一种二分分流双向时序融合的选矿品位多步预测方法与流程

本发明涉及矿物智能分选，尤其涉及一种二分分流双向时序融合的选矿品位多步预测方法。

背景技术：

1、在矿物加工工程领域，筛网-强磁选工艺是金属矿物提纯分选的核心工序，精矿品位与尾矿金属回收率是评价选矿产品质量、生产稳定性与经济效益的核心质量指标。由于选矿工艺存在显著大滞后特性，品位无法通过传感器实时直采，依赖离线化验存在严重滞后，因此，高精度、长时序、稳定可靠的品位超前预测，是实现选矿工艺智能调控、产品质量稳定控制、异常工况提前预警、降低金属流失的关键核心技术前提。

2、目前，行业内针对选矿品位质量预测普遍采用传统统计学方法与单一数据驱动时序预测模型，主要包括lstm、gru、时序状态空间模型、普通注意力拟合网络及单一模态降噪预测方法。该类方法通过采集矿浆浓度、给矿粒度、给矿流量、分选压力、设备运行参数等工业数据，建立参数与品位之间的映射关系，实现质量趋势预估。

3、但在实际工业变工况生产条件下，筛网-强磁选工艺具有原矿性质非平稳波动、多工艺参数强耦合、设备扰动频繁、质量响应滞后严重的固有特征，现有主流时序预测技术存在多项无法规避的技术缺陷，导致产品质量预测精度低、稳定性差、泛化能力弱，无法满足工业精细化质量控制需求，现有选矿品位质量预测技术普遍存在预处理保真度低、特征融合损耗大、多尺度质量耦合建模不足、特征交互稳定性差、训练优化机制缺失等固有缺陷。

技术实现思路

1、本发明提供了一种二分分流双向时序融合的选矿品位多步预测方法，以解决现有的选矿品位质量预测技术普遍存在预处理保真度低、特征融合损耗大、多尺度质量耦合建模不足、特征交互稳定性差、训练优化机制缺失等问题。

2、为了实现上述目的，本发明通过如下的技术方案来实现：

3、本发明提供一种二分分流双向时序融合的选矿品位多步预测方法，包括如下步骤：

4、步骤1：按照二分比例分流构建多分支结构的二分分流交互时序融合单元，所述多分支结构中任一分支基于特征提取块结合残差连接构建，所述特征提取块基于交叉注意力以金字塔网络结构形式构建，所述交叉注意力的注意力分支选用长时序模型、短时序模型及线性映射中一种或多种；

5、步骤2：以二分分流交互时序融合单元作为注意力分支，结合交叉注意力构建金字塔结构的特征融合模块，基于特征融合模块结合残差连接与多层感知机构建预测模型，基于预测模型对筛网-强磁选工艺的时序数据进行矿物品位预测。

6、进一步的，所述二分分流交互时序融合单元对输入特征进行线性处理，再将线性处理后的输入特征进行等比例切分获取第一特征与第二特征；

7、将第一特征输入基于特征提取块构建的分支中，获取增强特征并与未经处理的第二特征进行拼接、线性映射后获取第三特征，再将第三特征与线性处理后的输入特征进行相加，获取所述特征融合模块中二分分流交互时序融合单元对应注意力分支的输出特征。

8、进一步的，所述特征提取块选用长时序模型、短时序模型及线性映射分别处理第一特征以获取分支特征，以线性映射的分支特征作为查询特征输入，分别以长时序模型和短时序模型处理后的分支特征作为键值特征输入，再结合交叉注意力获取第一注意力特征与第二注意力特征，将第一注意力特征与第二注意力特征拼接获取增强特征。

9、进一步的，所述特征提取块的交叉注意力中，基于分支特征生成注意力权重，基于注意力权重结合值特征与查询特征输入获取校准权重，以线性映射对应注意力分支输出的分支特征为基准结合校准权重分别对长时序模型、短时序模型对应注意力分支输出的分支特征进行校准。

10、进一步的，所述基于注意力权重结合值特征与查询特征输入获取校准权重通过如下公式表示：

11、；

12、其中，表示校准权重；表示注意力权重；表示值特征；表示查询特征输入。

13、进一步的，所述预测模型对时序数据进行预处理获取纯净工况时序特征，再基于纯净工况时序特征进行矿物品位预测。

14、进一步的，所述预处理依次包括异常值剔除约束与变分模态时频解耦；

15、所述变分模态时频解耦包括：对特征进行时频解耦获取中频稳态有效工况分量与高频细节残差分量，对高频细节残差分量进行小波高频噪声提纯后与中频稳态有效工况分量拼接获取纯净工况时序特征。

