本發(fā)明涉及精煤產(chǎn)率預(yù)測(cè)，特別是一種精煤產(chǎn)率預(yù)測(cè)學(xué)習(xí)樹方法。

背景技術(shù)：

1、精煤洗選是煤礦生產(chǎn)中的關(guān)鍵環(huán)節(jié)，其核心目標(biāo)是通過高效分選工藝最大限度地提高精煤產(chǎn)率，同時(shí)降低原煤灰分和雜質(zhì)含量。近年來，隨著數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的洗選結(jié)果預(yù)測(cè)模型逐漸成為研究熱點(diǎn)。

2、現(xiàn)有精煤預(yù)測(cè)方法主要采用時(shí)序算法預(yù)測(cè)產(chǎn)率與灰分，基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(lstm)、空洞因果卷積、lightgbm等進(jìn)行建模。然而，這些方法難以全面提取因果特征，例如原煤成分、入洗量以及洗選工況。此外，時(shí)序建模需要對(duì)各流程生成的數(shù)據(jù)時(shí)間進(jìn)行嚴(yán)格對(duì)齊，現(xiàn)場(chǎng)實(shí)施難度較大。另一部分方法依賴專家構(gòu)建多元特征，并結(jié)合bp神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。然而，無論是時(shí)序回歸模型還是bp回歸模型，都存在預(yù)測(cè)結(jié)果缺乏解釋能力的問題，難以滿足不同洗選工藝的需求。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述問題，本發(fā)明提出了一種精煤產(chǎn)率預(yù)測(cè)學(xué)習(xí)樹方法。

2、本發(fā)明實(shí)施例提供了一種精煤產(chǎn)率預(yù)測(cè)學(xué)習(xí)樹方法，所述精煤產(chǎn)率預(yù)測(cè)學(xué)習(xí)樹方法包括：

3、獲取歷史洗選樣本數(shù)據(jù)；

4、利用所述歷史洗選樣本數(shù)據(jù)制作得到數(shù)據(jù)集；

5、基于所述數(shù)據(jù)集，按序依次訓(xùn)練得到煤質(zhì)聚類器、水分聚類器、灰分聚類器、入洗量聚類器、洗選工作參數(shù)聚類器；

6、以所述煤質(zhì)聚類器、所述水分聚類器、所述灰分聚類器、所述入洗量聚類器、所述洗選工作參數(shù)聚類器五者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為精煤產(chǎn)率預(yù)測(cè)器的輸入，訓(xùn)練得到精煤產(chǎn)率預(yù)測(cè)器；

7、利于所述精煤產(chǎn)率預(yù)測(cè)器實(shí)時(shí)預(yù)測(cè)精煤產(chǎn)率。

8、可選地，利用所述歷史洗選樣本數(shù)據(jù)制作得到數(shù)據(jù)集，包括：

9、從所述歷史洗選樣本數(shù)據(jù)中標(biāo)注出煤質(zhì)特性、原煤水分、原煤灰分、原煤入洗量、洗選工作參數(shù)以及精煤產(chǎn)率各自對(duì)應(yīng)的多個(gè)目標(biāo)數(shù)據(jù)；

10、以所述煤質(zhì)特性、所述原煤水分、原煤灰分、所述原煤入洗量、所述洗選工作參數(shù)以及所述精煤產(chǎn)率各自對(duì)應(yīng)的目標(biāo)數(shù)據(jù)作為所述數(shù)據(jù)集的特征，以所述精煤產(chǎn)率對(duì)應(yīng)的目標(biāo)數(shù)據(jù)作為所述數(shù)據(jù)集的標(biāo)簽；

11、其中，所述煤質(zhì)特性包括：密度特性、粒度特性、易碎性；

12、所述洗選工作參數(shù)包括：合介入口壓力及流量、分選密度。

13、可選地，基于所述數(shù)據(jù)集，按序依次訓(xùn)練得到煤質(zhì)聚類器、水分聚類器、灰分聚類器、入洗量聚類器、洗選工作參數(shù)聚類器，包括：

