一种选矿生产全流程精矿产量预报系统及方法
【专利摘要】本发明涉及一种选矿生产全流程精矿产量预报系统及方法，该系统包括数据获取单元、数据处理单元、单模型训练单元、模型集成单元和数据存储单元；选矿生产全流程精矿产量预报方法，获取选矿生产全流程生产指标历史数据，从中选取精矿产量作为预报指标数据，将多个生产指标作为输入指标数据，形成新的数据集，将新的数据集分为训练数据集和验证数据集，建立单隐层前馈网络模型，将输入指标数据作为该模型的输入，将预报指标数据作为该模型的输出，求得单隐层前馈神经网络隐含层输出矩阵，对单隐层前馈神经网络进行集成，确定选矿生产全流程精矿产量预报模型，在实际选矿生产全流程中，实时采集生产指标数据，利用有效的预报模型，预报精矿产量。
【专利说明】一种选矿生产全流程精矿产量预报系统及方法
【技术领域】
[0001] 本发明属于选矿生产过程【技术领域】，具体涉及一种选矿生产全流程精矿产量预报 系统及方法。
【背景技术】
[0002] 矿产资源是经济发展需求的一种重要基础原料，在国民经济发展、国防科技建设 等方面，在冶金、建筑、交通、化工等多个领域中起着举足轻重的作用，同时矿产资源又是难 以再生的自然资源，所以各国都在积极地倡导可持续发展战略。在这种形势下，选矿工业企 业已经不能像过去那样单纯地追求经济效益，而应该更加注重产品的质量，降低生产成本， 节约资源消耗，降低环境污染，只有这样才能满足企业越来越高的质量要求，才能使企业更 好地生存发展。在选矿生产过程中，选矿生产全流程精矿产量的预报对保证产品质量尤为 重要。
[0003] 针对选矿问题较为传统的建模方法有灰色、回归分析以及时间序列等方法，但传 统方法大都集中在对其因果关系回归模型和时间序列模型的分析上，所建立的模型不能全 面、本质地反映所预测数据的复杂的内在结构和特性，也容易造成信息量的丢失。另外，也 有学者利用传统的神经网络方法针对选矿建立预报模型，如基于模糊聚类RBF神经网络的 生产指标预报模型，该模型基于经验风险最小化原则，但其泛化能力较差，过拟合，局部最 优解和学习效率低等问题使得此模型在本领域的应用受到了一定的限制。
【发明内容】
[0004] 针对现有技术的不足，本发明提出一种选矿生产全流程精矿产量预报系统及方 法，
[0005] 本发明技术方案如下：
[0006] -种选矿生产全流程精矿产量预报系统，包括数据获取单元、数据处理单元、单模 型训练单元、模型集成单元和数据存储单元；
[0007] 数据获取单元：获取选矿生产全流程生产指标历史数据，包括质量指标、计量指 标、设备运彳T统计指标、矿仓料位指标、工艺指标、能源指标和成本指标；
[0008] 数据处理单元：从选矿生产全流程生产指标历史数据中选取计量指标中的精矿产 量作为预报指标数据，将多个选矿生产全流程生产指标作为输入指标数据，将输入指标数 据进行归一化处理，得到归一化后的输入指标数据，将归一化后的输入指标数据和预报指 标数据作为新的数据集，将新的数据集分为训练数据集和验证数据集；
[0009] 单模型训练单元：设定隐含层节点数L和激励函数，随机产生输入权值矩阵W和 阈值向量δ，利用随机权值算法建立单隐层前馈网络模型，将输入指标数据作为该模型的输 入，将预报指标数据作为该模型的输出，求得单隐层前馈神经网络隐含层输出矩阵；
[0010] 模型集成单元：利用DNNE算法将Μ个利用训练数据集得到的单隐层前馈神经网络 隐含层输出矩阵集成为训练数据集的预报模型隐含层输出矩阵氏。"，将Μ个利用训练数据 集得到的单隐层前馈神经网络隐含层输出矩阵和训练数据集预报指标数据集成为预报模 型的输出数据Th，根据公式= Th，求出预报模型的输出权值向量
【权利要求】
