【技术实现步骤摘要】
本专利技术属于煤泥浮选，具体涉及一种基于贝叶斯超参数优化的lightgbm回归的精煤灰分在线预测方法。
技术介绍
1、在人工智能技术迅速发展和煤矿智能化政策的推动下，煤炭智能化分选已经是发展的趋势。但是在浮选即细粒煤泥(-0.5mm)分选的核心工艺中，智能化研究进展相对缓慢，这主要归咎于煤泥浮选过程的灰分难以实时在线预测。
2、煤泥浮选是一种基于矿物表面物理-化学性质差异来分选细粒伴生或混合矿物的选矿方法。20世纪初，在浮选工艺商业化后就一直承担着细粒煤泥(-0.5mm)的分选任务。近些年，随着优质煤炭储量急剧减少和水力旋流器的大量使用导致浮选在煤炭洗选工艺中的比重逐年递增。
3、灰分是评价煤泥浮选产品最重要的指标，被用来直接或间接计算浮选性能指标和产品质量。目前灰分检测国家标准(即烧灰分)流程复杂且用时过长，目前国内对于这两种灰分检测大多是采用离线检测方法，即固定时间对浮选精煤、浮选尾矿进行采样，而后送至化验室对样品进行制样、烧灰、称重、计算，一般都选择半小时到一小时一次，延误了浮选工艺控制的调节窗口，为此浮选操作工人主要凭借浮选泡沫/尾煤的视觉特征来调整浮选机的过程变量。但这种基于经验的方法误差较大，容易造成浮选精煤和药剂损失。此外，由于灰分数据提供的太慢，浮选药剂加入之后的变化也无法实时测量，导致这个大滞后性的过程只能等时间和通过目测的方法来估计，大大降低了对于浮选过程的研究以及智能化的推进。
4、放射性同位素技术也被一些研究用来检测矿浆灰分，但放射源的安全和环境约束限制了这种方法的应用
5、尾矿图像灰分预测也在不停的向前推进，浮选生产过程中多是依靠浮选司机对浮选泡沫、尾矿颜色进行判断。但是，在工业现场图像采集过程中，由于现场震动、自然光照、环境光源、温度、湿度等因素的影响，获取的泡沫图像不可避免的会出现一系列问题，从而影响了提取浮选泡沫图像特征的准确性，最终影响浮选泡沫图像分类识别以及灰分预测的精确率。但是由于浮选入料情况可以通过传感器获得，药剂消耗也可由加药装置进行量化，而且尾矿灰分可以由上述方法进但是由尾矿的灰分进而推测精煤的灰分。因此，在知道了入浮煤泥总量、药剂添加量、尾矿情况之后，精煤灰分也就可以通过这几种特征建立合适的数学模型，来对精煤灰分进行预测，实现对精煤灰分的在线预测。
6、此外，浮选系统实现智能控制也严重依赖浮选精煤/尾煤灰分的反馈调节，随着选煤厂智能化建设目标的确立，高效、环保和在线预测浮选过程灰分是煤泥浮选工艺智能化建设的当务之急。
技术实现思路
1、本专利技术的目的是解决上述问题，提供一种一种基于贝叶斯超参数优化的lightgbm回归的精煤灰分在线预测方法。
2、为解决上述技术问题，本专利技术采用的技术方案是：
3、一种基于贝叶斯超参数优化的light gbm回归的精煤灰分在线预测方法，包括如下步骤：
4、步骤s1、实时采集数据：在plc上采集实时数据作为训练集：所述数据包括灰分设定值、进矿浓度、流量、充气阀门开度、清水给定、干煤泥量、捕收剂给定、起泡剂给定、柴油给定、尾矿灰分、浮选槽液位；
5、使用ai矿浆灰分仪获取尾矿灰分预测值，并将尾矿灰分预测值作为训练集和测试集；
6、在进矿稳定时每隔二十分钟取一次实验室化验所需的精煤灰分，在进矿不稳定时每隔五分钟取一次精煤灰分，依次编号储存并实时化验，获得的结果作为测试集；
7、步骤s2、数据读取与清洗：将步骤s1中ai矿浆灰分仪获取的尾矿灰分预测值作为输出值，将实时采集的训练集数据作为输入值进行清洗并清理离群值；
8、步骤s3、特征选择：对步骤s2处理所得的数据输入值进行相关性分析并排序，然后进行特征选择，选择出相关性前五名的变量来作为输入值；
9、步骤s4、归一化处理：将步骤s3经过特征选择的数据进行归一化处理；
10、步骤s5、构建训练模型：利用light gbm回归算法和贝叶斯超参数优化构建训练模型；
11、构建训练模型的的步骤具体如下：
12、步骤s5.1、在训练开始时，对每个特征的取值范围进行离散化，形成一个直方图；
13、步骤s5.2、所述直方图将特征的连续取值分成了多个离散的bins(桶)，每个bin中存储了该特征在训练集中的样本数、梯度和梯度的平方和；
14、步骤s5.3、构建决策树：利用light gbm回归算法直接操作特征的直方图；计算每个bin的梯度和梯度的平方和，然后根据这些统计信息来评估每个bin作为分裂点的增益；
