[发明专利]一种精矿产量在线预测方法

摘要

一种精矿产量在线预测方法，该方法包括：步骤1：采集选矿各工序的工艺指标数据及相应的精矿产量实际值；步骤2：对已采集的选矿各工序的工艺指标数据及相应的精矿产量实际值进行组合处理；步骤3：在线实时预测精矿产量值；本发明方法基于参数自整定，在选矿生产过程中采集的各工序的工艺指标数据更新后及时加入训练样本集中参与训练，实现模型的在线更新；根据各工序的工艺指标数据自身属性的不同，自适应调整精矿产量预测模型的参数，实现模型参数的在线修改，可以使预测模型更好的适应多变的工况条件，进一步提高了精矿产量的预测精度，选矿工程师可以给出更加合理的决策，从而使得企业效益最大化。

主权项

1.一种精矿产量在线预测方法，其特征在于：包括如下步骤：步骤1：采集选矿各工序的工艺指标数据及相应的精矿产量实际值；为第i组选矿各工序的工艺指标数据；y_i为与对应的精矿产量实际值；其中，其包含了各个不同工序的工艺指标；X为选矿工序的工艺指标数据组的集合；n为输入的维数；Rⁿ为n维的实数集合；R为实数集合；l为选矿各工序的工艺指标数据规模大小，即选矿各工序的工艺指标数据组数；，Y为精矿产量实际值的集合；步骤2：对已采集的选矿各工序的工艺指标数据及相应的精矿产量实际值进行组合处理；将已采集的选矿各工序的工艺指标数据及与对应的精矿产量实际值y_i进行组合得到训练样本集为，V={(x→1,y1),(x→2,y2),···,(x→l,yl)}]]>步骤3：在线实时预测精矿产量值；根据选矿各工序的工艺指标数据及相应的精矿产量实际值的组合，建立精矿产量预测模型，且根据优化目标要求，建立优化目标函数及预测精度约束条件对所述的精矿产量预测模型进行优化，并通过在线实时采集的新的各工序的工艺指标数据，在线实时预测精矿产量值；步骤3.1：根据训练样本集V，建立精矿产量预测模型；在高维空间F内构造一个线性回归函数即初始精矿产量预测模型函数，其表达式如下：f(x→i)=WTφ(x→i)+b---(1)]]>其中，W为F中的向量，W^T为的权重系数；为输入空间X中的映射到高维空间F后所得；b为偏移量；通过引入拉格朗日函数将式（1）转化为式（2），f(x→i)=Σm=1lK(x→i,x→m)(αm,am*)+b---(2)]]>其中，m＝1,2,…l，它包含了各个不同工序的工艺指标；为核函数，该核函数选用高斯核函数，即K(x→i,x→m)=exp(-||x→m-x→i||22σ2),σ=(0.1~0.5);]]>α_m≥0和均表示引入的拉格朗日乘子，θ_m＝α_m-α_m^*，且满足步骤3.3：将训练样本集V分划分为三个子集：支持向量集合S、错误向量集合E和保留向量集合R；R={i|θi=0^|h(x→i)|≤ϵ}---(8)]]>其中，α_i≥0和α_i^*≥0均为引入的拉格朗日乘子，满足α_i×α_i^*＝0；ε为误差精度，且ϵ=3σylnll,]]>其中σy2=1l-1Σi=1l(yi-y‾)2,]]>y‾=Σi=2lyi;]]>C为动态惩罚参数，C=max(|y‾+2σy||,|y‾-3σy|);]]>步骤3.4：在线采集新的各工序的工艺指标数据，且通过精矿产量预测模型得到精矿产量预测值；为在线采集的新的工艺指标数据，为与对应的精矿产量预测值；步骤3.5：待精矿产量实际值产生后，并将在线采集的新的各工序的工艺指标数据及其对应的精矿产量实际值加入到训练样本集V中，对训练样本集V进行更新；y_c为与对应的精矿产量实际值，将和y_c加入训练样本集V中，对训练样本集V进行更新；并根据更新后的训练样本集V分别对支持向量集合S、错误向量集合E和保留向量集合R进行更新；步骤3.6：在线更新精矿产量预测模型中的参数，进而在线对精矿产量预测模型进行更新；判断在线实时采集新的工艺指标数据属于更新后的支持向量集合S、错误向量集合E和保留向量集合R中的哪一个集合，若则按照式（9）以θ_c更新θ_m而保持的变化量不变，从而也更新了精矿产量预测模型中的参数b，进而对精矿产量预测模型进行更新；若则按照式（10）更新Δh(x_i)而保持θ_m不变，从而也更新了精矿产量预测模型中的参数b，进而对精矿产量预测模型进行更新；ΔbΔθs1···Δθsls=βΔθc---(9)]]>其中，为支持向量集合S中的各工序的工艺指标数据的序数，是集合N中的各工序的工艺指标数据的序数；为精矿产量预测值与精矿产量实际值的差值；为的变化量；α_c≥0和均为引入的拉格朗日乘子，满足c＝1,2,…,l，Δθ_c为θ_c的变化量；步骤3.7：在线实时采集各工序的工艺指标数据，根据更新后的精矿产量预测模型得到相应的精矿产量预测值，并转去执行步骤3.5。