基于参考信息的球磨机矿浆浓度预测方法

952 编辑：中冶有色技术网来源：太原理工大学

2024-04-01 11:19:42

权利要求书： 1.一种基于参考信息的球磨机矿浆浓度预测方法，其特征在于，包括：S1：在湿式球磨机筒体表面设置多个振动传感器，采集不同工况下的球磨机振动信号；

S2：对S1中所获得的振动信号进行时频转换，得到多个源域数据和目标域数据；

S3：将从S2中得到的多个源域数据和目标域数据输入公共特征提取模块中，提取富含动态信息的公共特征；

S4：将从S2中得到的多个源域数据和目标域数据输入特殊特征提取模块中，提取各个源域的特殊特征；

S5：将从S3和S4中获得的特征输入回归模块中，得到源域的矿浆浓度预测值；

S6：采用源域的标签值和从S1、S2、S3和S4中获得的数据构建损失函数，通过最小化损失函数训练网络；

S7：将目标域数据输入训练好的网络，输出多个矿浆浓度的预测值，求预测值的均值得到最终的预测值。

2.根据权利要求1所述的基于参考信息的球磨机矿浆浓度预测方法，其特征在于，所述步骤S2中，多个源域数据是指从不同工况中采集的带球磨机矿浆浓度真值的球磨机数据，共有N个，N的取值根据实际工业过程中所获得的球磨机工况数据的个数确定；

目标域数据是指实际过程中需要预测的球磨机数据。

3.根据权利要求1所述的基于参考信息的球磨机矿浆浓度预测方法，其特征在于，所述S3中，公共特征提取模块为长短期记忆网络。

4.根据权利要求2所述的基于参考信息的球磨机矿浆浓度预测方法，其特征在于，所述S4中，特殊特征提取模块包括信息提取模块和特征提取模块，多个源域数据和目标域数据先输入信息提取模块，再将信息提取模块提取后的特征输入特征提取模块。

5.根据权利要求3所述的基于参考信息的球磨机矿浆浓度预测方法，其特征在于，所述信息提取模块为长短期记忆网络。

6.根据权利要求3所述的基于参考信息的球磨机矿浆浓度预测方法，其特征在于，所述特征提取模块包括N个结构相同但参数不同的子网络，将信息提取模块输出的N个源域和目标域的特征分别输入不同的子网络中，所述子网络包括一维卷积层，池化窗口大小为2的最大池化和批标准化。

7.根据权利要求1所述的基于参考信息的球磨机矿浆浓度预测方法，其特征在于，所述S5包括，S5.1：在特征融合部分，给从S3和S4中得到的公共特征和特殊特征赋予权重，得到融合特征；

S5.2：将从S5.1中得到的融合特征输入回归器的四层全连接层中，得到不同源域的预测值。

8.根据权利要求1所述的基于参考信息的球磨机矿浆浓度预测方法，其特征在于，所述S6包括：S6.1：构建源域均方误差损失，损失计算如下：

式中，为源域均方误差损失，和分别为第i个源域中第j个样本的预测值和真值，N表示源域个数，表示源域中的样本个数，S表示数据为源域中的数据；

S6.2：采用最大均值差异度量从S3中得到的公共特征间的差异，MMD损失计算如下：式中，为公共特征的MMD损失，H表示再生核希尔伯特空间，和分别表示从步骤S3的公共特征提取模块提取的多个源域公共特征和目标域公共特征；

S6.3：采用最大均值差异度量从S4中得到的特殊特征间的差异，MMD损失计算如下：式中，为特殊特征的MMD损失，和表示从S4的特殊特征提取模块提取的多个源域特殊特征和多个目标域特殊特征；

S6.4：根据S6.1、S6.2和S6.3中的损失得到网络总体损失，计算如下：式中，L为总体损失，和为损失之间的平衡因子。

9.根据权利要求1所述的基于参考信息的球磨机矿浆浓度预测方法，其特征在于，所述S7包括：将待预测的目标域数据输入到训练好的网络中，由于特殊特征提取模块有N个子网络，所以得到N个目标域的预测值，将这些预测值加和求均值后得到最终的预测值，计算如下：式中，为目标域最终的预测值。

