CN116422452A - 一种自动控制参数优化磨矿溢流粒度区间的方法 - Google Patents

一种自动控制参数优化磨矿溢流粒度区间的方法 Download PDF

Info

Publication number
CN116422452A
CN116422452A CN202310197345.XA CN202310197345A CN116422452A CN 116422452 A CN116422452 A CN 116422452A CN 202310197345 A CN202310197345 A CN 202310197345A CN 116422452 A CN116422452 A CN 116422452A
Authority
CN
China
Prior art keywords
data
value
overflow
overflow granularity
parameters
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
CN202310197345.XA
Other languages
English (en)
Inventor
骆俊
程小舟
张思涵
秦楠
高庆
陶陶
刘自杰
孙晨
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.)
Huawei National Engineering Research Center of High Efficient Cyclic and Utilization of Metallic Mineral Resources Co Ltd
Sinosteel Maanshan General Institute of Mining Research Co Ltd
Original Assignee
Huawei National Engineering Research Center of High Efficient Cyclic and Utilization of Metallic Mineral Resources Co Ltd
Sinosteel Maanshan General Institute of Mining Research 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 Huawei National Engineering Research Center of High Efficient Cyclic and Utilization of Metallic Mineral Resources Co Ltd, Sinosteel Maanshan General Institute of Mining Research Co Ltd filed Critical Huawei National Engineering Research Center of High Efficient Cyclic and Utilization of Metallic Mineral Resources Co Ltd
Priority to CN202310197345.XA priority Critical patent/CN116422452A/zh
Publication of CN116422452A publication Critical patent/CN116422452A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
    • B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
    • B02C21/00—Disintegrating plant with or without drying of the material
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
    • B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
    • B02C23/00—Auxiliary methods or auxiliary devices or accessories specially adapted for crushing or disintegrating not provided for in preceding groups or not specially adapted to apparatus covered by a single preceding group
