权利要求
1.一种云边融合的金矿选矿工艺参数智能预测方法，其特征在于：具体步骤如下：
S1、在选矿生产现场边缘端部署分布式
传感器网络，实时采集破碎、磨矿、分级、
浮选、浓缩各工序的工艺参数数据、设备运行状态数据和质量指标数据;对采集的原始数据进行时间戳对齐、异常值剔除、缺失值插补和归一化处理，并基于数据一致性检验为各传感器数据赋予动态可信度权重;
S2、基于实际选矿工艺流程，将其抽象为有向图结构G=(V，E)，其中节点集合V表示各工艺设备或子系统，有向边集合E表示设备间的物料流动方向和信息传递路径;根据选矿工艺机理确定边的属性参数，属性参数包括物料传递时延、设备间耦合强度和相互影响类型，并构建邻接矩阵A用于描述节点间的连接关系;
S3、构建多层时空图卷积神经网络模型，其中空间维度通过图卷积层聚合邻居节点的特征信息以捕捉设备间的空间依赖关系，时间维度通过门控循环单元或时间卷积层提取时序数据的动态演化规律;在网络模型中引入注意力机制以动态调整不同邻居节点和历史时刻的特征权重，设置多尺度时间窗口以分别捕捉秒级、分钟级和小时级的时间特征，并将选矿物理化学机理方程作为约束条件嵌入模型损失函数;
S4、将边缘端预处理后的历史数据上传至云计算平台，利用分布式计算资源对时空图卷积神经网络模型进行训练;建立多目标优化框架，将金回收率、精矿品位、药剂成本和能耗作为优化目标，采用帕累托前沿搜索算法生成多组优化参数方案，并通过数字孪生仿真环境对参数调整方案进行可行性验证;
S5、对云端训练完成的时空图卷积神经网络模型进行模型压缩处理，压缩处理包括知识蒸馏、网络剪枝和参数量化;将压缩后的轻量化模型部署至边缘计算节点，配置快速推理引擎以实现毫秒级的实时预测响应，并建立模型热更新机制以支持云端模型版本的无缝切换;
S6、建立云边任务分配机制，边缘端执行实时数据监测、快速参数预测和紧急工况响应任务，云端执行离线深度分析、全局参数优化和长期生产规划任务;构建双向数据反馈闭环，边缘端将实时预测结果和执行偏差上传至云端，云端根据全局数据更新优化策略并下发控制指令至边缘端;当检测到网络通信延迟超过预设阈值或云端服务不可用时，边缘端自动切换至离线自治运行模式;
S7、收集边缘端的实际生产运行数据和工艺调整效果数据，标注关键工况样本并构建增量训练数据集;在云端采用在线学习算法对模型进行增量更新，通过对比学习机制保留历史工况知识以避免灾难性遗忘;构建选矿工艺知识图谱用于存储专家经验、异常工况案例和历史优化策略，并将知识图谱与图神经网络模型进行融合;设置人机协同交互界面，支持工程技术人员对模型预测不确定性高的样本进行人工标注和主动学习。
2.根据权利要求1的一种云边融合的金矿选矿工艺参数智能预测方法，其特征在于：所述步骤S1具体方式如下：
S1.1、在破碎、磨矿、分级、浮选、浓缩工序边缘端部署分布式传感器网络，包括工艺参数传感器组、设备状态监测传感器组和质量检测传感器组，分别采集矿浆浓度、pH值、药剂添加量、磨矿细度、充气量、浮选时间、转速、功率、振动、温度、金品位、回收率和物料流量数据，按预设采样频率读取测量值，工艺参数传感器为1-10Hz、设备状态传感器为10-100Hz、质量检测传感器为0.01-1Hz，为每条数据生成统一时间戳和传感器标识符并存储至临时数据缓冲区;
S1.2、对原始数据采用插值法或降采样法同步到基准时间间隔生成时间对齐数据矩阵，采用3σ准则、IQR方法或孤立森林算法剔除异常值，根据缺失点数量选择线性插值法、ARIMA模型或卡尔曼滤波方法填补缺失值，对工艺参数数据采用最小-最大归一化映射到零至一区间、对设备状态数据采用Z-score标准化转换为标准分布，通过同类传感器相关性检验、物理约束关系检验和时序平稳性检验计算综合可信度得分并归一化为动态可信度权重，每隔10分钟至2小时更新权重，组成预处理数据集。
3.根据权利要求2的一种云边融合的金矿选矿工艺参数智能预测方法，其特征在于：所述步骤S2具体方式如下：
S2.1、根据选矿生产线工艺布局将选矿流程抽象为有向图结构G=(V，E)，节点集合V包括破碎设备节点、磨矿设备节点、分级设备节点、浮选设备节点和浓缩设备节点，每个节点对应一个工艺设备或功能子系统并分配唯一标识符，节点属性包括设备类型、设备名称和工艺参数类型，有向边集合E表示物料流动方向和信息传递路径，根据物料输送管道布局、矿浆流动方向和控制逻辑确定节点间有向连接，当物料从节点i流向节点j时建立有向边eij，对于物料循环回路建立反向边，对于中矿返回建立循环边，形成有向图结构;
S2.2、为每条有向边确定边属性参数包括物料传递时延、耦合强度和影响类型，物料传递时延通过在线测量标记物时间差或统计历史数据时间滞后量获得，耦合强度通过皮尔逊相关系数法、互信息法或格兰杰因果检验法量化参数关联程度并归一化到零至一区间，影响类型根据工艺机理判定为促进型或抑制型并赋值为正数或负数，构建n×n维邻接矩阵A，n为节点总数，矩阵元素aij在节点i与节点j存在有向边时取值为耦合强度与影响类型的乘积，不存在连接时取值为零。
4.根据权利要求3的一种云边融合的金矿选矿工艺参数智能预测方法，其特征在于：所述步骤S3具体方式如下;
S3.1、构建多层时空图卷积神经网络模型包括空间特征提取模块和时间特征提取模块，空间模块由2至5层图卷积层串联，每层接收邻接矩阵A和节点特征矩阵，通过连接关系对邻居节点特征加权聚合并经权重矩阵变换和非线性激活得到下一层特征，时间模块采用门控循环单元GRU或时间卷积网络TCN，GRU通过更新门和重置门控制信息融合，TCN由3至8层卷积层构成包括膨胀率指数增长的膨胀卷积层，按串行或交错结构堆叠，输入为维度(T，N，F)的节点特征序列和维度(N，N)的邻接矩阵，输出为维度(N，P)或(T'，N，P)的预测值;
S3.1、嵌入空间注意力子模块和时间注意力子模块，空间注意力通过点积、加性或多头机制计算特征相似度生成权重并与邻接矩阵逐元素相乘得到动态邻接矩阵，时间注意力计算时刻关联强度加权求和得到时间上下文特征，设置10秒至60秒短时窗口、1至10分钟中时窗口、0.5至2小时长时窗口分别输入对应支路并通过融合层拼接或加权融合形成多尺度特征，将浮选动力学方程、磨矿粒度分布方程和质量守恒方程作为物理约束嵌入训练，构建包含数据驱动损失项和物理约束损失项的复合损失函数，使用反向传播和梯度下降算法最小化损失函数。
5.根据权利要求4的一种云边融合的金矿选矿工艺参数智能预测方法，其特征在于：所述步骤S4具体方式如下：
S4.1、将步骤S1.2的预处理数据集上传至云计算平台，按时间顺序和工况类型划分为训练集70%至80%、验证集10%至15%、测试集10%至15%，利用GPU集群或TPU集群采用数据并行策略或模型并行策略对步骤S3构建的时空图卷积神经网络模型进行并行训练，设置训练轮次为100至500轮、批次大小为32至256、学习率初始值为0.001至0.01并采用学习率衰减策略，每隔5至20轮在验证集上计算均方根误差和平均绝对百分比误差，当验证集误差连续10至30轮不再下降时触发早停机制并保存最优模型参数，在测试集上评估最优模型的泛化性能;
S4.2、基于步骤S4.1训练完成的模型建立多目标优化框架，定义金回收率最大化、精矿品位最大化、药剂成本最小化和能耗最小化四个优化目标，设置矿浆浓度、pH值、药剂添加量、充气量和浮选时间等决策变量及约束范围，采用NSGA-II算法、NSGA-III算法或MOEA/D算法进行帕累托前沿搜索，设置种群规模100至500、进化代数50至200代，生成多组非支配优化参数方案，构建包括破碎、磨矿、分级、浮选、浓缩五个仿真模块的数字孪生仿真环境，将各组优化方案输入仿真环境进行虚拟运行，评估设备负荷率、工艺稳定性和安全合规性，剔除导致设备超载、工艺失稳或安全违规的不可行方案，筛选推荐优化参数方案。
6.根据权利要求5的一种云边融合的金矿选矿工艺参数智能预测方法，其特征在于：所述步骤S5具体方式如下;
