一種選礦生產(chǎn)全流程精礦產(chǎn)量預報系統(tǒng)及方法
【專利摘要】本發(fā)明涉及一種選礦生產(chǎn)全流程精礦產(chǎn)量預報系統(tǒng)及方法，該系統(tǒng)包括數(shù)據(jù)獲取單元、數(shù)據(jù)處理單元、單模型訓練單元、模型集成單元和數(shù)據(jù)存儲單元；選礦生產(chǎn)全流程精礦產(chǎn)量預報方法，獲取選礦生產(chǎn)全流程生產(chǎn)指標歷史數(shù)據(jù)，從中選取精礦產(chǎn)量作為預報指標數(shù)據(jù)，將多個生產(chǎn)指標作為輸入指標數(shù)據(jù)，形成新的數(shù)據(jù)集，將新的數(shù)據(jù)集分為訓練數(shù)據(jù)集和驗證數(shù)據(jù)集，建立單隱層前饋網(wǎng)絡模型，將輸入指標數(shù)據(jù)作為該模型的輸入，將預報指標數(shù)據(jù)作為該模型的輸出，求得單隱層前饋神經(jīng)網(wǎng)絡隱含層輸出矩陣，對單隱層前饋神經(jīng)網(wǎng)絡進行集成，確定選礦生產(chǎn)全流程精礦產(chǎn)量預報模型，在實際選礦生產(chǎn)全流程中，實時采集生產(chǎn)指標數(shù)據(jù)，利用有效的預報模型，預報精礦產(chǎn)量。
【專利說明】一種選礦生產(chǎn)全流程精礦產(chǎn)量預報系統(tǒng)及方法

【技術領域】
[0001] 本發(fā)明屬于選礦生產(chǎn)過程【技術領域】，具體涉及一種選礦生產(chǎn)全流程精礦產(chǎn)量預報 系統(tǒng)及方法。

【背景技術】
[0002] 礦產(chǎn)資源是經(jīng)濟發(fā)展需求的一種重要基礎原料，在國民經(jīng)濟發(fā)展、國防科技建設 等方面，在冶金、建筑、交通、化工等多個領域中起著舉足輕重的作用，同時礦產(chǎn)資源又是難 以再生的自然資源，所以各國都在積極地倡導可持續(xù)發(fā)展戰(zhàn)略。在這種形勢下，選礦工業(yè)企 業(yè)已經(jīng)不能像過去那樣單純地追求經(jīng)濟效益，而應該更加注重產(chǎn)品的質(zhì)量，降低生產(chǎn)成本， 節(jié)約資源消耗，降低環(huán)境污染，只有這樣才能滿足企業(yè)越來越高的質(zhì)量要求，才能使企業(yè)更 好地生存發(fā)展。在選礦生產(chǎn)過程中，選礦生產(chǎn)全流程精礦產(chǎn)量的預報對保證產(chǎn)品質(zhì)量尤為 重要。
[0003] 針對選礦問題較為傳統(tǒng)的建模方法有灰色、回歸分析以及時間序列等方法，但傳 統(tǒng)方法大都集中在對其因果關系回歸模型和時間序列模型的分析上，所建立的模型不能全 面、本質(zhì)地反映所預測數(shù)據(jù)的復雜的內(nèi)在結構和特性，也容易造成信息量的丟失。另外，也 有學者利用傳統(tǒng)的神經(jīng)網(wǎng)絡方法針對選礦建立預報模型，如基于模糊聚類RBF神經(jīng)網(wǎng)絡的 生產(chǎn)指標預報模型，該模型基于經(jīng)驗風險最小化原則，但其泛化能力較差，過擬合，局部最 優(yōu)解和學習效率低等問題使得此模型在本領域的應用受到了一定的限制。


【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術的不足，本發(fā)明提出一種選礦生產(chǎn)全流程精礦產(chǎn)量預報系統(tǒng)及方 法，
[0005] 本發(fā)明技術方案如下：
[0006] -種選礦生產(chǎn)全流程精礦產(chǎn)量預報系統(tǒng)，包括數(shù)據(jù)獲取單元、數(shù)據(jù)處理單元、單模 型訓練單元、模型集成單元和數(shù)據(jù)存儲單元；
[0007] 數(shù)據(jù)獲取單元：獲取選礦生產(chǎn)全流程生產(chǎn)指標歷史數(shù)據(jù)，包括質(zhì)量指標、計量指 標、設備運彳T統(tǒng)計指標、礦倉料位指標、工藝指標、能源指標和成本指標；