    • B02C23/08—Separating or sorting of material, associated with crushing or disintegrating
    • B02C23/14—Separating or sorting of material, associated with crushing or disintegrating with more than one separator
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
    • B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
    • B02C25/00—Control arrangements specially adapted for crushing or disintegrating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Food Science & Technology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种自动控制参数优化磨矿溢流粒度区间的方法，属于磨矿粒度控制技术领域。本发明生产中通过传感器，获得生产数据，发送至中控计算机中；前期通过长期的数据积累训练深度森林模型并存储到中控计算机中；对传感器获取的溢流粒度数值进行判定，对于不在规定区间的情况，通过网格方法在深度森林模型下获取适合当前生产状态下各个设备的最佳参数，通过发送模块参数调整结果反馈回生产系统，最后通过控制模块完成参数的调节。本发明实现了磨矿工艺过程中参数的自动调整修正，大大提高了磨矿中溢流粒度的稳定性和生产效率。

Description

一种自动控制参数优化磨矿溢流粒度区间的方法
技术领域
本发明涉及磨矿粒度控制技术领域，具体为一种自动控制参数优化磨矿溢流粒度区间的方法。
背景技术
磨矿作业是整个选矿生产工艺流程中最关键的环节，它起着承上启下的作用。而磨矿作业中的溢流粒度的分布情况往往是选矿生产的关键指标，因此，如何稳定检测溢流粒度的分布情况是提高企业生产效率的关键。随着科技的快速发展，虽然目前可以通过一些价格昂贵的粒度分析仪表对溢流粒度分布进行在线检测，但是在实际生产的恶劣环境中，这种粒度分析仪表故障时有发生，不能实时反映整体生产系统的运行状态。
目前，对于解决磨矿粒度的测量问题，一般有两种方法。一种是根据传统检测技术的发展思路，研制新型粒度分析仪器，以硬件的形式实现磨矿粒度的直接测量，这种粒度分析仪器虽然能够得到较准确的测量结果，但前期设备投资大、后期维护成本高，使得部分选厂无法大量配置这种检测设备；其次，在实际生产的恶劣环境中，现存的粒度分析仪器抗干扰能力差，仪器故障时有发生，不能实时反映整体生产系统的运行状态，具有一定的局限性。另一种检测方法则采用间接测量的思想，利用生产过程中容易获取的检测信息，通过人工智能技术实现对溢流粒度分布的估计。近些年来，在过程检测领域中出现的软测量技术，正是这一思想的集中体现。
磨矿粒度的软测量研究一直是一个热门的研究方向。2017年张云刚等人提出用径向基函数神经网络建立磨矿粒度的软测量模型，在实际应用中验证了这种方法的可行性。2020年，张燕等人提出一种通过改进灰狼优化算法，优化最小二乘支持向量机从而建立磨矿粒度的软测量模型，实验结果表明，改进后的软测量模型不仅具有较好的预测效果，而且寻优精度较高。2022年黎芬芳等人提出了一种基于粒子群算法优化T-S模糊神经网络的方法，建立磨矿粒度的软测量模型，实验结果表明优化T-S模糊神经网络的模型具有较好的预测效果。
但是在众多建模方法中，如何建立一个训练时间短、预测精度高、泛化性能好的粒度分布预测模型是一个难点问题，虽然机器学习预测方法优势明显，但仍存在着许多问题，如传统模型结构简单，对于溢流粒度预测的解释性较差，预测精度较低。神经网络模型结构复杂，但超参数过多、训练复杂、收敛速度慢、容易造成过拟合等问题。另外在实际场景中，如何利用预测模型进行快速和有效地软测量并对生产环节进行一定的反馈控制，也是一个需要解决的问题。
发明内容
本发明的目的在于提供一种自动控制参数优化磨矿溢流粒度区间的方法，操作简便，实现了磨矿工艺过程中参数的自动调整修正，大大提高了磨矿中溢流粒度的稳定性和生产效率，以解决上述背景技术提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种自动控制参数优化磨矿溢流粒度区间的方法，包括以下步骤：
