磨矿控制参数的匹配方法、装置和电子设备与流程

1.本发明涉及磨矿技术领域，尤其是涉及一种磨矿控制参数的匹配方法、装置和电子设备。


背景技术：

2.磨矿是选矿生产中的重要一环，利用磨机将大块的矿石破碎成可以解离的微小颗粒，并经水力旋流器等分级设备筛选后得到合格粒度和浓度的产品进入下一生产环节。磨矿需要消耗大量的能源和磨矿介质，且其生产过程易受入磨矿石性质如硬度和块度等因素的影响而产生波动。通过调整磨机给矿和给水等操作参数，保持磨矿产品粒度和浓度的稳定有利于提高选矿金属回收率和节能降耗。
3.磨矿分级流程具有非线性、强耦合、重要参数难以检测等控制难点，采用常规的pi控制无法保证流程的稳定，采用基于专家规则的智能控制可以适应复杂的工艺控制要求，达到稳定生产流程、提高工艺指标的目标。智能控制策略中不可避免需要确定一些与工艺相关的参数控制参考值，如磨机功率、分级压力等的上下限。然而，随着入磨矿石配比波动、设备磨损、流程变化等，系统的最佳控制限会发生漂移，若不及时调整，可能会大大降低智能控制的效果甚至导致原有控制策略失效。常规的做法一般是由系统维护人员定期对工况运行数据进行诊断分析，并调整相应的控制参数，然而通过人工分析调整的方法效率较低，且无法针对工况变化及时的进行控制参数的调整，具有一定的缺陷。


技术实现要素：

4.本发明的目的在于提供一种磨矿控制参数的匹配方法、装置和电子设备，以解决磨矿过程智能控制系统参数控制限无法随着工况变化及时调整的问题。
5.第一方面，本发明提供一种磨矿控制参数的匹配方法，方法包括：获取与预先选取的磨矿分级状态参数集对应的历史数据及待匹配的当前数据；基于历史数据确定磨矿分级过程中的工况类别；为当前数据匹配与工况类别对应的磨矿控制参数及相应的参数值。
6.在可选的实施方式中，基于历史数据确定磨矿分级过程中的工况类别的步骤，包括：基于磨矿分级状态参数集中的状态参数对应的量程范围对历史数据进行归一化处理，得到归一化后的状态参数集；对归一化的状态参数集进行聚类处理，确定磨矿分级过程中的工况类别；不同的工况类别对应有不同的控制参数基准值。
7.在可选的实施方式中，对归一化的状态参数集进行聚类处理，确定磨矿分级过程中的工况类别的步骤，包括：步骤s1，基于归一化后的状态参数集中未被分类的目标参数确定变量中心点，并基于预先设置的滑动窗口确定分类半径；目标参数包括一个或多个；变量中心点的初始位置在归一化后的状态参数集中随机选取；步骤s2，基于变量中心点和分类半径，确定每个目标参数对应的参数集合；步骤s3，计算参数集合中的均值偏移量；步骤s4，基于均值偏移量移动聚类中心点的位置，重复步骤s2至s3直至达到聚类停止条件，确定磨矿分级过程中的工况类别。
8.在可选的实施方式中，通过以下公式计算参数集合中的均值偏移量：其中，m
t
为均值偏移量；k为参数集合s
h
内点的个数；f0为状态参数集f
r
中未被分类的目标参数；x
i
为参数集合s
h
中的点。
9.在可选的实施方式中，基于均值偏移量移动聚类中心点的位置，重复步骤s2至s3直至达到聚类停止条件，确定磨矿分级过程中的工况类别的步骤，包括：将聚类中心点与均值偏移量求和，计算位于参数集合内的目标移动位置；将目标移动位置确定为变量中心点，重复执行步骤s2至步骤s3，直至当前的均值偏移量小于预先设定的均值偏移量阈值；基于当前的均值偏移量确定聚类停止时的聚类中心点的位置，并确定磨矿分级过程中的工况类别。
10.在可选的实施方式中，方法还包括：对工况类别对应的状态参数进行均值处理，得到每种工况类别对应的控制参数基准值。
