CN114112819A - 一种测量磨矿粒度的方法及装置 - Google Patents
一种测量磨矿粒度的方法及装置 Download PDFInfo
- Publication number
- CN114112819A CN114112819A CN202210083020.4A CN202210083020A CN114112819A CN 114112819 A CN114112819 A CN 114112819A CN 202210083020 A CN202210083020 A CN 202210083020A CN 114112819 A CN114112819 A CN 114112819A
- Authority
- CN
- China
- Prior art keywords
- mill
- value
- particle size
- algorithm
- current moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000227 grinding Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000002245 particle Substances 0.000 claims abstract description 208
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 131
- 238000005259 measurement Methods 0.000 claims abstract description 118
- 230000004069 differentiation Effects 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 12
- 238000005070 sampling Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Dispersion Chemistry (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Crushing And Grinding (AREA)
- Disintegrating Or Milling (AREA)
Abstract
本申请提供了一种测量磨矿粒度的方法及装置。包括:根据至少一个预设时间段内磨机的磨机工作参数确定磨机的标准参数;根据当前时刻磨机的磨机工作参数和标准参数确定磨机对应的差异化系数;当差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;针对预设的算法数据库中的每种算法,将待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型;从所有算法各自对应的所述测量模型的建模误差值中确定出误差值最小的建模误差值,将误差值最小的建模误差值对应的测量模型作为目标测量模型,将磨矿颗粒的粒径数据输入至目标测量模型得到磨矿颗粒的粒度的测量结果,提高测量的准确率。
Description
技术领域
本申请涉及选矿磨矿粒度测量技术领域,具体而言,涉及一种测量磨矿粒度的方法及装置。
背景技术
磨矿是选矿生产过程中的重要处理工序,起着承上启下的作用,磨矿过程主要是将矿石原料粉碎到合适的粒度尺寸,其中磨矿粒度是磨矿工艺中表征生产产品质量的关键运行指标,因此在磨矿粒度的实时监测具有重要的实际意义,在粒度建模时传统的取样规则是以固定的或者大致的时间跨度为主导,比如在每个班次的固定时间从工艺管道中截取矿浆,那么选取出来的样本数据会存在数据较为集中,适用范围小,因此基于传统的取样模式建立的回归模型在监测磨矿粒度时存在测量准确率较低的问题。
发明内容
有鉴于此,本申请实施例提供了一种测量磨矿粒度的方法及装置,以解决现有技术中基于传统的取样规则建立的回归模型在监测磨矿粒度时准确率较低的问题。
第一方面,本申请实施例提供了一种测量磨矿粒度的方法,该方法包括:
根据预设时间段内磨机的磨机工作参数确定磨机的标准参数;
根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数;当所述差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;
针对预设的算法数据库中的每种算法,将所述待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型;
从所有算法各自对应的所述测量模型的建模误差值中确定出误差值最小的建模误差值,将所述误差值最小的建模误差值对应的测量模型作为目标测量模型;
将磨矿颗粒的粒径数据输入至所述目标测量模型得到磨矿颗粒的粒度的测量结果。
可选的,所述磨机的磨机工作参数为磨机的瞬时功率值或磨机产出的颗粒粒径值,所述根据预设时间段内磨机的磨机工作参数确定磨机的标准参数,包括:
若所述磨机的磨机工作参数为磨机的瞬时功率值,则将根据预设时间段内磨机的瞬时功率值计算得到的瞬时功率值的最大值、最小值、均值、方差值作为磨机的标准参数;
若所述磨机的磨机工作参数为磨机产出的颗粒粒径值,则将根据预设时间段内磨机产出的颗粒粒径值计算得到的颗粒粒径值的最大值、最小值、均值、方差值作为磨机的标准参数。