14、基于所述數(shù)據(jù)集，先訓(xùn)練得到煤質(zhì)聚類器；

15、以所述煤質(zhì)聚類器的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述水分聚類器的輸入，訓(xùn)練得到所述水分聚類器；

16、以所述煤質(zhì)聚類器、所述水分聚類器兩者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述灰分聚類器的輸入，訓(xùn)練得到所述灰分聚類器；

17、以所述煤質(zhì)聚類器、所述水分聚類器、所述灰分聚類器三者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述入洗量聚類器的輸入，訓(xùn)練得到所述入洗量聚類器；

18、最終，以所述煤質(zhì)聚類器、所述水分聚類器、所述灰分聚類器、所述入洗量聚類器四者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述洗選工作參數(shù)聚類器的輸入，訓(xùn)練得到所述洗選工作參數(shù)聚類器。

19、可選地，基于所述數(shù)據(jù)集，先訓(xùn)練得到煤質(zhì)聚類器，包括：

20、使用綜合相似性度量公式計(jì)算所述數(shù)據(jù)集中樣本間的相似性；

21、基于樣本相似性計(jì)算結(jié)果，使用高斯混合模型對(duì)所述數(shù)據(jù)集的密度、粒度和易碎性特征進(jìn)行聚類，自動(dòng)識(shí)別所述煤質(zhì)類別；

22、通過擬合多高斯分布，捕捉特征間的非線性關(guān)系和潛在類別分布，提高所述煤質(zhì)類別的識(shí)別準(zhǔn)確性。

23、可選地，所述綜合相似性度量公式為：

24、

25、上式中，s(i，j)]表示樣本i和樣本j的相似度，s[i，j]∈[0,1]，值越接近1表示樣本i和樣本j越相似；m表示特征維度數(shù)；wm代表特征m的權(quán)重，表示其對(duì)相似性計(jì)算的貢獻(xiàn)；xi，m和xj，m分別代表樣本i和樣本j在特征m上的取值；σm表示特征m的尺度因子，用于歸一化特征的差異。

26、可選地，使用高斯混合模型對(duì)所述數(shù)據(jù)集的密度、粒度和易碎性特征進(jìn)行聚類之前，還包括：

27、根據(jù)相似性矩陣的特性，初始化高斯混合模型的關(guān)鍵參數(shù)；具體包括：

28、通過預(yù)定義值或基于譜分析確定聚類數(shù)k；

29、使用相似性矩陣的主成分方向初始化，提取前k個(gè)特征向量，作為聚類中心的初始位置；

30、構(gòu)建協(xié)方差矩陣，其初始化為對(duì)角矩陣，值由樣本的特征分布決定；

31、設(shè)定混合權(quán)重，其設(shè)定為均勻分布，即混合權(quán)重＝1/k，表示各聚類成分的初始權(quán)重相等。

32、可選地，以所述煤質(zhì)聚類器的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述水分聚類器的輸入，訓(xùn)練得到所述水分聚類器，包括：

33、以所述煤質(zhì)聚類器的輸出結(jié)果：每種煤質(zhì)類別，結(jié)合所述數(shù)據(jù)集中的原煤水分作為所述水分聚類器的輸入，采用基于密度的聚類算法對(duì)水分特征進(jìn)行聚類，識(shí)別得到所述每種煤質(zhì)類別各自對(duì)應(yīng)的每種水分含量類別。

34、可選地，以所述煤質(zhì)聚類器、所述水分聚類器兩者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述灰分聚類器的輸入，訓(xùn)練得到所述灰分聚類器，包括：

35、以所述每種煤質(zhì)類別、所述每種水分含量類別，結(jié)合所述數(shù)據(jù)集中的原煤灰分作為所述灰分聚類器的輸入，采用層次聚類算法對(duì)灰分特征進(jìn)行聚類，識(shí)別得到所述每種水分含量各自對(duì)應(yīng)的每種灰分含量類別。