S5.1、对步骤S4.1训练完成的模型进行压缩包括知识蒸馏、网络剪枝和参数量化，知识蒸馏训练层数减少30%至50%、神经元减少40%至60%的学生模型，构建硬标签和软标签损失函数，软标签通过KL散度或均方误差计算，设置蒸馏温度2至10，网络剪枝通过L1范数、L2范数或梯度敏感度计算重要性得分并删除低于阈值的卷积核或参数，剪枝比例30%至70%，参数量化将32位浮点数映射为8位整数或16位定点数，包括训练后量化PTQ和量化感知训练QAT，压缩后参数量减少60%至80%，文件大小减少70%至90%，推理延迟降低50%至70%，精度下降3%至5%;
S5.2、将压缩模型转换为ONNX、TensorFlowLite或TensorRT格式，通过HTTPS或MQTT协议使用TLS加密下载至边缘节点并用MD5或SHA256验证完整性，根据硬件配置TensorRT、OpenVINO或ONNXRuntime推理引擎，通过算子融合、内存优化和并行计算确保推理延迟小于100毫秒，建立热更新机制包括版本管理模块维护版本号并通知更新、下载模块采用断点续传异步下载并校验、切换模块采用双缓冲机制在低峰时段切换路由，切换时间小于5秒不中断服务，完成后上报状态数据，异常时执行版本回滚。
7.根据权利要求6的一种云边融合的金矿选矿工艺参数智能预测方法，其特征在于：所述步骤S6具体方式如下：
S6.1、建立云边任务分配机制，边缘端执行实时数据监测、快速参数预测和紧急工况响应，调用步骤S1.1传感器网络采集数据、步骤S5.2轻量化模型推理和应急规则库匹配响应，云端执行离线深度分析、全局参数优化和长期生产规划，调用步骤S4.2多目标优化框架计算全局最优方案，构建双向反馈闭环，边缘端按1至10分钟周期上传实时预测结果和执行偏差数据，云端接收后触发全局优化并下发工艺参数调整指令、模型更新指令和系统配置变更指令，边缘端验证指令有效性后转换为设备控制命令执行;
S6.2、在边缘节点部署网络状态监测模块，按5至30秒周期发送心跳探测报文测量往返时延和丢包率，维护长度10至50的滑动窗口计算平均值，设置延迟阈值500至2000毫秒和丢包率阈值10%至30%，当超过阈值或连续3至10次未响应时切换至离线自治模式，边缘端停止云端通信，依靠本地模型和历史优化知识库自主决策，通过欧氏距离或余弦相似度检索前3至10组最相似候选方案，可行性评估后选择最优方案执行，定期尝试恢复连接，网络恢复后切换回在线模式，批量上传离线数据并接收云端更新模型。
8.根据权利要求7的一种云边融合的金矿选矿工艺参数智能预测方法，其特征在于：所述步骤S7具体方式如下：
S7.1、收集边缘端生产运行数据和工艺调整效果数据，通过工艺参数异常波动、设备故障事件和质量指标突变识别规则识别关键工况样本，进行人工或自动标注，将标注样本与常规数据按1比5至1比10混合构建增量训练数据集，划分为训练子集80%至90%和验证子集10%至20%，采用增量梯度下降、经验回放或弹性权重巩固算法进行增量更新，引入对比学习机制构建正负样本对保留历史知识，设置更新周期1周至1月，更新后在增量验证集和历史测试集评估综合评分，优于当前模型时通过步骤S5热更新部署至边缘端;
S7.2、构建选矿工艺知识图谱采用实体-关系-实体三元组结构，包括工艺设备、工艺参数、工况类型、故障模式、处理措施和优化目标六类实体，因果、相关、包含、影响和推荐五类关系，通过专家经验录入、异常案例提取和历史策略挖掘构建内容，将知识图谱与模型融合包括知识嵌入融合通过TransE、RotatE或GraphSAGE映射实体向量加入节点特征和推理增强融合通过规则验证预测合理性，设置人机协同界面包括预测展示、不确定性评估和人工标注模块，计算预测不确定性得分推送高不确定性样本至审核队列，采用不确定性采样、代表性采样或多样性采样主动学习策略选择高价值样本加入增量训练数据集。
说明书
技术领域
[0001]本发明涉及矿业技术领域，具体为一种云边融合的金矿选矿工艺参数智能预测方法。
背景技术
[0002]在智能制造与工业互联网快速发展背景下，流程工业智能化成为产业升级的重点方向。矿物加工工程作为资源开发的核心环节，其工艺优化直接影响资源利用效率。金矿选矿工艺包含破碎、磨矿、分级、浮选、浓缩等多个连续工序，各环节通过物料流紧密耦合，工艺参数的精准控制对金回收率至关重要。云边融合架构结合边缘计算的实时性与云计算的强算力，为选矿工艺参数智能预测提供了新技术路径，可实现从数据采集、特征提取到优化决策的全流程智能化。
[0003]现有金矿选矿预测方法多采用单设备独立建模策略，将各工序视为孤立节点处理，忽视了选矿系统的图拓扑结构特征。传统时间序列模型和全连接神经网络难以刻画设备间的级联影响和物料流的方向性传递，无法有效建模磨矿细度变化如何通过分级环节传导至浮选效果的跨设备时空依赖关系。这种割裂式建模导致预测模型缺乏全流程协同视角，在工况切换、多工序联动调整等复杂场景下泛化能力不足，且无法利用工艺流程的拓扑先验知识增强数据效率和可解释性。
[0004]选矿工艺参数预测建模中时空关联表达不足，源于传统方法与选矿系统网络化拓扑结构的不匹配。现有模型未显示建模设备间的有向连接和时滞传播路径，导致实际应用中产生多重问题：预测精度不稳定，无法准确评估单点扰动的全局影响;异常识别滞后，错过最佳干预时机造成金属流失;优化策略局部化，缺乏系统性导致参数调整方案冲突;模型可解释性差，工程人员难以理解预测逻辑和故障定位。这些缺陷严重制约了智能预测技术在金矿选矿现场的深度应用和人机协同效能。
[0005]所以我们提出了一种云边融合的金矿选矿工艺参数智能预测方法，以便于解决上述提出的问题。
发明内容
[0006]本发明的目的在于提供一种云边融合的金矿选矿工艺参数智能预测方法，以解决上述背景技术提出的传统时间序列模型和全连接神经网络难以刻画设备间的级联影响和物料流的方向性传递，无法有效建模磨矿细度变化如何通过分级环节传导至浮选效果的跨设备时空依赖关系的问题。
[0007]为实现上述目的，本发明提供如下技术方案：一种云边融合的金矿选矿工艺参数智能预测方法，具体步骤如下：
S1、在选矿生产现场边缘端部署分布式传感器网络，实时采集破碎、磨矿、分级、浮选、浓缩各工序的工艺参数数据、设备运行状态数据和质量指标数据;对采集的原始数据进行时间戳对齐、异常值剔除、缺失值插补和归一化处理，并基于数据一致性检验为各传感器数据赋予动态可信度权重;
S2、基于实际选矿工艺流程，将其抽象为有向图结构G=(V，E)，其中节点集合V表示各工艺设备或子系统，有向边集合E表示设备间的物料流动方向和信息传递路径;根据选矿工艺机理确定边的属性参数，属性参数包括物料传递时延、设备间耦合强度和相互影响类型，并构建邻接矩阵A用于描述节点间的连接关系;
S3、构建多层时空图卷积神经网络模型，其中空间维度通过图卷积层聚合邻居节点的特征信息以捕捉设备间的空间依赖关系，时间维度通过门控循环单元或时间卷积层提取时序数据的动态演化规律;在网络模型中引入注意力机制以动态调整不同邻居节点和历史时刻的特征权重，设置多尺度时间窗口以分别捕捉秒级、分钟级和小时级的时间特征，并将选矿物理化学机理方程作为约束条件嵌入模型损失函数;
S4、将边缘端预处理后的历史数据上传至云计算平台，利用分布式计算资源对时空图卷积神经网络模型进行训练;建立多目标优化框架，将金回收率、精矿品位、药剂成本和能耗作为优化目标，采用帕累托前沿搜索算法生成多组优化参数方案，并通过数字孪生仿真环境对参数调整方案进行可行性验证;
S5、对云端训练完成的时空图卷积神经网络模型进行模型压缩处理，压缩处理包括知识蒸馏、网络剪枝和参数量化;将压缩后的轻量化模型部署至边缘计算节点，配置快速推理引擎以实现毫秒级的实时预测响应，并建立模型热更新机制以支持云端模型版本的无缝切换;
S6、建立云边任务分配机制，边缘端执行实时数据监测、快速参数预测和紧急工况响应任务，云端执行离线深度分析、全局参数优化和长期生产规划任务;构建双向数据反馈闭环，边缘端将实时预测结果和执行偏差上传至云端，云端根据全局数据更新优化策略并下发控制指令至边缘端;当检测到网络通信延迟超过预设阈值或云端服务不可用时，边缘端自动切换至离线自治运行模式;