可选的,所述当前时刻的磨机的磨机工作参数为磨机的瞬时功率值,所述磨机的标准参数分别为磨机的瞬时功率值的最大值、最小值、均值、方差值,所述根据当前时刻的磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数,包括:
若当前时刻磨机的瞬时功率值大于所述瞬时功率值的最大值或者小于所述瞬时功率值的最小值,则将当前时刻磨机对应的差异化系数确定为1;
若当前时刻的磨机的瞬时功率值在所述瞬时功率值的最大值和最小值之间时,则根据以下公式计算当前时刻的磨机对应的差异化系数:
其中,fp为差异化系数,pm为当前时刻磨机的瞬时功率值,pa为所述瞬时功率值的均值,ps为所述瞬时功率值的方差值。
可选的,所述当前时刻磨机的磨机工作参数为磨机产出的颗粒粒径值,所述磨机的标准参数分别为磨机产出的颗粒粒径值的最大值、最小值、均值、方差值,所述根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数,包括:
若当前时刻磨机产出的颗粒粒径值大于所述颗粒粒径值的最大值或者小于所述颗粒粒径值的最小值,则将当前时刻的磨机对应的差异化系数确定为1;
若当前时刻磨机产出的颗粒粒径值在所述颗粒粒径值的最大值和最小值之间时,则根据以下公式计算当前时刻磨机对应的差异化系数:
其中,fs为差异化系数,sm为当前时刻磨机产出的颗粒粒径值,sa为所述颗粒粒径值的均值,ss为所述颗粒粒径值的方差值。
可选的,所述针对预设的算法数据库中的每种算法,将所述待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型,包括:
对所述待训练样本数据进行空缺值处理和离群点处理,将处理后的待训练样本数据作为目标待训练样本数据;
针对预设的算法数据库中的每种算法,将所述目标待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型。
第二方面,本申请提供了一种测量磨矿粒度的装置,包括:
第一确定模块,用于根据预设时间段内磨机的磨机工作参数确定磨机的标准参数;
第二确定模块,用于根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数;当所述差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;
训练模块,用于针对预设的算法数据库中的每种算法,将所述待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型;
第三确定模块,用于从所有算法各自对应的所述测量模型的建模误差值中确定出误差值最小的建模误差值,将所述误差值最小的建模误差值对应的测量模型作为目标测量模型;
测量模块,用于将磨矿颗粒的粒径数据输入至所述目标测量模型得到磨矿颗粒的粒度的测量结果。
可选的,所述第一确定模块包括:
第一计算单元,用于若所述磨机的磨机工作参数为磨机的瞬时功率值,则将根据预设时间段内磨机的瞬时功率值计算得到的所述瞬时功率值的最大值、最小值、均值、方差值作为磨机的标准参数;
第二计算单元,用于若所述磨机的磨机工作参数为磨机产出的颗粒粒径值,则将根据预设时间段内磨机产出的颗粒粒径值计算得到的所述颗粒粒径值的最大值、最小值、均值、方差值作为磨机的标准参数。
可选的,所述当前时刻的磨机的磨机工作参数为磨机的瞬时功率值,所述磨机的标准参数分别为磨机的瞬时功率值的最大值、最小值、均值、方差值,所述第二确定模块,包括:
第一计算单元,用于若当前时刻磨机的瞬时功率值大于所述瞬时功率值的最大值或者小于所述瞬时功率值的最小值,则将当前时刻磨机对应的差异化系数确定为1;
第二计算单元,用于若当前时刻的磨机的瞬时功率值在所述瞬时功率值的最大值和最小值之间时,则根据以下公式计算当前时刻的磨机对应的差异化系数:
其中,fp为差异化系数,pm为当前时刻磨机的瞬时功率值,pa为所述瞬时功率值的均值,ps为所述瞬时功率值的方差值。
可选的,所述当前时刻磨机的磨机工作参数为磨机产出的颗粒粒径值,所述磨机的标准参数分别为磨机产出的颗粒粒径值的最大值、最小值、均值、方差值,所述第二确定模块还包括:
第三计算单元,用于若当前时刻磨机产出的颗粒粒径值大于所述颗粒粒径值的最大值或者小于所述颗粒粒径值的最小值,则将当前时刻的磨机对应的差异化系数确定为1;
第四计算单元,用于若当前时刻磨机产出的颗粒粒径值在所述颗粒粒径值的最大值和最小值之间时,则根据以下公式计算当前时刻磨机对应的差异化系数:
其中,fs为差异化系数,sm为当前时刻磨机产出的颗粒粒径值,sa为所述颗粒粒径值的均值,ss为所述颗粒粒径值的方差值。
可选的,所述训练模块还包括:
第一处理模块,用于对所述待训练样本数据进行空缺值处理和离群点处理,将处理后的待训练样本数据作为目标待训练样本数据;
第二训练模块,用于针对预设的算法数据库中的每种算法,将所述目标待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型。
第三方面,本申请提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本申提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法的步骤。
