面向浮选过程精矿品位软测量的双流时空注意力混合网络

《Minerals Engineering》：A dual-stream spatiotemporal attention hybrid network for concentrate grade soft sensing in flotation processes

　　- 提出了一种用于精矿品位预测的工业框架。- 双流模型捕获了过程动态和状态特征。- 前馈品位预测减少了对延迟离线化验反馈的依赖。- 工业浮选时间序列建模增强了模型的鲁棒性。## 引言泡沫浮选作为现代矿物加工中最关键的分离阶段，本质上是一个涉及气、液、固三相相互作用的复杂物理化学过程 (Shean and Cilliers, 2011)。在浮选槽中，矿浆流变特性、药剂制度、气泡形态动态与充气速率和矿浆液位等外部操作条件之间存在强烈的非线性耦合和时间变化特性。由于浮选过程固有的显著时间延迟和随机干扰，工业生产中的精矿品位和回收率往往在生产波动下偏离其最优操作点，导致金属流失、药剂消耗过量以及运营成本增加。因此，在不确定操作环境下实现对关键工艺指标的实时准确感知以及稳定控制，已成为矿物加工行业智能化和绿色转型的迫切需求 (McCoy and Auret, 2019)。目前，工业厂矿的浮选过程控制仍主要依赖操作员基于离线化验反馈的经验调整。然而，传统的采样和化学分析程序存在 30 至 180 分钟的固有时间延迟，意味着化验数据只能反映历史生产状态。当发生矿石性质的突变，如给矿品位波动、粒度分布变化或药剂条件异常时，低频离线检测与高频连续生产在时空分辨率上的矛盾迫使操作员进行盲目或延迟调整，严重限制了闭环控制系统的整体性能。作为直接反映浮选分离效率和经济效益的核心工艺指标，精矿品位为预测过程的动态演变和实施主动干预提供了必要信息。如果能实现准确的在线品位预测，高频且及时的推断品位反馈可以使操作员或控制系统快速响应操作干扰，从而将传统的事后补偿转变为主动预测控制，有效维持生产稳定性。因此，基于工业大数据构建实时软测量和预测模型已成为克服传统控制瓶颈和解决浮选过程大时间延迟问题的关键途径 (Quintanilla et al., 2021)。近年来，机器学习和深度学习技术在矿物加工应用中显示出巨大潜力，包括过程诊断、泡沫图像分析、在线品位预测和最优药剂用量决策 (Bendaouia et al., 2024, Chen et al., 2024, Liao et al., 2025, Luo et al., 2023, Zhang et al., 2025b)。循环神经网络 (RNNs) (Bai et al., 2018)、门控循环单元 (GRUs) (Chung et al., 2014)、时间卷积网络 (TCNs) (Lea et al., 2016) 和多模态融合建模方法 (Zheng et al., 2023) 已被广泛用于捕获浮选系统的动态演变模式，克服了传统线性模型在表示复杂变量耦合关系方面的局限性。随着对先进时间序列建模需求的增加，研究人员进一步系统研究了浮选过程中的历史状态记忆、多尺度特征表示和大时间延迟效应。例如，Zhang et al. (2020) 开发了一种基于定时键值记忆神经网络 (TKV-MemNN) 的监控方法，以提取过程变量的时间演变模式。Zhong et al. (2024) 提出了一种短时 - 长时图卷积架构，以同时捕获序列中的短期高频波动和长期依赖。Xu et al. (2024) 采用多流卷积架构，深度融合操作条件特征与其他多维状态数据，突出了多源异构数据协同建模的重要性。以 Transformers 为代表的全局建模架构也表现出优异的性能。多步融合 Transformer (MSFT) 模型 (Peng et al., 2024) 利用多头注意力 (MHA) 自动对齐不同采样时刻的泡沫特征和品位信息，从而显著减少预测延迟和误差。结合给矿品位精化嵌入 (FGRE) 和非重叠补丁编码 (NOPE) 的模块 (Zhang et al., 2025a) 进一步实现了对时空特征的细粒度提取。Gan et al. (2024) 提出了 STMA-LSTM，将泡沫图像的空间特征和运动演变模式深度融合，以实现对未来泡沫序列和运动速度的准确预测。