[發明專利]一種基于連續時間神經網絡的濃密機預測控制方法及系統

有效

• 申請號: 202011493186.0
• 申請日: 2020-12-16
• 公開（公告）號: CN112445136B
• 公開（公告）日: 2022-02-22
• 發明（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

本發明公開了一種基于連續時間神經網絡的濃密機預測控制方法及系統，該方法包括：獲取實際工業場景中濃密機系統的歷史運行參數；基于深度時序網絡，構建濃密機系統的連續時間狀態空間模型并利用歷史運行參數對連續時間狀態空間模型進行訓練；獲取待控制濃密機系統的當前運行參數，基于訓練好的連續時間狀態空間模型，根據當前運行參數預測待控制濃密機系統的底流濃度變化；基于待控制濃密機系統的底流濃度變化預測結果，對待控制濃密機系統的輸入控制序列進行優化，得到待控制濃密機系統的最優輸入控制序列。本發明相較于傳統建模或控制方法，能夠更好地表示濃密機系統的復雜非線性以及連續時間物理特性，因此擁有更高的擬合精度以及控制魯棒性。

技術領域

本發明涉及采礦、智能控制技術領域，特別涉及一種基于連續時間神經網絡的濃密機預測控制方法及系統。

背景技術

復雜過程工業系統的優化控制問題在工業信息化、智能控制領域中被廣泛關注。在現代采礦技術中，濃密機是一種重要的大型沉降工具，它通過重力沉降作用可以將低濃度的固液混合物進行濃縮形成高濃度的混合物，起到減水、濃縮的作用。底流濃度是核心控制指標。該參量與其他過程監控變量如進料流量、進料濃度、出料流量、泥層高度有著復雜的非線性以及時延關系。由于其運行成本高、操作容錯低，因此如[班曉娟；袁兆麟；劉婷；李佳；何潤姿；.一種基于強化學習的濃密機在線控制方法：中國，CN103454176[P/OL]中所采用的免模型在線學習控制方法在真實濃密機系統上存在一定的局限性。

近年來，利用深度微分方程模型來處理連續時間動態系統建模的方法在解決一些復雜系統建模問題上取得了很大的進展，這類模型可以擬合基于時序的豐富參數化分布。在當今過程控制領域中，PID雖然是用的最多的控制方法，但隨著工業領域技術的發展，模型預測控制(MPC)也逐漸開始斬落頭角。

因此利用系統離線數據構建濃密機預測或仿真模型，并采用基于模型的控制方法實現底流濃度追蹤與穩定是一種更安全、更有效的濃密機控制思路。文獻[F.,Langarica,S.,Díaz,P.,Torres,M.,Salas,J.C.(2020).Neural Network-Based ModelPredictive Control of a Paste Thickener over an Industrial InternetPlatform.IEEE Transactions on Industrial Informatics,16(4),2859–2867.https://doi.org/10.1109/TII.2019.2953275]采用了一種基于Encoder-Decoder架構的多步預測模型用于預測未來底流濃度及泥層壓力變化序列，并采用優化算法求解控制序列，但該方法所采用的深度離散序列模型沒有考慮到濃密機系統本身存在的連續時間特性，因此使得模型精度退化且對監測數據的噪音值較為敏感。

發明內容

本發明提供了一種基于連續時間神經網絡的濃密機預測控制方法及系統，以實現對濃密機底流濃度的穩定控制，并保持控制輸入穩定在設定范圍之內。

為解決上述技術問題，本發明提供了如下技術方案：

一方面，本發明提供了一種基于連續時間神經網絡的濃密機預測控制方法，該方法包括：

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

基于深度時序網絡，構建濃密機系統的連續時間狀態空間模型，并利用所述歷史運行參數對構建出的連續時間狀態空間模型進行訓練；

獲取待控制濃密機系統的當前運行參數，基于訓練好的連續時間狀態空間模型，根據所述當前運行參數，預測所述待控制濃密機系統的底流濃度變化；基于所述待控制濃密機系統的底流濃度變化預測結果，對所述待控制濃密機系統的輸入控制序列進行優化，得到所述待控制濃密機系統的最優輸入控制序列。