步骤1：安装需要采集对应变量数据的PLC终端单元，主要采集的数据信息包括：皮带给矿量，带式给料机频率，给料机开启状态，球磨机功率、磨音、电流、给水量，圆振筛电流，泵池补加水检测值，泵池液位，水力旋流器给矿压力、给矿流量、给矿浓度，底流泵频率反馈值，破碎机电流，磁选机电流、频率，高压辊磨机电流，淘洗机排矿阀位值、副水阀位值、溢流检测值、底流浓度、进水阀位值，以及水力旋流器的溢流粒度等众多生产信息；
步骤2：在生产过程中，利用安装好的PLC终端单元进行数据采集和保存，同时对数据进行相关数据预处理操作和特征选择来提高数据质量；
步骤3：对处理后的数据集进行选择，针对这些数据集使用深度森林算法进行训练并产生对应的预测模型；
步骤4：在生产过程中，通过中控机获取各个PLC终端实时监测的数据，并将数据按时间顺序进行存储；同时判断溢流粒度是否在正常的区间范围内，若取值正常则等待下一次的区间判断，若不正常则需要对控制参数进行调整；
步骤5：当溢流粒度取值不正常时，利用已生成的深度森林预测模型，将溢流粒度目标值设定到指定值，并使用网格搜索方法，依次得到所有控制参数的设定值；
步骤6：通过发送模块将具体控制数值发送到PLC控制器上，从而设定好对应参数即可自动控制磨矿溢流粒度到指定区间。
进一步地，所述步骤2中对于原始数据的数据预处理具体过程如下：针对实际生产环境中因PLC终端故障或数据传输发生意外从而导致的数据缺失问题，采用线性插补法来补充缺失值；对于时间t下产生的缺失点Pt(X,Y)上的缺失值Y，可以取时间t临近的有值点Pt-a(X1,Y1)和Pt+b(X2,Y2)，那么对应的缺失值则可以计算填补，计算公式如下：
Figure BDA0004107657440000031
对于数据集中存在的异常值，采用基于拉依达准则的检测方法；首先测量数据的整体趋势，然后根据去除趋势后的数据，计算均值
Figure BDA0004107657440000035
及标准差σ，其公式分别如下：
Figure BDA0004107657440000032
Figure BDA0004107657440000033
之后计算每一条数据的残差vi，其公式如下：
Figure BDA0004107657440000034
最后通过将残差vi和范围门限3σ进行比较，如果|vi|≥3σ，则对应的数据xi判断为异常值，利用样本均值替换进行修正；
对于数据预处理完成后的数据，采用主成分分析法来进行降维从而选取合适的特征保留，算法的主要过程如下：
首先，设定n个样本p个维度的数据矩阵x如下：
Figure BDA0004107657440000041
其中，xi＝(xi1xi2...xip)T，i＝1，2，...，n
综合后的k个变量可以表示：
Figure BDA0004107657440000042
其中，k＝1，2，3，...，n
上述公式可用矩阵表示为G＝AX，公式如下：
Figure BDA0004107657440000043
其中，A为主成分系数矩阵，一般要求模型满足以下3个基本条件：
(1)Gi和Gj互不相关，其中i≠j，i，j∈(1，2，...，n)
(2)Var(G1)＞Var(G2)＞…Var(Gi)，i∈(1，2，...，n)
(3)am1 2+am2 2+…+amn 2＝1，m＝1，2，...，n
其中，G1为第一主成分，G2为第二主成分，…，Gn为第n主成分；
一般来说，当取c(c＜n)个为主成分时，需要所取c的累计贡献率至少达到85％；最后根据主成分分析结果，取累计贡献率85％以上的变量群作为最后采用的特征变量。
进一步地，所述步骤3中深度森林的具体形成过程如下：首先读取数据集D，并将数据集D按一定比例划分为训练集D1和测试集T1，D1∈Rl×m，其中1表示训练集D1的样本数大小，m表示特征变量的个数；进而初始化相关参数，重要参数例如滑动窗口大小di和每个森林中决策树的数目n会对模型生成产生较大影响；接着使用大小为di的滑动窗，分别对训练集D1进行拆分，生成不同大小的特征向量gvi，
Figure BDA0004107657440000051
然后对滑动窗di提取出来的特征向量gvi分别用于训练随机森林和完全随机森林模型，进而生成两个不同的局部特征向量，并将这两个局部特征向量进行拼接，最终生成转化向量gi，/>
Figure BDA0004107657440000052
将向量gi用于训练级联森林模型，gi经过级联森林的第ni级产生一个增广向量/>
Figure BDA0004107657440000053
然后将增广向量/>
Figure BDA0004107657440000054
和最初的转化向量连接为特征向量/>
Figure BDA0004107657440000055
Figure BDA0004107657440000056
计算特征向量/>
