CN116956140B - 一种智能分拣过程中参数动态预测方法及系统 - Google Patents
一种智能分拣过程中参数动态预测方法及系统 Download PDFInfo
- Publication number
- CN116956140B CN116956140B CN202311203981.5A CN202311203981A CN116956140B CN 116956140 B CN116956140 B CN 116956140B CN 202311203981 A CN202311203981 A CN 202311203981A CN 116956140 B CN116956140 B CN 116956140B
- Authority
- CN
- China
- Prior art keywords
- stage
- influence factors
- influence
- factors
- grade
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- 230000008569 process Effects 0.000 title claims abstract description 66
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 45
- 239000011707 mineral Substances 0.000 claims abstract description 45
- 238000000926 separation method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 20
- 239000012141 concentrate Substances 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000005188 flotation Methods 0.000 claims description 15
- 230000007774 longterm Effects 0.000 claims description 10
- 238000007885 magnetic separation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000227 grinding Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000002243 precursor Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 230000001105 regulatory effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 229910052595 hematite Inorganic materials 0.000 description 3
- 239000011019 hematite Substances 0.000 description 3
- LIKBJVNGSGBSGK-UHFFFAOYSA-N iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Fe+3].[Fe+3] LIKBJVNGSGBSGK-UHFFFAOYSA-N 0.000 description 3
- 241001048891 Jatropha curcas Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000008237 rinsing water Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- B03B9/00—General arrangement of separating plant, e.g. flow sheets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数字数据处理技术领域，提出了一种智能分拣过程中参数动态预测方法及系统，包括：获取选矿各阶段影响因素的参数，根据影响因素参数取值与输出品位的拟合曲线获取各阶段影响因素的分类结果，根据影响因素的前序影响指数和阶段显著度获取品位影响系数，根据品位影响系数获取各阶段不同相关性的主影响因素，根据主影响因素的影响显著比和取值差分序列获取阶段决策指数，根据阶段决策指数的聚类结果获取关键指标，根据决策序列和数据序列获取各阶段输出品位的预测值。本发明能够削弱不同选矿阶段不同影响因素之间的耦合关系，避免不同阶段影响因素对选矿品位预测结果的滞后性影响，提高各阶段选矿品位的预测精准度。
Description
技术领域
本发明涉及数字数据处理技术领域，具体涉及一种智能分拣过程中参数动态预测方法及系统。
背景技术
