System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及矿产加工领域,尤其涉及一种磨煤机运行指标的确定方法、一种磨煤机运行指标的确定装置,以及一种计算机可读存储介质。
技术介绍
1、矿产加工过程是一个高度复杂的动态系统,涉及多工序关联、多层次耦合以及多时空尺度特性。为了实时了解和控制这些加工运行过程的状态,需要监测大量的运行指标。尽管传感器技术的进步使得大部分工艺指标可以实时监测,仍有一些重要指标无法在线获得,需要通过模型预测获得。然而,由于煤矿加工过程中存在原料成分品质不一、生产工况波动频繁等问题,现有的预测模型无法针对复杂的非线性关系进行预测,难以有效匹配实际工况变动,导致生产效率无法最大化。此外,现有的预测模型基于梯度进行优化且结构,导致其优化流程复杂且耗费大量计算资源。
2、为了克服现有技术存在的上述缺陷,本领域亟需一种改进的磨煤机运行指标的确定方法,用于提升非线性问题的预测准确性以及预测结果的可解释性,并简化模型的优化过程,从而为调整磨煤机工艺参数、优化煤矿加工运行过程,以提升矿产加工过程的生产效率。
技术实现思路
1、以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
2、为了克服现有技术存在的上述缺陷,本专利技术提供了一种磨煤机运行指标的确定方法、一种磨煤机运行指标的确定
3、具体来说,根据本专利技术的第一方面提供的上述磨煤机运行指标的确定方法包括以下步骤:获取磨煤机的多种运行参数。所述多种运行参数选自电压、电流、温度中的至少一者;以及将所述多种运行参数输入预先训练的第一bp神经网络模型,以确定所述磨煤机的运行指标。所述运行指标至少包括所述磨煤机的机组负荷。所述第一bp神经网络模型是基于xgb模型的训练样本数据、预测值数据及对应所述运行指标的期望方向的反事实解释训练获得的。
4、进一步地,在本专利技术的一些实施例中,训练所述第一bp神经网络模型的步骤包括:获取所述磨煤机的多组历史运行参数x。每组所述历史运行参数x中分别包括所述多种运行参数;将各组所述历史运行参数x依次输入预先训练的xgb模型,以分别获得对应的第一预测值y′;关联各组所述历史运行参数x与其对应的第一预测值y′,以构建第一训练样本数据集;构建待训练的初始bp神经网络模型,并根据所述第一训练样本数据集对所述初始bp神经网络模型进行训练,以获得第二bp神经网络模型;
5、确定所述运行指标的期望值y″:
6、y″=y′+ε
7、其中,ε表示所述运行指标的期望方向;将所述第一训练样本数据集中的各组所述历史运行参数x依次输入所述第二bp神经网络模型,以获得第二预测值以及利用adam优化器,根据所述第二预测值与所述期望值y″之间的损失优化所述第二bp神经网络模型,以获得所述第一bp神经网络模型。
8、进一步地,在本专利技术的一些实施例中,所述利用adam优化器,根据所述第二预测值与所述期望值y″之间的损失优化所述第二bp神经网络模型,以获得所述第一bp神经网络模型的步骤包括:根据所述第二预测值与所述期望值y″之间的损失对各组所述历史运行参数x进行调整,以得到各组所述历史运行参数x的反事实解释x′;以及根据所述反事实解释x′,优化所述第二bp神经网络模型,以获得所述第一bp神经网络模型。
9、进一步地,在本专利技术的一些实施例中,所述根据所述第一训练样本数据集对所述初始bp神经网络模型进行训练,以获得第二bp神经网络模型的步骤包括:将所述第一训练样本数据集中的各组所述历史运行参数x依次输入所述初始bp神经网络模型,以获得第三预测值y″′;根据所述第三预测值y″′与所述第一预测值y′的差值,确定所述初始bp神经网络模型的第一模型损失值;响应于所述第一模型损失值大于预设的第一损失阈值,调整所述初始bp神经网络模型的参数,并重新进行所述初始bp神经网络模型的训练;以及响应于所述第一模型损失值小于或等于所述第一损失阈值,判定完成所述初始bp神经网络模型的训练,并获得所述第二bp神经网络模型。
10、进一步地,在本专利技术的一些实施例中,训练所述xgb模型的步骤包括:获取各组所述历史运行参数x对应的运行指标真实值y,并关联各组所述历史运行参数x与其对应的运行指标真实值y,以构建第二训练样本数据集;构建待训练的xgb模型;以及根据所述第二训练样本数据集,训练所述xgb模型。