Figure BDA0004107657440000057
的训练误差，当误差逐渐降低时，将当前的特征向量作为下一层联合森林的输入；当误差连续三层不再降低，则终止训练过程，确定级联森林级数；将最后一层作为评估层，计算所有森林预测的平均值，即为最终深度森林回归预测的结果/>
Figure BDA0004107657440000058
进一步地，所述步骤5中利用已生成的预测模型调节控制参数的具体过程如下：首先设定输入变量数量为1，对所有控制参数的重要程度进行降序排序，选择影响程度最大的控制参数变量a1，加入集合M中；针对在集合M中的变量，利用网格搜索法在集合M中参数的范围内探索不同取值和对应的溢流粒度变化情况，此时集合M外的变量(即其他未被选择的控制参数)保持固定不变；若在网格搜索过程中溢流粒度预测结果到达正常范围，则保存各控制参数并反馈调整对应机器设备；反之则用下一个参数更换M中的变量继续进行网格搜索；在反馈调整过程中，保证M中的变量数量与输入变量数量一致且迭代所有可能出现的选择情况；若在当前的输入变量数量下仍不能完成搜索，则将输入变量数量加1，直到找到合适的参数进行反馈调整。
与现有技术相比，本发明的有益效果是：
本发明通过PLC终端单元收集生产过程中的相关变量数据，再结合数据清洗和主成分分析提高数据质量，进而生成基础预测模型，在后续生产过程中实时利用预测模型预测未来一段时间溢流粒度情况，对异常的预测结果按照一定控制参数顺序进行累加地网格搜索尝试，若此过程中能够让预测模型产生的溢流粒度预测结果到达正常范围，则记录控制参数并反馈调整；若不能到达正常范围，则依次进行更换控制参数变量、增加输入变量数量，从而进行新一轮的搜索，直到完成有效的控制参数调整。本发明能够对磨矿生产中的多种变量进行有效选择，在有效提升数据质量后可以准确地预测未来一段时间的溢流粒度变化过程，从而可以在溢流粒度异常前利用迭代式的网格搜索去迅速找到一组控制参数，保证了作业过程的正常运行。相较于传统的利用仪器直接检测，本发明具有更低的部署成本和更高的稳定性，极大节约了人力资源，且广泛适用于各种磨矿场景。
附图说明
图1为本发明的系统设备示意图；
图2为本发明的磨矿流程图；
图3为本发明的系统中控结构示意图；
图4为本发明的模型示意图；
图5为本发明的溢流粒度方法预测绝对误差对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1-5，本发明实施例中：提供一种自动控制参数优化磨矿溢流粒度区间的方法，包括以下步骤：
步骤1：安装需要采集对应变量数据的PLC终端单元，主要采集的数据信息包括：皮带给矿量，带式给料机频率，给料机开启状态，球磨机功率、磨音、电流、给水量，圆振筛电流，泵池补加水检测值，泵池液位，水力旋流器给矿压力、给矿流量、给矿浓度，底流泵频率反馈值，破碎机电流，磁选机电流、频率，高压辊磨机电流，淘洗机排矿阀位值、副水阀位值、溢流检测值、底流浓度、进水阀位值，以及水力旋流器的溢流粒度等众多生产信息，其磨矿流程如图2所示；
步骤2：在生产过程中，利用安装好的PLC终端单元进行数据采集和保存，同时对数据进行相关数据预处理操作和特征选择来提高数据质量；
步骤2中对于原始数据的数据预处理具体过程如下：针对实际生产环境中因PLC终端故障或数据传输发生意外从而导致的数据缺失问题，采用线性插补法来补充缺失值；对于时间t下产生的缺失点Pt(X,Y)上的缺失值Y，可以取时间t临近的有值点Pt-a(X1,Y1)和Pt+b(X2,Y2)，那么对应的缺失值则可以计算填补，计算公式如下：
Figure BDA0004107657440000071
对于数据集中存在的异常值，采用基于拉依达准则的检测方法；首先测量数据的整体趋势，然后根据去除趋势后的数据，计算均值
Figure BDA0004107657440000072
及标准差σ，其公式分别如下：
Figure BDA0004107657440000081
Figure BDA0004107657440000082
之后计算每一条数据的残差vi，其公式如下：
Figure BDA0004107657440000083
最后通过将残差vi和范围门限3σ进行比较，如果|vi|≥3σ，则对应的数据xi判断为异常值，利用样本均值替换进行修正；
对于数据预处理完成后的数据，采用主成分分析法来进行降维从而选取合适的特征保留，算法的主要过程如下：
首先，设定n个样本p个维度的数据矩阵x如下：
Figure BDA0004107657440000084
其中，xi＝(x11，xi2，...，xip)T，i＝1，2，...，n
综合后的k个变量可以表示：
Figure BDA0004107657440000085
其中，k＝1，2，3，...，n