S7、收集边缘端的实际生产运行数据和工艺调整效果数据，标注关键工况样本并构建增量训练数据集;在云端采用在线学习算法对模型进行增量更新，通过对比学习机制保留历史工况知识以避免灾难性遗忘;构建选矿工艺知识图谱用于存储专家经验、异常工况案例和历史优化策略，并将知识图谱与图神经网络模型进行融合;设置人机协同交互界面，支持工程技术人员对模型预测不确定性高的样本进行人工标注和主动学习。
[0008]优选的，所述步骤S1具体方式如下：
S1.1、在破碎、磨矿、分级、浮选、浓缩工序边缘端部署分布式传感器网络，包括工艺参数传感器组、设备状态监测传感器组和质量检测传感器组，分别采集矿浆浓度、pH值、药剂添加量、磨矿细度、充气量、浮选时间、转速、功率、振动、温度、金品位、回收率和物料流量数据，按预设采样频率读取测量值，工艺参数传感器为1-10Hz、设备状态传感器为10-100Hz、质量检测传感器为0.01-1Hz，为每条数据生成统一时间戳和传感器标识符并存储至临时数据缓冲区;
S1.2、对原始数据采用插值法或降采样法同步到基准时间间隔生成时间对齐数据矩阵，采用3σ准则、IQR方法或孤立森林算法剔除异常值，根据缺失点数量选择线性插值法、ARIMA模型或卡尔曼滤波方法填补缺失值，对工艺参数数据采用最小-最大归一化映射到零至一区间、对设备状态数据采用Z-score标准化转换为标准分布，通过同类传感器相关性检验、物理约束关系检验和时序平稳性检验计算综合可信度得分并归一化为动态可信度权重，每隔10分钟至2小时更新权重，组成预处理数据集。
[0009]优选的，所述步骤S2具体方式如下：
S2.1、根据选矿生产线工艺布局将选矿流程抽象为有向图结构G=(V，E)，节点集合V包括破碎设备节点、磨矿设备节点、分级设备节点、浮选设备节点和浓缩设备节点，每个节点对应一个工艺设备或功能子系统并分配唯一标识符，节点属性包括设备类型、设备名称和工艺参数类型，有向边集合E表示物料流动方向和信息传递路径，根据物料输送管道布局、矿浆流动方向和控制逻辑确定节点间有向连接，当物料从节点i流向节点j时建立有向边eij，对于物料循环回路建立反向边，对于中矿返回建立循环边，形成有向图结构;
S2.2、为每条有向边确定边属性参数包括物料传递时延、耦合强度和影响类型，物料传递时延通过在线测量标记物时间差或统计历史数据时间滞后量获得，耦合强度通过皮尔逊相关系数法、互信息法或格兰杰因果检验法量化参数关联程度并归一化到零至一区间，影响类型根据工艺机理判定为促进型或抑制型并赋值为正数或负数，构建n×n维邻接矩阵A，n为节点总数，矩阵元素aij在节点i与节点j存在有向边时取值为耦合强度与影响类型的乘积，不存在连接时取值为零。
[0010]优选的，所述步骤S3具体方式如下;
S3.1、构建多层时空图卷积神经网络模型包括空间特征提取模块和时间特征提取模块，空间模块由2至5层图卷积层串联，每层接收邻接矩阵A和节点特征矩阵，通过连接关系对邻居节点特征加权聚合并经权重矩阵变换和非线性激活得到下一层特征，时间模块采用门控循环单元GRU或时间卷积网络TCN，GRU通过更新门和重置门控制信息融合，TCN由3至8层卷积层构成包括膨胀率指数增长的膨胀卷积层，按串行或交错结构堆叠，输入为维度(T，N，F)的节点特征序列和维度(N，N)的邻接矩阵，输出为维度(N，P)或(T'，N，P)的预测值;
S3.1、嵌入空间注意力子模块和时间注意力子模块，空间注意力通过点积、加性或多头机制计算特征相似度生成权重并与邻接矩阵逐元素相乘得到动态邻接矩阵，时间注意力计算时刻关联强度加权求和得到时间上下文特征，设置10秒至60秒短时窗口、1至10分钟中时窗口、0.5至2小时长时窗口分别输入对应支路并通过融合层拼接或加权融合形成多尺度特征，将浮选动力学方程、磨矿粒度分布方程和质量守恒方程作为物理约束嵌入训练，构建包含数据驱动损失项和物理约束损失项的复合损失函数，使用反向传播和梯度下降算法最小化损失函数。
[0011]优选的，所述步骤S4具体方式如下：
S4.1、将步骤S1.2的预处理数据集上传至云计算平台，按时间顺序和工况类型划分为训练集70%至80%、验证集10%至15%、测试集10%至15%，利用GPU集群或TPU集群采用数据并行策略或模型并行策略对步骤S3构建的时空图卷积神经网络模型进行并行训练，设置训练轮次为100至500轮、批次大小为32至256、学习率初始值为0.001至0.01并采用学习率衰减策略，每隔5至20轮在验证集上计算均方根误差和平均绝对百分比误差，当验证集误差连续10至30轮不再下降时触发早停机制并保存最优模型参数，在测试集上评估最优模型的泛化性能;
S4.2、基于步骤S4.1训练完成的模型建立多目标优化框架，定义金回收率最大化、精矿品位最大化、药剂成本最小化和能耗最小化四个优化目标，设置矿浆浓度、pH值、药剂添加量、充气量和浮选时间等决策变量及约束范围，采用NSGA-II算法、NSGA-III算法或MOEA/D算法进行帕累托前沿搜索，设置种群规模100至500、进化代数50至200代，生成多组非支配优化参数方案，构建包括破碎、磨矿、分级、浮选、浓缩五个仿真模块的数字孪生仿真环境，将各组优化方案输入仿真环境进行虚拟运行，评估设备负荷率、工艺稳定性和安全合规性，剔除导致设备超载、工艺失稳或安全违规的不可行方案，筛选推荐优化参数方案。
[0012]优选的，所述步骤S5具体方式如下;
S5.1、对步骤S4.1训练完成的模型进行压缩包括知识蒸馏、网络剪枝和参数量化，知识蒸馏训练层数减少30%至50%、神经元减少40%至60%的学生模型，构建硬标签和软标签损失函数，软标签通过KL散度或均方误差计算，设置蒸馏温度2至10，网络剪枝通过L1范数、L2范数或梯度敏感度计算重要性得分并删除低于阈值的卷积核或参数，剪枝比例30%至70%，参数量化将32位浮点数映射为8位整数或16位定点数，包括训练后量化PTQ和量化感知训练QAT，压缩后参数量减少60%至80%，文件大小减少70%至90%，推理延迟降低50%至70%，精度下降3%至5%;
S5.2、将压缩模型转换为ONNX、TensorFlowLite或TensorRT格式，通过HTTPS或MQTT协议使用TLS加密下载至边缘节点并用MD5或SHA256验证完整性，根据硬件配置TensorRT、OpenVINO或ONNXRuntime推理引擎，通过算子融合、内存优化和并行计算确保推理延迟小于100毫秒，建立热更新机制包括版本管理模块维护版本号并通知更新、下载模块采用断点续传异步下载并校验、切换模块采用双缓冲机制在低峰时段切换路由，切换时间小于5秒不中断服务，完成后上报状态数据，异常时执行版本回滚。
[0013]优选的，所述步骤S6具体方式如下：
S6.1、建立云边任务分配机制，边缘端执行实时数据监测、快速参数预测和紧急工况响应，调用步骤S1.1传感器网络采集数据、步骤S5.2轻量化模型推理和应急规则库匹配响应，云端执行离线深度分析、全局参数优化和长期生产规划，调用步骤S4.2多目标优化框架计算全局最优方案，构建双向反馈闭环，边缘端按1至10分钟周期上传实时预测结果和执行偏差数据，云端接收后触发全局优化并下发工艺参数调整指令、模型更新指令和系统配置变更指令，边缘端验证指令有效性后转换为设备控制命令执行;
S6.2、在边缘节点部署网络状态监测模块，按5至30秒周期发送心跳探测报文测量往返时延和丢包率，维护长度10至50的滑动窗口计算平均值，设置延迟阈值500至2000毫秒和丢包率阈值10%至30%，当超过阈值或连续3至10次未响应时切换至离线自治模式，边缘端停止云端通信，依靠本地模型和历史优化知识库自主决策，通过欧氏距离或余弦相似度检索前3至10组最相似候选方案，可行性评估后选择最优方案执行，定期尝试恢复连接，网络恢复后切换回在线模式，批量上传离线数据并接收云端更新模型。
[0014]优选的，所述步骤S7具体方式如下：
