(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211191756.X (22)申请日 2022.09.28 (71)申请人 煤炭科学研究总院有限公司 地址 100013 北京市朝阳区和平里青年沟 东路5号 (72)发明人 杨培培　贾琨　张晓霞　苏上海　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 张润 (51)Int.Cl. G06F 16/2458(2019.01) G06F 16/28(2019.01) G06N 20/00(2019.01) G06Q 50/02(2012.01) B03B 5/44(2006.01) (54)发明名称 基于机器学习的洗煤厂重介分选密度计算 系统及方法 (57)摘要 本申请提供了一种基于机器学习的洗煤厂 重介分选密度计算系统及方法。 其中系统包括： 数据读入模块、 数据预处理模块、 训练集划分模 块、 选择预测目标模块和模型训练与评估模块， 模型自学习模块。 数据读入模块用于从数据库 和/或数据文件导入样本数据； 样本数据包括影 响重介分选密度的相关数据和对应的重介分选 密度数据； 模 型训练与评估模块用于通过所述训 练集训练机器学习模型， 得到重介分选密度计算 模型。 通过监督学习方法训练合适的机器学习模 型， 得到精准的重介分选密度计算模型， 通过重 介分选密度计算模型计算重介分选密度， 减少了 对个人经验的依赖， 同时提高了洗煤厂重介分选 密度的计算结果的精准性和可靠性， 促进产品质 量和生产效率的提升 。 权利要求书2页 说明书6页 附图2页 CN 115495502 A 2022.12.20 CN 115495502 A 1.一种基于 机器学习的洗 煤厂重介分选密度计算系统， 其特 征在于， 包括： 数据读入模块， 用于从数据库和/或数据文件导入样本数据； 其中， 所述样本数据包括 影响重介分选密度的相关数据和对应的重介分选密度数据； 数据预处理模块， 基于所述样本数据的有效区间， 根据选定的数据预处理方法对所述 样本数据进行 数据预处 理， 得到预处 理后的样本数据； 训练集划分模块， 用于将所述预处 理后的样本数据按比例划分成训练集和 测试集； 选择预测目标模块， 用于从所述训练集和测试集中确定特征数据和标签数据； 其中， 所 述标签数据为重介分选密度数据， 所述特 征数据为影响重介分选密度的相关数据； 模型训练与评估模块， 用于通过所述训练集训练机器学习模型， 得到重介分选密度计 算模型； 还用于将所述测试集的特征数据输入所述重介分选密度计算模型， 得到所述测试 集对应的重介分选密度计算值， 并根据所述重介分选密度计算值与所述测试集中的重介分 选密度原始值的差值在预设容忍度范围内的比例， 调整所述重介分选密度计算模型的参 数。 2.根据权利要求1所述的系统， 其特 征在于， 所述系统还 包括： 机器学习算法选择模块， 用于从多个机械学习模型中选择所述模型训练与评估模块当 前训练的机 械学习模型， 其中， 所述多个机 械学习模型包括随机森林、 LSTM以及SVM 。 3.根据权利要求1所述的系统， 其特 征在于， 所述系统还 包括： 模型自学习模块， 用于定时通过所述数据读入模块读取新的样本数据， 并通过所述新 的样本数据训练所述重介分选密度计算模型。 4.根据权利要求1所述的系统， 其特征在于， 所述数据预处理模块提供的数据 预处理方 法包括缺失值填充、 光滑噪声 数据、 识别或删除离群点以及数据标准化方法； 所述相关数据 包括原煤实时灰分、 精煤的产品质量要求和当前时刻的重介分选密度， 所述重介分选密度 数据包括下一时刻的重介分选密度； 所述原煤实时灰分、 精煤的产品质量要求和当前时刻 的重介分选密度为特 征数据； 所述下一时刻的重介分选密度为标签数据。 5.一种重介分选密度计算模型的训练方法， 其特 征在于， 包括： 获取样本数据； 其中， 所述样本数据包括影响重介分选密度的相关数据和对应的重介 分选密度数据； 对所述样本数据进行 数据预处 理， 得到预处 理后的样本数据； 将所述预处 理后的样本数据按比例划分成训练集和 测试集； 从所述训练集和测试集中确定特征数据和标签数据； 其中， 所述标签数据为重介分选 密度数据， 所述特 征数据为影响重介分选密度的相关数据； 通过所述训练集训练机器学习模型， 得到重介分选密度计算模型； 并将所述测试集的 特征数据输入所述重介分选密度计算模型， 得到所述测试集对应的重介分选密度计算值， 并根据所述重介分选密度计算值与所述测试集中的重介分选密度原始值的差值在预设容 忍度范围内的比例， 调整所述重介分选密度计算模型的参数。 6.根据权利要求5所述的方法， 其特征在于， 所述从所述训练集和测试集中确定特征数 据和标签数据之后， 还 包括： 从多个机械学习模型中选择所述模型训练与评估模块当前训练的机械学习模型， 其 中， 所述多个机 械学习模型包括随机森林、 LSTM以及SVM 。权　利　要　求　书 1/2 页 2 CN 115495502 A 27.根据权利要求5所述的方法， 其特 征在于， 所述方法还 包括： 定时获取新的样本数据， 并通过 所述新的样本数据训练所述重介分选密度计算模型。 8.根据权利要求5所述的方法， 其特征在于， 对所述样本数据进行数据预处理理， 包括 缺失值填充、 光滑噪声数据、 识别或删除离群点以及数据标准 化处理中的一种或多种。 9.根据权利要求5所述的方法， 其特 征在于， 所述获取样本数据， 包括： 从数据库， 和\或数据文件导入样本数据。 10.一种基于 机器学习的洗 煤厂重介分选密度计算方法， 其特 征在于， 包括： 获取当前重介质选 煤工艺中的影响重介分选密度的相关数据； 将所述重介质选煤工艺的相关数据输入训练好的重介 分选密度计算模型， 得到洗煤厂 重介分选密度计算值； 其中， 所述训练好的重介分选密度计算模型为采用权利要求5 ‑9任一 项所述的重介分选密度计算模型的训练方法训练得到的。权　利　要　求　书 2/2 页 3 CN 115495502 A 3