基于时序数据多通道线图化的重介分选精煤灰分预测方法与流程

本发明属于人工智能，具体涉及一种基于时序数据多通道线图化的重介分选精煤灰分预测方法。

背景技术：

1、在选煤厂的生产过程中，精确预测精煤灰分对优化重介分选工艺至关重要。然而，当前广泛使用的快速灰分测定方法存在明显局限性，包括检测周期长、结果滞后，以及对现场工人经验的过度依赖，这些问题不仅降低了生产效率，还导致资源浪费。选煤厂积累了丰富的历史数据，其中精煤灰分与分选密度等关键工艺参数密切相关。通过先进的大数据分析技术，深入挖掘和综合分析这些历史数据，可以有效构建工艺参数与精煤灰分之间的映射模型。这不仅切实可行，还为选煤厂提供了精确的工艺优化和质量控制依据。

2、传统时间序列预测方法通常假设数据采样频率是固定的，即基于规则采样进行预测。然而，在实际生产过程中，选煤厂会根据精煤的分选效果，动态地调整原煤灰分的采样频率，导致采样频率不恒定，从而影响了传统预测方法的准确性。这种不规则的采样模式，与传统预测方法所依赖的恒定采样频率相悖，从而可能降低这些方法的预测精度。为克服这一挑战，本发明开发了一种适应不规则采样的精煤灰分预测方法，旨在提高预测精度并适应实际工况的变化。

3、在数据预处理中，折线图化是指将数据转换为折线图的形式，通过连接一系列数据点来显示变量的变化趋势。这种可视化方法使数据之间的关系更加直观易懂。为了更全面地展示变量之间的关联，并提高模型的处理效率，采用了不规则采样数据的折线图化处理，生成多通道折线图。多通道折线图通过将多个相关的折线图作为不同的通道叠加在同一张图中，能够同时展示多个变量的变化趋势及其之间的相互关系。结合人工智能技术，该方法显著提升了精煤灰分预测的准确性和可靠性，为选煤厂提供了强大的数据支持与决策依据。

技术实现思路

1、针对现有技术中存在的上述技术问题，本发明提出了一种基于时序数据多通道线图化的重介分选精煤灰分预测方法，引入了一种先进的时间序列多通道折线图表示技术，针对原煤灰分和关键工艺参数在不规则时间间隔内的采样问题，能够灵活处理数据的不连续性，提升了人工智能在选煤工艺中的应用能力。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于时序数据多通道线图化的重介分选精煤灰分预测方法，将时间序列数据转化为多通道线图，进而实现精煤灰分的精确预测，包括如下步骤：

4、步骤1、采集选煤厂历史大数据，构建选煤厂数据库；

5、步骤2、进行数据预处理，并将预处理后的数据按比例划分为训练集和测试集；

6、步骤3、生成多通道复合数据折线图；

7、步骤4、设计基于改进swin transformer的深度学习模型；

8、步骤5、训练基于改进swin transformer的深度学习模型；

9、步骤6、模型评估与应用。

10、进一步地，所述步骤1中，通过选煤厂的生产监控系统和人工记录，收集重介分选工艺过程中的精煤灰分、原煤灰分以及关键工艺参数；所述关键工艺参数包括但不限于采样日期、采样时间、磁性物含量、煤泥含量、分选密度、旋流器入口压力、合介桶液位；结合大数据分析技术，对数据进行深入挖掘与分析。

11、进一步地，所述步骤2中，数据预处理包括纠正传感器误差、修正记录错误，并将数据格式化为后续模型使用的结构。

12、进一步地，所述步骤3中，利用预处理后的数据，生成多个基于时间序列的指标折线图，生成时，将关键工艺参数设置为x轴，原煤灰分设置为y轴，数据集中的数据点表示为折线的转折点，转折点通过直线相连，形成了展示原煤灰分随时间变化的折线图；随后，将这些折线图按时间序列以多通道形式在同一图中进行叠加，构建得到多通道复合数据折线图。

