【技术实现步骤摘要】
本专利技术涉及采矿工程和人工智能，特别是指一种在状态空间模型中纳入物理约束的浓密机建模方法及装置。
技术介绍
1、复杂过程工业系统的准确仿真在工业信息化、工艺决策优化领域被广泛关注。在现代矿业工程中，浓密机是具备重要作用的大型沉降工具，可以用于精矿、尾矿浓密。其原理是使得液体内颗粒在重力、泥层压力、耙架搅拌等作用下，形成高浓度底流，最终起到浓缩的作用。对于浓密机设备，泥层高度和底流浓度是系统的核心控制指标。以尾矿浓密场景为例，不当的泥层高度可能导致较差的浓密效果或产生“压耙”等生产事故，不当的底流浓度则可能导致充填膏体制备成本上升、或充填膏体强度不足等问题。
2、在稳定生产过程中，工程师通常希望浓密机的泥层高度和底流浓度依据设备工艺要求维持在设定值附近小幅平稳波动，进而高效平稳的实施矿浆浓密过程，但由于浓密机体积大、来料质量波动大、且露天生产同时受天气等不可控外部因素影响，因此理想的生产状态通常需要不断依据工况调整浓密机相应控制设定值而维持。使用仿真环境进行过程参数选择是经典的控制优化方法，在专利技术专利[cn202010005947.7-一种高浓度全尾砂浓密工艺仿真优化方法]和文献[王猛.矿浆中和沉降分离过程模型软件的研发[d].东北大学,2015.]中，基于物理机理给出了对于泥层高度和底流浓度的动力学公式，然后通过系统辨识得到具体参数，并希望以此仿真达到控制优化的目的。但机理仿真均建立在诸多简化性假设之上，由于浓密机的不完全可观测特性，加之期内复杂的多相流、物理化学过程，因此想要直接通过数学模型仿真预测实际工况下
3、在专利技术专利[cn202011493186.0-一种基于连续时间神经网络的浓密机预测控制方法及系统]和论文[yuan z,li x,wu d,et al.continuous-time prediction ofindustrial paste thickener system with differential ode-net[j].ieee/caajournal of automatica sinica,2022,9(4):686-698.]中使用纯数据驱动的神经网络进行浓密机关键参数预测，从而试图对齐现场实际工况。依据其实验结果可知，这种方法的有效性相较于纯机理建模有一定提升，但由于浓密过程作为流程工业的中间环节，其特征复杂多样，仅用几天的生产数据进行纯数据驱动建模，则难以避免分部外泛化问题，模型难以在泛化性、可解释性上取得良好的效果。如果直接使用该模型指导控制序列的设定，则在安全性上也存在一定的隐患。
4、同时，以上几种方法均未考虑底层控制器建模。在数字矿山已经颇具规模的今天，人工确定控制设定值、底层控制器依据pid或规则控制等方法实时进行实际设备参数的设定已经成为实际生产场景的主流方法。因此，对于现场工程师来说，通常不需要直接控制如进料泵频、底流泵频等底层设备参数，而是通过控制进料流量设定值、底流流量设定值等参数对设备参数进行间接控制。
5、必须同时考量设备机理约束和现场生产数据，才能在保障模型泛化能力的基础上对齐实际工况，保障设备贴合物理定律约束才能在优化控制的同时保障生产安全。同时必须纳入对底层控制器的考量，才能做到浓密机设备从控制设定值到关键参数映射的仿真建模，才能对实际生产场景下的工况预测、控制量预设、工艺参数优化起到指导性作用。
技术实现思路
1、为了解决现有技术存在的浓密机仿真模型难以在泛化性、可解释性上取得良好的效果；如果直接使用现有仿真模型指导控制序列的设定，则在安全性上也存在一定的隐患；现有仿真方法均未考虑底层控制器建模的技术问题，本专利技术实施例提供了一种在状态空间模型中纳入物理约束的浓密机建模方法及装置。所述技术方案如下：
2、一方面，提供了一种在状态空间模型中纳入物理约束的浓密机建模方法，该方法由浓密机建模设备实现，该方法包括：
3、s1、获取设定工况下浓密机历史生产参数序列，对历史生产参数序列进行预处理，得到预处理后的历史生产参数序列。
4、s2、获取设定工况下设备常量参数以及工艺常量参数。
5、s3、根据预处理后的历史生产参数序列、设备常量参数以及工艺常量参数，构建状态空间模型框架下的神经微分方程梯度网络，根据状态空间模型框架下的神经微分方程梯度网络，得到浓密机仿真模型。
6、可选地，s1中的对历史生产参数序列进行预处理，得到预处理后的历史生产参数序列，包括：
7、s11、对历史生产参数序列，依据现场先验及数据约束进行异常数据剔除，并进行标准化处理，得到标准化后的生产参数序列。
8、s12、获取标准化后的生产参数序列中采样频率低于基准采样频率的生产参数序列，对获取的生产参数序列使用最近邻插值法插值离散域参数，并使用自然三次样条法插值连续域参数，得到预处理后的历史生产参数序列。
9、可选地，s3中的根据预处理后的历史生产参数序列、设备常量参数以及工艺常量参数，构建状态空间模型框架下的神经微分方程梯度网络，根据状态空间模型框架下的神经微分方程梯度网络，得到浓密机仿真模型，包括：
10、s31、根据预处理后的历史生产参数序列、设备常量参数以及工艺常量参数，构建浓密机设备的抽象数学模型。
11、s32、根据抽象数学模型以及动力学方程，设计神经微分方程梯度网络的计算图结构，设定神经微分方程梯度网络的超参数。
12、其中，超参数包括历史序列段长度、预测序列段长度、移动窗口步长以及滤波器窗口尺寸。
13、s33、根据计算图结构以及超参数，构建状态空间模型框架下的神经微分方程梯度网络。
14、s34、根据预处理后的历史生产参数序列训练状态空间模型框架下的神经微分方程梯度网络，得到训练好的模型。
15、s35、对训练好的模型进行调优，将最优模型作为浓密机仿真模型。
16、可选地，s32中的根据抽象数学模型以及动力学方程，设计神经微分方程梯度网络的计算图结构，包括：
17、s321、根据抽象数学模型，得到神经微分方程梯度网络子网络的输入以及输出。
18、s322、基于科尔森公式、固体守恒定律推导浓密机泥层高度与底流浓度的动力学方程。
19、s323、采用神经微分方程梯度网络子网络表示动力学方程的中间变量，得到神经微分方程梯度网络子网络的拓扑结构。
20、其中，神经微分方程梯度网络子网络采用多层感知机表示。
21、s324、根据输入、输出以及拓扑结构，得到神经微分方程梯度网络的计算图结构。
22、可选地，s323中的动力学方程的中间变量，包括：
23、根据多层感知机网络以及浓密机设备的平均浓度系数的取值范围约束，对平均浓度系数进行动态推断。
24、依据动力学方程，得到浓密机设备的介质的表现密度以及悬浮体系的表现黏度，用于表示颗粒的干涉沉降速度。本文档来自技高网...
【技术保护点】
1.一种在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述方法包括：
2.根据权利要求1所述的在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述S1中的对所述历史生产参数序列进行预处理，得到预处理后的历史生产参数序列，包括：
3.根据权利要求1所述的在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述S3中的根据所述预处理后的历史生产参数序列、设备常量参数以及工艺常量参数，构建状态空间模型框架下的神经微分方程梯度网络，根据所述状态空间模型框架下的神经微分方程梯度网络，得到浓密机仿真模型，包括：
4.根据权利要求3所述的在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述S32中的根据所述抽象数学模型以及动力学方程，设计神经微分方程梯度网络的计算图结构，包括：
5.根据权利要求4所述的在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述S323中的动力学方程的中间变量，包括：
6.根据权利要求3所述的在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述S33中
7.根据权利要求3所述的在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述S332中的获取浓密机系统的预测序列段的控制输入，包括：
8.一种在状态空间模型中纳入物理约束的浓密机建模装置，所述在状态空间模型中纳入物理约束的浓密机建模装置用于实现如权利要求1-7任一项所述在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述装置包括：
9.一种浓密机建模设备，其特征在于，所述浓密机建模设备包括：
10.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述方法包括：
2.根据权利要求1所述的在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述s1中的对所述历史生产参数序列进行预处理，得到预处理后的历史生产参数序列，包括：
3.根据权利要求1所述的在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述s3中的根据所述预处理后的历史生产参数序列、设备常量参数以及工艺常量参数，构建状态空间模型框架下的神经微分方程梯度网络，根据所述状态空间模型框架下的神经微分方程梯度网络，得到浓密机仿真模型，包括：
4.根据权利要求3所述的在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述s32中的根据所述抽象数学模型以及动力学方程，设计神经微分方程梯度网络的计算图结构，包括：
5.根据权利要求4所述的在状态空间模型中纳入物理约束的浓密机建模方法，其特征在于，所述s...
【专利技术属性】
技术研发人员：陈昊炜，班晓娟，李潇睿，李硕夫，王笑琨，
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。