磨矿生产过程工艺数据序列关联分析方法及工艺优化方法技术

本发明专利技术提供了一种磨矿生产过程工艺数据序列关联分析方法及工艺优化方法，包括：采集磨矿生产过程中的工艺参数生成数据序列，工艺参数包括给矿量、球磨前给水、球磨功率、泵池补加水、旋流器溢流浓度及旋流器溢流细度；对数据序列进行无量纲化处理生成归一化后的数据序列；对归一化后的数据序列进行分析得到各数据序列间的最大线性关联系数矩阵和对应的时间滞后矩阵；根据时间滞后矩阵在归一化后的数据序列中选择目标数据序列并形成可执行数据集；挖掘可执行数据集中各工艺参数数据序列间的非线性关联信息；根据最大线性关联系数矩阵和非线性关联信息，对工艺参数的贡献度进行排序。本发明专利技术能够为磨矿生产过程优化控制方法提供指导依据，降低能耗。降低能耗。降低能耗。

【技术实现步骤摘要】
磨矿生产过程工艺数据序列关联分析方法及工艺优化方法


[0001]本专利技术涉及磨矿生产过程工艺数据分析领域，具体地，涉及一种基于TLCC
‑
LightGBM的磨矿生产过程工艺数据序列关联分析方法及工艺优化方法。

技术介绍

[0002]采矿业作为第二产业的先头产业，在社会经济发展占有重要地位，而在采矿行业中，磨矿生产过程能耗占了总能耗的三分之一。因此，在矿产资源的开发利用过程中，我国选矿厂特别是碎矿磨矿生产过程面临着节能减耗的艰巨任务。随着近几年计算机和人工智能技术的快速发展，将先进的算法技术应用到采矿业尤其是磨矿生产过程的工业大数据分析领域呈现出局部爆发的趋势。
[0003]磨矿生产过程中，工艺参数数据序列间存在机理复杂、非线性、大滞后及相互耦合等特点，给工艺参数数据序列间的关联分析造成了非常大的困难。目前，比较缺乏针对磨矿生产系统中各数据序列关联分析的研究，而量化分析这些因素之间的综合关联程度具有十分重要的工程应用意义，能够帮助优化控制策略和实施故障诊断等。依据常规的分析方法，如主成分分析PCA、支持向量机SVM等往往要求比较严格，限制了这些分析方法的应用。
[0004]因此，如何提供一种针对磨矿生产过程工艺数据序列的综合关联分析方法，是本领域技术人员研究亟需解决的问题

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的是提供一种磨矿生产过程工艺数据序列关联分析方法及工艺优化方法。
[0006]根据本专利技术提供的磨矿生产过程工艺数据序列关联分析方法，包括如下步骤：
[0007]步骤S1：采集磨矿生产过程中的工艺数据生成数据序列，所述工艺数据至少包括给矿量、球磨前给水、球磨功率、泵池补加水、泵池液位、旋流器溢流流量、旋流器溢流浓度及旋流器溢流细度；
[0008]步骤S2：对所述数据序列进行无量纲化处理生成归一化后的数据序列；
[0009]步骤S3：对归一化后的数据序列进行线性关联度分析得到各数据序列间的最大线性关联系数矩阵和对应的时间滞后矩阵；
[0010]步骤S4：根据所述时间滞后矩阵在所述归一化后的数据序列中选择相应的目标数据序列并形成可执行数据集；
[0011]步骤S5：挖掘所述可执行数据集中各数据序列间的非线性关联信息；
[0012]步骤S6：根据所述最大线性关联系数矩阵和所述非线性关联信息，对所述数据序列的贡献度进行排序。
[0013]优选地，所述步骤S1中，在磨矿生产过程中采集的工艺数据序列X
′
可以表示为：
[0014][0015]其中，X
i
′
＝(x
i
′
(1),x
i
′
(2),
…
,x
i
′
(m))
T
，i＝1,2,
…
,n，n为数据序列的个数，m为每个数据序列的数据量。
[0016]优选地，在所述步骤S2中对所述数据序列进行无量纲化处理通过线性函数归一化方法进行：
[0017][0018]其中，i＝0,1,
…
,n，k＝1,2,
…
,m。
[0019]优选地，在所述步骤S2中对所述数据序列进行无量纲化处理后的数据序列形成以下矩阵X：
[0020][0021]其中，X
i
＝(x
i
(1),x
i
(2),
…
,x
i
(m))
T
，i＝1,2,
…
,n。
[0022]优选地，所述步骤S3包括如下步骤：
[0023]步骤S301：选定滑动窗口，通过所述滑动窗口对归一化后的数据序列进行处理生成带有时间滞后特征的数据序列；
[0024]步骤S302：选定衡量两数据序列内部线性关联程度的参数为皮尔森关联系数，所述皮尔森关联系数计算式为：
[0025][0026]式中，
[0027]步骤S303：通过所述皮尔森关联系数计算式计算所述带有时间滞后特征的数据序列的线性关联系数系列矩阵GR，GR可以表示为：
[0028][0029]其中：
[0030][0031]r
ig
(jk)＝r
ig,jk
；i,j＝1,2
…
,n；g,k＝1,2
…
m
[0032]R
i
(j)表示第i变量和j变量分别生成的带有时间滞后特征的数据序列之间的线性关联系数矩阵，r
ig
(jk)表示i变量的第g个滑动窗口和j变量的第k个滑动窗口之间的线性关联系数，由此可以得到如下结论：
[0033]R
i
(j)＝R
j
(i)；R
i
(i)＝1；r
ig
(jk)＝r
jk
(ig)
[0034]步骤S304：通过所述线性关联系数系列矩阵GR和R
i
(j)，求取各数据序列间的最大线性关联系数矩阵maxGR和对应的时间滞后矩阵bestGT：
[0035][0036][0037]其中，maxR
i
(j)表示R
i
(j)线性关联系数矩阵中所有元素的最大值，bestT
i
(j)为取到maxR
i
(j)时数据序列对应的时间滞后。
[0038]优选地，所述步骤S4中根据所述时间滞后矩阵bestGT矩阵在所述归一化后的数据序列中抽取对应的目标数据序列形成可执行数据集X
*
：
[0039][0040]其中，
[0041]优选地，所述步骤S5包括如下步骤：
[0042]步骤S501：将所述可执行数据集中的目标数据序列作为LightGBM模型的输入数据，其中，为标签，剩余数据序列作为关联数据序列；
[0043]步骤S502：将目标数据序列按照8：2比例划分为训练集和测试集；
[0044]步骤S503：使用LightGBM模型进行训练集数据序列的回归运算，并返回关联数据序列的贡献程度权重trainR
i
(j)；
[0045]步骤S504：使用随机搜索法选取LightGBM算法的超参数；
[0046]步骤S505：使用LightGBM模型进行测试集数据序列的回归运算，用于检验算法超参数是否过拟合并返回关联数据序列的贡献程度权重testR
i
(j)。
[0047]优选地，步骤S6中综合考虑关联信息，对贡献度进行排序可以根据如下公式计算数据序列之间的综合关联程度R
i
(j)：
[0048]R
i
(j)＝maxR
i
(j)
×
0.4+(trainR
...

