买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京科技大学申请的专利一种磨矿分级过程多工况预测模型及其构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120408246B 。

龙图腾网通过国家知识产权局官网在2026-03-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510487026.1，技术领域涉及：G06F18/23213；该发明授权一种磨矿分级过程多工况预测模型及其构建方法是由郭祥贵;李光玉;邹国斌设计研发完成，并于2025-04-18向国家知识产权局提交的专利申请。

本一种磨矿分级过程多工况预测模型及其构建方法在说明书摘要公布了：本发明公开了一种面向磨矿分级过程多工况预测模型及其构建方法，属于选矿技术领域；本发明包括以下步骤：首先，采用时滞相关性分析算法提取动态特征，以构建用于溢流浓细度预测的动态特征数据集。接着，通过全量数据对模型进行初始预训练，并运用无监督聚类方法将初始数据集划分为不同的工况数据集。随后，利用这些工况数据集对预训练后的模型进行微调和再训练，使模型能够适应多种工况特性。在预测阶段，通过计算待预测样本点到各聚类中心点的距离，确定样本所属的工况，并调用相应的模型进行精准预测。相较于现有技术，本发明提高了磨矿分级预测的准确性，促进了选矿生产的智能化和稳定运行。

本发明授权一种磨矿分级过程多工况预测模型及其构建方法在权利要求书中公布了：1.一种磨矿分级过程多工况预测模型构建方法，其特征在于，包括以下步骤： S1、动态特征数据集构建：基于磨矿过程的历史运行参数数据库，采用时滞相关性分析算法进行特征时滞补偿，构建用于溢流浓细度回归预测的动态特征数据集，以解决时滞导致效果变差的问题；具体包括如下内容： 收集磨矿分级过程相关参数，对参数进行预处理后，构建选矿过程原始数据集X,Y，其中，输入参数集X={xi},i=1,2,…,m，包含m个影响溢流浓细度的参数；输出参数集Y={yj},j=1,2,…,n，包含n个待预测的目标值；N为总样本点数； 后续通过时滞相关性分析算法，精确判定各变量间的时间延迟关系，挖掘磨矿过程的动态特征，通过动态特征扩展并进行序列化构建用于溢流浓细度回归预测的动态特征数据集T,Y，其中T代表动态特征挖掘后的输入特征； 动态特征数据集的构造过程具体为： 对于磨矿分级过程的第i个特征输入时间序列对第j个输出变量时间序列相关性系数表示如下： 式中，xit为输入时间序列X的第i个特征第t时刻；yjt+τ为待预测输出时间序列Y的第j个特征第t+τ时刻；和分别为第i个特征输入时间序列和第j个输出变量时间序列的均值；N为总样本点数；N0为时间序列的观测点数，其取值大于最大延迟点个数，则两时间序列的时滞为相关性最大时刻对应时间延迟个数，表示如下： 对第i个输入特征，取其对应所有输出序列中的最大延迟，表示为： 通过时滞信息，对数据集X,Y进行动态特征扩展，对于输入变量第i个特征的第t个样本，其序列化过程表示为： 基于上述过程将该数据集将每个变量按时滞关系对每个时间点的变量值与其前序若干时间点的变量值进行组合，形成包含动态信息的特征向量； S2、模型构建与预训练：选择适用于序列数据处理的预训练模型，利用S1中所得的动态特征数据集对模型进行预训练，获得初始预测模型； S3、多工况数据集构建：采用无监督聚类方法对初始动态特征数据集进行划分，构建不同的工况数据集，以识别磨矿分级过程中多种工况特征； S4、模型训练：设计一种预训练-聚类微调的多工况模型训练方法，使用S3中所得的多工况数据集对S2中预训练完成的初始预测模型进行再训练，获得多工况预测模型，并使模型适应各种工作的特点；其中，所述聚类微调是依据聚类结果对预训练的模型进行针对性调整，具体指：对于每个聚类所代表的工况，分别评估预训练模型在该工况数据上的表现，分析模型预测结果与实际值之间的误差模式；根据所得的误差分析结果，借助反向传播算法，使模型自适应地调整神经网络模型神经元之间的连接权重和偏置； S5、预测执行：基于S4中所得的多工况预测模型，设计一种基于距离计算的工况识别方法，通过计算带预测样本点到各聚类中心点的距离，确定该样本所属的工况，然后调用与之对应的模型进行精准预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京科技大学，其通讯地址为：100083 北京市海淀区学院路30号北京科技大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。