一种基于支持向量机的铜熔炼预测方法及系统技术方案

本申请公开了一种基于支持向量机的铜熔炼预测方法及系统，其中方法包括：获取实际生产过程中的熔炼数据；对熔炼数据进行预处理，得到处理后数据；根据处理后数据，将入炉原料数据和熔炼产物数据分别作为输入和输出，构建支持向量机的熔炼预测模型；设置并优化熔炼预测模型的内部参数，得到最终模型；使用最终模型对熔炼产物进行预测，得到预测结果。本申请基于铜熔炼实际生产数据以及机器学习开发一种基于支持向量机的铜熔炼预测模型。针对铜熔炼过程中从入炉原料到熔炼产物的元素分配等预测，以达到精准化铜熔炼生产的入炉原料的添加和熔炼条件的协调与修改，完成基于生产数据和机器学习的铜熔炼预测方法，最终实现优化生产的目的。产的目的。产的目的。

【技术实现步骤摘要】
一种基于支持向量机的铜熔炼预测方法及系统


[0001]本申请涉及铜矿冶炼加工
，具体涉及一种基于支持向量机的铜熔炼预测方法及系统。

技术介绍

[0002]铜的熔炼生产是铜冶炼中极为重要的一步，铜熔炼的原理是利用铜对硫的亲和力大于铁和其他杂质元素，而铁对氧的亲和力大于铜，并且在高温和富氧气氛条件下，铁和其他杂质元素氧化成渣或烟尘并除去，绝大多数入炉原料中的铜以CuS2的形式富集在铜锍相中，完成铜与其他元素初步分离。但是由于铜熔炼过程中化学反应的复杂性和产物参考指标多等影响，在实际生产过程中难以对入炉原料添加量和熔炼产物进行分析和有效协调与修改。
[0003]现有的铜熔炼预测模型使用线性模型或者使用神经网络等模型对熔炼生产数据进行预测。线性模型虽然模型简单，但是预测精度低，并且很难处理铜熔炼过程的复杂工况。神经网络模型拥有非线性关系的处理能力，但是所需要的训练数据量相对支持向量机的训练数据量更多，并且神经网络的模型训练具有不确定性，需要多次训练才能得到一个较好的模型参数。