现阶段智能分拣成为多个行业内拾取、运输等环节的新兴方式，物品或者材料分拣的质量、效率对物体运输或者材料处理的结果具有直接影响。随着钢铁产业的快速发展，对金属矿石的需求日益增加。铁矿石属于不可再生能源，矿石品位较低的赤铁矿占据我国铁矿石储量的主要部分。金属矿石的选矿过程就是将从地下开采出来的原矿石经过物理化学变化使有用矿物进行富集的过程，富集的有用成分称为精矿。赤铁矿选矿过程是将地下开采出来的铁矿石经过破碎筛分、磁选、反浮选、精矿脱水和尾矿浓缩等生产工序得到精矿的过程。
精矿品位和精矿产量都是选矿生产过程的重要生产指标，在选矿生产过程中，全流程控制系统面临的干扰是动态不可预测的，如市场需求变化、原矿种类和成分波动、设备运行故障等，这时精矿品位目标、设备处理量等生产作业指令需要相应更改，控制系统也需要及时响应指令变化。但是受限于在线检测难度，精矿品位等重要生产指标难以及时在线获取，生产实践中大多只能依靠离线取样化验的方式部分获得，会产生较大的滞后性。这种关键信息的缺失与滞后严重影响企业生产效益。除此之外，由于选矿过程复杂，涉及多个复杂的工艺过程，运行指标与综合生产指标之间很难通过机理模型来描述它们之间的关系。
发明内容
本发明提供一种智能分拣过程中参数动态预测方法及系统，以解决金属矿物选矿过程复杂导致的各阶段关键指标与输出品位的关系很难通过数学模型建立的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例一种智能分拣过程中参数动态预测方法，该方法包括以下步骤：
获取选矿各阶段影响因素的参数，利用数据流的形式将经过均值填充处理后各阶段影响因素的参数导入大数据平台；
获取各阶段每类影响因素与最终精矿品位的关联度，根据各阶段内各类影响因素参数取值与各阶段输出品位的拟合曲线获取各阶段影响因素的分类结果，根据每阶段前序影响指数和每类影响因素的阶段显著度获取每类影响因素的品位影响系数，根据品位影响系数获取各阶段不同相关性的主影响因素；
根据各阶段每类主影响因素的信息增益、取值差分序列以及各阶段输出品位的输出差分序列获取各类主影响因素的阶段决策指数，根据各阶段主影响因素的阶段决策指数得到主影响因素的聚类结果以及关键指标；
根据每个选矿阶段的关键指标和选矿工艺流程顺序获取决策序列以及数据序列，将多个选矿阶段的决策序列和数据序列作为预测模型的输入获取各阶段输出品位的预测值。
优选的，所述获取选矿各阶段影响因素的参数，利用数据流的形式将经过均值填充处理后各阶段影响因素的参数导入大数据平台的方法为：
利用选矿系统中的底层控制系统获取选矿各阶段内的影响因素的参数，所述各阶段包括竖炉磁化焙烧阶段、磨矿阶段、强磁选阶段、弱磁选阶段以及反浮选阶段；
利用均值填充法对所有影响因素的参数进行预处理，将预处理后的所有参数以数据流的形式导入Hadoop大数据平台的存储系统中。
优选的，所述根据各阶段内各类影响因素参数取值与各阶段输出品位的拟合曲线获取各阶段影响因素的分类结果的方法为：
对于各阶段中的任意一类影响因素，利用移动最小二乘MLS算法获取每一类影响因素与其所属阶段输出品位的拟合曲线，根据拟合曲线获取每一类影响因素与其所属阶段精矿品位的相关关系，将与所述阶段输出品位存在正相关关系的影响因素作为正向影响因素，将与所述阶段输出品位存在负相关关系的影响因素作为负向影响因素。
优选的，所述根据每阶段前序影响指数和每类影响因素的阶段显著度获取每类影响因素的品位影响系数的方法为：
根据不同阶段影响因素组成关联序列获取各阶段前序影响指数，根据每类影响因素与前期选矿阶段影响因素的相关性以及与同向影响因素之间的相似性获取每类影响因素的阶段显著度；
对于任意一类影响因素，将不同类影响因素数量差值绝对值与阶段显著度的乘积与调参因子的累加和作为分母，所述不同类影响因素数量差值绝对值为每类影响因素所属阶段内正向影响因素数量与负向影响因素数量差值的绝对值，将前序影响指数作为分子，将分子与分母的比值结果作为影响因素的品位影响系数。
优选的，所述根据不同阶段影响因素组成关联序列获取各阶段前序影响指数的方法为：
式中，是第i个阶段的前序影响指数，/>、/>分别是选矿过程中第i个阶段、第k个阶段内各影响因素关联度的均值，/>、/>分别是第i个阶段、第k个阶段内各影响因素关联度按照从大到小的顺序组成的关联序列，/>是关联序列/>、/>之间的DTW距离，/>是第i个选矿阶段的开始时间，/>是第k个选矿阶段的结束时间, />是调参因子。
优选的，所述根据每类影响因素与前期选矿阶段影响因素的相关性以及与同向影响因素之间的相似性获取每类影响因素的阶段显著度的方法为：
式中，是第i个选矿阶段第a类影响因素的阶段显著度，/>是由第a类影响因素的关联度与前i-1个阶段所有影响因素关联度组成的长期关联序列，/>是DFA去趋势算法获取的长期关联序列/>的DFA值，/>是判断阈值，/>是第i个阶段内第a类影响因素与其同向影响因素之间的拟合曲线的皮尔逊相关系数的均值。
优选的，所述根据各阶段每类主影响因素的信息增益、取值差分序列以及各阶段输出品位的输出差分序列获取各类主影响因素的阶段决策指数的方法为：
