一种分段可解释的煤浮选智能加药方法

技术特征：
1.一种分段可解释的煤浮选智能加药方法，其特征在于，包括以下步骤：s1：捕获煤浮选加药过程特征数据和浮选指标，建立煤泥浮选加药预测数据集；s2：设计和构建xgboost浮选加药回归预测模型并计算训练误差；s3：采用shap算法解释浮选过程特征变量对浮选药剂添加量的贡献及重要性程度，分别计算出对于加药量预测最重要的特征；s4：依靠shap均值选取浮选药剂中的一种作为主因变量，按照步骤s2中xgboost模型的预测值添加，另一种药剂作为次因变量，按照干煤泥含量计算的药剂比预测；s5：借助shap均值对添加药剂量的边界值分段；s6：综合上述步骤s1～s5，设置加药规则。2.如权利要求1所述的一种分段可解释的煤浮选智能加药方法，其特征在于，上述步骤s1包括：s11：使用仪器捕获煤浮选加药过程特征变量，以可燃体回收率和精煤产率为指标，标记可燃体回收率和精煤产率达到选厂要求时的指标参数；s12：剔除异常数据，采用归一化方法基于单个变量的最大最小值将各变量特征的值放在区间[0,1]内，归一化公式如下：v(x)＝[a(x)-mina(x)]/[maxa(x)-mina(x)]其中，a(x)是浮选过程变量特征或尾矿灰分，v(x)是模型输入特征；s13：按照80:20的比例将数据划分为训练集和验证集，建立煤泥浮选加药预测数据集。3.如权利要求2所述的一种分段可解释的煤浮选智能加药方法，其特征在于，上述步骤s11，利用控制模块和传感器采集工业浮选过程中的浮选入料浓度ρ、入料流量q和充气量a，利用尾矿视觉灰分仪监测浮选尾矿的灰分值ad，作为四个特征变量；采集样本数据时同时采集浮选机精煤灰分、捕收剂添加量和起泡剂添加量。4.如权利要求1所述的一种分段可解释的煤浮选智能加药方法，其特征在于，上述步骤s2包括：s21：采用10-折交叉验证方法读入浮选加药预测数据集；s22：步骤s2中的xgboost模型是一个数集成模型，内部由多个回归树组成，为了优化损失函数，进一步训练的目标函数为：其中公式中g
i
为损失函数的一阶导数，h
i
为为损失函数的二阶导数，f表示损失函数最小的浮选加药量，ω为正则项，式中γ为叶子节点的惩罚参数，t为叶子节点个数；s23：网格搜索优化xgboost中待优化的超参数，包括弱药剂学习机个数n_estimators、最大树深度max_depth、惩罚系数gamma和学习率learning_rate；s24：对一组浮选特征变量进行编码并计算浮选药剂添加量，优化损失函数均方根误差rmse，根据损失函数减小的方向继续优化加药模型，rmse的计算公式如下：
其中y
obj
为实际浮选药剂添加量，y
model
为模型预测的浮选药剂添加量，n为变量样本的个数。5.如权利要求1所述的一种分段可解释的煤浮选智能加药方法，其特征在于，上述步骤s3包括：s31：以第i组训练数据为例，每组组局对应浮选特征变量，则第i个训练样本的shap值的预测可以表示为：其中公式中f
ki
是第k个特征，是样本的平均预测，z表示样本集合，s是除去第k个特征的样本集合，g表示预测模型，g
s
表示仅用集合s训练的模型；s32：训练数据中每个浮选特征变量对应有shap值，选择样本的shap均值来表示特征对于浮选药剂添加量预测的重要性，最终得到浮选过程特征的重要性排序；s33：选择shap均值最大的变量特征为加药量预测的最重要特征。6.如权利要求1所述的一种分段可解释的煤浮选智能加药方法，其特征在于，上述步骤s4包括：s41：采取上述步骤s2中的方法训练浮选加药模型，再按照步骤s3中的方法分别计算浮选药剂的shap均值，其中捕收剂为s
b
，起泡剂为s
q
；s42：如果sb>sq，选取捕收剂添加量为主因变量，取起泡剂添加量为次因变量，主因变量采用xgboost模型直接预测，次因变量＝主因变量/k，其中k为药剂比；否则，起泡剂添加量为主因变量，捕收剂添加量为次因变量。s43：取浮选系统实时的干煤泥含量来确定最佳药剂比k，干煤泥含量的计算公式如下：m(g)＝q(l)
·
ρ(l)其中q为入料矿浆流量，ρ为入料矿浆浓度；然后在浮选指标满足选煤厂生产要求的前提下结合浮选实验利用spss拟合浮现药剂比与干煤泥含量的关系为k＝f(m(g))。7.如权利要求1所述的一种分段可解释的煤浮选智能加药方法，其特征在于，上述步骤s5包括：s51：根据步骤s2中的浮选变量特征的排序依次绘制shap dependence_plot及产率、可燃体回收率与浮选变量的关系图；s52：在shap dependence_plot图中找到对应变量的预测加药量使得浮选指标不满足选煤厂要求的浓度值ρ
l
、流量值q
l
、充气量a
l
和尾矿灰分ad
l
，设定最低加药量的分段点为ρ
l
、q
l
、a
l
和ad
l
，对应的捕收剂加药量为最低加药量y
b
。8.如权利要求1所述的一种分段可解释的煤浮选智能加药方法，其特征在于，综合上述步骤s1～s5，设置加药规则：
读取浮选变量ρ、q、a和ad；then计算捕收剂加药量y为y
model
，and起泡剂加药量p为y
model
/k；if浓度值ρ<ρ
l
or流量值q<q
l
or尾矿灰分ad<ad
l
or充气量a<a
l
；then y＝y
b
,and p＝y
b
/k；else y＝y
model
and p＝y
model
/k。

技术总结
本发明公开了一种分段可解释的煤浮选智能加药方法，该方法基于高精度传感器和检测设备捕获浮选加药数据集，对输入特征进行归一化处理；然后利用特征数据变量训练煤浮选的XGBoost加药模型，结合SHAP解释该模型，基于SHAP均值选取主因变量，主因变量采用XGBoost模型直接预测，次因变量采用干煤泥含量计算的药剂比预测，同时借助SHAP均值计算添加药剂量的分段边界值，避免小于常规范围时仅仅依赖机器学习模型还会存在药剂不足的工况。该方法提出的新的分段可解释智能加药方法优于现有的人工操作和机器学习算法，该方法预测加药的算法更科学稳定，能够有效保证煤泥浮选生产的可燃体回收率和精煤产率，为选煤厂提质增效。为选煤厂提质增效。为选煤厂提质增效。


技术研发人员：温智平 周长春 王光辉 刘航涛 周脉强
受保护的技术使用者：中国矿业大学
技术研发日：2022.08.30
技术公布日：2022/11/25