说明书：一种基于参考信息的球磨机矿浆浓度预测方法技术领域[0001] 本发明涉及球磨机负荷预测领域，尤其是涉及一种基于参考信息的球磨机矿浆浓度预测方法。背景技术[0002] 磨矿过程是选矿行业的重要环节，通过研磨破碎后的原矿得到粒度合适的矿浆，具有大惯性、非线性、边界条件波动大等综合复杂特性。湿式球磨机主要依靠自身旋转带动钢球冲击并磨剥物料，在磨矿过程中被广泛应用。矿浆浓度作为磨矿过程中的关键参数之一，直接关系到磨矿系统生产的矿粉的质量和产量。准确检测球磨机矿浆浓度是提高磨矿效率、提升工厂经济效益的关键之一。[0003] 由于球磨机是封闭的，且其具有连续旋转的特性，直接测量球磨机的矿浆浓度非常困难。然而球磨机强烈的机械振动和声音信号包含丰富的磨机负荷信息，可以借助软测量这一手段建立有关球磨机矿浆浓度的模型。传统的软测量方法要求数据满足独立同分布的假设，但是在实际的工业过程中，钢球磨损、原料硬度变化等都会引起振动信号的变化，从而导致采集的数据分布不一致，进而导致原有模型预测精度不高。[0004] 域适应相较于传统的建模方法，放宽了建模数据与待预测数据服从独立同分布的假设。常用的球磨机矿浆浓度域适应方法主要采用单个工况的数据作为源域进行建模。通常，在实际工业过程中，只有在检修球磨机等情况下，可以采集到真实的矿浆浓度数据。但是每次采集的球磨机数据只包含一个工况的信息，当球磨机状态发生改变即球磨机工况发生变化后，会出现模型与数据失配的问题，进而降低当前模型对球磨机矿浆浓度的预测精度，造成原料的浪费并减少工厂收益。针对以上问题，本发明提出一种基于参考信息的球磨机矿浆浓度预测方法，将多次采集的数据即多工况数据作为参考信息，建立球磨机矿浆浓度的预测模型，为提高矿浆浓度的预测精度、提升工厂的经济收益提供可靠保障。发明内容[0005] 本发明为了解决上述问题，提供一种基于参考信息的球磨机矿浆浓度预测方法。[0006] 本发明采取以下技术方案：一种基于参考信息的球磨机矿浆浓度预测方法，包括：S1：在湿式球磨机筒体表面设置多个振动传感器，采集不同工况下的球磨机振动信号；

S2：对S1中所获得的振动信号进行时频转换，得到多个源域数据和目标域数据；

S3：将从S2中得到的多个源域数据和目标域数据输入公共特征提取模块中，提取富含动态信息的公共特征；

S4：将从S2中得到的多个源域数据和目标域数据输入特殊特征提取模块中，提取各个源域的特殊特征；

S5：将从S3和S4中获得的特征输入回归模块中，得到源域的矿浆浓度预测值；

S6：采用源域的标签值和从S1、S2、S3和S4中获得的数据构建损失函数，通过最小化损失函数训练网络；

S7：将目标域数据输入训练好的网络，输出多个矿浆浓度的预测值，求预测值的均值得到最终的预测值。

[0007] 在一些实施例中，步骤S2中，多个源域数据是指从不同工况中采集的带球磨机矿浆浓度真值的球磨机数据，共有N个，N的取值根据实际工业过程中所获得的球磨机工况数据的个数确定；目标域数据是指实际过程中需要预测的球磨机数据。[0008] 在一些实施例中，S3中，公共特征提取模块为长短期记忆网络。[0009] 在一些实施例中，S4中，特殊特征提取模块包括信息提取模块和特征提取模块，多个源域数据和目标域数据先输入信息提取模块，再将信息提取模块提取后的特征输入特征提取模块。[0010] 在一些实施例中，信息提取模块为长短期记忆网络。[0011] 在一些实施例中，特征提取模块包括N个结构相同但参数不同的子网络，将信息提取模块输出的N个源域和目标域的特征分别输入不同的子网络中，所述子网络包括一维卷积层，池化窗口大小为2的最大池化和批标准化。[0012] 在一些实施例中，S5包括，S5.1：在特征融合部分，给从S3和S4中得到的公共特征和特殊特征赋予权重，得到融合特征；

S5.2：将从S5.1中得到的融合特征输入回归器的四层全连接层中，得到不同源域的预测值。

[0013] 在一些实施例中，S6包括：S6.1：构建源域均方误差损失，损失计算如下：

式中，为源域均方误差损失，和分别为第i个源域中第j个样本的预

测值和真值，N表示源域个数，表示源域中的样本个数，S表示数据为源域中的数据；

S6.2：采用最大均值差异度量从S3中得到的公共特征间的差异，MMD损失计算如下：

式中，为公共特征的MMD损失，H表示再生核希尔伯特空间，和分别表示从步骤S3的公共特征提取模块提取的多个源域公共特征和目标域公共特征；

S6.3：采用最大均值差异度量从S4中得到的特殊特征间的差异，MMD损失计算如下：

式中，为特殊特征的MMD损失，和表示从S4的特殊特征提取模块提取

的多个源域特殊特征和多个目标域特殊特征；

S6.4：根据S6.1、S6.2和S6.3中的损失得到网络总体损失，计算如下：

式中，L为总体损失，和为损失之间的平衡因子。

[0014] 在一些实施例中，S7包括：将待预测的目标域数据输入到训练好的网络中，由于特殊特征提取模块有N个子网络，所以得到N个目标域的预测值，将这些预测值加和求均值后得到最终的预测值，计算如下：式中，为目标域最终的预测值。

