一种多组别立磨机闭环建模优化控制方法及其设备技术

本发明专利技术涉及一种多组别立磨机闭环建模优化控制方法及其设备，包括利用卡尔曼滤波对采样数据的平稳性处理，利用时间卷积网络模型对某一立磨机磨矿过程的粒度进行预测建模，利用迁移学习和知识蒸馏框架对多个立磨机的磨矿粒度进行预测，同时实现对立磨机磨矿粒度的预测结果可视化展示，再利用稀疏奖励的强化学习方法实现多台多组立磨机的闭环磨矿实时预测优化控制。该方法克服了现阶段控制方法存在难以建立数学模型等综合复杂性以及随不同的工业过程具有不同的特性，运行指标往往不能在线监测等问题。对多组别立磨机的实时动态准确地调整相关设定值，使得运行指标的粒度控制在目标值范围的实时预测控制优化具有理论和实际意义。意义。意义。

【技术实现步骤摘要】
一种多组别立磨机闭环建模优化控制方法及其设备


[0001]本专利技术属于选矿过程智能控制
，具体说是一种基于迁移学习的多组别立磨机预测建模优化控制方法及其采用的设备。

技术介绍

[0002]立磨过程是铁矿选矿生产流程中的一个重要环节，是对球磨过程的的产物(
‑
200目)进一步研磨处理的细化过程(
‑
325目)，其产物的粒度对后续的磁选和浮选分离过程有着重要影响。然而我国铁矿多为贫矿，磨矿作业工况时变，需要根据来矿性质的波动进行工况判断和调整，传统的控制方法通常是现场工艺人员根据以往生产经验，其主观随意性较强，不能形成较为稳定的控制闭环，也就不能够有效解决频繁的工况变化下的次优化问题。
[0003]为了实现多组别立磨机构建的立磨过程粒度指标的闭环建模优化控制，克服强非线性、强耦合、时变等复杂动态特性的生产现状，需要利用深度学习方法构建庞大的网络，结合强化学习策略对已有的控制决策经验进行学习，同时结合模型对未知策略进行探索，满足立磨过程的粒度优化控制。因此针对多组别立磨机的闭环建模优化控制方法对于立磨过程的优化控制有着重要意义。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供一一种多组别立磨机闭环建模优化控制方法及其设备，该控制方法利用卡尔曼滤波对采集到的多源数据进行平滑处理；采用时间卷积网络对源域立磨机的立磨过程的粒度进行预测建模；对同组别立磨机采用迁移学习的方式在减少模型训练代价的同时建立预测模型；对不同组别的立磨机采用迁移学习和知识蒸馏的方式识别源域和目标域的分布差异，采用生成式自域适应的方法建立预测模型；利用输入浓度和流量的差异进行各个子模型的线性加权；采用稀疏奖励的SAC方法，可以有效的降低智能体获取奖励信号得稀疏、延迟或嘈杂问题，实现强化学习模型的快速收敛，最终完成实现对立磨机整体过程的优化控制。
[0005]本专利技术为实现上述目的所采用的技术方案是：
[0006]一种多组别立磨机闭环建模优化控制方法，包括如下步骤：
[0007]步骤1、对一段时间内所有立磨机磨矿控制输入、状态监控、粒度化验数据进行预处理，使得满足预测控制优化的数据维度，对一段时间内立磨机磨矿状态监控数据进行卡尔曼滤波，实现时间数据特征平稳化；
[0008]步骤2、选取某一立磨机的磨矿控制输入、状态监控、粒度化验数据构建时间卷积预测模型，通过一段时间内的控制输入、状态监控，预测下一段时间的粒度化验数据，并通过迁移学习的方式对同组别的其他立磨机进行迁移学习的预测建模；
[0009]步骤3、通过迁移学习和知识蒸馏的方法对不同组别的立磨机进行预测建模，将步骤2建立的时间卷积网络(TCN)学习到的立磨过程知识利用生成对抗损失的域自适应算法传递给不同组别的立磨机进行学习，实现对不同组别立磨机的预测模型建立；
[0010]步骤4、通过所有立磨机的输入浓度和流量数据进行加权，构建整个立磨环节的粒度预测模型，并实现粒度预测可视化；
[0011]步骤5、通过基于稀疏奖励的软演员
‑
批评家(Soft
‑
Actor
‑
Critic)算法对已建立的模型构建强化学习目标函数和策略熵，通过自监督的奖励提取模块构建建立一个新的经验回放区，与目标函数和策略熵一起构建价值函数Q，利用离线(Off
‑
Policy)的训练方式更新强化学习的状态函数V、价值函数Q、策略函数π，直至稳定收敛；
[0012]步骤6、利用训练好的强化学习策略实现多组别的立磨机闭环优化控制过程。
[0013]优选的，所述的控制输入包括多台立磨机的电流和台时的设定值、多台的旋给泵压力和流量的设定值、多台旋流器开启台数和补加水流量的设定值等；所述的状态监控包括立磨机给矿泵池液位的实际值，多点位的旋给泵压力、旋给浓度、旋给流量、旋流器补加水的实际值，以及多台立磨机的电流、台时、功率的实际值等；所述的化验数据主要为各个旋流器出口的粒度仪数据和人工化验数据。
[0014]优选的，所述构建时间卷积预测模型包括以下步骤：
[0015]步骤2
‑
1、选取初始的某一立磨机为源域立磨机，设置n层因果
‑
空洞卷积层，设置空洞因子，卷积核大小，卷积层的激活函数设置为ReLU函数，通过残差块连接所有隐藏层，并采用一维卷积作为第n+1层来提取全局特征，如下式所示为t时刻的粒度值F为：
[0016][0017]步骤2
‑
