[发明专利]基于多模态特征子集选择性集成建模的磨机负荷参数预测方法

说明书

本发明涉及基于多模态特征子集选择性集成建模的磨机负荷参数预测方法。磨机负荷参数(MLP)的难以实时检测是制约磨矿过程运行优化与控制的关键因素之一。如何融合球磨机系统产生的多模态机械信号构建MLP预测(MLPF)模型是当前研究的热点。首先，对多模态机械信号进行时频域变换得到高维频谱数据；接着，采用相关系数法和互信息法对多模态频谱进行线性和非线性特征子集的自适应选择；最后，分别构建基于不同多模态特征的线性和非线性候选子模型，并采用优化和加权算法对上述候选子模型进行自适应地选择与合并，得到基于选择性集成(SEN)机制的MLPF模型。采用磨矿过程实验球磨机的多模态机械数据仿真验证了所提方法的有效性。

技术领域

本发明涉及多模态特征子集选择性集成建模领域。

背景技术

磨机负荷参数(MLP)，即料球比(MBVR)、磨矿浓度(PD)和充填率(CVR)，决定磨矿过程生产全流程的磨矿生产率，对其进行实时检测是实现选矿过程运行优化控制的关键因素之一^[1,2]。数据驱动的软测量建模技术广泛用于这些难测参数的推理估计^[3]。磨机旋转过程中，在磨机筒体、磨机轴承、磨机研磨区域等不同位置所采集的振动/振声等机械信号在产生机理、灵敏度和蕴含信息等方面存在的差异性、冗余性与互补性[4,5]。文献[6]指出事物被体验或表达存在多种特定的方式(模态)，可融合多模态有价值信息实现分类或回归。针对球磨机系统，不同位置的机械振动/振声信号蕴含着差异化的MLP信息，其多模态频谱特征常用于构建MLP预测(MLPF)模型^[7,8,9]。

为构建具有可解释性和较强泛化能力的MLPF模型，进行多模态频谱特征的有效选择是较为有效的策略。特征选择算法能够有效去除“无关特征”与“冗余特征”，并确保重要特征不丢失^[10]。针对蕴含难以解释物理含义的机械振动频谱，对其进行特征子集的选择更具有应用价值^[11]。此外，不同MLP与高维特征间的映射关系也呈现出差异性。

基于单个输入特征与MPL等难测参数间的相关系数能够选择线性相关特征，如文献[12] 结合多目标优化算法和相关系数进行微阵列数据的特征选择，文献[13]提出基于相关系数的多目标半监督特征选择方法，文献[14]提出基于熵的相关系数的特征聚类方法对特征子集进行快速聚类。针对基于相关系数的线性方法难以描述复杂非线性映射关系的缺点,互信息方法可有效选择与难测参数相关的非线性特征^[15,16],如文献[17]和[18]提出了基于个体最佳互信息和条件互信息的特征选择方法。针对磨矿生产过程，如何自适应确定特征选择阈值并进行有效的线性和非线性频谱特征子集的选择是待解决的开放问题。

在选择包含不同数量特征的线性和非线性频谱特征子集后，还需解决MLP的构建问题。通常，上述线性和非线性机械频谱特征子集间存在冗余性和互补性。基于这些特征子集所构建的线性或非线性模型对不同MLP参数的预测性能也存在差异性。集成建模通过组合多个异质或同质子模型的输出提高预测模型的稳定性和鲁棒性，其难点问题是如何提高子模型间的多样性。文献[19]指出子模型多样性的构造策略包括样本空间重采样、特征空间特征子集划分或特征变换等，其中基于特征空间的构造策略具有较大优势。