[發明專利]一種礦漿銅品位在線預測軟測量建模方法

在審

• 申請號: 202210275077.4
• 申請日: 2022-03-21
• 公開（公告）號: CN114626304A
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 孫濤;趙亞棟;孫凱
• 申請（專利權）人: 齊魯工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/16;G06N3/04;G06N3/08
• 代理公司: 濟南格源知識產權代理有限公司 37306
• 代理人: 劉曉政

本發明涉及一種礦漿銅品位在線預測軟測量建模方法，采集銅礦浮選過程中能夠直接測量的過程變量數據采集人工標定的實驗室標定銅品位樣品數據其中N為樣本量，P為過程變量，R為實數集；對所述過程變量和實驗室標定樣品數據進行數據預處理，處理后的數據集，包括輸入變量X∈R^N×P和輸出變量Y∈R^N×1；并將處理后的數據集劃分為訓練集、測試集；獲得軟測量模型計算測試集的預測值公式，最后進行驗證，本方法可以同時考慮變量選擇和網絡模型結構動態調整的問題，可以降低模型的復雜度，提高模型的在線預測能力。

技術領域

本發明涉及人工智能以及工業領域，尤其涉及一種用于礦漿銅品位的，采用非負絞殺和極限學習機的在線預測軟測量建模方法。

背景技術

隨著科學技術的發展，軟測量技術廣泛應用于工業生產過程。軟測量技術主要通過采集與目標變量相關性較強的輔助變量作為輸入變量，將目標變量作為輸出變量，結合數學模型實現對目標變量的估計。當前，軟測量技術主要有最小二乘法、支持向量機和人工神經網絡等。但是，復雜的工業過程會導致過程變量之間存在高度的非線性、冗余性以及強耦合性，因此輔助變量的選擇對于軟測量建模來說至關重要。

非負絞殺算法(Nonnegative garrote,NNG)是一種嵌入式變量選擇算法，最初是用來解決線性歸回子集的選擇問題，而對于非線性問題，有人提出將NNG與MLP神經網絡相結合的軟測量算法，但是MLP神經網絡只適用于離線預測，而對于動態數據的建模問題會導致變量選擇的準確性降低。極限學習機是(Extreme Learning Machine,ELM)一種單隱藏層前饋神經網絡，具有理論解析解和收斂速度快的優勢，適用于具有海量、多樣、高速等特征的大數據環境，已經成功應用于離線預測。在線極限學習機(Online sequential extremelearning machine, OS-ELM)是在ELM的基礎上增加了在線更新階段，能夠自動調整網絡結構，具有較好的泛化性能和較快的學習速度。

在線預測一直是智能信息處理的前沿領域。在實際的工業應用中，由于實時采樣的業務需求和計算機緩存的限制,數據呈現出逐個到達或片段式到達的特點,形成實時數據流，因此復雜多變的流式數據要求模型能根據當前數據片段的預測結果自動調整結構。

在當前已有的文獻與專利資料中，許多科研人員已經研究出有效的極限學習機在線預測網絡模型，也有很多研究關于非線性變量選擇的問題，但大多數研究都沒有同時考慮輸入變量選擇和OS-ELM網絡結構冗余的問題。鑒于此，本發明提供一種變量選擇和極限學習相結合的在線預測的軟測量建模方法，這種方法可以同時考慮變量選擇和網絡模型結構動態調整的問題，可以降低模型的復雜度，提高模型的在線預測能力。

發明內容

針對上述問題，本發明提供一種礦漿銅品位在線預測軟測量建模方法。

本發明提供如下技術方案：一種礦漿銅品位在線預測軟測量建模方法，包括如下步驟，

步驟1、采集銅礦浮選過程中能夠直接測量的過程變量數據采集人工標定的實驗室標定銅品位樣品數據其中N為樣本量，P為過程變量，R為實數集；

步驟2、對所述過程變量和實驗室標定樣品數據進行數據預處理，處理后的數據集，包括輸入變量X∈R^N×P和輸出變量Y∈R^N×1；并將處理后的數據集劃分為訓練集、測試集和驗證集；

步驟3、對ELM網絡的超參數調優，得到初始ELM訓練模型；

步驟4、隨機初始化輸入層、隱含層的參數α_i、b_i，構建初始化ELM網絡，如式(1)：