技术实现思路

[0004]本申请的目的在于提供一种基于支持向量机的铜熔炼预测方法，实现入炉原料输入到铜熔炼产物指标输出的预测，以达到精准化铜熔炼生产中入炉原料的添加和熔炼条件的协调与修改。
[0005]为实现上述目的，本申请提供了一种基于支持向量机的铜熔炼预测方法，步骤包括：
[0006]获取实际生产过程中的熔炼数据；
[0007]对所述熔炼数据进行预处理，得到处理后数据；
[0008]根据所述处理后数据将入炉原料数据和熔炼产物数据分别作为输入和输出，构建支持向量机的熔炼预测模型；
[0009]设置并优化所述熔炼预测模型的内部参数，得到最终模型；
[0010]使用所述最终模型对所述熔炼产物进行预测，得到预测结果。
[0011]优选的，所述入炉原料数据包括：入炉成分占比、吨耗氧量和富氧浓度；所述熔炼产物数据包括：铜锍品位、渣含铜、以及各元素在铜锍相、渣相和气相中的分配占比。
[0012]优选的，进行所述预处理的方法包括：使用smoothdata函数对所述熔炼数据进行平滑处理，防止因数据波动引起的过拟合导致预测结果的误差。
[0013]优选的，选择高斯径向基函数作为所述熔炼预测模型的核函数进行训练；通过所述高斯径向基函数将所述入炉原料数据映射到高维空间内，降低运算难度。
[0014]优选的，优化所述内部参数的方法包括：将所述熔炼预测模型的损失函数值设置
为0.1，控制训练集的结果数据所在的可行域范围进而限制训练集的误差范围，实现对所述最终模型的测试精度的控制。
[0015]优选的，设置所述内部参数的方法包括：使用所述熔炼预测模型得到的输出结果与实际工厂数据结果的差值为粒子群算法的适应度函数，通过粒子群算法确定模型中的参数gamma和惩罚系数的最优值；所述参数gamma用于确定所述熔炼预测模型中数据点的影响范围；所述惩罚系数用于控制所述熔炼预测模型在训练中的超越可行域范围。
[0016]优选的，在设置所述内部参数时：采用粒子群算法的参数设置，优化所述参数gamma和所述惩罚系数在所述熔炼预测模型中的效果，进而优化所述最终模型的精确度；对粒子群算法参数ω、c1、c2进行如下设置：
[0017][0018]式中，ω
start
表示粒子群算法迭代开始时的设定值；ω
end
表示迭代结束时的设定值；t为当前迭代次数；T为最大迭代次数；
[0019][0020][0021]式中，c
1start
表示迭代开始时c1的设定值；c
1end
表示迭代结束时c2的设定值；c
2start
表示迭代开始时c1的设定值；c
2end
表示迭代结束时c2的设定值；t表示当前迭代次数；T表示最大迭代次数。
[0022]本申请还提供了一种基于支持向量机的铜熔炼预测系统，包括：获取模块、预处理模块、构建模块、优化模块和预测模块；
[0023]所述获取模块用于获取实际生产过程中的熔炼数据；
[0024]所述预处理模块用于对所述熔炼数据进行预处理，得到处理后数据；
[0025]所述构建模块用于根据所述处理后数据将入炉原料数据和熔炼产物数据分别作为输入和输出，构建支持向量机的熔炼预测模型；
[0026]所述优化模块用于设置并优化所述熔炼预测模型的内部参数，得到最终模型；
[0027]所述预测模块用于使用所述最终模型对所述熔炼产物进行预测，得到预测结果。
[0028]与现有技术相比，本申请的有益效果如下：
[0029]本申请基于铜熔炼实际生产数据以及机器学习开发一种基于支持向量机的铜熔炼预测模型。针对铜熔炼过程中从入炉原料到熔炼产物的元素分配等预测，以达到精准化铜熔炼生产的入炉原料的添加和熔炼条件的协调与修改，完成基于生产数据和机器学习的铜熔炼预测方法，最终实现优化生产的目的。
附图说明
[0030]为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本申请实施例的方法流程示意图；
[0032]图2为本申请实施例的系统结构示意图。
具体实施方式
[0033]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0034]为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
[0035]实施例一
[0036]如图1所示，为本实施例的方法流程示意图。首先获取实际生产过程中的熔炼数据。之后使用smoothdata函数对实际熔炼数据进行平滑处理，作为支持向量机回归熔炼预测模型的训练集数据，防止因数据波动引起的过拟合导致预测结果的误差，并对数据进行归一化处理。
[0037]之后，根据处理后数据将入炉原料数据和熔炼产物数据分别作为输入和输出，构建支持向量机的熔炼预测模型在本实施例中，选用RBF(高斯径向基函数)作为熔炼预测模型的核函数进行训练，可以将入炉成分占比、吨耗氧量和富氧浓度等数据映射到高维空间内降低程序运算难度，适合上述模型多输入和训练集数据较多的情况。在本实施例中，作为输入的入炉原料数据包括：入炉成分(Cu、Fe、S、SiO2、CaO、MgO、Al2O3、Zn、As、Sb、Bi、Ni、Sn)占比、吨耗氧量和富氧浓度；作为输出的熔炼产物数据包括：铜锍品位、渣含铜、以及各元素在铜锍相、渣相、气相中分配占本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于支持向量机的铜熔炼预测方法，其特征在于，步骤包括：获取实际生产过程中的熔炼数据；对所述熔炼数据进行预处理，得到处理后数据；根据所述处理后数据，将入炉原料数据和熔炼产物数据分别作为输入和输出，构建支持向量机的熔炼预测模型；设置并优化所述熔炼预测模型的内部参数，得到最终模型；使用所述最终模型对所述熔炼产物进行预测，得到预测结果。2.根据权利要求1所述的基于支持向量机的铜熔炼预测方法，其特征在于，所述入炉原料数据包括：入炉成分占比、吨耗氧量和富氧浓度；所述熔炼产物数据包括：铜锍品位、渣含铜、以及各元素在铜锍相、渣相和气相中的分配占比。3.根据权利要求1所述的基于支持向量机的铜熔炼预测方法，其特征在于，进行所述预处理的方法包括：使用smoothdata函数对所述熔炼数据进行平滑处理，防止因数据波动引起的过拟合导致预测结果的误差。4.根据权利要求1所述的基于支持向量机的铜熔炼预测方法，其特征在于，选择高斯径向基函数作为所述熔炼预测模型的核函数进行训练；通过所述高斯径向基函数将所述入炉原料数据映射到高维空间内，降低运算难度。5.根据权利要求1所述的基于支持向量机的铜熔炼预测方法，其特征在于，优化所述内部参数的方法包括：将所述熔炼预测模型的损失函数值设置为0.1，控制训练集的结果数据所在的可行域范围进而限制训练集的误差范围，实现对所述最终模型的测试精度的控制。6.根据权利要求1所述的基于支持向量机的铜熔炼预测方法，其特征在于，设置所述内部参数的方法包括：使用所述熔炼预测模型得到的输出结果与实际工厂数据结果的差值为粒子群算法的适应度函数，通过粒子群算法确定模型中的参数gamma和惩罚系数的...

【专利技术属性】
技术研发人员：周世伟，王光彪，李博，魏永刚，王华，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：