上述公式可用矩阵表示为G＝AX，公式如下：
Figure BDA0004107657440000086
其中，A为主成分系数矩阵，一般要求模型满足以下3个基本条件：
(1)Gi和Gj互不相关，其中i≠j，i，j∈(1，2，...，n)
(2)Var(G1)＞Var(G2)＞…Var(Gi)，i∈(1，2，...，n)
(3)am1 2+am2 2+…+amn 2＝1，m＝1，2，...，n
其中，G1为第一主成分，G2为第二主成分，…，Gn为第n主成分；
一般来说，当取c(c＜n)个为主成分时，需要所取c的累计贡献率至少达到85％；最后根据主成分分析结果，取累计贡献率85％以上的变量群作为最后采用的特征变量；
步骤3：对处理后的数据集进行选择，针对这些数据集使用深度森林算法进行训练并产生对应的预测模型；
步骤3中，深度森林的具体形成过程如下：首先读取数据集D，并将数据集D按一定比例划分为训练集D1和测试集T1，D1∈Rl×m，其中l表示训练集D1的样本数大小，m表示特征变量的个数；进而初始化相关参数，重要参数例如滑动窗口大小di和每个森林中决策树的数目n会对模型生成产生较大影响；接着使用大小为di的滑动窗，分别对训练集D1进行拆分，生成不同大小的特征向量gvi，
Figure BDA0004107657440000091
然后对滑动窗di提取出来的特征向量gvi分别用于训练随机森林和完全随机森林模型，进而生成两个不同的局部特征向量，并将这两个局部特征向量进行拼接，最终生成转化向量gi，/>
Figure BDA0004107657440000092
将向量gi用于训练级联森林模型，gi经过级联森林的第ni级产生一个增广向量/>
Figure BDA0004107657440000093
然后将增广向量/>
Figure BDA0004107657440000094
和最初的转化向量连接为特征向量/>
Figure BDA0004107657440000095
Figure BDA0004107657440000101
计算特征向量/>
Figure BDA0004107657440000102
的训练误差，当误差逐渐降低时，将当前的特征向量作为下一层联合森林的输入；当误差连续三层不再降低，则终止训练过程，确定级联森林级数；将最后一层作为评估层，计算所有森林预测的平均值，即为最终深度森林回归预测的结果/>
Figure BDA0004107657440000103
步骤4：在生产过程中，通过主控机获取各个PLC终端实时监测的数据，并将数据按时间顺序进行存储；同时判断溢流粒度是否在正常的区间范围内，若取值正常则等待下一次的区间判断，若不正常则需要对控制参数进行调整；
步骤5：当溢流粒度取值不正常时，利用已生成的深度森林预测模型，将溢流粒度目标值设定到指定值，并使用网格搜索方法，依次得到所有控制参数的设定值；
所述步骤5中利用已生成的预测模型调节控制参数的具体过程如下：首先设定输入变量数量为1，对所有控制参数的重要程度进行降序排序，选择影响程度最大的控制参数变量a1，加入集合M中；针对在集合M中的变量，利用网格搜索法在集合M中参数的范围内探索不同取值和对应的溢流粒度变化情况，此时集合M外的变量(即其他未被选择的控制参数)保持固定不变；若在网格搜索过程中溢流粒度预测结果到达正常范围，则保存各控制参数并反馈调整对应机器设备；反之则用下一个参数更换M中的变量继续进行网格搜索；在反馈调整过程中，保证M中的变量数量与输入变量数量一致且迭代所有可能出现的选择情况；若在当前的输入变量数量下仍不能完成搜索，则将输入变量数量加1，直到找到合适的参数进行反馈调整，步骤2-5具体如图3所示；
步骤6：通过发送模块将具体控制数值发送到PLC控制器上，从而设定好对应参数即可自动控制磨矿溢流粒度到指定区间。
如图4所示，本实施例的一种自动控制参数优化磨矿溢流粒度区间的方法模型主要包括多粒度扫描阶段和级联森林阶段两部分，数据经过模型处理过程如下：多粒度滑动窗扫描过程可表示为，假设输入数据是特征大小为n的数据集，设定一个滑动窗的大小为m，步长默认为1，通过滑动窗对数据集进行取样，得到d＝(n-m+1)个m维子样本集，并将每个子样本集分别通过随机森林模型和完全随机森林模型进行训练，在训练完成后，每个森林模型都会生成长度为c的概率向量，进而生成d*c的表征向量，最后将所有的森林结果拼接在一起得到最终输出。在级联森林阶段中，级联森林的每一层由多个森林组成，在设计时借鉴了深度神经网络对原始特征逐层学习的思想，级联结构的每一层将上一层处理后的特征信息作为本层的输入，然后将本层处理后的结果和上一阶段得到的特征向量一起向下一层传递，当某一层输出结果的性能增益不再增加时，级联结构的层数停止增加，从而确定级联森林的结构。
