基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法

摘要

本发明公开了一种基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法，采用基于软计算的模糊模型构建方法对磨矿浓度和溢流浓度进行在线预测估计，预测模型中的特征变量集是在对现场记录数据使用基于邻域决策分辨率的属性集评价量度及特征集选择方法基础上建立，模糊化方案是在对现场记录数据使用基于有效信息比率的模糊化方案构建方法的基础上构建，预测规则通过对现场数据进行模糊预测规则提取后获得。本发明所提方法避免了模糊建模传统方法的主观性和局限性，能够为选矿厂磨矿过程关键参数的检测提供稳定、可靠的预测结果，为磨矿过程的优化控制及过程监控奠定基础。

主权项

一种基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法，其特征在于，以磨矿浓度和溢流浓度的连续检测为目标，构建模糊预测模型实现对选矿厂磨矿过程中两种矿浆浓度的在线估计，其中，模糊模型的辅助变量选择方案、模糊化方案以及预测规则集是通过对现场记录数据进行机器学习自动获得，具体包括以下步骤：1)根据人工操作状态下现场记录的给矿量M、返砂水量W_rs、排矿水量W_ca、电耳电流I_ee、磨机电流I_m及分级机电流I_c组成预选属性集，以磨矿浓度C_g和溢流浓度C_of作为决策属性，分别选取磨机内矿浆浓度处于82％的高浓度、80％的正常浓度和79％的低浓度以及螺旋分级机溢流浓度处于60％的高浓度、58％的正常浓度和56％的低浓度等稳定工况时的历史数据，分别构成磨矿浓度预选数据库和溢流浓度预选数据库；2)使用基于邻域决策分辨率的属性集评价量度及特征集选择方法，对两个预选数据库进行特征属性集选择，根据属性子集对于决策空间的分辨力量度对候选属性集进行评价，并将最终选择的特征属性集作为相应模糊预测模型的辅助变量选择方案；分别构建出磨矿浓度特征数据库和溢流浓度特征数据库；3)使用基于有效信息比率的模糊化方案构建方法，针对步骤2)形成的两个矿浆浓度特征数据库，分别计算其中每一连续属性在变量论域上离散化对应的划分点位置和划分区间数量；选择梯形函数作为隶属度函数，原连续属性在离散划分区间内的最小值和最大值之间的隶属度函数取值为1，而在该划分区间内最小属性值与上一划分区间内最大属性值之间定义线性非减函数作为隶属度函数，其中，最初划分区间除外；在该划分区间内最大属性值与下一划分区间内最小属性值之间定义线性非增函数作为隶属度函数，其中，最终划分区间除外；按照划分点从小到大的顺序，依次将上述隶属度函数定义为输入连续变量对应语言值的隶属度函数，对于离散变量使用单点模糊化方法定义其上隶属度函数，完成相应模糊预测模型的模糊化方案构建；基于有效信息比率的模糊化方案构建方法，包括以下步骤：3‑1)将某特征数据库中连续属性组成m为连续属性的数量；对于磨矿浓度特征数据库，该特征数据库包括5个维，分别是：给矿量M、返砂水量W_rs、电耳电流I_ee、磨机电流I_m和磨矿浓度C_g；F＝{M,I_ee,I_m,W_rs}，C＝{C_g}；3‑2)设某连续条件属性a∈F的值域V_a＝[l_a,r_a]，以数据库中对象在a上的所有取值组成集合V_a，并对V_a进行升序排序，分别以b₀和标示V_a上的最小值和最大值，n_c表示当前划分区间数量；3‑3)计算V_a中两两元素间的中点值，组成断点候选集CP_c；初始化断点集当前划分区间数量n_c＝1，全局最大EIRDC值globaleirdc＝0，划分区间数量n_a＝1；3‑4)根据以下公式，计算将断点候选集CP_c中某一断点元素加入至断点集CP后，当前断点集CP对应的基于有效信息比率的划分量度EIRDC值；其中，CP进行升序排序，则当前划分区间数量n_c＝n_c+1；其中${\mathrm{EIR}}_{CP}\left(P^i\right)=1-\frac{H_{{\mathrm{CP}}_i}\left(C\right|a)}{{\log }_2\left(s\right)}$其中，对所得划分点集合进行升序排序，以相邻两个划分点作为区间端点，能够获得一系列离散划分区间；最初划分区间是以最小划分点及其相邻划分点为端点的区间；最终划分区间是以最大划分点及其相邻划分点为端点的区间；式中，max_i表示对象根据其在属性a上取值划归到CP中区间(b_i‑1,b_i]上所对不同决策类标上的最大数量；q_+i表示对象根据其在属性a上的取值而划归在离散化区间(b_i‑1,b_i]内的总数；EIR_CP(pⁱ)则表示断点集CP对应划分区间(b_i‑1,b_i]的有效分类能力，pⁱ表示由区间(b_i‑1,b_i]上不同决策类标对应条件概率组成的集合；表示CP上第i个划分区间(b_i‑1,b_i]上的条件熵；n_c表示当前断点集CP对应的划分区间数量；s表示决策属性C上类标的数量；3‑5)针对断点候选集CP_c中每一断点元素重复步骤3‑4)，获得一系列断点集及其对应EIRDC值，对上述EIRDC值进行排序，选取具有最大EIRDC值的CP_c中断点，将该断点加入CP集，并从CP_c集中去除该断点；更新划分区间数量n_a＝n_c；3‑6)判断当前断点集CP对应的EIRDC值是否大于全局最大EIRDC值globaleirdc且当前断点集CP对应的划分区间数量n_c是否小于决策属性C上类标的数量s，如符合上述条件，则重复步骤3‑4)～步骤3‑6)；如不符合上述条件，以当前结果集作为连续条件属性a∈F上划分区间数量为n_a对应的断点集CP，并跳转至步骤3‑7)；3‑7)针对连续条件属性集F中其他属性，重复步骤3‑2)～步骤3‑6)的处理过程，获得磨矿浓度特征数据库上每一连续属性相应的断点集；3‑8)针对溢流浓度特征数据库，重复步骤3‑2)～步骤3‑7)，获得溢流浓度特征数据库上每一连续属性相应的断点集；4)针对步骤2)形成的磨矿浓度特征数据库和溢流浓度特征数据库，通过步骤3)构建的相应模糊化方案进行模糊化扩展；并在模糊扩展后的两个数据库上使用模糊预测规则提取算法得到两个矿浆浓度模糊预测模型中使用的预测规则；5)在步骤1)～步骤4)的基础上，使用乘机推理机作为模糊推理策略：选择Mamdani含义下对模糊规则的解释，应用模糊并进行组合的独立推理，计算中s‑范数算子采用最大算子，t‑范数算子采用代数积算子；则对于形式化为IF‑THEN规则的两预测模型的模糊预测规则，如下：$R^l:If{x}_{1}is{A}_1^{l}And{x}_{2}is{A}_2^{l}And...And{x}_{m^{\prime }}is{A}_{m^{\prime }}^l,$$Thenyis{B}_1^{l}oryis{B}_2^{l}or...oryis{B}_s^l$其中，x＝(x₁,x₂,…,x_m′)^T和y分别表示模糊系统输入和输出对应的语言变量；和分别表示定义在x_i和y的各自论域上的模糊集合；对于同一论域下模糊集合A'，上述乘积推理机根据模糊规则库R推导出模糊集合B'的隶属度函数为：${\mu }_{B^{\prime }}\left(y\right)=\underset{l=1}{\overset{u^{\prime }}{max}}\left[\underset{x\in U}{sup}\left({\mu }_{A^{\prime }}\right(x\left)\underset{i=1}{\overset{m^{\prime }}{\Pi }}{\mu }_{A_i^l}\right(x_i\left){\mu }_{B_l}\right(y\left)\right)\right]$其中，P_lj为规则R^l后件为的条件概率；对于某输入实值点选择单值模糊器将实值点映射为论域上的模糊单值A′，其隶属度函数为：而后选择中心平均解模糊器，对于由u′条模糊IF‑THEN规则组成的模糊规则库，该模糊系统实值输出y^*如下：$y^{*}=\frac{\underset{l=1}{\overset{u^{\prime }}{\Sigma }}{\bar{y}}^l\left(\underset{i=1}{\overset{m^{\prime }}{\Pi }}{\mu }_{A_i^l}\right(x_i^{*}\left)\right)}{\underset{l=1}{\overset{u^{\prime }}{\Sigma }}\left(\underset{i=1}{\overset{m^{\prime }}{\Pi }}{\mu }_{A_i^l}\right(x_i^{*}\left)\right)}$为模糊规则R^l后件B_l的中心；应用上述模糊系统构建方法，根据磨矿浓度预测规则和溢流浓度预测规则，分别建立模糊预测系统对磨矿浓度和溢流浓度进行预估，从而实现磨矿过程矿浆浓度的连续检测。