一种浮选过程浮精品位的动态预测方法及系统的制作方法
【技术领域】
[0001] 本发明涉及选矿生产技术领域，特别是指一种浮选过程浮精品位的动态预测方法 及系统。
【背景技术】
[0002] 目前，在矿山生产过程中，选矿是一个复杂的工业过程，其中包括破碎、磨矿、重 选、磁选及浮选等诸多工艺工序，与此同时，各工序间工艺参数相互影响，涉及众多领域问 题。浮精是选矿浮选工艺中最终产品，浮精品位的高低，一方面影响着选矿厂生产过程工艺 参数的调整，另一方面对选矿厂精矿生产计划品位造成偏差，从而不利于实际生产。因此， 浮精品位对选矿厂实际精矿品质及生产过程中的稳态生产具有较大影响作用。但是，浮选 过程中的精矿品位需要通过人工进行检测才能获得，品位的可知性具有较大的时间延迟， 从而使得工人不能根据精矿质量及时有效地对生产做出调整，因此，需要一种精确的预测 模型。
[0003] 传统的浮精品位预测模型是基于生产机理过程而建立起来的数学模型。由于实际 的浮选过程相当复杂，变量维数高、关联性强、噪声大、检测信号不完备、样本浮选数据量大 以及模型参数时变等，使得只能考虑一些简单变量进行浮选数据建模，将会导致模型丢失 大量生产信息，难以建立较精确的机理模型。而利用人工智能与机器学习的黑盒建模方法 能在机理不清楚、信息不完备的情况下对复杂系统的历史采集浮选数据进行学习，对未知 模型进行逼近建立经验模型。
[0004] 神经网络作为一种模拟人类大脑神经元的计算机技术，越来越被广泛用于模式识 另IJ、语音处理等领域，如果用神经网络技术用于浮精品位的预测，可以明显提高其预测精 度。在实际生产中，由于单模型的学习泛化能力较差，预测精度低，不能满足实际生产需求。
【发明内容】
[0005] 本发明要解决的技术问题是提供一种浮选过程浮精品位的动态预测方法及系统， 以解决现有技术所存在的单模型学习泛化能力差，预测精度低的问题。
[0006] 为解决上述技术问题，本发明实施例提供一种浮选过程浮精品位的动态预测方 法，包括：
[0007] 获取浮选过程中的浮选数据，对所述浮选数据进行分析、训练建立集成学习模 型；
[0008] 获取浮选过程中新的浮选数据，对所述新的浮选数据进行分析，并调用已建立的 集成学习模型预测浮精品位。
[0009] 可选地，所述获取浮选过程中与浮精品位相关的浮选数据，对所述浮选数据进行 分析、训练建立集成学习模型包括：
[0010] 按照预设的时间间隔采集浮选过程中的浮选数据，形成浮精品位案例浮选数据 库；
[0011] 对浮精品位案例浮选数据库中的浮选数据进行预处理，所述预处理包括：归一化 处理、异常值处理、缺失值处理及去除噪声；
[0012] 对预处理后的所述浮选数据的浮选数据属性与浮精品位进行相关性分析，提取与 浮精品位相关的浮选数据属性；
[0013] 对提取的所述浮选数据属性进行主成分分析选取主成分个数，对所述浮选数据进 行降维；
[0014] 对降维后的所述浮选数据进行训练建立集成学习模型。
[0015] 可选地，所述提取与浮精品位相关的浮选数据属性包括：
[0016] 根据相关系数公式确定相关度，将相关度超过预设阈值的浮选数据属性提取出 来，作为预测浮精品位的参数。
[0017] 可选地，所述对降维后的所述浮选数据进行训练建立集成学习模型包括：
[0018] 将降维后的所述浮选数据作为训练集，对所述训练集进行抽样随机产生所述训练 集的k个训练子集；
[0019] 将k个ELM算法分别应用于所述k个训练子集得到k个ELM模型，所述k个ELM 模型组成所述集成学习模型；
[0020] 将k个ELM模型输出结果的平均值作为所述集成学习模型的预测结果。
[0021] 可选地，所述根据已建立的集成学习模型预测浮精品位包括：
[0022] 对已获取的浮选过程中的新的浮选数据进行预处理、相关性分析和主成分分析；
[0023] 根据主成分分析后的新的浮选数据，调用已建立的集成学习模型预测浮精品位。
[0024] 本发明实施例还提供一种浮选过程浮精品位的动态预测系统，包括：
[0025] 模型建立单元，用于获取浮选过程中的浮选数据，对所述浮选数据进行分析、训练 建立集成学习模型；
[0026] 浮精品位预测单元，用于获取浮选过程中新的浮选数据，对所述新的浮选数据进 行分析，并调用已建立的集成学习模型预测浮精品位。
[0027] 可选地，所述模型建立单元包括：
[0028] 浮选数据库形成模块，用于按照预设的时间间隔采集浮选过程中的浮选数据，形 成浮精品位案例浮选数据库；