本实施例中还提供了基于决策树回归的溢流粒度预测系统，所述系统如下：通过决策树回归算法对磨矿过程中水力旋流器的溢流粒度分布进行回归预测。首先读取数据集D，并将数据集D按8∶2的比例划分为训练集D1和测试集T1，使用CART回归树算法，其中，对于生成最小二乘法回归树的算法，其过程如下：假定训练数据集D1＝{(x1，y1)，(x2，y2)...(xn，yn)}，在D1的输入空间中，通过递归方法将每个区域拆分为两个子区域，并确定每个子区域的输出值，从而构建决策树。具体的，包括如下步骤：
步骤1：遍历切分变量j和扫描切分点s，选择一组最优的切分变量j和切分点s，使得公式(8)的值最小；
Figure BDA0004107657440000111
步骤2：通过公式(9)，用上式求出的最优变量(j，s)对不同区域进行划分，并将划分结果输出：
Figure BDA0004107657440000121
其中，xi∈Rm，m＝1，2，R1(j，s)＝{x|x(j)≤s}，R2(j，s)＝{x|x(j)＞s}；
步骤3：通过递归方法对每个子区域调用步骤1和步骤2操作，直到满足终止条件；
步骤4：对输入空间进行划分，分别为R1，R2，…，Rn子区域，生成最终决策树g(x)：
Figure BDA0004107657440000122
其中，x∈Rm，
Figure BDA0004107657440000123
本实施例中，使用马鞍山市某选矿厂数据，将本发明与当前主流的决策树和森林预测模型进行对比。下表为溢流粒度方法预测结果比较。
Figure BDA0004107657440000124
如图5所示，深度森林的绝对误差曲线较决策树模型误差曲线大幅度降低，对比随机森林模型误差曲线更低，且深度森林的绝对误差曲线的波动幅度较小，因此本方法所建立的深度森林模型的预测效果更佳。
综上所述，本发明的一种自动控制参数优化磨矿溢流粒度区间的方法，通过PLC终端单元收集生产过程中的相关变量数据，再结合数据清洗和主成分分析提高数据质量，进而生成基础预测模型，在后续生产过程中实时利用预测模型预测未来一段时间溢流粒度情况，对异常的预测结果按照一定控制参数顺序进行累加地网格搜索尝试，若此过程中能够让预测模型产生的溢流粒度预测结果到达正常范围，则记录控制参数并反馈调整；若不能到达正常范围，则依次进行更换控制参数变量、增加输入变量数量，从而进行新一轮的搜索，直到完成有效的控制参数调整。本发明能够对磨矿生产中的多种变量进行有效选择，在有效提升数据质量后可以准确地预测未来一段时间的溢流粒度变化过程，从而可以在溢流粒度异常前利用迭代式的网格搜索去迅速找到一组控制参数，保证了作业过程的正常运行。相较于传统的利用仪器直接检测，本发明具有更低的部署成本和更高的稳定性，极大节约了人力资源，且广泛适用于各种磨矿场景。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种自动控制参数优化磨矿溢流粒度区间的方法，其特征在于：包括以下步骤：
步骤1：安装需要采集对应变量数据的PLC终端单元，主要采集的数据信息包括：皮带给矿量，带式给料机频率，给料机开启状态，球磨机功率、磨音、电流、给水量，圆振筛电流，泵池补加水检测值，泵池液位，水力旋流器给矿压力、给矿流量、给矿浓度，底流泵频率反馈值，破碎机电流，磁选机电流、频率，高压辊磨机电流，淘洗机排矿阀位值、副水阀位值、溢流检测值、底流浓度、进水阀位值，以及水力旋流器的溢流粒度等众多生产信息；
步骤2：在生产过程中，利用安装好的PLC终端单元进行数据采集和保存，同时对数据进行相关数据预处理操作和特征选择来提高数据质量；
步骤3：对处理后的数据集进行选择，针对这些数据集使用深度森林算法进行训练并产生对应的预测模型；
步骤4：在生产过程中，通过中控机获取各个PLC终端实时监测的数据，并将数据按时间顺序进行存储；同时判断溢流粒度是否在正常的区间范围内，若取值正常则等待下一次的区间判断，若不正常则需要对控制参数进行调整；
步骤5：当溢流粒度取值不正常时，利用已生成的深度森林预测模型，将溢流粒度目标值设定到指定值，并使用网格搜索方法，依次得到所有控制参数的设定值；
步骤6：通过发送模块将具体控制数值发送到PLC控制器上，从而设定好对应参数即可自动控制磨矿溢流粒度到指定区间。
2.根据权利要求1所述的自动控制参数优化磨矿溢流粒度区间的方法，其特征在于：所述步骤2中对于原始数据的数据预处理具体过程如下：针对实际生产环境中因PLC终端故障或数据传输发生意外从而导致的数据缺失问题，采用线性插补法来补充缺失值；对于时间t下产生的缺失点Pt(X,Y)上的缺失值Y，可以取时间t临近的有值点Pt-a(X1,Y1)和Pt+b(X2,Y2)，那么对应的缺失值则可以计算填补，计算公式如下：