式中，是第a类主影响因素的影响显著比，/>是第i个选矿阶段第a类主影响因素的信息增益，/>是第i个选矿阶段所有主影响因素信息增益的均值，/>是/>个第a类主影响因素不同取值之间的差值组成的取值差分序列，/>是/>个第i个选矿阶段输出品位差值组成的输出差分序列，/>是差分序列/>、/>之间的皮尔逊相关系数，n是第a类主影响因素的取值数量，/>、/>分别是第a类影响因素取值差值序列、第i个阶段输出品位输出差分序列的信息熵，/>是第i个选矿阶段第a类主影响因素的阶段决策指数。
优选的，所述根据各阶段主影响因素的阶段决策指数得到主影响因素的聚类结果以及关键指标的具体方法为：
对于任意两类主影响因素，分别获取每类主影响因素所属阶段内所有主影响因素阶段决策指数最大值与每类主影响因素的差值，将两个差值的作差结果作为两个差值对应主影响因素聚类时的度量距离，利用K-means聚类算法获取所有主影响因素的聚类结果；
获取每个聚类簇内所有主影响因素阶段决策指数的均值，将阶段决策指数均值最大值对应的聚类簇内各阶段的主影响因素作为各阶段的关键指标。
优选的，所述根据每个选矿阶段的关键指标和选矿工艺流程顺序获取决策序列以及数据序列的方法为：
获取各阶段的关键指标，将每个选矿阶段的关键指标按照选矿工艺流程顺序组成的序列作为决策序列，获取各阶段关键指标的实时采集数据，将各选矿阶段关键指标的实时采集数据按照选矿工艺流程顺序组成的序列作为数据序列。
第二方面，本发明实施例还提供了一种智能分拣过程中参数动态预测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是：本发明通过分析不同选矿阶段各影响因素与输出品位拟合曲线的波动程度以及各影响因素与精矿品位的关联度构建品位影响系数，品位影响系数考虑了当前加工阶段输出品位与前期选矿影响因素之间的互影响关系以及每类影响因素与输出品位的长期稳定性，其有益效果在于能够削弱不同选矿阶段不同影响因素之间的耦合关系，得到每类影响因素对最终精矿品位影响程度的精准评估结果。其次基于主影响因素与输出品位的变量相似性构建阶段决策指数，阶段决策指数考虑了每类主影响因素取值变化量与输出品位变化量之间的直接相关关系，其有益效果在于通过评估影响因素与每个阶段输出的同步稳定关系，能够提高获取每个阶段关键运行指标的精度，避免其余影响因素的干扰，提高后续各阶段输出品位的预测精度。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种智能分拣过程中参数动态预测方法的流程示意图。
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，其示出了本发明一个实施例提供的一种智能分拣过程中参数动态预测方法的流程图，该方法包括以下步骤：
步骤S001，获取选矿过程中各选矿阶段的参数数据，将预处理后的数据导入大数据平台的存储系统中。
现阶段的选矿过程中，底层控制系统需要对选矿各阶段内多种影响因素的参数进行控制和跟踪，因此本发明中从选矿系统中的底层控制系统获取各阶段多种影响因素的参数，所述各阶段包括竖炉磁化焙烧阶段、磨矿阶段、强磁选阶段、弱磁选阶段以及反浮选阶段。所述各阶段的多种影响因素包括：竖炉磁化焙烧阶段的燃烧室温度、还原煤气流量、搬出机搬出时间间隔、加热煤气流量调节阀开度、加热空气流量调节阀开度等；磨矿阶段的球磨机给矿量、球磨机入口给水量、旋球器给矿浓度、分级机溢流浓度、泵池液位、强磁选过程的漂洗水流量、励磁电流、漂洗水流量调节阀开度等。实施人可根据实际情况从底层控制系统中获取所需参数，具体过程不再赘述。
在导入采集数据到大数据平台之前，通常需要对数据进行清洗和转换，以保证数据的质量和格式的一致性，为了解决采集数据中的缺失值、实现对采集各类数据格式的标准化，本发明中，分别对采集数据进行均值填充、极值归一化的预处理，均值填充为公知技术，具体过程不再赘述。
需要说明的是，对采集数据进行均值填充、极值归一化的预处理的过程是，首先对采集数据进行均值填充处理，然后在对均值填充处理后的数据进行极值归一化处理。其中，极值归一化处理过程是根据每一类影响因素的每个采集数据的大小和所有采集数据中的最大值和最小值实现归一化处理的过程。
举例说明，将第i个选矿阶段中第a类影响因素的第b个采集数据记为，则极值归一化的计算过程为：
式中，是/>极值归一化的结果，/>、/>分别是第i个选矿阶段中第a类影响因素所有采集数据中的最大值、最小值。
将预处理后的选矿数据导入到大数据平台中，所述导入方式包括批量导入、实时数据流或者API接口等方式，本发明以数据流的方式导入，实施者可根据实际情况选择具体的导入方式，其次将导入数据存储到Hadoop大数据平台的存储系统中，例如HDFS、Cassandra、MongoDB等。
至此，得到选矿过程中各阶段多种影响因素的采集数据。
步骤S002，根据每个选矿阶段的前序影响指数和每类影响因素的阶段显著度获取每类影响因素的品位影响系数以及各阶段的主影响因素。
