本發(fā)明涉及工藝過程數(shù)據(jù)協(xié)同計(jì)算，尤其涉及一種濃密過濾工序協(xié)同控制方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、現(xiàn)有技術(shù)中，受上游工序的影響，濃密機(jī)入料量存在波動(dòng)，導(dǎo)致濃密過濾工序生產(chǎn)不穩(wěn)定。若實(shí)際底流濃度過低會(huì)增加能耗經(jīng)濟(jì)指標(biāo)；若實(shí)際底流濃度過高會(huì)導(dǎo)致濃密機(jī)壓耙，而濃密機(jī)為大型設(shè)備，一般選礦廠并沒有備用設(shè)備，濃密機(jī)壓耙將導(dǎo)致選礦廠全廠停產(chǎn)，帶來巨大的經(jīng)濟(jì)損失。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的是為了克服現(xiàn)有技術(shù)中的不足，提供一種濃密過濾工序協(xié)同控制方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

2、本發(fā)明提供如下技術(shù)方案：

3、第一方面，本公開實(shí)施例中提供了一種濃密過濾工序協(xié)同控制方法，所述方法包括:

4、獲取歷史采樣數(shù)據(jù)，定義多個(gè)建模變量，對(duì)所述歷史采樣數(shù)據(jù)進(jìn)行灰度相關(guān)性分析，得到各所述建模變量的灰度相關(guān)系數(shù)，利用偏最小二乘法根據(jù)各所述建模變量建立入料量預(yù)測模型；

5、獲取實(shí)時(shí)采樣數(shù)據(jù)，將所述實(shí)時(shí)采樣數(shù)據(jù)輸入所述入料量預(yù)測模型，得到入料量預(yù)測值，并根據(jù)所述實(shí)時(shí)采樣數(shù)據(jù)與所述入料量預(yù)測值建立不確定性優(yōu)化模型；

6、對(duì)所述不確定性優(yōu)化模型進(jìn)行確定性形式轉(zhuǎn)換，得到確定性等價(jià)模型，通過機(jī)會(huì)約束優(yōu)化算法求解所述確定性等價(jià)模型，得到確定性入料量。

7、進(jìn)一步地，所述對(duì)所述歷史采樣數(shù)據(jù)進(jìn)行灰度相關(guān)性分析，得到各所述建模變量的灰度相關(guān)系數(shù)，包括：

8、根據(jù)歸一化公式對(duì)所述歷史采樣數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化，得到歸一采樣數(shù)據(jù)；

9、根據(jù)灰度系數(shù)公式對(duì)所述歸一采樣數(shù)據(jù)進(jìn)行計(jì)算，得到各所述建模變量的灰度相關(guān)系數(shù)；

10、其中，所述歸一化公式為：

11、

12、所述灰度系數(shù)公式為：

13、

14、其中：

15、

16、

17、

18、式中，xi(k)代表建模變量i的第k個(gè)采樣點(diǎn)數(shù)據(jù)，min?xi(k)為建模變量i的第k個(gè)采樣點(diǎn)數(shù)據(jù)中的最小值，max?xi(k)為建模變量i的第k個(gè)采樣點(diǎn)數(shù)據(jù)中的最大值，為建模變量i的第k個(gè)采樣點(diǎn)數(shù)據(jù)歸一化后的歸一采樣數(shù)據(jù)，τi(k)為建模變量i的第k個(gè)采樣點(diǎn)的灰度相關(guān)系數(shù)，δ0i(k)為序列和的偏差序列，τ為辨識(shí)系數(shù)，γi為建模變量i的灰度相關(guān)系數(shù)，n為變量i采樣數(shù)。

