基于深度学习的磨矿粒度预测系统及方法技术方案

本发明专利技术属于选矿磨矿粒度测量技术领域，尤其是涉及一种基于深度学习的磨矿粒度预测系统及方法，基于深度学习的磨矿粒度预测方法，其特征在于包括以下步骤：步骤1：一次磨矿分级给矿，加水，旋流压力，泵池液位、矿浆浓度和磨矿粒度的的历史数据进行自动采分析集；步骤2：根据磨矿工艺要求，进行深度学习的感知技术，建立双时间递归神经粒度预测模型。本发明专利技术既可以模拟出软件粒度仪用于未来生产预估粒度，也可以利用其作为强化学习环境模块；根据实时生产情况预测磨矿粒度，用于根据实时生产情况给出磨矿控制优化建议，实现生产过程的控制指导及磨矿粒度监控。及磨矿粒度监控。及磨矿粒度监控。

【技术实现步骤摘要】
基于深度学习的磨矿粒度预测系统及方法


[0001]本专利技术属于选矿磨矿粒度测量
，尤其是涉及一种基于深度学习的磨矿粒度预测系统及方法。

技术介绍

[0002]磨矿分级作业是选矿流程中十分重要的工序，衡量磨矿分级产品质量的重要指标就是水力旋流器溢流粒度的分布情况，粒度的实时在线检测对磨矿过程的优化控制、提高矿石品位和金属回收率具有重要意义。
[0003]研究粒度测量，需要分析磨矿分级作业的工艺流程，磨矿分级作业的上一道工序是输送原矿石，通过皮带秤把原矿石送到球磨机内，同时通过给水阀给球磨机加入一定比例的水，通过球磨机研磨后，进入到泵池，再经过旋流泵，把球磨后的渣桨送到旋流器中，经过旋流器后，把没有磨碎的矿石返砂给球磨机，继续研磨，同时从旋流器溢流的矿浆被送到下一道工序。正常工艺过程中，根据给矿量、给水量、泵池液位、旋流器压力以及给矿浓度等参数，通过对这些参数的调节，保证磨矿粒度在一定范围内，磨矿粒度是通过粒度仪进行测量并显示，操作人员根据经验值进行调节各个参数。
[0004]但是现有的粒度仪一般都是国外进口的，造价昂贵，一般选矿厂难以承受，并且仪表的维护保养也比较复杂。目前，一些厂家的在线粒度仪不能正常使用，随着计算机科学飞速发展，仅靠硬件测量方法已经不能满足数字矿山的要求。

