基于改进SVM的淘洗机精矿品位在线预测方法及系统技术方案

本发明专利技术公开了一种基于改进SVM的淘洗机精矿品位在线预测方法及系统，该方法包括以下步骤：S1、采集淘洗机的运行参数并进行数据预处理；S2、改进粒子群优化算法；S3、建立支持向量机的淘洗机精矿品位预测模型；S4、利用改进的粒子群优化算法优化支持向量机的参数，建立改进支持向量机的淘洗机精矿品位预测模型；S5、利用预处理后的数据训练改进支持向量机的淘洗机精矿品位预测模型，训练完成之后进行淘洗机精矿品位预测。本发明专利技术将机器学习的技术应用于预测淘洗机精矿品位上，通过以多方面改进粒子群算法的方法，并支持向量机的方法，对选矿厂的淘洗机数据进行选矿质量在线预测，提高和保证淘洗机选矿工作状态的准确性和稳定性。

【技术实现步骤摘要】
基于改进SVM的淘洗机精矿品位在线预测方法及系统
本专利技术属于淘洗机选矿
，具体涉及一种基于改进SVM的淘洗机精矿品位在线预测方法及系统。
技术介绍
矿冶行业是目前我国国民经济的支柱产业，而选矿对矿冶行业的发展起着至关重要的作用。近年来我国的铁矿石面临考验，采选品位较低，经选矿机选出的精铁矿品位也与国外差距颇大。因此如何提升选矿效率，提高选矿品位，改进工艺方法成为了当下选矿业的重点。淘洗机作为选矿中非常重要的部分，能够对最后选矿品位的提升起很大作用。淘洗机在磁场和水力的作用下，对铁矿石进行分选，矿石主要受到磁力、漂洗水冲力、矿石之间的摩擦力和重力等作用力。由于磁性较强的矿粒和磁性较弱的矿粒在磁场中受力不同，磁性较强的会被吸附在齿板上，随着分选箱继续转动，而磁性较弱的则被冲矿漂洗水冲掉而成为尾矿。目前，淘洗机精矿品位检测基本都是选矿结束后，才对精矿品位进行化学检测，故无法对选矿进行在线检测，导致生产工艺不能在线调控，造成生产效率低，精矿品位不稳定的情况。进行在线检测后能够对淘洗机选矿进行实时指导，对淘洗机精矿品位的提高和稳定具有实用意义。由于通常使用精矿品位、精矿产量等对淘洗机选矿质量进行评价，故可以根据淘洗机的运行数据，对精矿品位进行预测。
技术实现思路
为解决上述技术问题，本专利技术提供一种基于改进SVM的淘洗机精矿品位在线预测方法及系统，避开传统人工判断的不利影响，实现淘洗机精矿品位在线预测，提高和保证淘洗机选矿工作状态的准确性和稳定性。本专利技术提供的技术方案如下：一种基于改进SVM的淘洗机精矿品位在线预测方法，包括以下步骤：S1、采集淘洗机的运行参数并进行数据预处理；S2、改进粒子群优化算法；S3、建立支持向量机的淘洗机精矿品位预测模型；S4、利用改进的粒子群优化算法优化支持向量机的参数，建立改进支持向量机的淘洗机精矿品位预测模型；S5、利用预处理后的数据训练改进支持向量机的淘洗机精矿品位预测模型，训练完成之后进行淘洗机精矿品位预测。优选地，采集淘洗机的运行参数具体为：采集淘洗机不同时间的给矿品位、底流浓度、精矿品位和精矿回收率。优选地，数据预处理具体包括：S11、对数据进行数据清洗、去除异常值和补缺损失值；S12、对数据做相关性分析，选出具有相关性的输入特征。优选地，改进粒子群优化算法具体包括：改进惯性因子、改进加速因子、改进位置更新。优选地，惯性因子ω改进公式为：式中，ωmax是最大权重值，ωmin是最小权重值，t为迭代次数，Tmax为最大迭代次数。优选地，加速因子C1和C2的改进公式为：式中，t为迭代次数，Tmax为最大迭代次数。优选地，使用莱维飞行进行位置更新：式中，Xi表示粒子i的位置，t表示迭代次数，α表示运动步长，为点对点乘法，Levy(λ)为随机搜索路径且满足：Levy～μ＝t－λ1≤λ≤3其中，莱维飞行的步长s计算公式为：其中，μ、v为正态分布：式中：σv＝1β＝1.5。优选地，支持向量机的回归预测估计函数为：0≤ai,式中，ai,为ai*拉格朗日常数，C为惩罚系数，K(xi，X)为核函数，b为偏置量；选用RBF函数作为核函数：K(xi,X)＝exp(-g||xi-X||2)式中，xi为支持向量，X为核函数中心，σ为函数的宽度参数，g为gamma。优选地，利用改进的粒子群优化算法优化支持向量机的惩罚系数C和G参数。一种用于实现上述的基于改进SVM的淘洗机精矿品位在线预测方法的基于改进SVM的淘洗机精矿品位在线预测系统，包括：数据采集模块，用于采集淘洗机的运行参数并进行数据预处理；算法改进模块，用于改进粒子群优化算法；模型建立模块，用于建立支持向量机的淘洗机精矿品位预测模型；改进模型模块，用于利用改进的粒子群优化算法优化支持向量机的参数，建立改进支持向量机的淘洗机精矿品位预测模型；训练预测模块，用于利用预处理后的数据训练改进支持向量机的淘洗机精矿品位预测模型，训练完成之后进行淘洗机精矿品位预测。本专利技术的有益效果为：本专利技术的基于改进SVM的淘洗机精矿品位在线预测方法及系统，将机器学习的技术应用于预测淘洗机精矿品位上，针对在选矿过程中，现场选矿环境复杂，传统选矿质量检测方法滞后，导致结果反馈不及时，使得淘洗机选矿品位不稳定的问题，提出了一种基于改进粒子群算法和支持向量机结合的在线预测模型。由于粒子群优化算法容易陷入局部最优解和过早收敛的问题，本专利技术通过以多方面改进粒子群算法的方法，并支持向量机的方法，对选矿厂的淘洗机数据进行选矿质量在线预测，根据历史淘洗机生产数据建立以淘洗机精矿品位和精矿回收率为指标的预测模型，达到实现在线预测，并将预测结果反馈给选矿过程达到在线预测调控的目的。该方法和系统不仅实现了淘洗机精矿品位的预测，还改善了单一支持向量机模型预测不够准确的问题，在模型中加入粒子群优化算法，极大地提升了预测准确度，对工作人员控制淘洗机在最优工作状态具有一定的参考价值，具有良好的应用和推广前景。附图说明图1是本专利技术一实施例的基于改进SVM的淘洗机精矿品位在线预测方法流程图。图2是本专利技术另一实施例的基于改进SVM的淘洗机精矿品位在线预测方法框图。图3是本专利技术的基于改进SVM的淘洗机精矿品位在线预测系统示意图。具体实施方式下面将结合附图对本专利技术作进一步的说明：本专利技术一实施的基于改进SVM的淘洗机选矿质量在线预测方法，将机器学习的支持向量机和粒子群算法相结合应用于预测淘洗机精矿品位上，如图1所示，包括以下步骤：S1、采集淘洗机的运行参数并进行数据预处理，包括：采集淘洗机不同时间的给矿品位、底流浓度、精矿品位和精矿回收率等相关参数，依据采集的淘洗机运行参数对数据进行预处理。S2、由于粒子群优化算法容易陷入局部最优解和过早收敛的问题，对粒子群优化算法进行改进，提出多方面改进的粒子群算法。S3、建立支持向量机的淘洗机精矿品位预测模型。S4、将改进后的粒子群算法和支持向量机模型融合，利用改进后的粒子群算法对支持向量机进行优化，建立改进支持向量机的精矿品位预测模型。S5、淘洗机精矿品位在线预测实验测试：利用预处理后的数据训练改进支持向量机的淘洗机精矿品位预测模型，然后将已经测得的数据送入基于改进SVM的淘洗机选矿质量在线预测模型中，看是否能识别出此时的淘洗机精矿品位，测试结果是否合理。如果结果合理，就可以进行正式使用，进行淘洗机精矿品位测试。进一步地，淘洗机数据预处理具体包括如下步骤：S11、将采集的数据进行数据清洗、去除异常值和补缺损失值；S12、对采集的数据输入变量使用软件本文档来自技高网...