11.在可选的实施方式中，为当前数据匹配与工况类别对应的磨矿控制参数及相应的参数值的步骤，包括：计算当前数据与工况类别对应的聚类中心点的空间距离；基于空间距离和预先设定的距离阈值确定当前工况；基于当前工况的控制参数基准值和当前数据确定当前磨矿控制参数对应的参数值。
12.第二方面，本发明提供一种磨矿控制参数的匹配装置，装置包括：数据获取模块，用于获取与预先选取的磨矿分级状态参数集对应的历史数据及待匹配的当前数据；工况确定模块，用于基于历史数据确定磨矿分级过程中的工况类别；控制参数匹配模块，用于为当前数据匹配与工况类别对应的磨矿控制参数及相应的参数值。
13.第三方面，本发明提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现前述实施方式任一项的磨矿控制参数的匹配方法。
14.第四方面，本发明提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现前述实施方式任一项的磨矿控制参数的匹配方法。
15.本发明提供的磨矿控制参数的匹配方法、装置和电子设备，该方法首先获取与预先选取的磨矿分级状态参数集对应的历史数据及待匹配的当前数据，然后基于历史数据确定磨矿分级过程中的工况类别，进而为当前数据匹配与工况类别对应的磨矿控制参数及相应的参数值。上述方式通过与预先选取的磨矿分级状态参数集对应的历史数据确定工况类别，进而为当前数据匹配与确定的工况类别对应的磨矿控制参数及相应的参数值，可以实现磨矿分级过程中智能控制参数的自适应，从而有效降低磨矿过程中系统关键参数波动，提高了磨矿过程智能控制投用率，实现磨矿生产过程的工艺稳定和指标优化。
附图说明
16.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
17.图1为本发明实施例提供的一种磨矿控制参数的匹配方法的流程示意图；
18.图2为本发明实施例提供的一种采用磨矿控制参数进行智能控制的效果示意图；
19.图3为本发明实施例提供的一种磨矿控制参数的匹配装置的结构示意图；
20.图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
21.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
22.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
23.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。
24.下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
25.为便于理解，首先对本发明实施例提供的一种磨矿控制参数的匹配方法进行详细说明，参见图1所示的一种磨矿控制参数的匹配方法的流程示意图，该方法主要包括以下步骤s102至步骤s106：
26.步骤s102，获取与预先选取的磨矿分级状态参数集对应的历史数据及待匹配的当前数据。
27.该磨矿分级状态参数集是指在磨矿过程中相关的参数组成的集合，相关参数诸如可以包括磨矿设备状态参数、环境状态参数、矿石状态参数等。其中，磨矿设备状态参数诸如可以至少包括磨机电流、磨机轴压、旋流器分级入口压力、旋流器溢流流量、旋流器溢流浓度、旋流器溢流粒度、磨矿分级泵池液位等；环境状态参数诸如可以包括环境湿度等；矿石状态参数诸如可以包括矿石被氧化程度、矿石硬度等。
28.上述对应的历史数据为与磨矿分级状态参数集对应的指定时间长度的参数数据，为保证后续确定工况类别的准确性，该指定时间长度可以选择半年左右，也可以是一年，在实际应用中，可以根据实际情况进行选择。
