一种分段可解释的煤浮选智能加药方法技术

本发明专利技术公开了一种分段可解释的煤浮选智能加药方法，该方法基于高精度传感器和检测设备捕获浮选加药数据集，对输入特征进行归一化处理；然后利用特征数据变量训练煤浮选的XGBoost加药模型，结合SHAP解释该模型，基于SHAP均值选取主因变量，主因变量采用XGBoost模型直接预测，次因变量采用干煤泥含量计算的药剂比预测，同时借助SHAP均值计算添加药剂量的分段边界值，避免小于常规范围时仅仅依赖机器学习模型还会存在药剂不足的工况。该方法提出的新的分段可解释智能加药方法优于现有的人工操作和机器学习算法，该方法预测加药的算法更科学稳定，能够有效保证煤泥浮选生产的可燃体回收率和精煤产率，为选煤厂提质增效。为选煤厂提质增效。为选煤厂提质增效。

【技术实现步骤摘要】
一种分段可解释的煤浮选智能加药方法


[0001]本专利技术涉及煤浮选智能控制
，具体涉及一种分段可解释的煤浮选智能加药方法。

技术介绍

[0002]浮选工艺是细粒煤分选中最常用、效果最佳的技术，承担着选煤厂约30％的分选任务。基于煤和矸石表面润湿性的差异，煤泥浮选过程需要加入适量的浮选药剂来增加煤的可浮性，并且药剂的分散效果和加药量都会直接影响到浮选效果的好坏。研究表明，捕收剂添加量较高时气泡不稳定，影响起泡剂在矿物表面的吸附，泡沫层易堆积，较低时，煤泥颗粒表面的疏水性不能充分改善，精煤颗粒被尾矿夹带；对应的起泡剂过量时容易形成大气泡，使得矸石颗粒夹带浮出，精煤质量变差，当起泡剂较少时，气泡少而虚，精煤被带入尾矿。目前选煤厂主要依靠浮选岗位司机的经验手动调节加药量大小，这种加药方式通常以固定流量维持几个小时或更长时间，这使得选煤厂每年在浮选工艺面临着较大的物料和效益损失。
[0003]目前在浮选自动控制加药技术上已经有多项研发项目，并且有部分方法已经应用于工业生产中。主要分为基于浮选泡沫视觉特征的建模方法和浮选过程变量预测方法。比较一致的是这些建模方法都是基于机器学习技术，将图像特征或浮选过程变量作为模型输入，通过训练优化超参数达到提高预测加药量精准度的目的，例如专利CN 113128126 A公开了一种基于生成对抗网络的浮选加药过程的建模方法，建立了浮选药剂添加量与泡沫图像特征之间关系。但是这些方法在浮选现场的应用中存在短板，如局部单一的表层泡沫图像并不能准确识别矿浆中药剂过量的工况，并且多数只针对单槽工况；机器学习建模过程中并未研究输入变量对模型的贡献；此外，现有的连续的浮选加药模型不能有效匹配类似于高流量、低浓度这样的边界工况。
[0004]显然煤泥浮选是一个复杂的、连续的多工艺流程，上述方法和技术中的不足一直迫使智能加药技术不断的迭代更新。

