基于辨识模型与深度学习相结合的矿浆浓度智能检测方法与流程

1.本发明属于工业人工智能技术领域，尤其涉及基于辨识模型与深度学习相结合的矿浆浓度智能检测方法。


背景技术：

2.在工业生产过程中，矿浆浓度是选矿过程中的一个重要参数，对选矿工艺过程中的矿物回收率、最终精矿质量、辅助药剂用量的衡定、旋流器的生产能力、选矿时间、耗能等方面有重要影响。因此在冶金和选矿等工业过程中，经常需要实时检测矿浆浓度，以便于生产操作调节或实现自动控制。长期以来，矿浆浓度的可靠实时检测都是一个很棘手的问题。目前主要的检测方法有浓度壶检测、烘干法检测、放射源浓度计、超声波浓度计以及差压式浓度计等。
3.浓度壶及烘干法检测均是由人工操作进行，劳动强度大，且存在严重的滞后性。知识工作者只能根据滞后的信息凭经验与知识决策，造成产品质量不稳定、消耗高等问题。此外，人工测量方法无法提供计算机系统所需的信号，限制了矿浆浓度对工业生产过程的实时指导意义。
4.而放射源浓度计价格昂贵。从安全、管理等因素考虑，放射源浓度仪很难在矿业行业中大面积推广应用。受检测点矿浆性质、固体颗粒粒径差异影响较大、矿浆管道中的大量气泡及不满管现象的影响，超声波浓度存在着可靠性、稳定性不够等问题。
5.目前优先选用的是差压浓度计，其主要依据矿浆静压力与矿浆密度、取压点高度差成比例关系设计的浓度计。目前市面上大部分差压浓度计设计时没有考虑流动矿浆的动态过程，且无法对矿浆浓度误差进行补偿，从而导致差压浓度计精确度难以满足选矿生产要求。
6.为此，如何实现对矿浆浓度的精确测量从而实现矿浆浓度的实时控制成为当前亟需解决的技术问题。


技术实现要素：

7.(一)要解决的技术问题
8.鉴于现有技术的上述缺点、不足，本发明提供一种基于辨识模型与深度学习相结合的矿浆浓度智能检测方法，能够实现对矿浆浓度的精确测量从而实现矿浆浓度的实时控制。
9.(二)技术方案
10.为了达到上述目的，本发明采用的主要技术方案包括：
11.第一方面，本发明实施例提供一种基于辨识模型与深度学习相结合的矿浆浓度智能检测方法，包括：
12.步骤101、获取矿浆在管道中流动的实时数据；
13.步骤102、根据所述实时数据和预先建立的矿浆密度检测模型，获取所述矿浆密度
信息；
14.步骤103、根据所述矿浆密度
‑
浓度转换关系和所述矿浆密度信息，获得矿浆浓度的检测结果；
15.其中，矿浆密度检测模型包括：采用最小二乘法估计的可辨识模型的密度值和对应未知非线性动态系统的采用lstm建模的深度学习模型；所述可辨识模型和未知非线性动态系统为基于矿浆的基本信息和动量守恒规则建立的。
16.可选地，所述101之前，方法还包括：
17.步骤a11、基于矿浆的基本信息和动量守恒规则，建立矿浆密度动态模型，所述矿浆密度动态模型包括：可辨识模型和未知非线性动态系统；
18.步骤a12、采用最小二乘法估计所述可辨识模型的参数，得到基于辨识模型的密度值；
19.步骤a13、依据可辨识模型的参数的辨识误差与未建模动态部分，构建采用lstm建模的未知非线性动态系统的深度学习模型；
20.步骤a14、依据基于辨识模型的密度值和深度学习模型，组成矿浆密度检测模型。
21.可选地，在步骤a11中，矿浆的基本信息包括下述的一项或多项：流速、管道内径、管道截面积、时间、压力、摩擦系数、加速度和管道高度；
22.矿浆密度动态模型为：
23.其中，可辨识模型为未知非线性动态系统为
24.k为时刻，δp为矿浆压差，v为流速，参数为
25.可选地，所述步骤a12包括：
26.最小二乘法对所述可辨识模型进行辨识，待辨识的未知参数为
27.基于矿浆压差信号vp(k)、矿浆流速信号v(k)及矿浆人工化验密度ρ
l
(k)，使用最小二乘法估计所述可辨识模型的参数，得到基于辨识模型的密度值
28.其中，ψ(k
‑
1)＝[v(k
‑
1),δp(k
‑
1)]；k为时刻，δp为矿浆压差，为参数θ的估计值，[,]
t
表示转置。
[0029]
可选地，所述步骤a13中：
[0030]
未知非线性动态系统：
[0031][0032]
其中，f是未知的非线性函数；k为时刻，为未知非线性动态系统的输出，n为常数，表示该未知非线性动态系统的输入变量的未知阶次；
[0033]
具体地，将所述未知非线性动态系统的输出数据作为标签数据，所述未知非线性动态系统的变量阶次用lstm的神经元个数表示；
