一种交叉式细粒滚轴筛的筛分效率机器学习预测方法技术

本发明专利技术公开了一种交叉式细粒滚轴筛的筛分效率机器学习预测方法，包括：从仿真和试验获取交叉式细粒滚轴筛的筛分过程数据；从

【技术实现步骤摘要】
一种交叉式细粒滚轴筛的筛分效率机器学习预测方法


[0001]本专利技术涉及筛分
，具体涉及一种交叉式细粒滚轴筛的筛分效率机器学习预测方法
。

技术介绍

[0002]在煤炭加工利用过程中，由于存在原煤质量差
、
加工利用程度低等问题，导致煤炭资源严重浪费和环境污染问题，因此提高煤炭的利用率，发展洁净煤技术已刻不容缓
。
在煤炭行业中，筛分作业在洁净煤技术中占有非常重要的地位，是洁净煤处理过程中的一个关键环节
。
一般的干法筛分设备将会很容易的出现“筛面堵孔”等一系列问题，交叉式细粒滚轴筛是新兴的适用于湿黏细粒煤干法深度筛分的一种筛分设备，因相邻筛轴间的筛片呈现一种交叉的排列方式，在筛分过程中，交叉式细粒滚轴筛的筛片产生相对运动，形成“动态孔”，可以获得“不粘
、
不堵
、
不卡”的筛分效果
。
由于现有的筛分数学模型大都是根据筛分结果进行拟合而得到的，但缺少交叉式细粒滚轴筛相关的筛分数学模型的研究，从而限制了交叉筛的发展
。