19、進(jìn)一步地，所述建模變量包括皮帶礦量、掃選返回流量、旋流器出口礦量、粗選底部流量與濃密機(jī)入料量，所述入料量預(yù)測模型為：

20、mpre＝ctx

21、其中：

22、

23、式中，為所述建模變量i的實(shí)時(shí)值與24小時(shí)平均值的差值中正數(shù)的平均值，為所述建模變量i的實(shí)時(shí)值與24小時(shí)平均值的差值中負(fù)數(shù)的平均值，x為所述建模變量，c∈r10×1為模型系數(shù)，mpre為所述入料量預(yù)測模型。

24、進(jìn)一步地，所述不確定性優(yōu)化模型包括目標(biāo)函數(shù)與約束函數(shù)，所述不確定性優(yōu)化模型為：

25、

26、ti-1+tufi-1(ξ)＜ti，i＝2，3，...，n

27、tn+tufn(ξ)＜tend

28、topt＜t1

29、式中，ξ為隨機(jī)變量，eeiufi為第i柜底流泵能耗經(jīng)濟(jì)指標(biāo)，eeipfi為第i柜壓濾泵能耗經(jīng)濟(jì)指標(biāo)，eeiufi與eeipfi組成所述目標(biāo)函數(shù)j，cuf為底流濃度下界，為第i柜放礦壓濾時(shí)的底流濃度，為第i柜放礦壓濾時(shí)的存礦量，為濃密機(jī)的存礦量上界，ti為第i柜開始放礦壓濾的時(shí)間，ti-1為第i-1柜開始放礦壓濾的時(shí)間，tufi-1為第i-1柜底流泵運(yùn)行時(shí)間，tn為第n柜開始放礦壓濾的時(shí)間，tufn為第n柜底流泵運(yùn)行時(shí)間，cuf、ti、ti-1、tufi-1、tn、tufn組成所述約束函數(shù)，t1為第1柜開始放礦壓濾的時(shí)間，topt為最優(yōu)開始?jí)簽V時(shí)間。

30、進(jìn)一步地，所述對(duì)所述不確定性優(yōu)化模型進(jìn)行確定性形式轉(zhuǎn)換，得到確定性等價(jià)模型，包括：

31、將所述不確定性優(yōu)化模型轉(zhuǎn)化為第一隨機(jī)機(jī)會(huì)約束優(yōu)化模型；

32、將所述第一隨機(jī)機(jī)會(huì)約束優(yōu)化模型中的目標(biāo)函數(shù)與約束函數(shù)轉(zhuǎn)換為關(guān)于所述隨機(jī)變量的線性函數(shù)，得到第二隨機(jī)機(jī)會(huì)約束優(yōu)化模型；

33、將所述第二隨機(jī)機(jī)會(huì)約束優(yōu)化模型中的約束函數(shù)轉(zhuǎn)換為確定性等價(jià)形式，得到所述確定性等價(jià)模型。

34、進(jìn)一步地，所述確定性等價(jià)模型為：

35、

36、topt<t1

37、式中，為所述底流泵能耗經(jīng)濟(jì)指標(biāo)關(guān)于所述隨機(jī)變量ξ的常數(shù)項(xiàng)，為所述壓濾泵能耗經(jīng)濟(jì)指標(biāo)關(guān)于所述隨機(jī)變量ξ的常數(shù)項(xiàng)，為底流泵能耗經(jīng)濟(jì)指標(biāo)關(guān)于所述隨機(jī)變量ξ的常數(shù)項(xiàng)，為壓濾泵能耗經(jīng)濟(jì)指標(biāo)關(guān)于所述隨機(jī)變量ξ的常數(shù)項(xiàng)，tend為生產(chǎn)結(jié)束時(shí)間，auf、buf、duf、auf、buf為預(yù)設(shè)模型參數(shù)，為初始底流濃度，m為所述濃密機(jī)的處理量，為最優(yōu)存礦量，kβ為第一預(yù)設(shè)閾值，為第二預(yù)設(shè)閾值，為第三預(yù)設(shè)閾值，為第四預(yù)設(shè)閾值，為第五預(yù)設(shè)閾值。

