【技术实现步骤摘要】
一种基于非确定性隐空间模型的浓密机控制方法及装置
[0001]本专利技术涉及采矿智能控制
，特别是指一种基于非确定性隐空间模型的浓密机控制方法及装置。
技术介绍
[0002]复杂过程工业系统的优化控制问题在工业信息化、智能控制领域中被广泛关注。在现代采矿技术中，浓密机是一种重要的大型沉降工具，使尾砂颗粒在重力、一定高度的泥层压强以及耙架搅拌作用下形成高浓度的底流，起到减水、浓缩的作用。在对浓密机进行控制时，泥层压强是一项是系统核心控制指标，通过控制浓密机的泥层压强可以间接实现对浓密机其他关键变量，如底流浓度、泥层压力的控制。由于泥层压强与其他过程监测变量如进料流量、进料浓度、出料流量、泥层高度有着复杂的非线性以及时延关系，并且由于浓密机系统的运行成本高、操作容错低，因此如[班晓娟；袁兆麟；刘婷；李佳；何润姿；一种基于强化学习的浓密机在线控制方法：中国，CN103454176[P/OL]]中所采用的免模型在线学习控制方法存在冷启动以及收敛时间不定的问题，在真实浓密机系统控制应用中存在一定的局限性。
[0003]随...
【技术保护点】
【技术特征摘要】
1.一种基于非确定性隐空间模型的浓密机控制方法，其特征在于，所述方法包括：S1、获取浓密机系统的当前运行参数，所述当前运行参数包括进出料流量、进出料浓度；S2、将所述进出料流量、进出料浓度输入到训练好的非确定性离散时间状态空间模型；S3、基于所述进出料流量、进出料浓度以及所述训练好的非确定性离散时间状态空间模型，得到所述浓密机系统的泥层压强变化分布；S4、基于从所述浓密机系统的泥层压强变化分布中采样得到的结果，根据交叉熵优化算法对所述浓密机系统的输入控制序列进行优化，得到所述浓密机系统的最优输入控制序列，基于所述最优输入控制序列对所述浓密机系统进行控制。2.根据权利要求1所述的基于非确定性隐空间模型的浓密机控制方法，其特征在于，所述S2中的训练好的非确定性离散时间状态空间模型，包括：S21、获取所述浓密机系统的历史运行参数；其中，所述历史运行参数包括样本进出料流量、样本进出料浓度、样本泥层压强；S22、基于包含隐变量的深度神经网络，构建浓密机系统的非确定性离散时间状态空间模型，将所述样本进出料流量、样本进出料浓度、样本泥层压强输入到所述非确定性离散时间状态空间模型，得到重构的预测泥层压强，根据所述预测泥层压强及所述样本泥层压强的重构误差对所述构非确定性离散时间状态空间模型进行训练。3.根据权利要求2所述的基于非确定性隐空间模型的浓密机控制方法，其特征在于，所述S21中的获取浓密机系统的历史运行参数，包括：采集所述浓密机系统的各传感器所监测到的原始运行参数；统计所述原始运行参数中各参量的均值和方差，并基于所述统计的各参量的均值和方差，对所述原始运行参数进行归一化放缩，得到所述历史运行参数。4.根据权利要求2所述的基于非确定性隐空间模型的浓密机控制方法，其特征在于，所述S22中对非确定性离散时间状态空间模型进行训练包括：估计损失函数对所述非确定性离散时间状态空间模型参数的梯度，获得各个梯度后，采用随机梯度下降法对所述非确定性离散时间状态空间模型进行优化训练。5.根据权利要求1所述的基于非确定性隐空间模型的浓密机控制方法，其特征在于，所述非确定性离散时间状态空间模型包括后验编码模块和先验预测模块；其中，所述后验编码模块用于隐变量推理，实现所述浓密机系统的历史运行数据的编码；所述先验预测模块用于所述隐变量先验分布表示，实现所述浓密机系统泥层压强的预测。6.根据权利要求5所述的基于非确定性隐空间模型的浓密机控制方法，其特征在于，所述非确定性离散时间状态空间模型包括后验编码模块和先验预测模块包括：基于变分自编码器方法，构建从所述浓密机系统的观测量到所述浓密机系统的隐变量的近似后验推断模型，并利用变分证据下界作为所述近似后验推断模型的优化目标，训...
【专利技术属性】
技术研发人员：班晓娟，张子轩，袁兆麟，李潇睿，阮竹恩，王贻明，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。