一种磨矿粒度软测量方法、系统、介质、设备及终端技术方案

本发明专利技术属于磨矿粒度测量技术领域，公开了一种磨矿粒度软测量方法、系统、介质、设备及终端，将软测量模型的建立分为线性和非线性两部分，使用LASSO算法对时序展开的训练数据进行线性回归，建立线性软测量模型；根据模型权重分析时序特征，选择与输出相关的时序特征作为SCN的输入；使用真实值与LASSO算法预测值的残差作为SCN的输出并训练SCN，建立非线性软测量模型；通过弹性网络同步优化LASSO算法的线性软测量模型权重和SCN模型输出权重，获得最优软测量模型，并利用最优软测量模型实现磨矿粒度的软测量。本发明专利技术利用弹性网络在提高软测量模型预测精度的同时降低模型复杂度，使模型的存储成本更低、应用效果更好。应用效果更好。应用效果更好。

【技术实现步骤摘要】
一种磨矿粒度软测量方法、系统、介质、设备及终端


[0001]本专利技术属于磨矿粒度测量
，尤其涉及一种磨矿粒度软测量方法、系统、介质、设备及终端。

技术介绍

[0002]目前，现有的铜矿工艺流程分为磨矿、浮选、浓密三个主要工段。其中磨矿工段输出的矿浆品质，直接影响后续浮选和浓密的产品质量。磨矿不充分，会导致浮选过程中大颗粒矿物无法被选出，造成原材料浪费。磨矿过细则会导致精矿品位下降，无法达到出品标准。
[0003]浓度和粒度为标定矿浆品质的主要参数。其中矿浆浓度可以通过浓度壶等设备有效测量，但矿浆粒度却缺乏实时、精确的测量手段。目前工业现场主要使用人工筛分或粒度仪标定矿浆粒度。人工筛分需要操作工将矿浆样本烘干后手动筛分测量。标定过程中，矿浆的烘干程度以及筛分时的操作方式因人而异，导致标定结果不准确。另外，粒度仪的价格较为昂贵，而且在现场使用中由于工艺限制，矿浆采样阀不能常开，无法对矿浆粒度进行实时准确的测量。
[0004]现有的软测量通过构建传感器易测变量和目标变量间的数学模型以完成对生产过程关键参数的估计。目前，国内外学者对软测量方法开展了大量的研究，但深入研究磨矿过程中各参量间的因果关系，建立磨矿粒度预测模型，实现磨矿粒度软测量的研究相对较少。通常以人工神经网络为代表的数据驱动建模方法通过学习训练数据中输入和输出之间的映射关系实现软测量的模型建立。然而在应用这些网络时，需要对网络的结构和训练参数进行调整。网络的结构越复杂，需要调整的参数就越多，不同参数配置对网络性能的影响也越大。软测量的建模研究主要集中于静态模型，忽略了工业过程的动态本质，基于动态神经网络的建模研究鲜有给出可靠且可解释的参数配置手段。
[0005]针对上述问题，为了给铜矿磨矿过程设计一套有效、可解释、鲁棒性强的数据驱动动态建模方案，实现对磨矿粒度的建模与预测，有必要从参数随机配置和惩罚似然优化的角度出发，设计矿浆粒度的时序分析和软测量框架。
[0006]通过上述分析，现有技术存在的问题及缺陷为：
[0007](1)现有矿浆粒度标定方法中，利用人工进行筛分时矿浆的烘干程度以及筛分时的操作方式因人而异，导致标定结果不准确。
[0008](2)利用粒度仪标定矿浆粒度的价格较为昂贵，且在现场使用中由于工艺限制，矿浆采样阀不能常开，无法对矿浆粒度进行实时准确的测量。
[0009](3)目前软测量的建模主要集中于静态模型，忽略了工业过程的动态本质，基于动态神经网络的建模技术鲜有给出可靠且可解释的参数配置手段。