技术实现思路

[0005]针对上述存在的技术不足，本专利技术的目的是提供一种分段可解释的煤浮选智能加药方法，其以树基模型XGBoost为基础网络结构，通过SHAP解释浮选特征对加药模型的贡献，确定最佳模型变量反馈与预测顺序，借助SHAP均值计算添加药剂量的分段边界值，该方法解决了现有技术加药困难、药剂含量识别不准确、无法有效匹配高流量、低浓度的边界工况，实现智能化加药，对选煤厂提质增效具有广泛的应用价值。
[0006]为解决上述技术问题，本专利技术提供一种分段可解释的煤浮选智能加药方法，包括以下步骤：
[0007]S1：捕获煤浮选加药过程特征数据和浮选指标，建立煤泥浮选加药预测数据集，具体过程为：
[0008]S11：使用传感器和尾矿灰分仪捕获浓度、流量、充气量和尾矿灰分为特征变量，以可燃体回收率和精煤产率为指标，标记可燃体回收率和精煤产率达到选厂要求时的指标入料流量、入料浓度、尾矿灰分、捕收剂添加量和起泡剂添加量等参数；
[0009]S12：剔除异常数据，采用归一化方法基于单个变量的最大最小值将各变量特征的值放在区间[0,1]内，归一化公式如下：
[0010]v(x)＝[a(x)
‑
mina(x)]/[maxa(x)
‑
mina(x)][0011]其中，a(x)是浮选过程变量特征或尾矿灰分，v(x)是模型输入特征；
[0012]S13：按照80:20的比例将数据划分为训练集(80％)和验证集(20％)，建立煤泥浮选加药预测数据集；
[0013]S2：设计和构建XGBoost浮选加药回归预测模型并计算训练误差，具体过程为：
[0014]S21：采用10
‑
折交叉验证方法读入浮选加药预测数据集；
[0015]S22：S2中的XGBoost模型是一个数集成模型，内部由多个回归树组成，为了优化损失函数，进一步训练的目标函数为：
[0016][0017]其中
[0018]公式中g
i
为损失函数的一阶导数，h
i
为为损失函数的二阶导数，f表示损失函数最小的浮选加药量，Ω为正则项，式中γ为叶子节点的惩罚参数，T为叶子节点个数。
[0019]S23：网格搜索(Grid SearchCV)优化XGBoost中待优化的超参数，包括弱药剂学习机个数n_estimators、最大树深度max_depth、惩罚系数gamma和学习率learning_rate；
[0020]S24：对一组浮选特征变量进行编码并计算浮选药剂添加量，优化损失函数均方根误差RMSE，根据损失函数减小的方向继续优化加药模型，RMSE的计算公式如下：
[0021][0022]其中Y
obj
为实际浮选药剂添加量，Y
model
为模型预测的浮选药剂添加量，n为变量样本的个数；
[0023]S3：采用SHAP算法解释浮选过程特征变量对浮选药剂添加量的贡献及重要性程度，分别计算出对于捕收剂加药量和起泡剂加药量最重要的特征，具体过程为：
[0024]S31：以第i组训练数据为例，每组组局对应浮选入料浓度、流量、充气量和尾矿灰分四个特征变量，则第i个训练样本的SHAP值的预测可以表示为：
[0025][0026]其中
[0027]公式中是第k个特征，是样本的平均预测，Z表示样本集合，S是除去第k个特征的样本集合，G表示预测模型，G
S
表示仅用集合S训练的模型。
[0028]S32：训练数据中每个浮选特征变量都有对应的SHAP值，选择样本的SHAP均值来表示特征对于浮选药剂添加量预测的重要性，最终得到浮选过程特征的重要性排序；
[0029]S33：选择SHAP均值最大的变量特征为捕收剂或起泡剂预测的最重要的特征；
[0030]S4：浮选过程中药剂比例非常重要，如果依靠模型频繁改变加药比例对浮选系统非常不利。该步骤主要依靠SHAP均值选取浮选药剂中的一种作为主因变量，按照步骤S2中XGBoost模型的预测值添加，另一种药剂作为次因变量，按照计算的药剂比添加，详细的步骤如下：
[0031]S41：采取步骤S2中的方法训练浮选加药模型，再按照S3中的方法分别计算SHAP均值(捕收剂)S
