[發(fā)明專利]一種基于連續(xù)時間神經(jīng)網(wǎng)絡的濃密機預測控制方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011493186.0
• 申請日: 2020-12-16
• 公開（公告）號: CN112445136B
• 公開（公告）日: 2022-02-22
• 發(fā)明（設計）人: 班曉娟;袁兆麟;李佳;姚松;李瀟睿;沈家華;劉璞
• 申請（專利權）人: 北京科技大學;中色非洲礦業(yè)有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04;B01D21/32
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波;付忠林

1.一種基于連續(xù)時間神經(jīng)網(wǎng)絡的濃密機預測控制方法，其特征在于，所述方法包括：

獲取實際工業(yè)場景中濃密機系統(tǒng)的歷史運行參數(shù)；其中，所述歷史運行參數(shù)包括進出料流量、進出料濃度、泥層壓力、絮凝劑流量以及耙架轉速；

基于深度時序網(wǎng)絡，構建濃密機系統(tǒng)的連續(xù)時間狀態(tài)空間模型，并利用所述歷史運行參數(shù)對構建出的連續(xù)時間狀態(tài)空間模型進行訓練；

獲取待控制濃密機系統(tǒng)的當前運行參數(shù)，基于訓練好的連續(xù)時間狀態(tài)空間模型，根據(jù)所述當前運行參數(shù)，預測所述待控制濃密機系統(tǒng)的底流濃度變化；基于所述待控制濃密機系統(tǒng)的底流濃度變化預測結果，對所述待控制濃密機系統(tǒng)的輸入控制序列進行優(yōu)化，得到所述待控制濃密機系統(tǒng)的最優(yōu)輸入控制序列；

所述獲取實際工業(yè)場景中濃密機系統(tǒng)的歷史運行參數(shù)，包括：

采集實際充填過程中濃密機系統(tǒng)的各傳感器所監(jiān)測到的原始運行參數(shù)；

統(tǒng)計所述原始運行參數(shù)中各參量的均值和方差，基于統(tǒng)計的各參量的均值和方差，對所述原始運行參數(shù)進行歸一化放縮，得到歷史運行參數(shù)；

所述連續(xù)時間狀態(tài)空間模型包括序列編碼器、狀態(tài)解碼器和微分求解器；其中，濃密機系統(tǒng)受外部輸入影響過程建模為用所述微分求解器表示的一階常微分方程；

所述序列編碼器用于對濃密機系統(tǒng)過去一段時間的輸入及輸出數(shù)據(jù)進行序列編碼，獲得濃密機系統(tǒng)在隱狀態(tài)空間中的初始狀態(tài)；

所述微分求解器的輸入包括濃密機系統(tǒng)當前時刻隱變量，濃密機系統(tǒng)外部可控輸入，輸出為濃密機系統(tǒng)隱變量在當前時刻的一階導數(shù)；

所述狀態(tài)解碼器用于將濃密機系統(tǒng)隱變量解碼為濃密機系統(tǒng)的真實輸出；其中，所述真實輸出包括底流濃度和泥層壓力。

2.如權利要求1所述的基于連續(xù)時間神經(jīng)網(wǎng)絡的濃密機預測控制方法，其特征在于，在獲取實際工業(yè)場景中濃密機系統(tǒng)的歷史運行參數(shù)之后，所述方法還包括：

統(tǒng)計所述歷史運行參數(shù)中各控制參量的極值；

對所述待控制濃密機系統(tǒng)的輸入控制序列進行優(yōu)化，包括：根據(jù)所述歷史運行參數(shù)中各控制參量的極值，使計算得到的控制輸入序列滿足系統(tǒng)容許范圍。

3.如權利要求1所述的基于連續(xù)時間神經(jīng)網(wǎng)絡的濃密機預測控制方法，其特征在于，所述序列編碼器為循環(huán)神經(jīng)網(wǎng)絡。

4.如權利要求1所述的基于連續(xù)時間神經(jīng)網(wǎng)絡的濃密機預測控制方法，其特征在于，所述微分求解器中嵌入了并行可微的數(shù)據(jù)插值模塊，所述數(shù)據(jù)插值模塊用于將輸入所述微分求解器的數(shù)據(jù)中的離散外部輸入序列插值為連續(xù)時間序列。

5.如權利要求1所述的基于連續(xù)時間神經(jīng)網(wǎng)絡的濃密機預測控制方法，其特征在于，在連續(xù)時間狀態(tài)空間模型的訓練過程中，當對所述微分求解器進行訓練時，采用聯(lián)合敏感度法估計損失函數(shù)對微分求解器、隱變量序列初始狀態(tài)及外部控制輸入序列的梯度；獲得各個梯度后，采用梯度下降算法對模型進行優(yōu)化訓練。

