(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 202211077480.2 (22)申请日 2022.09.05 (71)申请人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 唐朝晖　田灿　谢永芳　罗金　 范影　骆昊堃　 (74)专利代理 机构 长沙昌恒达专利代理事务所 (普通合伙) 43283 专利代理师 雷艳辉 (51)Int.Cl. B03D 1/02(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/04(2006.01)G06V 10/74(2022.01) G06V 10/82(2022.01) G06V 20/40(2022.01) (54)发明名称 一种基于记忆网络和预测控制器的锌快粗 加药量调整方法 (57)摘要 本发明公开了一种基于记忆网络和预测控 制器的锌快粗加药量调整 方法， 应用于泡沫浮选 工艺， 包括以下步骤： 当浮选状态异常时， 将当前 原矿品位、 泡沫视频和加药量构建为输入特征向 量； 然后， 将该输入特征向量在离线构建的记忆 网络中搜索最相似的记忆项， 搜索到的记忆项和 特征向量输入到LSTM中对加药量调整值进行推 理； 在LSTM推理过程中， 利用预测控制器对加药 量调整后的精矿品位进行预测， 当预测的精矿品 位在预期区间内时停止推理； 最后， 将LSTM的隐 藏单元状态输入到全连接层获得最终的加药量 调整值。 本发 明方法利用记忆网络为加药量调整 值推理过程提供经验知 识， 并且预测控制器对加 药量调整值进行有控制地输出， 可以避免频繁操 作导致浮选过程的波动。 权利要求书2页 说明书6页 附图1页 CN 115445785 A 2022.12.09 CN 115445785 A 1.一种基于记忆网络和预测控制器的锌快粗加药量调整方法， 其特征在于， 包括以下 步骤： 步骤一： 离线构建记 忆网络 收集浮选状态异常时， 即精矿品位不在预期区间， 通过加药量调整使浮选状态位于预 期区间内的操作数据， 包括泡沫视频、 原矿品位、 加药量和加药量调整值， 将这些数据构建 包含众多“键‑值”项的记忆网络， Ki‑Vi， i＝1,2,3, …,N， 其中“键”Ki， i＝1,2,3, …,N为浮选 状态异常时的泡沫视频特征、 原矿品位和加药量构成的特征向量， “值”Vi， i＝1,2,3, …,N 为加药量调整值； 步骤二： 在线通过输入 模块构建输入特 征向量 当浮选状态异常时， 当前的原矿 品位、 泡沫视频和加药量作为输入， 输入模块提取泡沫 视频特征， 并将提取 的泡沫视频特征、 原矿品位和加药量进行联合构建为一个输入特征向 量X； 步骤三： 在记 忆网络中搜索相似的 “键‑值”记忆项 将构建的输入特征向量X输入到记忆网络中搜索最相似的 “键‑值”记忆项， 利用余弦相 似度计算输入特 征向量X和记 忆网络中所有 “键”的相似度： 其中N为记忆网络中记忆项的总数， 余弦相似度最大的 “键”Ki对应的记忆项 为搜索到的 最相似的记 忆项， 对应的 “值”Vi作为推理过程中参 考的加药量调整值； 步骤四： LSTM对加药量调整值进行推理并且预测控制器决定是否结束推理 将输入特征向量和在记忆网络 中搜索到的一系列记忆项输入到LSTM中， 挖掘它们之间 的相关性从而推理出加药量调整值。 LSTM由多个单元 组成， 推理过程中， 序列数据 依次通过 LSTM单元并被编码为一系 列强相关性的 隐藏单元状态， 其中最后一个隐藏单元状态包含之 前所有隐藏状态的重要信息， 最后一个隐藏单元状态作为加药量调整值的最终推理结果。 