一种基于混合模型的浓密机底流浓度预测方法技术

本发明专利技术提供了一种基于混合模型的浓密机底流浓度预测方法,针对湿法冶金浓密洗涤过程底流浓度难以在线测量的问题，在深入分析浓密洗涤过程特点的基础上，利用机理建模与基于整体分布优化算法改进的三层ELM误差补偿模型相结合的混合建模方法实现浓密洗涤过程底流浓度的精准测量。

【技术实现步骤摘要】
一种基于混合模型的浓密机底流浓度预测方法
技术介绍
：随着湿法冶金工业生产的大型化、集中化和连续化，迫切要求高效、稳定的自动化生产线。而我国湿法冶金生产过程自动化总体水平较低，而其自动化技术极大地制约着我国湿法冶金工业的发展。当前某精矿浓密机底流浓度难以检测，操作工靠生产经验来进行放矿，导致下游压滤工序生产急剧波动滤饼产品水分难以达标。尾矿浓密机靠操作工人经验进行控制，随意性大，如能做好优化控制，将减小尾矿库压力，提高生产效率。浓密机由于其具有占地面积小、能耗低、效率高等优点，在国内外湿法冶金、煤炭、污水处理等行业得到广泛的应用，尤其在我国选矿厂得到普遍使用。目前，浓密机在我国选矿厂应用过程中大多存在以下问题：生产过程中的许多关键变量仍未能实现在线检测；浓密机生产过程仍处于人工操作状态，生产人员大多凭借自身经验和感觉来判断生产情况，从而进行操作；浓密机的工作负荷、底流水的浓度、溢流水的浊度等关键环节都不能得到有效的控制，导致其浓度和流量波动都比较大，对后续选矿过程的生产指标造成严重影响，同时很可能会增加后续浮选工序的药剂用量，增大了选矿的成本，严重制约了浓密机生产效率的提高。随着计算机和自动化技术的发展，迫切需要将计算机控制系统引入全流程，形成全流程自动化控制与资源共享，从而提高生产率，提升企业竞争力。近几十年来，固液分离技术有了很大的发展，但对浓密洗涤过程的数学模型的研究却远远不够。浓密洗涤过程的数学模型有助于描述和理解沉降过程的反应机理，对系统设计及设备选型提供理论指导，有助于研究污泥产量的变化，模拟沉降过程的动态变化，可以指导实际生产。随着固液分离技术的发展，必须开展数学模型的研究，从而更深刻地认识固液分离的现象和规律。但是目前仍没有能够应用于优化控制的精确的浓密洗涤过程模型，浓密洗涤过程的模型研究仍处于探索阶段。本专利技术是针对湿法冶金浓密洗涤过程底流浓度难以在线测量的问题，在深入分析浓密洗涤过程特点的基础上，利用机理建模与基于整体分布优化算法(EntireDistributionOptimization，EDO)改进的三层ELM(ThreehiddenlayersExtremeLearningMachine,TELM)误差补偿模型相结合的混合建模方法实现浓密洗涤过程底流浓度的精准测量。ELM与EDO算法是两种机制不同的优化算法，它们表现出不同的优化特性并适用于不同的优化问题，从而有可能将二者结合起来，融合二者的长处构建更为有效的优化方法。混合模型实现了用改进的EDO-TELM算法作为误差补偿模型去补偿机理模型未建模部分的误差，对模型的不确定部分给予了合理的估计，显著减小了模型误差，从理论上提高了模型的预测精度。浓密机机理模型的建模精度要求高，并且数据量较大，该混合模型的建模方法为浓密机底流浓度的预测提供了一个不错的方法。最后通过Matlab软件仿真结果分析，混合模型的预测精度比机理模型和数据模型的测量精度得到了明显的提高，能够适应工业现场的测量需求。机理建模的优点是反映过程的规律，可靠性高，外推性好，具有可解释性，缺点是建模过程比较繁琐，依赖于先验知识，对于一些复杂过程而言，需要通过合理假设得到被控过程的简化机理模型，然而简化后的机理模型的精度不能得到保证。数据建模的优点是可以根据过程的输入输出数据直接建立过程模型，无需过程对象的先验知识，避免了复杂机理的分析，缺点是模型推广性能差、不具有可解释性、容易造成过拟合现象，甚至可能将噪声也拟合进来，造成模型的不稳定。因此，本专利提出了一种将机理模型和基于数据驱动的建模方法相结合的方法，使得机理模型和数据模型可以互为补充。机理模型可以为数据模型提供先验知识，从而可以节省训练样本，降低了对样本数据的要求，而基于数据驱动的模型又能补偿机理模型的未建模特性，使模型不仅具有局部逼近特性，而且具有全局逼近特性，广泛应用于各种复杂工业过程。