技术实现思路

[0003]本专利技术的目的在于提供一种交叉式细粒滚轴筛的筛分效率机器学习预测方法，利用机器学习技术，建立模型，当输入影响因素组合，就可以得到预测的筛分结果，对提高筛分效率提供科学依据
。
[0004]为实现上述目的，本专利技术的一种交叉式细粒滚轴筛的筛分效率机器学习预测方法，包括：
[0005]步骤
1、
从仿真和试验中获取交叉式细粒滚轴筛的筛分过程数据，数据包括特征和标签，其中特征为筛轴转速
、
筛面倾角
、
给料量和外水含量，标签为筛分效率；
[0006]步骤
2、
对交叉式细粒滚轴筛的筛分过程数据进行预处理和特征工程；
[0007]步骤
3、
数据集按设定比例随机划分为训练集和测试集；
[0008]步骤
4、
从
Sklearn
库中获取四种不同的机器学习模型，四种机器学习模型为线性回归模型
、
随机森林模型和极端梯度提升模型和支持向量机模型，将训练集输入到四种模型之中进行训练，用测试集对训练之后的模型进行验证，通过验证后的机器学习模型输出对特征变量的影响程度；
[0009]步骤
5、
通过评价指标对四种不同的机器学习回归模型进行评估，选出最佳的交叉式细粒滚轴筛智能预测模型
。
[0010]进一步地，在步骤1中，所述从仿真和试验中获取交叉式细粒滚轴筛的筛分过程数据的方法为，
[0011](1)
利用
Discrete Element Method
模型对交叉式细粒滚轴筛的筛分过程进行探究，在交叉式细粒滚轴筛样机上进行筛分试验，验证
DEM
模型模拟交叉式细粒滚轴筛的筛分过程可行性；
[0012](2)
利用离散元法分析筛面倾角
、
筛轴转速
、
给料量
、
外水含量对交叉式细粒滚轴筛的筛分效率的影响规律
。
[0013]进一步地，筛分效率的计算公式如下：
[0014][0015]式中，
η
为筛分效率，％；
Q
下
为筛下物中小于筛孔尺寸的物料质量，
kg
；
Q
上
为筛上物中小于筛孔尺寸的物料质量，
kg
；
Q
总
为总物料中小于筛孔尺寸的物料质量，
kg。
[0016]进一步地，在步骤3中，交叉式细粒滚轴筛的筛分效率数据集按8：2的比例划分为训练集和测试集
。
[0017]进一步地，在步骤4中，所述用测试集对训练之后的模型进行验证的方法为，将筛分效率数据集中的训练集分别输入到四种机器学习模型中进行训练，然后将测试集中的特征数据输入到训练好的模型中，模型输出一系列预测的结果，将预测的结果与真实的结果进行对比
。
[0018]进一步地，在步骤4中，所述通过验证后的机器学习模型输出对特征变量的影响程度的方法为，
[0019](1)
通过数据建立线性回归模型，线性回归模型得到每个特征变量的回归系数，从回归系数得出特征变量是正相关还是负相关，其具体方法为，
[0020]构造预测函数映射输入的特征矩阵
X
与标签值
Y
之间的线性关系，计算公式如下：
[0021]Y
i
＝
w0+w1x
i1
+w2x
i2
+
…
+w
n
x
in
[0022][0023]通过交叉式细粒滚轴筛筛分效率数据集建立起来的线性回归模型，得到了每个特征的回归系数和截距，函数如下：
[0024]y
＝
0.9406+0.0248x1+0.0617x2‑
0.4410x3‑
0.1103x4[0025]x1表示筛面倾角，
x2表示筛轴转速，
x3表示给料量，
x4表示外水含量；
[0026](2)
通过数据建立随机森林模型和极端梯度提升模型，从建立的机器学习模型的重要属性中得出特征变量的影响程度；
[0027](3)
通过数据建立支持向量机模型，计算公式如下：
[0028]f(x)
＝
w
T
x+b
[0029][0030][0031]进一步地，在步骤5中，所述通过多种不同的评价指标对四种不同的机器学习回归模型进行评估，选出四种机器学习回归模型中最佳的交叉式细粒滚轴筛智能预测模型的方法为，通过计算模型的均方根误差
RMSE、
平均绝对误差
MAE、
拟合决定系数
R2进行衡量，计算公式如下：
[0032][0033][0034][0035]其中，
y
i
为真实值，为预测值，为平均值
。
[0036]本专利技术的有益效果是：
[0037](1)
本专利技术通过建立基于机器学习的筛分预测模型，能够计算出特征因素对筛分效率的影响程度，且预测精度高
、
时间短，成本低
、
工作量小；
[0038](2)
本专利技术利用机器学习技术，当输入影响因素组合，就可以得到预测的筛分效率，其筛分可实现预测，预测结果可用于特征变量对筛分效率影响机理的研究，以及交叉式细粒滚轴筛工作参数的优化，为实现交叉式细粒滚轴筛的智能化提供了基础
。
[0039](3)
本专利技术所建数据集非常庞大，模型在数据集上表现效果好，适用于筛分领域的筛分数学模型
。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种交叉式细粒滚轴筛的筛分效率机器学习预测方法，其特征在于，包括：步骤
1、
从仿真和试验中获取交叉式细粒滚轴筛的筛分过程数据，数据包括特征和标签，其中特征为筛轴转速
、
筛面倾角
、
给料量和外水含量，标签为筛分效率；步骤
2、
对交叉式细粒滚轴筛的筛分过程数据进行预处理和特征工程；步骤
3、
数据集按设定比例随机划分为训练集和测试集；步骤
4、
从
Sklearn
库中获取四种不同的机器学习模型，四种机器学习模型为线性回归模型
、
随机森林模型和极端梯度提升模型和支持向量机模型，将训练集输入到四种模型之中进行训练，用测试集对训练之后的模型进行验证，通过验证后的机器学习模型输出对特征变量的影响程度；步骤
5、
通过评价指标对四种不同的机器学习回归模型进行评估，选出最佳的交叉式细粒滚轴筛智能预测模型
。2.
根据权利要求1所述的一种交叉式细粒滚轴筛的筛分效率机器学习预测方法，其特征在于，在步骤1中，所述从仿真和试验中获取交叉式细粒滚轴筛的筛分过程数据的方法为，
(1)
利用
Discrete Element Method
模型对交叉式细粒滚轴筛的筛分过程进行探究，在交叉式细粒滚轴筛样机上进行筛分试验，验证
DEM
模型模拟交叉式细粒滚轴筛的筛分过程可行性；
(2)
利用离散元法分析筛面倾角
、
筛轴转速
、
给料量
、
外水含量对交叉式细粒滚轴筛的筛分效率的影响规律
。3.
根据权利要求1所述的一种交叉式细粒滚轴筛的筛分效率机器学习预测方法，其特征在于，筛分效率的计算公式如下：式中，
η
为筛分效率，％；
Q
下
为筛下物中小于筛孔尺寸的物料质量，
kg
；
Q
上
为筛上物中小于筛孔尺寸的物料质量，
kg
；
Q
总
为总物料中小于筛孔尺寸的物料质量，
kg。4.
根据权利要求1所述的一种交叉式细粒滚轴筛的筛分效率机器学习预测方法，其特征在于，在步骤3中，交叉式细粒滚轴筛的筛分效率数据集按8：2的比例划...

【专利技术属性】
技术研发人员：赵啦啦，徐峰，王忠宾，邹筱瑜，江海深，焦杨，汪维，肖日峰，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：