深度学习与物理模型引导融合的重介分选密度决策方法与流程

本发明属于计算机，具体涉及一种深度学习与物理模型引导融合的重介分选密度决策方法。

背景技术：

1、在煤炭分选和加工过程中，分选密度是评价煤炭分选的关键指标。分选密度直接影响精煤的品质和资源的合理利用：过高的分选密度可能导致精煤中杂质含量增加，降低煤炭的经济价值；而过低的分选密度则可能造成优质煤炭资源的浪费。因此，精确预测分选密度对煤炭的高效分选和加工具有重要意义。

2、传统上，分选密度的预测方法包括经验法、实验法和数值模拟法。尽管这些方法能够提供高精度的测量结果，但过程复杂、耗时较长，且无法满足现代煤炭加工系统中对实时在线预测的需求，导致测量滞后，影响实际生产中的快速决策。

3、近年来，学术与工业界开始关注利用机器学习技术来提高分选密度预测的准确性。这些方法通过分析大量的选煤工艺历史数据，并利用机器学习算法进行预测，以期提高预测的准确度。然而，这些数据驱动的机器学习模型也存在一些问题， 过分依赖于数据的质量，无法确保模型在面对未知或极端情况时的稳定性和可靠性。此外，这些模型可能无法确保预测结果在物理上的合理性。实际上，选煤工艺只是影响精煤产品灰分的多个因素之一，而原煤的质量是决定精煤产品质量的关键因素。根据选煤理论，原煤的质量与分选密度之间存在理论上的联系。本发明就是基于这种理论联系，指导数据驱动的模型，以实现更稳定和精确的分选密度预测。

技术实现思路

1、针对现有技术中存在的上述技术问题，本发明提出一种深度学习与物理模型引导融合的重介分选密度决策方法，设计合理，克服了现有技术的不足，具有良好的效果。

2、本发明的技术方案如下：

3、一种深度学习与物理模型引导融合的重介分选密度决策方法，包括如下步骤：

4、步骤1、数据采集与预处理，构建样本数据集；

5、步骤2、构建理论映射模型，计算理论分选密度；

6、步骤3、构建基于注意力机制的深度神经网络预测模型，用于预测分选密度；

7、步骤4、定义复合损失函数；

8、步骤5、将步骤1中构建的样本按比例划分成训练集和测试集，并基于训练集进行模型训练；

9、步骤6、模型评估与应用。

10、进一步地，所述步骤1的具体过程为：

11、首先，通过选煤厂的生产监控系统全面收集重介分选工艺的关键生产工艺参数和原煤浮沉数据；重介分选工艺的关键生产工艺参数具体包括采样日期、采样时间、磁性物含量、煤泥含量、分选密度、精煤灰分、旋流器入口压力、合介桶液位；原煤浮沉数据具体包括采样日期、采样时间、密度级产率和密度级灰率；

12、随后，对采集到的数据进行标准化和缺失值处理。

13、进一步地，所述步骤2中，根据原煤浮沉实验数据，构建分选密度与精煤灰分理论映射关系；首先，确定两者之间的离散映射关系，然后通过插值方法，对离线点平滑处理，建立分选密度与精煤灰分之间的连续值理论映射模型；具体的离散映射关系如下：

14、(1)；

15、其中，为密度级序号为的密度级区间，为整数且；分选密度为的上界；为对应的精煤灰分；为密度级区序号为的产率；为密度级区序号为的密度级灰分；为密度级区序号索引；为取最大值函数；

16、利用连续值理论映射模型，计算出设定目标精煤灰分值下的理论分选密度值，理论分选密度值为后续深度神经网络预测模型的输入之一。

17、进一步地，所述步骤3中，基于注意力机制的深度神经网络预测模型包括一维卷积神经网络层、双向长短期记忆网络层、注意力机制层；模型的输入包括步骤1预处理后的数据和步骤2计算得到的理论分选密度值，模型的输出为分选密度；

18、其中，一维卷积神经网络层的输入为不同时间的选煤关键生产工艺参数，通过对不同时间的选煤关键生产工艺参数数据的局部区域进行卷积运算，输出相应的特征映射，提取关键生产工艺参数和历史数据上有效的短期特征；一维卷积的计算公式为：

19、(2)；

20、其中，表示卷积后的输出值；为输入时间序列中的不同元素；、、分别为不同卷积核的权重；

21、双向长短期记忆网络层由两层方向相反的长短期记忆网络组成，分别为前向层和后向层，用于提取时间维度上长时间依赖特征；双向长短期记忆网络层包括输入层、前向层、后向层和输出层；双向长短期记忆网络层分别从序列的正向和反向处理输入数据，分别生成正向隐藏状态序列和反向隐藏状态序列；对于每个时间步，将正向和反向的隐藏状态拼接生成最终的隐状态，同时作为注意力机制层的输入；