此外，专为过程时间序列数据特征建模设计的 FlotationNet (Pu et al., 2020) 架构在过程指标预测方面也表现出了优于传统方法的准确性。基于模型的状态估计方法也已应用于浮选过程。例如，Venter et al. (2024) 开发了一种动态泡沫浮选模型，结合移动地平线估计 (MHE) 使用工业数据进行在线状态和参数估计。此类方法提供了明确的过程状态解释和约束处理，但其性能取决于适当动态过程模型的可用性和可观测性。相比之下，本研究侧重于数据驱动的软测量，以解决过程知识不完整和工业测量异构情况下的精矿品位预测问题。然而，在实际工程应用中仍存在若干挑战，包括严重的测量噪声、工业数据中大量的缺失值、采样品位与在线变量之间明显的时间偏移、由矿石来源变化引起的特征分布漂移，以及在复杂操作条件下模型泛化能力不足。这些因素限制了智能预测模型在浮选厂中的可靠部署。为了解决上述挑战，本研究提出了一种基于双流时空注意力混合网络 (DST-AHN) 的浮选品位预测框架。该框架首先通过多尺度特征工程对多源异构工业数据进行对齐和清洗。随后，设计了一种双流混合深度架构，以分别捕获操作条件的突变和物理状态趋势。此外，引入了时空交叉注意力机制，以适应性地解决输入与输出之间的动态时间延迟问题。在此基础上，开发了一个在线品位预测系统，通过高精度的实时软测量填补化验反馈盲区，并为浮选过程的主动预测控制提供理论支持和工程范式。本研究的主要贡献总结如下：- 为了适应工业浮选厂中小样本、严重噪声和剧烈波动的极端工况，基于多源时间序列数据的特性，提出了一种双流时空解耦特征提取架构用于软测量。- 构建了一个集成时空交叉注意力和基于 KAN 的残差建模的推理范式，以克服动态时间延迟对齐和非线性拟合的瓶颈。- 引入时间一致性物理约束并结合贝叶斯全局优化，以有效抑制小样本和高噪声条件下的非物理波动，从而有效挖掘所提出模型的预测潜力。## 部分片段### 方法论对于本研究的模型设计，主要任务包括两个方面。首先是复杂操作条件下时间序列数据的解耦特征表示。具体来说，应在变量之间存在非线性耦合、大时间延迟以及某些关键操作信息不可观测的情况下提取有效特征，以准确重构浮选槽内部的复杂物理化学动态演变。其次是...### 数据收集本研究使用的数据收集自中国南方某锌矿的工业浮选生产线，如图 2 所示。为了确保数据集涵盖浮选系统的动态操作特性，数据采集系统利用在线传感器、可编程逻辑控制器 (PLC) 单元、分布式控制系统 (DCS) 数据接口和实验室化验系统共同构建。该系统实现了统一采集和时间序列...### 模型训练与参数优化构建模型架构后，对提出的 DST-AHN 进行了系统训练和关键参数的全局优化。所有模型均以最终锌精矿品位为预测目标进行训练和评估。对于基础数据及环境配置，采用了分段数据划分策略。具体而言，按时间顺序排列的数据的前 80% 用于训练，而剩余 20% 用于验证。### 结论本研究提出了一种物理与数据驱动的 DST-AHN 模型，用于浮选过程中的精矿品位预测。该模型集成了用于操作变量的多尺度特征提取流和用于历史品位信息的趋势感知编码流，并采用时空交叉注意力机制自适应地对齐多源输入与目标品位之间的动态时间延迟。此外，基于 KAN 的残差推理头、时间一致性约束...### 作者贡献声明**张超 (Chao Zhang):** 写作 – 初稿、可视化、验证、软件、方法论、形式分析、数据整理、概念化。 **朱宏球 (Hongqiu Zhu):** 写作 – 审查与编辑、监督、资源、项目管理、资金获取。 **曾思恒 (Siheng Zeng):** 写作 – 审查与编辑、验证、方法论、调查。 **李响 (Xiang Li):** 写作 – 审查与编辑、可视化、形式分析、数据整理。 **王泽俊 (Zejun Wang):** 可视化、验证、调查、数据整理。 **熊伟江 (Weijiang Xiong):**### 资金这项工作得到了国家自然科学基金重大项目计划（No. 92567302）的支持。### 竞争利益声明作者声明他们没有任何已知的竞争性财务利益或个人关系可能会影响本论文中报告的工作。张超 | 朱宏球 | 曾思恒 | 李响 | 王泽俊 | 熊伟江