基于时间序列特征工程和随机森林算法的入釜矿浆成分预测模型

一、整体技术路线原始数据采集 → 数据预处理 → 时间序列特征工程 → 模型训练 → 模型评估 → 预测输出预测输出: 提供三个维度的数据入釜矿浆成分实际值实时在线检测入釜矿浆成分预测值基于模型计算入釜矿浆成分检化验值实验室分析结果二、数据预处理1. 数据来源与结构数据类型来源频率说明实际值在线仪表实时监测连续/分钟级当前时刻真实值检化验值(LIMS)实验室取样分析每4小时一次滞后但有较高精度历史趋势数据库存储全部历史用于训练2. 数据清洗规则对每个成分列Ni、Co、Mn、Mg、Fe、固含、粒度执行IF 缺失值 THEN 向前填充用上一个有效值替代IF 异常值超出3σ范围THEN 替换为中位数IF 重复时间戳 THEN 保留最后一条记录3. 时间对齐处理由于LIMS检化验数据采样间隔较大4小时需要进行时间对齐对于每一行数据 t如果 t 时刻没有LIMS值取 t-Δt 时刻最近的LIMS值作为当前LIMS值前向填充三、时间序列特征工程这是模型精度的核心环节共构造三类特征1. 滞后特征Lag Features提取过去多个时间点的LIMS检化验值作为当前时刻的特征对于每个成分 CNi、Co、Mn、Mg、Fe、固含、粒度对于滞后阶数 k 1, 2, 3, 4, 5 创建特征C_lims_lag_k shift(C_lims, k)则 Ni_lims_lag_1表示1小时前的Ni检化验值Ni_lims_lag_2表示4小时前的Ni检化验值Ni_lims_lag_3表示8小时前的Ni检化验值Ni_lims_lag_4表示N小时前的Ni检化验值依次类推2. 移动平均特征Moving Average Features计算过去一段时间窗口内的均值平滑噪声对于每个成分 C对于窗口大小 w 3, 6, 12小时创建特征C_lims_ma_w rolling_mean(C_lims, windoww)Ni_lims_ma_6表示过去6小时的Ni检化验值移动平均。3. 时间周期特征Time Cyclical Features捕捉生产过程的周期性规律hour_feature sin(2π × hour / 24) # 日周期week_feature sin(2π × day_of_week / 7) # 周周期四、随机森林模型构建1. 模型结构输入层63个特征→ 随机森林100棵决策树最大深度10→ 输出层7个成分预测值为每个成分分别建立一个独立的随机森林回归模型共7个模型。2. 训练数据集划分总样本989条经过特征工程后去除缺失值训练集791条80%——用于模型学习测试集198条20%——用于模型评估3. 模型超参数配置参数值说明n_estimators100决策树数量max_depth10限制树深度防过拟合min_samples_split5内部节点最小样本数min_samples_leaf2叶子节点最小样本数random_state42保证结果可复现4. 训练过程伪代码For each component C in [Ni, Co, Mn, Mg, Fe, 固含, 粒度]:1. 准备特征矩阵 X63维和目标向量 yC_actual2. 将 X 和 y 按 8:2 划分为训练集和测试集3. 初始化 RandomForestRegressor超参数如上4. 调用 model.fit(X_train, y_train) 训练模型5. 调用 model.predict(X_test) 得到预测值6. 计算 MSE 和 R² 评估模型性能五、模型评估指标1. 均方误差Mean Squared Error, MSEMSE (1/n) × Σ(y_i - ŷ_i)²其中y_i 第i个样本的实际值ŷ_i 第i个样本的预测值n 测试集样本数MSE越小模型预测越精确。2. 决定系数R² ScoreR² 1 - SS_res / SS_totSS_res Σ(y_i - ŷ_i)² 残差平方和SS_tot Σ(y_i - ȳ)² 总平方和ȳ 实际值的均值R²取值范围(-∞, 1]越接近1表示模型拟合越好。六、预测输出1. 三个维度的输出输出项含义更新频率实际值在线仪表实时监测值每分钟预测值模型计算的预测值每小时检化验值LIMS实验室分析值每4小时2. 趋势可视化对于每个成分横轴时间序列最近200个数据点纵轴成分含量三条曲线实际值蓝色实线、预测值红色虚线、检化验值绿色半透明线七、完整计算流程图┌─────────────────────────────────────────────────────────┐│ 数据采集层 │├─────────────────────────────────────────────────────────┤│ 在线仪表实际值 LIMS系统检化验值 历史数据库 │└──────────────────────┬──────────────────────────────────┘↓┌─────────────────────────────────────────────────────────┐│ 数据预处理层 │├─────────────────────────────────────────────────────────┤│ 缺失值填充前向填充 异常值剔除3σ法则 时间对齐 │└──────────────────────┬──────────────────────────────────┘↓┌─────────────────────────────────────────────────────────┐│ 时间序列特征工程层 │├─────────────────────────────────────────────────────────┤│ 滞后特征k1~5 移动平均w3/6/12 时间周期特征 │└──────────────────────┬──────────────────────────────────┘↓┌─────────────────────────────────────────────────────────┐│ 模型训练层 │├─────────────────────────────────────────────────────────┤│ 随机森林 × 7个成分 80%训练集 20%测试集 交叉验证 │└──────────────────────┬──────────────────────────────────┘↓┌─────────────────────────────────────────────────────────┐│ 模型评估层 │├─────────────────────────────────────────────────────────┤│ MSE计算 R²计算 残差分析 特征重要性排序 │└──────────────────────┬──────────────────────────────────┘↓┌─────────────────────────────────────────────────────────┐│ 预测输出层 │├─────────────────────────────────────────────────────────┤│ 实际值曲线 预测值曲线 检化验值曲线 趋势图导出 │└─────────────────────────────────────────────────────────┘以下是各成分的趋势对比图展示了最近200个数据点的实际值、预测值和检化验值八、后续扩展方向机理模型融合接入业主提供的机理模型将预测的入釜矿浆成分作为输入推算酸和蒸汽的最佳加入量在线学习随着新数据不断产生定期增量更新模型保持预测精度多模型集成结合LSTM等深度学习模型进一步提升时间序列预测性能