【技术保护点】

【技术特征摘要】
1.一种磨矿生产过程工艺数据序列关联分析方法，其特征在于，包括如下步骤：步骤S1：采集磨矿生产过程中的工艺数据生成数据序列，所述数据至少包括给矿量、球磨前给水、球磨功率、泵池补加水、泵池液位、旋流器溢流流量、旋流器溢流浓度及旋流器溢流细度；步骤S2：对所述数据序列进行无量纲化处理生成归一化后的数据序列；步骤S3：对归一化后的数据序列进行线性关联度分析得到各数据序列间的最大线性关联系数矩阵和对应的时间滞后矩阵；步骤S4：根据所述时间滞后矩阵在所述归一化后的数据序列中选择相应的目标数据序列并形成可执行数据集；步骤S5：挖掘所述可执行数据集中各数据序列间的非线性关联信息；步骤S6：根据所述最大线性关联系数矩阵和所述非线性关联信息，对所述数据序列的贡献度进行排序。2.根据权利要求1所述的磨矿生产过程工艺数据序列关联分析方法，其特征在于，所述步骤S1中，在磨矿生产过程中采集的数据序列X
′
可以表示为：其中，X'
i
＝(x'
i
(1),x'
i
(2),
…
,x'
i
(m))
T
，i＝1,2,
…
,n，n为数据序列的个数，m为每个数据序列的数据量。3.根据权利要求2所述的磨矿生产过程工艺数据序列关联分析方法，其特征在于，在所述步骤S2中对所述数据序列进行无量纲化处理通过线性函数归一化方法进行：其中，i＝0,1,
…
,n，k＝1,2,
…
,m。4.根据权利要求3所述的磨矿生产过程工艺数据序列关联分析方法，其特征在于，在所述步骤S2中对所述数据序列进行无量纲化处理后的数据序列形成以下矩阵X：其中，X
i
＝(x
i
(1),x
i
(2),
…
,x
i
(m))
T
，i＝1,2,
…
,n。5.根据权利要求1所述的磨矿生产过程工艺数据序列关联分析方法，其特征在于，所述步骤S3包括如下步骤：步骤S301：选定滑动窗口，通过所述滑动窗口对归一化后的数据序列进行处理生成带有时间滞后特征的数据序列；步骤S302：选定衡量两数据序列内部线性关联程度的参数为皮尔森关联系数，所述皮尔森关联系数计算式为：
式中，步骤S303：通过所述皮尔森关联系数计算式计算所述带有时间滞后特征的数据序列的线性关联系数系列矩阵GR，GR可以表示为：其中：r
ig
(jk)＝r
ig,jk
；i,j＝1,2
…
,n；g,k＝1,2
…
mR
i
(j)表示第i变量和j变量分别生成的带有时间滞后特征的数据序列之间的线性关联系数矩阵，r
ig
(jk)表示i变量的第g个滑动窗口和j变量的第k个滑动窗口之间的线性关联系数，由此可以得到如下结论：R
i
(j)＝R
j
(i)；R
i

【专利技术属性】
技术研发人员：王贵成，杨号问，蔡国良，关长亮，华宁，
申请(专利权)人：紫金智控厦门科技股份有限公司，
类型：发明
国别省市：