【技术实现步骤摘要】
本专利技术涉及球磨机负荷预测领域，具体是一种基于物理信息神经网络的在线多任务磨机负荷预测方法。
技术介绍
1、湿式球磨机是磨矿过程中一种重要的机械设备，主要依靠自身旋转带动钢球撞击，进而将矿石粉碎成细颗粒。对于湿式球磨机来说，磨机负荷是反映球磨机运行状态的重要指标，主要包括矿浆浓度、料球比等。准确检测湿式球磨机的磨机负荷是提高磨矿效率、提升磨矿产品质量、避免湿式球磨机发生故障的关键。
2、由于很难直接测量球磨机的磨机负荷，所以需要采用数据驱动的方式建模磨机负荷的预测模型。球磨机的振动信号中包含丰富的磨机负荷信息，但振动信号与磨机负荷间存在复杂的非线性关系，因此采用拥有强大的非线性建模能力的神经网络建立磨机负荷模型。然而，在磨矿过程中，只有当球磨机检修时，可以采集少量的矿浆浓度真值。而由于钢球和磨机衬板等的磨损在研磨过程中不易检测，较难获得料球比真值，因此直接建立料球比预测模型，所得到的料球比预测精度较低。
3、考虑到料球比与矿浆浓度之间存在一定的关系，将矿浆浓度与料球比间的物理方程融入神经网络模型中，通过物理信息约束神经网络模型的学习，进而提高模型的准确性和可解释性。然而在实际生产过程中，球磨机数据的分布和特征可能会随时间发生变化，使用旧模型进行磨机负荷预测可能会导致较大的误差。针对以上问题，本专利技术提出一种基于物理信息神经网络的在线多任务磨机负荷预测方法，将物理方程引入料球比的预测模型中，引导神经网络学习更合理的模型参数和结构。同时，通过更新磨机负荷预测模型的参数，使预测模型能够更好地适应数据的变化，
技术实现思路
1、本专利技术为了解决上述问题，提供一种基于物理信息神经网络的在线多任务磨机负荷预测方法。
2、本专利技术采取以下技术方案：一种基于物理信息神经网络的在线多任务磨机负荷预测方法，包括：
3、s100：采集球磨机的振动信号及其对应的矿浆浓度真值和料球比真值；
4、s200：对s100中所获得的振动信号进行快速傅里叶变换，得到训练数据；
5、s300：将从s200中得到的训练数据输入矿浆浓度预测模型中，得到矿浆浓度的预测值；
6、s400：将从s200中得到的训练数据和从s300中得到的矿浆浓度预测值输入料球比预测模型中，得到料球比的预测值；
7、s500：采集矿浆浓度真值，更新矿浆浓度预测模型和料球比预测模型。
8、步骤s100中，球磨机的振动信号通过设置在湿式球磨机轴承上的加速度传感器采集。
9、步骤s200：对从s100中得到的振动信号 s进行快速傅里叶变换，得到训练数据，转换过程可表示为：
10、
11、x表示训练数据，表示快速傅里叶变换函数。
12、训练数据是指从磨矿过程中采集的带球磨机矿浆浓度真值的球磨机数据，包含n个样本，训练数据可表示为：
13、
14、训练数据具有矿浆浓度真值和料球比真值，表示第i个样本，和分别表示第i个样本所对应的矿浆浓度真值和料球比真值，n表示样本个数，m表示样本特征数。
15、矿浆浓度预测模型包括特征提取模块和回归预测模块；
16、所述特征提取模块包括：
17、卷积核大小为5的一维卷积层，将从s200中得到的训练数据输入卷积核大小为5的一维卷积层中，然后经过批标准化得到第一次卷积后的特征；
18、以及卷积核大小为3的一维卷积层，将第一次卷积后的特征输入到卷积核大小为3的一维卷积层中，经过批标准化和激活层得到提取的特征；
19、所述回归预测模块包括：两层全连接层和一层激活层，特征提取模块输出的特征输入两层全连接层和一层激活层，通过与全连接层的权重和偏置以及激活层的激活函数进行运算，得到矿浆浓度的预测值；将矿浆浓度的预测值输入到矿浆浓度预测模型的损失函数中，通过最小化矿浆浓度预测模型的损失函数，反向传播更新模型的参数，得到最终训练好的模型。
20、回归预测模块中，矿浆浓度的预测值为：
21、
22、其中，z表示提取的特征，表示矿浆浓度的预测值，和分别表示两层全连接层的权重，和分别表示两层全连接层的偏置，权重和偏置由反向传播算法更新，表示relu激活函数。
23、回归预测模块中，矿浆浓度预测模型的损失函数为：
24、
25、其中，为矿浆浓度预测模型的损失函数，n为样本个数，为第i个样本的矿浆浓度真值，为第i个样本的矿浆浓度预测值。
26、料球比预测模型包括：
27、用矿浆浓度表示的料球比计算方程，具体为：
28、
29、式中，表示料球比，表示矿浆浓度，表示水负荷，为介质空隙率，为钢球密度，为物料密度，为钢球负荷；
