一种选矿过程旋溢粒度预测方法及系统

本发明属于选矿预测，具体说是一种选矿过程旋溢粒度预测方法及系统。

背景技术：

1、一段球磨阶段的旋溢粒度是选矿过程中一个至关重要的参数，很大程度上影响着精矿含量和精矿品位，是提高磨矿过程选别效率、提升企业效益的关键指标。但在选矿过程中，常常因为原矿质量和性质的变化、补加水流量等因素导致旋溢粒度不稳定，进而影响成品质量。准确预测选矿过程中的旋溢粒度是选矿技术领域研究的重点问题。由于选矿过程涉及到的参数多、因素杂，很难准确描述各作业过程参数之间的相互影响，同时工业多元时间序列预测问题本身就具有很大挑战。因此，一个能充分考虑多变量之间关联关系、充分提取空间和时间特征的预测模型对提高选矿过程旋溢粒度的准确度具有重要意义。

技术实现思路

1、针对现有技术的不足，本发明提供一种选矿过程旋溢粒度预测方法及系统，利用动态时间规整近邻算法学习描述多元时间序列之间关联关系的有向加权图，再利用拓扑图卷积网络提取含有拓扑信息的空间特征，最后输入拓扑长短期记忆网络提取时间特征，由稠密连接计算各层特征贡献程度，实现选矿过程旋溢粒度的准确预测。提出的方法考虑了各作业过程参数之间的相互影响，解决了长期宏观信息提取能力有限和短期局部信息描述能力不足等局限，对选矿过程旋溢粒度的预测具有理论和实际意义。

2、本发明为实现上述目的所采用的技术方案是：

3、一种选矿过程旋溢粒度预测方法，包括如下步骤：

4、步骤1、采集数据：采集一段时间内选矿过程所有传感器数据并预处理；

5、步骤2、建立拓扑时空图卷积网络模型：对预处理后的多元时间序列数据应用动态时间规整近邻算法学习描述多元时间序列之间关联关系的有向加权图；建立拓扑图卷积网络，对预处理后的多元时间序列数据分批次进行拓扑图卷积操作，提取空间维度特征；建立拓扑长短期记忆网络，进一步提取多元时间序列数据的时间维度特征；对获取的选矿过程多元时间序列的时空特征使用稠密连接计算贡献程度，用于预测选矿过程旋溢粒度；

6、步骤3、设置训练：反复迭代步骤2，选用adam优化器，以均方根误差作为损失函数，反向传播优化调整拓扑时空图卷积网络模型参数，获取优化后模型用于选矿过程旋溢粒度预测。

7、所述选矿过程所有传感器数据是通过设在原矿仓、球磨机、泵池、旋给矿泵、旋流器的传感器采集的原始多元时间序列数据。

8、所述预处理包括以下步骤：

9、步骤1-1、去除异常值和补全缺失值；

10、步骤1-2、归一化，映射范围为[-1，1]；

11、步骤1-3、将归一化后的选矿过程多元时间序列数据处理为拓扑图卷积网络需要的四维形式为(b×s×t×n)；

12、其中，b是数据分成的批次总数，s是每个批次包含的多元时间序列总数，t是每个多元时间序列包含的时刻总数，n是每个时刻包含的变量总数。

13、所述建立拓扑时空图卷积网络模型包括如下步骤：

14、步骤2-1、设置超参数k，对预处理后的多元时间序列数据随机采样，得到动态时间规整需要的二维形式为(t×n)的多元时间序列，使用动态时间规整算法对计算多元时间序列之间的距离，使用k近邻算法计算有向加权图；

15、步骤2-2、将获取的有向加权图输入拓扑信息层，计算拓扑图卷积网络需要的二维形式为(n×n)的拓扑信息增益矩阵，并分批次进行图卷积操作，用拓扑信息增益矩阵和图卷积后提取的空间特征进行矩阵乘法，计算拓扑图卷积网络提取的带有拓扑信息的空间特征数据；

16、步骤2-3、将获取的带有拓扑信息的空间特征数据输入拓扑长短期记忆网络，获取表征多元时间序列数据时间、空间特征并含有拓扑信息的时空特征数据；

17、步骤2-4、经稠密连接输出对未来时刻旋溢粒度的预测值。

18、所述动态时间规整近邻算法公式如下：

19、

20、m(i,j)＝min(m(i-1,j),m(i-1,j-1),m(i,j-1))+m(i,j) (3)