【技术保护点】
1.一种基于改进SVM的淘洗机精矿品位在线预测方法，其特征在于，包括以下步骤：/nS1、采集淘洗机的运行参数并进行数据预处理；/nS2、改进粒子群优化算法；/nS3、建立支持向量机的淘洗机精矿品位预测模型；/nS4、利用改进的粒子群优化算法优化支持向量机的参数，建立改进支持向量机的淘洗机精矿品位预测模型；/nS5、利用预处理后的数据训练改进支持向量机的淘洗机精矿品位预测模型，训练完成之后进行淘洗机精矿品位预测。/n

【技术特征摘要】
1.一种基于改进SVM的淘洗机精矿品位在线预测方法，其特征在于，包括以下步骤：
S1、采集淘洗机的运行参数并进行数据预处理；
S2、改进粒子群优化算法；
S3、建立支持向量机的淘洗机精矿品位预测模型；
S4、利用改进的粒子群优化算法优化支持向量机的参数，建立改进支持向量机的淘洗机精矿品位预测模型；
S5、利用预处理后的数据训练改进支持向量机的淘洗机精矿品位预测模型，训练完成之后进行淘洗机精矿品位预测。


2.根据权利要求1所述的基于改进SVM的淘洗机精矿品位在线预测方法，其特征在于，采集淘洗机的运行参数具体为：采集淘洗机不同时间的给矿品位、底流浓度、精矿品位和精矿回收率。


3.根据权利要求1所述的基于改进SVM的淘洗机精矿品位在线预测方法，其特征在于，数据预处理具体包括：
S11、对数据进行数据清洗、去除异常值和补缺损失值；
S12、对数据做相关性分析，选出具有相关性的输入特征。


4.根据权利要求1所述的基于改进SVM的淘洗机精矿品位在线预测方法，其特征在于，改进粒子群优化算法具体包括：改进惯性因子、改进加速因子、改进位置更新。


5.根据权利要求4所述的基于改进SVM的淘洗机精矿品位在线预测方法，其特征在于，惯性因子ω改进公式为：



式中，ωmax是最大权重值，ωmin是最小权重值，t为迭代次数，Tmax为最大迭代次数。


6.根据权利要求4所述的基于改进SVM的淘洗机精矿品位在线预测方法，其特征在于，加速因子C1和C2的改进公式为：






式中，t为迭代次数，Tmax为最大迭代次数。


7.根据权利要求4所述的基于改进SVM的淘洗机精矿品位在线预测方法，其特征在于，使用莱...

【专利技术属性】
技术研发人员：刘琼，徐雪玉，杨大兵，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北;42