技术领域
[0001] 本发明属于选矿预测技术领域，具体说是一种选矿过程关键参数自适应预测方法。
相关背景技术
[0002] 磨矿作业是选矿流程中非常重要的环节，对企业技术指标和经济效益有着重要影响。球磨机是磨矿过程的主要设备之一，精确预测球磨机内部主要负荷参数(磨矿浓度)是提高磨矿作业选别效率、提升企业效益的关键环节。但是在实际选矿过程中，经常发生因原矿性质变化、不定期添加钢球或者改变设备设定值等情况，导致球磨机运行工况发生改变，此时实时数据与历史建模数据的数据分布发生漂移。并且因为工况时而发生突变，未知工况便会产生，使得传统的预测方法不能满足需求。因此球磨机负荷参数预测中呈现的多工况、未知工况问题，是选矿作业中亟待解决的问题。
具体实施方式
[0062] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方法做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
[0063] 除非另有定义，本文所使用的所有技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0064] 原磨机磨矿分级处理过程主要包括：原矿仓、传送带、球磨机、螺旋分级器、泵池以及若干仪表和电动执行机构等。对应各选矿分级处理过程的现场数据包括：原矿仓台时、传送带转速、旋流器旋给压力、旋给浓度、旋流器补加水流量、矿浆箱补加水流量、矿浆箱液位、磨机浓度。通过采集现场设备的数据，输入到本发明构建的浓度预测模型，可以预测磨流程中的磨矿浓度。
[0065] 根据输入模型的数据的不同，本发明构建的模型还可以预测旋溢粒度、弱磁流程中的弱磁精矿品位、强磁流程中的强磁精矿品位。以下以磨流程中的磨矿浓度为实施例进行说明。
[0066] 如图1所示，为本发明的方法流程图。
[0067] 一种选矿过程关键参数自适应预测方法，将磨矿分级数据进行归一化处理，并构成六维数据的形式，采用无监督域自适应领域的Deep Coral方法与基于窗口的工况划分方法结合，对磨矿阶段的数据划分工况。提出了一种基于Transformer的自适应预测网络，减少不同工况之间的分布差异来学习共同知识。最后使用基于Boosting的重要性评价算法来学习模型隐藏状态的重要性，实现磨机负荷预测。本发明的程序执行步骤所采用的编程语言不限于MATLAB、Python等。
[0068] 本发明的具体步骤如下：
[0069] 步骤1、采集选矿过程的关键参数，包括球磨流程中的磨矿浓度、旋溢粒度、弱磁流程中的弱磁精矿品位、强磁流程中的强磁精矿品位。
[0070] 步骤2、以球磨流程为例，对一段时间内的磨矿分级数据进行预处理；
[0071] 步骤2‑1、去除异常值(数值明显偏离样本的观测值)；
[0072] 步骤2‑2：将磨矿分级数据利用Min‑Max标准化方法进行归一化处理，映射范围为[‑1，1]；
[0073] 利用Min‑Max标准化方法将磨矿分级进行归一化处理，公式如下：
[0074]
[0075] 其中，xi表示磨矿分级实测数据
[0076] 图2为本发明预测框架，分为基于DeepCoral的工况划分和自适应预测网络两部分。所述建立基于DeepCoral的工况划分模型，基于最大熵原理，在训练数据分布出现漂移的情况下，通过划分分布不同时序片段，来最大限度地利用时间序列的共同知识，包括，以下步骤：
[0077] 步骤3‑1、通过一个优化问题来达到划分工况的目的，该优化问题的目标可以表述为：
[0078]
[0079] 其中Di和Dj为给定一个带有n标记片段的时间序列数据D。假设它可以被分割为K个片段。d是一个距离度量，Δ1和Δ2是预定义参数，以避免无效解(例如，非常小的值或非常大的值可能无法捕获分布信息)。K是一个超参数，表示划分的工况个数。d(·,·)可以是任何的距离函数，例如欧几里得距离或者一些基于数据分布的距离，例如最大均值b误差(MMD)和KL散度。