13、进一步地，所述步骤4中，基于改进swin transformer的深度学习模型通过构建一个分层表示来捕获局部和全局信息，该分层表示从早期层中的小尺寸块开始，并逐渐合并更深层中的相邻块；模型的输入为步骤3中生成的多通道复合数据折线图，模型输出为精煤灰分；基于改进swin transformer的深度学习模型共包括四个阶段，阶段一、阶段二、阶段四均包含一组swin transformer块；阶段三包括三组串联的swin transformer块；一组swin transformer块中包含依次串联的基于窗口多头注意力机制层和基于偏移窗口多头注意力机制层；基于窗口多头注意力机制层和基于偏移窗口多头注意力机制层之间连接一个具有gelu 激活函数的基于残差的多层感知器。

14、进一步地，基于改进swin transformer的深度学习模型的具体工作过程为：

15、步骤4.1、将多通道复合数据折线图作为输入图像输入模型，并对输入图像进行块划分；

16、步骤4.2、进行第一阶段的线性嵌入和swin transformer块处理，得到第一阶段的输出特征；

17、步骤4.3、对第一阶段的输出特征进行块合并和swin transformer块处理，得到第二阶段的输出特征；

18、步骤4.4、继续对第二阶段的输出特征进行块合并和swin transformer块处理，得到第三阶段的输出特征；

19、步骤4.5、继续对第三阶段的输出特征进行块合并和swin transformer块处理，得到第四阶段的输出特征，此时为模型最终的输出。

20、进一步地，所述swin transformer块的计算过程如下：

21、(1)；

22、(2)；

23、(3)；

24、(4)；

25、其中，表示对于块的基于窗口多头注意力机制层的输出特征；表示对于块的基于偏移窗口多头注意力机制层的输出特征；、、分别表示对于块、块、块的基于残差的多层感知器的输出特征；表示基于窗口多头注意力机制层；表示基于偏移窗口多头注意力机制层；表示基于残差的多层感知器；表示层归一化；

26、在swin transformer块中，基于窗口多头注意力机制层将输入图像划分为若干个互不重叠的局部窗口，然后计算各局部窗口的局部注意力，得到局部窗口自注意力矩阵，具体组成如下：

27、(5)；

28、其中，表示自注意力矩阵；、、分别表示查询矩阵、键矩阵、值矩阵；表示softmax函数；表示映射矩阵；为偏置矩阵；

29、再然后通过基于残差的多层感知器输入到基于偏移窗口多头注意力机制层。

30、进一步地，所述步骤5中，基于训练集对基于改进swin transformer的深度学习模型进行训练，模型选用均方误差作为经验损失，用于衡量预测值与实际值之间的差异，计算公式为：

31、(6)；

32、其中，为均方误差值；为样本总数；代表第个样本的真实精煤灰分值；是第个样本的预测精煤灰分值。

33、进一步地，所述步骤6中，在完成模型训练后，使用测试集对模型进行评估；最终，将性能最佳的模型应用于实际选煤生产中，以实现对精煤灰分的精准预测。

34、本发明所带来的有益技术效果如下。

35、1、在重介分选煤过程中，传统的精煤灰分预测方法主要依赖于现场工人的经验，根据一系列指标对精煤灰分进行大致估算。这种方法存在检测周期长、结果滞后，以及过度依赖工人经验的问题，导致生产效率低下并伴随资源浪费。为了解决这些问题，本发明引入了大数据挖掘技术对选煤厂积累的大量历史数据进行深度分析，并结合数据驱动的深度学习模型，显著提高了精煤灰分预测的准确度，同时提升了生产效率，减少了资源浪费。

36、2、传统的时间序列预测方法通常假设采样的时间间隔是固定的，即基于规则采样进行预测。然而，在实际生产中，选煤厂会根据精煤灰分的变化动态调整原煤灰分的采样频率，导致原煤灰分的采样时间间隔不规则，给精确预测精煤灰分带来了挑战。为应对这一问题，本发明采用人工智能技术，能够在处理不规则采样的时间序列数据时保持较高的预测精度。与传统的人工预测方法相比，本发明不仅大幅缩短了预测时间，还显著提高了精煤灰分的预测准确性，同时有效增强了选煤过程的稳定性。