一种充填场景下的深锥浓密机状态分类方法

1.本发明涉及矿山尾矿处置技术领域，特别涉及一种充填场景下的深锥浓密机状态分类方法。


背景技术：

2.深锥浓密机是一种在采矿、冶金等复杂过程工业场景下被广泛使用的固液分离设备，它通过浓缩原理，即通过固体颗粒自身的重力作用，将浆料分成浓度较高的沉淀物和澄清液两部分，可用于去水、脱药、浓缩等生产过程。
3.浓密机使用过程十分繁琐，在大多数生产情况下，浓密机需要工程师手动调节来使用，以采矿领域常见的尾砂充填过程为例，浓密机需要为后续工序提供合格浓度的浓缩矿浆，而在不同的生产模式下，如尾矿充填或排放矿浆至尾矿库，浓密机需要提供的矿浆浓度要求并不相同，进而使得浓密机工作一般运行在不同的工作状态下，工程师往往要根据浓密机的运行参数判断当前浓密机的工作状态，再手工调节设备阀门和部分工艺设定值以改变浓密机的工作状态，进而满足矿浆的浓度需求。但是因为浓密机工作过程较为复杂，导致其状态难以简单判断，这就给设备调节以及控制过程带来了不便。此外，浓密机在工作过程可能出现传感器故障，也有可能因为操作失误使其发生错误的工作状态，这些异常情况都会因为浓密机状态的判别困难而难以被发现。浓密机运行状态异常可能导致产出浆料的质量下降，给企业带来经济上的损失，甚至导致压耙等生产事故。因此，研究一种高准确度的浓密机状态分类方法具有重要意义。
4.为解决浓密机状态分类问题，现有方法一般是为浓密机建立精确的机理分析模型，首先需要探究浓密机系统内部运作机理，找到与浓密机运行状态相关的因素和参数并分析其内在关系。然而，因为浓密机构造复杂，不同种类的浓密机构造也不尽相同，在缺乏浓密机先验知识的情况下，精确的机理分析模型难以建立。因此需研发一种新的方案，解决浓密机使用过程中状态分类的问题。


技术实现要素：

5.本发明提供了一种充填场景下的深锥浓密机状态分类方法，以解决现有技术无法有效实现浓密机使用过程中状态分类的技术问题。
6.为解决上述技术问题，本发明提供了如下技术方案：
7.一方面，本发明提供了一种充填场景下的深锥浓密机状态分类方法，包括：
8.获取浓密机系统在不同工作状态下的历史工作参数；其中，所述历史工作参数包括：无工作状态标注的工作参数和有工作状态标注的工作参数；
9.基于对比学习，构建浓密机表示学习网络，并利用无工作状态标注的工作参数对所述浓密机表示学习网络进行训练，得到训练好的浓密机表示学习网络；
10.基于神经网络，构建浓密机状态分类器，将有工作状态标注的工作参数输入训练好的浓密机表示学习网络，得到相应的特征表示，利用得到的特征表示对所述浓密机状态
分类器进行训练，得到训练好的浓密机状态分类器；
11.获取待分类浓密机的工作参数，利用训练好的浓密机表示学习网络提取待分类浓密机的工作参数的特征表示，然后将提取到的特征表示送入训练好的浓密机状态分类器，对待分类浓密机的当前工作状态进行分类，得到分类结果。
12.进一步地，所述获取浓密机系统在不同工作状态下的历史工作参数，包括：
13.采集浓密机系统在历史工作过程中，不同工作状态下的原始工作参数；其中，所述工作状态包括：充填状态、排尾状态以及静置状态；所述工作参数包括：进出料流量、进出料浓度以及泥层压力；
14.采用线性插值的方式，将采集到的所述原始工作参数转换为均匀时间序列，得到浓密机系统在不同工作状态下的历史工作参数。
15.进一步地，所述浓密机表示学习网络包括：序列编码器模块、趋势特征提取模块和周期特征提取模块；其中，
16.所述序列编码器模块用于对输入的序列数据进行编码，以获得涵盖更多语义信息的高维特征表示；
17.所述趋势特征提取模块用于提取所述序列编码器模块输出的高维特征表示的趋势性特征，即序列数据的长期变化特征；
18.所述周期特征提取模块用于提取所述序列编码器模块输出的高维特征表示的周期性特征，即序列数据的周期波动的变化特征。
19.进一步地，所述序列编码器模块为时间卷积网络；输入的序列数据先经过一层线性层进行扩维，然后经过一个多层的时间卷积网络将原始序列编码为高维特征表示。
