基于改进SVM的淘洗机精矿品位在线预测方法及系统

摘要

本发明公开了一种基于改进SVM的淘洗机精矿品位在线预测方法及系统，该方法包括以下步骤：S1、采集淘洗机的运行参数并进行数据预处理；S2、改进粒子群优化算法；S3、建立支持向量机的淘洗机精矿品位预测模型；S4、利用改进的粒子群优化算法优化支持向量机的参数，建立改进支持向量机的淘洗机精矿品位预测模型；S5、利用预处理后的数据训练改进支持向量机的淘洗机精矿品位预测模型，训练完成之后进行淘洗机精矿品位预测。本发明将机器学习的技术应用于预测淘洗机精矿品位上，通过以多方面改进粒子群算法的方法，并支持向量机的方法，对选矿厂的淘洗机数据进行选矿质量在线预测，提高和保证淘洗机选矿工作状态的准确性和稳定性。

说明书

技术领域

本发明属于淘洗机选矿技术领域，具体涉及一种基于改进SVM的淘洗机精矿品位在线预测方法及系统。

背景技术

矿冶行业是目前我国国民经济的支柱产业，而选矿对矿冶行业的发展起着至关重要的作用。近年来我国的铁矿石面临考验，采选品位较低，经选矿机选出的精铁矿品位也与国外差距颇大。因此如何提升选矿效率，提高选矿品位，改进工艺方法成为了当下选矿业的重点。

淘洗机作为选矿中非常重要的部分，能够对最后选矿品位的提升起很大作用。淘洗机在磁场和水力的作用下，对铁矿石进行分选，矿石主要受到磁力、漂洗水冲力、矿石之间的摩擦力和重力等作用力。由于磁性较强的矿粒和磁性较弱的矿粒在磁场中受力不同，磁性较强的会被吸附在齿板上，随着分选箱继续转动，而磁性较弱的则被冲矿漂洗水冲掉而成为尾矿。

目前，淘洗机精矿品位检测基本都是选矿结束后，才对精矿品位进行化学检测，故无法对选矿进行在线检测，导致生产工艺不能在线调控，造成生产效率低，精矿品位不稳定的情况。进行在线检测后能够对淘洗机选矿进行实时指导，对淘洗机精矿品位的提高和稳定具有实用意义。由于通常使用精矿品位、精矿产量等对淘洗机选矿质量进行评价，故可以根据淘洗机的运行数据，对精矿品位进行预测。

发明内容

为解决上述技术问题，本发明提供一种基于改进SVM的淘洗机精矿品位在线预测方法及系统，避开传统人工判断的不利影响，实现淘洗机精矿品位在线预测，提高和保证淘洗机选矿工作状态的准确性和稳定性。

本发明提供的技术方案如下：

一种基于改进SVM的淘洗机精矿品位在线预测方法，包括以下步骤：

S1、采集淘洗机的运行参数并进行数据预处理；

S2、改进粒子群优化算法；

S3、建立支持向量机的淘洗机精矿品位预测模型；

S4、利用改进的粒子群优化算法优化支持向量机的参数，建立改进支持向量机的淘洗机精矿品位预测模型；

S5、利用预处理后的数据训练改进支持向量机的淘洗机精矿品位预测模型，训练完成之后进行淘洗机精矿品位预测。

优选地，采集淘洗机的运行参数具体为：采集淘洗机不同时间的给矿品位、底流浓度、精矿品位和精矿回收率。

优选地，数据预处理具体包括：

S11、对数据进行数据清洗、去除异常值和补缺损失值；

S12、对数据做相关性分析，选出具有相关性的输入特征。

优选地，改进粒子群优化算法具体包括：改进惯性因子、改进加速因子、改进位置更新。

优选地，惯性因子ω改进公式为：

式中，ω

优选地，加速因子C

式中，t为迭代次数，T

优选地，使用莱维飞行进行位置更新：

式中，Xi表示粒子i的位置，t表示迭代次数，α表示运动步长，

Levy～μ＝t

其中，莱维飞行的步长s计算公式为：

其中，μ、v为正态分布：

式中：

σ

β＝1.5。

优选地，支持向量机的回归预测估计函数为：

0≤a

式中，a

选用RBF函数作为核函数：

K(x

式中，x

优选地，利用改进的粒子群优化算法优化支持向量机的惩罚系数C和G参数。

一种用于实现上述的基于改进SVM的淘洗机精矿品位在线预测方法的基于改进SVM的淘洗机精矿品位在线预测系统，包括：

数据采集模块，用于采集淘洗机的运行参数并进行数据预处理；

算法改进模块，用于改进粒子群优化算法；

模型建立模块，用于建立支持向量机的淘洗机精矿品位预测模型；

改进模型模块，用于利用改进的粒子群优化算法优化支持向量机的参数，建立改进支持向量机的淘洗机精矿品位预测模型；

训练预测模块，用于利用预处理后的数据训练改进支持向量机的淘洗机精矿品位预测模型，训练完成之后进行淘洗机精矿品位预测。

本发明的有益效果为：本发明的基于改进SVM的淘洗机精矿品位在线预测方法及系统，将机器学习的技术应用于预测淘洗机精矿品位上，针对在选矿过程中，现场选矿环境复杂，传统选矿质量检测方法滞后，导致结果反馈不及时，使得淘洗机选矿品位不稳定的问题，提出了一种基于改进粒子群算法和支持向量机结合的在线预测模型。由于粒子群优化算法容易陷入局部最优解和过早收敛的问题，本发明通过以多方面改进粒子群算法的方法，并支持向量机的方法，对选矿厂的淘洗机数据进行选矿质量在线预测，根据历史淘洗机生产数据建立以淘洗机精矿品位和精矿回收率为指标的预测模型，达到实现在线预测，并将预测结果反馈给选矿过程达到在线预测调控的目的。

该方法和系统不仅实现了淘洗机精矿品位的预测，还改善了单一支持向量机模型预测不够准确的问题，在模型中加入粒子群优化算法，极大地提升了预测准确度，对工作人员控制淘洗机在最优工作状态具有一定的参考价值，具有良好的应用和推广前景。

附图说明

图1是本发明一实施例的基于改进SVM的淘洗机精矿品位在线预测方法流程图。

图2是本发明另一实施例的基于改进SVM的淘洗机精矿品位在线预测方法框图。

图3是本发明的基于改进SVM的淘洗机精矿品位在线预测系统示意图。

具体实施方式

下面将结合附图对本发明作进一步的说明：

本发明一实施的基于改进SVM的淘洗机选矿质量在线预测方法，将机器学习的支持向量机和粒子群算法相结合应用于预测淘洗机精矿品位上，如图1所示，包括以下步骤：

S1、采集淘洗机的运行参数并进行数据预处理，包括：采集淘洗机不同时间的给矿品位、底流浓度、精矿品位和精矿回收率等相关参数，依据采集的淘洗机运行参数对数据进行预处理。

S2、由于粒子群优化算法容易陷入局部最优解和过早收敛的问题，对粒子群优化算法进行改进，提出多方面改进的粒子群算法。

S3、建立支持向量机的淘洗机精矿品位预测模型。

S4、将改进后的粒子群算法和支持向量机模型融合，利用改进后的粒子群算法对支持向量机进行优化，建立改进支持向量机的精矿品位预测模型。

S5、淘洗机精矿品位在线预测实验测试：利用预处理后的数据训练改进支持向量机的淘洗机精矿品位预测模型，然后将已经测得的数据送入基于改进SVM的淘洗机选矿质量在线预测模型中，看是否能识别出此时的淘洗机精矿品位，测试结果是否合理。如果结果合理，就可以进行正式使用，进行淘洗机精矿品位测试。

进一步地，淘洗机数据预处理具体包括如下步骤：

S11、将采集的数据进行数据清洗、去除异常值和补缺损失值；

S12、对采集的数据输入变量使用软件工具对数据做相关性分析，选出具有相关型的输入特征，来预测淘洗机精矿品位。

进一步地，步骤S2提出的多方面改进的粒子群算法的步骤如下：

S21、在原粒子群优化算法中，粒子在空间中搜索最优解，一边寻找个体最优，一边更新全体最优值。PSO算法过程描述如下:

a)初始化：初始化粒子种群。

b)进化迭代：粒子更新自身最优和全体最优。

c)迭代终止：满足设定条件，算法停止搜索。最后搜索到的最优位置就是最优解。

粒子速度更新式为：

粒子位置更新公式为：

其中：V表示粒子速度，X表示位置，P

S22、其次对粒子群算法进行多方面的改进，首先对惯性权重因子ω优化：权重因子与粒子速度有关，权重因子对粒子最后的寻优效果有很大的影响，同时，权重因子与算法的收敛相关。惯性权重因子表示粒子目前影响速度的比例，值的大小变化影响着粒子的搜索能力，值越大，越有利于找寻全局最优解；反之，有利于找到局部最优解，并且能够加快算法的收敛速度。因此采用arctan函数曲线的递减策略，在搜索前期值快速减小，后期递减速度明显变慢，符合粒子群前期收敛快后期慢的特点，且前期快速收敛可以使粒子更快进入精细的局部搜索。基于此，和查阅文献得知惯性权重因子在[0.3,0.7]为最佳区间，因此提出一种非线性递减的惯性权重，其调整公式为:

其中：ω

S23、对加速因子的改进：加速因子c

S24、对粒子群算法飞行位置的改进：由于粒子群算法在算法最后容易陷入局部最优解，所以在粒子进化的过程中在算法中引入莱维飞行的方法，莱维飞行能够在粒子陷入局部最优值时加强粒子的跳跃，使其更好地找到全局最优。优化算法过程中，使用莱维飞行进行位置更新，使得粒子具有更强的跳出局部最优的能力，然后进一步进行搜索全局最优值。莱维飞行位置更新式为：

其中：x

Levy～μ＝t

1≤λ≤3 (8)

莱维飞行的步长s计算公式为：

其中，μ、v为正态分布

其中：

σ

β＝1.5 (14)

通过几种基准函数对改进后的粒子群算法验证，证明改进后的粒子群算法在跳出局部最优解获取最优解上面具有明显优势。

进一步地，步骤S3具体包括如下步骤：

基于本文的实际分析，本文属于非线性小样本预测，因此，选择SVM进行预测模型建立。支持向量机能够将输入变量映射到高维，并在高维空间对数据进行处理，当样本是小样本数据时最后结果较为准确。支持向量机的回归预测估计函数为：

其中：a

在非线性映射中，选择核函数来代替非线性变换，本文选用RBF函数作为核函数。

K(x

其中：x

支持向量机在解决非线性问题时，使用核函数代替内积，因此，核函数的选择对最后的结果有很大影响。因此，结合智能算法自动寻优能够使模型更加精确，在查阅文献后发现，粒子群智能优化算法，是一种全局搜索算法，并且结构简单，寻优效率高，能够找到最优解。因此，使用S2提出的改进后的粒子群算法对SVM模型进行优化。

进一步地，步骤S4具体包括如下步骤：

S41、使用改进后的粒子群算法对SVM参数优化得到最优参数，使得SVM预测精矿品位模型运行在最优状态；

S42、将S1中预处理后的数据分成训练集、预测集两部分，输入改进SVM的淘洗机选矿质量在线预测模型。

进一步地，步骤S5进行改进SVM的淘洗机选矿质量在线预测实验测试：

随机输入淘洗机参数，在给定改进SVM模型输出Y的条件下，得到最优输出，预测数据输出，完成淘洗机精矿品位的预测。

本发明另一实施例的基于改进SVM的淘洗机选矿质量在线预测方法，如图2所示，将机器学习的支持向量机和粒子群算法相结合应用于预测淘洗机精矿品位上，包括以下步骤：

S1、淘洗机运行参数的采集和数据预处理，包括：采集淘洗机不同时间的给矿品位、底流浓度、精矿品位和精矿回收率等相关参数101，依据采集的淘洗机运行对数据进行预处理102。

S2、由于粒子群优化算法容易陷入局部最优解和过早收敛的问题，提出多方面改进的粒子群算法。设置适应度函数103，初始化种群速度104，计算适应度函数105，改进优化算法对速度更新，个体更新106。

S3、建立支持向量机的淘洗机精矿品位预测模型107。

S4、将改进后的粒子群算法和支持向量机模型融合，利用改进后的粒子群算法对支持向量机的C、G参数优化，建立改进支持向量机的精矿品位预测模型108。

S5、淘洗机精矿品位在线预测实验测试：将已经测得的数据送入基于改进SVM的淘洗机选矿质量在线预测模型中，改进的SVM模型确定最优解109，输出预测最优值110，看是否能识别出此时的淘洗机精矿品位，测试结果是否合理。

本发明还提供一种用于实现上述方法的基于改进SVM的淘洗机精矿品位在线预测系统，如图3所示，包括：

数据采集模块101，用于采集淘洗机的运行参数并进行数据预处理；

算法改进模块102，用于改进粒子群优化算法；

模型建立模块103，用于建立支持向量机的淘洗机精矿品位预测模型；

改进模型模块104，用于利用改进的粒子群优化算法优化支持向量机的参数，建立改进支持向量机的淘洗机精矿品位预测模型；

训练预测模块105，用于利用预处理后的数据训练改进支持向量机的淘洗机精矿品位预测模型，训练完成之后进行淘洗机精矿品位预测。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。