[0034]
初始时将lstm的初始网络层数设置为1，借助于多次建模实验，使标签数据与未知非线性动态系统输出的的误差满足第一阈值及
第二阈值，以确定lstm的神经元个数n和单个神经元节点数以及，
[0035]
根据确定的神经元个数n、单个神经元节点数获取不同网络层数对应的标签数据与未知非线性动态系统输出之间的误差，在该误差满足第三阈值时，确定lstm的网络层数l；
[0036]
根据确定的lstm的神经元个数n、单个神经元节点数lstm的网络层数l，建立针对未知高阶非线性项的深度学习模型。
[0037]
可选地，所述步骤a14中：
[0038]
矿浆密度检测模型为：
[0039]
其中，ψ(k
‑
1)＝[v(k
‑
1),δp(k
‑
1)]，连接权为行向量，为偏置；h
l
(k)为向量，是第l层第n个神经元的输出； l为网络层数，为单个神经元节点数。
[0040]
可选地，所述矿浆密度
‑
浓度转换关系为：
[0041][0042]
δ为矿石的真密度，为矿浆浓度。
[0043]
第二方面，本发明实施例还提供一种电子设备，包括：存储器、处理器和总线，所述处理器和所述存储器通过所述总线连接；
[0044]
所述存储器用于存储计算机程序，所述处理器用于运行所述程序，其中，程序运行时执行第一方面任一所述的基于辨识模型与深度学习相结合的矿浆浓度智能检测方法。
[0045]
第三方面，本发明实施例还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如第一方面任一所述的基于辨识模型与深度学习相结合的矿浆浓度智能检测方法。
[0046]
(三)有益效果
[0047]
本发明中基于分析对象的流动特性，采用长生产周期、多种不同生产工况下的过程数据，建立了矿浆浓度动态模型，对可辨识模型采用最小二乘方法辨识，对未知非线性动态系统采用深度学习算法构建模型，实现了矿浆浓度的实时准确测量，该结果可指导矿浆浓度的控制及运行优化，提高选矿的生产效率。
[0048]
与传统的差压式浓度计相比，传统的差压式浓度计仅采用压差一个变量作为矿浆浓度检测模型的输入，而本发明中通过机理分析，引入了矿浆压差和矿浆流速两个过程变量作为模型的输入变量，能够更好地反映矿浆流动的动态过程，矿浆密度检测模型有更好的适应性和准确性。
[0049]
本发明中基于辨识模型与深度学习相结合的矿浆密度检测模型，实现了矿浆浓度的精确测量，从而指导矿浆浓度的控制，为下一步运行优化提供指导，提高选矿的生产效率。
附图说明
[0050]
图1为实现本发明方法所对应的管道及微元体的示意图；
[0051]
图2为本发明一实施例提供的基于辨识模型与深度学习相结合的矿浆浓度智能检测方法的流程示意图；
[0052]
图3为不同神经元个数下的rmse及r2结果的示意图；
[0053]
图4为不同神经元节点数下的rmse及r2结果的示意图；
[0054]
图5为不同lstm模型层数下的rmse及r2结果的示意图；
[0055]
图6为本发明中使用的深度学习模型的结构示意图；
[0056]
图7为本发明矿浆检测值和实际的浓度化验值的比较示意图；
[0057]
图8为本发明浓度检测值与实际化验值的rmse、r2及合格率指标。
具体实施方式
[0058]
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
[0059]
现有技术中提供一种矿浆浓度的软测量方法，仅仅是采用基于数据的建模方式对矿浆浓度进行检测。本发明实施例中采用基于机理
‑
数据的混合建模方式，它将机理模型和数据模型结合在一起使用，对明确可以使用机理分析的部分采用机理建模，对因建立机理模型造成的建模误差或较为复杂的未知非线性项部分采用数据建模的方式来表示。两者相互结合，互为补充，与只采用数据建模相比，混合建模具有更高的精度和更广的适用范围。
[0060]
另外，现有技术还提供一种基于模糊预测模型的矿浆浓度检测方法，但是在模糊建模中，辅助变量的选择、模糊化方案确定和规则集的构建通常是根据操作人员和专家的经验知识，这就不可避免的产生一定的局限性和主观性，从而影响模糊预测模型的精度和泛化能力，本发明实施例则是依据与矿浆浓度相关的多个过程变量对矿浆浓度进行检测，继承了各过程变量表征矿浆浓度的优势，使得最终检测结果精确度和可靠性得到了保证。