技术实现思路

[0005]本专利技术的目的是提供一种基于深度学习的磨矿粒度系统及方法，利用大量历史在线粒度检测数据，通过深度学习智能计算方法，建立相关模型，进行在线图形粒度显示，为软测量粒度技术解决这一难题提供了一条有效途径，具有成本相对比较低，检测预测速度快的特点，能够满足现场自动控制策略的实时性要求，有很强的实用性，适合于应用在数字矿山系统中。
[0006]本专利技术的目的是通过下述技术方案来实现的：
[0007]本专利技术的基于深度学习的磨矿粒度预测系统，其特征在于包括磨矿现场检测控制装置、采集实时数据的服务器包括历史数据、浏览统计分析服务器、深度学习服务器、数据处理服务器和用于显示磨矿预测粒度的多个计算机终端。
[0008]一种基于深度学习的磨矿粒度预测方法，其特征在于包括以下步骤：
[0009]步骤1：首先对一次磨矿分级给矿，加水，旋流压力，泵池液位、矿浆浓度和磨矿粒度的历史数据进行自动采集分析；
[0010]步骤2：根据磨矿工艺要求，进行深度学习的感知技术，建立双时间递归神经粒度预测模型。
[0011]所述的步骤2包括以下步骤：
[0012]步骤2-1：首先建立总体回归模型，多元回归模型的数学形式如下：
[0013]设因变量为Y，影响因变量的k个自变量分别为X1，X2，...，X
k
，假设每一个自变量对因变量Y的影响都是线性的，也就是说，在其他自变量不变的情况下，Y的均值随着自变量X
i
的变化均匀变化，总体回归模型表示为：
[0014]Y＝β0+β1X1+β2X2+
…
+β
k
X
k
+ε.
[0015]其中β0，β1，β2，...，β
k
称为回归参数；
[0016]步骤2-2：利用样本数据对模型参数作出估计；
[0017]步骤2-3：对模型参数进行假设检验；
[0018]步骤2-4：应用回归模型对因变量(被解释变量)作出预测；
[0019]步骤2-5：建立预测粒度模型；
[0020]在给定自变量X
i
的条件下观察值Y的条件均值；总体参数β0，β1，β2，...，β
k
往往是未知的，需要根据样本观察值给出总体参数的相应的估计值此时，
[0021][0022]这里，代表预测粒度，用X1表示给矿量，X2表示给水量，X3表示泵池液位，X4表示旋流器压力，X5表示给矿浓度的五元回归方程，通过计算可以确定回归系数实际应用中Y代表实际测量粒度，y
i
是训练数据中标识的某一时刻粒度，是代表预测粒度模型预测的某一时刻粒度，这样可以计算使它们偏差最小；
[0023][0024]MSE代表均方误差函数
[0025]n代表样本数
[0026]步骤2-6：建立双时间递归层的数学模型。
[0027]在所述的步骤2-5基础上，先建立采用时间递归神经网络的回归模型，该时间递归神经网络用来对球磨机系统产生的测量值进行时序分析，采用时间递归神经网络的回归模型时间递归神经网络用来对球磨机系统产生的测量值进行时序分析，并预测对应这些测量值的粒度值；这里用X1表示给矿量，X2表示给水量，X3表示泵池液位，X4表示旋流器压力，X5表示给矿浓度，X＝X1，X2，X3
…
Xm，X按照1分钟采样周期进行时间递归，作为输入变量；因为每次输入变量引起粒度变化需要20分钟时间后才能变化，那一时刻的粒度变化用S＝S1，S2，S3
…
Sn表示，就产生了一个双时间递归层的数学模型。
[0028]本专利技术的优点：
[0029](1)本专利技术的基于深度学习的磨矿粒度预测系统及方法，既可以模拟出软件粒度仪用于未来生产预估粒度，也可以利用其作为强化学习环境模块；
[0030](2)本专利技术的基于深度学习的磨矿粒度预测系统及方法，根据实时生产情况预测磨矿粒度，用于根据实时生产情况给出磨矿控制优化建议，实现生产过程的控制指导及磨矿粒度监控；
[0031](3)本专利技术的基于深度学习的磨矿粒度预测系统及方法，给生产带来了很大的方便，实现从未知到先知，从被动到主动，从人为指导到智能指导，实现了合理精确给定各磨矿参数，实现粒度控制，为下一步选别作业打下了坚实的基础，保证了选矿生产质量。
附图说明
[0032]图1为本专利技术的预测系统组成图。
[0033]图2为本专利技术的预测方法步骤图。
[0034]图3为本专利技术的预测方法的模型工艺流程图。
[0035]图4为本专利技术的预测方法的时间递归神经网络结构图。
[0036]图5为本专利技术的预测方法的预测模型拟合图。
[0037]图6为本专利技术的预测方法的粒度预测和各变量对应关系曲线。
[0038]图7为本专利技术的预测方法的DNN训练的神经网络及拟合曲线。
具体实施方式
[0039]下面结合附图进一步说明本专利技术的具体实施方式。
[0040]如图1-7所示，本专利技术的基于深度学习的磨矿粒度预测系统，其特征在于包括依次相连接的磨矿现场检测控制装置、历史数据采集服务器、数据采集统计分析服务器、深度学习服务器、数据处理服务器和多个计算机终端。
[0041]一种基于深度学习的磨矿粒度预测方法，其特征在于包括以下步骤：
[0042]步骤1：一次磨矿分级的历史数据进行自动采集分析；
[0043]步骤2：根据磨矿工艺要求，进行深度学习的感知技术，建立双时间递归神经粒度预测模型；
[0044]所述的步骤2包括以下步骤：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的磨矿粒度预测系统，其特征在于包括磨矿现场检测控制装置、采集实时数据的服务器包括历史数据、浏览统计分析服务器、深度学习服务器、数据处理服务器和用于显示磨矿预测粒度的多个计算机终端。2.一种基于深度学习的磨矿粒度预测方法，其特征在于包括以下步骤：步骤1：首先对一次磨矿分级给矿，加水，旋流压力，泵池液位、矿浆浓度和磨矿粒度的历史数据进行自动采集分析；步骤2：根据磨矿工艺要求，进行深度学习的感知技术，建立双时间递归神经粒度预测模型。3.根据权利要求2所述的基于深度学习的磨矿粒度预测方法，其特征在于所述的步骤2包括以下步骤：步骤2-1：首先建立总体回归模型，多元回归模型的数学形式如下：设因变量为Y，影响因变量的k个自变量分别为X1，X2，...，X
k
，假设每一个自变量对因变量Y的影响都是线性的，也就是说，在其他自变量不变的情况下，Y的均值随着自变量X
i
的变化均匀变化，总体回归模型表示为：Y＝β0+β1X1+β2X2+...+β
k
X
k
+ε.其中β0，β1，β2，...，β
k
称为回归参数；步骤2-2：利用样本数据对模型参数作出估计；步骤2-3：对模型参数进行假设检验；步骤2-4：应用回归模型对因变量(被解释变量)作出预测；步骤2-5：建立预测粒度模型；在给定自变量X
i

【专利技术属性】
技术研发人员：王欢，张军，郭力，毕宏刚，全厚春，姜山红，关小明，祁金才，孙为平，
申请(专利权)人：鞍钢集团矿业有限公司，
类型：发明
国别省市：