一种磨矿粒度的在线鲁棒正则软测量模型的建立方法技术

本发明专利技术公开一种磨矿粒度的在线鲁棒正则软测量模型的建立方法，包括以下步骤：S1，在磨矿过程变量中，选取与磨矿粒度相关性最高的五个过程变量作为输入变量，对磨矿粒度进行建模估计；S2，初始化在线鲁棒正则随机向量功能链接网络结构与参数，并建立引入L2‑岭回归的正则化随机向量功能链接网络模型，计算样本初始残差；S3，在鲁棒建模初始学习阶段，根据样本的初始残差由基于IGG法的M估计的权函数计算出每一个样本参与建模时的权重大小，并更新网络模型的初始输出权重；S4，在在线估计与鲁棒建模在线学习阶段，利用网络模型，根据实时采集的磨矿过程数据在线估计当前时刻的磨矿粒度，并引入输出权重偏移约束，自适应更新随机向量功能链接网络参数。

【技术实现步骤摘要】
一种磨矿粒度的在线鲁棒正则软测量模型的建立方法
本专利技术涉及数据驱动建模
，特别涉及一种磨矿粒度的在线鲁棒正则软测量模型的建立方法。
技术介绍
磨矿过程是矿石选矿过程中最为关键的工序，起着承上启下的重要作用。磨矿过程主要就是将矿石原料粉碎到合适的粒度尺寸，从而能够将有用矿物与脉石单体解离，或者将不同有用矿物相互解离，为后续选别作业提供原料。其中磨矿粒度是磨矿工艺中表征生产产品质量的关键运行指标。尺寸合适的磨矿粒度不仅可以实现有用矿物的单体解离，而且可以保证所得磨矿产品具有较高的金属回收率与精矿品位。因此在磨矿过程中，实现磨矿粒度的实时检测具有重要的实际意义。将磨矿粒度控制在目标值或目标值范围内是磨矿过程运行优化与控制的目标之一。在实际的磨矿过程中，通常采用人工化验的方式对磨矿粒度进行检测。但是人工化验的周期较长(通常2小时左右)，无法用于磨矿粒度的闭环优化控制与在线优化。目前磨矿粒度的在线检测方法主要分为两类。一类是采用在线粒度检测仪对磨矿粒度进行实时检测。但是对于复杂难选的赤铁矿，其强磁性颗粒在矿浆中通常存在“磁团聚”现象，因此采用在线粒度检测仪往往不能得到准确的估计；而且本文档来自技高网...

【技术保护点】
1.一种磨矿粒度的在线鲁棒正则软测量模型的建立方法，其特征在于，包括以下步骤：S1，在磨矿过程变量中，选取与磨矿粒度相关性最高的五个过程变量作为输入变量，对磨矿粒度进行建模估计；S2，初始化在线鲁棒正则随机向量功能链接网络结构与参数，并建立引入L2‑岭回归的正则化随机向量功能链接网络模型，计算样本初始残差，其中，所述在线鲁棒正则随机向量功能链接网络结构与参数包括隐含层节点数、正则化参数、激活函数、模型初始化时所需的样本数以及在线学习过程中所采集的数据块大小；S3，在鲁棒建模初始学习阶段，根据所述样本的初始残差由基于IGG法的M估计的权函数计算出每一个样本参与建模时的权重大小，并更新所述网络模型...

【技术特征摘要】
1.一种磨矿粒度的在线鲁棒正则软测量模型的建立方法，其特征在于，包括以下步骤：S1，在磨矿过程变量中，选取与磨矿粒度相关性最高的五个过程变量作为输入变量，对磨矿粒度进行建模估计；S2，初始化在线鲁棒正则随机向量功能链接网络结构与参数，并建立引入L2-岭回归的正则化随机向量功能链接网络模型，计算样本初始残差，其中，所述在线鲁棒正则随机向量功能链接网络结构与参数包括隐含层节点数、正则化参数、激活函数、模型初始化时所需的样本数以及在线学习过程中所采集的数据块大小；S3，在鲁棒建模初始学习阶段，根据所述样本的初始残差由基于IGG法的M估计的权函数计算出每一个样本参与建模时的权重大小，并更新所述网络模型的初始输出权重；S4，在在线估计与鲁棒建模在线学习阶段，利用所述网络模型，根据实时采集的磨矿过程数据在线估计当前时刻的磨矿粒度，并引入输出权重偏移约束，自适应更新随机向量功能链接网络参数。2.根据权利要求1所述的磨矿粒度在线鲁棒正则软测量模型的建立方法，其特征在于，所述步骤S2包括：S21，确定在线鲁棒正则随机向量功能链接网络学习所需要的相关参数，包括隐含层节点数L、正则化参数C、激活函数g(x)、模型初始化时所需的样本数N0、数据块Zk；S22，选取历史时刻至当前时刻的时间段内的磨矿过程数据作为在线鲁棒正则随机向量功能链接网络学习的初始数据集，并对所述初始数据集进行归一化处理；S23，建立引入L2-岭回归的鲁棒正则化随机向量功能链接网络模型：s.t:h(xi)β＝yi-εi,i＝1,...,N，其中C为正则化参数，h(xi)为xi样本下的隐含层输出，yi为样本实际输出，εi为样本所构建的样本残差，β为模型的输出权重；S24，随机产生模型隐含层节点的输入权重vj与隐含层节点偏置bj，j＝1,2,K,L，...

【专利技术属性】
技术研发人员：代伟，胡金成，李德鹏，夏振兴，褚菲，杨瑞哲，王雪松，程玉虎，马小平，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32