[发明专利]一种高镍锍浮选过程建模中的数据样本筛选及重构方法

说明书

本发明公开了一种高镍锍浮选过程建模中的数据样本筛选及重构方法，涉及高镍锍浮选工艺数据建模技术领域，解决实际建模过程中面临数据有效性的问题的技术问题，步骤包括根据高镍锍浮选系统的实际工艺过程，选取系统滞后参数p，进行数据样本的重构，标记无效数据，将时间上不连续的数据进行整合，构建相互独立的样本数据集，对抽取出的样本进行矩阵重组，进行RNN建模。本发明根据高镍锍实际工况对数据进行预处理，剔除掉无效数据，得到在时间上不连续的一些数据块。

技术领域

本发明涉及高镍锍浮选工艺数据建模技术领域，更具体的是涉及高镍锍浮选过程建模中的数据样本筛选及重构方法技术领域。

背景技术

高镍锍浮选工艺是镍冶炼过程中的重要步骤，目的是对火法加工后的镍-铜人工矿进行进一步分离。高镍硫浮选过程的复杂性导致目前未能由准确的解析模型可以用来指导生产。为提高浮选品位和产率，有必要对浮选过程进行建模，并用模型来指导生产并进行优化。

因为实际浮选过程的复杂性，建模方法只能采用基于数据的建模方法，又由于系统参数之间存在较大的时滞性，因此采用循环神经网络(RNN)是一种比较适当的方法。

由于浮现工艺过程的复杂性，实时工况数据中多存在突变、为零、不更新等状况，从建模角度来讲这些数据都为无效数据。根据实际工况的规则对无效数据进行剔除后，实时工况数据在时间上变得不连续。这样的数据无法直接作为样本进行数据建模，必须要进行数据重构。重构后的数据可以直接作为样本对模型进行训练。

发明内容

本发明的目的在于提出一种高镍锍浮选过程建模中的数据样本筛选及重构方法，以解决背景技术中提出的问题。

本发明为了实现上述目的具体采用以下技术方案：

一种高镍锍浮选过程建模中的数据样本筛选及重构方法，包括如下步骤：

步骤1：根据高镍锍浮选工艺过程实际状况，确定每个单独的浮选柱参数变化影响最终品位的滞后时间长度，选取系统滞后参数p，并按照此参数进行数据重组；

步骤2：以系统滞后参数p作为系统许可的滞后时间最大值，从零开始按照一定时间间隔取多个不同值作为系统滞后时间，分别进行建模，以模型精度来选择最优的系统滞后时间，选取均方根误差来评判模型精度；

步骤3：辨识标记出用于建模的数据中的无效数据，所述无效数据包括数据为空、数据不变、数据突变；

步骤4：按照整个滞后时间内的所有输入参数和当前时间输出参数关联的方式构建一个样本，对无效数据筛除后的不连续数据集合进行有效性抽样，能够满足样本范围内为有效数据的抽取为一个样本，构建相互独立的样本数据集，对抽取出的样本进行矩阵重组，进行RNN建模，将RNN模型本身的输入滞后和输出滞后参数都设置为零。

步骤1中所述系统滞后参数p为系统分析过程得出的一个包含时间冗余的参数。

步骤3中所述无效数据包括生产启停阶段数据。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明根据高镍锍实际工况对数据进行预处理，剔除掉无效数据，得到在时间上不连续的一些数据块。解决了由于浮现工艺过程的复杂性，实时工况数据中多存在突变、为零、不更新等状况，在建模过程中这些数据都为无效数据，如果根据实际工况的规则对无效数据进行剔除后，实时工况数据在时间上又变得不连续，这样的数据无法直接作为样本进行数据建模的技术问题。本发明通过对数据样本筛选重构再进行RNN建模，重构后的数据可以直接作为样本对模型进行训练，适应了系统的长时滞特征，提高了高镍锍浮选工艺浮选品位和产率。

附图说明

图1为本发明连续时间数据样本抽取方法示意图；

图2为本发明时间不连续数据集合时数据筛选方法示意图；