在赤铁矿的整个选矿过程中，为了保证选矿结果符合标准，即精矿品位达到选矿标准，需要根据待选择的原矿种类、精矿品位的实际生产情况设置合理的精矿品位的目标值范围，根据精矿品位的目标值范围控制选矿各阶段的运行指标。选矿得到的精矿品位通常包括强磁选得到的强精矿品位、弱磁选得到的弱精矿品位两部分，而每部分的影响因素各不相同。当选矿生产线处于稳定运行状态时，上述各自工序的运行指标与回路设定值的误差都是位于允许范围内的。因此本发明考虑通过稳定运动状态过程中各阶段的影响因素与每个阶段精矿品位的关联程度，利用灰色关联分析GRA算法获取选矿过程中每个阶段每类影响因素与最终精矿品位的关联度，将第i个选矿阶段第a类影响因素的关联度记为，灰色关联分析GRA算法为公知技术，具体过程不再赘述。
其次获取每类影响因素的取值范围内与每个选矿阶段输出选矿品位的拟合曲线，例如，对于反浮选阶段中的浮选加药量，在多次反浮选过程中其取值范围为至/>，其中/>、/>分别是多次反浮选过程中浮选加药量的最小值、最大值，利用移动最小二乘MLS算法获取浮选加药量与反浮选输出的精矿品位的拟合曲线，移动最小二乘MLS算法为公知技术，具体过程不再赘述。根据拟合曲线获取浮选加药量与精矿品位的相关关系，如果随着浮选加药量的增大，精矿品位随之提高，认为两者之间存在正相关关系，反之存在负相关关系。进一步的，分别获取每个阶段内各类影响因素与各阶段输出品位的相关关系，将每个阶段的影响因素分为正向影响因素、反向影响两类，所述正向关联因素是指每个阶段内与当前阶段输出品位存在正相关关系的影响因素，所述反向关联因素是指每个阶段内与当前阶段输出品位存在负相关关系的影响因素。
基于上述分析，此处构建品位影响系数V，用于表征每个选矿阶段不同影响因素对最终选矿结果的影响程度，计算第i个选矿阶段第a类影响因素的品位影响系数：
式中，是前序影响指数，/>、/>分别是选矿过程中第i个阶段、第k个阶段内各影响因素关联度的均值，/>、/>分别是第i个阶段、第k个阶段内各影响因素关联度按照从大到小的顺序组成的关联序列，/>是关联序列/>、/>之间的DTW距离，/>是第i个选矿阶段的开始时间，/>是第k个选矿阶段的结束时间, />是调参因子，/>的作用是避免分母为0，/>的大小取经验值0.001，DTW距离为公知技术，具体过程不再赘述。/>的值越大，说明第i个选矿阶段内的各影响因素受到前几个选矿阶段运行指标的影响程度越大。
是第i个选矿阶段第a类影响因素的阶段显著度，/>是由第a类影响因素的关联度与前i-1个阶段所有影响因素关联度组成的长期关联序列，/>是DFA去趋势算法获取的长期关联序列/>的DFA值，/>是判断阈值，/>大小取经验值0.5，/>是第i个阶段内第a类影响因素与其同向影响因素之间的拟合曲线的皮尔逊相关系数的均值，所述同向影响因素是指和第a类影响因素与第i个阶段输出品位相关关系一致的影响因素，例如第a类影响因素是正向影响因素，则其余正向影响因素为第a类影响因素的同向影响因素。去趋势DFA算法为公知技术，具体过程不再赘述。
是第i个选矿阶段第a类影响因素的品位影响系数，/>、/>分别是第i个阶段内正向影响因素、反向影响因素的数量，/>是调参因子，/>的作用是避免分母为0，/>的大小取经验值0.001。
品位影响系数反映了每个选矿阶段不同影响因素对最终选矿结果的影响程度。第k个阶段内影响因素与最终精矿品位的关联性越大，的值越小，第k个阶段的输出品位对后续阶段的影响越大，第i个选矿阶段内的各影响因素受到第k个选矿阶段的影响程度越大，/>的值越大，/>的值越大，第k个选矿阶段与第i个选矿阶段在选矿过程中的时间间隔越短，两个阶段的互影响关系越大，/>的值越小，/>的值越大；第a类影响因素与前期阶段内影响因素的关联度差异越大，长期关联序列/>的长期稳定性越差，/>的值越接近于0.5，/>的值越接近于0，第a类影响因素与其同向影响因素之间区分度越高，/>的值越小，/>的值越小；第i个阶段内正向影响因素、反向影响因素的数量越均匀，/>的值越小，则第i个阶段内对输出品位的控制越复杂，第i个阶段内影响因素与最终精矿品位的影响越容易受到干扰，即/>的值越大，第i个选矿阶段第a类影响因素对精矿品位的影响程度越大。品位影响系数考虑了当前加工阶段输出品位与前期选矿影响因素之间的互影响关系以及每类影响因素与输出品位的长期稳定性，其有益效果在于能够削弱不同选矿阶段不同影响因素之间的耦合关系，得到每类影响因素对最终精矿品位影响程度的精准评估结果。
进一步的，获取每个阶段内每类影响因素的品位影响系数，基于同向影响因素之间品位影响系数的大小获取每个阶段的主影响因素。以第i个阶段为例，根据正向、反向影响因素分别归为一类，分别获取正向影响因素所在类别、反向影响因素所在类别中品位影响系数从大到小的排序结果，得到同向关联性的品位影响系数的排序结果。如果第a类影响因素对矿石品位的影响程度小于同向关联性中第b类影响因素对矿石品位的影响程度，说明同一选矿阶段中，第b类影响因素可以覆盖第a类影响因素对此阶段选矿结果的影响，第b类影响因素的阶段重要性大于第a类影响因素。获取第i个阶段同向影响因素中品位影响系数排序结果在前2类影响因素作为第i个阶段的主影响因素。
至此，得到选矿过程中各个阶段正向关联、反向关联的主影响因素。
步骤S003，根据主影响因素与输出品位的变量相似性构建阶段决策指数，根据阶段决策指数得到各阶段的关键指标。