[0061]
实施例一
[0062]
如图1和图2所示，本实施例提供一种基于辨识模型与深度学习相结合的矿浆浓度智能检测方法，其执行主体为控制装置/计算机，该矿浆浓度智能检测方法可包括：
[0063]
步骤101、获取矿浆在管道中流动的实时过程数据；
[0064]
步骤102、根据所述实时数据和预先建立的矿浆密度检测模型，获取所述矿浆密度信息；
[0065]
步骤103、根据所述矿浆密度
‑
浓度转换关系和所述矿浆密度信息，获得矿浆浓度的检测结果；
[0066]
例如，所述矿浆密度
‑
浓度转换关系可为：
[0067]
δ为矿石的真密度，为矿浆浓度。
[0068]
在本实施例中，矿浆密度检测模型包括：采用最小二乘法估计的可辨识模型的密
度值和对应未知非线性动态系统的采用lstm建模的深度学习模型；所述可辨识模型和未知非线性动态系统为基于矿浆的基本信息和动量守恒规则建立的。
[0069]
在具体实现过程中，上述步骤101之前，本实施例的方法还包括下述的步骤100
‑
1至100
‑
4：
[0070]
步骤100
‑
1、基于矿浆的基本信息和动量守恒规则，建立矿浆密度动态模型，所述矿浆密度动态模型包括：可辨识模型和未知非线性动态系统。
[0071]
举例来说，矿浆的基本信息包括下述的一项或多项：流速、管道内径、管道截面积、时间、压力、摩擦系数、加速度和管道高度。
[0072]
本实施例中的矿浆密度动态模型为：
[0073]
其中，可辨识模型为未知非线性动态系统为
[0074]
k为时刻，δp为矿浆压差，v为流速，参数为
[0075]
步骤100
‑
2、采用最小二乘法估计所述可辨识模型的参数，得到基于辨识模型的密度值。
[0076]
最小二乘法对所述可辨识模型进行辨识，待辨识的未知参数为
[0077]
基于矿浆压差信号vp(k)、矿浆流速信号v(k)及矿浆人工化验密度ρ
l
(k)，使用最小二乘法估计所述可辨识模型的参数，得到基于辨识模型的密度值
[0078]
其中，ψ(k
‑
1)＝[v(k
‑
1),δp(k
‑
1)]；k为时刻，δp为矿浆压差，为参数θ的估计值，[,]
t
表示转置。
[0079]
步骤100
‑
3、依据可辨识模型的参数的辨识误差与未建模动态部分，构建采用lstm建模的未知非线性动态系统的深度学习模型。
[0080]
例如，未知非线性动态系统
[0081][0082]
其中，f是未知的非线性函数；k为时刻，为未知非线性动态系统的输出，v为矿浆流速，δp为矿浆压差，n为常数，表示该未知非线性动态系统的输入变量的未知阶次。
[0083]
具体地，将所述未知非线性动态系统的输出数据作为标签数据，所述未知非线性动态系统的变量阶次用lstm的神经元个数表示；
[0084]
初始时将lstm的初始网络层数设置为1，借助于多次建模实验，使标签数据与未知非线性动态系统输出的的误差满足第一阈值及第二阈值，以确定lstm的神经元个数n、单个神经元节点数以及，
[0085]
根据确定的神经元个数n、单个神经元节点数获取不同网络层数对应的标签数据与未知非线性动态系统输出之间的误差，在该误差满足第三阈值时，确定lstm的网络层数l；
[0086]
根据确定的lstm的神经元个数n、单个神经元节点数lstm的网络层数l，建立针对未知高阶非线性项的深度学习模型。
[0087]
步骤100
‑
4、依据基于辨识模型的密度值和深度学习模型，组成矿浆密度检测模型。
[0088]
在本实施例中，矿浆密度检测模型为：
[0089]
其中，ψ(k
‑
1)＝[v(k
‑
1),δp(k
‑
1)]，连接权为行向量，为偏置；h(k)为向量，是第1层第n个神经元的输出。
[0090]
本实施例中基于辨识模型与深度学习相结合的矿浆浓度检测模型，实现了矿浆浓度的精确测量，从而指导矿浆浓度的控制，为下一步运行优化提供指导，提高选矿的生产效率。
[0091]
在实际生产中，矿浆性质的变化和生产过程运行的变化导致常规的矿浆浓度检测装置测得的矿浆浓度与化验结果差距大，无法指导生产。为了快速获得准确的矿浆实时浓度，实现选矿过程运行优化控制，必须建立矿浆浓度智能检测模型。由于矿浆浓度变化过程动态特性具有未知强非线性、模型阶次未知等特点，无法用已有的检测方法建立准确的浓度智能检测模型。本实施例中利用某选矿厂矿浆流量及矿浆压差的实际工业过程数据，建立了辨识模型与深度学习相结合的矿浆浓度检测模型。结合辨识模型及深度学习模型结果，通过在线矿浆密度