S7.1、收集边缘端生产运行数据和工艺调整效果数据，通过工艺参数异常波动、设备故障事件和质量指标突变识别规则识别关键工况样本，进行人工或自动标注，将标注样本与常规数据按1比5至1比10混合构建增量训练数据集，划分为训练子集80%至90%和验证子集10%至20%，采用增量梯度下降、经验回放或弹性权重巩固算法进行增量更新，引入对比学习机制构建正负样本对保留历史知识，设置更新周期1周至1月，更新后在增量验证集和历史测试集评估综合评分，优于当前模型时通过步骤S5热更新部署至边缘端;
S7.2、构建选矿工艺知识图谱采用实体-关系-实体三元组结构，包括工艺设备、工艺参数、工况类型、故障模式、处理措施和优化目标六类实体，因果、相关、包含、影响和推荐五类关系，通过专家经验录入、异常案例提取和历史策略挖掘构建内容，将知识图谱与模型融合包括知识嵌入融合通过TransE、RotatE或GraphSAGE映射实体向量加入节点特征和推理增强融合通过规则验证预测合理性，设置人机协同界面包括预测展示、不确定性评估和人工标注模块，计算预测不确定性得分推送高不确定性样本至审核队列，采用不确定性采样、代表性采样或多样性采样主动学习策略选择高价值样本加入增量训练数据集。
[0015]本发明的有益效果是：
1、本申请实现了选矿工艺参数的时空关联建模，准确刻画设备间的动态交互影响。云边协同架构兼顾全局优化与实时响应需求，有效提升复杂工况下的预测稳定性。物理约束的引入增强了模型在实际生产环境中的适用性，双向反馈机制保障了系统在动态变化环境中的自适应能力。该方法为选矿工艺优化提供了全流程智能化解决方案，显著提高了参数预测精度与生产过程控制水平。
[0016]2、本申请能够实现模型在增量更新过程中稳定保持历史知识，避免因新数据引入导致的性能退化;通过知识图谱与神经网络的联合推理，增强预测结果与工艺原理的一致性，降低异常工况下的误判风险;人机协同机制显著提升高价值样本的标注效率，缩短模型迭代周期，确保预测系统在实际生产环境中的持续优化能力。
附图说明
[0017]图1为本发明的方法步骤图。
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]实施例一：请参阅图1，一种云边融合的金矿选矿工艺参数智能预测方法，具体步骤如下：
S1、在选矿生产现场边缘端部署分布式传感器网络，实时采集破碎、磨矿、分级、浮选、浓缩各工序的工艺参数数据、设备运行状态数据和质量指标数据;对采集的原始数据进行时间戳对齐、异常值剔除、缺失值插补和归一化处理，并基于数据一致性检验为各传感器数据赋予动态可信度权重;
S2、基于实际选矿工艺流程，将其抽象为有向图结构G=(V，E)，其中节点集合V表示各工艺设备或子系统，有向边集合E表示设备间的物料流动方向和信息传递路径;根据选矿工艺机理确定边的属性参数，属性参数包括物料传递时延、设备间耦合强度和相互影响类型，并构建邻接矩阵A用于描述节点间的连接关系;
S3、构建多层时空图卷积神经网络模型，其中空间维度通过图卷积层聚合邻居节点的特征信息以捕捉设备间的空间依赖关系，时间维度通过门控循环单元或时间卷积层提取时序数据的动态演化规律;在网络模型中引入注意力机制以动态调整不同邻居节点和历史时刻的特征权重，设置多尺度时间窗口以分别捕捉秒级、分钟级和小时级的时间特征，并将选矿物理化学机理方程作为约束条件嵌入模型损失函数;
S4、将边缘端预处理后的历史数据上传至云计算平台，利用分布式计算资源对时空图卷积神经网络模型进行训练;建立多目标优化框架，将金回收率、精矿品位、药剂成本和能耗作为优化目标，采用帕累托前沿搜索算法生成多组优化参数方案，并通过数字孪生仿真环境对参数调整方案进行可行性验证;
S5、对云端训练完成的时空图卷积神经网络模型进行模型压缩处理，压缩处理包括知识蒸馏、网络剪枝和参数量化;将压缩后的轻量化模型部署至边缘计算节点，配置快速推理引擎以实现毫秒级的实时预测响应，并建立模型热更新机制以支持云端模型版本的无缝切换;
S6、建立云边任务分配机制，边缘端执行实时数据监测、快速参数预测和紧急工况响应任务，云端执行离线深度分析、全局参数优化和长期生产规划任务;构建双向数据反馈闭环，边缘端将实时预测结果和执行偏差上传至云端，云端根据全局数据更新优化策略并下发控制指令至边缘端;当检测到网络通信延迟超过预设阈值或云端服务不可用时，边缘端自动切换至离线自治运行模式;
S7、收集边缘端的实际生产运行数据和工艺调整效果数据，标注关键工况样本并构建增量训练数据集;在云端采用在线学习算法对模型进行增量更新，通过对比学习机制保留历史工况知识以避免灾难性遗忘;构建选矿工艺知识图谱用于存储专家经验、异常工况案例和历史优化策略，并将知识图谱与图神经网络模型进行融合;设置人机协同交互界面，支持工程技术人员对模型预测不确定性高的样本进行人工标注和主动学习。
[0020]在本实施例中：在现有技术中，金矿选矿工艺参数预测主要依赖单设备独立建模策略，将破碎、磨矿、浮选等工序视为孤立节点处理。传统方法采用时间序列模型或全连接神经网络，未考虑选矿系统固有的网络化拓扑结构特征。现有模型难以刻画设备间的级联影响和物料流方向性传递，导致无法准确评估磨矿细度变化对浮选效果的跨设备时空依赖关系。这种割裂式建模在工况切换、多工序联动调整场景下泛化能力不足，且缺乏工艺流程拓扑先验知识的有效利用，造成预测精度不稳定、异常识别滞后、优化策略局部化等问题。
[0021]为了解决上述问题，本领域技术人员首先认识到选矿工艺流程本质上是具有方向性物料流动的图结构系统。通过分析破碎、磨矿、浮选等工序间的耦合关系，发现设备间存在时滞性影响和动态交互特征。基于此，提出将工艺流程抽象为有向图结构，建立设备节点的空间关联模型。进一步考虑边缘计算实时性与云计算强算力的互补特性，构建云边协同的智能预测框架。通过时空图卷积神经网络建模设备间时空依赖关系，结合物理机理约束增强模型可解释性。最终形成从数据采集、特征提取到优化决策的全流程解决方案。
[0022]因此，本申请提出了在选矿生产现场边缘端部署分布式传感器网络采集多源数据，构建工艺流程有向图结构，建立多层时空图卷积神经网络模型，通过云边协同训练与部署实现工艺参数智能预测的方法。具体包括数据预处理、图结构建模、时空特征提取、云端模型训练与优化、边缘模型压缩与部署、云边任务协同及反馈机制建立等步骤。
[0023]分布式传感器网络是指部署在破碎、磨矿、浮选等工序的异构传感器组，包含工艺参数、设备状态、质量指标三类传感器。通过不同采样频率的数据同步与归一化处理，形成时间对齐的标准化数据矩阵。该网络为时空建模提供多维度实时数据输入。
[0024]有向图结构是指将选矿流程抽象为节点表示设备、边表示物料流向的拓扑模型。通过邻接矩阵量化设备间耦合强度与时滞参数，为图卷积网络提供空间关系先验知识。
[0025]多层时空图卷积神经网络是指结合图卷积层与时间序列模块的深度学习架构。空间维度通过聚合邻居节点特征捕捉设备间依赖关系，时间维度通过门控循环单元提取动态演化规律。该结构有效融合工艺流程的时空特性。
[0026]云边协同训练与部署是指云端进行模型全局优化训练，边缘端执行轻量化模型推理。通过知识蒸馏、网络剪枝实现模型压缩，确保边缘节点的实时响应能力。该机制平衡了计算资源与实时性需求。
[0027]双向数据反馈闭环是指边缘端上传实时预测偏差，云端下发优化策略的协同机制。当网络异常时边缘端可切换至离线自治模式，保障系统运行连续性。该闭环实现动态环境下的自适应调整。
[0028]在边缘端部署多类型传感器实时采集工艺参数、设备状态及质量指标数据，经过时间戳对齐与归一化处理后构建标准化数据集。根据选矿产线布局建立有向图结构，量化设备节点间的物料传递时延与耦合强度。将预处理数据输入时空图卷积网络，通过图卷积层聚合邻居节点特征，结合门控循环单元提取时序动态特征。云端利用历史数据训练模型并生成多目标优化方案，经数字孪生仿真验证后，将压缩模型部署至边缘节点。边缘端执行实时预测并与云端形成双向反馈，在网络异常时启用离线决策模式。通过持续收集生产数据更新模型参数，结合知识图谱存储专家经验，实现预测系统的自我进化。
