CN110090478B - 一种充填场景下的深锥浓密机智能控制方法 - Google Patents
一种充填场景下的深锥浓密机智能控制方法 Download PDFInfo
- Publication number
- CN110090478B CN110090478B CN201910373119.6A CN201910373119A CN110090478B CN 110090478 B CN110090478 B CN 110090478B CN 201910373119 A CN201910373119 A CN 201910373119A CN 110090478 B CN110090478 B CN 110090478B
- Authority
- CN
- China
- Prior art keywords
- underflow
- set value
- concentration
- mud layer
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D21/00—Separation of suspended solid particles from liquids by sedimentation
- B01D21/30—Control equipment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D21/00—Separation of suspended solid particles from liquids by sedimentation
- B01D21/30—Control equipment
- B01D21/305—Control of chemical properties of a component, e.g. control of pH
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D21/00—Separation of suspended solid particles from liquids by sedimentation
- B01D21/30—Control equipment
- B01D21/32—Density control of clear liquid or sediment, e.g. optical control ; Control of physical properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03B—SEPARATING SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS
- B03B5/00—Washing granular, powdered or lumpy materials; Wet separating
- B03B5/60—Washing granular, powdered or lumpy materials; Wet separating by non-mechanical classifiers, e.g. slime tanks
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
本发明提供一种充填场景下的深锥浓密机智能控制方法,能够提高底流浓度的控制精度。所述方法包括:建立底流浓度控制模型控制底流浓度,通过历史记录数据离线训练神经网络规划器,输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值;絮凝剂控制器根据实时监测数据及最优絮凝剂添加比例,动态调节絮凝剂添加流量设定值;泥层压力控制器调节底流流量设定值,使深锥浓密机泥层压力监测值追踪最优泥层压力设定值;将得到的最优耙架转速设定值,絮凝剂添加量设定值以及底流流量设定值实时应用到实际充填过程中,并实时产生的监测数据实时传输到底流浓度控制模型中,用于底流浓度控制模型的在线学习训练。本发明涉及矿山尾矿处置领域。
Description
技术领域
本发明涉及矿山尾矿处置领域,特别是指一种充填场景下的深锥浓密机智能控制方法。
背景技术
深锥浓密机作为浓密机中的一种,是被广泛应用的大型沉降工具,它通过重力沉降作用可以将低浓度的固液混合物进行浓缩形成高浓度的混合物,起到减水、浓缩的作用。在对深锥浓密机进行控制的过程中,底流浓度和溢流水浊度是核心控制指标,在大部分的实际生产过程中,对于浓密机底流浓度的控制一般是操作员根据个人经验,通过对底流流量设定值、絮凝剂添加流量设定值进行调节,间接地使底流浓度追踪其工艺设定值(底流浓度目标值)。但是由于深锥浓密机运行过程具有非线性、多变量、扰动频繁等特点,操作员难以维持底流浓度持续稳定,浓度存在偏差的底流会导致产品质量退化以及增加工业生产成本。
为了克服人工控制的缺陷,可以采用针对深锥浓密机的智能控制算法。但是,由于深锥浓密机运行机理复杂,难以建立数学模型,传统控制理论、最优控制算法难以应用,大部分的智能控制控制算法都是基于人工设计的专家系统或手工制定的模糊控制器中的规则库,再辅助以传统的比例积分控制手段实现对底流泵速、絮凝剂泵速的控制。此类方法存在过度依赖人工经验、缺乏自适应性等缺点。
发明内容
本发明要解决的技术问题是提供一种充填场景下的深锥浓密机智能控制方法,以解决现有技术所存在的针对深锥浓密机的智能控制算法,过度依赖人工经验、缺乏自适应性的问题。
为解决上述技术问题,本发明实施例提供一种充填场景下的深锥浓密机智能控制方法,包括:
获取实际充填过程中监测到的历史记录数据和实时监测数据;
建立底流浓度控制模型控制底流浓度,所述底流浓度控制模型包括:神经网络规划器、絮凝剂控制器以及泥层压力控制器;其中,
通过历史记录数据离线训练神经网络规划器,并将底流浓度目标值和溢流水浊度警戒线值输入到训练好的神经网络规划器中,由神经网络规划器输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值;
絮凝剂控制器根据实时监测数据及神经网络规划器输出的最优絮凝剂添加比例,动态调节絮凝剂添加流量设定值;
泥层压力控制器利用泥层质量守恒原理,调节底流流量设定值,使深锥浓密机泥层压力监测值追踪神经网络规划器输出的最优泥层压力设定值;