[0008] 數(shù)據(jù)處理單元：從選礦生產(chǎn)全流程生產(chǎn)指標歷史數(shù)據(jù)中選取計量指標中的精礦產(chǎn) 量作為預報指標數(shù)據(jù)，將多個選礦生產(chǎn)全流程生產(chǎn)指標作為輸入指標數(shù)據(jù)，將輸入指標數(shù) 據(jù)進行歸一化處理，得到歸一化后的輸入指標數(shù)據(jù)，將歸一化后的輸入指標數(shù)據(jù)和預報指 標數(shù)據(jù)作為新的數(shù)據(jù)集，將新的數(shù)據(jù)集分為訓練數(shù)據(jù)集和驗證數(shù)據(jù)集；
[0009] 單模型訓練單元：設定隱含層節(jié)點數(shù)L和激勵函數(shù)，隨機產(chǎn)生輸入權值矩陣W和 閾值向量δ，利用隨機權值算法建立單隱層前饋網(wǎng)絡模型，將輸入指標數(shù)據(jù)作為該模型的輸 入，將預報指標數(shù)據(jù)作為該模型的輸出，求得單隱層前饋神經(jīng)網(wǎng)絡隱含層輸出矩陣；
[0010] 模型集成單元：利用DNNE算法將Μ個利用訓練數(shù)據(jù)集得到的單隱層前饋神經(jīng)網(wǎng)絡 隱含層輸出矩陣集成為訓練數(shù)據(jù)集的預報模型隱含層輸出矩陣氏。"，將Μ個利用訓練數(shù)據(jù) 集得到的單隱層前饋神經(jīng)網(wǎng)絡隱含層輸出矩陣和訓練數(shù)據(jù)集預報指標數(shù)據(jù)集成為預報模 型的輸出數(shù)據(jù)Th，根據(jù)公式= Th，求出預報模型的輸出權值向量

【權利要求】
1. 一種選礦生產(chǎn)全流程精礦產(chǎn)量預報系統(tǒng)，其特征在于，包括數(shù)據(jù)獲取單元、數(shù)據(jù)處理 單元、單模型訓練單元、模型集成單元和數(shù)據(jù)存儲單元； 所述的數(shù)據(jù)獲取單元：獲取選礦生產(chǎn)全流程生產(chǎn)指標歷史數(shù)據(jù)，包括質(zhì)量指標、計量指 標、設備運彳T統(tǒng)計指標、礦倉料位指標、工藝指標、能源指標和成本指標； 所述的數(shù)據(jù)處理單元：從選礦生產(chǎn)全流程生產(chǎn)指標歷史數(shù)據(jù)中選取計量指標中的精礦 產(chǎn)量作為預報指標數(shù)據(jù)，將多個選礦生產(chǎn)全流程生產(chǎn)指標作為輸入指標數(shù)據(jù)，將輸入指標 數(shù)據(jù)進行歸一化處理，得到歸一化后的輸入指標數(shù)據(jù)，將歸一化后的輸入指標數(shù)據(jù)和預報 指標數(shù)據(jù)作為新的數(shù)據(jù)集，將新的數(shù)據(jù)集分為訓練數(shù)據(jù)集和驗證數(shù)據(jù)集； 所述的單模型訓練單元：設定隱含層節(jié)點數(shù)L和激勵函數(shù)，隨機產(chǎn)生輸入權值矩陣W和 閾值向量S，利用隨機權值算法建立單隱層前饋網(wǎng)絡模型，將輸入指標數(shù)據(jù)作為該模型的 輸入，將預報指標數(shù)據(jù)作為該模型的輸出，求得單隱層前饋神經(jīng)網(wǎng)絡隱含層輸出矩陣； 所述的模型集成單元：利用DNNE算法將Μ個利用訓練數(shù)據(jù)集得到的單隱層前饋神經(jīng)網(wǎng) 絡隱含層輸出矩陣集成為訓練數(shù)據(jù)集的預報模型隱含層輸出矩陣氏。"，將Μ個利用訓練數(shù) 據(jù)集得到的單隱層前饋神經(jīng)網(wǎng)絡隱含層輸出矩陣和訓練數(shù)據(jù)集預報指標數(shù)據(jù)集成為預報 模型的輸出數(shù)據(jù)Th，根據(jù)公式= Th，求出預報模型的輸出權值向量瓦m =//^.7；,確 定選礦生產(chǎn)全流程精礦產(chǎn)量預報模型，將Μ個利用驗證數(shù)據(jù)集得到的單隱層前饋神經(jīng)網(wǎng)絡 隱含層輸出矩陣集成為驗證數(shù)據(jù)集的預報模型隱含層輸出矩陣Η'。。"，利用驗證數(shù)據(jù)集的 預報模型隱含層輸出矩陣Η'。。"對預報模型進行驗證，得到有效的預報模型； 所述的數(shù)據(jù)存儲單元：存儲隨機產(chǎn)生的輸入權值矩陣、閾值向量、單隱層前饋神經(jīng)網(wǎng)絡 隱含層輸出矩陣、預報模型隱含層輸出矩陣、預報模型輸出數(shù)據(jù)、預報模型輸出權值向量、 訓練數(shù)據(jù)集數(shù)據(jù)和驗證數(shù)據(jù)集數(shù)據(jù)。