22、正向过程如下：

23、(3)；

24、(4)；

25、(5)；

26、(6)；

27、(7)；

28、(8)；

29、其中，为时刻正向候选单元状态；、分别为时刻、时刻正向存储单元的状态；、、分别是正向过程时刻的遗忘门、输入门、输出门；、、分别为正向过程遗忘门、输入门、输出门对应的偏置；为正向过程输入状态偏置；、、分别为正向过程遗忘门、输入门、输出门的权重；为正向过程输入状态权值；为sigmoid函数；为tanh激活函数；、分别为时刻和时刻正向存储单元的输出值；为时刻的输入值；

30、反向过程为：

31、(9)；

32、(10)；

33、(11)；

34、(12)；

35、(13)；

36、(14)；

37、其中，为时刻反向候选单元状态；、分别为时刻、时刻反向存储单元的状态；、、分别是反向过程时刻的遗忘门、输入门、输出门；、、分别为反向过程遗忘门、输入门、输出门对应的偏置；为反向过程输入状态偏置；、、分别为反向过程遗忘门、输入门、输出门的权重；为反向过程输入状态权值；、分别为时刻和时刻反向存储单元的输出值；

38、将和拼接得到双向长短期记忆网络层在时刻的输出向量；

39、注意力机制层的计算过程中，经维度变换后的隐表示为：

40、(15)；

41、其中，为注意力机制层的权重参数；为注意力机制层的偏置参数；

42、通过计算与上下文向量之间的相似性来衡量的重要性，在训练过程中随机初始化并通过学习得到，然后，采用如下所示的softmax函数对每个输入的重要性进行归一化，具体公式为：

43、(16)；

44、其中，为的归一化注意力值，为双向长短期记忆网络层在时刻的输出向量；为经维度变换后的隐表示；为以e为底的指数函数；为时刻的求和变量索引；

45、最后，注意力机制层的输出由双向长短期记忆网络层的所有输出加权平均得到：

46、(17)；

47、注意力机制层的输出经过全连接层进行维度变换，最终得到一维的分选密度。

48、进一步地，所述步骤4中，复合损失函数融合了经验损失和物理损失两个部分；

49、经验损失部分，选用了均方误差作为衡量标准，用于衡量分选密度预测值与实际值之间的差异，计算公式为：

50、(18)；

51、其中，为均方误差值；为样本总数；代表第个样本的分选密度实际值；是第个样本的分选密度预测值；

52、物理损失部分，引入了基于选煤物理过程的额外约束；通过对样本中除分选密度外的工艺参数和原煤浮沉数据进行有针对性的扰动，并比较扰动前后的预测结果，以此建立物理损失，反映被扰动参数对分选密度的物理影响；物理损失部分能够评估扰动对分选密度预测值的实际影响，物理损失函数定义为：

53、(19)；

54、其中，为物理损失函数；和分别是扰动前和扰动后输入数据通过基于注意力机制的深度神经网络预测得到的分选密度值；为relu函数；

55、最终，将基于注意力机制的深度神经网络预测模型的复合损失函数设置为经验损失与物理损失的加权和。

56、进一步地，所述步骤5中，在训练过程中，同时优化经验损失和物理损失；设置模型超参数：学习率为0.001；优化器为adam算法；批量大小为32；训练轮数为50轮；同时引入了早停机制监控训练过程，一旦模型性能不再提升，即停止训练，以防止模型过拟合。

57、进一步地，所述步骤6中，在模型训练完成后，用测试集对训练好的模型进行评估，通过对比分选密度预测值和实际值的差异，计算均方误差、相对绝对误差和相对绝对误差关键指标来衡量模型的性能；同时，通过图表直观展示预测值与实际值的差异；评估完成后，选取评估过程中的最优模型应用于实际生产中，以实现对分选密度的预测，辅助工程师进行决策。

58、本发明所带来的有益技术效果如下。

59、1、本发明通过结合神经网络的机器学习模型与基于物理指导的理论模型，显著提高了分选密度的预测精度。这种方法不仅能够更准确地预测在复杂工况下的分选密度，而且通过引入物理模型的先验知识，增强了模型的泛化能力，使其能够更好地适应不同的生产条件。这样的优化有助于提高选煤过程的稳定性和效率，尤其是在数据稀缺或工况变化较大的情况下，模型依然能够提供可靠的预测结果。

60、2、本发明通过引入理论预测值和物理损失构建了复合损失函数，使得模型的预测结果不仅基于数据，还遵循物理规律。这种方法提高了模型的可解释性，使得预测过程更加透明，便于工程师理解和信任模型的预测依据。在实际操作中，这种透明度和可解释性对于工程师进行决策和调整至关重要，有助于提升整个选煤工艺的智能化水平和操作精度。