36、可選地，以所述煤質(zhì)聚類器、所述水分聚類器、所述灰分聚類器三者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述入洗量聚類器的輸入，訓(xùn)練得到所述入洗量聚類器，包括：

37、以所述每種煤質(zhì)類別、所述每種水分含量類別、所述每種灰分含量類別，結(jié)合所述數(shù)據(jù)集中的原煤入洗量作為所述入洗量聚類器的輸入，采用kmeans聚類算法對(duì)入洗量特征進(jìn)行聚類，識(shí)別得到所述每種灰分含量各自對(duì)應(yīng)的每種入洗量類別。

38、可選地，以所述煤質(zhì)聚類器、所述水分聚類器、所述灰分聚類器、所述入洗量聚類器四者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述洗選工作參數(shù)聚類器的輸入，訓(xùn)練得到所述洗選工作參數(shù)聚類器，包括：

39、以所述每種煤質(zhì)類別、所述每種水分含量類別、所述每種灰分含量類別、所述每種入洗量類別，結(jié)合所述數(shù)據(jù)集中的洗選工作參數(shù)作為所述入洗選工作參數(shù)聚類器的輸入，采用任一聚類算法對(duì)洗選工作參數(shù)特征進(jìn)行聚類，識(shí)別得到所述每種入洗量類別各自對(duì)應(yīng)的每種洗選參數(shù)類別。

40、可選地，以所述煤質(zhì)聚類器、所述水分聚類器、所述灰分聚類器、所述入洗量聚類器、所述洗選工作參數(shù)聚類器五者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為精煤產(chǎn)率預(yù)測(cè)器的輸入，訓(xùn)練得到精煤產(chǎn)率預(yù)測(cè)器，包括：

41、利用全連接神經(jīng)網(wǎng)絡(luò)算法對(duì)所述每種煤質(zhì)類別、所述每種水分含量類別、所述每種灰分含量類別、所述每種入洗量類別以及所述每種洗選參數(shù)類別進(jìn)行監(jiān)督學(xué)習(xí)和訓(xùn)練，得到所述精煤產(chǎn)率預(yù)測(cè)器。

42、可選地，利于所述精煤產(chǎn)率預(yù)測(cè)器實(shí)時(shí)預(yù)測(cè)精煤產(chǎn)率，包括：

43、獲取實(shí)時(shí)數(shù)據(jù)；

44、按序加載訓(xùn)練好的煤質(zhì)聚類器、水分聚類器、灰分聚類器、洗量聚類器、洗選工作參數(shù)聚類器；

45、按序依次經(jīng)過所述煤質(zhì)聚類器、所述水分聚類器、所述灰分聚類器、所述洗量聚類器、所述洗選工作參數(shù)聚類器對(duì)所述實(shí)時(shí)數(shù)據(jù)進(jìn)行識(shí)別，依次得到所述實(shí)時(shí)數(shù)據(jù)對(duì)應(yīng)的結(jié)果：每種煤質(zhì)類別、每種煤質(zhì)類別各自對(duì)應(yīng)的每種水分含量類別、每種水分含量類別各自對(duì)應(yīng)的每種灰分含量類別、每種灰分含量類別各自對(duì)應(yīng)的每種入洗量類別、每種入洗量類別各自對(duì)應(yīng)的每種洗選參數(shù)類別；

46、加載訓(xùn)練好的精煤產(chǎn)率預(yù)測(cè)器，并將所述實(shí)時(shí)數(shù)據(jù)對(duì)應(yīng)的結(jié)果輸入其中，實(shí)時(shí)預(yù)測(cè)得到精煤產(chǎn)率。

47、本發(fā)明實(shí)施例提供了一種精煤產(chǎn)率預(yù)測(cè)學(xué)習(xí)樹系統(tǒng)，所述精煤產(chǎn)率預(yù)測(cè)學(xué)習(xí)樹系統(tǒng)包括：