20.进一步地，所述趋势特征提取模块使用具有不同窗口大小的混合自回归过滤器进行趋势性特征提取；每个自回归过滤器都是一个因果卷积网络，通过一维因果卷积的方式进行自回归过滤，卷积核大小即为自回归窗口大小，通过对所有自回归过滤器的结果进行均值池化，得到序列数据的趋势性特征提取结果。
21.进一步地，所述周期特征提取模块使用快速傅里叶变换将序列从时域转换至频域，再通过线性变换层提取频域特征，最终使用傅里叶逆变换将频域特征转回时域。
22.进一步地，对所述浓密机表示学习网络进行训练，包括：
23.使用moco对比学习架构对所述浓密机表示学习网络进行训练；训练时，原始训练数据先经过两次不同数据增强构建出原始训练数据的不同视图的两组数据，构建出的两组数据经过所述序列编码器模块分别得到对应的高维特征表示，利用得到的高维特征表示分别训练趋势特征提取模块和周期特征提取模块。
24.进一步地，所述数据增强的方式包括数据偏移、数据放缩和添加高斯噪音。
25.进一步地，所述趋势特征提取模块的损失函数如下：
[0026][0027]
其中，loss
t
表示趋势特征提取模块的损失函数，n表示样本总个数，k表示负样本队列长度，qi为第i个样本的趋势基准表示，ki为第i个样本的正样本表示，ki为负样本队列中第j个样本表示，τ是一个超参数；
[0028]
所述周期特征提取模块对振幅和相位分别构建损失函数，如下：
[0029][0030][0031]
其中，loss
amp
表示振幅对应的损失函数，loss
phase
表示相位对应的损失函数，n表示样本总个数，f表示傅里叶分解得到的频率个数，为第j个样本傅里叶分解后在第i个频率下的结果，为第j个样本的正样本傅里叶分解后在第i个频率下的结果，为第j个样本傅里叶分解后在第i个频率下的振幅，为第j个样本的正样本傅里叶分解后在第i个频率下的振幅，为负样本队列中第k个样本傅里叶分解后在第i个频率下的振幅，为第j个样本傅里叶分解后在第i个频率下的相位，为第j个样本的正样本傅里叶分解后在第i个频率下的相位，为负样本队列中第k个样本傅里叶分解后在第i个频率下的相位，
·
代表点积操作，用来衡量两个操作数的相似度；
[0032]
最终浓密机表示学习网络的整体损失函数如下：
[0033][0034]
其中，loss表示浓密机表示学习网络的整体损失函数，α是一个超参数。
[0035]
进一步地，所述浓密机状态分类器将浓密机表示学习网络输出的工作参数的特征表示经过一层全连接层和relu激活层输出一个多维的向量，表示预先设定的浓密机状态的类别数；最后再将结果输入到softmax层进行归一化，得到每个浓密机状态类别的概率，取值最大的类别为最终的浓密机状态判定结果。
[0036]
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0037]
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0038]
本发明提供的技术方案带来的有益效果至少包括：
[0039]
1、针对端对端的时间序列分类方法需要大量标注数据，浓密机的状态标注需要耗费大量人力的问题，本发明提出的基于表示学习的浓密机状态分类方法，先通过对比学习架构无监督地学习不同类别浓密机数据的好的特征表示，这样利用少量的标注数据训练得到的浓密机状态分类器可以达到很好的分类效果。
[0040]
2、本发明针对浓密机在不同工作状态下具有不同的均值和周期这一特性，将表示
学习网络分为趋势特征提取模块和周期特征提取模块两部分，使用混合自回归滤波算法提取趋势性特征，使用可学习的傅里叶层建模周期性特征。该方法有效提升了特征提取效果，同时增强了网络的可解释性。
附图说明
[0041]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
[0042]