29.上述待匹配的当前数据可以为当前一段时间的针对磨矿各状态参数的数据，诸如可以为当前几个小时内的数据，也可以为几天或者几个星期的数据，可以根据磨机所处的工作环境进行确定及获取。
30.步骤s104，基于历史数据确定磨矿分级过程中的工况类别。
31.工况类别是指在磨矿过程中的设备的多种运行工况，该运行工况通过不同的设备运行参数进行表征，诸如，对于矿石较硬的情况，磨机功率较大，相反的，矿石氧化程度高的矿石，在进行磨矿时，磨机功率会相对较小，因此，可以通过磨机功率确定不同的工况，也即不同的工况对应的磨机状态参数不同。在实际应用中，工况类别诸如可以包括矿石难磨或
易磨、旋流器开启组数为3组或4组、空气湿度大或者小、磨机衬板磨损严重或轻微等。
32.步骤s106，为当前数据匹配与工况类别对应的磨矿控制参数及相应的参数值。
33.上述磨机控制参数指的是与当前数据对应的磨矿设备状态参数，该磨机控制参数可以是磨矿设备状态参数中的一种或多种，相应的参数值指的是每种参数针对当前数据的所适配的状态参数对应的取值。
34.本发明实施例提供的磨矿控制参数的匹配方法，通过与预先选取的磨矿分级状态参数集对应的历史数据确定工况类别，进而为当前数据匹配与确定的工况类别对应的磨矿控制参数及相应的参数值，可以实现磨矿分级过程中智能控制参数的自适应，从而有效降低磨矿过程中系统关键参数波动，提高了磨矿过程智能控制投用率，实现磨矿生产过程的工艺稳定和指标优化。
35.考虑到通过设备的各项参数进行工况分类可以更加方便获取，且得到的分类结果更加贴合实际情况，上述磨矿分级过程关键状态参数包括但不限于磨机电流im、磨机轴压pm、旋流器分级入口压力pf、旋流器溢流流量qp、旋流器溢流浓度dp、旋流器溢流粒度pp、磨矿分级泵池液位lt等，所有状态参数历史数据集合构成磨矿分级状态参数集：
36.f＝{i
m
，p
m
，p
f
，q
p
，d
p
，p
p
，l
t
，
…
}
ꢀꢀꢀ
(1)
37.为了保证工况类别确定的准确性及覆盖性，可以根据实际控制需要，收集磨矿分级过程中关键状态参数近1年左右的历史数据，该1年左右的历史数据为实际磨矿中的影响参数。
38.进一步的，该历史数据应该尽可能包括各种工况下的磨矿数据，因此可以适当增加该历史数据的获取时长，诸如两年或者更久。
39.在一些实施例中，对于磨矿分级过程中的工况类别的确定，主要是基于上述预先获取的历史数据进行确定。上述步骤104，具体可以通过如下步骤实现：
40.步骤1.1)，基于磨矿分级状态参数集中的状态参数对应的量程范围对历史数据进行归一化处理，得到归一化后的状态参数集；
41.步骤1.2)，对归一化的状态参数集进行聚类处理，确定磨矿分级过程中的工况类别；不同的工况类别对应有不同的控制参数基准值。
42.对于上述步骤1.1)，通过按照量程范围对历史数据进行归一化处理，可以得到每种数据对应的[0，1]范围内的值，从而便于对多种不同控制参数的数据进行处理，得到可以同时处理的归一化的状态参数集f
r
：
[0043]
f
r
＝{i
m
/i
mr
,p
m
/p
mr
,p
f
/p
fr
,q
p
/q
pr
,d
p
/d
pr
,p
p
/p
pr
,l
t
/l
tr
,
···
}
ꢀꢀꢀ
(2)
[0044]
其中，i
mr
、p
mr
、p
fr
、q
fr
、q
pr
、d
pr
、p
pr
、l
tr
分别为磨机电流i
m
、磨机轴压p
m
、旋流器分级入口压力p
f
、旋流器溢流流量q
p
、旋流器溢流浓度d
p
、旋流器溢流粒度p
p
、磨矿分级泵池液位l
t
等变量的量程范围。
[0045]
对于上述步骤1.2)，主要是对归一化的状态参数集实现聚类处理，具体可以通过如下步骤实现：