[0029]传统方法采用孤立建模策略，无法表达设备间的时空关联特性。本方法通过有向图结构显示建模工艺流程拓扑关系，利用图卷积网络捕捉级联影响效应。现有方案多采用集中式云计算架构，难以满足实时响应需求。本方法构建云边协同框架，在保证预测精度的同时实现毫秒级边缘推理。常规模型缺乏物理机理约束，导致预测结果偏离实际工况。本方法将选矿动力学方程嵌入损失函数，增强模型的可解释性与物理一致性。
[0030]通过上述技术方案，本申请实现了选矿工艺参数的时空关联建模，准确刻画设备间的动态交互影响。云边协同架构兼顾全局优化与实时响应需求，有效提升复杂工况下的预测稳定性。物理约束的引入增强了模型在实际生产环境中的适用性，双向反馈机制保障了系统在动态变化环境中的自适应能力。该方法为选矿工艺优化提供了全流程智能化解决方案，显著提高了参数预测精度与生产过程控制水平。
[0031]实施例二：请参阅图1，步骤S1具体方式如下：
S1.1、在破碎、磨矿、分级、浮选、浓缩工序边缘端部署分布式传感器网络，包括工艺参数传感器组、设备状态监测传感器组和质量检测传感器组，分别采集矿浆浓度、pH值、药剂添加量、磨矿细度、充气量、浮选时间、转速、功率、振动、温度、金品位、回收率和物料流量数据，按预设采样频率读取测量值，工艺参数传感器为1-10Hz、设备状态传感器为10-100Hz、质量检测传感器为0.01-1Hz，为每条数据生成统一时间戳和传感器标识符并存储至临时数据缓冲区;
S1.2、对原始数据采用插值法或降采样法同步到基准时间间隔生成时间对齐数据矩阵，采用3σ准则、IQR方法或孤立森林算法剔除异常值，根据缺失点数量选择线性插值法、ARIMA模型或卡尔曼滤波方法填补缺失值，对工艺参数数据采用最小-最大归一化映射到零至一区间、对设备状态数据采用Z-score标准化转换为标准分布，通过同类传感器相关性检验、物理约束关系检验和时序平稳性检验计算综合可信度得分并归一化为动态可信度权重，每隔10分钟至2小时更新权重，组成预处理数据集。
[0032]在本实施例中：本申请进一步提出了在破碎、磨矿、分级、浮选、浓缩工序边缘端部署分布式传感器网络，包括工艺参数传感器组、设备状态监测传感器组和质量检测传感器组，分别采集矿浆浓度、pH值、药剂添加量、磨矿细度、充气量、浮选时间、转速、功率、振动、温度、金品位、回收率和物料流量数据，按预设采样频率读取测量值，工艺参数传感器为1-10Hz、设备状态传感器为10-100Hz、质量检测传感器为0.01-1Hz，为每条数据生成统一时间戳和传感器标识符并存储至临时数据缓冲区;对原始数据采用插值法或降采样法同步到基准时间间隔生成时间对齐数据矩阵，采用3σ准则、IQR方法或孤立森林算法剔除异常值，根据缺失点数量选择线性插值法、ARIMA模型或卡尔曼滤波方法填补缺失值，对工艺参数数据采用最小-最大归一化映射到零至一区间、对设备状态数据采用Z-score标准化转换为标准分布，通过同类传感器相关性检验、物理约束关系检验和时序平稳性检验计算综合可信度得分并归一化为动态可信度权重，每隔10分钟至2小时更新权重，组成预处理数据集。
[0033]工艺参数传感器组、设备状态监测传感器组和质量检测传感器组是指分别用于采集工艺参数、设备运行状态和产品质量指标的三类传感器集合，具体可以采用矿浆浓度传感器、pH计、流量计、振动传感器、品位分析仪等设备来实现，通过多类型传感器协同工作可全面覆盖选矿流程的关键监测点。
[0034]时间戳对齐是指将不同采样频率的传感器数据统一到相同时间基准的过程，具体可以采用线性插值法或降采样法实现，用于消除多源数据的时间偏差。
[0035]异常值剔除是指识别并去除偏离正常范围的测量数据，具体可以采用3σ准则、IQR方法或孤立森林算法实现，用于保证数据质量。
[0036]动态可信度权重是指反映传感器数据可靠性的动态评分，具体可以通过相关性检验、物理约束验证和时序平稳性分析综合计算得到，用于在后续建模中差异化处理不同可信度的数据。
[0037]在破碎、磨矿、分级、浮选、浓缩各工序边缘端部署三类传感器网络，通过差异化采样频率满足不同数据的实时性需求。例如，设备状态传感器采用较高采样频率捕捉瞬时工况变化，质量检测传感器采用较低频率匹配离线化验周期。所有传感器数据被附加统一时间戳和唯一标识符后存入缓冲区，通过插值或降采样实现时间同步，形成时间对齐的数据矩阵。异常检测模块采用多算法组合识别异常点，根据数据缺失程度选择填补方法，例如少量缺失时采用线性插值，长时段缺失时采用时间序列预测模型。归一化处理将不同量纲的工艺参数和设备状态数据转换到统一量纲，便于后续模型训练。动态权重计算模块周期性评估传感器数据的可信度，例如通过同类传感器数据一致性检验发现漂移故障，结合工艺机理约束验证数据合理性，最终生成动态权重以反映数据可靠性。
[0038]传统选矿数据采集多采用单一类型传感器或固定采样频率，导致关键参数覆盖不全或高频数据冗余。现有数据预处理方法通常采用静态阈值去噪或固定插值规则，难以适应选矿现场复杂工况下的数据波动特性。此外，传感器可靠性评估往往依赖人工定期校准，无法实时反映设备状态变化对数据质量的影响。
[0039]通过上述技术方案，本申请实现了多源异构数据的精准采集与高效清洗，解决了选矿现场数据碎片化、质量参差不齐的问题。通过时间戳对齐和动态权重机制，有效消除多传感器数据的时间偏差和可靠性差异，为后续时空建模提供高质量输入。多算法组合的异常检测与填补策略可适应不同工况下的数据特性，避免单一方法导致的过处理或欠处理问题。动态可信度权重更新机制能够实时反映传感器工作状态变化，提升模型对异常数据的鲁棒性。
[0040]实施例三：请参阅图1，步骤S2具体方式如下：
S2.1、根据选矿生产线工艺布局将选矿流程抽象为有向图结构G=(V，E)，节点集合V包括破碎设备节点、磨矿设备节点、分级设备节点、浮选设备节点和浓缩设备节点，每个节点对应一个工艺设备或功能子系统并分配唯一标识符，节点属性包括设备类型、设备名称和工艺参数类型，有向边集合E表示物料流动方向和信息传递路径，根据物料输送管道布局、矿浆流动方向和控制逻辑确定节点间有向连接，当物料从节点i流向节点j时建立有向边eij，对于物料循环回路建立反向边，对于中矿返回建立循环边，形成有向图结构;
S2.2、为每条有向边确定边属性参数包括物料传递时延、耦合强度和影响类型，物料传递时延通过在线测量标记物时间差或统计历史数据时间滞后量获得，耦合强度通过皮尔逊相关系数法、互信息法或格兰杰因果检验法量化参数关联程度并归一化到零至一区间，影响类型根据工艺机理判定为促进型或抑制型并赋值为正数或负数，构建n×n维邻接矩阵A，n为节点总数，矩阵元素aij在节点i与节点j存在有向边时取值为耦合强度与影响类型的乘积，不存在连接时取值为零。
[0041]在本实施例中：本申请进一步提出了根据选矿生产线工艺布局将选矿流程抽象为有向图结构，节点集合包括破碎设备节点、磨矿设备节点、分级设备节点、浮选设备节点和浓缩设备节点，每个节点对应工艺设备或功能子系统并分配唯一标识符，节点属性包括设备类型、设备名称和工艺参数类型，有向边集合表示物料流动方向和信息传递路径，根据物料输送管道布局、矿浆流动方向和控制逻辑确定节点间有向连接，当物料从节点i流向节点j时建立有向边eij，对于物料循环回路建立反向边，对于中矿返回建立循环边，形成有向图结构;为每条有向边确定边属性参数包括物料传递时延、耦合强度和影响类型，物料传递时延通过在线测量标记物时间差或统计历史数据时间滞后量获得，耦合强度通过皮尔逊相关系数法、互信息法或格兰杰因果检验法量化参数关联程度并归一化到零至一区间，影响类型根据工艺机理判定为促进型或抑制型并赋值为正数或负数，构建n×n维邻接矩阵，n为节点总数，矩阵元素aij在节点i与节点j存在有向边时取值为耦合强度与影响类型的乘积，不存在连接时取值为零。