本申请提供了一种测量磨矿粒度的方法及装置,其中,该方法包括:根据预设时间段内磨机的磨机工作参数确定磨机的标准参数;根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数;当所述差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;针对预设的算法数据库中的每种算法,将所述待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型;从所有算法各自对应的所述测量模型的建模误差值中确定出误差值最小的建模误差值,将所述误差值最小的建模误差值对应的测量模型作为目标测量模型;最后将磨矿颗粒的粒径数据输入至目标测量模型得到磨矿颗粒的粒度的测量结果。使得得到的磨矿颗粒的粒度测量结果更加准确,提高了测量模块粒度的准确率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种测量磨矿粒度的方法的流程示意图;
图2为本申请实施例所提供的一种测量磨矿粒度的方法中的步骤S103的流程示意图;
图3为本申请实施例所提供的一种测量磨矿粒度的装置的结构示意图;
图4为本申请实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
磨矿是选矿生产过程中的重要处理工序,起着承上启下的作用,磨矿过程主要是将矿石原料粉碎到合适的粒度尺寸,其中磨矿粒度是磨矿工艺中表征生产产品质量的关键运行指标,因此在磨矿粒度的实时监测具有重要的实际意义,在粒度建模时传统的取样规则是以固定的或者大致的时间跨度为主导,比如在每个班次的固定时间从工艺管道中截取矿浆,那么选取出来的样本数据会存在数据较为集中,适用范围小,因此基于传统的取样模式建立的回归模型在监测磨矿粒度时存在测量准确率较低的问题。
本申请实施例提供了一种测量磨矿粒度的方法,如图1所示,包括以下步骤:
S101,根据至少一个预设时间段内磨机的磨机工作参数确定磨机的标准参数;
S102,根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数;当所述差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;
S103,针对预设的算法数据库中的每种算法,将所述待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型;
S104,从所有算法各自对应的所述测量模型的建模误差值中确定出误差值最小的建模误差值,将所述误差值最小的建模误差值对应的测量模型作为目标测量模型;
S105,将磨矿颗粒的粒径数据输入至所述目标测量模型得到磨矿颗粒的粒度的测量结果。
在上述步骤S101中,磨机工作参数表征磨机在对磨矿颗粒进行研磨和破碎过程中的实时工作参数,用于确定磨机的标准参数在哪个时刻获取磨矿颗粒;磨机的标准参数是根据每种磨机工作参数的数值综合计算出来的能够代表各种磨机工作参数数值的基本代表值,用来确定磨机对应的差异化系数;
具体的,获取至少一个预设时间段内每个时刻磨机对应的磨机工作参数,根据至少一个预设时间段内每个时刻磨机对应的磨机工作参数确定磨机的标准参数;该预设时间段内可以是每两个小时、或者每十五分钟,也可以是每一分钟,每个预设时间段的时间可以相同也可以是不相同的,本申请实施例对此不做具体限定。
在上述步骤S102中,差异化系数用于表征磨机工作参数与磨机的标准参数存在的差异大小情况,磨矿颗粒的粒径数据是在将在当前时刻获取到的磨矿颗粒使用在线分析仪测量的磨矿颗粒的粒径值和粒径值对应的标准差值;磨矿颗粒的粒度数据是经过人工对磨矿颗粒经过称重、过滤、公干等处理后得到的磨矿颗粒的尺寸大小。
具体的,根据当前时刻磨机的磨机工作参数和磨机的标准参数确定磨机的差异化系数,判断所述差异化系数是否在预设范围内时,当所述差异化系数在预设范围时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据。
在上述步骤S103中,预设的算法数据库中包含的算法通常有:线性回归算法、岭回归算法、Lasso回归算法、支持向量机线性回归算法、支持向量机回归算法、神经网络回归算法等,本申请实施例对此不做具体限定。
具体的,根据预设的算法数据库中的每种算法,将待训练样本数据分别输入至每种算法对应的数据训练模型中进行训练,得到每种算法各自对应的测量模型。
例如,将待训练样本数据输入至A算法对应的数据训练模型中得到与A算法对应的测量模型,以及将待训练样本数据输入至B算法对应的数据训练模型中得到与B算法对应的测量模型,直至将待训练样本数据输入值最后一个算法对应的数据训练模型中得到与该算法对应的测量模型。
在上述步骤S104中,建模误差值是在使用每种测量模型进行数据测量时得出的测试结果与该数据对应的真实测试结果不一致的程度;目标测量模型用于对磨矿颗粒的粒径数据进行处理得到磨矿颗粒的粒度的测量结果。
具体的,获取根据预设的算法数据库中的每种算法对应的测量模型的建模误差值,从所有的建模误差值中确定出误差值最小的建模误差值,将该建模误差值对应的测量模型作为目标测量模型。