[0046]
步骤s1，基于归一化后的状态参数集中未被分类的目标参数确定变量中心点，并基于预先设置的滑动窗口确定分类半径；目标参数包括一个或多个；
[0047]
步骤s2，基于变量中心点和分类半径，确定每个目标参数对应的参数集合；
[0048]
步骤s3，计算参数集合中的均值偏移量；
[0049]
步骤s4，基于均值偏移量移动聚类中心点的位置，重复步骤s2至步骤s3直至达到聚类停止条件，确定磨矿分级过程中的工况类别。
[0050]
对于上述步骤s1，从f
r
中随机选取一个未被分类的点f0作为中心点，也即上述变量中心点的初始位置在所述归一化后的状态参数集中随机选取，设置一个滑动窗口半径d
r
：
[0051]
f0＝{i
m0
，p
m0
，p
f0
，q
p0
，d
p0
，p
p0
，l
t0
，
…
}
ꢀꢀꢀꢀ
(3)
[0052]
d
r
＝{i
mr
,p
mr
,p
fr
,q
pr
，d
pr
，p
pr
，l
tr
，
…
}
ꢀꢀꢀ
(4)
[0053]
其中，i
m0
、p
m0
、p
f0
、q
f0
、q
p0
、d
p0
、p
p0
、l
t0
分别为磨机电流i
m
、磨机轴压p
m
、旋流器分级入口压力p
f
、旋流器溢流流量q
p
、旋流器溢流浓度d
p
、旋流器溢流粒度p
p
、磨矿分级泵池液位l
t
等变量的中心点数值；i
mr
、p
mr
、p
fr
、q
fr
、q
pr
、d
pr
、p
pr
、l
tr
分别为磨机电流i
m
、磨机轴压p
m
、旋流器分级入口压力p
f
、旋流器溢流流量q
p
、旋流器溢流浓度d
p
、旋流器溢流粒度p
p
、磨矿分级泵池液位l
t
等变量的分类半径，按照对应变量在确定工况下允许正常波动的范围确定取值。
[0054]
对于上述步骤s2，在f
r
中找出所有距离中心点f0二阶范数距离小于d
r
的所有点，构成集合s
h
：
[0055]
s
h
＝{x|x∈f
r
,||x
‑
f0||＜d
r
}
ꢀꢀꢀ
(5)
[0056]
对于上述步骤s3，可以通过以下公式计算参数集合中的均值偏移量：
[0057][0058]
其中，m
t
为均值偏移量；k为参数集合s
h
内点的个数；f0为状态参数集f
r
中未被分类的目标参数；x
i
为参数集合s
h
中的点。
[0059]
对于上述步骤s4，主要是基于上述确定的均值偏移量移动聚类中心点的位置，重复上述步骤s2至步骤s3直至达到聚类停止条件，对磨矿分级过程中工况类别的确定，具体可以通过如下步骤实现：步骤2.1)，将聚类中心点与均值偏移量求和，计算位于参数集合内的目标移动位置；步骤2.2)，将目标移动位置确定为变量中心点，重复执行步骤s2至步骤s3，直至当前的均值偏移量小于预先设定的均值偏移量阈值；步骤2.3)，基于当前的均值偏移量确定聚类停止时的聚类中心点的位置，并确定磨矿分级过程中的工况类别。
[0060]
对于上述步骤2.1)，上述目标移动位置也即s
h
范围内的密度核心位置，当确定该目标移动位置后，将聚类中心点移动到该密度核心位置：
[0061]
f
t 1
＝f
t
m
t
ꢀꢀꢀ
(7)
[0062]
其中，f
t 1
为新的聚类中心点的位置，f
t
为原聚类中心点的位置，在进行第一步聚类计算时，f
t
＝f0；
[0063]
对于上述步骤2.2)，将f
t 1
作为新的中心点位置，重复步骤s2至步骤s3，直到m
t
小于预先设定的均值偏移量阈值m
tr
，并将此时的目标移动位置作为半径d
r
范围内对应工况的聚类中心点f
t
：
[0064]
m
tr
＝σ*dr
ꢀꢀꢀꢀ
(8)
[0065]
f
t
＝f
t 1
，if|m
t