[0080] 步骤3‑2、计算过程中，将时间序列数据分割为N＝10部分，其中每一部分是最小的单位时间不能再进行分割。然后随机搜素{2,3,4,5,6,7,8,9,10}中的K值。给定K，根据贪婪算法选择长度为nj的时间段。分别用A和B表示时间序列的起点和终点。首先考虑K＝2，通过最大化分布距离d(SAC，SCB)，从9个候选拆分点中选取1个拆分点(记为C)。确定C后，考虑K＝3，并使用相同的策略选择另一个点D。
[0081] 步骤4‑1、Transformer的Attention(注意力)模块是无法捕捉输入顺序的所以位置编码在模型中格外重要，使用相对位置编码通过对注意力机制进行解耦来将位置信息直接编码进注意力机制里面的，解决了编码的位置信息丢失的问题，因此改进的位置编码被定义为：
[0082]
[0083] 式(3)是Transformer中的Self‑Attention机制，用于捕获长期依赖关系，表示相对位置为(i,j)的位置编码；其中 为向量xi的输入编码, 为向量xj的输入编码；Wk,R对应注意力机制中Key矩阵的位置编码参数，Wk,E对应注意力机制中Key矩阵的节点编码，表示Query矩阵。Ri‑j为相对位置编码矩阵，为固定的编码向量，不需要学习；u、v为需要训练的参数向量；
[0084] 步骤4‑2、模型输入为经过预处理的磨矿分级过程特征数据。输入数据在Transformer模型中经过位置编码、注意力网络和前馈网络处理后再用全连接神经网络预测球磨机负荷参数。而层正则化可以有效防止过拟合并提高模型泛化能力。多头注意力机制则能使模型更好地提取磨矿分级过程中的特征和不同循环周期的关系，提高负荷参数预测的准确性。
[0085] 定义模型输入为工况划分后的特征数据：D＝{D1,…,DK}， 表示划分好的时间序列片段则模型的输出表示为：
[0086]
[0087] 其中 为改进的相对位置编码，Transformer‑Layer由Encoder和Decoder组成。Encoder、Decoder由六个相同的层组成。每个层分为两部分分别是多头注意力和前馈全连接网络。其中每个部分都加了残差连接和层正则化，避免网络过深，导致梯度消失。
[0088] 步骤4‑3、工况划分模型将训练数据划分为K段不同的工况，通过匹配不同工况的分布，学习不同工况共有的知识。与仅依赖局部和统计的方法相比，学习到的模型M可以对未知工况有更好的预测效果。
[0089] 预测阶段的损失， 可以表示为：
[0090]
[0091] 其中 代表工况Dj的第i个标签， 为损失函数，如MSE loss，θ为可学习模型参数。
[0092] 步骤4‑4、最小化式(5)只能学习各个工况的预测知识，不能减少不同工况之间的分布差异来利用隐藏特征的共同知识、本发明采用分布距离作为正则化项，在每个周期对Di和Dj的分布进行匹配。由于分布匹配通常应用在高级特征表示上，因此将分布匹配正则t化项应用于Transformer模型的Loss函数上。即使用h来表示特征维度为q的t隐藏状态。那么一对(Di,Dj)在隐藏状态上的周期分布匹配可以表示为：
[0093]
[0094] 其中 表示不同工况输出的隐藏状态，θ为需要学习的参数；
[0095] 步骤4‑5、上述正则化项中每个隐藏状态只包含输入序列的部分工况信息，因此未能捕获Transformer中每个隐藏状态的时间依赖性。本发明引入了重要性向量α来学习Transformer中V隐藏状态的相对重要性，其中所有隐藏状态用规范化α加权。这样可以在捕获时间依赖关系的同时，自适应匹配两个工况隐藏状态之间的分布。
[0096] 给定划分的工况、分布匹配的损失可以表示为：