例如,假如预设的算法数据库中有A算法、B算法、C算法、D算法、E算法,利用每种算法对应的测量模型得到的测量结果可能与真实的测量结果存在一定的差异,也就是,利用每种算法对应的测量模型得到的测量结果的准确率可能达不到100%准确,因此需要建模误差值来确定测量模型,假如A算法对应的测量模型的建模误差值为q1,B算法对应的测量模型的建模误差值为q2,C算法对应的测量模型的建模误差值为q3,D算法对应的测量模型的建模误差值为q4,E算法对应的测量模型的建模误差值为q5,比较q1、q2、q3、q4、q5,若误差值最小的是q3,根据建模误差值q找到对应的测量模型是C算法对应的测量模型,也就说明在使用C算法对应的测量模型时的测量准确率最高,则将C算法对应的测量模型作为目标测量模型。
在上述步骤S105中,具体的,将任一时刻获取的磨矿颗粒的粒径数据输入至目标测量模型中,得到该时刻的磨矿颗粒的粒度测量结果。
本申请实施例提供的测量磨矿粒度的方法,通过上述五个步骤,首先根据至少一个预设时间段内磨机的磨机工作参数确定磨机的标准参数;通过根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数;当所述差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;进而将待训练样本数据输入至预设的算法数据库中的每种算法对应的数据训练模型中处理,得到每种算法对应的测量模型,并将误差值最小的建模误差值对应的测量模型作为目标测量模型,使得得到的磨矿颗粒的粒度测量结果更加准确,提高了测量模块粒度的准确率。
由于磨机在工作过程中会有很多变量在磨机在对磨矿颗粒进行研磨和破碎过程中起到重要的作用,基于上述情况,本申请在执行上述步骤S101所述磨机的磨机工作参数为磨机的瞬时功率值或磨机产出的颗粒粒径值,所述根据至少一个预设时间段内磨机的磨机工作参数确定磨机的标准参数,还包括以下步骤:
步骤S1011,若所述磨机的磨机工作参数为磨机的瞬时功率值,则将根据所述至少一个预设时间段内磨机的瞬时功率值计算得到的瞬时功率值的最大值、最小值、均值、方差值作为磨机的标准参数;
步骤S1012,若所述磨机的磨机工作参数为磨机产出的颗粒粒径值,则将根据所述至少一个预设时间段内磨机产出的颗粒粒径值计算得到的颗粒粒径值的最大值、最小值、均值、方差值作为磨机的标准参数。
在上述步骤S1011中,当磨机的磨机工作参数是磨机的瞬时功率值时,获取至少一个预设时间段内每个时刻的磨机的瞬时功率值,根据所有时刻的磨机的瞬时功率值计算得到瞬时功率值的最大值,最小值、均值、方差值,将上述四个参数作为磨机的标准参数。
例如,假如在至少一个预设时间段内共有五个时刻,这五个时刻对应的磨机的瞬时功率值分别为1、2、3、4、5,若瞬时功率值的最大值为5,瞬时功率值的最小值为1,均值为3,方差值为2,因此瞬时功率值得最大值5、瞬时功率值的最小值1、瞬时功率值的均值3、以及瞬时功率值的方差值2这四个参数作为磨机的标准参数。
在上述步骤S1012中,当磨机的磨机工作参数是磨机产出的颗粒粒径值时,获取至少一个预设时间段内磨机产出的所有颗粒粒径值,根据所有颗粒粒径值计算得到颗粒粒径值的最大值,最小值、均值、方差值,将上述四个参数作为磨机的标准参数。
若所述当前时刻的磨机的磨机工作参数为磨机的瞬时功率值,所述磨机的标准参数分别为磨机的瞬时功率值的最大值、最小值、均值、方差值在执行步骤S102根据当前时刻的磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数的过程时,具体可以按照以下步骤执行包括:
步骤S1021,若当前时刻磨机的瞬时功率值大于所述瞬时功率值的最大值或者小于所述瞬时功率值的最小值,则将当前时刻磨机对应的差异化系数确定为1;
步骤S1022,若当前时刻的磨机的瞬时功率值在所述瞬时功率值的最大值和最小值之间时,则根据以下公式计算当前时刻的磨机对应的差异化系数:
其中,fp为差异化系数,pm为当前时刻磨机的瞬时功率值,pa为所述瞬时功率值的均值,ps为所述瞬时功率值的方差值。
若所述当前时刻磨机的磨机工作参数为磨机产出的颗粒粒径值,所述磨机的标准参数分别为磨机产出的颗粒粒径值的最大值、最小值、均值、方差值,在执行步骤S102根据当前时刻的磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数的过程时,具体可以按照以下步骤执行包括:
步骤S1023,若当前时刻磨机产出的颗粒粒径值大于所述颗粒粒径值的最大值或者小于所述颗粒粒径值的最小值,则将当前时刻的磨机对应的差异化系数确定为1;
步骤S1024,若当前时刻磨机产出的颗粒粒径值在所述颗粒粒径值的最大值和最小值之间时,则根据以下公式计算当前时刻磨机对应的差异化系数:
其中,fs为差异化系数,sm为当前时刻磨机产出的颗粒粒径值,sa为所述颗粒粒径值的均值,ss为所述颗粒粒径值的方差值。
如图2所示,为了更详细的了解步骤所述针对预设的算法数据库中的每种算法,将所述待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型,步骤S103,包括:
步骤S1031,对所述待训练样本数据进行空缺值处理和离群点处理,将处理后的待训练样本数据作为目标待训练样本数据;
步骤S1032,针对预设的算法数据库中的每种算法,将所述目标待训练数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型。
在上述步骤S1031中,空缺值处理指的是由于收集待训练数据时由于人为失误或其他机器的损坏造成有些样本数据丢失,将这些损坏或者丢失的样本数据删除的过程,离群点处理指的是将待训练样本数据中影响模型拟合精度的样本数据删除,可以使用四分位法或者三西格玛法处理待训练样本数据中的离群点,本申请不予以限制。