技术实现思路
：针对现有技术问题，提出一种基于混合模型的浓密机底流浓度预测方法,包括以下步骤：步骤1：机理建模步骤1.1机理模型的建立由于浓密过程是基于重力沉降作用的，则矿浆浓度是取决于沉降时间和空间高度的量，因此矿浆浓度可表示为C(z,t)，其中设置z轴竖直向下为正方向，t为浓密过程时间，进行合理化的假设，假设沉降过程是一维的，由于重力沉降和压缩作用本质上是一维的，通过一维沉降模型捕获过程基本特性，沉降过程的质量守恒关系由偏微分方程来描述：其中vs≥0是矿浆向下沉降速率，方程中包含两个未知量矿浆浓度C和沉降速率vs，因此求解此方程需要建立矿浆浓度C和沉降速率vs之间的本构关系；在单位时间内，任意间隔(z1,z2)质量的增长等于z1高度流入的流量减去z2高度流出的流量再加上间隔内产生的流量，表达式为：其中Qf为进料流量；为浓密机的横截面积；Cf为进料浓度；δ(z)为δ函数，只有在进料层时δ(z)＝1，其他高度δ(z)＝0；流量Φ表示为其中：其中：采用分层思想将浓密机内部细分为n层，则每层的高度为Δz＝(B+H)/n，设层与层之间的分界线，每层分界线的高度通过计算得到，公式为：z:＝iΔz-H,i＝0,...N则溢流层z0和底流层zn落在分界线上，溢流层z0＝-H，底流层zn＝B，设进料口z＝0在(zm-1,zm]区间内，相应的第m层为进料层；在仿真系统中，对应溢流区和底流区在方程的顶部和底部分别多加了两层，顶部两层模拟溢流区，底部两层模拟底流区，溢流浊度Ce取第0层浓度，底流浓度Cn为第n+1层浓度；因此，计算区域由n+4个长度为Δz的区间组成，确保精确；对于每一层，可以重新写一个精确版本的质量守恒方程如下式：其中是压缩系数；由于精确版本的质量守恒方程的每一项并不是在每一层中都会存在，分层建立更详细的机微分方程：在沉降区，第i＝2,...,m-1层：第i＝m，进料层：对于底流层：其中Cf是进料浓度；是弥散系数；n是分层的层数；z是浓密机的高度；zf是进料高度；vs是沉降速度；C是矿浆的浓度；Gi如式所示；基于现场条件的限制，流体的流速无法通过仪器测量出来，故而引用流体力学的伯努利方程进行转换，将现场仪表测得的压力数据转换成适用于机理模型的流速，同时忽略同一水平上流体的重力势能，故而流体的流速与压力的转换公式为：步骤1.2：辅助变量选择：对浓密洗涤过程的关键变量底流浓度进行预测，确定软测量模型的主导变量为底流浓度，对底流浓度影响较大的变量包括顶层体积流量，进料流量，底流体积密度，流体流速，同时这四个变量在工业现场可以通过检测装置测得的，因此选择它们作为输入变量，选择底流浓度作为输出变量，来进行数据预处理，机理模型和混合模型的研究；步骤1.3.数据预处理：在实际测量数据中，常常会有个别测量数据明显超出测量数据的一般范围，即测量值偏离其余测量值的平均水平过远，把这样的数据称为异常值，对于异常值通常可以采用3σ原则进行处理；对于一个样本集x1,x2,x3,x4，如果样本中只存在随机误差，统计随机误差的正态分布规律，把偏差绝对值大于3σ的数据视作异常数据，予以剔除，实现方法为：对于测量数据[x1,x2,x3,x4]，首先根据公式计算其平均值，再根据式计算标准差的估计值：假设对于任意数据点xd，若满足则根据3σ原则，该数据视为异常值，本文档来自技高网...