假设记忆网络中搜索到第1个记忆项[K1,V1]的余弦相似度最大， 将该记忆项和输入 特征向 量X拼接为一个特征向量[X,K1,V1]， 并输入到第一个LSTM单元中， 第一个单元的隐藏单元 状态h1由拼接的特征向量[X,K1,V1]、 初始化的隐藏单元状态h0和初始化的细胞单元c0得 到： h1＝LSTMUnit([X,K1,V1],h0,c0)                                     式(2) 其中LSTMUn it(·)是LSTM单 元函数； 为了得到合理的加药量调整值， 构 建基于MLP的预测控制器对LSTM推理过程进行控制， 即LSTM中每个单元得到的 隐藏单元状态输入到预测控制器中预测精矿品位， 当预测的精矿 品位满足要求时停止推 理。 在第一个LSTM单元得到隐藏单元状态h1后， 将其和特征向量X输 入到基于 MLP的预测控制器中预测精矿品位： 其中Wm和bm是MLP的参数， 是预测的精矿品位， 若预测的精矿品位在预期区间内， 则将 变量s1置为1， 表示推理结束； 若预测的精矿品位不在预期区间内， 则将变 量s1置为0， 表示不 结束加药量推理， 在记忆网络中搜索下一个最相似的 “键‑值”记忆项， 并将搜索到的记忆权　利　要　求　书 1/2 页 2 CN 115445785 A 2项、 输入特征向量和隐藏单元状态输入到下一个LSTM单元中继续推理。 假设到达第n ‑1个 LSTM单元时， 预测的精矿品位仍不在预期区间内， 则在记忆网络中搜索下一个最相似的 “键‑值”记忆项[Kn,Vn]， 并将该记忆项、 输入特征向量X、 第n ‑1个LSTM单元的隐藏单元状态 hn‑1和细胞单元cn‑1输入到下一个LSTM单 元中推理该 单元的隐藏单 元状态hn： hn＝LSTMUnit([X,Kn,Vn],hn‑1,cn‑1)                               式(4) 将隐藏单元状态hn和特征向量X输入到基于MLP的预测控制器中预测精矿品位， 若预测 的精矿品位在预期区间内， 则将sn置为1， 表示推理结束， 否则sn置为0并继续推理， 依次类 推， 直到预测的精矿品位到 达预期区间内， 则结束LSTM对加药量调整值的推理； 若到达最后一个LSTM单元时， 预测的精矿品位仍未满足要求， 则提醒工人进行加药量 调整， 使实际的精矿品位调整到预期区间内， 同时将该加药量操作数据写入到记忆网络作 为新的记忆项， 实现记 忆网络的在线更新； 步骤五： 输出模块输出加药量调整值 将LSTM最后的隐藏单 元状态输入到全连接层获得最终的加药量调整值。 2.根据权利要求1所述的一种基于记忆网络和预测控制器的锌快粗加药量调整方法， 其特征在于所述步骤一中： 收集的理想操作数据条件为， 浮选状态发生异常， 即精矿品位不 在预期区间内， 预期区间为[ 54,55]， 并且通过加药量调整后浮选状态的精矿品位于预期区 间内。 数据包括 浮选状态 异常时的泡沫视频、 原矿品位、 加药量和 加药量调整值。 3.根据权利要求1所述的一种基于记忆网络和预测控制器的锌快粗加药量调整方法， 其特征在于所述步骤二中： 输入模块提取泡沫视频 的气泡尺寸分布特征、 泡沫纹理特征和 泡沫速度特 征。 4.根据权利要求1所述的一种基于记忆网络和预测控制器的锌快粗加药量调整方法， 其特征在于所述 步骤三中： 采用最近邻搜索方法在记 忆网络中搜索最相似的记 忆项。 5.根据权利要求1所述的一种基于记忆网络和预测控制器的锌快粗加药量调整方法， 其特征在于所述步骤 四中： LSTM的隐藏神经元个数设置为128， LSTM单元个数设置为10个， 当达到最后一个LSTM单元， 预测的精矿品位仍不在预期区间内， 则提醒人工调整加药量， 使 精矿品位达到预期区间内， 同时将该条理想加药量操作数据加入记忆网络中进行在线更 新。 6.根据权利要求1所述的一种基于记忆网络和预测控制器的锌快粗加药量调整方法， 其特征在于所述步骤五中： 采用均方根误差作为损失函数和反向传播算法进行训练。 训练 过程中， 采用Adam优化器， 学习率设置为0.0 01， mini‑batch设置为10 0。权　利　要　求　书 2/2 页 3 CN 115445785 A 3