图1是本发明实施例提供的充填场景下的深锥浓密机状态分类方法的流程图；
[0043]
图2是本发明实施例提供的趋势特征提取模块框架图；
[0044]
图3是本发明实施例提供的周期特征提取模块框架图；
[0045]
图4是本发明实施例提供的充填场景下的深锥浓密机状态分类方法的框架图。
具体实施方式
[0046]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0047]
第一实施例
[0048]
本实施例提供了一种充填场景下的深锥浓密机状态分类方法，属于一种基于数据驱动的浓密机状态识别方法，该方法能够利用浓密机工作参数对浓密机当前工作状态进行准确分类。该方法的执行流程如图1所示，包括以下步骤：
[0049]
s1，获取浓密机系统在不同工作状态下的历史工作参数；
[0050]
其中，浓密机系统的工作状态包括：充填状态、排尾状态以及静置状态；历史工作参数包括：大量无工作状态标注的工作参数和少量有工作状态标注的工作参数；工作参数包括：进出料流量、进出料浓度以及泥层压力；
[0051]
具体地，在本实施例中，上述s1的实现过程如下：
[0052]
s11，采集浓密机系统在历史工作过程中，不同工作状态下的原始工作参数；
[0053]
具体地，本实施例是通过opc技术实现对工业dcs系统的数据读取，获取各种传感器所监测到的浓密机系统的历史工作参数并将数据存储到本地数据库。
[0054]
s12，采用线性插值的方式，将采集到的所述原始工作参数转换为均匀时间序列，得到浓密机系统在不同工作状态下的历史工作参数；
[0055]
具体地，本实施例从数据库中导出浓密机关键生产数据，包括：进出料浓度、进出料流量、泥层压力共5个点位的数据录入csv文件中。因为实际监测到的生产数据时间间隔不均匀，原始数据属于非均匀时间序列，因此，首先对所有点位的数据进行线性插值处理，将其转换为均匀时间序列。
[0056]
s2，基于对比学习，构建浓密机表示学习网络，并利用无工作状态标注的工作参数对浓密机表示学习网络进行训练，得到训练好的浓密机表示学习网络；
[0057]
具体地，在本实施例中，所构建的基于对比学习的浓密机表示学习网络用于基于对比学习的方式，构建更容易进行分类的浓密机工作参数的特征表示；该网络包括：序列编
码器模块、趋势特征提取模块和周期特征提取模块；其中，
[0058]
序列编码器模块用于对输入的序列数据进行编码，实现原始数据的扩维，从而获得涵盖更多语义信息的输入序列的高维特征表示；
[0059]
具体地，本实例使用时间卷积网络tcn去编码历史数据序列，原始数据先经过一层线性层进行扩维，然后经过一个n层(本实施例设定为6)的tcn网络将原始序列x编码为长度为l(本实施例设定为32)的h(n)。网络模型表示为：
[0060][0061][0062]
h(i)＝σ(f(h(i-1),θi))
[0063]
其中，表示经过线性层扩维后的序列，x表示原始序列，w表示线性层权重，b表示线性层偏置，σ表示激活函数，f表示时间卷积网络，θi表示第i层膨胀因果卷积网络参数，h(i)表示第i层膨胀因果卷积网络的输出结果。
[0064]
趋势特征提取模块架构如图2所示，其用于提取序列编码器模块输出的高维特征表示的趋势性特征，即序列数据的长期变化特征；
[0065]
具体地，在本实施例中，趋势特征提取模块使用具有不同窗口大小的混合自回归过滤器进行趋势特征提取，通过训练，模型可以自适应的学习合适的窗口大小，模块共使用m个(本实施例设定为6)自回归过滤器，通过一维因果卷积的方式进行自回归过滤，卷积核大小即自回归的窗口大小，经过对比实验，本实施例设定6个卷积核大小分别为1，2，4，8，16，32。数据经过每个自回归过滤器过滤之后，将结果进行均值池化操作为最终提取到的趋势特征，本模块输入与输出y的关系如下式：
[0066][0067]
其中，x是序列编码器模块输出结果，ci是第i个自回归过滤器。
[0068]
