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

刘 卓 汤 健 柴天佑 余 文

磨矿过程难以检测的磨机负荷参数(Mill load parameter,MLP),即料球比(Material to ball volume ratio,MBVR)、磨矿浓度(Pulp density,PD)和充填率(Ball charge volume ratio,CVR),与磨矿过程的产品质量和生产效率密切相关,对其进行实时检测是实现选矿过程运行优化控制的关键因素之一[1-2].数据驱动的软测量建模技术广泛用于类似难测参数的推理估计[3].旋转运行的磨机在筒体、轴承、研磨区域等不同位置所产生的机械振动/振声信号,在产生机理、灵敏度和蕴含信息等方面存在差异性、冗余性与互补性[4-5].文献[6]指出事物被体验或表达存在多种特定方式(模态),可融合多模态的有价值信息实现分类或回归.针对球磨机系统,蕴含着差异化MLP 信息的多模态机械振动/振声信号频谱特征常用于构建MLPF模型[7-9].

为构建具有可解释性和较强泛化能力的MLPF模型,进行多模态频谱特征的有效选择是较为有效的策略.特征选择算法能够有效去除 “无关特征”与“冗余特征”,并确保重要特征不丢失[10].针对机械振动频谱进行特征子集的选择更具有价值[11].此外,不同MLP 与高维特征间的映射关系也呈现出差异性.

基于单个输入特征与MLP 等难测参数间的相关系数能够选择线性相关特征,如文献[12]结合多目标优化算法和相关系数进行微阵列数据的特征选择,文献[13]提出基于相关系数的多目标半监督特征选择方法,文献[14]提出基于熵的相关系数的特征聚类方法对特征子集进行快速聚类.针对基于相关系数的线性方法难以描述复杂非线性……