[發明專利]一種基于梯度提升決策樹的磷酸生產參數控制方法

有效

• 申請號: 201810525087.2
• 申請日: 2018-05-28
• 公開（公告）號: CN108873829B
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 詹曉丹;邱振魯;沈佳杰;劉瓊;韓彩亮;陳宜川
• 申請（專利權）人: 上海新增鼎數據科技有限公司
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 武漢宇晨專利事務所 42001
• 代理人: 王敏鋒

1.一種基于梯度提升決策樹的磷酸生產參數控制方法，其特征在于，包括磷礦消耗量軟測量方法及磷酸生產參數控制步驟：

磷礦消耗量軟測量方法：

步驟1.根據飼料級磷酸氫鈣的磷礦來源通過傳感器采集磷酸生產參數構建歷史數據庫，磷酸生產參數包括：從生產廠磷礦粉制漿工段采集磷礦漿計量流量數據和礦漿貯槽密度數據；從生產廠磷酸萃取工段采集硫酸計量流量數據；其次從生產廠磷礦粉制漿工段獲取磷礦粉消耗量的測量值；形成以磷礦漿計量流量、礦漿貯槽密度、硫酸計量流量、磷礦粉消耗量為特征并以時間為序列的磷酸生產參數大數據集；

步驟2.采用標準化模塊對獲取大數據集進行零-均值計算處理得標準化數據，零-均值計算模塊處理過程包括：標準化數據＝(原始磷酸生產參數-原始磷酸生產參數的均值)/原始磷酸生產參數的標準差，用于將各分鐘磷礦漿計量流量、各小時礦漿貯槽密度以及各分鐘硫酸計量流量數據按比例縮放，消除上述參數特征數量級差異，降低上述參數特征的權重占比；

步驟3.對獲取的標準化后的大數據集進行劃分，以時間為維度按照4:1的數據量比例將大數據集隨機劃分為訓練大數據集和測試大數據集，訓練大數據集用于對模型進行訓練，測試大數據集用于對訓練的模型進行評估；

步驟4.將步驟3中以磷礦漿計量流量、礦漿貯槽密度、硫酸計量流量為特征組成的121列訓練大數據集進行相關性分析和主成分分析，得降維數據集作為GBDT回歸模型輸入樣本，同時得PCA降維參數：均值和協方差，用于消除冗余特征，減少參數特征維度；

步驟5.基于提取的GBDT回歸模型輸入樣本，訓練基于訓練大數據集中磷礦粉消耗量的梯度提升決策樹GBDT回歸模型模塊；

步驟6.采用步驟5中訓練的梯度提升決策樹GBDT回歸模型，將步驟3中測試大數據集經步驟4處理后作為梯度提升決策樹GBDT回歸模型輸入樣本，對測試大數據集的磷礦粉消耗量進行預測，通過繪制磷礦粉消耗量預測值與真實值構成的QQ-plot圖進行殘差正態分布檢驗；

步驟7.若步驟6中殘差服從正態分布，則將采集的磷酸生產參數，經過步驟1、步驟2和步驟4的數據處理，然后代入步驟5中的梯度提升決策樹GBDT回歸模型，獲得磷礦粉消耗量預測值；

磷酸生產參數控制步驟：將步驟7獲得的磷礦粉消耗量預測值作為參考值，以預測值與單位時間內計量給料器單位投料量的比值，作為計量給料器投料控制量，調整單位時間內計量給料器投料次數，用于穩定磷礦消耗量，其中單位時間為一小時，單位投料量為一小時內計量給料器投料量均值與投料次數的比值。

2.根據權利要求1所述的方法，其特征在于，所述步驟1中，為將不同來源的磷酸生產參數進行統一，磷礦漿計量流量、硫酸計量流量、磷礦粉消耗量通過物聯網采集設備自動采集，礦漿貯槽密度通過人工采集，每小時內獲取的數據點作為特征，還包括獲取磷酸生產參數歷史數據的步驟：S01.磷礦漿計量流量、硫酸計量流量特征數據均按照1分鐘的時間間隔進行采集，并按每個檢測點的時間序列進行向后填充采樣至每分鐘，按時間序列排序；S02.礦漿貯槽密度、磷礦粉消耗量數據均按照1小時的時間間隔進行采集，并按每個檢測點的時間序列進行向后填充采樣至每小時，按時間序列排序；S03.通過Python環境與數據庫直連，上述磷酸生產參數均需提取至少147天的數據或至少3528個小時的數據，然后轉換為至少包括3528行*122列的磷酸生產參數大數據集。

3.根據權利要求1所述的方法，其特征在于，所述步驟2中采用零-均值計算模塊對轉換后的大數據集進行數據標準化處理。

4.根據權利要求1所述的方法，其特征在于，所述步驟3中訓練大數據集為：S＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}

其中x_i表示第i個樣本的特征，y_i表示第i個樣本的對應磷礦粉消耗量。