48、獲取數(shù)據(jù)模塊，用于獲取歷史洗選樣本數(shù)據(jù)；

49、制作模塊，用于利用所述歷史洗選樣本數(shù)據(jù)制作得到數(shù)據(jù)集；

50、訓(xùn)練聚類器模塊，用于基于所述數(shù)據(jù)集，按序依次訓(xùn)練得到煤質(zhì)聚類器、水分聚類器、灰分聚類器、入洗量聚類器、洗選工作參數(shù)聚類器；

51、訓(xùn)練預(yù)測(cè)器模塊，用于以所述煤質(zhì)聚類器、所述水分聚類器、所述灰分聚類器、所述入洗量聚類器、所述洗選工作參數(shù)聚類器五者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為精煤產(chǎn)率預(yù)測(cè)器的輸入，訓(xùn)練得到精煤產(chǎn)率預(yù)測(cè)器；

52、實(shí)時(shí)預(yù)測(cè)模塊，用于利于所述精煤產(chǎn)率預(yù)測(cè)器實(shí)時(shí)預(yù)測(cè)精煤產(chǎn)率。

53、可選地，所述制作模塊具體用于：

54、從所述歷史洗選樣本數(shù)據(jù)中標(biāo)注出煤質(zhì)特性、原煤水分、原煤灰分、原煤入洗量、洗選工作參數(shù)以及精煤產(chǎn)率各自對(duì)應(yīng)的多個(gè)目標(biāo)數(shù)據(jù)；

55、以所述煤質(zhì)特性、所述原煤水分、原煤灰分、所述原煤入洗量、所述洗選工作參數(shù)以及所述精煤產(chǎn)率各自對(duì)應(yīng)的目標(biāo)數(shù)據(jù)作為所述數(shù)據(jù)集的特征，以所述精煤產(chǎn)率對(duì)應(yīng)的目標(biāo)數(shù)據(jù)作為所述數(shù)據(jù)集的標(biāo)簽；

56、其中，所述煤質(zhì)特性包括：密度特性、粒度特性、易碎性；

57、所述洗選工作參數(shù)包括：合介入口壓力及流量、分選密度。

58、可選地，所述訓(xùn)練聚類器模塊包括：

59、訓(xùn)練煤質(zhì)聚類器子模塊，用于基于所述數(shù)據(jù)集，先訓(xùn)練得到煤質(zhì)聚類器；

60、訓(xùn)練水分聚類器子模塊，用于以所述煤質(zhì)聚類器的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述水分聚類器的輸入，訓(xùn)練得到所述水分聚類器；

61、訓(xùn)練灰分聚類器子模塊，用于以所述煤質(zhì)聚類器、所述水分聚類器兩者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述灰分聚類器的輸入，訓(xùn)練得到所述灰分聚類器；

62、訓(xùn)練入洗量聚類器子模塊，用于以所述煤質(zhì)聚類器、所述水分聚類器、所述灰分聚類器三者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述入洗量聚類器的輸入，訓(xùn)練得到所述入洗量聚類器；

63、訓(xùn)練洗選工作參數(shù)聚類器子模塊，用于以所述煤質(zhì)聚類器、所述水分聚類器、所述灰分聚類器、所述入洗量聚類器四者的輸出結(jié)果，結(jié)合所述數(shù)據(jù)集作為所述洗選工作參數(shù)聚類器的輸入，訓(xùn)練得到所述洗選工作參數(shù)聚類器。

64、可選地，所述訓(xùn)練煤質(zhì)聚類器子模塊具體用于：

65、使用綜合相似性度量公式計(jì)算所述數(shù)據(jù)集中樣本間的相似性；

66、基于樣本相似性計(jì)算結(jié)果，使用高斯混合模型對(duì)所述數(shù)據(jù)集的密度、粒度和易碎性特征進(jìn)行聚類，自動(dòng)識(shí)別所述煤質(zhì)類別；

