聚类中心对应一种工况,根据生产指标确定最优工况,根据数据属于的类别划分工况;
5)针对分级过程和分级过程数据集DC,按照上述步骤1)至步骤4)对磨矿过程划分工况相同的方法,对分级过程进行工况划分。
6.根据权利要求2所述的一种磨矿分级过程的模糊优化控制方法,其特征在于,在步骤S3中计算趋势特征数据的部分被控变量包括:选择磨音、泵池液位、旋流浓度和压力;步骤S3中优选样本数据的原则为:若标准数据集的某样本数据属于最优工况且对应变量趋势特征为保持最优工况,或者其对应的趋势特征数据向最优工况靠近,则选择该样本数据;选择磨音趋势作为新的控制变量添加到优选的样本数据中,构成优化样本数据。
7.根据权利要求2所述的一种磨矿分级过程的模糊优化控制方法,其特征在于,计算变量的趋势特征数据的方法为:
1)设置滑动窗口的初始宽度为W并将变量的时间序列移入窗口;
2)对滑动窗口内的数据采用最小二乘法进行线性回归拟合,若拟合结果满足F检验,则转至3);若拟合结果不满足F检验,则转至4);
3)逐步将滑动窗口的宽度加1,并对滑动窗口内数据进行拟合,直到拟合结果不满足F检验时转至5);
4)计算方差并设置判断阈值以确定滑动窗口内的数据是否处于稳态;若为稳态数据,则可继续增加滑动窗口宽度直到超出阈值时提取当前滑动窗口内数据的趋势;反之,逐步减小滑动窗口宽度直至满足F检验或低于阈值时提取该部分数据趋势;
5)当提取一个片段趋势后,需将滑动窗口内的数据清空,将滑动窗口滑动到时间序列的下一时段W个数据;
6)重复步骤2)至5),直至对变量的时间序列中的所有数据完成拟合,将所得拟合曲线进行一阶求导获得趋势的定量特征值,得到该变量的趋势特征数据。
8.根据权利要求2所述的一种磨矿分级过程的模糊优化控制方法,其特征在于,步骤S4提取不同工况下的模糊规则的方法为:
2)根据优化数据库中数据的分布,确定每个输入变量xi和输出变量y的域值区间分别为和[y-,y+],并确定模糊子集个数分别为和cout,i=1,...,nI;用和表示模糊集合,为输入变量xi的个模糊子集,为输出变量y的cout个模糊子集;将所有nI个模糊子集相互组合得到个模糊区域;
3)为每个输入变量和输出变量的模糊子集分配相应的隶属函数;
4)对于优化数据库中符合当前模糊规则提取的各输入输出数据对(X(P);y(p)),p=1,2,...,T,按分配的隶属函数计算每个输入变量和输出变量在不同模糊子集对应模糊区间下的隶属度值,基于最大隶属度原则确定输入数据和输出数据所隶属的模糊子集;
其中,为输入变量xi的模糊子集索引,i=1,...,nI;lout∈{1,2,...,cout}为输出变量y的模糊子集索引;为模糊区域的索引;Na为索引为a的模糊区域内输入输出对的数量;表示输入在模糊子集上的隶属度;表示输出y(p)在模糊子集上的隶属度;
6)获得支持度矩阵Sup:
7)选取支持度较大的规则,即根据给定阈值θ选取模糊区域a内满足式(6)的lout:
其中,max(Supa)表示该模糊区域a内的最大支持度;
8)将步骤7)所选lout对应的支持度作为权重计算输出模糊子集的中心值av:
9)定义置信度Conf评价模糊规则的可靠程度:
其中,σ为加权方差;
10)将最终确定的模糊规则表示为如下形式:
9.根据权利要求2所述的一种磨矿分级过程的模糊优化控制方法,其特征在于,步骤S5具体包括:
1)设计双滑动窗口模型,其中:外滑动窗口大小为out_W,包含多个基本窗口,外滑动窗口每次滑动一个基本窗口;基本窗口大小为base_W,包含多个内滑动窗口;内滑动窗口大小为in_W,内滑动窗口每次滑动in_W个数据量;
2)当内滑动窗口的实时运行数据量in_t小于内滑动窗口大小in_W时,根据实时运行数据进行在线识别,激活对应工况的模糊规则库,经过规则推理得到控制输出以指导生产,同时对该条数据进行时间配准,根据优选样本数据的原则判断该条数据是否为优化数据,若是则采用加权优化的WM算法提取在线模糊控制规则;
3)当内滑动窗口的实时运行数据量in_t达到内滑动窗口大小in_W时,根据步骤2)在线提取的模糊控制规则对模糊规则库进行在线更新,同时将in_t清零并滑动至下一个内滑动窗口;
其中,所述对模糊规则库进行在线更新,包括旧规则替换和新规则添加:若规则前件相同但后件参数不同则进行规则替换;若模糊规则库中不存在在线提取的模糊规则,则将该在线提取的模糊规则添加至激活的工况模糊规则库中;
4)当基本窗口的实时运行数据量base_t达到基本窗口大小base_W时,将外滑动窗口滑动一个基本窗口大小,并基于状态转移的核模糊C均值聚类算法对滑动后的外滑动窗口内的数据进行聚类分析,并比较与滑动前的外滑动窗口内数据的聚类中心的相似度,以此评判工况的改变;若存在聚类中心与滑动前的外滑动窗口的聚类中心相似程度都小于设置的阈值,表明出现新工况,则在内滑动窗口的滑动过程中应用加权优化的WM算法提取该工况下的模糊规则并添加至控制规则库;若滑动后的外滑动窗口的聚类中心可以与滑动前的外滑动窗口的聚类中心通过相似度进行一一对应,表明当前该过程未出现新工况,则根据滑动后的外滑动窗口的聚类中心更新工况信息。
10.一种磨矿分级过程的模糊优化控制设备,包括存储器及处理器,所述存储器中存储有计算机程序,其特征在于,所述计算机程序被所述处理器执行时,使得所述处理器实现如权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211418658.5A CN115729103A (zh) | 2022-11-14 | 2022-11-14 | 一种磨矿分级过程的模糊优化控制方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211418658.5A CN115729103A (zh) | 2022-11-14 | 2022-11-14 | 一种磨矿分级过程的模糊优化控制方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115729103A true CN115729103A (zh) | 2023-03-03 |
Family