‑
浓度转换关系计算得到最终的矿浆浓度检测值。本实施例中，成功建立了矿浆浓度智能检测模型，在未知干扰下和动态特性变化时，实现了矿浆浓度的准确测量。
[0092]
实施例二
[0093]
为更好的理解上述实施例一的技术方案，以下结合图1至图7对本矿浆浓度智能检测方法进行详细说明。
[0094]
本实施例的矿浆浓度智能检测方法可包括下述的步骤：
[0095]
201：基于流体的动量守恒定律，确定矿浆在竖直管道中流动的动量方程，以建立矿浆密度动态模型，并基于建立的矿浆密度动态模型确定所述矿浆密度动态模型的输入变量和输出变量。
[0096]
本实施例中的矿浆密度动态模型由可辨识模型和未知非线性动态系统组成。结合图1所示的微元控制体及管道的示意结构。根据动量守恒定律，得到矿浆在管道中流动的动量方程为：
[0097][0098]
其中，ρ为微元密度，，v为微元流速，t为时间，p为压力，g为当地加速度，λ为摩擦系数，d为管道内径，h为高度。
[0099]
设该微元在t时间内运动的距离为δh(由截面1到截面2)，且矿浆流速ν，矿浆密度ρ在δh长度内均匀分布(仅随时间t变化)；此外，为建立矿浆密度动态模型，在δh内，将近似计算为最终得到矿浆密度动态模型为：
[0100][0101]
式(4)中，v(t)及ρ(t)均为δh高度内矿浆的平均流速及平均密度，d 为管道内径。由于v(t)及δp(t)与密度ρ(t)均为非线性关系，且ρ(t)系数中包含流速的非线性变化
[0102]
令由于给矿过程运行在工作点(ρ0,v0,δp0)附近，因此可以将矿浆密度动态模型式(4)表示为可辨识模型和未知高阶非线性项之和的形式。
[0103]
令：
[0104][0105]
h(
·
)在工作点(ρ0,v0,δp0)附近一阶泰勒展开，得到：
[0106]
h(
·
)＝h[ρ0,v0,δp0] a
·
[ρ(t)
‑
ρ0] b0·
[v(t)
‑
v0] b1·
[δp(t)
‑
δp0] r2[0107]
其中，r2为一阶泰勒展开后的拉格朗日误差项。
[0108]
对式(4)进行欧拉离散化，令a1＝
‑
(1 a)，r2'＝r2 ρ0，整理得到：
[0109]
ρ(k)＝h[ρ0,v0,δp0]
‑
a1·
[ρ(k
‑
1)
‑
ρ0] b0·
[v(k
‑
1)
‑
v0] b1·
[δp(k
‑
1)
‑
δp0] r2'
[0110]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0111]
将式(5)进行变换可得由确定可辨识模型与未知高阶非线性项组成的矿浆密度动态模型：
[0112]
a(z
‑1)ρ(k)＝b0(z
‑1)v(k
‑
1) b1(z
‑1)δp(k
‑
1) v(k
‑
1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0113]
a(z
‑1)＝1 a1z
‑1，b0(z
‑1)＝b0，b1(z
‑1)＝b1[0114]
得到最终矿浆密度动态模型为：
[0115][0116]
式(7)中，其中 v(k
‑
1)为未知高阶非线性项；引入未知非线性函数f(
·
)和未知系统阶次n， v(k
‑
1)＝f(v(k
‑
1),...,v(k
‑
n),δp(k
‑
1),...,δp(k
‑
n),f
unknown
(
·
),f
model
(
·
))；f
unknown
(
·
)表示磨矿过程中的未知干扰；f
model
(
·
)为建模误差。
[0117]
ρ(k
‑
1)可表示为ρ(k
‑
1)＝f(v(k
‑
1),...,v(k
‑
n),δp(k
‑
1),...,δp(k
‑
n))。
[0118]
202：使用最小二乘法对所述矿浆密度动态模型的可辨识模型进行辨识。
[0119]
待辨识的未知参数为由(7)式建立所述参数的辨识方程：
[0120]
ρ(k)＝ψ(k
‑
1)θ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0121]
其中，ψ(k
‑
1)＝[v(k
‑