21、

22、其中x表示动态时间规整需要的二维形式为(t×n)的多元时间序列；m(i,j)表示变量i的时间序列数据与变量j的时间序列数据之间的欧式距离；m(i,j)表示变量i的时间序列数据与变量j的时间序列数据之间的动态时间规整计算距离；a是有向加权图的图邻接矩阵，a(i,j)代表的是变量i对应节点指向变量j对应节点的边的权重；topk()表示k近邻算法。

23、所述拓扑图卷积网络包括以下步骤：

24、步骤2-2-1、将计算得到的有向加权图的图邻接矩阵a输入拓扑信息层，计算拓扑图卷积网络需要的二维形式为(n×n)的拓扑信息增益矩阵p；所述计算拓扑信息增益矩阵的计算公式如下：

25、

26、其中p(i,j)表示节点i指向节点j的边上的拓扑信息增益；a和b表示从1到n递增的节点序列号，用以计算图中所有边的权重在节点i指向节点j的边上累加的信息增益；n是节点个数。

27、步骤2-2-2、将计算得到的拓扑信息增益矩阵p和预处理后四维形式为(b×s×t×n)的多元时间序列数据x输入拓扑图卷积网络，实现空间维度特征的充分提取；所述拓扑图卷积网络的计算公式如下：

28、

29、其中是拓扑图卷积网络第l层提取的空间维度特征，l≥1，是输入的预处理后四维形式为(b×s×t×n)的多元时间序列数据x；p是输入的拓扑信息增益矩阵；d是计算得到的有向加权图的度矩阵；a是计算得到的有向加权图的图邻接矩阵；i是单位矩阵；w是方法中可学习的权重矩阵；σ是拓扑图卷积网络的激活函数。

30、所述拓扑长短期记忆网络的计算公式如下：

31、

32、

33、

34、

35、

36、其中o(l)是拓扑长短期记忆网络第l层提取的时间维度特征；是输入的拓扑图卷积网络第l层提取的空间维度特征；wf、wi、wc、wo、bf、bi、bc、bo是拓扑长短期记忆网络中可学习的参数；σ是拓扑长短期记忆网络的激活函数。

37、所述稠密连接计算公式如下：

38、

39、其中y是多元时间序列预测结果；x是输入的预处理后四维形式为(b×s×t×n)的多元时间序列数据；o(l)是拓扑长短期记忆网络第l层提取的时间维度特征，包括拓扑图卷积网络第l层提取的空间维度特征；l是拓扑图卷积网络和拓扑长短期记忆网络的层数；o(0)是输入的预处理后四维形式为(b×s×t×n)的多元时间序列数据x，o(1)是第1层拓扑长短期记忆网络输出的隐层特征，o(l)是第l层拓扑长短期记忆网络输出的隐层特征；mlp()是全连接层神经网络。

40、采用所述该方法进行现场实时预测时，将现场采集的传感器数据预处理后直接输入优化后的拓扑时空图卷积网络模型，自动输出旋溢粒度预测值。

41、一种选矿过程旋溢粒度预测系统，包括设置在选矿过程中的原矿仓、球磨机、泵池、旋给矿泵、旋流器端的传感器和上位机端的处理器、存储器，用于采集选矿过程多元时间序列数据并进行数据存储、数据分析和数据计算；存储器中存储有程序，处理器读取程序执行如上所述的方法步骤，实现选矿过程的旋溢粒度预测。

42、本发明具有以下有益效果及优点：

43、本发明提供一种选矿过程旋溢粒度预测方法及系统，通过有向加权图描述多变量之间关联关系，利用动态时间规整近邻算法从时间序列数据中学习有向加权图的图邻接矩阵，再利用拓扑图卷积网络提取短期局部信息作为空间特征的表示，后利用拓扑长短期记忆网络提取长期宏观信息作为时间特征的表示，最后利用稠密连接计算各特征的贡献程度，实现选矿过程旋溢粒度预测。考虑了各作业过程参数之间的相互影响，解决了长期宏观信息提取能力有限和短期局部信息描述能力不足等局限，对选矿过程旋溢粒度的预测具有理论和实际意义。