[0097]
[0098] 其中 表示工况Di和Dj在t时刻的分布重要性。
[0099] 通过遵循标准的Transformer计算，可以很容易计算出Transformer的所有隐藏状态。在这里基于隐马尔科夫链，由δ(·)表示基于前一个隐藏状态的下一个隐藏状态的计算。隐藏状态计算可以表示为：
[0100]
[0101] 步骤4‑6、对(4)和(6)进行积分，工况分布匹配在单层Transformer的最终目标为：
[0102]
[0103] 其中λ为权重超参数。在公式(9)的第二项中，计算了所有工况分布距离的平均值。为了减少计算复杂度，取mini‑bitch的Di和Dj在Transformer层中进行正向传播，将所有的隐藏状态拼接起来。然后使用公式(9)进行反向传播学习α和θ，获取最佳参数α*和θ*。
[0104] 所述基于Boosting的重要性评价，包括以下步骤：
[0105] 步骤5‑1、首先使用训练数据对网络参数θ进行预训练，即使用损失函数(5)学习隐藏状态特征，以便于α的学习；在这里将预训练的参数表示为θ0。
[0106] 步骤5‑2、初始时，对于Transformer层输出项的权值初始化为相同值αi,j＝{1/V}V，V为一个批次处理数据的数量。选择跨域分布距离作为Boosting度量，如果epoch n+1的分布距离大于n，增加 的值，以扩大其减小分布发散的效果，否则，保持它不变；Boosting的过程可以表示为:
[0107]
[0108] 其中
[0109] 由分布匹配损失在不同学习阶段计算的更新函数。 表示在epoch n中时间步t处的分布距离，其中 表示epoch为n时工况Di和Dj在t时刻的分布重要性。σ(·)为sigmoid函数。
[0110] 本算法计算流程，包括以下步骤：
[0111] 步骤6‑1、通过求解公式(2)进行工况划分，得到K个工况{Dj}；
[0112] 步骤6‑2、使λ＝0，最小化公式(5)，进行端到端的模型预训练；
[0113] 步骤6‑3、使用公式(9)求解公式(8)，学习α和θ的权重；
[0114] 步骤6‑4、对于公式(8)的结果，使用公式(3)计算不同工况隐藏状态的特征；
[0115] 步骤6‑5、返回最佳参数θ*，α*，得到改进优化后的预测模型。
[0116] 应用中：实际现场采集数据，输入改进优化后的预测模型，得到磨流程中的磨矿浓度。
[0117] 图3为不同模型的预测得分对比。从图中可以看出提出的基于相对位置编码的Transformer模型预测误差优于其他模型。
[0118] 图4(a)、(b)分别为工况渐变或工况突变时的预测结果与未采用自适应模型预测结果对比图。对比模型为经过优化后的Transformer模型。从图中可以明显看出相比于单个模型预测，所提出的自适应框架可以明显提升预测精度，并且在面对工况渐变或工况突变时预测性能也优于其他模型。
[0119] 综上所述，本发明建立基于深度相关对齐(Deep Coral)的磨矿分级工况划分模型；然后将相对位置编码引入Transformer中，对注意力机制进行解耦来将位置信息直接编码进注意力机制，进而提高预测性能；进一步，提出一种自适应预测网络，将分布匹配正则化项应用于Transformer模型的隐藏特征上，减少不同工况之间的分布差异来学习模型隐藏特征的共同知识，提高模型泛化能力；最后采用基于Boosting的方法来学习隐藏状态的重要性。本发明，减少不同工况之间的分布差异，克服现有方法由于磨矿分级数据分布不稳定而导致的磨机负荷预测精度不足等局限，对选矿过程关键参数的预测具有理论和实际意义。
[0120] 以上说明所描述的实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变换和改进。这些都属于本发明的保护范围。