11、进一步地,在本专利技术的一些实施例中,所述构建待训练的xgb模型的步骤包括:构建所述xgb模型的目标函数:
12、
13、其中,为第i各所述第一训练样本的损失函数。ω(fk)表示所述xgb模型的复杂度;
14、对所述损失函数进行二阶泰勒展开,以对所述目标函数进行优化:
15、
16、其中,gi为第i个所述第一训练样本在第t个学习器中的一阶导。hi为第i个所述第一训练样本在第t个学习器中的二阶导;以及使用随机网格搜索方法搜索所述xgb模型的超参数,以最小化所述目标函数。
17、进一步地,在本专利技术的一些实施例中,所述根据所述第二训练样本数据集训练所述xgb模型的步骤包括:对所述第二训练样本数据集进行预处理,并将其划分为训练集及测试集;使用所述训练集对所述xgb模型进行训练,并使用所述测试集对完成训练的xgb模型进行测试,以确定所述xgb模型的第二模型损失值;响应于所述第二模型损失值大于预设的第二损失阈值,重新定义所述xgb模型的超参数,并根据重新定义的超参数,重新使用所述训练集对所述xgb模型进行训练;以及响应于所述第二模型损失值小于或等于所述第二损失阈值,判定完成所述xgb模型的训练。
18、进一步地,在本专利技术的一些实施例中,所述对所述第二训练样本数据集进行预处理的步骤包括:对所述第二训练样本数据集进行筛选;以及对所述第二训练样本数据集进行归一化:
19、
20、其中,n为所述第二训练样本数据集中的第一训练样本的数量。m为所述第一训练样本中的变量数量。
21、进一步地,在本专利技术的一些实施例中,所述对所述第二训练样本数据集进行筛选的步骤包括:计算各组所述运行参数x及其对应的运行指标真实值y之间的互信息:
22、
23、其中,p(x)为所述运行参数x的边际概率密度函数。p(y)为所述运行指标y的边际概率密度函数。p(x,y)为所述运行参数x与所述运行指标y的联合概率密度函数;以及响应于任一所述互信息小本文档来自技高网...
【技术保护点】
1.一种磨煤机运行指标的确定方法,其特征在于,包括以下步骤:
2.如权利要求1所述的确定方法,其特征在于,训练所述第一BP神经网络模型的步骤包括:
3.如权利要求2所述的确定方法,其特征在于,所述利用Adam优化器,根据所述第二预测值与所述期望值Y″之间的损失优化所述第二BP神经网络模型,以获得所述第一BP神经网络模型的步骤包括:
4.如权利要求2所述的确定方法,其特征在于,所述根据所述第一训练样本数据集对所述初始BP神经网络模型进行训练,以获得第二BP神经网络模型的步骤包括:
5.如权利要求2所述的确定方法,其特征在于,训练所述XGB模型的步骤包括:
6.如权利要求5所述的确定方法,其特征在于,所述构建待训练的XGB模型的步骤包括:
7.如权利要求6所述的分类方法,其特征在于,所述根据所述第二训练样本数据集训练所述XGB模型的步骤包括:
8.如权利要求7所述的确定方法,其特征在于,所述对所述第二训练样本数据集进行预处理的步骤包括:
9.如权利要求8所述的确定方法,其特征在于,所述对所
10.一种磨煤机运行指标的确定装置,其特征在于,包括:
11.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时,实施如权利要求1~9中任一项所述的磨煤机运行指标的确定方法。
...【技术特征摘要】
1.一种磨煤机运行指标的确定方法,其特征在于,包括以下步骤:
2.如权利要求1所述的确定方法,其特征在于,训练所述第一bp神经网络模型的步骤包括:
3.如权利要求2所述的确定方法,其特征在于,所述利用adam优化器,根据所述第二预测值与所述期望值y″之间的损失优化所述第二bp神经网络模型,以获得所述第一bp神经网络模型的步骤包括:
4.如权利要求2所述的确定方法,其特征在于,所述根据所述第一训练样本数据集对所述初始bp神经网络模型进行训练,以获得第二bp神经网络模型的步骤包括:
5.如权利要求2所述的确定方法,其特征在于,训练所述xgb模型的步骤包括:
6.如权利要求5...
【专利技术属性】
技术研发人员:杜文莉,彭鑫,钟伟民,钱锋,丁宇星,堵威,
申请(专利权)人:华东理工大学,
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。