CN119049595B 深度学习与物理模型引导融合的重介分选密度决策方法 （枣庄矿业(集团)付村煤业有限公司）

司深度学习与物理模型引导融合的重介分选本发明公开了一种深度学习与物理模型引术领域，旨在提升人工智能在选煤工艺中的应通过融合物理损失和经验损失构造了一个复合2为的密度级灰分；为密度级区序号索引；max(-)为取最大值函数；利用连续值理论映射模型，计算出设定目标选密度值为后续深度神经网络预测模型的输入物理损失部分，引入了基于选煤物理过程的额外约束；通其中，G(-)为物理损失函数；Y和P分别是扰动前和扰动后输入数据通过基于注意力步骤5、将步骤1中构建的样本按比例划分成训练集和测2.根据权利要求1所述深度学习与物理模型引导融合的重介分选密度决策方法，其特首先，通过选煤厂的生产监控系统全面收集重介分选工艺的关33.根据权利要求1所述深度学习与物理模型引导融合的重介分选密度决策方法，其特yo=Q0*ko十bo*k1十co*kz(2)；kz分别为不同卷积核的权重；双向长短期记忆网络层由两层方向相反的长短期记忆网络组成，分别为为t时刻正向候选单元状态；、分别为t时刻、t-1时刻正向存储单t时刻和t-1时刻正向存储单t时刻的输入值；4为t时刻反向候选单元状态；、分别为t时刻、t+1时刻反向存储单分别为时刻和t+1时刻反向存储单元的输出值；将和拼接得到双向长短期记忆网络层在t时刻的输出向量h；et=tanh(whht+bh)(15)；通过计算ct与上下文向量v之间的相似性来衡量he的重要性，v在训练过程中随机初始化并通过学习得到，然后，采用如下所示的softmax函数对每个输入的重要性进行归一4.根据权利要求1所述深度学习与物理模型引导融合的重介分选密度决策方法，其特最终，将基于注意力机制的深度神经网络预测模型的复合损失函5.根据权利要求1所述深度学习与物理模型引导融合的重介分选密度决策方法，其特56.根据权利要求1所述深度学习与物理模型引导融合的重介分选密度决策方法，其特6[0004]近年来，学术与工业界开始关注利用机器学习技术来提高分选密度预测的准确7xn为区序号为i的密度级灰分；i为密度级区序号索引；max()为取最大值函数；论分选密度值为后续深度神经网络预测模型不同时间的选煤关键生产工艺参数数据的局部区域进行卷积运算，输出相应的特征映射，[0023]yo=a*ko十bo*k十co*kz(2)；[0028]i=o(成瓜-1,x]+)(4)；8为tanh激活函数；、分别为t时刻和t-1时刻正向存分别为t时刻和t+1时刻反向存储单元的输出值；9j为hj的归一化注意力值，hj为双向长短期记忆网络层在j时刻的输出向ej为经维度变换后hj的隐表示；exp(-)为以e为底的指数函数；j为时刻的求和变量i个样本的分选密度实际值；Y和分别是扰动前和扰动后输入数据通过基于注[0065]图1是本发明深度学习与物理模型引导融合的重介分选密度决策方法的整体架构。。区序号为i的密度级灰分；i为密度级区序号索引；max()为取最大值函数；[0085]步骤3、构建基于注意力机制的深度神经网络预测模型，用于预测最终的分选密度；本发明设计了一个基于注意力机制的深度神经网络预测模型（简称神经网络模型该型架构图如图2所示，包括一维卷积神经网络层（1DCNN层）、双向长短期记忆网络层[0088]二维卷积主要用于图像特征提取，而一维卷积则主要用于处理时间序列特征提[0089]yo=a*ko十bo*k十co*kz(2)；为时间序列中不同时间戳上其他元素，则Y1、V2为这些元素卷积后相应的输出值，计算[0091]卷积神经网络层通过对不同时间选煤关键生产工艺参数的局部区域进行卷积运[0096]i=o(成瓜-1,x]+)(4)；为tanh激活函数；、分别为t时刻和t-1时刻正向存最终的输出，同时作为注意力机制层的输入。其中，{xo,x1,…,x}代表输入序列，代表正向层的隐藏状态，代表反向层的隐藏状态，{ho,h1,…,hr}代表双向LSTM层最终的输出。分别为t时刻和t+1时刻反向存储单元的输出值；j为hj的归一化注意力值，hj为双向长短期记忆网络层在j时刻的输出向ej为经维度变换后hj的隐表示；exp(-)为以e为底的指数函数；j为时刻的求和变量