工程科学学报，第41卷，第1期：67-77,2019年1月 Chinese Journal of Engineering,Vol.41,No.I:67-77,January 2019 D0L:10.13374/j.issn2095-9389.2019.01.007;htp:/journals.ustb.edu.cm 种基于鲁棒随机向量函数链接网络的磨矿粒度集成 建模方法 李德鹏)，代伟2)区，赵大勇3)，黄罡)，马小平 1)中国矿业大学信息与控制工程学院，徐州2211162)东北大学流程工业综合自动化国家重点实验室，沈阳110819 3)中国科学院沈阳自动化研究所，沈阳110016 ☒通信作者，E-mail:weidai@cumt.ed.cn 摘要作为磨矿过程的主要生产质量指标，磨矿粒度是实现磨矿过程闭环优化控制的关键.将磨矿粒度控制在一定范围内 能够提高选别作业的精矿品位和有用矿物的回收率，并减少有用矿物的金属流失，由于经济和技术上的限制，磨矿粒度的实 时测量难以实现.因此，磨矿粒度的在线估计显得尤为重要.然而，目前我国所处理的铁矿石大多数为性质不稳定的赤铁矿， 其矿浆颗粒存在磁团聚现象，所采集的数据存在大量异常值，使得利用数据建立的磨矿粒度模型存在较大误差.同时，传统前 馈神经网络在磨矿粒度数据建模过程中存在收敛速度慢、易于陷入局部最小值等缺点，且单一模型泛化性能较差，现有的集 成学习在异常值干扰下性能严重下降.因此，本文在改进的随机向量函数链接网络(random vector functional link networks,RV- FLN)的基础上，将Bagging算法与自适应加权数据融合技术相结合，提出一种基于鲁棒随机向量函数链接网络的集成建模方 法，用于磨矿粒度集成建模.所提方法首先通过基准回归问题进行了实验研究，然后采用磨矿工业实际数据进行验证，表明其 有效性 关键词磨矿粒度：随机向量函数链接网络：集成学习：鲁棒性：数据融合 分类号TP18 Grinding process particle size modeling method using robust RVFLN-based ensemble learning IDe-peng》,DAI Wei'.a)s,ZHA0Da-yomg》,HUANG Gang,MA Xiao-ping》 1)School of Information and Control Engineering,China University of Mining and Technology,Xuzhou 221116,China 2)State Key Laboratory of Synthetical Automation for Process Industries,Northeastern University,Shenyang 110819,China 3)Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang 110016,China Corresponding author,E-mail:weidai@cumt.edu.en ABSTRACT As a key production quality index of grinding process,particle size is of great importance to closed-loop optimization and control.This is because controlling particle within a proper range can improve the concentrate grade,enhance the recovery rate of useful minerals,and reduce the loss of metal in the sorting operation;thus,the particle size determines the overall performance of the grinding process.In fact,it is not easy to optimize or control the practical industrial process because the optimal operation largely de- pends on a good measurement of particle size of grinding process;however,it is difficult to realize the real-time measurement of particle size because of limitations of economy or technique.Employing soft sensor techniques is necessary to solve the problem of particle size estimation,which is particularly important for the actual grinding processes.Considering that soft sensors are applicable in many fields, 收稿日期：2018-07-07 基金项目：国家自然科学基金青年资助项目(61603393,61741318)；江苏省自然科学基金青年基金资助项目(BK20160275):中国博士后科学 基金资助项目(2015M581885,2018T110571):流程工业综合自动化国家重点实验室开放课题资助项目(PAL-N201706):江苏省研究生科研与 实践创新计划资助项目(SJCX170524)工程科学学报,第 41 卷,第 1 期:67鄄鄄77,2019 年 1 月 Chinese Journal of Engineering, Vol. 41, No. 1: 67鄄鄄77, January 2019 DOI: 10. 13374 / j. issn2095鄄鄄9389. 2019. 01. 007; http: / / journals. ustb. edu. cn 一种基于鲁棒随机向量函数链接网络的磨矿粒度集成 建模方法 李德鹏1) , 代 伟1,2) 苣 , 赵大勇3 ) , 黄 罡1) , 马小平1) 1) 中国矿业大学信息与控制工程学院, 徐州 221116 2) 东北大学流程工业综合自动化国家重点实验室, 沈阳 110819 3) 中国科学院沈阳自动化研究所, 沈阳 110016 苣 通信作者, E鄄mail: weidai@ cumt. edu. cn 摘 要 作为磨矿过程的主要生产质量指标,磨矿粒度是实现磨矿过程闭环优化控制的关键. 将磨矿粒度控制在一定范围内 能够提高选别作业的精矿品位和有用矿物的回收率,并减少有用矿物的金属流失. 由于经济和技术上的限制,磨矿粒度的实 时测量难以实现. 因此,磨矿粒度的在线估计显得尤为重要. 然而,目前我国所处理的铁矿石大多数为性质不稳定的赤铁矿, 其矿浆颗粒存在磁团聚现象,所采集的数据存在大量异常值,使得利用数据建立的磨矿粒度模型存在较大误差. 同时,传统前 馈神经网络在磨矿粒度数据建模过程中存在收敛速度慢、易于陷入局部最小值等缺点,且单一模型泛化性能较差,现有的集 成学习在异常值干扰下性能严重下降. 因此,本文在改进的随机向量函数链接网络(random vector functional link networks, RV鄄 FLN)的基础上,将 Bagging 算法与自适应加权数据融合技术相结合,提出一种基于鲁棒随机向量函数链接网络的集成建模方 法,用于磨矿粒度集成建模. 所提方法首先通过基准回归问题进行了实验研究,然后采用磨矿工业实际数据进行验证,表明其 有效性. 关键词 磨矿粒度; 随机向量函数链接网络; 集成学习; 鲁棒性; 数据融合 分类号 TP18 收稿日期: 2018鄄鄄07鄄鄄07 基金项目: 国家自然科学基金青年资助项目(61603393,61741318);江苏省自然科学基金青年基金资助项目(BK20160275);中国博士后科学 基金资助项目(2015M581885, 2018T110571);流程工业综合自动化国家重点实验室开放课题资助项目(PAL鄄N201706);江苏省研究生科研与 实践创新计划资助项目(SJCX17_0524) Grinding process particle size modeling method using robust RVFLN鄄based ensemble learning LI De鄄peng 1) , DAI Wei 1,2) 苣 , ZHAO Da鄄yong 3) , HUANG Gang 1) , MA Xiao鄄ping 1) 1) School of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China 2) State Key Laboratory of Synthetical Automation for Process Industries, Northeastern University, Shenyang 110819, China 3) Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, China 苣 Corresponding author, E鄄mail: weidai@ cumt. edu. cn ABSTRACT As a key production quality index of grinding process, particle size is of great importance to closed鄄loop optimization and control. This is because controlling particle within a proper range can improve the concentrate grade, enhance the recovery rate of useful minerals, and reduce the loss of metal in the sorting operation; thus, the particle size determines the overall performance of the grinding process. In fact, it is not easy to optimize or control the practical industrial process because the optimal operation largely de鄄 pends on a good measurement of particle size of grinding process; however, it is difficult to realize the real鄄time measurement of particle size because of limitations of economy or technique. Employing soft sensor techniques is necessary to solve the problem of particle size estimation, which is particularly important for the actual grinding processes. Considering that soft sensors are applicable in many fields