得到每个阶段正向关联、反向关联的主影响因素后，分别统计每个阶段输出品位不同取值时每个主影响因素的取值范围，获取每类主影响因素的信息增益，信息增益为公知技术，具体过程不再赘述。假设第a类影响因素是正向关联因素中的一类主影响因素，如果第a类影响因素与第i个阶段输出品位具有较强的影响作用，则第a类影响因素的不同取值将会对第i个阶段输出品位的大小产生明显的波动，而如果第a类影响因素与第i个阶段输出品位之间的影响是受到其余影响因素的作用才对第i个阶段输出品位有着较大影响，则第a类影响因素的不同取值将不会对第i个阶段输出品位的大小产生明显的波动，此类影响因素不同的取值对第i个阶段输出品位不同取值的相关程度较弱。
进一步的，获取第a类影响因素的不同取值经过极值归一化后的取值序列，其次获取第a类影响因素不同取值时对应第i个阶段输出品位取值经过极值归一化后的取值序列/>，获取/>、/>两种不同取值的差值，同时获取/>、/>对应第i个阶段输出品位的取值/>、/>的差值。如果第a类影响因素与第i个阶段的输出品位的变化量之间的呈现同步稳定的关系，则认为底层控制系统调控第a类影响因素对第i个阶段的输出品位影响越直接。
基于上述分析，此处构建阶段决策指数R，用于表征每个阶段不同主影响因素对输出品位的直接相关程度，计算第i个选矿阶段第a类主影响因素的阶段决策指数：
式中，是第a类主影响因素的影响显著比，/>是第i个选矿阶段第a类主影响因素的信息增益，/>是第i个选矿阶段所有类主影响因素信息增益的均值。/>的值越大，第i个选矿阶段第a类主影响因素与第i个阶段输出品位的关联性越显著，/>是第i个选矿阶段第a类主影响因素的阶段决策指数。
是/>个第a类主影响因素不同取值之间的差值组成的取值差分序列，/>是/>个第i个选矿阶段输出品位差值组成的输出差分序列，/>是差分序列/>、/>之间的皮尔逊相关系数，n是第a类主影响因素的取值数量。/>、/>分别是第a类影响因素取值差值、第i个阶段输出品位取值差值的信息熵。/>的值越大，第a类影响因素变化对第i个阶段输出品位的影响越直接。
阶段决策指数反映了每个阶段不同主影响因素对输出品位的直接相关程度。第a类主影响因素与第i个阶段输出品位关联性的显著程度越高，的值越大，/>的值越大；相同数量差值的分布情况越相似，取值差分序列与输出差分序列之间的相似性越大，的值越大；即/>的值越大，底层控制系统调节第a类影响因素变化对第i个阶段输出品位的影响越直接。阶段决策指数考虑了每类主影响因素取值变化量与输出品位变化量之间的直接相关关系，其有益效果在于通过评估影响因素与每个阶段输出的同步稳定关系，能够提高获取每个阶段关键运行指标的精度，避免其余影响因素的干扰。
进一步的，利用K-means聚类算法对所有阶段主影响因素的阶段决策指数进行聚类，K的大小取经验值5，聚类过程中的度量距离为两类主影响因素的阶段决策指数的差值构成，K-means聚类为公知技术，具体过程不再赘述。计算第a类、第f类两类主影响因素的度量距离:
式中，、/>分别是第i个阶段内阶段决策指数最大值、第i个阶段第a类主影响因素的阶段决策指数，/>、/>分别是第k个阶段内阶段决策指数最大值、第k个阶段第f类主影响因素的阶段决策指数。/>的值越小，两类主影响因素差异越小，越有可能位于同一聚类簇。
进一步的，计算每个聚类簇内阶段决策指数的均值，将阶段决策指数均值最大值对应的聚类簇内各阶段的主影响因素作为各阶段的关键指标。
至此，得到选矿过程中各阶段的关键指标。
步骤S004，根据选矿过程中各阶段的关键指标获取决策序列和数据序列，将选矿过程中每个阶段输出品位的预测值传输至底层控制系统，根据各阶段输出品位预测值和期望值的差异有序调整各阶段的选矿参数。
根据上述步骤得到选矿过程中各阶段的关键指标，其次获取各阶段关键指标的实时采集数据，将每个选矿阶段的关键指标按照选矿工艺流程顺序组成决策序列，利用每个选矿阶段的关键指标的实时采集数据按照选矿工艺流程顺序组成数据序列，将连续前n-1个选矿阶段的决策序列、数据序列作为输入预测模型的输入，预测模型的结构为长短时记忆网络LSTM，以鲸鱼算法为优化算法，以L2函数为损失函数，预测模型的输出是选矿流程中第n个阶段输出品位的预测值，神经网络的训练为公知技术，具体过程不再赘述。
进一步的，根据金属选矿过程中各阶段输出品位的期望值，将每个阶段输出品位的预测值及其对应期望值发送至底层控制系统，底层控制系统根据预测值和期望值的差异对每个阶段的选矿参数进行有序调整，所述有序调整为根据每个阶段内影响因素对输出品位的影响大小顺序进行调整，首先调控关键指标的参数、其次调控主影响因素的参数，通过实时控制各阶段的运行指标得到精矿品位符合选矿需求的矿石。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种智能分拣过程中参数动态预测方法，其特征在于，该方法包括以下步骤：
获取选矿各阶段影响因素的参数，利用数据流的形式将经过均值填充处理后各阶段影响因素的参数导入大数据平台；