1. 一种选矿生产全流程精矿产量预报系统，其特征在于，包括数据获取单元、数据处理 单元、单模型训练单元、模型集成单元和数据存储单元； 所述的数据获取单元：获取选矿生产全流程生产指标历史数据，包括质量指标、计量指 标、设备运彳T统计指标、矿仓料位指标、工艺指标、能源指标和成本指标； 所述的数据处理单元：从选矿生产全流程生产指标历史数据中选取计量指标中的精矿 产量作为预报指标数据，将多个选矿生产全流程生产指标作为输入指标数据，将输入指标 数据进行归一化处理，得到归一化后的输入指标数据，将归一化后的输入指标数据和预报 指标数据作为新的数据集，将新的数据集分为训练数据集和验证数据集； 所述的单模型训练单元：设定隐含层节点数L和激励函数，随机产生输入权值矩阵W和 阈值向量S，利用随机权值算法建立单隐层前馈网络模型，将输入指标数据作为该模型的 输入，将预报指标数据作为该模型的输出，求得单隐层前馈神经网络隐含层输出矩阵； 所述的模型集成单元：利用DNNE算法将Μ个利用训练数据集得到的单隐层前馈神经网 络隐含层输出矩阵集成为训练数据集的预报模型隐含层输出矩阵氏。"，将Μ个利用训练数 据集得到的单隐层前馈神经网络隐含层输出矩阵和训练数据集预报指标数据集成为预报 模型的输出数据Th，根据公式= Th，求出预报模型的输出权值向量瓦m =//^.7；,确 定选矿生产全流程精矿产量预报模型，将Μ个利用验证数据集得到的单隐层前馈神经网络 隐含层输出矩阵集成为验证数据集的预报模型隐含层输出矩阵Η'。。"，利用验证数据集的 预报模型隐含层输出矩阵Η'。。"对预报模型进行验证，得到有效的预报模型； 所述的数据存储单元：存储随机产生的输入权值矩阵、阈值向量、单隐层前馈神经网络 隐含层输出矩阵、预报模型隐含层输出矩阵、预报模型输出数据、预报模型输出权值向量、 训练数据集数据和验证数据集数据。
2. 采用权利要求1所述的选矿生产全流程精矿产量预报系统进行精矿产量预报的方 法，其特征在于，包括以下步骤： 步骤1 :获取选矿生产全流程生产指标历史数据，包括质量指标、计量指标、设备运行 统计指标、矿仓料位指标、工艺指标、能源指标和成本指标； 步骤2 :从选矿生产全流程生产指标历史数据中选取计量指标中的精矿产量作为预报 指标数据，将多个选矿生产全流程生产指标作为输入指标数据； 步骤3 :将输入指标数据进行归一化处理，得到归一化后的输入指标数据； 步骤4:将归一化后的输入指标数据和预报指标数据作为新的数据集，将新的数据集 分为训练数据集和验证数据集； 步骤5:设定隐含层节点数L和激励函数，随机产生输入权值矩阵W和阈值向量S，利用 随机权值算法建立单隐层前馈网络模型，将输入指标数据作为该模型的输入，将预报指标 数据作为该模型的输出，求得单隐层前馈神经网络隐含层输出矩阵； 步骤6 :利用DNNE算法对Μ个单隐层前馈神经网络进行集成，确定选矿生产全流程精 矿产量预报模型； 步骤6. 1 :设定惩罚率λ，利用DNNE算法将Μ个利用新数据集得到的单隐层前馈神经 网络隐含层输出矩阵集成为预报模型隐含层输出矩阵； Μ个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为训练数据集的 预报模型隐含层输出矩阵ΗΜ1Τ，公式为：
其中，Hk为第k个单隐层前馈神经网络隐含层输出权值矩阵，k e [1，Μ]，
同理，Μ个利用验证数据集得到的单隐层前馈神经网络隐含层输出矩阵集成为验证数 据集的预报模型隐含层输出矩阵Η'。。"; 步骤6. 2 :将Μ个利用训练数据集得到的单隐层前馈神经网络隐含层输出矩阵和训练 数据集预报指标数据集成为训练数据集的预报模型输出数据Th :
其中，为训练数据集 的预报指标数据； 步骤6. 3 :根据公式= Th，求出预报模型的输出权值向量云》，从而选 矿生产全流程精矿产量预报模型； 步骤7 :利用验证数据集的预报模型隐含层输出矩阵H'。。"对预报模型进行验证； 步骤7. 1 :利用验证数据集的预报模型隐含层输出矩阵H'。。"和预报模型的输出权值
向量启，得到该预报模型的输出数据式=〇_ ens 步骤7. 2 :计算预报模型的输出数据fh和验证数据集的预报指标数据Τ'的均方差公 式
实中， 将该均方差作为评价指标；
步骤7. 3 :判断评价指标对否低于评价指标设定值，若是，则该预报模型为有效的预报 模型，否则，返回步骤5重新建立预报模型； 步骤8 :在实际选矿生产全流程中，实时采集生产指标数据，利用有效的预报模型，预 报精矿产量。
【文档编号】G06Q10/04GK104299045SQ201410492225
【公开日】2015年1月21日 申请日期:2014年9月24日 优先权日:2014年9月24日
【发明者】丁进良, 王海涛, 刘长鑫, 柴天佑 申请人:东北大学