1),δp(k
‑
1)]，
[0122]
采用磨矿过程k,(k
‑
1),...,(k
‑
m)时刻的矿浆密度ρ(k),ρ(k
‑
1),...,ρ(k
‑
m)，矿浆流速v(k
‑
1),v(k
‑
2),...,v(k
‑
m
‑
1)以及矿浆压差δp(k
‑
1),δp(k
‑
2),...,δp(k
‑
m
‑
1)，
[0123]
由(8)式可得：y(k)＝x(k
‑
1)θ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0124]
其中输出向量y(k)为，y(k)＝[ρ(k),ρ(k
‑
1),...,ρ(k
‑
m)]
t
[0125]
输入矩阵为：
[0126][0127]
最小二乘算法的目标函数为：
[0128][0129]
其中
[0130]
最小二乘算法的参数θ的估计值为：
[0131][0132]
式(7)可表示为：
[0133][0134]
基于式(9)的矿浆密度辨识方程，使用某选矿厂矿浆浓度人工化验采取的实际矿浆浓度数据，采用最小二乘算法可得到对应的参数辨识结果举例来说，可为
‑
0.4031至0.4125，可为1.3445至 1.6558.
[0135]
203：将所述矿浆密度动态模型中的所述可辨识模型的参数的辨识误差与所述矿浆密度动态模型中的所述未建模动态合并为未知非线性动态系统。采用lstm对未知非线性动态系统进行建模。
[0136]
具体的，由式(12)可知未知非线性动态系统由和建模误差组成：
[0137][0138]
其中未知非线性动态系统的输入变量为v(k
‑
1),δp(k
‑
1)。引入未知非线性函数f(
·
)和未知系统阶次n，可表示为：
[0139][0140]
进一步，将所述未知非线性动态系统模型的所述输入数据作为lstm单个神经元的输入，将所述未知非线性动态系统的输出数据作为标签数据，将所述未知非线性动态系统的输入数据的阶次作为lstm神经元个数，通过多次建模实验，根据所述标签数据与所述未知非线性动态系统模型输出之间的误差确定lstm模型的参数。
[0141]
具体的，lstm模型的参数确定过程如下：
[0142]
将lstm的初始网络层数设置为1，通过多次建模实验，根据所述标签数据与所述未
知非线性动态系统模型输出之间的误差，依次确定神经元个数n、和单元节点数
[0143]
具体的，以式(14)的输入变量作为第一层的神经元的输入，未知非线性动态系统阶次n为神经元个数，单个神经元的节点数为
[0144]
第j个神经元的输入为：
[0145]
x(k j
‑
n)＝[h1(k j
‑
n
‑
2),v(k j
‑
n
‑
1),δp(k j
‑
n
‑
1)]
t
(j＝1,....,n)其中 h1(k j
‑
n
‑
2)是第(j
‑
2)个神经元的输出。
[0146]
首先，选择网络层数为1，采用式(14)中的m个输入输出数据构成数据样本，采用下列训练算法使标签数据与未知非线性动态系统输出的的误差尽可能小(如小于指定的第一阈值)。训练算法的目标函数为
[0147][0148]
其中
[0149]
lstm单元隐藏层的外部状态h
t
的计算公式如下：
[0150]
h
t
＝o
t
etanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0151]
其中，c
t
为lstm单元内部状态，e为哈达玛积(hadamrd product)，即两个相同维度的向量中的相同位置的元素相乘，下标t为lstm训练过程的输入数据时刻。输出门o
t
可表示为
[0152]
o
t
(k)＝σ(w
°
·
[h
t
‑1,x
t
] b
°
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0153]
lstm单元的内部状态c
t
为
[0154][0155]
式(19)中遗忘门f
t
，输入门i
t
和状态候选值分别为
[0156][0157]
其中σ(
·
)为sigmoid函数，[h
t
‑1,x
t
]为向量，是第1层第j个神经元的输入，连接权w
o
为的矩阵，偏置b
o
为的列向量。 lstm单元连接权值w
f
,w
in
和w
c
为矩阵，lstm单元偏置 b
f
,b
in
以及b