Figure FDA0004107657430000021
对于数据集中存在的异常值，采用基于拉依达准则的检测方法；首先测量数据的整体趋势，然后根据去除趋势后的数据，计算均值
Figure FDA0004107657430000025
及标准差σ，其公式分别如下：
Figure FDA0004107657430000022
Figure FDA0004107657430000023
之后计算每一条数据的残差vi，其公式如下：
Figure FDA0004107657430000026
最后通过将残差vi和范围门限3σ进行比较，如果|vi|≥3σ，则对应的数据xi判断为异常值，利用样本均值替换进行修正；
对于数据预处理完成后的数据，采用主成分分析法来进行降维从而选取合适的特征保留，算法的主要过程如下：
首先，设定n个样本p个维度的数据矩阵x如下：
Figure FDA0004107657430000024
其中，xi＝(xi1xi2...xip)T，i＝1，2，...，n
综合后的k个变量可以表示：
Figure FDA0004107657430000031
其中，k＝1，2，3，...，n
上述公式可用矩阵表示为G＝AX，公式如下：
Figure FDA0004107657430000032
其中，A为主成分系数矩阵，一般要求模型满足以下3个基本条件：
(1)Gi和Gj互不相关，其中i≠j，i，j∈(1，2，...，n)
(2)Var(G1)＞Var(G2)＞…Var(Gi)，i∈(1，2，...，n)
(3)am1 2+am2 2+…+amn 2＝1，m＝1，2，...，n
其中，G1为第一主成分，G2为第二主成分，…，Gn为第n主成分；
一般来说，当取c(c＜n)个为主成分时，需要所取c的累计贡献率至少达到85％；最后根据主成分分析结果，取累计贡献率85％以上的变量群作为最后采用的特征变量。
3.根据权利要求1所述的自动控制参数优化磨矿溢流粒度区间的方法，其特征在于：所述步骤3中深度森林的具体形成过程如下：首先读取数据集D，并将数据集D按一定比例划分为训练集D1和测试集T1，D1∈Rl×m，其中l表示训练集D1的样本数大小，m表示特征变量的个数；进而初始化相关参数，重要参数例如滑动窗口大小di和每个森林中决策树的数目n会对模型生成产生较大影响；接着使用大小为di的滑动窗，分别对训练集D1进行拆分，生成不同大小的特征向量gvi，
Figure FDA0004107657430000041
然后对滑动窗di提取出来的特征向量gvi分别用于训练随机森林和完全随机森林模型，进而生成两个不同的局部特征向量，并将这两个局部特征向量进行拼接，最终生成转化向量gi，/>
Figure FDA0004107657430000042
将向量gi用于训练级联森林模型，gi经过级联森林的第ni级产生一个增广向量/>
Figure FDA0004107657430000043
然后将增广向量/>
Figure FDA0004107657430000044
和最初的转化向量连接为特征向量/>
Figure FDA0004107657430000045
Figure FDA0004107657430000046
计算特征向量/>
Figure FDA0004107657430000047
的训练误差，当误差逐渐降低时，将当前的特征向量作为下一层联合森林的输入；当误差连续三层不再降低，则终止训练过程，确定级联森林级数；将最后一层作为评估层，计算所有森林预测的平均值，即为最终深度森林回归预测的结果/>
Figure FDA0004107657430000048
4.根据权利要求1所述的自动控制参数优化磨矿溢流粒度区间的方法，其特征在于：所述步骤5中利用已生成的预测模型调节控制参数的具体过程如下：首先设定输入变量数量为1，对所有控制参数的重要程度进行降序排序，选择影响程度最大的控制参数变量a1，加入集合M中；针对在集合M中的变量，利用网格搜索法在集合M中参数的范围内探索不同取值和对应的溢流粒度变化情况，此时集合M外的变量(即其他未被选择的控制参数)保持固定不变；若在网格搜索过程中溢流粒度预测结果到达正常范围，则保存各控制参数并反馈调整对应机器设备；反之则用下一个参数更换M中的变量继续进行网格搜索；在反馈调整过程中，保证M中的变量数量与输入变量数量一致且迭代所有可能出现的选择情况；若在当前的输入变量数量下仍不能完成搜索，则将输入变量数量加1，直到找到合适的参数进行反馈调整。