周期特征提取模块架构如图3所示，其用于提取序列编码器模块输出的高维特征表示的周期性特征，即序列数据的周期波动的变化特征；
[0069]
具体地，在本实施例中，周期特征提取模块使用快速傅里叶变换将序列从时域转换至频域，再通过线性变换层提取频域特征，最终使用傅里叶逆变换将频域特征转回时域，从而得到序列的周期波动的变化特征。其中，需说明的是，对于一个长度为s的序列，使用傅里叶变换可分解成个正余弦波，根据欧拉公式，将正余弦波转换成复指数函数的形式。这就是复频域下的傅里叶变换。傅里叶变换层对输入数据使用快速傅里叶变换将其从时域转换到频域之中，变换结果为个复数，每个复数反映了输入数据分解到某频率下波的相位、振幅信息，设复数形式为a bi，则对应振幅(amplitude)和相位(phase)分别如下：
[0070][0071]
[0072]
傅里叶变换层的输出经过一个线性变换层来提取频域特征，对分解后频域下每种频率的结果，都设置一个参数可学习的线性变换矩阵来学习该频率下的特征信息。线性变换层的输出是频域视角下序列的特征表示，为了和时域下提取的趋势特征结合供下游任务使用，通过傅里叶逆变换层，将频域特征表示转换到时域之中，本模块输入与输出v的关系如下：
[0073]
v＝f-1
(af(x) b)
[0074]
其中，x为编码器模块输出结果，f为傅里叶变换，a和b为线性变换层参数，f-1
为傅里叶逆变换。
[0075]
该浓密机表示学习网络的训练过程为：使用moco对比学习架构对浓密机表示学习网络进行训练；训练时，原始训练数据先经过两次不同数据增强构建出原始训练数据的不同视图的两组数据，构建出的两组数据经过序列编码器模块分别得到对应的高维特征表示，利用得到的高维特征表示分别训练趋势特征提取模块和周期特征提取模块。
[0076]
高维表示分别进入趋势特征提取模块和周期特征提取模块得到对应特征表示，同一数据的不同视图表示为正样本对，不同数据的表示为负样本对，将正样本对和负样本对作为对比损失函数中的子元素，从而计算对比损失函数；通过对比损失函数提高同一个实例对应的特征序列的相似度，提高同一个实例对应的正样本对的相似度，同时降低正样本和负样本之间的相似度。
[0077]
其中，数据增强的方式包括数据偏移、数据放缩和添加高斯噪音三种。
[0078]
数据偏移指对时间序列加减一个随机标量值，随机标量值从高斯分布中采样得到，即ε～n(0,0.5)，其中，n(0,0.5)为均值为0，方差为0.5的高斯分布，ε为随机标量值，x
t
为时间戳为t的序列值，为数据增强的结果。
[0079]
数据放缩将时间序列由单个随机标量值来缩放，随机标量值从高斯分布中采样得到，即ε～n(0,0.5)，其中，n(0,0.5)为均值为0，方差为0.5的高斯分布，ε为随机标量值，x
t
为时间戳为t的序列值，为数据增强的结果。
[0080]
高斯噪音添加指向每个时间步添加高斯噪音。即ε
t
～n(0,0.5)，其中，n(0,0.5)为均值为0，方差为0.5的高斯分布，ε
t
为对时间戳为t的序列值产生的高斯噪音，x
t
为时间戳为t的序列值，为数据增强的结果。
[0081]
趋势特征提取模块的损失函数如下：
[0082][0083]
其中，loss
t
表示趋势特征提取模块的损失函数，n表示样本总个数，k表示负样本队列长度，qi为第i个样本的趋势基准表示，ki为第i个样本的正样本表示，ki为负样本队列中第j个样本表示，τ是一个超参数；
[0084]
周期特征提取模块对振幅和相位分别构建损失函数，如下：
[0085][0086][0087]
其中，loss
amp
表示振幅对应的损失函数，loss
phase
表示相位对应的损失函数，n表示样本总个数，f表示傅里叶分解得到的频率个数，为第j个样本傅里叶分解后在第i个频率下的结果，为第j个样本的正样本傅里叶分解后在第i个频率下的结果，为第j个样本傅里叶分解后在第i个频率下的振幅，为第j个样本的正样本傅里叶分解后在第i个频率下的振幅，为负样本队列中第k个样本傅里叶分解后在第i个频率下的振幅，为第j个样本傅里叶分解后在第i个频率下的相位，为第j个样本的正样本傅里叶分解后在第i个频率下的相位，为负样本队列中第k个样本傅里叶分解后在第i个频率下的相位，