[0042]有向图结构是指将选矿流程中的设备节点及其连接关系转化为图论中的顶点和边结构，具体可以通过工艺流程图解构实现，其作用在于准确反映选矿流程中物料流动的真实路径。边属性参数中的物料传递时延是指矿浆在设备间传输所需的时间差，具体采用在线示踪剂检测或历史数据统计方法获取，其作用在于量化设备间物料传递的时间滞后效应。耦合强度是指设备间工艺参数的关联程度，具体采用统计相关性分析方法计算，其作用在于客观反映设备间的相互作用强度。邻接矩阵是指用矩阵形式描述节点间的连接关系，具体通过边属性参数乘积生成，其作用在于将复杂的设备关联关系转化为可计算的数学形式。
[0043]选矿流程被抽象为包含破碎、磨矿、分级、浮选和浓缩节点的有向图结构，每个节点携带设备类型和工艺参数类型信息。物料流动方向通过管道布局和矿浆流向确定，例如磨矿设备输出矿浆至分级设备时建立对应有向边。边属性参数通过多维度计算获得，例如物料传递时延可通过在矿浆中添加示踪剂并测量到达时间差确定，耦合强度可通过分析历史数据中设备参数的相关性计算得出。邻接矩阵构建时，将存在物料流动的节点对赋予经归一化处理的耦合强度值，并根据影响类型赋予正负符号，形成带权重的连接矩阵。
[0044]传统方法采用孤立节点建模无法表达设备间的物料流动关系，而本方案通过有向图结构显示建模设备间的连接方向与时滞效应。现有技术未考虑设备间耦合强度的量化表达，而本方案通过统计分析方法建立边属性参数，将工艺机理转化为可计算的数学关系。现有邻接矩阵仅表示设备连接状态，而本方案将耦合强度与影响类型结合，形成带符号的权重矩阵，更精确地描述设备间相互作用。
[0045]通过上述技术方案，本申请能够准确刻画选矿流程中设备间的级联影响关系，为时空特征建模提供拓扑基础。物料传递时延的量化计算可有效捕捉参数变化的传播路径，避免传统方法忽略时间滞后导致的预测误差。带符号的邻接矩阵构建可区分设备间促进或抑制的相互作用类型，提高模型对复杂工况的适应能力。多维度边属性参数的引入使得图结构能够同时反映时空关联和工艺机理，增强模型的可解释性和工程应用价值。
[0046]实施例四：请参阅图1，步骤S3具体方式如下;
S3.1、构建多层时空图卷积神经网络模型包括空间特征提取模块和时间特征提取模块，空间模块由2至5层图卷积层串联，每层接收邻接矩阵A和节点特征矩阵，通过连接关系对邻居节点特征加权聚合并经权重矩阵变换和非线性激活得到下一层特征，时间模块采用门控循环单元GRU或时间卷积网络TCN，GRU通过更新门和重置门控制信息融合，TCN由3至8层卷积层构成包括膨胀率指数增长的膨胀卷积层，按串行或交错结构堆叠，输入为维度(T，N，F)的节点特征序列和维度(N，N)的邻接矩阵，输出为维度(N，P)或(T'，N，P)的预测值;
S3.1、嵌入空间注意力子模块和时间注意力子模块，空间注意力通过点积、加性或多头机制计算特征相似度生成权重并与邻接矩阵逐元素相乘得到动态邻接矩阵，时间注意力计算时刻关联强度加权求和得到时间上下文特征，设置10秒至60秒短时窗口、1至10分钟中时窗口、0.5至2小时长时窗口分别输入对应支路并通过融合层拼接或加权融合形成多尺度特征，将浮选动力学方程、磨矿粒度分布方程和质量守恒方程作为物理约束嵌入训练，构建包含数据驱动损失项和物理约束损失项的复合损失函数，使用反向传播和梯度下降算法最小化损失函数。
[0047]在本实施例中：本申请进一步提出了构建多层时空图卷积神经网络模型，包括空间特征提取模块和时间特征提取模块，空间模块由2至5层图卷积层串联，每层接收邻接矩阵和节点特征矩阵，通过连接关系对邻居节点特征加权聚合并经权重矩阵变换和非线性激活得到下一层特征，时间模块采用门控循环单元或时间卷积网络，门控循环单元通过更新门和重置门控制信息融合，时间卷积网络由3至8层卷积层构成包括膨胀率指数增长的膨胀卷积层，按串行或交错结构堆叠，输入为维度(T，N，F)的节点特征序列和维度(N，N)的邻接矩阵，输出为维度(N，P)或(T'，N，P)的预测值;嵌入空间注意力子模块和时间注意力子模块，空间注意力通过点积、加性或多头机制计算特征相似度生成权重并与邻接矩阵逐元素相乘得到动态邻接矩阵，时间注意力计算时刻关联强度加权求和得到时间上下文特征，设置10秒至60秒短时窗口、1至10分钟中时窗口、0.5至2小时长时窗口分别输入对应支路并通过融合层拼接或加权融合形成多尺度特征，将浮选动力学方程、磨矿粒度分布方程和质量守恒方程作为物理约束嵌入训练，构建包含数据驱动损失项和物理约束损失项的复合损失函数，使用反向传播和梯度下降算法最小化损失函数。
[0048]多层时空图卷积神经网络模型是指同时处理空间拓扑和时间序列的深度学习架构，具体可以采用图卷积层与循环神经网络层堆叠的方式实现，用于捕捉设备间的空间关联和参数的时间演变规律。空间特征提取模块是指基于图结构进行特征传播的运算单元，具体可以通过邻接矩阵与节点特征的矩阵乘法实现，用于聚合相邻设备的工艺参数信息。时间特征提取模块是指处理时序变化的运算单元，具体可以采用门控循环单元或膨胀卷积结构实现，用于提取参数变化的动态模式。空间注意力子模块是指动态调整节点间关联强度的机制，具体可以采用多头自注意力计算相似度得分实现，用于识别关键设备间的相互作用。时间注意力子模块是指动态调整历史时刻重要性的机制，具体可以通过计算时间步之间的关联权重实现，用于捕捉关键时间点的特征变化。多尺度时间窗口是指不同粒度的时序特征提取结构，具体可以采用并行卷积支路实现，用于同步捕捉秒级波动和小时级趋势。物理约束嵌入是指将工艺机理方程引入模型训练，具体可以通过构建复合损失函数实现，用于保证预测结果符合物理化学规律。
[0049]该技术方案通过图卷积层在空间维度上聚合
破碎机、球磨机、
浮选机等设备的工艺参数，利用设备间物料流动路径形成的邻接矩阵指导特征传播方向，解决传统方法无法建模设备级联影响的问题。时间卷积网络采用膨胀卷积结构扩大感受野，捕捉
浮选药剂添加量与回收率之间的长周期关联。空间注意力机制动态识别磨矿细度异常对分级效率的影响权重，时间注意力机制自动聚焦于pH值突变的敏感时刻。短时窗口监测破碎机电流波动，中时窗口跟踪浮选槽液位变化，长时窗口分析浓缩池品位趋势，多尺度特征融合后预测未来工况。训练过程中，浮选动力学方程约束预测结果符合矿物表面吸附规律，质量守恒方程防止出现物料平衡矛盾，确保模型预测兼具数据驱动准确性和工艺机理合理性。
[0050]传统方法采用独立建模策略处理各工序参数，未考虑设备间的有向物料流动和时滞效应，导致无法准确预测参数调整的级联影响。而本方案通过时空图卷积网络显示建模设备拓扑结构，结合注意力机制动态捕捉关键关联，多尺度窗口覆盖不同响应速度的工艺环节，物理约束方程保障预测结果符合实际机理，有效解决了参数预测与工艺知识脱节的问题。
[0051]通过上述技术方案，本申请能够准确捕捉破碎工序参数波动对浮选效果的跨设备影响，动态识别分级效率变化的关键时间点，同步预测多工序参数的演变趋势，生成的预测结果既符合数据统计规律又满足物理化学约束，为选矿工艺参数优化提供了可靠的决策依据。
[0052]实施例五：请参阅图1，步骤S4具体方式如下：
S4.1、将步骤S1.2的预处理数据集上传至云计算平台，按时间顺序和工况类型划分为训练集70%至80%、验证集10%至15%、测试集10%至15%，利用GPU集群或TPU集群采用数据并行策略或模型并行策略对步骤S3构建的时空图卷积神经网络模型进行并行训练，设置训练轮次为100至500轮、批次大小为32至256、学习率初始值为0.001至0.01并采用学习率衰减策略，每隔5至20轮在验证集上计算均方根误差和平均绝对百分比误差，当验证集误差连续10至30轮不再下降时触发早停机制并保存最优模型参数，在测试集上评估最优模型的泛化性能;
S4.2、基于步骤S4.1训练完成的模型建立多目标优化框架，定义金回收率最大化、精矿品位最大化、药剂成本最小化和能耗最小化四个优化目标，设置矿浆浓度、pH值、药剂添加量、充气量和浮选时间等决策变量及约束范围，采用NSGA-II算法、NSGA-III算法或MOEA/D算法进行帕累托前沿搜索，设置种群规模100至500、进化代数50至200代，生成多组非支配优化参数方案，构建包括破碎、磨矿、分级、浮选、浓缩五个仿真模块的数字孪生仿真环境，将各组优化方案输入仿真环境进行虚拟运行，评估设备负荷率、工艺稳定性和安全合规性，剔除导致设备超载、工艺失稳或安全违规的不可行方案，筛选推荐优化参数方案。
