[发明专利]一种煤泥水的加药控制方法及系统

权利要求书

1.一种煤泥水的加药控制方法，其特征在于：包括如下步骤：

S1：构建经验模型：结合前人学者以及现场工人的长期工作经验总结得出经验数学模型作为加药控制的经验模型；

S2：构建预测模型：利用LSTM网络学习历史数据，获得预测模型，并根据实时数据进行模型优化；

S3：加药控制：通过传感器检测获取煤泥水入料的实时数据传输至控制器中，根据经验模型动态加药；

将传感器检测到的预测输入数据输入到预测模型得到预测溢流浓度，根据预测溢流浓度和设定的溢流浓度之差实现超前调整加药量；

所述步骤S2中预测模型的构建步骤如下：

S2.1：获取历史数据包括t时刻的入料流量Q、入料密度S、加药量V、浓缩池中煤泥水溢流浓度L以及t+∆t时的实际煤泥水溢流浓度L'，其中t为当前时刻，∆t为测得实际溢流浓度与加药时间之差；

S2.2：对历史数据进行异常值剔除和插补，最后对其及进行归一化处理；

S2.3：将历史数据分为预测模型输入数据和预测模型输出数据，并将历史数据输入到预测模型中训练模型，并不断进行模型优化。

2.根据权利要求1所述的一种煤泥水的加药控制方法，其特征在于：所述的预测模型输入数据包括数据处理后的t时刻的入料流量Q、入料浓度S、加药量V、煤泥水溢流浓度L；

所述的预测模型输出数据包括数据处理后的t+∆t时的实际煤泥水溢流浓度L'；

所述预测模型是利用LSTM根据输入、输出训练所得；

所述模型优化是将每次实时获得的数据并入到历史数据中，不断更新历史数据，从而不断改善预测模型的精度。

3.根据权利要求2所述的一种煤泥水的加药控制方法，其特征在于：所述预测模型的LSTM神经网络结构包括依次连接的输入层、第一个LSTM神经网络层、第一个Dropout层、第二个LSTM神经网络层、第二个Dropout层、全连接层、输出层，训练通过Adam优化算法完成，预测效果的评价指标采用均方根误差和平均绝对百分比误差。

4.根据权利要求3所述的一种煤泥水的加药控制方法，其特征在于：所述的LSTM神经网络层包含遗忘门f_t、输入门i_t和输出门o_t，计算公式如下：

；

；

；

上式中：h_t-1为上一时刻的输出向量，x_t为当前时刻的输入向量，σ为Sigmoid激活函数，W_f和b_f为遗忘门的网络参数向量，W_f为第一权重系数，b_f为第一偏置系数；W_i和b_i为输入门的网络参数向量，W_i为第二权重系数，b_i为第二偏置系数；W_o和b_o为输出门的网络参数向量，W_o为第三权重系数，b_o为第三偏置系数。