|<m
tr
ꢀꢀꢀꢀ
(9)
[0066]
其中，σ为偏差容忍系数，优选的，可取σ＝0.01。
[0067]
对于上述步骤2.3)，通过确定的新的中心点位置和均值偏移量，进行多次移动，直至根据符合聚类停止条件时确定的当前的均值偏移量将中心点位置移动至最佳的聚类中
心，并将该聚类中心确认为磨矿分级过程中的一个工况类别。
[0068]
可以理解的是，磨矿分级状态参数集中包括多种参数，对于任意一种参数，均采用上述步骤s1至步骤s4进行聚类，直至f
r
中所有的点都被归类，从而得到一系列工况类别对应的聚类中心点系列f
r
：
[0069]
f
r
＝{f1，f2，f3，f4，f5，...}
ꢀꢀꢀ
(9)
[0070]
其中，f1、f2、f3、f4、f5...分别为工况1、2、3、4、5...下的聚类中心点。
[0071]
为便于理解，本实施例提供了几种工况的具体示例：如一个典型流程的磨矿分级参数，可以被聚类为以下几种典型工况：
[0072]
①
处理难磨块矿时，磨机功率大，顽石返回量大，磨矿浓度高；
②
处理易磨粉矿时，磨机功率小但是轴承压力大，顽石返回量小，磨矿浓度低；
③
雨季潮湿时，矿石含水率高、设备容易打滑，皮带电流高，添加的前给水流量小；
④
旱季干燥时，矿石含水率低，皮带电流低，添加的前给水流量大；
⑤
旋流器开启组数多时，分级压力小；
⑥
旋流器开启组数少时，分级压力大。不同的聚类中心点代表不同的工况，也适应不同的操作控制参数。
[0073]
进一步，可以对工况类别对应的状态参数进行均值处理，从而得到每种工况类别对应的控制参数基准值。该控制参数基准值r
i
也即每种工况类别对应的历史数据中各状态参数的均值，通过下式表示：
[0074][0075]
当确定工况类别和对应工况下的控制参数基准值时，可以对待匹配的当前数据进行相应工况的匹配。为了提升工况匹配度效果，且便于数据的处理，可以对获取的当前数据进行归一化处理，归一化处理的过程可以参照上述步骤1.1)，从而得到当前数据归一化处理后的状态参数集，并对状态参数集中的每个状态参数进行均值处理，得到当前数据中各状态参数的均值u
c
：
[0076]
u
c
＝{i
mu
，p
mu
，p
fu
，q
pu
，d
pu
，p
pu
，l
tu
，
…
}
ꢀꢀꢀ
(11)
[0077]
其中，i
mu
、p
mu
、p
fu
、q
pu
、d
pu
、p
pu
、l
tu
分别为磨机电流i
m
、磨机轴压p
m
、旋流器分级入口压力p
f
、旋流器溢流流量q
p
、旋流器溢流浓度d
p
、旋流器溢流粒度p
p
、磨矿分级泵池液位l
t
等变量的当前数据归一化后各状态参数的均值。
[0078]
在一种实施方式中，上述当前数据也可以选取8
‑
12小时的短周期历史数据。
[0079]
当计算得到当前数据归一化后各状态参数的均值后，可以根据确定的工况类别为当前数据匹配与工况类别对应的磨矿控制参数及相应的参数值，具体可以通过如下步骤实现：步骤3.1)，计算当前数据与工况类别对应的聚类中心点的空间距离；步骤3.2)，基于空间距离和预先设定的距离阈值确定当前工况；步骤3.3)，基于当前工况的控制参数基准值和当前数据确定当前磨矿控制参数对应的参数值。
[0080]
对于上述步骤3.1)，空间距离可以为二阶范式空间距离，在计算时，可以计算当前数据中各状态参数的均值u
c
与每一个工况类别对应的聚类中心点的二阶范数空间距离：
[0081][0082]
对于上述步骤3.2)，预先设定的距离阈值可以尽可能的小，也即可以选择距离u
c
最小的工况类别n作为当前工况：
[0083]
n＝k，if d
k
＝min(d1，d2，...，d
i
，...)