在上述步骤S1032中,将目标待训练样本数据输入至A算法对应的数据训练模型中得到与A算法对应的测量模型,以及将目标待训练样本数据输入至B算法对应的数据训练模型中得到与B算法对应的测量模型,直至将目标待训练样本数据输入值最后一个算法对应的数据训练模型中得到与该算法对应的测量模型。
本申请实施例提供的一种测量磨矿粒度的方法,包括:首先根据至少一个预设时间段内磨机的磨机工作参数确定磨机的标准参数;通过根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数;当所述差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;进而将待训练样本数据输入至预设的算法数据库中的每种算法对应的数据训练模型中处理,得到每种算法对应的测量模型,并将误差值最小的建模误差值对应的测量模型作为目标测量模型;最后将磨矿颗粒的粒径数据输入至目标测量模型得到磨矿颗粒的粒度的测量结果。使得得到的磨矿颗粒的粒度测量结果更加准确,提高了测量模块粒度的准确率。
参见图3所示,为本申请实施例所提供的一种测量磨矿粒度的装置300的结构示意图,该装置包括:第一确定模块301、第二确定模块302、训练模块303、第三确定模块304、测量模块305,具体的:
第一确定模块301,用于根据至少一个预设时间段内磨机的磨机工作参数确定磨机的标准参数;
第二确定模块302,用于根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数;当所述差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;
训练模块303,用于针对预设的算法数据库中的每种算法,将所述待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型;
第三确定模块304,用于从所有算法各自对应的所述测量模型的建模误差值中确定出误差值最小的建模误差值,将所述误差值最小的建模误差值对应的测量模型作为目标测量模型;
测量模块305,用于将磨矿颗粒的粒径数据输入至所述目标测量模型得到磨矿颗粒的粒度的测量结果。
可选的,所述第一确定模块包括:
第一计算单元,用于若所述磨机的磨机工作参数为磨机的瞬时功率值,则将根据至少一个预设时间段内磨机的瞬时功率值计算得到的所述瞬时功率值的最大值、最小值、均值、方差值作为磨机的标准参数;
第二计算单元,用于若所述磨机的磨机工作参数为磨机产出的颗粒粒径值,则将根据至少一个预设时间段内磨机产出的颗粒粒径值计算得到的所述颗粒粒径值的最大值、最小值、均值、方差值作为磨机的标准参数。
可选的,所述当前时刻的磨机的磨机工作参数为磨机的瞬时功率值,所述磨机的标准参数分别为磨机的瞬时功率值的最大值、最小值、均值、方差值,所述第二确定模块包括:
第一确定单元,用于若当前时刻磨机的瞬时功率值大于所述瞬时功率值的最大值或者小于所述瞬时功率值的最小值,则将当前时刻磨机对应的差异化系数确定为1;
第二确定单元,用于若当前时刻的磨机的瞬时功率值在所述瞬时功率值的最大值和最小值之间时,则根据以下公式计算当前时刻的磨机对应的差异化系数:
其中,fp为差异化系数,pm为当前时刻磨机的瞬时功率值,pa为所述瞬时功率值的均值,ps为所述瞬时功率值的方差值。
可选的,所述当前时刻磨机的磨机工作参数为磨机产出的颗粒粒径值,所述磨机的标准参数分别为磨机产出的颗粒粒径值的最大值、最小值、均值、方差值,所述第二确定模块还包括:
第三确定单元,用于若当前时刻磨机产出的颗粒粒径值大于所述颗粒粒径值的最大值或者小于所述颗粒粒径值的最小值,则将当前时刻的磨机对应的差异化系数确定为1;
第四确定单元,用于若当前时刻磨机产出的颗粒粒径值在所述颗粒粒径值的最大值和最小值之间时,则根据以下公式计算当前时刻磨机对应的差异化系数:
其中,fs为差异化系数,sm为当前时刻磨机产出的颗粒粒径值,sa为所述颗粒粒径值的均值,ss为所述颗粒粒径值的方差值。
可选的,所述训练模块还包括:
第一处理模块,用于对所述待训练样本数据进行空缺值处理和离群点处理,将处理后的待训练样本数据作为目标待训练样本数据;
第二训练模块,用于针对预设的算法数据库中的每种算法,将所述目标待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型。
对于图1中的测量磨矿粒度的方法,本申请实施例还提供了一种计算机设备400,如图4所示,该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序,其中,上述处理器402执行上述计算机程序时实现上述测量磨矿粒度的方法的步骤。
具体地,上述存储器401和处理器402能够为通用的存储器和处理器,这里不做具体限定,当处理器402运行存储器401存储的计算机程序时,能够执行上述测量磨矿粒度的方法,解决了现有技术中基于传统的取样规则建立的回归模型在监测磨矿粒度时准确率较低的问题。首先,根据至少一个预设时间段内磨机的磨机工作参数确定磨机的标准参数;通过根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数;当所述差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;进而将待训练样本数据输入至预设的算法数据库中的每种算法对应的数据训练模型中处理,得到每种算法对应的测量模型,并将误差值最小的建模误差值对应的测量模型作为目标测量模型,使得得到的磨矿颗粒的粒度测量结果更加准确,提高了测量模块粒度的准确率。
