CN117648949A - 重介质选煤的悬浮液密度预测方法、装置、设备及介质 - Google Patents
重介质选煤的悬浮液密度预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117648949A CN117648949A CN202311658710.9A CN202311658710A CN117648949A CN 117648949 A CN117648949 A CN 117648949A CN 202311658710 A CN202311658710 A CN 202311658710A CN 117648949 A CN117648949 A CN 117648949A
- Authority
- CN
- China
- Prior art keywords
- target
- prediction
- suspension density
- prediction model
- model
- 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
- 239000000725 suspension Substances 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000003245 coal Substances 0.000 title claims abstract description 41
- 239000007788 liquid Substances 0.000 title claims abstract description 9
- 238000005406 washing Methods 0.000 claims abstract description 105
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 50
- 239000002245 particle Substances 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 5
- 239000012535 impurity Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003415 peat Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种重介质选煤的悬浮液密度预测方法、装置、设备及介质,涉及重介洗选技术领域。所述方法包括:根据重介洗选的运行时间确定需要预测的目标洗选阶段;从预存的模型库中选取与所述目标洗选阶段相对应的目标预测模型组;将基于所述目标洗选阶段采集的悬浮液密度实测数据输入至所述目标预测模型组,得到所述目标预测模型组输出的悬浮液密度预测数据。本申请实施例通过根据洗选过程的运行阶段选取对应的预测模型进行悬浮液密度预测,能够更好地适应不同阶段的悬浮液密度预测需求,从而有效提高悬浮液密度预测的准确性。
Description
技术领域
本申请涉及重介洗选技术领域,具体而言,涉及一种重介质选煤的悬浮液密度预测方法、装置、设备及存储介质。
背景技术
重介质选煤(也称为重介洗选)是常用的煤炭处理工艺之一,该处理工艺是通过洗选技术将原煤中的煤矸石、泥炭和其他杂质从煤炭中分离出来,以提高煤炭的质量和可利用性。在重介洗选过程中,煤炭与悬浮液(也称为介质)混合在一起,形成密度较大的重介悬浮液。通过控制悬浮液的密度和流动性,可以实现煤炭和杂质的有效分离。
重介悬浮液密度是影响重介洗选过程效果的关键参数之一。目前传统的方案对于重介质选煤的悬浮液密度预测存在预测结果准确性不高的问题,因此需要进行多轮洗选才能获得理想的煤炭杂质分离效果,导致消耗更多的能源、水和其他介质。
发明内容
本申请实施例的目的在于提供一种重介质选煤的悬浮液密度预测方法、装置、设备及存储介质,用以提高重介质选煤过程中的悬浮液密度预测准确性。
第一方面,本申请实施例提供了一种重介质选煤的悬浮液密度预测方法,包括:
根据重介洗选的运行时间确定需要预测的目标洗选阶段;
从预存的模型库中选取与所述目标洗选阶段相对应的目标预测模型组;
将基于所述目标洗选阶段采集的悬浮液密度实测数据输入至所述目标预测模型组,得到所述目标预测模型组输出的悬浮液密度预测数据。
在本申请实施例中,通过根据洗选过程的运行阶段选取对应的预测模型进行悬浮液密度预测,能够有效提高悬浮液密度预测的准确性。
在一些可能的实施例中,所述从预存的模型库中选取与所述目标洗选阶段相对应的目标预测模型组,包括:
若确定所述目标洗选阶段为重介洗选开始之前,则从预存的模型库中选取第一预测模型组作为与所述目标洗选阶段相对应的目标预测模型组;
若确定所述目标洗选阶段为重介洗选开始至第一预设时间之间,则从预存的模型库中选取第二预测模型组作为与所述目标洗选阶段相对应的目标预测模型组;
若确定所述目标洗选阶段为第一预设时间之后,则从预存的模型库中选取第三预测模型组作为与所述目标洗选阶段相对应的目标预测模型组。