15、步骤s5.4、定义超参数空间：在上述架构的基础上确定并选择相应的分裂节点和参数之后，定义超参数空间，每个超参数都有一个搜索范围或取值范围；
16、步骤s5.5、定义贝叶斯优化的目标函数：该函数的输入是超参数的组合，输出是模型在训练数据上的性能指标，这个目标函数会在每次贝叶斯优化的迭代中被调用，目的是根据给定的超参数组合，训练light gbm模型并返回性能指标；
17、步骤s5.6、定义好目标函数之后，在每次迭代的过程中，使用贝叶斯优化算法对light gbm回归算法的超参数进行调优，并通过交叉验证、验证集的评估方法来验证最优超参数组合的性能；
18、步骤s5.7、设置停止条件：当优化过程中不能再提升模型性能时，停止贝叶斯优化过程；
19、步骤s5.8、用步骤s5.7得出的最终优化后的超参数配置来重新训练lightgbm模型；
20、步骤s6、将步骤s1中所得的测试集数据尾矿灰分预测值和精煤灰分实测值进行对比计算，得到补偿模型；
21、步骤s7、使用补偿模型对有优化后的训练模型进行评估；
22、步骤s8、根据评估结果进行进一步的模型调整，当模型的评价指标r-squared达到0.9以上且不再提升时，输出结果。
23、进一步的，所述步骤s5.4中的超参数包括学习率、树的数量、叶子节点数和树的深度。
24、进一步的，所述步骤s5.5中模型在训练数据上的性能指标包括准确率、auc。
25、进一步的，所述步骤s6中，如果二者相差值＞5％，则选用精煤灰分实测值，若是二者相差值2％≤相差值≤5％，则取二者的平均值，若二者相差值＜2％，直接选用尾矿灰分预测值。
26、进一步的，所述步骤s7中评估比较的各项指标包括均方误差、均方根误差、决定系数。
27、与现有技术相比，本专利技术的有益效果是：
28、1、本专利技术将light gbm模型迭代和贝叶斯超参数优化结合，全方位的从数据处理、模型进阶和算法调优三个层面提升性能，让模型可以最全面的将所有的相关数据做出提取学习并提高性能，使模型能够准确预测出不同工况下的精煤灰分，让生产人员可以及时准确的做出药剂调整；
29、2、本专利技术基于现场实时采集的数据训练出来的模型可以极大的适应现场多变本文档来自技高网...
【技术保护点】
1.一种基于贝叶斯超参数优化的Light GBM回归的精煤灰分在线预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于贝叶斯超参数优化的Light GBM回归的精煤灰分在线预测方法，其特征在于，所述步骤S5.4中的超参数包括学习率、树的数量、叶子节点数和树的深度。
3.根据权利要求1所述的一种基于贝叶斯超参数优化的Light GBM回归的精煤灰分在线预测方法，其特征在于，所述步骤S5.5中模型在训练数据上的性能指标包括准确率、AUC。
4.根据权利要求1所述的一种基于贝叶斯超参数优化的Light GBM回归的精煤灰分在线预测方法，其特征在于，所述步骤S6中，如果二者相差值＞5％，则选用精煤灰分实测值，若是二者相差值2％≤相差值≤5％，则取二者的平均值，若二者相差值＜2％，直接选用尾矿灰分预测值。
5.根据权利要求1所述的一种基于贝叶斯超参数优化的Light GBM回归的精煤灰分在线预测方法，其特征在于，所述步骤S7中评估比较的各项指标包括均方误差、均方根误差、决定系数。
【技术特征摘要】
1.一种基于贝叶斯超参数优化的light gbm回归的精煤灰分在线预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于贝叶斯超参数优化的light gbm回归的精煤灰分在线预测方法，其特征在于，所述步骤s5.4中的超参数包括学习率、树的数量、叶子节点数和树的深度。
3.根据权利要求1所述的一种基于贝叶斯超参数优化的light gbm回归的精煤灰分在线预测方法，其特征在于，所述步骤s5.5中模型在训练数据上的性能指标包括准确率、a...
【专利技术属性】
技术研发人员：王刚，陈宗和，刘登科，刘科君，窦治衡，秦新凯，王然风，
申请(专利权)人：四川川煤华荣能源有限责任公司，
类型：发明
国别省市：
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。