[0053]在本实施例中：本申请进一步提出了步骤S4的具体方式如下：将步骤S1.2的预处理数据集上传至云计算平台，按时间顺序和工况类型划分为训练集70%至80%、验证集10%至15%、测试集10%至15%，利用GPU集群或TPU集群采用数据并行策略或模型并行策略对步骤S3构建的时空图卷积神经网络模型进行并行训练，设置训练轮次为100至500轮、批次大小为32至256、学习率初始值为0.001至0.01并采用学习率衰减策略，每隔5至20轮在验证集上计算均方根误差和平均绝对百分比误差，当验证集误差连续10至30轮不再下降时触发早停机制并保存最优模型参数，在测试集上评估最优模型的泛化性能;基于训练完成的模型建立多目标优化框架，定义金回收率最大化、精矿品位最大化、药剂成本最小化和能耗最小化四个优化目标，设置矿浆浓度、pH值、药剂添加量、充气量和浮选时间等决策变量及约束范围，采用NSGA-II算法、NSGA-III算法或MOEA/D算法进行帕累托前沿搜索，设置种群规模100至500、进化代数50至200代，生成多组非支配优化参数方案，构建包括破碎、磨矿、分级、浮选、浓缩五个仿真模块的数字孪生仿真环境，将各组优化方案输入仿真环境进行虚拟运行，评估设备负荷率、工艺稳定性和安全合规性，剔除导致设备超载、工艺失稳或安全违规的不可行方案，筛选推荐优化参数方案。
[0054]数据并行策略是指将训练数据分割到多个计算节点进行并行处理，具体可以采用GPU集群或TPU集群实现，通过多设备协同运算加速模型训练过程。模型并行策略是指将神经网络模型拆分到不同计算节点，适用于参数量大的模型训练，例如将图卷积层与时间卷积层分配到不同硬件单元。学习率衰减策略是指随着训练轮次增加逐步降低学习率，例如采用指数衰减或余弦退火方式，避免训练后期参数震荡。早停机制是指当验证集误差持续未改善时终止训练，防止过拟合，例如连续10至30轮误差未下降即保存当前最优模型。帕累托前沿搜索算法是指寻找多目标优化问题中非支配解的集合，例如采用NSGA-II算法通过快速非支配排序和拥挤度计算生成优化方案。数字孪生仿真环境是指构建虚拟选矿流程的仿真系统，例如通过物理模型和数据分析模拟破碎、浮选等工序的运行状态，用于验证参数调整方案的可行性。
[0055]预处理数据被划分为训练集、验证集和测试集，通过分布式计算资源加速模型训练过程。训练过程中采用动态学习率调整和早停机制平衡模型精度与训练效率。多目标优化框架将选矿目标转化为数学约束，利用进化算法搜索帕累托最优解集。生成的候选方案在数字孪生环境中进行虚拟验证，通过仿真测试筛选出符合设备运行约束的可行方案。例如，某组优化参数可能导致浮选槽负荷超限，仿真模块通过动态模拟检测到该异常后自动剔除该方案，确保推荐参数的安全性和可操作性。
[0056]传统方法通常采用单机训练模式且缺乏多目标协同优化机制，导致模型训练效率低且参数方案存在局部优化问题。本方案通过分布式训练架构缩短模型迭代周期，结合多目标优化算法生成全局优化方案，并通过数字孪生技术实现参数方案的预验证，避免实际生产中的试错成本。例如，现有技术中参数优化依赖人工经验调整，而本方案通过仿真环境自动评估设备负荷与工艺稳定性，显著提升优化方案的工程适用性。
[0057]通过上述技术方案，本申请有效解决了选矿工艺多目标优化中的计算效率与方案可行性问题。分布式训练策略提升复杂模型的训练速度，多目标优化框架生成兼顾多个生产指标的参数方案，数字孪生仿真验证避免不可行方案的实施风险。例如，在磨矿工序参数调整中，本方案可同步优化能耗与磨矿细度指标，并通过仿真测试排除可能引发分级设备过载的参数组合，实现生产效率与设备安全性的双重提升。
[0058]实施例六：请参阅图1，步骤S5具体方式如下;
S5.1、对步骤S4.1训练完成的模型进行压缩包括知识蒸馏、网络剪枝和参数量化，知识蒸馏训练层数减少30%至50%、神经元减少40%至60%的学生模型，构建硬标签和软标签损失函数，软标签通过KL散度或均方误差计算，设置蒸馏温度2至10，网络剪枝通过L1范数、L2范数或梯度敏感度计算重要性得分并删除低于阈值的卷积核或参数，剪枝比例30%至70%，参数量化将32位浮点数映射为8位整数或16位定点数，包括训练后量化PTQ和量化感知训练QAT，压缩后参数量减少60%至80%，文件大小减少70%至90%，推理延迟降低50%至70%，精度下降3%至5%;
S5.2、将压缩模型转换为ONNX、TensorFlowLite或TensorRT格式，通过HTTPS或MQTT协议使用TLS加密下载至边缘节点并用MD5或SHA256验证完整性，根据硬件配置TensorRT、OpenVINO或ONNXRuntime推理引擎，通过算子融合、内存优化和并行计算确保推理延迟小于100毫秒，建立热更新机制包括版本管理模块维护版本号并通知更新、下载模块采用断点续传异步下载并校验、切换模块采用双缓冲机制在低峰时段切换路由，切换时间小于5秒不中断服务，完成后上报状态数据，异常时执行版本回滚。
[0059]在本实施例中：本申请进一步提出了对云端训练完成的时空图卷积神经网络模型进行模型压缩处理，压缩处理包括知识蒸馏、网络剪枝和参数量化;将压缩后的轻量化模型部署至边缘计算节点，配置快速推理引擎以实现毫秒级的实时预测响应，并建立模型热更新机制以支持云端模型版本的无缝切换。
[0060]知识蒸馏是指通过训练规模较小的学生模型模仿教师模型的行为，具体可以采用构建硬标签和软标签损失函数实现，软标签通过KL散度或均方误差计算，该技术可保留原始模型的知识表征能力同时降低模型复杂度。网络剪枝是指移除神经网络中冗余参数，具体可采用L1范数、L2范数或梯度敏感度计算重要性得分并删除低于阈值的卷积核，该技术可有效减少模型存储空间和计算资源消耗。参数量化是指将高精度浮点参数转换为低精度数值表示，具体可采用训练后量化或量化感知训练方法将32位浮点数映射为8位整数，该技术可显著降低模型文件体积并提升推理速度。模型热更新机制是指在不中断服务的情况下完成模型版本切换，具体可采用双缓冲机制在低峰时段切换路由并执行版本回滚，该技术可确保系统持续稳定运行。
[0061]在云端完成模型训练后，首先通过知识蒸馏构建学生模型，使其层数减少30%-50%、神经元减少40%-60%，同时设置蒸馏温度参数平衡软硬标签的权重。接着对模型进行结构化剪枝，根据参数重要性得分移除30%-70%的冗余连接，再通过参数量化将浮点参数转换为定点数表示，使模型文件体积减少70%-90%。压缩后的模型转换为标准格式部署至边缘节点，通过推理引擎的算子融合和内存优化实现毫秒级响应。热更新机制在后台异步下载新模型版本，完成完整性校验后利用双缓冲技术实现无缝切换，切换过程中维持原有模型的实时服务，异常情况下自动回退至稳定版本。
[0062]传统方法直接将云端大模型部署至边缘端，导致计算资源占用过高、响应延迟难以满足实时控制需求。现有模型更新方式需要停机维护，影响生产连续性。本方案通过多阶段压缩技术平衡模型精度与效率，使边缘设备能够承载复杂神经网络模型;热更新机制通过版本管理和双缓冲切换，解决了传统停机更新造成的生产中断问题，保障了工艺控制系统的持续运行稳定性。
[0063]通过上述技术方案，本申请有效降低了边缘端计算资源需求，使复杂时空图卷积网络模型能够在资源受限的工业现场实时运行;模型压缩过程保留关键特征提取能力，确保预测精度下降控制在可接受范围内;热更新机制实现了模型版本的平滑过渡，避免了传统更新方式对生产流程的干扰，提升了智能预测系统的实用性和可靠性。
[0064]实施例七，请参阅图1，步骤S6具体方式如下：