在本申请实施例中,将重介洗选分为洗选开始前、开始后至第一预设时间之间以及第一预设时间之后三个阶段,并分别选取各个洗选阶段相应的预测模型进行悬浮液密度预测,能够有效提高重介悬浮液密度预测的准确性和适应性。
在一些可能的实施例中,所述预存的模型库中包含有训练好的多个预测模型组;每一所述预测模型组为采用LSTM网络模型。
在本申请实施例中,通过预先训练并存储各个洗选阶段对应的预测模型组,并采用LSTM网络作为预测模型,能够有效提高重介悬浮液密度预测的准确性。
在一些可能的实施例中,所述预测模型组的训练方式包括:
基于重介洗选过程中的悬浮液密度历史数据建立数据集;
采用粒子群算法基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组。
在本申请实施例中,采用粒子群算法对LSTM网络模型进行训练,能够提高模型的训练效果,从而进一步提高重介悬浮液密度预测的准确性。
在一些可能的实施例中,所述基于重介洗选过程中的悬浮液密度历史数据建立数据集,包括:
将重介洗选过程中的悬浮液密度历史数据分为训练集和验证集;
对所述训练集和所述验证集进行数据预处理,得到用于对LSTM网络模型进行训练的数据集;
其中,所述数据预处理包括归一化处理、序列划分、序列转换和批处理中的至少一项。
在本申请实施例中,通过对数据集划分为训练集和验证集,并对数据集进行预处理,从而提高训练数据的适应性,进一步提高重介悬浮液密度预测的准确性。
在一些可能的实施例中,所述采用粒子群算法基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组,包括:
基于粒子群算法优化LSTM网络模型的模型参数;其中,所述LSTM网络模型的模型参数包括隐藏层数、时间窗步长、训练次数和学习率;
采用粒子群算法优化好的模型参数,基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组。
在本申请实施例中,通过采用粒子群算法来对LSTM网络模型的参数进行优化,能够提高预测模型的适应性,从而进一步提高重介悬浮液密度预测的准确性。
在一些可能的实施例中,所述采用粒子群算法优化好的模型参数,基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组,包括:
采用粒子群算法优化好的模型参数,将数据预处理后的训练集输入至LSTM网络模型,根据预设的损失函数和优化器对所述LSTM网络模型的参数进行训练;
将数据预处理后的验证集输入至训练好的LSTM网络模型,获取所述LSTM网络模型输出的预测值与所述验证集的实际值的误差,并根据获取得到的误差对所述LSTM网络模型的参数进行优化,获取得到训练好的预测模型组。
在本申请实施例中,通过训练集对LSTM网络模型进行训练后,再基于验证集对LSTM网络模型的参数进行优化,从而进一步提高重介悬浮液密度预测的准确性。
第二方面,本申请实施例提供了一种重介质选煤的悬浮液密度预测装置,包括:
阶段确定模块,用于根据重介洗选的运行时间确定需要预测的目标洗选阶段;
模型选取模块,用于从预存的模型库中选取与所述目标洗选阶段相对应的目标预测模型组;
密度预测模块,用于将基于所述目标洗选阶段采集的悬浮液密度实测数据输入至所述目标预测模型组,得到所述目标预测模型组输出的悬浮液密度预测数据。
第三方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时可实现第一方面任一实施例所述的方法。
第四方面,本申请实施例提供了一种计算机程序产品,所述的计算机程序产品包括计算机程序,其中,所述的计算机程序被处理器执行时可实现第一方面任一实施例所述的方法。
第五方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现第一方面任一实施例所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种重介质选煤的悬浮液密度预测方法的流程示意图;
图2为本申请实施例提供的一种重介质选煤的悬浮液密度预测装置的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,本申请实施例提供了一种重介质选煤的悬浮液密度预测方法,可以包括步骤:
S1、根据重介洗选的运行时间确定需要预测的目标洗选阶段。
需要说明的是,由于通过控制悬浮液的密度和流动性,可以实现煤炭和杂质的有效分离,因此在重介洗选过程中,需要实时掌握悬浮液的密度以及变化趋势等信息,从而作出相应的决策和调整。
步骤S1首先根据洗选的运行时间确定当前需要预测的是哪一洗选阶段的悬浮液密度。在实际应用中,可以将整个重介洗选的过程划分为多个洗选阶段,例如:包括重介洗选开始前作为第一阶段、重介洗选开始后每隔预设时段作为一个阶段(如重介洗选开始后十分钟内作为第二阶段,接下来的二十分钟内作为第三阶段等等)。
S2、从预存的模型库中选取与所述目标洗选阶段相对应的目标预测模型组。