对应于图1中的测量磨矿粒度的方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述测量磨矿粒度的方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述测量磨矿粒度的方法,解决了现有技术中基于传统的取样规则建立的回归模型在监测磨矿粒度时准确率较低的问题,首先根据至少一个预设时间段内磨机的磨机工作参数确定磨机的标准参数;通过根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数;当所述差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;进而将待训练样本数据输入至预设的算法数据库中的每种算法对应的数据训练模型中处理,得到每种算法对应的测量模型,并将误差值最小的建模误差值对应的测量模型作为目标测量模型,使得得到的磨矿颗粒的粒度测量结果更加准确,提高了测量模块粒度的准确率。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种测量磨矿粒度的方法,其特征在于,包括:
根据至少一个预设时间段内磨机的磨机工作参数确定磨机的标准参数;
根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数;当所述差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;
针对预设的算法数据库中的每种算法,将所述待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型;
从所有算法各自对应的所述测量模型的建模误差值中确定出误差值最小的建模误差值,将所述误差值最小的建模误差值对应的测量模型作为目标测量模型;
将磨矿颗粒的粒径数据输入至所述目标测量模型得到磨矿颗粒的粒度的测量结果。
2.根据权利要求1所述的方法,其特征在于,所述磨机的磨机工作参数为磨机的瞬时功率值或磨机产出的颗粒粒径值,所述根据至少一个预设时间段内磨机的磨机工作参数确定磨机的标准参数,包括:
若所述磨机的磨机工作参数为磨机的瞬时功率值,则将根据所述至少一个预设时间段内磨机的瞬时功率值计算得到的瞬时功率值的最大值、最小值、均值、方差值作为磨机的标准参数;
若所述磨机的磨机工作参数为磨机产出的颗粒粒径值,则将根据所述至少一个预设时间段内磨机产出的颗粒粒径值计算得到的颗粒粒径值的最大值、最小值、均值、方差值作为磨机的标准参数。
3.根据权利要求2所述的方法,其特征在于,所述当前时刻的磨机的磨机工作参数为磨机的瞬时功率值,所述磨机的标准参数分别为磨机的瞬时功率值的最大值、最小值、均值、方差值,所述根据当前时刻的磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数,包括:
若当前时刻磨机的瞬时功率值大于所述瞬时功率值的最大值或者小于所述瞬时功率值的最小值,则将当前时刻磨机对应的差异化系数确定为1;
若当前时刻的磨机的瞬时功率值在所述瞬时功率值的最大值和最小值之间时,则根据以下公式计算当前时刻的磨机对应的差异化系数:
其中,fp为差异化系数,pm为当前时刻磨机的瞬时功率值,pa为所述瞬时功率值的均值,ps为所述瞬时功率值的方差值。
4.根据权利要求2所述的方法,其特征在于,所述当前时刻磨机的磨机工作参数为磨机产出的颗粒粒径值,所述磨机的标准参数分别为磨机产出的颗粒粒径值的最大值、最小值、均值、方差值,所述根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数,包括:
若当前时刻磨机产出的颗粒粒径值大于所述颗粒粒径值的最大值或者小于所述颗粒粒径值的最小值,则将当前时刻的磨机对应的差异化系数确定为1;
若当前时刻磨机产出的颗粒粒径值在所述颗粒粒径值的最大值和最小值之间时,则根据以下公式计算当前时刻磨机对应的差异化系数:
其中,fs为差异化系数,sm为当前时刻磨机产出的颗粒粒径值,sa为所述颗粒粒径值的均值,ss为所述颗粒粒径值的方差值。
5.根据权利要求1所述的方法,其特征在于,所述针对预设的算法数据库中的每种算法,将所述待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型,包括:
对所述待训练样本数据进行空缺值处理和离群点处理,将处理后的待训练样本数据作为目标待训练样本数据;
针对预设的算法数据库中的每种算法,将所述目标待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型。
6.一种测量磨矿粒度的装置,其特征在于,包括:
第一确定模块,用于根据至少一个预设时间段内磨机的磨机工作参数确定磨机的标准参数;
第二确定模块,用于根据当前时刻磨机的磨机工作参数和所述标准参数确定磨机对应的差异化系数;当所述差异化系数在预设范围内时,将当前时刻的磨矿颗粒的粒径数据和粒度数据作为待训练样本数据;