将得到的最优耙架转速设定值,絮凝剂添加量设定值以及底流流量设定值实时应用到实际充填过程中,并将获取的实时监测数据实时传输到神经网络规划器模型中,用于底流浓度控制模型的在线学习训练。
进一步地,所述获取实际充填过程中监测到的历史记录数据和实时监测数据包括:
获取深锥浓密机处于正常生产且为排尾或充填状态下,监测到的历史记录数据和实时监测数据;
对每连续时刻的若干条数据进行加权求和作为一条数据,实现对监测到的数据的平滑处理。
进一步地,所述通过历史记录数据离线训练神经网络规划器,并将底流浓度目标值和溢流水浊度警戒线值输入到训练好的神经网络规划器中,由神经网络规划器输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值包括:
获取絮凝剂添加比例、泥层压力设定值、耙架转速设定值、溢流水浊度和底流浓度属性对应的历史记录数据离线训练神经网络规划器,其中,神经网络规划器的输入包括:絮凝剂添加比例、泥层压力设定值、耙架转速设定值,神经网络规划器的输出包括:溢流水浊度、底流浓度;
将底流浓度目标值和溢流水浊度警戒线值输入到训练好的神经网络规划器中,神经网络规划器通过策略梯度的方法输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值。
进一步地,所述将底流浓度目标值和溢流水浊度警戒线值输入到训练好的神经网络规划器中,神经网络规划器通过策略梯度的方法输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值包括:
S211,获取预先设定的溢流水浊度警戒线TO *和未经水稀释的底流浓度目标值φU *,并随机初始化规划量u,u=[PSP,DRflocSP,RsSP]T,其中,PSP为最优泥层压力设定值,DRflocSP为最优絮凝剂添加比例,RsSP为最优耙架转速设定值;
S212,将u、TO *、φU *输入到训练好的神经网络规划器中,通过反向传播确定惩罚函数L(u)对u的梯度向量Δu,用梯度下降的方式对u进行更新:
L(u)=α1max(TO-TO *,0)+α2(φU-φU *)2
u=u-lr*Δu
其中,TO表示神经网络规划器根据输入的u,预测得到的溢流水浊度;φU表示神经网络规划器根据输入的u,预测得到的未经水稀释的底流浓度;α1和α2用于平衡溢流水浊度超标量和底流浓度误差量对惩罚值的权重;lr是学习率;
S213,重复S212,直到u的变化值小于预设的阈值,输出当前的u为最优规划量,得到最优泥层压力设定值PSP、最优絮凝剂添加比例DRflocSP和最优耙架转速设定值RsSP。
进一步地,所述絮凝剂控制器根据实时监测数据及神经网络规划器输出的最优絮凝剂添加比例,动态调节絮凝剂添加流量设定值包括:
絮凝剂控制器根据实时的进料流量、进料浓度,以及神经网络规划器输出的最优絮凝剂添加比例,动态调节絮凝剂添加流量,其中,调节后的絮凝剂添加流量表示为:
其中,QFlocSP表示调节后的絮凝剂添加流量,t表示时刻,QF′表示进料流量计监测流量,φF表示进料浓度,CF′表示进料密度计监测密度,DRflocSP表示最优絮凝剂添加比例,FC表示絮凝剂稀释浓度。
进一步地,所述泥层压力控制器利用泥层质量守恒原理,调节底流流量设定值,使深锥浓密机泥层压力监测值追踪神经网络规划器输出的最优泥层压力设定值包括:
步骤231,确定深锥浓密机内泥沙干重瞬时量,表示为:
其中,m(t)表示t时刻深锥浓密机内泥沙干重瞬时量;P(t)′表示底部泥层压力监测值;g表示重力加速度;d表示深锥浓密机直径;β表示折中参数,用于对底流浓度和进料浓度进行折中;φU表示未经水稀释的底流浓度;φF表示进料浓度;
步骤232,深锥浓密机中干砂质量的变化速率还满足如下固体质量守恒定律:
其中,QU表示未经过水稀释的浓密机出料流量,CU表示未经过水稀释的浓密机出料密度;
根据深锥浓密机内剩余固体质量的变化等于由于进料导致的固体增加量和底流导致的固体减少量的差,得到:
步骤233,将QU(t)中的dP(t)′替换为最优泥层压力设定值PSP与当前泥层压力监测值P(t)′的差值,dt替换为追踪时间Δt,得到底流流量设定值的表示公式,泥层压力控制器根据得到的底流流量设定值的表示公式,调节底流流量设定值,使深锥浓密机底部泥层压力监测值追踪由神经网络规划器输出的最优泥层压力设定值PSP,其中,底流流量设定值表示为:
其中,QUSP表示底流流量设定值,γ表示控制追踪速度的快慢;
步骤234,当泥层压力监测值与最优泥层压力设定值相同时,QUSP满足使深锥浓密机内固体质量不变的流量设定值,根据得到的QUSP,确定经过水稀释后的底流流量设定值:
QP′SP=QUSP+F′
其中,Qp′SP表示经过水稀释后的底流流量设定值,F′表示深锥浓密机底流管道稀释水流量。
进一步地,所述方法还包括:
建立底流循环开闭控制模型;
当溢流水浊度低于溢流水浊度警戒线且底流浓度低于底流浓度目标值时,通过底流循环开闭控制模型打开底流循环,使得底流浓度上升,当底流浓度不低于底流浓度目标值时,通过底流循环开闭控制模型关闭底流循环。
进一步地,所述当溢流水浊度低于溢流水浊度警戒线且底流浓度低于底流浓度目标值时,通过底流循环开闭控制模型打开底流循环,使得底流浓度上升,当底流浓度不低于底流浓度目标值时,通过底流循环开闭控制模型关闭底流循环包括:
S31,判断当前的溢流水浊度是否低于TO *,若当前溢流水浊度不低于TO *,则判断当前是否打开了底流循环,若当前打开了底流循环,则关闭底流循环,将底流阀门管路切换为打开循环之前的底流排料状态;若当前未打开底流循环,则重复S31;若当前溢流水浊度低于TO *,则执行S32;其中,TO *表示溢流水浊度警戒线;
S32,判断当前的底流浓度是否低于φU *,若当前底流浓度不低于φU *,则判断当前是否打开了底流循环,若当前打开了底流循环,则关闭底流循环,将底流阀门管路切换为打开循环之前的底流排料状态;若当前未打开底流循环,则重复S31;若当前底流浓度低于φU *,则执行S33;其中,φU*表示底流浓度目标值;
S33,判断当前是否打开了底流循环,如果当前未打开底流循环,则存储当前底流排料状态,并立刻打开底流循环;若当前打开了底流循环,则重复S31。
进一步地,所述方法还包括:
建立稀释水添加量控制模型;
当深锥浓密机处于排尾状态时,通过建立的稀释水添加量控制模型,对深锥浓密机底流稀释水管道进行控制,控制添加稀释水流量来对底流进行稀释,得到预设的排尾浓度。
进一步地,在深锥浓密机底流管道处添加的稀释水流量表示为:
其中,FSP表示深锥浓密机底流管道处添加的稀释水流量,表示经过水稀释的底流浓度目标值,QP′表示底流流量计监测流量,CP′表示底流密度计监测密度,φP表示未经过水稀释的底流浓度,QU表示未经过水稀释的浓密机出料流量,CU表示未经过水稀释的浓密机出料密度,ρw表示水的密度。
本发明的上述技术方案的有益效果如下:
上述方案中,建立底流浓度控制模型控制底流浓度和溢流水浊度,所述底流浓度控制模型包括:神经网络规划器、絮凝剂控制器以及泥层压力控制器;其中,通过历史记录数据离线训练神经网络规划器,并将底流浓度目标值和溢流水浊度警戒线值输入到训练好的神经网络规划器中,由神经网络规划器输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值;絮凝剂控制器根据实时监测数据及神经网络规划器输出的最优絮凝剂添加比例,动态调节絮凝剂添加流量设定值;泥层压力控制器利用泥层质量守恒原理,调节底流流量设定值,使深锥浓密机泥层压力监测值追踪神经网络规划器输出的最优泥层压力设定值;将得到的最优耙架转速设定值,絮凝剂添加量设定值以及底流流量设定值实时应用到实际充填过程中,并将获取的实时监测数据实时传输到神经网络规划器模型中,用于底流浓度控制模型的在线学习训练,实现充填系统的闭环反馈控制。这样,建立的具有在线学习与自适应能力的底流浓度控制模型通过采用神经网络控制与闭环反馈控制相结合的控制技术,不仅可以节省人力、节约物料,还能提高底流浓度的控制精度、充填系统的稳定性、充填系统的充填效率与充填质量。
附图说明
图1为本发明实施例提供的充填场景下的深锥浓密机智能控制方法的流程示意图;
图2为本发明实施例提供的充填场景下的深锥浓密机智能控制方法的原理示意图;
图3为本发明实施例提供的对监测值进行平滑处理的示意图;
图4为本发明实施例提供的神经网络规划器、絮凝剂控制器以及泥层压力控制器之间的逻辑流程示意图;
图5为本发明实施例提供的神经网络规划器的神经网络结构示意图;
图6为本发明实施例提供的底流循环开闭控制逻辑流程示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的针对深锥浓密机的智能控制算法,过度依赖人工经验、缺乏自适应性的问题,提供一种充填场景下的深锥浓密机智能控制方法。
实施例一
如图1所示,本发明实施例提供的充填场景下的深锥浓密机智能控制方法,包括:
S101,获取实际充填过程中监测到的历史记录数据和实时监测数据;
S102,建立底流浓度控制模型控制底流浓度和溢流水浊度,所述底流浓度控制模型包括:神经网络规划器、絮凝剂控制器以及泥层压力控制器;其中,
通过历史记录数据离线训练神经网络规划器,并将底流浓度目标值和溢流水浊度警戒线值输入到训练好的神经网络规划器中,由神经网络规划器输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值;
絮凝剂控制器根据实时监测数据及神经网络规划器输出的最优絮凝剂添加比例,动态调节絮凝剂添加流量设定值;
泥层压力控制器利用泥层质量守恒原理,调节底流流量设定值,使深锥浓密机泥层压力监测值追踪神经网络规划器输出的最优泥层压力设定值;
将得到的最优耙架转速设定值,絮凝剂添加量设定值以及底流流量设定值实时应用到实际充填过程中,并将获取的实时监测数据实时传输到神经网络规划器模型中,用于底流浓度控制模型的在线学习训练。
本发明实施例所述的充填场景下的深锥浓密机智能控制方法,建立底流浓度控制模型控制底流浓度和溢流水浊度,所述底流浓度控制模型包括:神经网络规划器、絮凝剂控制器以及泥层压力控制器;其中,通过历史记录数据离线训练神经网络规划器,并将底流浓度目标值和溢流水浊度警戒线值输入到训练好的神经网络规划器中,由神经网络规划器输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值;絮凝剂控制器根据实时监测数据及神经网络规划器输出的最优絮凝剂添加比例,动态调节絮凝剂添加流量设定值;泥层压力控制器利用泥层质量守恒原理,调节底流流量设定值,使深锥浓密机泥层压力监测值追踪神经网络规划器输出的最优泥层压力设定值;将得到的最优耙架转速设定值,絮凝剂添加量设定值以及底流流量设定值实时应用到实际充填过程中,并将获取的实时监测数据实时传输到神经网络规划器模型中,用于底流浓度控制模型的在线学习训练,实现充填系统的闭环反馈控制。这样,建立的具有在线学习与自适应能力的底流浓度控制模型通过采用神经网络控制与闭环反馈控制相结合的控制技术,不仅可以节省人力、节约物料,还能提高底流浓度的控制精度、充填系统的稳定性、充填系统的充填效率与充填质量。
为了更好地理解本发明实施例所述的充填场景下的深锥浓密机智能控制方法,对其进行详细说明,如图2所示,所述方法具体可以包括以下步骤:
步骤(1),数据获取及预处理:获取实际充填过程中各种传感器所监测到的历史记录数据和实时监测数据,并对监测到数据进行预处理,主要包括以下步骤:
步骤(1-1),数据获取:获取实际充填过程中各种传感器所监测到的历史记录数据和实时监测数据,其中,所述传感器指设于深锥浓密机、底流管道和稀释水管路上的传感器,历史记录数据用于底流浓度控制模型的离线训练,充填系统进行稳定运行时,采用在线学习的理念,用实时监测的数据进行底流浓度控制模型的在线学习训练。
本实施例中,所获取的数据应该是深锥浓密机处于正常生产且为排尾或充填状态、不能选择运行底流循环期间的数据。并且所选择的数据中深锥浓密机出料浓度大于60%,溢流水浊度小于250ppm。主要包括以下步骤:
步骤(1-1-1),获取实际生产历史记录数据:实际生产历史记录数据由矿山的自动化系统记录并存储于企业数据库中,通过使用用于过程控制的OLE(Object Linking andEmbedding(OLE)for Process Control,OPC)服务器将企业数据库中的数据进行导出,得到csv文件保存在本地;从csv文本中加载数据,得到数据集。数据记录跨度为1个月,总数据记录约1万余条,记录间隔为1分钟,数据集中的各项监测参数如表1所示,其中第二列为各参数所表示的符号。
表1获取的原始参数表
参数 | 符号 |
底流密度计监测密度(kg/m<sup>3</sup>) | C<sub>p</sub> |
底流流量计监测流量(m<sup>3</sup>/h)) | Q<sub>p</sub> |
进料密度计监测密度(kg/m<sup>3</sup>) | C<sub>F</sub> |
进料流量计监测流量(m<sup>3</sup>/h)) | Q<sub>F</sub> |
浓密机底流管道稀释水流量(m<sup>3</sup>/h)) | F |
溢流水浊度(ppm) | T<sub>O</sub> |
耙架转速(rpm) | R<sub>s</sub> |
絮凝剂添加流量(m<sup>3</sup>/h)) | Q<sub>Floc</sub> |
浓密机底部泥层压力(kPa) | P |
浓密机泥层高度(m) | L |
步骤(1-1-2),充填系统稳定运行后,将系统产生的实时监测数据通过OPC服务器实时传送到底流浓度控制模型中进行模型的在线学习与实时反馈控制。
步骤(1-2),数据预处理。由于现场工况不稳定,会导致传感器监测到的数据存在波动,如果单用某一时刻的监测值来评估系统状态并计算控制策略,监测的误差很可能影响到控制策略的性能,需要通过数据预处理过程对监测值进行平滑处理,从而削减仪表监测误差。同时在对充填过程下的深锥浓密机进行控制的过程中,有些变量无法直接通过传感器监测得到,所以需要通过已知的监测值来间接计算底流浓度控制模型所需要的其他参数值。主要包括以下步骤:
步骤(1-2-1),对监测值进行平滑处理。需要进行数据处理的属性有底流密度计监测密度、底流流量计监测流量、进料密度计监测密度、进料流量计监测流量、浓密机底流管道稀释水流量、溢流水浊度、耙架转速、絮凝剂添加流量、浓密机底部泥层压力、浓密机泥层高度。采用的方法是对每连续时刻的若干条(例如,5条)数据进行加权求和作为一条数据,从而对数据进行平滑处理,其示意图如图3所示。
本实施例中,以t时刻的底流密度计监测密度为例,设经过平滑处理后的底流密度计监测密度为Cp′,则Cp′为:
其他需要进行平滑处理的属性同理,则得到平滑处理后的数据集总共有2000条,如表2所示。
表2平滑处理后的参数表
参数 | 符号 |
底流密度计监测密度(kg/m<sup>3</sup>) | C<sub>p</sub>′ |
底流流量计监测流量(m<sup>3</sup>/h) | Q<sub>p</sub>′ |
进料密度计监测密度(kg/m<sup>3</sup>) | C<sub>F</sub>′ |
进料流量计监测流量(m<sup>3</sup>/h) | Q<sub>F</sub>′ |
浓密机底流管道稀释水流量(m<sup>3</sup>/h)) | F′ |
溢流水浊度(ppm) | T<sub>O</sub>′ |
耙架转速(rpm) | R<sub>S</sub>′ |
絮凝剂添加流量(m<sup>3</sup>/h)) | Q<sub>Floc</sub>′ |
浓密机底部泥层压力(kPa) | P′ |
浓密机泥层高度(m) | L′ |
步骤(1-2-2),根据平滑处理后的底流密度计监测密度Cp′和底流流量计监测流量Qp′来计算未经过水稀释的浓密机底流浓度φU;并通过进料密度计监测密度CF′计算进料浓度φF。
本实施例中,由于底流密度计监测密度Cp′和底流流量计监测流量Qp′是底流经过水稀释后监测到的,而在控制过程中需要控制浓密机出料浓度(未经过水稀释的底流浓度φU,后文简称底流浓度)达到底流浓度目标值φU *,所以需要根据底流密度计监测密度Cp′和底流流量计监测流量Qp′来计算浓密机出料密度CU、浓密机出料流量QU,从而进一步计算底流浓度。主要包括以下步骤:
步骤(1-2-2-1),根据底流密度计监测密度Cp′和底流流量计监测流量Qp′,计算未经过水稀释的浓密机出料密度CU、浓密机出料流量QU:
QU=QP′-F′
其中,ρw表示水的密度,F′表示浓密机底流管道稀释水流量。
步骤(1-2-2-2),根据浓密机出料密度CU计算底流浓度,根据进料密度计监测密度CF′计算进料浓度,根据底流密度计监测密度Cp′计算经过水稀释后的底流浓度。密度值和浓度值之间的关系是由膏体充填领域相关专家经过多年的现场经验总结得来的,密度值从1.10g/cm3到1.90g/cm3所对应的浓度值如表3所示(相邻刻度内,密度变化为线型的):
表3密度值从1.10g/cm3到1.90g/cm3所对应的浓度值
密度g/cm<sup>3</sup> | 1.10 | 1.15 | 1.20 | 1.25 | 1.30 | 1.35 | 1.40 | 1.45 |
浓度% | 14.1 | 20.3 | 25.9 | 31.1 | 35.9 | 40.3 | 44.4 | 48.3 |
密度g/cm<sup>3</sup> | 1.50 | 1.55 | 1.60 | 1.65 | 1.70 | 1.75 | 1.80 | 1.85 | 1.90 |
浓度% | 51.9 | 55.2 | 58.3 | 61.3 | 64.1 | 66.7 | 69.1 | 71.5 | 73.7 |
同理,定义已知浓度值,求密度值的函数为fcd(x),则fcd(x)表示为:
设底流浓度为φU,进料浓度为φF,经过水稀释后的底流浓度为φP,根据上述方法可求得:
φU=fdc(CU),φF=fdc(CF′),φP=fdc(CP′)
步骤(1-2-3),根据絮凝剂添加流量计算絮凝剂添加比例。由于在后续的控制算法中需要找到絮凝剂添加比例、泥层压力设定值、耙架转速设定值和溢流水浊度、底流浓度之间的关系,但是絮凝剂添加比例无法直接测量出,所以需要通过已知的絮凝剂添加流量来间接求絮凝剂添加比例,设絮凝剂添加比例为DRfloc,则DRfloc的计算公式为:
其中,FC为絮凝剂稀释浓度。经过数据处理后的参数表如表4所示。
表4数据处理后的参数表
参数 | 符号 |
底流密度计监测密度(kg/m<sup>3</sup>) | C<sub>p</sub>′ |
经过水稀释的底流浓度 | φ<sub>P</sub> |
底流流量计监测流量(m<sup>3</sup>/h)) | Q<sub>p</sub>′ |
进料密度计监测密度(kg/m<sup>3</sup>) | C<sub>F</sub>′ |
进料浓度 | φ<sub>F</sub> |
进料流量计监测流量(m<sup>3</sup>/h)) | Q<sub>F</sub>′ |
浓密机出料密度(未经水稀释) | C<sub>U</sub> |
浓密机出料流量(未经水稀释) | Q<sub>U</sub> |
底流浓度(未经水稀释) | φ<sub>U</sub> |
浓密机底流管道稀释水流量(m<sup>3</sup>/h)) | F′ |
溢流水浊度(ppm) | T<sub>O</sub>′ |
耙架转速(rpm) | R<sub>S</sub>′ |
絮凝剂添加流量(m<sup>3</sup>/h)) | Q<sub>Floc</sub>′ |
絮凝剂添加比例 | DR<sub>floc</sub> |
浓密机底部泥层压力(kPa) | P′ |
浓密机泥层高度(m) | L′ |
步骤(2),建立底流浓度控制模型用于实现对底流浓度的精准控制,具体的:分别建立神经网络规划器、絮凝剂控制器以及泥层压力控制器,其中,神经网络规划器、絮凝剂控制器以及泥层压力控制器之间的逻辑流程图如图4所示,首先将底流浓度目标值和溢流水浊度警戒线值输入到神经网络规划器,得到最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值,其中,最优耙架转速设定值直接实时传输到OPC服务器,最优絮凝剂添加比例则输入到絮凝剂控制器中,从而得到絮凝剂添加流量设定值,实时传输到OPC服务器中,最优泥层压力设定值则输入到泥层压力控制器中,得到底流流量设定值,并实时传输到OPC服务器中,通过泥层压强传感器(用于获取泥层压力监测值)实时追踪最优泥层压力设定值。
本实施例中,所述建立底流浓度控制模型用于实现对底流浓度的精准控制主要包括以下步骤:
步骤(2-1),建立神经网络规划器:建立一个三层的神经网络结构,利用短期历史记录数据进行神经网络规划器离线训练,根据溢流水浊度警戒线、底流浓度目标值,规划出最优的絮凝剂添加比例、泥层压力设定值和耙架转速设定值;主要包括以下步骤:
步骤(2-1-1),建立神经网络规划器。利用短期历史记录数据对神经网络规划器进行离线训练,找到絮凝剂添加比例、泥层压力设定值、耙架转速设定值和溢流水浊度、底流浓度之间的关系,包括以下步骤:
步骤(2-1-1-1),选取训练数据:从步骤(1-2-3)预处理后的数据中选择训练神经网络规划器所需要的属性,包括絮凝剂添加比例、泥层压力设定值、耙架转速设定值、溢流水浊度、底流浓度,自变量(输入)为絮凝剂添加比例、泥层压力设定值、耙架转速设定值,因变量(输出)为溢流水浊度、底流浓度,总共2000条训练数据。
步骤(2-1-1-2),初始化神经网络规划器的网络参数:设置网络的学习率为LR=0.01,批训练的数据个数BATCH_SIZE=300;
步骤(2-1-1-3),构造一个3层的神经网络结构,如图5所示,使用单隐层神经网络,隐藏层节点数为5,3个输入结点,2个输出结点,激活函数使用Tanh;
步骤(2-1-1-4),确定损失函数,训练神经网络规划器。使用均方误差(mean-square error,MSE)作为损失函数,MSE的定义如下:
其中,observdei表示第i个真实值,predictedi表示第i个预测值,n为训练数据的数目,||表示取差值的绝对值。
步骤(2-1-1-5),设置训练次数为10000,使用自适应矩估计(adaptive momentestimation,Adam)优化器作为神经网络的优化器,并采用梯度下降法来调节权值,在训练过程中调整参数和网络结构,当神经网络规划器的损失函数的值收敛到0.08,则表明神经网络规划器已训练完成。
步骤(2-1-2),假设,预先设定的溢流水浊度警戒线为200ppm、底流浓度目标值为72%,训练好的神经网络规划器采用策略梯度的方法找到最优的絮凝剂添加比例、泥层压力设定值和耙架转速设定值。主要包括以下步骤:
步骤(2-1-2-1),获取预先设定的溢流水浊度警戒线TO *和底流浓度目标值φU *,并随机初始化规划量u,u=[PSP,DRflocSP,RsSP]T,其中,PSP为最优泥层压力设定值,DRflocSP为最优絮凝剂添加比例,RsSP为最优耙架转速设定值。
步骤(2-1-2-2),将u、TO *、φU *输入到训练好的神经网络规划器中,得到预测的溢流水浊度TO和底流浓度φU,利用惩罚函数
L(u)=α1max(TO-TO *,0)+α2(φU-φU *)2
计算出惩罚函数L(u)的值,max(TO-TO *,0)则表示每次取TO-TO *和0之间最大的那个数,α1和α2用于平衡溢流水浊度超标量和底流浓度误差量对惩罚值的权重。通过反向传播计算L(u)对u的梯度向量Δu,用梯度下降的方式对u进行更新:
u=u-lr*Δu
其中,lr是学习率,取值为0.04。
步骤(2-1-2-3),重复步骤(2-1-2-2),直到u的变化值小于预设的阈值,例如,预设的阈值为0.0001,同时限定迭代次数上限为10000,此时的u为最优规划量,得到最优泥层压力设定值PSP、最优絮凝剂添加比例DRflocSP和最优耙架转速设定值RsSP。
步骤(2-2),建立絮凝剂控制器:建立一个絮凝剂控制器,根据实时的进料流量、进料浓度,以及神经网络规划器给出的最优絮凝剂添加比例,动态调节絮凝剂添加流量,其中,调节后的絮凝剂添加流量表示为:
其中,其中,QFlocSP表示调节后的絮凝剂添加流量,t表示时刻,QF′表示进料流量计监测流量,φF表示进料浓度,CF′表示进料密度计监测密度,DRflocSP表示最优絮凝剂添加比例,FC表示絮凝剂稀释浓度。
步骤(2-3),建立泥层压力控制器:建立一个泥层压力控制器,通过调节底流流量设定值,使浓密机底部泥层压力监测值追踪由神经网络规划器给出的最优泥层压力设定值。主要包括以下步骤:
步骤(2-3-1),设浓密机内泥沙干重瞬时量为m(t),则得:
其中,m(t)表示t时刻深锥浓密机内泥沙干重瞬时量;P(t)′表示底部泥层压力监测值;g表示重力加速度;φbed为泥床平均浓度,介于底流浓度和进料浓度之间,φbed=βφU+(1-β)φF,β表示折中参数,用于对底流浓度和进料浓度进行折中,φU表示未经水稀释的底流浓度,φF表示进料浓度;为浓密机底面积,d表示深锥浓密机直径,则m(t)可以进一步表示为:
本实施例中,β的取值可由实际生产经验获得,也可在控制过程中试探性地调节。
步骤(2-3-2),浓密机中干砂质量的变化速率还满足如下固体质量守恒定律:
即浓密机内剩余固体质量的变化等于由于进料导致的固体增加量和底流导致的固体减少量的差,得到:
步骤(2-3-3),泥层压力控制器的作用是通过调节底流流量设定值,使浓密机底部泥层压力监测值追踪由神经网络规划器给出的最优泥层压力设定值PSP,设底流流量设定值为QUSP,将上式中的dP(t)′替换为当前泥层压力监测值与最优泥层压力设定值的差值,dt替换为追踪时间,可得
其中,γ表示控制追踪速度的快慢,γ越大,表示控制追踪的速度越快。
步骤(2-3-4),当泥层压力监测值与最优泥层压力设定值相同时,QUSP恰好满足使浓密机内固体质量不变的流量设定值,设经过水稀释后的底流流量设定值为QP′SP,则得:
QP′SP=QUSP+F′。
步骤(2-4),将得到的最优耙架转速设定值,絮凝剂添加量设定值以及经过水稀释后的底流流量设定值都实时传输到opc服务器上,并应用到实际充填过程中,并将实时产生的新的监测数据实时传输到底流浓度控制模型中,用于底流浓度控制模型的在线训练,从而实现在线学习。
本实施例中,所述方法还包括:
步骤(3),建立底流循环开闭控制模型,用于实现溢流水浊度和底流浓度的进一步精准控制,当底流浓度低于底流浓度目标值时,使用底流循环开闭控制模型打开底流循环,尾砂在浓密机中沉积,使得底流浓度快速上升,同时监测溢流水浊度;当底流浓度高于底流浓度目标值时即时使用底流循环开闭控制模型停止底流循环。打开底流循环的顺序为:打开循环阀门,关闭通向水泥搅拌槽的阀门或者通向排尾泵的阀门;关闭底流循环的顺序为先打开通向水泥搅拌槽的阀门或者通向排尾泵的阀门,再关闭高位循环阀门。顺序出现错误可能导致管道损坏。
本实施例中,底流循环开闭控制逻辑如图6所示,其中,底流排料状态分为三种状态,分别是排尾、充填和循环,控制底流排料状态的管路称为底流阀门管路。所述底流循环开闭控制模型主要包括以下步骤:
步骤(3-1),判断此刻的溢流水浊度是否低于TO *,若溢流水浊度不低于TO *,则判断当前是否打开了底流循环,如果当前打开了底流循环,则立刻关闭底流循环,将底流阀门管路切换为打开循环之前的底流排料状态;若当前未打开底流循环,则重复步骤(3-1);若溢流水浊度低于TO *,则执行步骤(3-2);其中,TO *表示溢流水浊度警戒线;
步骤(3-2),继续判断当前底流浓度是否低于φU *,若当前底流浓度不低于φU *,则判断当前是否打开了底流循环,如果当前打开了底流循环,则立刻关闭底流循环,将底流阀门管路切换为打开循环之前的底流排料状态;若当前未打开底流循环,则重复步骤(3-1);若当前底流浓度低于φU *,则执行步骤(3-3);其中,φU *表示底流浓度目标值;
步骤(3-3),继续判断当前是否打开了底流循环,如果当前未打开底流循环,则存储当前底流排料状态(排尾或者充填),并立刻打开底流循环;若当前打开了底流循环,则重复步骤(3-1)。
本实施例中,所述方法还包括:
步骤(4),建立稀释水添加量控制模型,当深锥浓密机处于排尾状态时,通过建立的稀释水添加量控制模型,对浓密机底流稀释水管道进行控制,精确控制添加稀释水流量来对底流进行稀释,从而得到理想的排尾浓度。稀释水添加量控制模型仅在当前浓密机工作在排尾模式下才会启动。主要包括以下步骤:
步骤(4-2),计算出浓密机底流管道稀释水流量设定值为:
同时确保浓密机底流稀释水管道阀门处于打开状态。
综上,本发明实施例所述的充填场景下的深锥浓密机智能控制方法具有以下优点:
1)通过对深锥浓密机、底流管道、稀释水管路上的传感器监测值进行分析,采用神经网络控制与闭环反馈控制相结合的控制技术,实现对深锥浓密机底流浓度、底流循环开闭以及稀释水添加量这三部分进行精准控制,保证溢流水浊度低于溢流水浊度警戒线情况下满足底流浓度需求,并且当深锥浓密机处于排尾状态时,通过对稀释水添加量进行控制能得到理想的排尾浓度。
2)利用了从历史记录数据中发现的耙架转速设定值、絮凝剂添加比例、泥层压力设定值与底流浓度、溢流水浊度的关联关系,通过工业过程运行优化与回路控制相结合的多层次控制技术来实现深锥浓密机精准控制,具有较好的控制精度,可以有效提高充填系统的稳定性,并通过全自动化的精准控制,不仅可以节省人力,节约物料,也能方便使用,极大的提高了充填效率与充填质量。
3)基于充填场景下所提出的底流浓度控制模型具有在线学习与自适应能力,能应对充填过程中因为各种原因所导致的训练数据不足的问题,并能通过对新数据的不断学习,不断的提高底流浓度控制模型的控制精度,使得该方法具有较强的鲁棒性与自适应性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种充填场景下的深锥浓密机智能控制方法,其特征在于,包括:
获取实际充填过程中监测到的历史记录数据和实时监测数据;
建立底流浓度控制模型控制底流浓度,所述底流浓度控制模型包括:神经网络规划器、絮凝剂控制器以及泥层压力控制器;其中,
通过历史记录数据离线训练神经网络规划器,并将底流浓度目标值和溢流水浊度警戒线值输入到训练好的神经网络规划器中,由神经网络规划器输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值;
絮凝剂控制器根据实时监测数据及神经网络规划器输出的最优絮凝剂添加比例,动态调节絮凝剂添加流量设定值;
泥层压力控制器利用泥层质量守恒原理,调节底流流量设定值,使深锥浓密机泥层压力监测值追踪神经网络规划器输出的最优泥层压力设定值;
将得到的最优耙架转速设定值,絮凝剂添加量设定值以及底流流量设定值实时应用到实际充填过程中,并将获取的实时监测数据实时传输到神经网络规划器模型中,用于底流浓度控制模型的在线学习训练。
2.根据权利要求1所述的充填场景下的深锥浓密机智能控制方法,其特征在于,所述获取实际充填过程中监测到的历史记录数据和实时监测数据包括:
获取深锥浓密机处于正常生产且为排尾或充填状态下,监测到的历史记录数据和实时监测数据;
对每连续时刻的若干条数据进行加权求和作为一条数据,实现对监测到的数据的平滑处理。
3.根据权利要求1所述的充填场景下的深锥浓密机智能控制方法,其特征在于,所述通过历史记录数据离线训练神经网络规划器,并将底流浓度目标值和溢流水浊度警戒线值输入到训练好的神经网络规划器中,由神经网络规划器输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值包括:
获取絮凝剂添加比例、泥层压力设定值、耙架转速设定值、溢流水浊度和底流浓度属性对应的历史记录数据离线训练神经网络规划器,其中,神经网络规划器的输入包括:絮凝剂添加比例、泥层压力设定值、耙架转速设定值,神经网络规划器的输出包括:溢流水浊度、底流浓度;
将底流浓度目标值和溢流水浊度警戒线值输入到训练好的神经网络规划器中,神经网络规划器通过策略梯度的方法输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值。
4.根据权利要求3所述的充填场景下的深锥浓密机智能控制方法,其特征在于,所述将底流浓度目标值和溢流水浊度警戒线值输入到训练好的神经网络规划器中,神经网络规划器通过策略梯度的方法输出最优的耙架转速设定值、絮凝剂添加比例以及泥层压力设定值包括:
S211,获取预先设定的溢流水浊度警戒线TO *和未经水稀释的底流浓度目标值φU *,并随机初始化规划量u,u=[PSP,DRflocSP,RsSP]T,其中,PSP为最优泥层压力设定值,DRflocSP为最优絮凝剂添加比例,RsSP为最优耙架转速设定值;
S212,将u、TO *、φU *输入到训练好的神经网络规划器中,通过反向传播确定惩罚函数L(u)对u的梯度向量Δu,用梯度下降的方式对u进行更新:
L(u)=α1max(TO-TO *,0)+α2(φU-φU *)2
u=u-lr*Δu
其中,TO表示神经网络规划器根据输入的u,预测得到的溢流水浊度;φU表示神经网络规划器根据输入的u,预测得到的未经水稀释的底流浓度;α1和α2用于平衡溢流水浊度超标量和底流浓度误差量对惩罚值的权重;lr是学习率;
S213,重复S212,直到u的变化值小于预设的阈值,输出当前的u为最优规划量,得到最优泥层压力设定值PSP、最优絮凝剂添加比例DRflocSP和最优耙架转速设定值RsSP。
6.根据权利要求5所述的充填场景下的深锥浓密机智能控制方法,其特征在于,所述泥层压力控制器利用泥层质量守恒原理,调节底流流量设定值,使深锥浓密机泥层压力监测值追踪神经网络规划器输出的最优泥层压力设定值包括:
步骤231,确定深锥浓密机内泥沙干重瞬时量,表示为:
其中,m(t)表示t时刻深锥浓密机内泥沙干重瞬时量;P(t)′表示底部泥层压力监测值;g表示重力加速度;d表示深锥浓密机直径;β表示折中参数,用于对底流浓度和进料浓度进行折中;φU表示未经水稀释的底流浓度;φF表示进料浓度;
步骤232,深锥浓密机中干砂质量的变化速率还满足如下固体质量守恒定律:
其中,QU表示未经过水稀释的浓密机出料流量,CU表示未经过水稀释的浓密机出料密度;
根据深锥浓密机内剩余固体质量的变化等于由于进料导致的固体增加量和底流导致的固体减少量的差,得到:
步骤233,将QU(t)中的dP(t)′替换为最优泥层压力设定值PSP与当前泥层压力监测值P(t)′的差值,dt替换为追踪时间Δt,得到底流流量设定值的表示公式,泥层压力控制器根据得到的底流流量设定值的表示公式,调节底流流量设定值,使深锥浓密机底部泥层压力监测值追踪由神经网络规划器输出的最优泥层压力设定值PSP,其中,底流流量设定值表示为:
其中,QUSP表示底流流量设定值,γ表示控制追踪速度的快慢;
步骤234,当泥层压力监测值与最优泥层压力设定值相同时,QUSP满足使深锥浓密机内固体质量不变的流量设定值,根据得到的QUSP,确定经过水稀释后的底流流量设定值:
QP′SP=QUSP+F′
其中,QP′SP表示经过水稀释后的底流流量设定值,F′表示深锥浓密机底流管道稀释水流量。
7.根据权利要求1所述的充填场景下的深锥浓密机智能控制方法,其特征在于,所述方法还包括:
建立底流循环开闭控制模型;
当溢流水浊度低于溢流水浊度警戒线且底流浓度低于底流浓度目标值时,通过底流循环开闭控制模型打开底流循环,使得底流浓度上升,当底流浓度不低于底流浓度目标值时,通过底流循环开闭控制模型关闭底流循环。
8.根据权利要求7所述的充填场景下的深锥浓密机智能控制方法,其特征在于,所述当溢流水浊度低于溢流水浊度警戒线且底流浓度低于底流浓度目标值时,通过底流循环开闭控制模型打开底流循环,使得底流浓度上升,当底流浓度不低于底流浓度目标值时,通过底流循环开闭控制模型关闭底流循环包括:
S31,判断当前的溢流水浊度是否低于TO *,若当前溢流水浊度不低于TO *,则判断当前是否打开了底流循环,若当前打开了底流循环,则关闭底流循环,将底流阀门管路切换为打开循环之前的底流排料状态;若当前未打开底流循环,则重复S31;若当前溢流水浊度低于TO *,则执行S32;其中,TO *表示溢流水浊度警戒线;
S32,判断当前的底流浓度是否低于φU *,若当前底流浓度不低于φU *,则判断当前是否打开了底流循环,若当前打开了底流循环,则关闭底流循环,将底流阀门管路切换为打开循环之前的底流排料状态;若当前未打开底流循环,则重复S31;若当前底流浓度低于φU *,则执行S33;其中,φU *表示底流浓度目标值;
S33,判断当前是否打开了底流循环,如果当前未打开底流循环,则存储当前底流排料状态,并立刻打开底流循环;若当前打开了底流循环,则重复S31。
9.根据权利要求1所述的充填场景下的深锥浓密机智能控制方法,其特征在于,所述方法还包括:
建立稀释水添加量控制模型;
当深锥浓密机处于排尾状态时,通过建立的稀释水添加量控制模型,对深锥浓密机底流稀释水管道进行控制,控制添加稀释水流量来对底流进行稀释,得到预设的排尾浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373119.6A CN110090478B (zh) | 2019-05-06 | 2019-05-06 | 一种充填场景下的深锥浓密机智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373119.6A CN110090478B (zh) | 2019-05-06 | 2019-05-06 | 一种充填场景下的深锥浓密机智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110090478A CN110090478A (zh) | 2019-08-06 |
CN110090478B true CN110090478B (zh) | 2020-06-02 |
Family
ID=67447105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910373119.6A Active CN110090478B (zh) | 2019-05-06 | 2019-05-06 | 一种充填场景下的深锥浓密机智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110090478B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110542626A (zh) * | 2019-09-10 | 2019-12-06 | 北京科技大学 | 一种基于流变仪的尾矿脱水性能检测装置及使用方法 |
CN112439229A (zh) * | 2020-11-20 | 2021-03-05 | 安徽盛世开元装备科技有限公司 | 一种自动高效浓缩机及浓缩方法 |
CN112445136B (zh) * | 2020-12-16 | 2022-02-22 | 北京科技大学 | 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 |
CN112985506B (zh) * | 2021-03-05 | 2023-03-17 | 北京科技大学 | 一种深锥浓密机泥层高度与泥层压强互算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778843A (zh) * | 2012-07-23 | 2012-11-14 | 东北大学 | 一种强磁选别过程运行控制方法 |
CN106933099A (zh) * | 2017-03-06 | 2017-07-07 | 太原理工大学 | 一种选煤厂浓缩机和压滤机药剂添加协同控制系统 |
CN108490154A (zh) * | 2018-03-05 | 2018-09-04 | 沈阳工程学院 | 基于主成分分析与在线极限学习机的混合选别系统的精矿品位软测量方法及系统 |
CN108553952A (zh) * | 2018-04-13 | 2018-09-21 | 北京科技大学 | 底流浓度自适应调控的膏体浓密机及精准监测与调控方法 |
-
2019
- 2019-05-06 CN CN201910373119.6A patent/CN110090478B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778843A (zh) * | 2012-07-23 | 2012-11-14 | 东北大学 | 一种强磁选别过程运行控制方法 |
CN106933099A (zh) * | 2017-03-06 | 2017-07-07 | 太原理工大学 | 一种选煤厂浓缩机和压滤机药剂添加协同控制系统 |
CN108490154A (zh) * | 2018-03-05 | 2018-09-04 | 沈阳工程学院 | 基于主成分分析与在线极限学习机的混合选别系统的精矿品位软测量方法及系统 |
CN108553952A (zh) * | 2018-04-13 | 2018-09-21 | 北京科技大学 | 底流浓度自适应调控的膏体浓密机及精准监测与调控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110090478A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110090478B (zh) | 一种充填场景下的深锥浓密机智能控制方法 | |
CN107220734B (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
CN102385315B (zh) | 水厂智能混凝投药控制系统及其控制方法 | |
CN1097757C (zh) | 一种补偿机器轴非线性的装置和方法 | |
CN109879410A (zh) | 一种污水处理曝气控制系统 | |
CN106406083A (zh) | 一种模糊控制选煤方法 | |
CN109190226B (zh) | 一种磨矿系统溢流粒度指标软测量方法 | |
CN109242194B (zh) | 一种基于混合模型的浓密机底流浓度预测方法 | |
CN1129037A (zh) | 采用自动调节进行模糊逻辑控制的方法和装置 | |
CN109143853B (zh) | 一种石油炼化过程中分馏塔液位自适应控制方法 | |
Jia et al. | Multi‐stage economic model predictive control for a gold cyanidation leaching process under uncertainty | |
CN106200381A (zh) | 一种根据处理水量分阶段控制水厂运行的方法 | |
CN114380379B (zh) | 一种煤泥水的加药控制方法及系统 | |
CN110393954B (zh) | 一种基于强化学习的浓密机在线控制方法 | |
CN112445136B (zh) | 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 | |
Gorrini et al. | Reaction rate estimation and model predictive control of hybridoma cell cultures | |
CN109142167B (zh) | 一种磨矿粒度的在线鲁棒正则软测量模型的建立方法 | |
CN112796747B (zh) | 基于多目标的油气钻井策略预测方法及装置 | |
Thampi et al. | Intelligent model for automating PID controller tuning for industrial water level control system | |
CN112431585A (zh) | 一种基于深度信念网络的自动送钻方法 | |
He et al. | Optimization control of the color-coating production process for model uncertainty | |
CN1673909A (zh) | 过程设定控制系统及其控制方法 | |
Nascu | Hierarchical predictive control of wastewater treatment plants | |
Ning et al. | An intelligent control system for grinding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |