一种基于时间投影的重介质选煤过程控制变量预测方法与流程

1.本发明涉及工业控制技术领域，具体涉及一种基于时间投影的重介质选煤过程控制变量预测方法。


背景技术：

2.煤炭洁净利用的源头和基础是原煤的预分选，而重介选煤方法作为我国主导的选煤方法，其分选过程的提效和精准控制就尤为重要。整个选煤厂是典型的流程工厂，间歇生产，重介选煤过程则涉及多个处理单元、同时生产多个产品。重介分选控制过程主要是重介悬浮液的密度调节过程，其控制变量有：加介量、分流阀开度、介质桶液位、重介旋流器入料压力等，主要目标是当原煤质量发生波动时，通过调整系统的悬浮液密度，以维持产品质量的稳定。
3.随着智能制造的快速发展，选煤行业作为矿业领域的一个重要部分，近几年也取得了不小的成绩，现阶段，已基本脱离了由人工来调节分流、补水等执行机构的过程，介质密度的控制精度可达到0.01kg/m3(发明专利：一种基于模糊控制和pid控制的重介精煤灰分控制方法，专利号：202110117022.6)。但悬浮液的密度高低设定是依然由操作人员根据经验进行设定的，目前，在线灰分仪的精度欠佳，尤其是原煤灰分仪，人为设定分选密度的依据一般是计检人员采样化验的快灰，这导致了密度控制的不确定性和滞后性。随着煤炭资源的大幅开采，入选原煤的煤质情况变化越来越大。而选煤厂的原煤准备环节，相比于其他有色金属、非金属矿，由于产品的廉价性，一般只是进行了简单的大粒度破碎、分级，无法保证入料的均质化，这也加大了后续生产环节入料性质的不确定。
4.目前，重介分选密度的预测方法主要有两大类，一类是基于机理的方法，通过对生产煤样的月综合化验数据，绘制可选性曲线，辅以日常生产的在线数据来预测分选密度(发明专利：一种重介分选过程智能控制系统及方法，专利号：201910900555.4)。但煤炭月综合浮沉化验耗时耗力，且实际生产有很多不确定性因素，这导致完全依靠机理、经验的密度预测方法常会使产品质量发生大幅波动。另一类是基于数据的方法，通过采集现场传感器、plc数据进行密度预测，如常见的基于支撑向量机(svm)的回归分析方法(发明专利：重介智能控制方法及系统，专利号：202010846865.5)，但目前已发表的基于数据的方法，大多使用数据量较小，且未考虑选煤厂流程工业的数据特点。


技术实现要素：

5.针对上述现有技术，提出一种基于时间投影的重介质选煤过程控制变量预测方法。
6.本发明解决上述技术问题采用的技术方案为：一种基于时间投影的重介质选煤过程控制变量预测方法，所述方法包括以下步骤，
7.步骤1：对重介过程中传感器获取的数据进行采集；
8.步骤2：对步骤1中采集的数据进行预处理得到多个传感器数据包：首先去除与目
标变量y无关的数据列，采用对相邻两个时刻点检测值求平均的方法，将采集的数据中的缺失数据、null值进行补齐，将经过补齐的数据进行清洗，去除多个传感器数值为0时的开停机数据，同时因为选煤厂属于间歇生产的流程工厂，故需将处理后的数据重组成多个传感器数据包。
9.多个所述传感器数据包均由n组悬浮液密度sep_dense、原煤皮带秤量rc_weight、原煤灰分仪量rc_ash、精煤皮带秤量cc_weight、精煤灰分仪量cc_ash构成，其中n表示传感器获取数据的次数；
10.步骤3：计算重介生产系统的煤流分选运输停滞时间t；
11.步骤4：选取步骤2中的一个传感器数据包，将该传感器数据包存储在n行5列的二维数组[n，5]中，对于处于流程中间的分选运输环节，其t时刻的目标变量y值，将影响到t t/2的产品质量，同时受限于t-t/2时刻的原煤性质。
[0012]
步骤5：在步骤4所述的二维数组[n，5]中对t之前的数据列进行处理，形成新的输入矩阵x
tbefore
，在步骤4所述的二维数组[n，5]中对t之后的数据列进行处理，形成新的输入矩阵x
tafter
，其中t为产生悬浮液密度sep_dense的时刻；
[0013]
步骤6：将步骤5中获取的输入矩阵x
tbefore
、x
tafter
合并为输入矩阵x
t
；
[0014]
步骤7：重复步骤4-6，对步骤2中多个所述传感器数据包进行处理，将得到的多个输入矩阵进行合并得到多维输入矩阵x[n,4,(t/2 1)]和目标变量矩阵y[n]；
[0015]
步骤8：模型m的搭建和最优参数的获取；
[0016]
步骤9：模型m的验证；
[0017]
步骤10：将上述数据处理方法与模型m，应用于选煤厂重介分选环节的悬浮液密度sep_dense预测，根据实际的产品数质量要求及时调整目标变量y。
[0018]
优选的，步骤3中t的计算方法为，获取原煤皮带秤开始带煤时间t_rawcoal与精煤皮带秤产生数据的时间t_cleancoal，则重介生产系统的煤流分选运输滞留时间t＝t_cleancoal-t_rawcoal；
[0019]
优选的，步骤4中在所述二维数组[n，5]中将悬浮液密度sep_dense列设定为目标变量y，将原煤皮带秤量rc_weight、原煤灰分仪量rc_ash、精煤皮带秤量cc_weight、精煤灰分仪量cc_ash列设定为输入变量x。
[0020]
优选的，步骤5中对数据列处理的方法为，对二维数组[n，5]在t-t/2时刻之间的原煤皮带秤量rc_weight、原煤灰分仪量rc_ash数据列进行时间投影，形成输入矩阵x
tbefore
，对二维数组[n，5]在t t/2时刻之间的精煤皮带秤量cc_weight、精煤灰分仪量cc_ash数据列进行时间投影，形成输入矩阵x
tafter
。
[0021]
优选的，步骤8中所述模型m的搭建包括对步骤7中获取的多维输入矩阵x[n,4,(t/2 1)]进行降维处理后变成二维数组x[n,4*(t/2 1)]，将二维数组x[n,4*(t/2 1)]和目标变量矩阵y[n]进行划分，其中部分数据用于模型m的训练，剩余部分数据用于模型m的测试。
[0022]
优选的，选择轻量级梯度提升机lightgbm模型作为回归预测模型，将所述二维数组x[n,4*(t/2 1)]和目标变量矩阵y[n]的80％数据用于训练，20％数据用于测试，将80％用于训练的数据和20％用于测试的数据带入所述轻量级梯度提升机lightgbm模型中进行模型搭建，得到模型m，通过交叉验证方法对所述轻量级梯度提升机lightgbm模型的参数进行寻优，在保证精度的同时，防止模型过拟合。
[0023]
优选的，步骤9中所述模型m的验证方法为，获取多个传感器数据包作为验证集合，根据步骤4-6对悬浮液密度sep_dense、原煤皮带秤量rc_weight、原煤灰分仪量rc_ash、精煤皮带秤量cc_weight、精煤灰分仪量cc_ash数据进行处理，带入所述模型m并输出预测。
[0024]
优选的，通过均方根误差对所述预测的误差进行评价，均方根误差表达式为：其中y
t
表示t时刻的悬浮液密度sep_dense，表示悬浮液密度sep_dense的平均值。
[0025]
优选的，所述多维输入矩阵x[n,4，(t/2 1)]、模型m的搭建和最优参数的获取以及模型m的验证均通过计算机程序指令相关的硬件完成，所述计算机程序可存储于计算机可读存储介质中。
[0026]
优选的，所述计算机可读存储介质为只读存储记忆体或随机存储记忆体。
[0027]
有益效果：相比与现有预测方法，本发明充分考虑了选煤工艺流程数据与目标变量间的时空关系，使后续的机器学习预测模型能够更好的适用于重介选煤这种具有复杂时空时间序列关系的工业过程；同时，为适用于实际的生产应用，本发明选用了lightgbm模型，相较于其他回归预测模型如svm，lightgbm模型占用内存更小，且训练速度更快。
附图说明
[0028]
附图1是本发明预测方法流程图。
[0029]
附图2是本发明基于时间投影的流程数据重构结构图。
具体实施方式
[0030]
下面结合附图对本发明做更进一步的解释。
[0031]
请参考附图1和2，一种基于时间投影的重介质选煤过程控制变量预测方法，方法包括以下步骤，
[0032]
步骤1：对重介过程中传感器获取的数据进行采集；
[0033]
步骤2：对步骤1中采集的数据进行预处理得到多个传感器数据包：首先去除与目标变量y无关的数据列，采用对相邻两个时刻点检测值求平均的方法，将采集的数据中的缺失数据、null值进行补齐，将经过补齐的数据进行清洗，去除多个传感器数值为0时的开停机数据，同时因为选煤厂属于间歇生产的流程工厂，故需将处理后的数据重组成多个传感器数据包，如将2018年6月21日20:00点开始生产，2018年6月22日8:00停机的数据合并为一个传感器数据包。
[0034]
多个传感器数据包均由n组悬浮液密度sep_dense、原煤皮带秤量rc_weight、原煤灰分仪量rc_ash、精煤皮带秤量cc_weight、精煤灰分仪量cc_ash构成，其中n表示传感器获取数据的次数；
[0035]
步骤3：计算重介生产系统的煤流分选运输停滞时间t；
[0036]
步骤4：选取步骤2中的一个传感器数据包，将该传感器数据包存储在n行5列的二维数组[n，5]中，对于处于流程中间的分选运输环节，其t时刻的目标变量y值，将影响到t t/2的产品质量，同时受限于t-t/2时刻的原煤性质。
[0037]
步骤5：在步骤4的二维数组[n，5]中对t之前的数据列进行处理，形成新的输入矩
阵x
tbefore
，在步骤4的二维数组[n，5]中对t之后的数据列进行处理，形成新的输入矩阵x
tafter
，其中t为产生悬浮液密度sep_dense的时刻；
[0038]
步骤6：将步骤5中获取的输入矩阵x
tbefore
、x
tafter
合并为输入矩阵x
t
；
[0039]
步骤7：重复步骤4-6，对步骤2中多个传感器数据包分别进行处理，将得到的多个输入矩阵进行合并得到多维输入矩阵x[n,4，(t/2 1)]和目标变量矩阵y[n]；
[0040]
步骤8：模型m的搭建和最优参数的获取；
[0041]
步骤9：模型m的验证；
[0042]
步骤10：将上述数据处理方法与模型m，应用于选煤厂重介分选环节的悬浮液密度sep_dense预测，根据实际的产品数质量要求及时调整目标变量y。
[0043]
步骤3中t的计算方法为，获取原煤皮带秤开始带煤时间t_rawcoal与精煤皮带秤产生数据的时间t_cleancoal，则重介生产系统的煤流分选运输滞留时间t＝t_cleancoal-t_rawcoal；
[0044]
请参考附图2，步骤4中在二维数组[n，5]中将悬浮液密度sep_dense列设定为目标变量y，将原煤皮带秤量rc_weight、原煤灰分仪量rc_ash、精煤皮带秤量cc_weight、精煤灰分仪量cc_ash列设定为输入变量x。
[0045]
步骤5中对数据列处理的方法为，对二维数组[n，5]在t-t/2时刻之间的原煤皮带秤量rc_weight、原煤灰分仪量rc_ash数据列进行时间投影，形成输入矩阵x
tbefore
，对二维数组[n，5]在t t/2时刻之间的精煤皮带秤量cc_weight、精煤灰分仪量cc_ash数据列进行时间投影，形成输入矩阵x
tafter
，如煤流分选运输停滞时间t为10分钟，其中m＝t/2,相对于t时刻的待预测悬浮液密度sep_dense
t
，需获取t、t-1、t-2、t-3、t-4和t-5各分钟的原煤皮带秤量rc_weight和原煤灰分仪量rc_ash作为输入，则投影后的数据列x
tbefore
(原煤皮带秤量rc_weight、原煤灰分仪量rc_ash)扩充为[n,2,6]的三维数组，同理，需获取t、t 1、t 2、t 3、t 4和t 5时间的精煤皮带秤量cc_weight和精煤灰分仪量cc_ash作为输入，则投影后的数据列x
tafter
(精煤皮带秤量cc_weight、精煤灰分仪量cc_ash)扩充为[n,2,6]的三维数组，合并x
tbefore
、x
tafter
为一个连续数据组的预测输入矩阵xt，此时的预测输入矩阵大小是[n,4,6]的三维数组。
[0046]
步骤8中模型m的搭建包括对步骤7中获取的多维输入矩阵x[n,4,(t/2 1)]进行降维处理后变成二维数组x[n,4*(t/2 1)]，将二维数组x[n,4*(t/2 1)]和目标变量矩阵y[n]进行划分，其中部分数据用于模型m的训练，剩余部分数据用于模型m的测试。
[0047]
选择轻量级梯度提升机lightgbm模型作为回归预测模型，将二维数组x[n,4*(t/2 1)]和目标变量矩阵y[n]的80％数据用于训练，20％数据用于测试，将80％用于训练的数据和20％用于测试的数据带入轻量级梯度提升机lightgbm模型中进行模型搭建，得到模型m，通过交叉验证方法对轻量级梯度提升机lightgbm模型的参数进行寻优，在保证精度的同时，防止模型过拟合。
[0048]
步骤9中模型m的验证方法为，获取多个传感器数据包作为验证集合，根据步骤4-6对悬浮液密度sep_dense、原煤皮带秤量rc_weight、原煤灰分仪量rc_ash、精煤皮带秤量cc_weight、精煤灰分仪量cc_ash数据进行处理，带入模型m并输出预测。
[0049]
通过均方根误差对预测的误差进行评价，标准差表达式为：
其中y
t
表示t时刻的悬浮液密度sep_dense，表示悬浮液密度sep_dense的平均值。
[0050]
多维输入矩阵x[n,4，(t/2 1)]、模型m的搭建和最优参数的获取以及模型m的验证均通过计算机程序指令相关的硬件完成，计算机程序可存储于计算机可读存储介质中。
[0051]
计算机可读存储介质为只读存储记忆体或随机存储记忆体。
[0052]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。