获取各阶段每类影响因素与最终精矿品位的关联度，根据各阶段内各类影响因素参数取值与各阶段输出品位的拟合曲线获取各阶段影响因素的分类结果，根据每阶段前序影响指数和每类影响因素的阶段显著度获取每类影响因素的品位影响系数，根据品位影响系数获取各阶段不同相关性的主影响因素；
根据各阶段每类主影响因素的信息增益、取值差分序列以及各阶段输出品位的输出差分序列获取各类主影响因素的阶段决策指数，根据各阶段主影响因素的阶段决策指数得到主影响因素的聚类结果以及关键指标；
根据每个选矿阶段的关键指标和选矿工艺流程顺序获取决策序列以及数据序列，将多个选矿阶段的决策序列和数据序列作为预测模型的输入获取各阶段输出品位的预测值；
所述根据每阶段前序影响指数和每类影响因素的阶段显著度获取每类影响因素的品位影响系数的方法为：
根据不同阶段影响因素组成关联序列获取各阶段前序影响指数，根据每类影响因素与前期选矿阶段影响因素的相关性以及与同向影响因素之间的相似性获取每类影响因素的阶段显著度；
对于任意一类影响因素，将不同类影响因素数量差值绝对值与阶段显著度的乘积与调参因子的累加和作为分母，所述不同类影响因素数量差值绝对值为每类影响因素所属阶段内正向影响因素数量与负向影响因素数量差值的绝对值，将前序影响指数作为分子，将分子与分母的比值结果作为影响因素的品位影响系数；
所述根据不同阶段影响因素组成关联序列获取各阶段前序影响指数的方法为：
式中，是第i个阶段的前序影响指数，/>、/>分别是选矿过程中第i个阶段、第k个阶段内各影响因素关联度的均值，/>、/>分别是第i个阶段、第k个阶段内各影响因素关联度按照从大到小的顺序组成的关联序列，/>是关联序列/>、/>之间的DTW距离，/>是第i个选矿阶段的开始时间，/>是第k个选矿阶段的结束时间, />是调参因子；
所述根据每类影响因素与前期选矿阶段影响因素的相关性以及与同向影响因素之间的相似性获取每类影响因素的阶段显著度的方法为：
式中，是第i个选矿阶段第a类影响因素的阶段显著度，/>是由第a类影响因素的关联度与前i-1个阶段所有影响因素关联度组成的长期关联序列，/>是DFA去趋势算法获取的长期关联序列/>的DFA值，/>是判断阈值，/>是第i个阶段内第a类影响因素与其同向影响因素之间的拟合曲线的皮尔逊相关系数的均值。
2.根据权利要求1所述的一种智能分拣过程中参数动态预测方法，其特征在于，所述获取选矿各阶段影响因素的参数，利用数据流的形式将经过均值填充处理后各阶段影响因素的参数导入大数据平台的方法为：
利用选矿系统中的底层控制系统获取选矿各阶段内的影响因素的参数，所述各阶段包括竖炉磁化焙烧阶段、磨矿阶段、强磁选阶段、弱磁选阶段以及反浮选阶段；
利用均值填充法对所有影响因素的参数进行预处理，将预处理后的所有参数以数据流的形式导入Hadoop大数据平台的存储系统中。
3.根据权利要求1所述的一种智能分拣过程中参数动态预测方法，其特征在于，所述根据各阶段内各类影响因素参数取值与各阶段输出品位的拟合曲线获取各阶段影响因素的分类结果的方法为：
对于各阶段中的任意一类影响因素，利用移动最小二乘MLS算法获取每一类影响因素与其所属阶段输出品位的拟合曲线，根据拟合曲线获取每一类影响因素与其所属阶段精矿品位的相关关系，将与所述阶段输出品位存在正相关关系的影响因素作为正向影响因素，将与所述阶段输出品位存在负相关关系的影响因素作为负向影响因素。
4.根据权利要求1所述的一种智能分拣过程中参数动态预测方法，其特征在于，所述根据各阶段每类主影响因素的信息增益、取值差分序列以及各阶段输出品位的输出差分序列获取各类主影响因素的阶段决策指数的方法为：
式中，是第a类主影响因素的影响显著比，/>是第i个选矿阶段第a类主影响因素的信息增益，/>是第i个选矿阶段所有主影响因素信息增益的均值，/>是/>个第a类主影响因素不同取值之间的差值组成的取值差分序列，/>是/>个第i个选矿阶段输出品位差值组成的输出差分序列，/>是差分序列/>、/>之间的皮尔逊相关系数，n是第a类主影响因素的取值数量，/>、/>分别是第a类影响因素取值差值序列、第i个阶段输出品位输出差分序列的信息熵，/>是第i个选矿阶段第a类主影响因素的阶段决策指数。
5.根据权利要求1所述的一种智能分拣过程中参数动态预测方法，其特征在于，所述根据各阶段主影响因素的阶段决策指数得到主影响因素的聚类结果以及关键指标的具体方法为：
对于任意两类主影响因素，分别获取每类主影响因素所属阶段内所有主影响因素阶段决策指数最大值与每类主影响因素的差值，将两个差值的作差结果作为两个差值对应主影响因素聚类时的度量距离，利用K-means聚类算法获取所有主影响因素的聚类结果；
获取每个聚类簇内所有主影响因素阶段决策指数的均值，将阶段决策指数均值最大值对应的聚类簇内各阶段的主影响因素作为各阶段的关键指标。
6.根据权利要求1所述的一种智能分拣过程中参数动态预测方法，其特征在于，所述根据每个选矿阶段的关键指标和选矿工艺流程顺序获取决策序列以及数据序列的方法为：
获取各阶段的关键指标，将每个选矿阶段的关键指标按照选矿工艺流程顺序组成的序列作为决策序列，获取各阶段关键指标的实时采集数据，将各选矿阶段关键指标的实时采集数据按照选矿工艺流程顺序组成的序列作为数据序列。