6.如權利要求1所述的基于連續(xù)時間神經(jīng)網(wǎng)絡的濃密機預測控制方法，其特征在于，所述獲取待控制濃密機系統(tǒng)的當前運行參數(shù)，基于訓練好的連續(xù)時間狀態(tài)空間模型，根據(jù)所述當前運行參數(shù)，預測所述待控制濃密機系統(tǒng)的底流濃度變化；基于所述待控制濃密機系統(tǒng)的底流濃度變化預測結果，對所述待控制濃密機系統(tǒng)的輸入控制序列進行優(yōu)化，得到所述待控制濃密機系統(tǒng)的最優(yōu)輸入控制序列，包括：

構建適應度函數(shù)，以對所述待控制濃密機系統(tǒng)的當前時刻的底流濃度與設定值之間的偏差程度以及輸入控制序列的不穩(wěn)定程度進行懲罰；

獲取待控制濃密機系統(tǒng)的當前運行參數(shù)，基于訓練好的連續(xù)時間狀態(tài)空間模型，根據(jù)待控制濃密機系統(tǒng)的當前運行參數(shù)，預測待控制濃密機系統(tǒng)的底流濃度變化；并利用所述適應度函數(shù)對控制結果進行評價，并以此為優(yōu)化目標，利用優(yōu)化算法對輸入控制序列進行優(yōu)化，迭代多輪后得到最優(yōu)輸入控制序列。

7.如權利要求6所述的基于連續(xù)時間神經(jīng)網(wǎng)絡的濃密機預測控制方法，其特征在于，所述輸入控制序列包括底流流量和泥層壓力；所述優(yōu)化算法為粒子群優(yōu)化算法。

8.一種基于連續(xù)時間神經(jīng)網(wǎng)絡的濃密機預測控制系統(tǒng)，其特征在于，所述系統(tǒng)包括：

數(shù)據(jù)獲取模塊，用于獲取實際工業(yè)場景中濃密機系統(tǒng)的歷史運行參數(shù)；其中，所述歷史運行參數(shù)包括進出料流量、進出料濃度、泥層壓力、絮凝劑流量以及耙架轉速；

濃密機系統(tǒng)連續(xù)時間狀態(tài)空間模型構建模塊，用于基于深度時序網(wǎng)絡，構建濃密機系統(tǒng)的連續(xù)時間狀態(tài)空間模型，并利用所述數(shù)據(jù)獲取模塊所獲取的歷史運行參數(shù)對構建出的連續(xù)時間狀態(tài)空間模型進行訓練；

底流濃度控制模塊，用于通過所述數(shù)據(jù)獲取模塊獲取待控制濃密機系統(tǒng)的當前運行參數(shù)，然后基于所述濃密機系統(tǒng)連續(xù)時間狀態(tài)空間模型構建模塊所訓練好的連續(xù)時間狀態(tài)空間模型，根據(jù)所述數(shù)據(jù)獲取模塊所獲取的當前運行參數(shù)，預測所述待控制濃密機系統(tǒng)的底流濃度變化；基于所述待控制濃密機系統(tǒng)的底流濃度變化預測結果，對所述待控制濃密機系統(tǒng)的輸入控制序列進行優(yōu)化，得到所述待控制濃密機系統(tǒng)的最優(yōu)輸入控制序列；

所述獲取實際工業(yè)場景中濃密機系統(tǒng)的歷史運行參數(shù)，包括：

采集實際充填過程中濃密機系統(tǒng)的各傳感器所監(jiān)測到的原始運行參數(shù)；

統(tǒng)計所述原始運行參數(shù)中各參量的均值和方差，基于統(tǒng)計的各參量的均值和方差，對所述原始運行參數(shù)進行歸一化放縮，得到歷史運行參數(shù)；

所述連續(xù)時間狀態(tài)空間模型包括序列編碼器、狀態(tài)解碼器和微分求解器；其中，濃密機系統(tǒng)受外部輸入影響過程建模為用所述微分求解器表示的一階常微分方程；

所述序列編碼器用于對濃密機系統(tǒng)過去一段時間的輸入及輸出數(shù)據(jù)進行序列編碼，獲得濃密機系統(tǒng)在隱狀態(tài)空間中的初始狀態(tài)；

所述微分求解器的輸入包括濃密機系統(tǒng)當前時刻隱變量，濃密機系統(tǒng)外部可控輸入，輸出為濃密機系統(tǒng)隱變量在當前時刻的一階導數(shù)；

所述狀態(tài)解碼器用于將濃密機系統(tǒng)隱變量解碼為濃密機系統(tǒng)的真實輸出；其中，所述真實輸出包括底流濃度和泥層壓力。