67、通過擬合多高斯分布，捕捉特征間的非線性關(guān)系和潛在類別分布，提高所述煤質(zhì)類別的識(shí)別準(zhǔn)確性。

68、其中，所述綜合相似性度量公式為：

69、

70、上式中，s(i，j)]表示樣本i和樣本j的相似度，s[i，j]∈[0,1]，值越接近1表示樣本i和樣本j越相似；m表示特征維度數(shù)；wm代表特征m的權(quán)重，表示其對(duì)相似性計(jì)算的貢獻(xiàn)；xi，m和xj，m分別代表樣本i和樣本j在特征m上的取值；σm表示特征m的尺度因子，用于歸一化特征的差異。

71、可選地，所述訓(xùn)練煤質(zhì)聚類器子模塊還用于：

72、根據(jù)相似性矩陣的特性，初始化高斯混合模型的關(guān)鍵參數(shù)；具體包括：

73、通過預(yù)定義值或基于譜分析確定聚類數(shù)k；

74、使用相似性矩陣的主成分方向初始化，提取前k個(gè)特征向量，作為聚類中心的初始位置；

75、構(gòu)建協(xié)方差矩陣，其初始化為對(duì)角矩陣，值由樣本的特征分布決定；

76、設(shè)定混合權(quán)重，其設(shè)定為均勻分布，即混合權(quán)重＝1/k，表示各聚類成分的初始權(quán)重相等。

77、可選地，所述訓(xùn)練水分聚類器子模塊具體用于：

78、以所述煤質(zhì)聚類器的輸出結(jié)果：每種煤質(zhì)類別，結(jié)合所述數(shù)據(jù)集中的原煤水分作為所述水分聚類器的輸入，采用基于密度的聚類算法對(duì)水分特征進(jìn)行聚類，識(shí)別得到所述每種煤質(zhì)類別各自對(duì)應(yīng)的每種水分含量類別。

79、可選地，所述訓(xùn)練灰分聚類器子模塊具體用于：

80、以所述每種煤質(zhì)類別、所述每種水分含量類別，結(jié)合所述數(shù)據(jù)集中的原煤灰分作為所述灰分聚類器的輸入，采用層次聚類算法對(duì)灰分特征進(jìn)行聚類，識(shí)別得到所述每種水分含量各自對(duì)應(yīng)的每種灰分含量類別。

81、可選地，所述訓(xùn)練入洗量聚類器子模塊具體用于：

82、以所述每種煤質(zhì)類別、所述每種水分含量類別、所述每種灰分含量類別，結(jié)合所述數(shù)據(jù)集中的原煤入洗量作為所述入洗量聚類器的輸入，采用kmeans聚類算法對(duì)入洗量特征進(jìn)行聚類，識(shí)別得到所述每種灰分含量各自對(duì)應(yīng)的每種入洗量類別。

83、可選地，所述訓(xùn)練洗選工作參數(shù)聚類器子模塊具體用于：

84、以所述每種煤質(zhì)類別、所述每種水分含量類別、所述每種灰分含量類別、所述每種入洗量類別，結(jié)合所述數(shù)據(jù)集中的洗選工作參數(shù)作為所述入洗選工作參數(shù)聚類器的輸入，采用任一聚類算法對(duì)洗選工作參數(shù)特征進(jìn)行聚類，識(shí)別得到所述每種入洗量類別各自對(duì)應(yīng)的每種洗選參數(shù)類別。

85、可選地，所述訓(xùn)練預(yù)測(cè)器模塊具體用于：

86、利用全連接神經(jīng)網(wǎng)絡(luò)算法對(duì)所述每種煤質(zhì)類別、所述每種水分含量類別、所述每種灰分含量類別、所述每種入洗量類別以及所述每種洗選參數(shù)類別進(jìn)行監(jiān)督學(xué)習(xí)和訓(xùn)練，得到所述精煤產(chǎn)率預(yù)測(cè)器。