16、通过上述设计，异常值剔除—时频模态解耦分层—小波残差精细提纯多级协同降噪机制，先容错修正异常突变数据，再分层剥离噪声分量，最后重构纯净时序特征，实现了针对强干扰选矿工况下的高保真时序数据的预处理。

17、进一步的，所述预测模型选用二分分流交互时序融合单元、线性映射及自注意力分别对纯净工况时序特征进行处理以获取分支特征，以线性映射的分支特征作为查询特征输入，分别以二分分流交互时序融合单元和自注意力处理后的分支特征作为键值特征输入，再结合交叉注意力获取第三注意力特征与第四注意力特征，将第三注意力特征与第四注意力特征依次进行拼接、线性映射及残差连接后，再通过多层感知机获取矿物品位预测结果。

18、进一步的，所述自注意力中基于查询特征与键特征对查询特征进行校正，获取精准查询特征，基于精准查询特征、键特征及值特征生成自注意力对应的分支特征。

19、进一步的，精准查询特征的获取包括如下步骤：

20、对查询特征与键特征依次进行维度扩展、拼接、映射以获取自适应匹配矩阵，基于自适应匹配矩阵对键特征进行排序筛选，获取第一键特征与第二键特征，基于第一键特征、第二键特征、查询特征结合偏差计算函数计算查询偏差量，基于查询偏差量与查询特征获取精准查询特征。

21、通过上述设计，摒弃均值池化、固定感知机等人工构造参考特征的方式，依托查询特征与键特征生成的自适应匹配矩阵，自适应筛选全局最优与个体次优参考样本，完全贴合选矿时序样本内在关联特征，消除人工先验设计带来的特征偏移问题，提升工况特征匹配贴合度。

22、进一步的，所述偏差计算函数通过如下公式表示：

23、；

24、其中，表示查询偏差量；表示查询特征；表示第二键特征；表示第一键特征；均为由sigmoid函数约束的可学习常数。

25、进一步的，基于精准查询特征、键特征及值特征生成自注意力对应的分支特征包括：

26、基于精准查询特征、键特征及特征维度生成第一注意力权重，采用sigmoid函数对所述自适应匹配矩阵激活，再与第一注意力权重进行加权和线性处理生成第二注意力权重，基于第二注意力权重对值特征进行加权生成自注意力对应的分支特征。

27、通过上述设计，将自适应匹配矩阵嵌入注意力完整计算链路，动态压制低匹配度无效key的权重占比，让模型精准聚焦选矿有效工况关联特征，过滤冗余残留噪声特征干扰，大幅提升时序特征聚合质量。

28、进一步的，构建多目标损失函数，并采用多目标损失函数对预测模型进行参数优化；

29、所述多目标损失函数包括预测真值拟合误差项、时序连续性平滑约束项以及注意力参数稳态正则约束项；

30、所述预测真值拟合误差项用于约束多步品位预测结果与真实工艺标签的偏差；

31、所述时序连续性平滑约束项用于抑制长时序预测的非工艺性跳变与误差逐步累积；

32、所述注意力参数稳态正则约束项用于约束交叉注意力中参数更新幅度。

33、有益效果：

34、本发明提供的一种二分分流双向时序融合的选矿品位多步预测方法，实现了工业强干扰时序高保真降噪、固定比例低损耗时序分流、长短时序双向基准校准、双层残差抗退化保真、多约束工艺适配优化的完整功能。构建了适配筛网-强磁选工艺大滞后、非平稳、多扰动、慢演变特性的专属时序预测体系，彻底解决了传统模型时序建模不充分、长短特征割裂、细节损耗严重、长步误差累积、变工况泛化能力差的技术瓶颈，实现了全工况、高精度、高稳定的选矿品位长时序预测，针对筛网-强磁选工艺这一特定场景设置了适配的工程方案；

35、通过二分比例分流机制，严格区分计算优化支路与全程冻结不运算的原始细节留存支路，一支路完成多尺度时序迭代优化，另一支路全程保留原始工况细节用于后期补偿修复，从结构上有效解决时序融合信息丢失问题。