[0015] 与现有技术相比，本发明具有以下有益效果：本发明提出一种基于参考信息的球磨机矿浆浓度预测方法，模型包括公共特征提取模块、特殊特征提取模块和回归模块三部分。公共特征提取块将多个带标签的参考工况数据和待预测数据投影到同一个特征空间中，减小分布差异后提取所有数据的公共特征。

特殊特征提取块包括信息提取模块和特征提取模块两部分，将参考工况数据输入信息提取模块后获得时序信息，再将成对的带标签的参考工况数据和待预测数据分别映射到不同的特征空间中，获得多个工况的特殊特征。最后，将公共特征和特殊特征融合后输入由全连接层构建的回归器中，得到多个待预测数据的预测值。对多个预测结果求均值后得到最终的球磨机矿浆浓度预测结果。

[0016] 本发明通过设计公共特征提取模块提取多个源域和目标域的公共特征，提高模型的泛化能力；通过设计特殊特征提取模块提取多个源域和目标域的特殊特征，提取更多有用的源域信息；通过回归器和融合后的特征得到多个目标域的预测结果；最后，对多个预测结果求均值得到最终的矿浆浓度预测结果；通过最小化总体损失函数，提高了球磨机矿浆浓度的预测精度。附图说明[0017] 图1为本发明一种基于参考信息的球磨机矿浆浓度预测方法的整体框架图；图2为本发明公共特征提取模块的框架图；

图3为本发明特殊特征提取模块的框架图；

图4为本发明回归模块的框架图；

图5为本发明采用不同方法对矿浆浓度进行预测的结果图。

具体实施方式[0018] 下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。[0019] 如图1所示：本实施例提供一种基于参考信息的球磨机矿浆浓度预测方法，具体实施步骤如下：S1：在球磨机筒体表面设置多个振动传感器，球磨机所研磨的物料是铁矿石，通过采集不同运行状态下的球磨机振动信号得到不同工况的数据。

[0020] S2：基于快速傅里叶变换对S1中所获得的振动信号进行时频转换，得到多个源域数据和目标域数据，数据维度为512维。[0021] 多个源域数据是指从不同工况中采集的带球磨机矿浆浓度真值的数据，即参考工况的个数，共有N个，本实施例中的N值为3；目标域数据是指实际过程中需要预测的球磨机数据；多个源域数据和目标域数据分别表示为，

其中是第i个源域数据，具有连续标签，和

分别表示第j个源域样本和对应的标签，表示第j个目标域样本，是源域的样本个数，是目标域的样本个数，m是样本特征数。

[0022] S3：如图2，将从S2中得到的多个源域数据和目标域数据输入公共特征提取模块中，提取富含时间信息的公共特征值。[0023] 公共特征提取模块可以为长短期记忆网络，通过长短期记忆网络，可以提取富含时间信息的特征，除此之外循环神经网络也可以提取时间信息。[0024] 公共特征提取模块的搭建；公共特征提取模块由一层神经元个数为512，激活函数为Tanh的长短期记忆网络组成；将多个源域数据和目标域数据输入长短期记忆网络中，得到公共特征；其中，公共特征如下：

和分别表示第i个源域和目标域的公共特征，表示长短期记忆网络

的权重，表示长短期记忆网络的偏置，权重和偏置由反向传播算法更新，表示Tanh函数。

[0025] S4：如图3，将从S2中得到的多个源域数据和目标域数据输入特殊特征提取模块中，提取各个源域的特殊特征。[0026] 特殊特征提取模块的搭建；特殊特征提取模块包括两个子模块：信息提取模块和特征提取模块。[0027] 信息提取模块为长短期记忆网络，通过长短期记忆网络，可以提取富含时间信息的特征，循环神经网络也可以提取时间信息。[0028] S4.1：在信息提取模块中，包含一层神经元个数为512，激活函数为Tanh的长短期记忆网络，将多个源域数据和目标域数据输入信息提取模块中，得到富含时间信息的特征。[0029] 其中，富含时间信息的特征如下：，