训练模块,用于针对预设的算法数据库中的每种算法,将所述待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型;
第三确定模块,用于从所有算法各自对应的所述测量模型的建模误差值中确定出误差值最小的建模误差值,将所述误差值最小的建模误差值对应的测量模型作为目标测量模型;
测量模块,用于将磨矿颗粒的粒径数据输入至所述目标测量模型得到磨矿颗粒的粒度的测量结果。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块包括:
第一计算单元,用于若所述磨机的磨机工作参数为磨机的瞬时功率值,则将根据至少一个预设时间段内磨机的瞬时功率值计算得到的所述瞬时功率值的最大值、最小值、均值、方差值作为磨机的标准参数;
第二计算单元,用于若所述磨机的磨机工作参数为磨机产出的颗粒粒径值,则将根据至少一个预设时间段内磨机产出的颗粒粒径值计算得到的所述颗粒粒径值的最大值、最小值、均值、方差值作为磨机的标准参数。
8.根据权利要求6所述的装置,其特征在于,所述训练模块还包括:
第一处理模块,用于对所述待训练样本数据进行空缺值处理和离群点处理,将处理后的待训练样本数据作为目标待训练样本数据;
第二训练模块,用于针对预设的算法数据库中的每种算法,将所述目标待训练样本数据输入至与该算法对应的数据训练模型中进行训练得到该算法对应的测量模型。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1-5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1-5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210083020.4A CN114112819B (zh) | 2022-01-25 | 2022-01-25 | 一种测量磨矿粒度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210083020.4A CN114112819B (zh) | 2022-01-25 | 2022-01-25 | 一种测量磨矿粒度的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114112819A true CN114112819A (zh) | 2022-03-01 |
CN114112819B CN114112819B (zh) | 2022-05-10 |
Family
ID=80361041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210083020.4A Active CN114112819B (zh) | 2022-01-25 | 2022-01-25 | 一种测量磨矿粒度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114112819B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114619334A (zh) * | 2022-03-17 | 2022-06-14 | 西门子(中国)有限公司 | 磨机控制方法和磨机控制装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101869860A (zh) * | 2010-06-04 | 2010-10-27 | 中南大学 | 一种球磨机磨矿产品的粒度分布预测方法 |
US20150347817A1 (en) * | 2012-12-19 | 2015-12-03 | Koninklijke Philips N.V. | System and method for classification of particles in a fluid sample |
CN107506862A (zh) * | 2017-08-28 | 2017-12-22 | 东北大学 | 一种基于物联网的磨矿粒度在线实时预测***及方法 |
CN109190226A (zh) * | 2018-08-24 | 2019-01-11 | 东北大学 | 一种磨矿***溢流粒度指标软测量方法 |
CN109446236A (zh) * | 2018-10-18 | 2019-03-08 | 太原理工大学 | 基于随机分布的水泥粒径分布预测方法 |
-
2022
- 2022-01-25 CN CN202210083020.4A patent/CN114112819B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101869860A (zh) * | 2010-06-04 | 2010-10-27 | 中南大学 | 一种球磨机磨矿产品的粒度分布预测方法 |
US20150347817A1 (en) * | 2012-12-19 | 2015-12-03 | Koninklijke Philips N.V. | System and method for classification of particles in a fluid sample |
CN107506862A (zh) * | 2017-08-28 | 2017-12-22 | 东北大学 | 一种基于物联网的磨矿粒度在线实时预测***及方法 |