ꢀꢀꢀ
(13)
[0084]
对于上述步骤3.3)，可以基于当前工况的控制参数基准值和当前数据确定当前磨矿控制参数对应的参数值。进一步，还可以设置调节系数λ，也即当前磨矿控制参数对应的参数值r
ref
计算公式为：
[0085]
r
ref
＝λ*f
n
(1
‑
λ)*u
c
ꢀꢀꢀ
(14)
[0086]
其中λ为调节系数，为充分利用上述历史数据所代表的典型工况，一般大于0.5，优选的，可取λ＝0.8。
[0087]
进而，将r
ref
反归一化即可得到当前数据对应的所有状态参数的当前磨矿控制参考对应的参数值。
[0088]
通过上述方式可以将得到的当前磨矿控制参考对应的参数值自动更新至智能控制系统作为当前工况下的控制参数值，从而实现磨矿过程智能控制参数自适应。
[0089]
此外，在工况类别确定时的聚类过程中，可以不断的进行历史数据的优化更新。诸如，当更换了磨矿设备，则需要针对更换后的磨矿设备进行历史数据的优化更新，并通过优化更新后的数据进行重新聚类，确定对应的工况类别。
[0090]
图2所示为应用本发明实施例的方法后的磨矿过程智能控制的效果示意图，可以看出，使用本发明匹配的磨矿控制参数进行控制后，磨矿过程的关键指标包括处理量、电流、轴压、产品粒度、浓度的波动明显减小；长时间统计数据表明，使用本发明的方法后，磨矿分级智能控制投用率可达到90％以上，磨矿分级各类运行参数的波动可减少5％以上，具有显著的有益效果。
[0091]
图3为本发明实施例提供的一种磨矿控制参数的匹配装置的结构示意图，如图3所示该装置可以包括：
[0092]
数据获取模块302，用于获取与预先选取的磨矿分级状态参数集对应的历史数据及待匹配的当前数据；
[0093]
工况确定模块304，用于基于历史数据确定磨矿分级过程中的工况类别；
[0094]
控制参数匹配模块306，用于为当前数据匹配与工况类别对应的磨矿控制参数及相应的参数值。
[0095]
本发明实施例提供的磨矿控制参数的匹配装置，通过与预先选取的磨矿分级状态参数集对应的历史数据确定工况类别，进而为当前数据匹配与确定的工况类别对应的磨矿控制参数及相应的参数值，可以实现磨矿分级过程中智能控制参数的自适应，从而有效降低磨矿过程中系统关键参数波动，提高了磨矿过程智能控制投用率，实现磨矿生产过程的工艺稳定和指标优化。
[0096]
在一些实施例中，工况确定模块304具体用于：
[0097]
基于磨矿分级状态参数集中的状态参数对应的量程范围对历史数据进行归一化处理，得到归一化后的状态参数集；
[0098]
对归一化的状态参数集进行聚类处理，确定磨矿分级过程中的工况类别；不同的工况类别对应有不同的控制参数基准值。
[0099]
在一些实施例中，工况确定模块304具体用于：
[0100]
步骤s1，基于归一化后的状态参数集中未被分类的目标参数确定变量中心点，并基于预先设置的滑动窗口确定分类半径；目标参数包括一个或多个；所述变量中心点的初
始位置在归一化后的状态参数集中随机选取；
[0101]
步骤s2，基于变量中心点和分类半径，确定每个目标参数对应的参数集合；
[0102]
步骤s3，计算参数集合中的均值偏移量；
[0103]
步骤s4，基于均值偏移量移动聚类中心点的位置，重复步骤s2至步骤s3直至达到聚类停止条件，确定磨矿分级过程中的工况类别。
[0104]
在一些实施例中，工况确定模块304具体用于：
[0105]
通过以下公式计算参数集合中的均值偏移量：
[0106][0107]
其中，m
t
为均值偏移量；k为参数集合s
h
内点的个数；f0为状态参数集f
r
中未被分类的目标参数；x
i
为参数集合s
h
中的点。
[0108]
在一些实施例中，工况确定模块304具体用于：
[0109]
将聚类中心点与均值偏移量求和，计算位于参数集合内的目标移动位置；
[0110]
将目标移动位置确定为变量中心点，重复执行步骤s2至步骤s3，直至当前的均值偏移量小于预先设定的均值偏移量阈值；
[0111]
基于当前的均值偏移量确定聚类停止时的所述聚类中心点的位置，并确定磨矿分级过程中的工况类别。
[0112]
在一些实施例中，上述装置还包括，参数基准值确定模块，具体用于：
[0113]
对工况类别对应的状态参数进行均值处理，得到每种工况类别对应的控制参数基准值。
[0114]
在一些实施例中，控制参数匹配模块306具体用于：
[0115]
计算当前数据与工况类别对应的聚类中心点的空间距离；
[0116]
基于空间距离和预先设定的距离阈值确定当前工况；
[0117]
基于当前工况的控制参数基准值和当前数据确定当前磨矿控制参数对应的参数值。
[0118]
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0119]
本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
[0120]
图4为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
[0121]
其中，存储器41可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
[0122]
总线42可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或
一种类型的总线。
[0123]
其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
[0124]
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field
‑
programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
[0125]
本发明实施例所提供的磨矿控制参数的匹配方法、装置和电子设备的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，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前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0126]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。
[0127]
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0128]
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，本发明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)执行本发明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。
[0129]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。