和分别表示第i个源域和目标域富含时间信息的特征，表示长短期记

忆网络的权重，表示长短期记忆网络的偏置，权重和偏置由反向传播算法更新，表示Tanh函数。

[0030] S4.2：在特征提取模块中，共有3个结构相同但参数不同的子网络；将从S4.1中得到的第i个源域的特征和目标域特征作为第i个特征提取模块的输入，和首先经过一个卷积核大小为5的一维卷积层，然后经过池化窗口大小为2的最大池化和批标准化得到第一次卷积后的特征；将第一次卷积后的特征输入到卷积核大小为3的一维卷积层中，经过池化窗口大小为2的最大池化和批标准化得到第i对特殊特征。[0031] 其中，第i对特殊特征如下：,

和分别表示第i个源域和第i个目标域的特殊特征，、、

和分别表示第i个子网络的批标准化、最大池化、卷积核大小为3的一维卷积层和卷积核大小为5的一维卷积层，表示ReLu函数。

[0032] 将其他源域的特征和目标域的特征输入其他子网络中，得到对应的源域特殊特征和目标域特殊特征；最终共得到3对特殊特征。[0033] S5：如图4，将从S3和S4中获得的特征值输入回归模块中，得到源域的预测值。[0034] 回归模块的搭建；回归模块包括两个部分：特征融合部分和回归器部分。[0035] S5.1，在特征融合部分，给从S3和S4.2中得到的公共特征和特殊特征赋予权重，得到融合特征；其中，融合特征如下：

和分别表示源域的融合特征和目标域的融合特征，表示特征的权重系

数，的值为0.5。

[0036] S5.2，在回归器部分，包括四层全连接层，各个全连接层的隐藏层个数分别为128、64、32和1，将从S5.1中得到的融合特征输入四层全连接层中，得到多个源域的预测值。

[0037] 其中，源域的预测值如下：表示源域的预测值，、、和分别表示四层全连接层的权重，

、、和分别表示四层全连接层的偏置，权重和偏置由反向传播算法更新，表示ReLu函数。

[0038] S6：采用源域的标签值和从S1、S2、S3和S4中获得的数据构建损失函数，通过最小化损失函数训练网络；S6.1：构建源域均方误差损失，损失计算如下：

式中，为源域均方误差损失，和分别为第i个源域中第j个样本的预

测值和真值，N表示源域个数，表示源域中的样本个数，S表示数据为源域中的数据。

[0039] S6.2：由于源域和目标域数据的分布不同，采用最大均值差异（MMD）度量从S3中得到的公共特征间的差异，MMD损失计算如下：式中，为公共特征的MMD损失，表示再生核希尔伯特空间，和分别表示从S3的公共特征提取模块提取的多个源域公共特征和目标域公共特征。

[0040] S6.3：采用最大均值差异（MMD）度量从S4中得到的特殊特征间的差异，MMD损失计算如下：式中，为特殊特征的MMD损失，和表示从S4的特殊特征提取模块提取

的多个源域特殊特征和多个目标域特殊特征.

S6.4，根据S6.1、S6.2和S6.3中的损失得到网络总体损失，计算如下：

式中，L为总体损失，和为损失之间的平衡因子，和的取值为0.001。

[0041] S7，将目标域数据输入训练好的网络，输出多个矿浆浓度的预测值，求预测值的均值得到最终的预测值。[0042] 将待预测的目标域数据输入训练好的网络中，得到N个目标域的预测值，将多个预测值加和求均值后得到最终的预测值，计算如下：式中，为目标域最终的预测值。

[0043] 本实施例采用三个工况的数据建立模型预测实际工业过程中的矿浆浓度，采用决2

定系数(R?square，R)和均方根误差(Rootmeansquareerror，RMSE)作为算法的评价标准，表1为本实施例所采用的方法。

[0044] 表1定义不同工况下带标签的球磨机数据为M1—M4，实际过程中需要预测的球磨机数据为M5，分析基于参考信息的域适应方法对球磨机矿浆浓度的预测效果，选取SSDA?C和SSDA?E作为对比模型进行实验，表2为两种单源域方法对矿浆浓度的预测结果。

[0045] 表2为了凸显本发明的效果，采用MSDA的几种变体对球磨机的矿浆浓度进行预测。其中，MSDA?C只提取了多个源域的公共特征，MSDA?E只提取多个源域的特殊特征，预测结果如表3所示。

[0046] 表3从表2、表3的实验结果来看，当使用单源域适应方法预测球磨机矿浆浓度时，SSDA?E这一模型的预测结果要比SSDA?C的预测结果好，但是这两种方法的预测效果都比基于参考信息的模型预测效果差。

[0047] 如图5所示，是采用不同方法对矿浆浓度进行预测的结果，从图中可以看出，MSDA的预测效果最好。说明加入参考信息后，可以帮助模型提升对矿浆浓度的预测精度。