(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111599353.4 (22)申请日 2021.12.24 (71)申请人 鞍钢集团矿业有限公司 地址 114001 辽宁省鞍山市铁东区二 一九 路39号 (72)发明人 刘栋　刘嘉奇　陈宏宇　李长亮　 李忠华　 (74)专利代理 机构 鞍山贝尔专利代理有限公司 21223 代理人 颜伟 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/20(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于集成学习的球磨机能耗状态监测方法 (57)摘要 本发明属于球磨机能耗监测技术领域， 尤其 是涉及一种基于集成学习的球磨机能耗状态监 测方法， 其特征在于包括如下步骤： 步骤1： 基于 能耗相关数据的数据挖掘： 将采集到的PI数据中 与待监测的能源 数据计算相关性， 并依据相关性 的结果， 提取得前t 个与能源数据最相关的数据； 步骤2： 依据与能耗相关的数据建立能耗预测模 型， 使用三种不同的预测模型， 并最终使用集成 学习方法集成三个模型的预测结果； 步骤3： 建立 能耗状态 监测模型。 本发明的基于集成学习的球 磨机能耗状态监测方法， 采用集成学习， 提高模 型诊断的精度， 将传统ARMA模型与机器学习模型 结合， 提高模型 预测的稳定性。 权利要求书3页 说明书6页 附图1页 CN 114386679 A 2022.04.22 CN 114386679 A 1.一种基于集成学习的球磨机能耗状态监测方法， 其特 征在于包括如下步骤： 步骤1： 基于能耗相关数据的数据挖掘： 计算能源数据及影响因素数据之间的相关性， 并依据相关性的结果， 提取指定的前t个与能源数据最相关的数据； 步骤2： 依据球磨机的运作原理， 提取出对球磨机能耗评估有效的操作数据， 本步骤使 用球磨机的排水量、 给矿量、 给矿浓度、 给水量等几个主要参数作为预测球磨 机能耗的部分 变量； 步骤3： 使用步骤1分析出来的相关数据变量， 以及步骤2依据球磨机运作机理给出数据 变量建立能耗预测模型； 使用三种不同的预测模型， 并最终使用集成学习 方法集成三个模 型的预测结果； 步骤4： 建立能耗状态监测模型。 2.根据权利要求1所述的基于集成学习的球磨机能耗状态监测方法， 其特征在于所述 的步骤1包括如下步骤： 步骤1.1： 使用最大互信息方法对PI数据中： 其中， 其中， (x,y)为PI数据库中的两组数据， B(n)＝n0.6， n是数据点的数量， 是nx和nx是x和y 中每个分组的数量， MIC(x,y)是x和y的最大互信息相关系数值； 步骤1.2： 以能耗数据De为基准， 分别计算在PI数据库中的其它数据与De最大互信息系 数值， 其计算结果 为： Der＝[Dorg(1),Dorg(2),…,Dorg(m)] 其中， Der为相关系数计算结果， Dorg(i)是第i个与De计算互信息的数据， Dorg(1),Dorg (2),…,Dorg(m)以互信息系数从大到小排序； 然后取得前t 个最大的与能源 数据最相关的数据 D， 进行后续的数据预测： D＝[Dorg(1),Dorg(2),…,Dorg(t)]。 3.根据权利要求1所述的基于集成学习的球磨机能耗状态监测方法， 其特征在于所述 的步骤3包括如下步骤： 步骤3.1： 构造基于深度神经网络的能耗预测模型； 使用反向传播神经网络的深度模型 进行能耗的预测， 模型的输入数据为步骤1中得出的能耗相关数据D， 模型的输出为预测的 能耗值； 其回归过程定义如下： D(1)＝BPNN(D1,D2,…,Dt) 其中， Di为第i个预测数据， BPN N为深度神经网络模型， D(1)为回归结果； 步骤3.2： 构造自回归滑动平均模型的能耗预测模型； 此模型使用了自回归滑动平均模权　利　要　求　书 1/3 页 2 CN 114386679 A 2型进行回归计算， 将能耗相关数据合并成输入向量 来预测实际能耗， 其回归过程定义如下： D(2)＝ARMA(D1,D2,…,Dt) 其中， Di为第i个预测数据， ARMA为自回归滑动平均模型， D(2)为回归结果； 步骤3.3： 构造基于支持向量机回归模型的能耗预测模型； 此模型使用了支持向量机技 术， 将支持向量机进行了调整， 使其能够完成回归功能， 其回归过程定义如下： D(3)＝SVR(D1,D2,…,Dt) 其中， Di为第i个预测数据， SVR为支持向量机回归 模型， D(3)为回归结果； 步骤3.4： 构造集成学习模型综合回归 模型； 具体步骤如下： 步骤3.4.1： 从原始样本集中抽取训练集； 每轮从原始样本集中抽取n个训练样本； 共进 行三轮抽取， 得到三个训练集； 步骤3.4.2： 每次使用一个训练集得到一个模型， 三个训练集一共得到三个模型， 即上 面三个回归方法对应的回归 模型； 步骤3.4.3： 将上述三个回归模型得到的结果再次学习， 再次建立回归模型， 最终将3个 回归结果 集成为一个结果； 步骤3.4.4： 具体的回归算法可定义如下： D'＝ESB(D(1),D(2),D(3)) 其中， ESB 为集成学习模型， D(1),D(2),D(3)分别为使用基于深度神经元网络的回归模型、 基于自回归滑动平均模型的回归模型和基于支持向量机的回归模型所得到的结果， D'为最 终的集成回归结果。 4.根据权利要求1所述的基于集成学习的球磨机能耗状态监测方法， 其特征在于所述 的步骤4， 为了识别球磨机的状态(低能耗模式、 一般能耗模式或者高能耗模式)， 需要建立 能耗状态监测模型， 具体步骤如下： 步骤4.1： 预测能耗数据； 依据步骤2中得出的预测模型， 对能耗的历史数据D进行预测， 并得到预测值D' D'＝ESB(D) 步骤4.2： 计算实际数据与预测数据的数据偏差； 数据偏差 E的计算方法如下： E＝D‑D' 步骤4.3： 数据偏差E的概率密度函数； 使用大量的数据偏差值， 对数据偏差的概率密度 进行估计， 可 得到概率密度函数曲线F的F＝ETM(E) 其中， ETM为 概率密度估计函数， F为 概率密度曲线； 步骤4.4： 设定置信区间， 计算上下边界； 基于数据偏差的概率密度曲线F， 设定置信区 间τ， 并计算上边界Bup和下边界Bdn； 具体步骤如下： 步骤4.4.1： 设置 置信区间τ， 依据数据的分布结合现场经验， 设置F的置信区间； 步骤4.4.2： 依据置信区间计算预测误差的上边界点Bup， 取得概率密度曲线中 点 对应的误差值 为上边界点； 步骤4.4.3： 依据置信区间计算预测误差的下边界点Bdn， 取得概率密度曲线中 点 对应的误差值 为下边界点；权　利　要　求　书 2/3 页 3 CN 114386679 A 3