c
为向量。采用梯度下降算法训练连接权和偏置，首先计算输出门权重w
o
的梯度为：
[0158][0159]
根据下式更新输出门权重w
°
[0160][0161]
其中α为学习率。采用相同的训练算法确定其他连接权和偏置。此外，为了辨识深
度学习模型的结构引入均方根误差(root mean squared error,rmse)以及拟合优度r2评价指标，计算如下
[0162][0163][0164]
其中，为的均值。
[0165]
本实施例中利用长生产周期、多种不同生产工况下的工业数据，首先选择层数为1，单元节点数的神经网络，首先确定lstm神经元的个数n，即输入数据的阶数。令n＝1,2,3,4,
…
并依次计算误差的均方根误差(root mean squared error,rmse)以及模型拟合优度r2，当n＝8 时，的rmse最小且模型r2最高(如图3所示)。因此该动态系统的阶次n为8，即lstm神经元的个数为8。
[0166]
选择层数为1，固定lstm神经元的个数为n＝8，令单个神经元节点数分别计算的rmse及模型拟合优度r2，当时，的rmse最小且模型r2最高(如图4所示)，因此取120。
[0167]
固定lstm神经元个数n和单元节点数增加网络层数l＝1,2,3,4,
…
并分别计算的rmse及模型拟合优度r2，当l＝5时，的rmse 最小且模型模型r2最高(如图5所示)，因此网络层数l为5，并通过梯度下降法确定全连接层的权重与偏置。
[0168]
最终依据上述实验结果建立如图6所示的矿浆浓度检测模型。该模型第一层第j个神经元输入为x
j
(k
‑
1)，输出为h1(k j
‑
9)(j＝1,2,...,8)，第i层第j个神经元的输入为[h
i
(k j
‑
10),h
i
‑1(k j
‑
9)]
t
，输出为h
i
(k j
‑
9)， (i＝2,...,5,j＝1,
…
,8)。
[0169]
的在线检测模型为：
[0170][0171]
204：基于步骤202及步骤203的结果，得到基于辨识模型及深度学习的矿浆密度检测模型为：
[0172][0173]
205：最终，根据矿浆密度—浓度的转化公式，结合式(26)即可得到矿浆浓度检测结果。
[0174][0175]
式中，δ为矿石的真密度。
[0176]
本实施例所建立的矿浆浓度检测模型结果如图7和图8所示。图7 中实线表示采用本发明的矿浆浓度检测值，虚线表示矿浆浓度的人工化验值。可以看出，本实施例的智能检测方法在不同操作状态(浓度变化较大)下，依然有良好的检测效果。
[0177]
采用所提方法获得的浓度值与浓度化验值的误差，以均方根误差 (rmse)、拟合优度(r2)和合格率指标(与浓度化验值误差|p|在
±
2％、
±
1％、
±
0.5％以内样本数占总样本数的百分比)对本专利所提的浓度智能检测方法进行测试。图8中统计了本实施例矿浆浓度检测值与化验值的均方根误差rmse、拟合优度r2和合格率指标|p|。由图8可以看出，采用本实施例的模型将矿浆浓度仪表测量值与化验值之间的rmse为 0.5055，模型拟合优度r2为87.58％，绝对误差在2％以内的浓度检测数据|p|<2％为98.88％，误差在1％以内的数据|p|<1％为94.40％，误差在0.5％以内的数据|p|<0.5％为70.55％，对比专利号cn201811293203.9的矿浆浓度检测效果，本实施例的检测效果精度更高，为实现选矿生产过程的运行优化控制提供了基础。
[0178]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0179]
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
[0180]
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
[0181]
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0182]
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0183]
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。