CN202310197345.XA 2023-03-03 2023-03-03 一种自动控制参数优化磨矿溢流粒度区间的方法 Pending CN116422452A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310197345.XA CN116422452A (zh) 2023-03-03 2023-03-03 一种自动控制参数优化磨矿溢流粒度区间的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310197345.XA CN116422452A (zh) 2023-03-03 2023-03-03 一种自动控制参数优化磨矿溢流粒度区间的方法

Publications (1)

Publication Number Publication Date
CN116422452A true CN116422452A (zh) 2023-07-14

Family

ID=87091497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310197345.XA Pending CN116422452A (zh) 2023-03-03 2023-03-03 一种自动控制参数优化磨矿溢流粒度区间的方法

Country Status (1)

Country Link
CN (1) CN116422452A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610733A (zh) * 2023-12-04 2024-02-27 中国地质大学（北京） 一种基于深度森林的矿产预测方法、装置、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610733A (zh) * 2023-12-04 2024-02-27 中国地质大学（北京） 一种基于深度森林的矿产预测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
KR101998553B1 (ko) 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법
CN105701562B (zh) 训练方法、所适用的预测发电功率的方法及各自系统
CN117421687B (zh) 一种数字化电力环网柜运行状态监测方法
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN110969306B (zh) 基于深度学习的配电低压台区负荷预测方法及装置
CN116422452A (zh) 一种自动控制参数优化磨矿溢流粒度区间的方法
CN112947672B (zh) 一种光伏电池最大功率点跟踪方法及装置
CN115049163B (zh) 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置
CN115271186B (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
CN116629416A (zh) 光伏电站功率预测方法及装置
CN114429238A (zh) 一种基于时空特征提取的风电机组故障预警方法
CN117767433A (zh) 基于数字孪生的实时县域能源互联网调度方法及系统
CN116213095B (zh) 一种基于重介质分选的精煤产品灰分智能调节方法及系统
CN111967660A (zh) 一种基于svr的超短期光伏预测残差修正方法
Gunasekaran et al. Solar irradiation forecasting using genetic algorithms
CN110309978A (zh) 基于二次动态调整的神经网络光伏功率预测模型及方法
CN112633565B (zh) 一种光伏功率集合区间预测方法
CN113554203B (zh) 基于高维网格化和LightGBM的风电预测方法及装置
CN108256668A (zh) 基于和声搜索-Elman算法的光伏出力预测方法
Jun et al. Displacement prediction model for concrete dam based on PSO-GBDT
CN111458143A (zh) 一种风电机组主轴承温度故障诊断方法
CN114898152B (zh) 嵌入式弹性自扩展通用学习系统
CN111985711B (zh) 一种风电功率概率预测模型建立方法
CN116976527B (zh) 基于迁移学习的大风时段区域风电功率预测方法及系统
CN117669391B (zh) 一种基于深度学习的短期光伏功率预测方法

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