基于贝叶斯推理的浮选过程中操作参数调整方法及装置与流程

本技术涉及浮选控制领域，尤其涉及一种基于贝叶斯推理的浮选过程中操作参数调整方法及装置。

背景技术：

1、泡沫浮选是一种广泛用于有色金属的选矿技术。它利用矿物颗粒疏水性的差异从脉石中分离出有用的矿物颗粒。由于长的生产流程和原矿属性频繁变化，将精矿产品质量保证在可接受的范围内具有挑战性。在浮选现场，当工况条件发生改变或者精矿品位不合格时，通常需要调整操作参数，以提高精矿品位。

2、由于浮选过程的复杂性，当前操作调整仍是人工手动操作，操作工人通过观察浮选泡沫的视觉特征调整操作参数，具有很大的主观随意性，难以及时准确地对操作参数进行调整，以确保合格的精矿品位。

技术实现思路

1、为了解决上述技术问题，本技术实施例提供了一种基于贝叶斯推理的浮选过程中操作参数调整方法及装置。

2、第一方面，本技术实施例提供了一种基于贝叶斯推理的浮选过程中操作参数调整方法，所述方法包括：

3、筛选符合精矿质量标准的各历史案例，并获取各所述历史案例的问题属性和解属性；

4、计算各所述历史案例的问题属性与当前查询案例的问题属性的相似度分数，并根据所述相似度分数的排序结果得到最相似历史案例以及预设数量的近邻相似历史案例；

5、计算所述当前查询案例的问题属性与所述最相似历史案例的解属性之差，得到粗操作调整解；

6、根据所述最相似历史案例的问题属性和解属性与所述近邻相似历史案例的问题属性和解属性构建增量数据库；

7、根据所述增量数据库训练贝叶斯网络模型，并将所述当前查询案例的问题属性增量数据输入训练后的贝叶斯网络模型，获得细操作调整解；

8、根据所述粗操作调整解与所述细操作调整解，获取目标操作调整解。

9、在一实施方式中，所述获取所述历史案例的问题属性和解属性，包括：

10、根据所述历史案例中初始问题属性的工况条件数据计算所述历史案例的潜变量；

11、获取所述历史案例的调整前的操作参数，将所述历史案例的潜变量和所述调整前的操作参数设置为所述历史案例的问题属性；

12、获取所述历史案例的调整后的操作参数，并将所述调整后的操作参数设置为解属性。

13、在一实施方式中，所述计算各所述历史案例的问题属性与当前查询案例的问题属性的相似度分数之前，所述方法还包括：

14、对所述历史案例的初始问题属性进行标准化处理，所述标准化处理包括工况条件数据标准化处理；

15、通过稀疏自编码器提取标准化处理后的工况条件数据，并获得权重矩阵和偏置向量；

16、根据所述权重矩阵、偏置向量和所述当前查询案例对应的工况条件数据，计算所述当前查询案例的潜变量；

17、根据所述潜变量和调整前的操作参数，得到所述当前查询案例的问题属性。

18、在一实施方式中，所述计算各历史案例的问题属性与当前查询案例的问题属性的相似度分数，包括：

19、根据公式（1）、所述历史案例的问题属性以及所述当前查询案例的问题属性计算所述相似度分数；

20、公式（1）：；

21、其中，为历史案例与当前查询案例的相似度分数，为所述当前查询案例的问题属性，为所述历史案例的问题属性。

22、在一实施方式中，所述根据所述最相似历史案例的问题属性和解属性与所述近邻相似历史案例的问题属性和解属性构建增量数据库，包括：

23、计算各近邻相似历史案例的问题属性与所述最相似历史案例的问题属性的差值，得到问题属性增量数据；

24、计算各近邻相似历史案例的解属性与所述最相似历史案例的解属性的差值，得到解属性增量数据；

25、根据各近邻相似历史案例的所述问题属性增量数据与对应的解属性增量数据构建增量数据库。

26、在一实施方式中，所述根据所述增量数据库训练贝叶斯网络模型，包括：

27、根据浮选经验知识确定贝叶斯网络模型结构；

28、将所述增量数据库中各所述近邻相似历史案例的所述问题属性增量数据与对应的解属性增量数据输入所述贝叶斯网络模型结构；

29、通过最大似然估计算法进行训练，得到训练后的贝叶斯网络模型。

30、在一实施方式中，所述根据浮选经验知识确定贝叶斯网络模型结构，包括：

31、获取与精矿质量相关的操作变量；

32、基于所述操作变量，确定所述贝叶斯网络模型结构中的节点和边；

33、为所述贝叶斯网络模型结构中的每个节点分配节点类型；

34、根据所述节点、所述节点类型和边使用图形化工具或编程方式构建所述贝叶斯网络模型结构。

35、第二方面，本技术实施例提供了一种基于贝叶斯推理的浮选过程中操作参数调整装置，所述基于贝叶斯推理的浮选过程中操作参数调整装置包括：

36、第一获取模块，用于筛选符合精矿质量标准的各历史案例，并获取各所述历史案例的问题属性和解属性；

37、第一计算模块，用于计算各所述历史案例的问题属性与当前查询案例的问题属性的相似度分数，并根据所述相似度分数的排序结果得到最相似历史案例以及预设数量的近邻相似历史案例；

38、第二计算模块，用于计算所述当前查询案例的问题属性与所述最相似历史案例的解属性之差，得到粗操作调整解；

39、构建模块，用于根据所述最相似历史案例的问题属性和解属性与所述近邻相似历史案例的问题属性和解属性构建增量数据库；

40、训练模块，用于根据所述增量数据库训练贝叶斯网络模型，并将所述当前查询案例的问题属性增量数据输入训练后的贝叶斯网络模型，获得细操作调整解；

41、第二获取模块，用于根据所述粗操作调整解与所述细操作调整解，获取目标操作调整解。

42、第三方面，本技术实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的基于贝叶斯推理的浮选过程中操作参数调整方法。

43、第四方面，本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的基于贝叶斯推理的浮选过程中操作参数调整方法。

44、上述本技术提供的基于贝叶斯推理的浮选过程中操作参数调整方法，筛选符合精矿质量标准的各历史案例，并获取各所述历史案例的问题属性和解属性；计算各所述历史案例的问题属性与当前查询案例的问题属性的相似度分数，并根据所述相似度分数的排序结果得到最相似历史案例以及预设数量的近邻相似历史案例；计算所述当前查询案例的问题属性与所述最相似历史案例的解属性之差，得到粗操作调整解；根据所述最相似历史案例的问题属性和解属性与所述近邻相似历史案例的问题属性和解属性构建增量数据库；根据所述增量数据库训练贝叶斯网络模型，并将所述当前查询案例的问题属性增量数据输入训练后的贝叶斯网络模型，获得细操作调整解；根据所述粗操作调整解与所述细操作调整解，获取目标操作调整解。本技术通过最相似案例得到粗操作调整解，通过增量数据库训练贝叶斯网络模型得到细操作调整解，最终得到目标操作调整解的方法，确保了浮选过程中，操作参数的准确和及时的调整。