[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

摘要

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。

主权项

1.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，其特征在于：由时频域变换、多模态线性/非线性特征子集选择、多模态SEN模型构建共3个模块组成，J表示多模态机械信号的测量数量，X^j表示进行N次实验所采集的长度为M的第jth个模态的机械信号，Z^j表示将X^j采用FFT技术变换至频域获得的机械频谱，和表示基于Z^j所提取的线性和非线性特征子集，和表示基于线性特征子集构建的线性PLS和非线性RWNN子模型的预测输出，和表示基于非线性子集构建的线性PLS和非线性RWNN子模型的预测输出，y和表示MLP及其预测输出，J_sel和k_feasel表示MLPF软测量模型的集成尺寸和特征选择系数；时频域变换以基于设计方案进行N次实验所采集的长度为M的第jth个模态的机械信号X^j为例，用如下矩阵表示，将上式中的第nth次实验的时域信号变换至频域获得机械频谱采用如下过程表示，将全部N次实验即建模的N个样本的第jth个模态的机械信号均变换至频域，得到Z^j，改写为如下式所示，式中，其中，N和P分别代表建模样本的数量和维数，即P为频谱特征的数量，表示第pth个输入特征；相应的，磨机负荷难测参数的真值表示为全部J个模态的机械信号的频谱表示为多模态线性/非线性特征子集选择以第jth个模态为例，首先计算第pth个频谱变量的相关系数的绝对值，如下所示，其中，和分别表示第pth个频谱输入特征和MLP的全部N个建模样本的平均值，|·|表示取绝对值；为表述方便，后文称为第jth个模态第pth个频谱特征的相关系数值；重复上述过程，获得全部输入特征的相关系数并记为接着，计算第jth个模态中最大和最小线性相关系数与均值的比值和如下所示，对全部模态执行上述过程后，采用如下公式获得线性特征选择系数的上限和下限，仍以第jth个模态为例，首先计算第pth个频谱变量的互信息值，如下所示，其中，表示联合概率密度，和p_rob(y_n)表示边际概率密度；重复上述过程，获得频谱特征的互信息值并记为接着，计算第jth个模态中最大和最小互信息值与均值的比值，如下所示，对全部模态执行上述过程后，采用如下公式获得非线性特征选择系数的上限和下限，采用如下公式获得频谱特征选择系数的上限和下限，对全部模态采用相同的特征选择系数k_feasel；按如下公式结合预测性能自适应确定J_feasel个特征选择系数的取值，其中，k_feasel取为1时，表示阈值为均值；表示用于计算J_feasel个特征选择系数的步长，采用如下公式获得，不同模态的线性特征和非线性特征的选择阈值θ_feasel采用如下公式获得，以第jth个模态的第pth个输入特征为例，线性特征按如下规则进行选择，选择其中的变量作为基于阈值选择的线性特征，对第jth个模态的全部原始特征执行上述过程并将线性特征子集记为表示为其中，表示中的第个特征，表示特征的数量；表示的第nth个样本；表示的第Nth个样本；将全部J个模态的线性特征子集标记为对第jth个模态执行类似上述线性特征子集的选择过程，并将所选择的非线性特征子集记为表示为，其中，表示中的第个特征，表示特征的数量；表示的第nth个样本，表示的第Nth个样本；将全部J个模态的非线性特征子集标记为多模态SEN模型构建以第jth个线性特征子集构建线性PLS子模型为例，其构建过程表示为，其中，和分别表示输入和输出数据的潜在变量矩阵；表示权重矩阵,和分别表示输入和输出数据的载荷矩阵，表示回归系数矩阵，表示基于验证数据集获得的LV数量；线性PLS子模型的预测输出表示为，对全部J个模态的线性特征子集执行上述过程，由全部线性特征构建的线性特征线性子模型子集及其预测输出分别为和以全部非线性特征子集采用PLS构建的非线性特征线性子模型子集及其预测输出分别为和以第jth个线性特征子集构建非线性RWNN子模型为例，基于随机产生的输入权重和偏置以及激活函数g(·)获得隐含层神经元的输出矩阵如下所示，其中，L表示基于验证数据集的预测误差获得的隐含层节点数；通过的Moore‑Penrose广义逆矩阵得到隐含层的输出权值，基于线性特征子集的非线性RWNN子模型的预测输出表示为，对全部J个模态的线性特征子集执行上述过程，由全部线性特征子集构建的非线性特征线性子模型子集及其预测输出分别为和基于非线性特征子集采用RWNN构建的非线性特征非线性子模型子集及其预测输出分别为和将上述全部J个模态的4类子模型的预测输出按如下方式进行合并，其中，4J为全部4类子模型的数量，也是候选子模型的数量；表示第j_canth个候选子模型的输出，j_can＝1,…,4J；此处，需要采用优化算法从4J个候选子模型中选择J_sel个集成子模型即SEN模型的集成尺寸并对J_sel个集成子模型的预测输出进行组合，得到最终基于SEN的MLPF预测模型的输出，即存在如下关系，其中，f_SEN(·)表示对J_sel个集成子模型的预测输出进行合并的算法；首先选定用于合并集成子模型预测输出的算法，然后以最小化SEN模型的均方根相对误差RMSRE为准则，采用优化算法寻优J_sel个集成子模型并对其输出进行合并，得到集成尺寸为J_sel的SEN模型。