38、進(jìn)一步地，所述通過機(jī)會(huì)約束優(yōu)化算法求解所述確定性等價(jià)模型，得到確定性入料量，包括：

39、獲取預(yù)設(shè)數(shù)據(jù)種群，根據(jù)所述目標(biāo)函數(shù)計(jì)算所述預(yù)設(shè)數(shù)據(jù)種群的多個(gè)適應(yīng)度；

40、確定各所述適應(yīng)度中的最小適應(yīng)度，根據(jù)所述最小適應(yīng)度設(shè)置參考閾值，并利用預(yù)設(shè)輪盤賭算法對(duì)各所述適應(yīng)度中小于或等于所述參考閾值的適應(yīng)度進(jìn)行復(fù)制，得到復(fù)制適應(yīng)度；

41、利用交叉概率方法和變異概率方法對(duì)所述復(fù)制適應(yīng)度進(jìn)行計(jì)算，得到所述確定性入料量。

42、第二方面，本公開實(shí)施例中提供了一種濃密過濾工序協(xié)同控制裝置，所述裝置包括：

43、第一建立模塊，用于獲取歷史采樣數(shù)據(jù)，定義多個(gè)建模變量，對(duì)所述歷史采樣數(shù)據(jù)進(jìn)行灰度相關(guān)性分析，得到各所述建模變量的灰度相關(guān)系數(shù)，利用偏最小二乘法根據(jù)各所述建模變量建立入料量預(yù)測模型；

44、第二建立模塊，用于獲取實(shí)時(shí)采樣數(shù)據(jù)，將所述實(shí)時(shí)采樣數(shù)據(jù)輸入所述入料量預(yù)測模型，得到入料量預(yù)測值，并根據(jù)所述實(shí)時(shí)采樣數(shù)據(jù)與所述入料量預(yù)測值建立不確定性優(yōu)化模型；

45、求解模塊，用于對(duì)所述不確定性優(yōu)化模型進(jìn)行確定性形式轉(zhuǎn)換，得到確定性等價(jià)模型，通過機(jī)會(huì)約束優(yōu)化算法求解所述確定性等價(jià)模型，得到確定性入料量。

46、第三方面，本公開實(shí)施例中提供了一種計(jì)算機(jī)設(shè)備，所述計(jì)算機(jī)設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)第一方面中所述的濃密過濾工序協(xié)同控制方法的步驟。

47、第四方面，本公開實(shí)施例中提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面中所述的濃密過濾工序協(xié)同控制方法的步驟。

48、本技術(shù)的有益效果：

49、本技術(shù)實(shí)施例提供的濃密過濾工序協(xié)同控制方法，方法包括：獲取歷史采樣數(shù)據(jù)，定義多個(gè)建模變量，對(duì)所述歷史采樣數(shù)據(jù)進(jìn)行灰度相關(guān)性分析，得到各所述建模變量的灰度相關(guān)系數(shù)，利用偏最小二乘法根據(jù)各所述建模變量建立入料量預(yù)測模型；獲取實(shí)時(shí)采樣數(shù)據(jù)，將所述實(shí)時(shí)采樣數(shù)據(jù)輸入所述入料量預(yù)測模型，得到入料量預(yù)測值，并根據(jù)所述實(shí)時(shí)采樣數(shù)據(jù)與所述入料量預(yù)測值建立不確定性優(yōu)化模型；對(duì)所述不確定性優(yōu)化模型進(jìn)行確定性形式轉(zhuǎn)換，得到確定性等價(jià)模型，通過機(jī)會(huì)約束優(yōu)化算法求解所述確定性等價(jià)模型，得到確定性入料量。本技術(shù)入料量預(yù)測模型降低入料量預(yù)測值的隨機(jī)性，通過濃密脫水工序約束優(yōu)化方法可以解決入料量的隨機(jī)性帶來的問題，進(jìn)一步提高優(yōu)化方法的優(yōu)化效果。

50、為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯和易懂，下文特舉較佳實(shí)施例，并配合所附附圖，做詳細(xì)說明如下。