30、以及预测模型，所述预测模型包括三层全连接层和两层激活层，将从s200中得到的训练数据和得到的矿浆浓度预测值输入三层全连接层中，通过与全连接层的权重和偏置以及激活层的激活函数进行运算，得到料球比的预测值；
31、把从s300中得到的矿浆浓度预测值看作数据的一维特征，和从s200中得到的训练数据合并后，输入到料球比预测模型中，得到料球比的预测值；
32、将料球比的预测值输入到料球比预测模型的损失函数中，通过最小化料球比预测模型的损失函数，反向传播更新模型的参数，得到最终训练好的模型。
33、预测模型中料球比的预测值为：
34、
35、表示料球比的预测值，、和分别表示三层全连接层的权重，、和分别表示三层全连接层的偏置，表示relu激活函数。
36、预测模型的损失函数为：
37、
38、式中，表示料球比预测模型的损失函数，n表示训练样本个数，i表示样本中的第几个样本，表示第i个料球比的预测值，表示第i个矿浆浓度的预测值，表示第i个料球比的真值。
39、步骤s500包括：
40、s501：当球磨机处于维修期时，从球磨机出料口对球磨机的矿浆浓度进行采样，获得带有矿浆浓度真值的更新数据，将更新数据与从s200中得到的训练数据合并，得到新的训练数据，；
41、s502：冻结矿浆浓度预测模型中特征提取模块的网络参数，根据矿浆浓度预测模型的损失函数更新回归预测模块的参数，进而得到更新后的矿浆浓度预测值；
42、
43、表示更新回归预测模块参数后得到的矿浆浓度预测值，表示更新回归预测模块参数后的矿浆浓度预测模型；
44、s503：将得到的矿浆浓度预测值输入料球比预测模型中，根据损失函数更新料球比的预测模型，进而得到更新后的料球比预测值；
45、
46、表示更新料球比预测模型后的料球比预测值，表示更新参数后的料球比预测模型。...
【技术保护点】
1.一种基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，所述步骤S100中，球磨机的振动信号通过设置在湿式球磨机轴承上的加速度传感器采集。
3.根据权利要求1所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，所述步骤S200：对从S100中得到的振动信号S进行快速傅里叶变换，得到训练数据，转换过程表示为：
4.根据权利要求1所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，所述矿浆浓度预测模型包括特征提取模块以及回归预测模块；
5.根据权利要求4所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，所述回归预测模块中，矿浆浓度的预测值为：
6.根据权利要求4所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，所述回归预测模块中，矿浆浓度预测模型的损失函数为：
7.根据权利要求4所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征
8.根据权利要求7所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，所述预测模型中料球比的预测值为：
9.根据权利要求7所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，所述预测模型的损失函数为：
10.根据权利要求1所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，所述步骤S500包括：
...【技术特征摘要】
1.一种基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，所述步骤s100中，球磨机的振动信号通过设置在湿式球磨机轴承上的加速度传感器采集。
3.根据权利要求1所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，所述步骤s200：对从s100中得到的振动信号s进行快速傅里叶变换，得到训练数据，转换过程表示为：
4.根据权利要求1所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征在于，所述矿浆浓度预测模型包括特征提取模块以及回归预测模块；
5.根据权利要求4所述的基于物理信息神经网络的在线多任务磨机负荷预测方法，其特征...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。