S6.1、建立云边任务分配机制，边缘端执行实时数据监测、快速参数预测和紧急工况响应，调用步骤S1.1传感器网络采集数据、步骤S5.2轻量化模型推理和应急规则库匹配响应，云端执行离线深度分析、全局参数优化和长期生产规划，调用步骤S4.2多目标优化框架计算全局最优方案，构建双向反馈闭环，边缘端按1至10分钟周期上传实时预测结果和执行偏差数据，云端接收后触发全局优化并下发工艺参数调整指令、模型更新指令和系统配置变更指令，边缘端验证指令有效性后转换为设备控制命令执行;
S6.2、在边缘节点部署网络状态监测模块，按5至30秒周期发送心跳探测报文测量往返时延和丢包率，维护长度10至50的滑动窗口计算平均值，设置延迟阈值500至2000毫秒和丢包率阈值10%至30%，当超过阈值或连续3至10次未响应时切换至离线自治模式，边缘端停止云端通信，依靠本地模型和历史优化知识库自主决策，通过欧氏距离或余弦相似度检索前3至10组最相似候选方案，可行性评估后选择最优方案执行，定期尝试恢复连接，网络恢复后切换回在线模式，批量上传离线数据并接收云端更新模型。
[0065]在本实施例中：本申请进一步提出了收集边缘端的实际生产运行数据和工艺调整效果数据，标注关键工况样本并构建增量训练数据集;在云端采用在线学习算法对模型进行增量更新，通过对比学习机制保留历史工况知识以避免灾难性遗忘;构建选矿工艺知识图谱用于存储专家经验、异常工况案例和历史优化策略，并将知识图谱与图神经网络模型进行融合;设置人机协同交互界面，支持工程技术人员对模型预测不确定性高的样本进行人工标注和主动学习。
[0066]增量训练数据集是指通过混合标注样本与常规数据构建的动态更新数据集，具体可以采用工艺参数异常波动识别规则筛选关键样本，按比例混合常规数据形成训练集，用于解决数据分布变化导致的模型退化问题。
[0067]在线学习算法是指支持模型持续更新的训练方法，具体可以采用增量梯度下降或弹性权重巩固算法，通过调整参数更新幅度平衡新旧知识，实现模型对新工况的快速适应。
[0068]对比学习机制是指通过构建正负样本对保留历史知识的策略，具体可以采用欧氏距离或余弦相似度计算样本相似性，约束模型更新方向以维持历史工况的记忆能力。
[0069]选矿工艺知识图谱是指存储领域知识的语义网络，具体可以采用实体-关系三元组结构整合专家经验与历史案例，通过知识嵌入或规则验证方式增强模型的可解释性。
[0070]人机协同交互界面是指支持人工干预的软件模块，具体可以采用不确定性评估算法筛选高价值样本，结合主动学习策略提升标注效率，解决模型预测模糊区域的决策优化问题。
[0071]边缘端持续采集实际生产数据并识别关键工况样本，通过预设规则筛选异常波动或质量突变事件，经人工审核后标注为特定类别。标注样本与常规数据按比例混合形成增量数据集，上传至云端后触发在线学习流程。模型更新过程中，对比学习机制通过约束参数更新幅度保留历史知识，知识图谱通过向量映射或规则推理提供领域先验，确保新知识融入时不破坏原有知识结构。更新后的模型经评估后部署至边缘端，同时人机界面将高不确定性预测结果推送至工程人员，通过主动学习循环持续提升模型性能。
[0072]传统方法依赖固定数据集离线训练，难以适应工况变化导致模型性能下降，且缺乏历史知识保留机制易引发灾难性遗忘。现有知识表示方法多采用静态规则库，无法与数据驱动模型深度耦合，人工干预流程效率低下。本方案通过增量学习与对比机制实现模型动态优化，结合知识图谱增强决策合理性，利用人机协同提升标注效率，有效解决模型退化与知识遗忘问题。
[0073]通过上述技术方案，本申请能够实现模型对新工况的快速适应，维持历史知识的稳定性，提升异常工况处理的准确性，增强优化策略的可解释性，降低人工标注成本，形成持续优化的智能预测系统。
[0074]实施例八，请参阅图1，步骤S7具体方式如下：
S7.1、收集边缘端生产运行数据和工艺调整效果数据，通过工艺参数异常波动、设备故障事件和质量指标突变识别规则识别关键工况样本，进行人工或自动标注，将标注样本与常规数据按1比5至1比10混合构建增量训练数据集，划分为训练子集80%至90%和验证子集10%至20%，采用增量梯度下降、经验回放或弹性权重巩固算法进行增量更新，引入对比学习机制构建正负样本对保留历史知识，设置更新周期1周至1月，更新后在增量验证集和历史测试集评估综合评分，优于当前模型时通过步骤S5热更新部署至边缘端;
S7.2、构建选矿工艺知识图谱采用实体-关系-实体三元组结构，包括工艺设备、工艺参数、工况类型、故障模式、处理措施和优化目标六类实体，因果、相关、包含、影响和推荐五类关系，通过专家经验录入、异常案例提取和历史策略挖掘构建内容，将知识图谱与模型融合包括知识嵌入融合通过TransE、RotatE或GraphSAGE映射实体向量加入节点特征和推理增强融合通过规则验证预测合理性，设置人机协同界面包括预测展示、不确定性评估和人工标注模块，计算预测不确定性得分推送高不确定性样本至审核队列，采用不确定性采样、代表性采样或多样性采样主动学习策略选择高价值样本加入增量训练数据集。
[0075]在本实施例中：本申请进一步提出了收集边缘端的实际生产运行数据和工艺调整效果数据，标注关键工况样本并构建增量训练数据集;在云端采用在线学习算法对模型进行增量更新，通过对比学习机制保留历史工况知识以避免灾难性遗忘;构建选矿工艺知识图谱用于存储专家经验、异常工况案例和历史优化策略，并将知识图谱与图神经网络模型进行融合;设置人机协同交互界面，支持工程技术人员对模型预测不确定性高的样本进行人工标注和主动学习的技术方案。
[0076]增量训练数据集是指通过混合标注样本与常规数据形成的动态训练集合，具体可以采用工艺参数异常波动识别规则筛选关键样本，按比例混合常规数据的方式实现，用于平衡新老知识分布。对比学习机制是指通过构建正负样本对约束特征空间，具体可采用相似性度量方法保留历史数据分布特征，防止模型更新时覆盖已有知识。选矿工艺知识图谱是指以三元组形式存储领域知识的语义网络，具体可通过专家经验录入和历史案例挖掘构建实体关系，实现工艺机理与数据模型的协同表达。人机协同交互界面是指集成预测展示与人工标注功能的可视化平台，具体可采用不确定性评分算法筛选高价值样本推送至审核队列，结合主动学习策略提升标注效率。
[0077]在实际运行过程中，边缘端持续采集生产数据并识别异常工况形成标注样本，通过预设比例混合常规数据构建增量数据集。云端训练时采用弹性权重巩固算法更新模型参数，通过对比损失函数约束新老样本的特征相似性，避免历史知识被覆盖。知识图谱通过图嵌入技术将设备、参数等实体映射为向量特征，与神经网络节点特征进行融合计算，增强模型对工艺机理的遵循能力。人机界面实时展示预测结果的不确定性分布，当检测到高不确定性样本时自动触发标注任务，工程人员通过交互操作修正预测偏差，修正后的样本加入训练集驱动模型迭代优化。
[0078]传统方法在模型更新时采用全量训练导致历史知识遗忘，且缺乏专家经验的有效融合。本方案通过对比学习机制约束特征空间偏移，保持模型对历史工况的识别能力;知识图谱的引入实现了工艺机理与数据特征的深度融合，提升预测结果的可解释性;人机协同机制将专家经验转化为标注数据，形成闭环优化体系，有效解决复杂工况下的预测偏差问题。
[0079]通过上述技术方案，本申请能够实现模型在增量更新过程中稳定保持历史知识，避免因新数据引入导致的性能退化;通过知识图谱与神经网络的联合推理，增强预测结果与工艺原理的一致性，降低异常工况下的误判风险;人机协同机制显著提升高价值样本的标注效率，缩短模型迭代周期，确保预测系统在实际生产环境中的持续优化能力。
[0080]本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
[0081]尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
说明书附图(1)
声明：
“云边融合的金矿选矿工艺参数智能预测方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
374
编辑：北方有色网
来源：山东黄金集团蓬莱矿业有限公司
咨询细节
2026年08月06日 ~ 08日 