7.一种智能分拣过程中参数动态预测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203981.5A CN116956140B (zh) | 2023-09-19 | 2023-09-19 | 一种智能分拣过程中参数动态预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203981.5A CN116956140B (zh) | 2023-09-19 | 2023-09-19 | 一种智能分拣过程中参数动态预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116956140A CN116956140A (zh) | 2023-10-27 |
| CN116956140B true CN116956140B (zh) | 2023-12-08 |
Family
ID=88442771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311203981.5A Active CN116956140B (zh) | 2023-09-19 | 2023-09-19 | 一种智能分拣过程中参数动态预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956140B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
| CN104267695A (zh) * | 2014-09-23 | 2015-01-07 | 东北大学 | 一种选矿过程工艺指标优化决策系统及方法 |
| CN110738271A (zh) * | 2019-07-13 | 2020-01-31 | 中南大学 | 一种锌浮选过程精矿品位预测方法 |
| CN110928183A (zh) * | 2019-11-13 | 2020-03-27 | 鞍钢集团矿业有限公司 | 一种浮选精矿品位的模糊控制方法 |
| CN113522528A (zh) * | 2021-07-15 | 2021-10-22 | 昆明冶金研究院有限公司 | 一种基于部分因子设计和响应曲面法优化选矿工艺的方法 |
| CN116304778A (zh) * | 2023-05-17 | 2023-06-23 | 温州华嘉电器有限公司 | 一种用于小型断路器维护数据处理方法 |
| CN116579590A (zh) * | 2023-07-13 | 2023-08-11 | 北京圆声能源科技有限公司 | 一种虚拟电厂中的需求响应评估方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11550686B2 (en) * | 2019-05-02 | 2023-01-10 | EMC IP Holding Company LLC | Adaptable online breakpoint detection over I/O trace time series via deep neural network autoencoders re-parameterization |
-
2023
- 2023-09-19 CN CN202311203981.5A patent/CN116956140B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
| CN104267695A (zh) * | 2014-09-23 | 2015-01-07 | 东北大学 | 一种选矿过程工艺指标优化决策系统及方法 |
| CN110738271A (zh) * | 2019-07-13 | 2020-01-31 | 中南大学 | 一种锌浮选过程精矿品位预测方法 |
| CN110928183A (zh) * | 2019-11-13 | 2020-03-27 | 鞍钢集团矿业有限公司 | 一种浮选精矿品位的模糊控制方法 |
| CN113522528A (zh) * | 2021-07-15 | 2021-10-22 | 昆明冶金研究院有限公司 | 一种基于部分因子设计和响应曲面法优化选矿工艺的方法 |
| CN116304778A (zh) * | 2023-05-17 | 2023-06-23 | 温州华嘉电器有限公司 | 一种用于小型断路器维护数据处理方法 |
| CN116579590A (zh) * | 2023-07-13 | 2023-08-11 | 北京圆声能源科技有限公司 | 一种虚拟电厂中的需求响应评估方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| A review of intelligent ore sorting technology and equipment development;Xiaoping Luo;《International journal of minerals，metallurgy and materials》;全文 * |