·
代表点积操作，用来衡量两个操作数的相似度；
[0088]
最终浓密机表示学习网络的整体损失函数如下
[0089][0090]
其中，loss表示浓密机表示学习网络的整体损失函数，α是一个超参数，用来控制趋势对比学习损失和季节对比学习损失的权重比，因为趋势表示损失和季节表示损失可能不在一个数量级，经过对比实验，最终设定α值为0.01。
[0091]
s3，基于神经网络，构建浓密机状态分类器，将有工作状态标注的工作参数输入训练好的浓密机表示学习网络，得到相应的特征表示，利用得到的特征表示对浓密机状态分类器进行训练，得到训练好的浓密机状态分类器；
[0092]
具体地，在本实施例中，浓密机状态分类器将浓密机表示学习网络输出的特征表示经过一层全连接层和relu激活层输出一个多维的向量，表示预先设定的浓密机状态的类别数；最后再将结果输入到softmax层进行归一化，得到每个浓密机状态类别的概率，取值最大的类别为最终的浓密机状态判定结果。
[0093]
s4，获取待分类浓密机的工作参数，利用训练好的浓密机表示学习网络提取待分类浓密机的工作参数的特征表示，然后将提取到的特征表示送入训练好的浓密机状态分类器，对待分类浓密机当前工作状态进行分类，得到分类结果。
[0094]
具体地，上述s4的实现过程为：获取待分类浓密机最近时间段的工作参数，首先将获取的工作参数输入训练好的浓密机表示学习网络，以提取工作参数对应的特征表示，然后将提取到的特征表示送入训练好的浓密机状态分类器，利用浓密机状态分类器输出分类
浓密机当前工作状态的最终分类结果。
[0095]
综上，本实施例提供了一种充填场景下的深锥浓密机状态分类方法，其系统框架如图4所示，该深锥浓密机状态分类方法，能够学习浓密机在不同状态下其运行数据之间的特征差异，并训练模型，进而在给定新数据的情况下，利用该模型对浓密机状态进行分类。相比于现有方法，本方法能够减少对专家经验的依赖，掌握足量数据即可推广至不同工业场景的浓密机生产过程中。
[0096]
第二实施例
[0097]
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
[0098]
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
[0099]
第三实施例
[0100]
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是rom、随机存取存储器、cd-rom、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
[0101]
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
[0102]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0103]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0104]
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排
除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0105]
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，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。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。