87、可選地，所述實(shí)時(shí)預(yù)測(cè)模塊具體用于：

88、獲取實(shí)時(shí)數(shù)據(jù)；

89、按序加載訓(xùn)練好的煤質(zhì)聚類器、水分聚類器、灰分聚類器、洗量聚類器、洗選工作參數(shù)聚類器；

90、按序依次經(jīng)過所述煤質(zhì)聚類器、所述水分聚類器、所述灰分聚類器、所述洗量聚類器、所述洗選工作參數(shù)聚類器對(duì)所述實(shí)時(shí)數(shù)據(jù)進(jìn)行識(shí)別，依次得到所述實(shí)時(shí)數(shù)據(jù)對(duì)應(yīng)的結(jié)果：每種煤質(zhì)類別、每種煤質(zhì)類別各自對(duì)應(yīng)的每種水分含量類別、每種水分含量類別各自對(duì)應(yīng)的每種灰分含量類別、每種灰分含量類別各自對(duì)應(yīng)的每種入洗量類別、每種入洗量類別各自對(duì)應(yīng)的每種洗選參數(shù)類別；

91、加載訓(xùn)練好的精煤產(chǎn)率預(yù)測(cè)器，并將所述實(shí)時(shí)數(shù)據(jù)對(duì)應(yīng)的結(jié)果輸入其中，實(shí)時(shí)預(yù)測(cè)得到精煤產(chǎn)率。

92、本發(fā)明提供的精煤產(chǎn)率預(yù)測(cè)學(xué)習(xí)樹方法包括：首先獲取歷史洗選樣本數(shù)據(jù)；接著利用歷史洗選樣本數(shù)據(jù)制作得到數(shù)據(jù)集；隨之基于該數(shù)據(jù)集，按序依次訓(xùn)練得到煤質(zhì)聚類器、水分聚類器、灰分聚類器、入洗量聚類器、洗選工作參數(shù)聚類器。

93、之后以煤質(zhì)聚類器、水分聚類器、灰分聚類器、入洗量聚類器、洗選工作參數(shù)聚類器五者的輸出結(jié)果，結(jié)合數(shù)據(jù)集作為精煤產(chǎn)率預(yù)測(cè)器的輸入，訓(xùn)練得到精煤產(chǎn)率預(yù)測(cè)器；最后利于精煤產(chǎn)率預(yù)測(cè)器實(shí)時(shí)預(yù)測(cè)精煤產(chǎn)率。

94、本發(fā)明針對(duì)傳統(tǒng)精煤產(chǎn)率預(yù)測(cè)存在的問題，提出了一種非時(shí)序精煤產(chǎn)率預(yù)測(cè)方法，從入洗原煤、洗選工況到精煤產(chǎn)出的全流程進(jìn)行綜合考慮。通過多級(jí)分類器對(duì)各環(huán)節(jié)進(jìn)行細(xì)粒度統(tǒng)計(jì)識(shí)別，將識(shí)別結(jié)果作為精煤產(chǎn)率預(yù)測(cè)的中間過程。該方法兼具高預(yù)測(cè)性能與結(jié)果可解釋性，為不同洗選工藝的精煤預(yù)測(cè)提供了一種高遷移性的范式框架。本發(fā)明提出融合規(guī)則匹配與機(jī)器學(xué)習(xí)的精煤產(chǎn)率預(yù)測(cè)學(xué)習(xí)樹方法，通過多階段的聚類與監(jiān)督學(xué)習(xí)相結(jié)合，也即分層聚類與預(yù)測(cè)結(jié)合的方式，解決了傳統(tǒng)模型中難以處理煤質(zhì)、水分、灰分、入洗量等復(fù)雜特征交互的問題，提升了對(duì)復(fù)雜多樣煤質(zhì)特性的適應(yīng)性與預(yù)測(cè)精度，為煤炭洗選帶來重要的技術(shù)支持，具有較高的實(shí)用性。