Predictizon of immersion mill performance and energy use via machine learning (Open access)
Daniel Weston*, Li Liu, Christopher Windows-YuleKeywords: Machine learning; Wet milling; Prediction; Optimisation
DOI: 10.1016/j.partic.2026.05.023
本研究旨在构建高精度、可解释且适用于工程优化需求的浸入式研磨机性能与能耗预测模型。针对研磨过程强非线性、试验数据样本有限、参数空间数据稀疏等特点，选取随机森林回归（RFR）、梯度提升树（GBT）和符号回归（SR）三种机器学习建模方法，全面对比分析了各模型对未知样本的泛化能力、可解释性及工程实用性，解决工业小样本场景下研磨能耗、粒度精准预测难题。
结果表明，综合对未训练数据（unseen data）的预测精度与模型可解释性，符号回归（SR）模型的整体性能最优。在对未训练数据验证中，SR模型对研磨机比能耗的预测平均绝对误差（MAE）为3.48kJ/kg，对产品颗粒d90粒径的预测平均绝对误差为5.19 μm。同时，SR模型可输出简单的代数表达式，不仅能够直接用于各类假设情景推演（what-if）分析，还可作为约束条件嵌入工艺优化框架，实现在满足目标出料粒径要求的前提下，最大限度降低研磨能耗。
本研究采用针对五维参数空间中高方差区域的主动学习策略，结合优选的机器学习模型，仅通过15组小批量试验构成的有限数据集，即可实现浸入式磨机运行性能的高精度预测。该建模和采样方案仅需少量试验，便可精准获取磨机比能耗与颗粒d90粒径的变化规律，不仅显著降低了试验物料消耗与试验成本，还能够快速识别影响研磨效果的关键工艺参数，大幅提升工艺探究与参数分析效率。
此外，本研究还获得了区别于传统研磨设备的创新性结论：由于该型号浸入式磨机独特的物料输送与内部混合机制，其出料粒径对叶轮转速、研磨介质填充量的敏感性显著偏低，二者与产品粒径的关联程度明显弱于传统立式搅拌磨机。该发现揭示了浸入式研磨设备差异化的工艺响应规律，可为其工艺调控与参数优化提供理论支撑。
相关研究成果发表于PARTICUOLOGY（Volume 115），欢迎感兴趣的读者扫描下方二维码或者点击文末“阅读原文”进入ScienceDirect官网阅读、下载！
编辑、排版：《颗粒学报》编辑部
文章信息
Weston, D., Liu, L., & Windows-Yule, C. (2026). Prediction of immersion mill performance and energy use via machine learning. Particuology, 115, 336-355. https://doi.org/10.1016/j.partic.2026.05.023