2. 采用權利要求1所述的選礦生產(chǎn)全流程精礦產(chǎn)量預報系統(tǒng)進行精礦產(chǎn)量預報的方 法，其特征在于，包括以下步驟： 步驟1 :獲取選礦生產(chǎn)全流程生產(chǎn)指標歷史數(shù)據(jù)，包括質(zhì)量指標、計量指標、設備運行 統(tǒng)計指標、礦倉料位指標、工藝指標、能源指標和成本指標； 步驟2 :從選礦生產(chǎn)全流程生產(chǎn)指標歷史數(shù)據(jù)中選取計量指標中的精礦產(chǎn)量作為預報 指標數(shù)據(jù)，將多個選礦生產(chǎn)全流程生產(chǎn)指標作為輸入指標數(shù)據(jù)； 步驟3 :將輸入指標數(shù)據(jù)進行歸一化處理，得到歸一化后的輸入指標數(shù)據(jù)； 步驟4:將歸一化后的輸入指標數(shù)據(jù)和預報指標數(shù)據(jù)作為新的數(shù)據(jù)集，將新的數(shù)據(jù)集 分為訓練數(shù)據(jù)集和驗證數(shù)據(jù)集； 步驟5:設定隱含層節(jié)點數(shù)L和激勵函數(shù)，隨機產(chǎn)生輸入權值矩陣W和閾值向量S，利用 隨機權值算法建立單隱層前饋網(wǎng)絡模型，將輸入指標數(shù)據(jù)作為該模型的輸入，將預報指標 數(shù)據(jù)作為該模型的輸出，求得單隱層前饋神經(jīng)網(wǎng)絡隱含層輸出矩陣； 步驟6 :利用DNNE算法對Μ個單隱層前饋神經(jīng)網(wǎng)絡進行集成，確定選礦生產(chǎn)全流程精 礦產(chǎn)量預報模型； 步驟6. 1 :設定懲罰率λ，利用DNNE算法將Μ個利用新數(shù)據(jù)集得到的單隱層前饋神經(jīng) 網(wǎng)絡隱含層輸出矩陣集成為預報模型隱含層輸出矩陣； Μ個利用訓練數(shù)據(jù)集得到的單隱層前饋神經(jīng)網(wǎng)絡隱含層輸出矩陣集成為訓練數(shù)據(jù)集的 預報模型隱含層輸出矩陣ΗΜ1Τ，公式為：
其中，Hk為第k個單隱層前饋神經(jīng)網(wǎng)絡隱含層輸出權值矩陣，k e [1，Μ]，
同理，Μ個利用驗證數(shù)據(jù)集得到的單隱層前饋神經(jīng)網(wǎng)絡隱含層輸出矩陣集成為驗證數(shù) 據(jù)集的預報模型隱含層輸出矩陣Η'。。"; 步驟6. 2 :將Μ個利用訓練數(shù)據(jù)集得到的單隱層前饋神經(jīng)網(wǎng)絡隱含層輸出矩陣和訓練 數(shù)據(jù)集預報指標數(shù)據(jù)集成為訓練數(shù)據(jù)集的預報模型輸出數(shù)據(jù)Th :
其中，為訓練數(shù)據(jù)集 的預報指標數(shù)據(jù)； 步驟6. 3 :根據(jù)公式= Th，求出預報模型的輸出權值向量云》，從而選 礦生產(chǎn)全流程精礦產(chǎn)量預報模型； 步驟7 :利用驗證數(shù)據(jù)集的預報模型隱含層輸出矩陣H'。。"對預報模型進行驗證； 步驟7. 1 :利用驗證數(shù)據(jù)集的預報模型隱含層輸出矩陣H'。。"和預報模型的輸出權值
向量啟，得到該預報模型的輸出數(shù)據(jù)式=〇_ ens 步驟7. 2 :計算預報模型的輸出數(shù)據(jù)fh和驗證數(shù)據(jù)集的預報指標數(shù)據(jù)Τ'的均方差公 式
實中， 將該均方差作為評價指標；
步驟7. 3 :判斷評價指標對否低于評價指標設定值，若是，則該預報模型為有效的預報 模型，否則，返回步驟5重新建立預報模型； 步驟8 :在實際選礦生產(chǎn)全流程中，實時采集生產(chǎn)指標數(shù)據(jù)，利用有效的預報模型，預 報精礦產(chǎn)量。
【文檔編號】G06Q10/04GK104299045SQ201410492225
【公開日】2015年1月21日 申請日期:2014年9月24日 優(yōu)先權日:2014年9月24日
【發(fā)明者】丁進良, 王海濤, 劉長鑫, 柴天佑 申請人:東北大學