【技术保护点】
1.一种基于混合模型的浓密机底流浓度预测方法,其特征在于,包括以下步骤：步骤1：机理建模步骤1.1机理模型的建立由于浓密过程是基于重力沉降作用的，则矿浆浓度是取决于沉降时间和空间高度的量，因此矿浆浓度可表示为C(z,t)，其中设置z轴竖直向下为正方向，t为浓密过程时间，进行合理化的假设，假设沉降过程是一维的，由于重力沉降和压缩作用本质上是一维的，通过一维沉降模型捕获过程基本特性，沉降过程的质量守恒关系由偏微分方程来描述：

【技术特征摘要】
1.一种基于混合模型的浓密机底流浓度预测方法,其特征在于,包括以下步骤：步骤1：机理建模步骤1.1机理模型的建立由于浓密过程是基于重力沉降作用的，则矿浆浓度是取决于沉降时间和空间高度的量，因此矿浆浓度可表示为C(z,t)，其中设置z轴竖直向下为正方向，t为浓密过程时间，进行合理化的假设，假设沉降过程是一维的，由于重力沉降和压缩作用本质上是一维的，通过一维沉降模型捕获过程基本特性，沉降过程的质量守恒关系由偏微分方程来描述：其中vs≥0是矿浆向下沉降速率，方程中包含两个未知量矿浆浓度C和沉降速率vs，因此求解此方程需要建立矿浆浓度C和沉降速率vs之间的本构关系；在单位时间内，任意间隔(z1,z2)质量的增长等于z1高度流入的流量减去z2高度流出的流量再加上间隔内产生的流量，表达式为：其中Qf为进料流量；为浓密机的横截面积；Cf为进料浓度；δ(z)为δ函数，只有在进料层时δ(z)＝1，其他高度δ(z)＝0；流量Φ表示为其中：其中：采用分层思想将浓密机内部细分为n层，则每层的高度为Δz＝(B+H)/n，设层与层之间的分界线，每层分界线的高度通过计算得到，公式为：z:＝iΔz-H,i＝0,...N则溢流层z0和底流层zn落在分界线上，溢流层z0＝-H，底流层zn＝B，设进料口z＝0在(zm-1,zm]区间内，相应的第m层为进料层；在仿真系统中，对应溢流区和底流区在方程的顶部和底部分别多加了两层，顶部两层模拟溢流区，底部两层模拟底流区，溢流浊度Ce取第0层浓度，底流浓度Cn为第n+1层浓度；因此，计算区域由n+4个长度为Δz的区间组成，确保精确；对于每一层，可以重新写一个精确版本的质量守恒方程如下式：其中是压缩系数；由于精确版本的质量守恒方程的每一项并不是在每一层中都会存在，分层建立更详细的机微分方程：在沉降区，第i＝2,...,m-1层：第i＝m，进料层：对于底流层：其中Cf是进料浓度；是弥散系数；n是分层的层数；z是浓密机的高度；zf是进料高度；vs是沉降速度；C是矿浆的浓度；Gi如式所示；基于现场条件的限制，流体的流速无法通过仪器测量出来，故而引用流体力学的伯努利方程进行转换，将现场仪表测得的压力数据转换成适用于机理模型的流速，同时忽略同一水平上流体的重力势能，故而流体的流速与压力的转换公式为：步骤1.2：辅助变量选择：对浓密洗涤过程的关键变量底流浓度进行预测，确定软测量模型的主导变量为底流浓度，对底流浓度影响较大的变量包括顶层体积流量，进料流量，底流体积密度，流体流速，同时这四个变量在工业现场可以通过检测装置测得的，因此选择它们作为输入变量，选择底流浓度作为输出变量，来进行数据预处理，机理模型和混合模型的研究；步骤1.3.数据预处理：在实际测量数据中，常常会有个别测量数据明显超出测量数据的一般范围，即测量值偏离其余测量值的平均水平过远，把这样的数据称为异常值，对于异常值通常可以采用3σ原则进行处理；对于一个样本集x1,x2,x3,x4，如果样本中只存在随机误差，统计随机误差的正态分布规律，把偏差绝对值大于3σ的数据视作异常数据，予以剔除，实现方法为：对于测量数据[x1,x2,x3,x4]，首先根据公式计算其平均值，再根据式计算标准差的估计值：假设对于任意数据点xd，若满足则根据3σ原则，该数据视为异常值，应将xd从测量数据中剔除；再将xd剔除后，再对保留下来的数据重新计算σ值，重新进行异常值检测，重复迭代操作，直至所有异常值都被剔除为止；步骤2：基于三层极限学习机算法的数据模型建立：步骤2.1：ELM算法：极限学习机的网络结构是由输入层，隐含层和输出层共三个网络层组成的前馈神经网络，在ELM模型的训练过程中，网络的权值与阈值参数是不需要迭代修正的，而是在训练之前，随机设置隐含层中的神经元节点的个数，并且随后随机取值输入层与隐含层的权值矩阵和隐含层的阈值矩阵，这两个网络参数一般都初始化为在-1至1之间的随机数矩阵，经过最小二乘法的运算后，ELM神经网络便可以获得唯一的最优解，而不会陷入局部最优中；ELM网络中两两相邻的网络层中神经元之间是全部连接在一起的，输入层中神经元节点的个数有n个，对应着一个输入数据样本有n个维度；隐含层中神经元节点的个数有l个，是凭借经验随机设置的；输出层中神经元节点个数为m个，对应着m个输出变量；设输入层与隐含层之间的连接权值矩阵w为：其中wji代表着输入层第i个神经元与隐含层第j个神经元间的连接权值；设隐含层与输出层间的连接权值β为：其中，βjk代表着隐含层第j个神经元与输出层第k个神经元之间的连接权值；设隐含层神经元的阈值为：假设具有Q个训练集样本的输入矩阵为X(n×Q)，标记矩阵为Y(m×Q)；隐含层神经元的激活函数为g(x)，则ELM网络的输出T为：T＝[t1t2…tQ]m×Q，其中，wi＝[wi1wi2…win]；xj＝[x1jx2j…xnj]T，上式也可以表示如下：Hβ＝T'其中，H为ELM隐含层的输出矩阵，T'为标记矩阵T的转置；其中H为：提高网络的泛化能力，使网络预测输出更加稳定，在β的求解过程中加入正则化项，而且与ELM中求解输出权重的方法有所不同：当训练样本集中包含的训练样本数目与隐含层中神经元节点的数目相比较时，如果训练样本集中包含的训练样本数目较多时，则输出权值的求解为：当训练样本集中包含的训练样本数目与隐含层中神经元节点的数目相比较时，如果隐含层中包含的神经元节点个数较多时，则输出权值的求解为：当训练样本集中包含的训练样本数目与隐含层神经元节点的数目相比较时，如果这两个数值相等时，则输出权值的求解为：β＝H+T其中H+是输出矩阵H的Moore-Penrose广义逆；则求出ELM网络的输出：y＝Hβ；步骤2.2：常见的激活函数以及隐含层节点个数的选择：ELM神经网络中激活函数的选择对模型的精确度有着巨大的影响，合适的激活函数可以提高模型的精确度和稳定性，激活函数要满足非线性、可微性、单调性等特征；对于极限学习机隐含层神经元个数的选择是通过“尝试法”来确定；在学习训练的过程中，随机生成隐含层节点数，重新调整网络结构，训练网络模型，取最优的网络模型为准；步骤2.3：三隐含层ELM算法：三隐含层网络结构的极限学习机，是在经典极限学习机的...

【专利技术属性】
技术研发人员：肖冬，江隆强，单丰，刘新新，付晓锐，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21