[0029] 预处理模块，用于对浮精品位案例浮选数据库中的浮选数据进行预处理，所述预 处理包括：归一化处理、异常值处理、缺失值处理及去除噪声；
[0030] 相关性分析模块，用于对预处理后的所述浮选数据的浮选数据属性与浮精品位进 行相关性分析，提取与浮精品位相关的浮选数据属性；
[0031] 主成分分析模块，用于对提取的所述浮选数据属性进行主成分分析选取主成分个 数，对所述浮选数据进行降维；
[0032] 建立模型模块，用于对降维后的所述浮选数据进行训练建立集成学习模型。
[0033] 可选地，所述相关性分析模块，还用于根据相关系数公式确定相关度，将相关度超 过预设阈值的浮选数据属性提取出来，作为预测浮精品位的参数。
[0034] 可选地，所述建立模型模块包括：
[0035] 随机抽样子模块，用于将降维后的所述浮选数据作为训练集，对所述训练集进行 抽样随机产生所述训练集的k个训练子集；
[0036] 建立模型子模块，用于将k个ELM算法分别应用于所述k个训练子集得到k个ELM 模型，所述k个ELM模型组成所述集成学习模型；
[0037] 输出预测结果子模块，用于将k个ELM模型输出结果的平均值作为所述集成学习 模型的预测结果。
[0038] 可选地，所述浮精品位预测单元包括：
[0039] 处理分析模块，用于对已获取的浮选过程中的新的浮选数据进行预处理、相关性 分析和主成分分析；
[0040] 预测模块，用于根据主成分分析后的新的浮选数据，调用已建立的集成学习模型 预测浮精品位。
[0041] 本发明的上述技术方案的有益效果如下：
[0042] 上述方案中，通过对获取的浮选过程中的浮选数据进行分析、训练建立集成学习 模型，所述集成学习模型为多层次模型组合，并利用已经建立的集成学习模型对浮选过程 中的实时浮精品位进行动态预测，这样，通过结合浮选过程的特点对浮选过程中大量的浮 选数据进行分析，挖掘出浮选数据中与浮精品位有关的浮选数据，并充分利用现有的人工 智能技术，建立多层次集成学习模型预测浮精品位，对浮选过程进行优化，有效地提高了浮 选过程的智能化水平及浮精品位，减少了资源的浪费，节约了设计人员的精力，具有可观的 经济价值和使用价值。
【附图说明】
[0043] 图1为本发明实施例提供的浮选过程浮精品位的动态预测方法的流程图；
[0044]图2为本发明实施例提供的浮选数据中缺失值的统计示意图；
[0045] 图3为本发明实施例提供的建立集成学习模型的方法流程图；
[0046] 图4为本发明实施例提供的当新的浮选数据产生时预测浮精品位的方法流程图；
[0047] 图5为本发明实施例提供的集成学习模型的验证结果示意图。
【具体实施方式】
[0048] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具 体实施例进行详细描述。
[0049] 本发明针对现有的单模型学习泛化能力差，预测精度低的问题，提供一种浮选过 程浮精品位的动态预测方法及系统。
[0050] 实施例一
[0051] 参看图1所示，本发明实施例提供的一种浮选过程浮精品位的动态预测方法，包 括：
[0052] S101 :获取浮选过程中的浮选数据，对所述浮选数据进行分析、训练建立集成学习 丰旲型；
[0053] S102:获取浮选过程中新的浮选数据，对所述新的浮选数据进行分析，并调用已建 立的集成学习模型预测浮精品位。
[0054] 本发明实施例所述的浮选过程浮精品位的动态预测方法，通过对获取的浮选过程 中的浮选数据进行分析、训练建立集成学习模型，所述集成学习模型为多层次模型组合，并 利用已经建立的集成学习模型对浮选过程中的实时浮精品位进行动态预测，这样，通过结 合浮选过程的特点对浮选过程中大量的浮选数据进行分析，挖掘出浮选数据中与浮精品位 有关的浮选数据，并充分利用现有的人工智能技术，建立多层次集成学习模型预测浮精品 位，对浮选过程进行优化，有效地提高了浮选过程的智能化水平及浮精品位，减少了资源的 浪费，节约了设计人员的精力，具有可观的经济价值和使用价值。
[0055] 在前述浮选过程浮精品位的动态预测方法的【具体实施方式】中，可选地，所述获取 浮选过程中与浮精品位相关的浮选数据，对所述浮选数据进行分析、训练建立集成学习模 型包括：
[0056] 按照预设的时间间隔采集浮选过程中的浮选数据，形成浮精品位案例浮选数据 库；
[0057] 对浮精品位案例浮选数据库中的浮选数据进行预处