ID=85295418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211418658.5A Pending CN115729103A (zh) | 2022-11-14 | 2022-11-14 | 一种磨矿分级过程的模糊优化控制方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115729103A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466568B (zh) * | 2023-03-07 | 2024-03-22 | 浙江中智达科技有限公司 | 一种零手动操作控制系统、控制逻辑切换方法及装置 |
-
2022
- 2022-11-14 CN CN202211418658.5A patent/CN115729103A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466568B (zh) * | 2023-03-07 | 2024-03-22 | 浙江中智达科技有限公司 | 一种零手动操作控制系统、控制逻辑切换方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dun et al. | A chatter detection method in milling of thin-walled TC4 alloy workpiece based on auto-encoding and hybrid clustering | |
Wang et al. | Data-driven mode identification and unsupervised fault detection for nonlinear multimode processes | |
Sun et al. | Multiclassification of tool wear with support vector machine by manufacturing loss consideration | |
Deng et al. | Modified kernel principal component analysis using double-weighted local outlier factor and its application to nonlinear process monitoring | |
CN108805747A (zh) | 一种基于半监督学习的异常用电用户检测方法 | |
CN112987666B (zh) | 电厂机组运行优化调控方法及系统 | |
CN110033141B (zh) | 一种脱硫系统运行工况数据库的建立方法 | |
CN114077876B (zh) | 一种带钢热连轧多模态过程监测方法及装置 | |
CN115729103A (zh) | 一种磨矿分级过程的模糊优化控制方法和设备 | |
DE102021201296A1 (de) | Vorhersagemodell zum Vorhersagen von Produktqualitätsparameterwerten | |
Yan et al. | Fault diagnosis of rolling-element bearing using multiscale pattern gradient spectrum entropy coupled with Laplacian score | |
Handhika et al. | Multivariate time series classification analysis: State-of-the-art and future challenges | |
CN112818030B (zh) | 一种自适应的分布式流数据关联规则挖掘方法 | |
CN112613542A (zh) | 一种基于双向lstm的企业除污设备负荷辨识方法 | |
CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
Ribeiro et al. | Multi-objective support vector machines ensemble generation for water quality monitoring | |
CN115600102B (zh) | 基于船舶数据的异常点检测方法及装置、电子设备、介质 | |
CN116304835A (zh) | 基于ai的动设备工况监测管理方法、系统、设备及介质 | |
Wang et al. | FlotGAIL: An operational adjustment framework for flotation circuits using generative adversarial imitation learning | |
CN116244625A (zh) | 基于多特征融合神经网络的溢流型磨机负荷间接预报方法 | |
Lu et al. | A working condition recognition method based on multivariable trend analysis for gold–antimony rougher flotation | |
Wang et al. | Identification of abnormal conditions for gold flotation process based on multivariate information fusion and double‐channel convolutional neural network | |
Brown et al. | Heloc applicant risk performance evaluation by topological hierarchical decomposition | |
Huang et al. | Outlier detection method based on improved two-step clustering algorithm and synthetic hypothesis testing | |
Padhee et al. | Data driven multivariate technique for fault detection of waste water treatment plant |
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 |