[发明专利]一种煤泥水的加药控制方法及系统

说明书

本发明一种煤泥水的加药控制方法及系统，属于煤泥水加药自动控制技术领域；所要解决的技术问题为：提供一种煤泥水的加药控制方法的改进；解决上述技术问题采用的技术方案为：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；本发明应用于煤泥水加药。

技术领域

本发明一种煤泥水的加药控制方法及系统，属于煤泥水加药自动控制技术领域。

背景技术

在选煤厂煤泥水浓缩是实现固液分离的关键环节，同时也是压滤的前一道工序，在整个洗水闭路循环流程中极其重要，由于煤泥水自身的性质决定了它很难受重力沉降，因此需要先向煤泥水中添加絮凝剂形成大的絮团，再重力沉降。目前，选煤厂主要采用人工加药的方式，通过工人将一定量的絮凝剂加入到定量的清水桶中搅拌配制成一定浓度的絮凝剂溶液，然后将溶液加入到浓缩池的入料管道中。絮凝剂的添加完全取决于工人经验，不能根据入料情况动态加药，以及由于选煤厂中的药剂量调节大多是由岗位司机肉眼观察观察溢流水情况再根据经验进行操作，而絮凝沉降过程又具有大惯性、大滞后的特点，操作工人难以根据溢流情况实时动态调整药剂量，存在人工操作误差大，药剂调节滞后，从而影响煤泥水浓缩效果，造成药剂的浪费，溢流水不能满足循环水的使用要求，直接排放会污染环境浪费水资源。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种煤泥水的加药控制方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：一种煤泥水的加药控制方法，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+Δt时的实际煤泥水溢流浓度L′，其中t为当前时刻，Δt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。

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+Δt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。

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。