| 智能算法在金属矿山品位动态优化中的应用;李;诸克军;贺勇;刘婷;;计算机工程与应用(第23期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116956140A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Dynamic time features expanding and extracting method for prediction model of sintering process quality index | |
| CN113326960B (zh) | 基于粒子群算法优化lstm的地铁牵引能耗预测方法 | |
| CN111208793A (zh) | 基于慢特征分析的非平稳工业过程的状态监测方法 | |
| CN108469797B (zh) | 一种基于神经网络和进化计算的磨矿过程建模方法 | |
| 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 | |
| Feng et al. | Endpoint temperature prediction of molten steel in RH using improved case-based reasoning | |
| CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
| CN116956140B (zh) | 一种智能分拣过程中参数动态预测方法及系统 | |
| CN111047103A (zh) | 基于多工况模式辨识的烧结过程碳效在线预测方法及设备 | |
| Kupin | Application of neurocontrol principles and classification optimisation in conditions of sophisticated technological processes of beneficiation complexes. | |
| 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 | |
| CN111444963A (zh) | 一种基于ssa-svr模型的高炉铁水硅含量预测方法 | |
| Wang et al. | Application research based on GA-FWA in prediction of sintering burning through point | |
| Zhang et al. | Research on soft-sensor based on support vector regression for particle size of grinding and classification process | |
| CN115187102A (zh) | 一种基于烧结矿质量预测下的模型评估改进方法 | |
| CN114841277A (zh) | 一种转炉出钢合金收得率预测方法和系统 | |
| CN115049123A (zh) | 基于GA-XGBoost模型的高炉铁水硅含量预测方法 | |
| CN114298387A (zh) | 基于Hadoop的并行化BP神经网络的能耗预测方法 | |
| Qiang et al. | The combination prediction of BTP in sintering process based on Bayesian framework and LS-SVM | |
| CN111639821A (zh) | 一种水泥炉窑生产能耗预测方法及系统 | |
| Cao et al. | Classification and the case matching algorithm of the blast furnace burden surface | |
| CN116127345B (zh) | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 | |
| Yan et al. | Soft-measuring model for grinding particle size based on the improved GWO-BP network model | |
| CN115755608B (zh) | 一种高压辊磨机能耗优化决策方法 | |
| Wang et al. | Prediction of Moisture Content in Lead-zinc Sintering Returns Based on Linear Parameter-Varying Models |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |