[发明专利]一种基于多运行参数的球磨机负荷预测方法

权利要求书

1.一种基于多运行参数的球磨机负荷预测方法，其特征在于，包括以下步骤：

步骤S101，采集磨机负荷多运行参数信号；

步骤S102，将选取的多因素参数输入预设的球磨机负荷预测模型；步骤S103，得到球磨机负荷预测结果。

2.根据权利要求1所述的基于多运行参数的球磨机负荷预测方法，其特征在于，磨机负荷多运行参数信号总共包含8个参数，分别是半自磨机功率、半自磨机前给水、半自磨机顽石产生量、球磨机功率、旋流器进浆流量、磨矿泵池补加水量、磨矿泵池液位和球磨机负荷；上述8个参数构成多维输入变量作为输入参数。

3.根据权利要求2所述的基于多运行参数的球磨机负荷预测方法，其特征在于，球磨机负荷预测模型依次包含卷积神经网络、双向长短时记忆网络、注意力机制和全连接层；

输入参数通过卷积神经网络提取相关特征信息后，将相关特征信息输入双向长短时记忆网络进一步学习数据特征，注意力机制对双向长短期记忆网络输出的特征赋予权重输入全连接层，最后得到球磨机负荷预测结果。

4.根据权利要求3所述的基于多运行参数的球磨机负荷预测方法，其特征在于，所述卷积神经网络，包含依次连接的输入层、卷积层、池化层、扁平化层、全连接层、激活函数层和输出层；

其中，卷积层计算公式为：

式中，为第l层的第i个卷积核的第j’个权值，x^I(rj)为第l层第j个被卷积的局部区域；W为卷积核的宽度；y^l(i，j)为卷积层输出值；

池化层采用最大值池化，其计算式为：

式中，a^l(i，j)为第l层第i帧第j个神经元的激活值，B为池化层宽度，p^l(i，t)表示池化区域的宽度；池化层宽度取决于卷积核的输出通道；

激活层采用ReLU函数，计算式为：

a^l(i，j)＝f(y^l(i，j))＝max[0，y^l(i，j)]

式中，a^l(i，j)代表卷积层输出值y^l(i，j)的激活值；

全连接层计算式为：

式中，w^l_ij表示l层第i个神经元与l+1层第j个神经元间的权值，zl+1j表示l+1层输出值，b^l_j表示l层对l+1层第j个神经元的偏置，n代表神经元的个数。

5.根据权利要求4所述的基于多运行参数的球磨机负荷预测方法，其特征在于，所述双向长短时记忆网络包括输入层、前向传播层、反向传播层和输出层。

6.根据权利要求3所述的基于多运行参数的球磨机负荷预测方法，其特征在于，所述注意力机制模块的输出为：

H＝α^TO

式中，H为注意力机制加权后输出多运行参数数据的特征向量，O为双向长短时记忆网络的输出特征量，α代表输入特征分配的权重。

7.根据权利要求3所述的基于多运行参数的球磨机负荷预测方法，其特征在于，全连接层输出公式为

式中，y代表磨机负荷预测模型的输出负荷值，W_i为特征向量第i个特征值代表的权重，b表示偏置向量；H_i’为注意力机制加权后的特征经Flatten层平铺后的特征向量。

8.根据权利要求1所述的基于多运行参数的球磨机负荷预测方法，其特征在于，作为球磨机负荷状态预测模型的输入数据样本集是经过插值、归一化和平滑处理过的信号。