b
和SHAP(起泡剂)S
q
；
[0032]S42：如果Sb>Sq，选取捕收剂添加量为主因变量，取起泡剂添加量为次因变量，主因变量采用XGBoost模型直接预测，次因变量＝主因变量/k，其中k为药剂比；否则，起泡剂添加量为主因变量，捕收剂添加量为次因变量。
[0033]S43：取浮选系统实时的干煤泥含量来确定最佳药剂比(捕收剂添加量/起泡剂添加量)，干煤泥含量的计算公式如下：
[0034]m(g)＝Q(l)
·
ρ(l)
[0035]其中Q为入料矿浆流量，ρ为入料矿浆浓度；然后在浮选指标满足选煤厂生产要求的前提下结合浮选实验利用SPSS拟合浮现药剂比与干煤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分段可解释的煤浮选智能加药方法，其特征在于，包括以下步骤：S1：捕获煤浮选加药过程特征数据和浮选指标，建立煤泥浮选加药预测数据集；S2：设计和构建XGBoost浮选加药回归预测模型并计算训练误差；S3：采用SHAP算法解释浮选过程特征变量对浮选药剂添加量的贡献及重要性程度，分别计算出对于加药量预测最重要的特征；S4：依靠SHAP均值选取浮选药剂中的一种作为主因变量，按照步骤S2中XGBoost模型的预测值添加，另一种药剂作为次因变量，按照干煤泥含量计算的药剂比预测；S5：借助SHAP均值对添加药剂量的边界值分段；S6：综合上述步骤S1～S5，设置加药规则。2.如权利要求1所述的一种分段可解释的煤浮选智能加药方法，其特征在于，上述步骤S1包括：S11：使用仪器捕获煤浮选加药过程特征变量，以可燃体回收率和精煤产率为指标，标记可燃体回收率和精煤产率达到选厂要求时的指标参数；S12：剔除异常数据，采用归一化方法基于单个变量的最大最小值将各变量特征的值放在区间[0,1]内，归一化公式如下：v(x)＝[a(x)
‑
mina(x)]/[maxa(x)
‑
mina(x)]其中，a(x)是浮选过程变量特征或尾矿灰分，v(x)是模型输入特征；S13：按照80:20的比例将数据划分为训练集和验证集，建立煤泥浮选加药预测数据集。3.如权利要求2所述的一种分段可解释的煤浮选智能加药方法，其特征在于，上述步骤S11，利用控制模块和传感器采集工业浮选过程中的浮选入料浓度ρ、入料流量Q和充气量A，利用尾矿视觉灰分仪监测浮选尾矿的灰分值Ad，作为四个特征变量；采集样本数据时同时采集浮选机精煤灰分、捕收剂添加量和起泡剂添加量。4.如权利要求1所述的一种分段可解释的煤浮选智能加药方法，其特征在于，上述步骤S2包括：S21：采用10
‑
折交叉验证方法读入浮选加药预测数据集；S22：步骤S2中的XGBoost模型是一个数集成模型，内部由多个回归树组成，为了优化损失函数，进一步训练的目标函数为：其中公式中g
i
为损失函数的一阶导数，h
i
为为损失函数的二阶导数，f表示损失函数最小的浮选加药量，Ω为正则项，式中γ为叶子节点的惩罚参数，T为叶子节点个数；S23：网格搜索优化XGBoost中待优化的超参数，包括弱药剂学习机个数n_estimators、最大树深度max_depth、惩罚系数gamma和学习率learning_rate；S24：对一组浮选特征变量进行编码并计算浮选药剂添加量，优化损失函数均方根误差RMSE，根据损失函数减小的方向继续优化加药模型，RMSE的计算公式如下：
其中Y
obj
为实际浮选药剂添加量，Y
model
为模型预测的浮选药剂添加量，n为变量样本的个数。5.如权利要求1所述的一种分段可解释的煤浮选智能加药方法，其特征在于，上述步骤S3包括：S31：以第i组训练数据为例，每组组局对应浮选特征变量，则第i个训练样本的SHAP值的预测可以表示为：其中公式中F...

【专利技术属性】
技术研发人员：温智平，周长春，王光辉，刘航涛，周脉强，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：