CN109190226A (zh) * | 2018-08-24 | 2019-01-11 | 东北大学 | 一种磨矿***溢流粒度指标软测量方法 |
CN109446236A (zh) * | 2018-10-18 | 2019-03-08 | 太原理工大学 | 基于随机分布的水泥粒径分布预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114619334A (zh) * | 2022-03-17 | 2022-06-14 | 西门子(中国)有限公司 | 磨机控制方法和磨机控制装置 |
CN114619334B (zh) * | 2022-03-17 | 2023-03-10 | 西门子(中国)有限公司 | 磨机控制方法和磨机控制装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114112819B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112735094B (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
JP2020123365A (ja) | 動的外れ値偏り低減システム及び方法 | |
JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
JP6835098B2 (ja) | 要因分析方法、要因分析装置および要因分析プログラム | |
CN105593864B (zh) | 用于维护设备的分析设备退化 | |
JP2002525757A (ja) | 統計的プロセス管理のための多次元的方法及びシステム | |
JP2006318263A (ja) | 情報分析システム、情報分析方法及びプログラム | |
CN114112819B (zh) | 一种测量磨矿粒度的方法及装置 | |
JP2020027342A (ja) | 情報処理装置、監視装置、及び情報処理方法 | |
CN113988325A (zh) | 一种电力***故障预警方法、装置、终端设备及存储介质 | |
CN117972314B (zh) | 一种基于数字孪生的云平台监控方法及*** | |
CN117029968A (zh) | 一种流量数据的诊断方法、***、存储介质和电子设备 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测***及方法 | |
CN113868948A (zh) | 一种面向用户的动态阈值模型训练***及方法 | |
CN113205230A (zh) | 基于模型集合的数据预测方法、装置、设备及存储介质 | |
JP2022049395A (ja) | 異常スコア算出装置、異常スコア算出方法およびプログラム | |
CN117113233A (zh) | 层级能源结构场景构建方法及能耗异常链路追溯方法 | |
CN117370913A (zh) | 光伏***中异常数据的检测方法、装置以及设备 | |
CN112561333A (zh) | 一种考核数据处理方法、装置、电子设备及存储介质 | |
JP6885321B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
CN115082433B (zh) | 微铣削刀工作参数确定方法、装置、电子设备及存储介质 | |
US20200050989A1 (en) | Information-technology utilization evaluation device and information-technology utilization evaluation method | |
CN110263811B (zh) | 一种基于数据融合的设备运行状态监测方法及*** | |
CN115809404B (zh) | 一种检测阈值计算方法、装置、存储介质及电子设备 | |
CN111080446A (zh) | 一种数据处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: No.15 metallurgical Avenue, Guixi City, Yingtan City, Jiangxi Province, 335400 Patentee after: Jiangxi Copper Co.,Ltd. Patentee after: Beikuang Zhiyun Technology (Beijing) Co., Ltd Address before: 319, 3rd floor North block, building 2, No.1 yard, East Automobile Museum Road, Fengtai District, Beijing 100071 (Park) Patentee before: BEIKUANG ZHIYUN TECHNOLOGY (BEIJING) Co.,Ltd. Patentee before: Jiangxi Copper Co., Ltd |
|
CP03 | Change of name, title or address |