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

1.一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，其特征在于，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：

2.根据权利要求1所述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，其特征在于，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。

3.根据权利要求1所述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，其特征在于，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。

4.根据权利要求1所述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，其特征在于，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。

5.根据权利要求1所述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，其特征在于，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swintransformer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。

6.根据权利要求5所述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，其特征在于，基于改进swin transformer的深度学习模型的具体工作过程为：

7.根据权利要求6所述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，其特征在于，所述swin transformer块的计算过程如下：

8.根据权利要求1所述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，其特征在于，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：

9.根据权利要求1所述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，其特征在于，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。