技术实现思路

[0010]针对现有技术存在的问题，本专利技术提供了一种磨矿粒度软测量方法、系统、介质、
设备及终端，尤其涉及一种基于随机配置网络的磨矿粒度软测量方法、系统、介质、设备及终端。
[0011]本专利技术是这样实现的，一种磨矿粒度软测量方法，磨矿粒度软测量方法包括：将软测量模型的建立分为线性和非线性两部分，使用套索(Least absolute shrinkage and selection operator，LASSO)算法对时序展开的训练数据进行线性回归，建立线性软测量模型；根据模型权重分析时间序列特征，选择与输出相关的时间序列特征作为随机配置网络(stochastic configuration network，SCN)的输入；使用真实值与LASSO算法预测值的残差作为SCN的输出训练SCN，建立非线性软测量模型；通过弹性网络同步优化LASSO算法的线性软测量模型权重和SCN的模型输出权重，获得最优软测量模型，最后利用最优软测量模型实现磨矿粒度的软测量。
[0012]进一步，磨矿粒度软测量方法包括以下步骤：
[0013]步骤一，设定训练数据X,Y并展开时间序列，交叉验证确定λ
LASSO
；
[0014]步骤二，求解LASSO模型权重，并计算LASSO模型输出；
[0015]步骤三，选择SCN输入数据X
SCN
并计算输出数据Y
SCN
，建立SCN模型；
[0016]步骤四，生成候选权重与偏置；定义监督机制，确定新节点权重与偏置，并更新隐含层输出权重；
[0017]步骤五，组合线性与非线性模型，构建软测量模型；交叉验证确定λ
E1
,λ
E2
，优化弹性网络权重，获得最优软测量模型。
[0018]进一步，步骤一中的时间序列展开包括：
[0019]在包含N个样本、c个输入特征和一个输出特征的原始数据X(t)＝[x1(t)，x2(t)，...，x
c
(t)]和Y(t)的基础上，将输入数据中每个特征展开成长度为τ+1的时间序列X(t)＝[x1(t)，x1(t
‑
1)，...，x1(t
‑
τ)，...，x
c
(t)，x
c
(t
‑
1)，...，x
c
(t
‑
τ)]。
[0020]进一步，步骤二中，利用LASSO算法求解线性模型，令：
[0021][0022]则软测量模型的线性部分
[0023]进一步，步骤三中，生成SCN训练数据，将β
LASSO
中不为零的元素所对应的特征从原始输入数据中取出，组合为SCN的输入数据X
SCN
，将真实值与LASSO算法预测值的残差作为SCN的输出数据
[0024]SCN的输出其中w
H
为各隐含节点的输入权重，b
H
为各隐含节点的偏置，σ(
·
)为隐含节点的激活函数，β
SCN
为各隐含节点的输出权重；在训练开始前，给定0<r<1和一个非负单调递增序列{λ1，λ2，...，λ
m
}作为SCN的训练参数，网络通过每次随机生成新的隐含节点的方式进行训练。
[0025]进一步，步骤四中，通过遍历序列{λ1，λ2，...，λ
m
}生成m组权重和偏置，每组中包含N
c
对从[
‑
λ
j
，λ
j
]，j＝1，2，...，m范围内随机生成的隐含节点权重w
a
和偏置b
a
。
[0026]确定新节点权重与偏置，定义监督机制：
[0027][0028]式中，e
L
‑1(X
SCN
)为SCN在具有L
‑
1个隐含节点时的预测残差，当前为第L个隐含节点
的添加过程；u
L
＝(1
‑
r)/(L+1)。选择使ξ
a
>0且最大化ξ
a
的w
a
和b
a
作为新节点的权重与偏置，并将新节点加入SCN的隐含层中，更新本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种磨矿粒度软测量方法，其特征在于，包括：使用LASSO算法对时序展开的训练数据进行线性回归，建立线性软测量模型；根据模型权重分析时间序列特征，选择与输出相关的时间序列特征作为SCN的输入；使用真实值与LASSO算法预测值的残差作为SCN的输出并训练SCN，建立非线性软测量模型；通过弹性网络同步优化LASSO算法的线性软测量模型权重和SCN模型输出权重，获得最优软测量模型，最后利用最优软测量模型实现磨矿粒度的软测量。2.如权利要求1所述的磨矿粒度软测量方法，其特征在于，磨矿粒度软测量方法包括以下步骤：步骤一，设定训练数据X,Y并展开时间序列，交叉验证确定λ
LASSO
；步骤二，求解LASSO模型权重，并计算LASSO模型输出；步骤三，选择SCN输入数据X
SCN
并计算输出数据Y
SCN
，建立SCN模型；步骤四，生成候选权重与偏置；定义监督机制，确定新节点权重与偏置，并更新隐含层输出权重；步骤五，组合线性与非线性模型，构建软测量模型；交叉验证确定λ
E1
,λ
E2
，优化弹性网络权重，获得最优软测量模型。3.如权利要求2所述的磨矿粒度软测量方法，其特征在于，步骤一中的时间序列展开包括：在包含N个样本、c个输入特征和一个输出特征的原始数据X(t)＝[x1(t)，x2(t)，...，x
c
(t)]和Y(t)的基础上，将输入数据中每个特征展开成长度为τ+1的时间序列X(t)＝[x1(t)，x1(t
‑
1)，...，x1(t
‑
τ)，...，x
c
(t)，x
c
(t
‑
1)，...，x
c
(t
‑
τ)]；步骤二中，利用LASSO算法求解线性模型，令：则软测量模型的线性部分4.如权利要求2所述的磨矿粒度软测量方法，其特征在于，步骤三中，生成SCN训练数据，将β
LASSO
中不为零的元素所对应的特征从原始输入数据中取出，组合为SCN的输入数据X
SCN
，将真实值与LASSO算法预测值的残差作为SCN的输出数据SCN的输出其中w
H
为各隐含节点的输入权重，b
H
为各隐含节点的偏置，σ(
·
)为隐含节点的激活函数，β
SCN
为各隐含节点的输出权重；在训练开始前，给定0<r<1和一个非负单调递增序列{λ1，λ2，...，λ
m
}作为SCN的训练参数，网络通过每次随机生成新的隐含节点的方式进行训练。5.如权利要求2所述的磨矿粒度软测量方法，其特征在于，步骤四中，通过遍历序列{λ1，λ2，...，λ
m
}生成m组权重和偏置，每组中包含N
c
对从[

【专利技术属性】
技术研发人员：王殿辉，田朋鑫，
申请(专利权)人：中国矿业大学江苏锐策智能科技有限公司，
类型：发明
国别省市：