2、计算过程中，利用选取的某一立磨机的磨矿控制输入、状态监控、粒度化验数据训练时间卷积模型，最终网络的输出：
[0018][0019]式中为所有卷积层的输出加权和，为初始卷积层输出；
[0020]步骤2
‑
3、对于同组别的另一立磨机构建相同的TCN模型，冻结步骤2
‑
1和2
‑
2中训练的源域立磨机TCN浅层权重、并利用该立磨机产生的实时控制输入、状态监控、化验数据训练更新未冻结的权重，实现同组别的另一立磨机的粒度预测建模；
[0021]步骤2
‑
4、重复步骤2
‑
3对同组别其他立磨机构建相似的TCN预测模型，实现对同组别的所有立磨机的粒度预测建模。
[0022]优选的，所述通过迁移学习和知识蒸馏的方法构建其他立磨机预测模型包括以下步骤：
[0023]步骤3
‑
1、对于不同最组别的立磨机，采用基于生成对抗损失的域自适应方法，同时训练两个模型：一个是捕获数据分布的生成模型G，另一个是估计样本来自真实数据的判别模型D；
[0024]步骤3
‑
2、对于生成模型G，采用与步骤3相似的TCN网络架构构建粒度预测的生成式模型；
[0025]步骤3
‑
3、对于判别模型D，设步骤2的某一立磨机的TCN预测模型适用的数据为源域数据设不同组别的某一立磨机的数据为目标域数据
将二者作为输入数据输入生成器f
g
(x)中，学习到特征隐变量z
s
和z
t
，并传递给判别器f
d
(x)判断特征是来源于源域数据还是生成的数据；
[0026]步骤3
‑
4、采用一维卷积作为生成器来提取目标域特征代替原始特征，并最小化对抗损失的目标函数：
[0027][0028]步骤3
‑
5、重复步骤3
‑
3和3
‑
4，对不同组别的其他立磨机构建相似生成式域自适应的预测模型，实现对不同组别的所有立磨机的粒度预测建模；
[0029]优选的，所述通过稀疏奖励的软演员
‑
批评家(Soft
‑
Actor
‑
Critic)算法包括以下步骤：
[0030]步骤5
‑
1、定义策略函数π<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多组别立磨机闭环建模优化控制方法，其特征在于，包括如下步骤：步骤1、对一段时间内所有立磨机磨矿控制输入、状态监控、粒度化验数据进行预处理，使得满足预测控制优化的数据维度，对一段时间内立磨机磨矿状态监控数据进行卡尔曼滤波，实现时间数据特征平稳化；步骤2、选取某一立磨机的磨矿控制输入、状态监控、粒度化验数据构建时间卷积预测模型，通过一段时间内的控制输入、状态监控，预测下一段时间的粒度化验数据，并通过迁移学习的方式对同组别的其他立磨机进行迁移学习的预测建模；步骤3、通过迁移学习和知识蒸馏的方法对不同组别的立磨机进行预测建模，将步骤2建立的时间卷积网络(TCN)学习到的立磨过程知识利用生成对抗损失的域自适应算法传递给不同组别的立磨机进行学习，实现对不同组别立磨机的预测模型建立；步骤4、通过所有立磨机的输入浓度和流量数据进行加权，构建整个立磨环节的粒度预测模型，并实现粒度预测可视化；步骤5、通过基于稀疏奖励的软演员
‑
批评家(Soft
‑
Actor
‑
Critic)算法对已建立的模型构建强化学习目标函数和策略熵，通过自监督的奖励提取模块构建建立一个新的经验回放区，与目标函数和策略熵一起构建价值函数Q，利用离线(Off
‑
Policy)的训练方式更新强化学习的状态函数V、价值函数Q、策略函数π，直至稳定收敛；步骤6、利用训练好的强化学习策略实现多组别的立磨机闭环优化控制过程。2.根据权利要求1所述的一种多组别立磨机闭环建模优化控制方法，其特征在于，所述立磨机磨矿的控制输入包括多台立磨机的电流和台时的设定值、多台的旋给泵压力和流量的设定值、多台旋流器开启台数和补加水流量的设定值等；状态监控包括立磨机给矿泵池液位的实际值，多点位的旋给泵压力、旋给浓度、旋给流量、旋流器补加水的实际值，以及多台立磨机的电流、台时、功率的实际值等；化验数据主要为各个旋流器出口的粒度仪数据和人工化验数据。3.根据权利要求1所述的所述的一种多组别立磨机闭环建模优化控制方法，其特征在于，所述步骤2中构建时间卷积预测模型包括以下步骤：步骤2
‑
1、选取初始的某一立磨机为源域立磨机，设置n层因果
‑
空洞卷积层，设置空洞因子，卷积核大小，卷积层的激活函数设置为ReLU函数，通过残差块连接所有隐藏层，并采用一维卷积作为第n+1层来提取全局特征，如下式所示为t时刻的粒度值F为：步骤2
‑
2、计算过程中，利用选取的某一立磨机的磨矿控制输入、状态监控、粒度化验数据训练时间卷积模型，最终网络的输出：式中为所有卷积层的输出加权和，为初始卷积层输出；步骤2
‑
3、对于同组别的另一立磨机构建相同的TCN模型，冻结步骤2
‑
1和2
‑
2中训练的源域立磨机TCN浅层权重、并利用该立磨机产生的实时控制输入、状态监控、化验数据训练更新未冻结的权重，实现同组别的另一立磨机的粒度预测建模；
步骤2
‑
4、重复步骤2
‑
3对同组别其他立磨机构建相似的TCN预测模型，实现对同组别的所有立磨机的粒度预测建模。4.根...

【专利技术属性】
技术研发人员：王平，王剑，符光龙，王学平，阚云稀，郑彦会，
申请(专利权)人：青海鸿鑫矿业有限公司，
类型：发明
国别省市：