可以理解的是,预存的模型库中预存有多个训练好的预测模型组,预测模型组的数量与划分的洗选阶段可以具有一一对应的关系,那么对于确定的当前需要预测的目标洗选阶段,可以从模型库中选取得到与该阶段相对应的目标预测模型组。
S3、将基于所述目标洗选阶段采集的悬浮液密度实测数据输入至所述目标预测模型组,得到所述目标预测模型组输出的悬浮液密度预测数据。
在当前的目标洗选阶段过程中,采用与这一阶段相对应的目标预测模型组进行悬浮液密度预测作业。需要说明的是,对于需要预测的每一时刻的悬浮液密度,可以采集得到该时刻之前的各个时刻的悬浮液密度实测数据,将这些采集到的悬浮液密度实测数据,输入至当前选取的目标预测模型组(与当前需要预测的洗选阶段对应)进行预测,得到目标预测模型组输出的悬浮液密度预测数据。
基于此,由于重介悬浮液密度在不同的洗选阶段会有不同的变化模式或受到不同的影响因素,因此通过根据洗选过程的运行阶段选取对应的预测模型进行悬浮液密度预测,能够更好地适应不同时间段(阶段)的预测需求,从而有效提高悬浮液密度预测的准确性。
在一些可能的实施例中,步骤S2可以包括:
若确定所述目标洗选阶段为重介洗选开始之前,则从预存的模型库中选取第一预测模型组作为与所述目标洗选阶段相对应的目标预测模型组;
若确定所述目标洗选阶段为重介洗选开始至第一预设时间之间,则从预存的模型库中选取第二预测模型组作为与所述目标洗选阶段相对应的目标预测模型组;
若确定所述目标洗选阶段为第一预设时间之后,则从预存的模型库中选取第三预测模型组作为与所述目标洗选阶段相对应的目标预测模型组。
需要说明的是,作为一种可能的实施例,重介洗选过程可以分为三个阶段:重介洗选开始之前、重介洗选开始至第一预设时间之间、第一预设时间之后。与这三个洗选阶段相对应地,模型库中存储有至少三个预测模型组,每个预测模型组可以根据相应阶段的特点和历史数据进行训练。
其中,第一预测模型组对应于第一个洗选阶段,即用于重介洗选开始前,在这一阶段中,可能需要预测重介悬浮液密度的变化趋势或初始状态,以作出相应的决策和调整。第一预测模型可以根据该阶段的历史数据和相关特征进行训练得到。第二预测模型组对应于第二个洗选阶段,即用于重介洗选开始后至第一预设时间之间,在这一阶段中,重介悬浮液密度可能会有与其他阶段不同的变化模式和影响因素,因此可以根据该阶段的历史数据和特征对第二预测模型组进行训练,以预测重介悬浮液密度在这个时间段内的变化和趋势。第三预测模型组对应于第三个洗选阶段,即用于所述第一预设时间之后,在这一阶段中,重介悬浮液密度同样可能会有新的变化模式或受到不同的影响因素,因此可以根据以往重介洗选过程中该阶段的历史数据和相关特征对第三预测模型组进行训练,以预测重介悬浮液密度在该时间段内的变化和趋势。
基于此,将重介洗选分为洗选开始前、开始后至第一预设时间之间以及第一预设时间之后三个阶段,并分别选取各个洗选阶段相应的预测模型进行悬浮液密度预测,能够更好地适应不同时间段或阶段的预测需求,从而有效提高重介悬浮液密度预测的准确性和适应性。
在一些可能的实施例中,所述预存的模型库中包含有训练好的多个预测模型组;每一所述预测模型组为采用LSTM网络模型。
需要说明的是,LSTM神经网络通过具有门控机制的记忆单元来捕捉序列中的长期依赖关系,这种门控机制可以选择性地记忆或遗忘以前的信息,并基于新输入的信息进行更新。LSTM网络主要用于序列预测和分类任务。因此,对于重介质选煤领域的悬浮液密度预测,可以采用LSTM网络模型。
在一些可能的实施例中,所述预测模型组的训练方式包括:
基于重介洗选过程中的悬浮液密度历史数据建立数据集;
采用粒子群算法基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组。
进一步地,所述采用粒子群算法基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组,包括:
基于粒子群算法优化LSTM网络模型的模型参数;其中,所述LSTM网络模型的模型参数包括隐藏层数、时间窗步长、训练次数和学习率;
采用粒子群算法优化好的模型参数,基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组。
需要说明的是,粒子群算法的工作原理是通过模拟群体的行为来优化目标函数。每个粒子代表一个潜在的解决方案,在搜索过程中通过调整位置和速度来探索潜在的解决方案空间。通过计算每个粒子的适应度值,可以确定全局最优解和局部最优解,从而优化目标函数。在本申请实施例中,可以在参数搜索空间里,以预测误差最小为目标函数,对模型参数(包括隐藏层数、时间窗步长、训练次数和学习率等参数)组合进行优化。
具体可以包括以下步骤:
1、为每个粒子设置初始位置和初始速度。
2、对每个粒子构建相应的LSTM网络模型。包括LSTM层的数量和大小,以及其他附加层(如全连接层、Dropout层等)。
3、为LSTM网络模型选择损失函数和优化器。在本申请实施例中,损失函数可以采用均方差损失函数,公式为:
其中,yi为悬浮液密度实际值,为悬浮液密度预测值,n是样本数;优化器的公式为:θt+1=θt-learning_rate×gradient
其中,θ是要训练的参数,learning_rate是学习率,gradient是控制参数更新的步长。
4、调整每个所述粒子的参数;具体地,根据每个粒子的历史最佳位置和全局历史最佳位置以及惯性权重,调整每个粒子的速度和位置。直至达到预设的迭代次数,完成粒子群算法对模型参数的优化过程。
基于此,通过采用粒子群算法对LSTM网络模型进行训练,从而提高模型的训练效果,进一步提高了重介悬浮液密度预测的准确性。
在一些可能的实施例中,所述基于重介洗选过程中的悬浮液密度历史数据建立数据集,包括:
将重介洗选过程中的悬浮液密度历史数据分为训练集和验证集;
对所述训练集和所述验证集进行数据预处理,得到用于对LSTM网络模型进行训练的数据集;
其中,所述数据预处理包括归一化处理、序列划分、序列转换和批处理中的至少一项。
需要说明的是,可以将悬浮液密度历史数据按一定比例分为训练集和验证集,并在对预测模型进行训练之前对数据集(包括训练集和验证集)进行预处理。具体地,数据预处理可以依次包括归一化处理、序列划分、序列转换和批处理。作为举例,归一化处理可以采用min-max标准化方式,采用的公式为:
其中,X是原始数据,Xnorm是归一化后的数据,Xmax和Xmin分别是样本数据的最大值和最小值。
需要说明的是,由于LSTM网络模型是基于时间序列的,因此需要将数据集划分为输入序列和目标序列。输入序列是用于模型训练的悬浮液密度历史数据,而目标序列是要预测的下一个时间步的悬浮液密度数据。可以设置适当的窗口大小(时间窗步长),通过滑动窗口的方式进行划分。
在序列划分之后,可以将划分好的序列数据转换为适合LSTM网络模型的输入格式。LSTM网络模型可以接收三维数据的输入,格式为:(样本数,时间步数,特征数)。因此,可以将输入序列和目标序列进行相应的转换:对于单变量时间序列,可以将其转换为格式为(样本数,时间步数,1)的三维数组;对于多变量时间序列,可以将每个时间步的多个特征作为一个特征维度,格式为(样本数,时间步数,特征数)。
需要说明的是,在模型训练过程中,通常可以使用批处理的方式进行模型训练,即一次性将多个样本输入到模型中进行计算。批处理大小可以根据具体情况设置,通常选择2的幂次方的值。可以理解的是,通过采用数据批处理的方式,有助于提高训练过程的效率和提高模型的泛化能力。
基于此,通过对数据集划分为训练集和验证集,并对数据集进行预处理,从而提高训练数据的适应性,进一步提高重介悬浮液密度预测的准确性。
在一些可能的实施例中,所述采用粒子群算法优化好的模型参数,基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组,包括:
采用粒子群算法优化好的模型参数,将数据预处理后的训练集输入至LSTM网络模型,根据预设的损失函数和优化器对所述LSTM网络模型的参数进行训练;
将数据预处理后的验证集输入至训练好的LSTM网络模型,获取所述LSTM网络模型输出的预测值与所述验证集的实际值的误差,并根据获取得到的误差对所述LSTM网络模型的参数进行优化,获取得到训练好的预测模型组。
需要说明的是,在对LSTM网络模型进行训练过程中,可以将训练集的数据输入所述LSTM网络模型,并根据损失函数和优化器来调整LSTM网络模型的参数;在训练模型收敛后,再将验证集的数据输入所述LSTM网络模型,根据LSTM网络模型输出的悬浮液密度预测数据,计算悬浮液密度预测值与悬浮液密度实际值的误差,并根据计算得到的误差进一步调整LSTM网络模型的参数,最终得到训练好的预测模型组。
基于此,通过训练集对LSTM网络模型进行训练后,再基于验证集对LSTM网络模型的参数进行优化,从而进一步提高重介悬浮液密度预测的准确性。
请参考图2,图2示出了本申请的一些实施例提供的重介质选煤的悬浮液密度预测装置的组成框图。应理解,该重介质选煤的悬浮液密度预测装置与上述图1方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该重介质选煤的悬浮液密度预测装置的具体功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。
图2的重介质选煤的悬浮液密度预测装置包括至少一个能以软件或固件的形式存储于存储器中或固化在重介质选煤的悬浮液密度预测装置中的软件功能模块,该重介质选煤的悬浮液密度预测装置包括:
阶段确定模块210,用于根据重介洗选的运行时间确定需要预测的目标洗选阶段;
模型选取模块220,用于从预存的模型库中选取与所述目标洗选阶段相对应的目标预测模型组;
密度预测模块230,用于将基于所述目标洗选阶段采集的悬浮液密度实测数据输入至所述目标预测模型组,得到所述目标预测模型组输出的悬浮液密度预测数据。
可以理解的是上述装置项实施例,是与本发明方法项实施例相对应的,本发明实施例提供的一种重介质选煤的悬浮液密度预测装置,可以实现本发明任意一项方法项实施例提供的重介质选煤的悬浮液密度预测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
如图3所示,本申请的一些实施例提供一种电子设备300,该电子设备300包括:存储器310、处理器320以及存储在存储器310上并可在处理器320上运行的计算机程序,其中,处理器320通过总线330从存储器310读取程序并执行所述程序时可实现如上述重介质选煤的悬浮液密度预测方法包括的任意实施例的方法。
处理器320可以处理数字信号,可以包括各种计算结构。例如复杂指令集计算机结构、结构精简指令集计算机结构或者一种实行多种指令集组合的结构。在一些示例中,处理器320可以是微处理器。
存储器310可以用于存储由处理器320执行的指令或指令执行过程中相关的数据。这些指令和/或数据可以包括代码,用于实现本申请实施例描述的一个或多个模块的一些功能或者全部功能。本公开实施例的处理器320可以用于执行存储器310中的指令以实现上述所示的方法。存储器310包括动态随机存取存储器、静态随机存取存储器、闪存、光存储器或其它本领域技术人员所熟知的存储器。
本申请的一些实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行方法实施例所述的方法。
本申请的一些实施例还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种重介质选煤的悬浮液密度预测方法,其特征在于,包括:
根据重介洗选的运行时间确定需要预测的目标洗选阶段;
从预存的模型库中选取与所述目标洗选阶段相对应的目标预测模型组;
将基于所述目标洗选阶段采集的悬浮液密度实测数据输入至所述目标预测模型组,得到所述目标预测模型组输出的悬浮液密度预测数据。
2.根据权利要求1所述的重介质选煤的悬浮液密度预测方法,其特征在于,所述从预存的模型库中选取与所述目标洗选阶段相对应的目标预测模型组,包括:
若确定所述目标洗选阶段为重介洗选开始之前,则从预存的模型库中选取第一预测模型组作为与所述目标洗选阶段相对应的目标预测模型组;
若确定所述目标洗选阶段为重介洗选开始至第一预设时间之间,则从预存的模型库中选取第二预测模型组作为与所述目标洗选阶段相对应的目标预测模型组;
若确定所述目标洗选阶段为第一预设时间之后,则从预存的模型库中选取第三预测模型组作为与所述目标洗选阶段相对应的目标预测模型组。
3.根据权利要求1所述的重介质选煤的悬浮液密度预测方法,其特征在于,所述预存的模型库中包含有训练好的多个预测模型组;每一所述预测模型组为采用LSTM网络模型。
4.根据权利要求3所述的重介质选煤的悬浮液密度预测方法,其特征在于,所述预测模型组的训练方式包括:
基于重介洗选过程中的悬浮液密度历史数据建立数据集;
采用粒子群算法基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组。
5.根据权利要求4所述的重介质选煤的悬浮液密度预测方法,其特征在于,所述基于重介洗选过程中的悬浮液密度历史数据建立数据集,包括:
将重介洗选过程中的悬浮液密度历史数据分为训练集和验证集;
对所述训练集和所述验证集进行数据预处理,得到用于对LSTM网络模型进行训练的数据集;
其中,所述数据预处理包括归一化处理、序列划分、序列转换和批处理中的至少一项。
6.根据权利要求5所述的重介质选煤的悬浮液密度预测方法,其特征在于,所述采用粒子群算法基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组,包括:
基于粒子群算法优化LSTM网络模型的模型参数;其中,所述LSTM网络模型的模型参数包括隐藏层数、时间窗步长、训练次数和学习率;
采用粒子群算法优化好的模型参数,基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组。
7.根据权利要求6所述的重介质选煤的悬浮液密度预测方法,其特征在于,所述采用粒子群算法优化好的模型参数,基于所述数据集对构建的LSTM网络模型进行训练,获取得到训练好的预测模型组,包括:
采用粒子群算法优化好的模型参数,将数据预处理后的训练集输入至LSTM网络模型,根据预设的损失函数和优化器对所述LSTM网络模型的参数进行训练;
将数据预处理后的验证集输入至训练好的LSTM网络模型,获取所述LSTM网络模型输出的预测值与所述验证集的实际值的误差,并根据获取得到的误差对所述LSTM网络模型的参数进行优化,获取得到训练好的预测模型组。
8.一种重介质选煤的悬浮液密度预测装置,其特征在于,包括:
阶段确定模块,用于根据重介洗选的运行时间确定需要预测的目标洗选阶段;
模型选取模块,用于从预存的模型库中选取与所述目标洗选阶段相对应的目标预测模型组;
密度预测模块,用于将基于所述目标洗选阶段采集的悬浮液密度实测数据输入至所述目标预测模型组,得到所述目标预测模型组输出的悬浮液密度预测数据。
9.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现权利要求1-7任一所述的重介质选煤的悬浮液密度预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-7任一所述的重介质选煤的悬浮液密度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311658710.9A CN117648949A (zh) | 2023-12-05 | 2023-12-05 | 重介质选煤的悬浮液密度预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311658710.9A CN117648949A (zh) | 2023-12-05 | 2023-12-05 | 重介质选煤的悬浮液密度预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117648949A true CN117648949A (zh) | 2024-03-05 |
Family
ID=90047428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311658710.9A Pending CN117648949A (zh) | 2023-12-05 | 2023-12-05 | 重介质选煤的悬浮液密度预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648949A (zh) |
-
2023
- 2023-12-05 CN CN202311658710.9A patent/CN117648949A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113574325B (zh) | 通过选择控制设置来控制环境的方法和系统 | |
CN110471276B (zh) | 用于为物理系统创建模型函数的装置 | |
CN113065703A (zh) | 一种结合多种模型的时间序列预测方法 | |
CN112990587B (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN113302605A (zh) | 鲁棒且数据效率的黑盒优化 | |
CN112445136B (zh) | 一种基于连续时间神经网络的浓密机预测控制方法及系统 | |
CN114936085A (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN111832693B (zh) | 神经网络层运算、模型训练方法、装置及设备 | |
CN109212999B (zh) | 数字卫星仿真工况的智能生成方法及系统 | |
JP2013065084A (ja) | 予測方法及び予測プログラム | |
US20220027739A1 (en) | Search space exploration for deep learning | |
CN113705074A (zh) | 一种化工事故风险预测方法及装置 | |
CN114154615A (zh) | 基于硬件性能的神经架构搜索方法和设备 | |
CN117521063A (zh) | 基于残差神经网络并结合迁移学习的恶意软件检测方法及装置 | |
CN117648949A (zh) | 重介质选煤的悬浮液密度预测方法、装置、设备及介质 | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
Ben Halima Abid et al. | An Improved Method for Stochastic Nonlinear System’s Identification Using Fuzzy‐Type Output‐Error Autoregressive Hammerstein–Wiener Model Based on Gradient Algorithm, Multi‐Innovation, and Data Filtering Techniques | |
CN114830137A (zh) | 用于生成预测模型的方法和系统 | |
Durnyak et al. | Simulation of a combined robust system with a P-fuzzy controller | |
US20230004870A1 (en) | Machine learning model determination system and machine learning model determination method | |
CN113821975B (zh) | 一种燃料电池性能衰减预测方法及系统 | |
CN114139677A (zh) | 一种基于改进gru神经网络的非等间隔时序数据预测方法 | |
CN113656707A (zh) | 一种理财产品推荐方法、系统、存储介质及设备 | |
CN111680720A (zh) | 基于改进cs-svr模型的高炉铁水硅含量预测方法 | |
CN111913685A (zh) | 运算处理装置、运算处理方法和非暂态计算机可读介质 |
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 |