[发明专利]一种基于混合模型的浓密机底流浓度预测方法

说明书

本发明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。

背景技术：

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。

本发明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(EntireDistribution Optimization，EDO)改进的三层ELM(Three hidden layers ExtremeLearning Machine,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。

发明内容：

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：