一种浮选起泡剂生产工艺参数自适应调控方法及系统与流程
本发明属于起泡剂生产加工的,具体涉及一种浮选起泡剂生产工艺参数自适应调控方法及系统
背景技术:
1、浮选起泡剂是矿物浮选的核心助剂,其生产涉及复杂化学反应与物理变化,工艺参数控制精度直接影响产品性能。现有生产过程的参数调控多依赖人工经验和固定参数设定,当原料性质、反应工况或设备状态变化时难以及时响应,易造成产品质量波动,影响生产连续性和稳定性。部分系统虽采集数据,但多源数据分散、不同步且可能含异常值,难以形成可靠的生产状态输入,导致后续优化决策准确性受限。
2、如公开号为cn116637729b的中国发明专利公开一种基于数据分析的浮选药剂自动添加控制系统,包括浮选获取模块、服务器和控制单元。服务器分析矿浆浮选参数得到矿料浮选指数,生成微调修正或变量调整信号;控制单元执行微调,或通知人员智能终端处理。该系统通过参数监测分析实现药剂添加自动微调,优化能耗与药剂消耗。
3、然而,上述技术方案却存在以下问题。
4、首先,现有浮选起泡剂生产工艺参数调控主要依赖人工经验和固定参数设定,缺乏多源数据采集与边缘计算体系,无法按100ms采样周期对温度传感器、压力传感器、流量传感器、原料成分分析仪和设备状态监测模块输出的多路原始传感信号进行逐通道滤波、时间对齐、标准化、特征提取及异常过滤,导致原料性质波动或设备状态差异时,深度q网络难以获得可靠输入,无法实现工艺参数自适应调控。
5、其次,现有技术缺乏将深度q网络输出的候选参数调整方案按q值从高到低排序后选取q值排名前n的候选参数调整方案送入数字孪生虚拟生产模型进行预演验证的机制,无法以产品质量指标、生产效率指标和能耗指标计算综合得分并选择综合得分最高的候选参数调整方案作为推荐方案,参数调整决策风险高,且难以兼顾调控精度与响应速度。
6、因此,亟待一种能够克服上述缺陷的浮选起泡剂生产工艺参数自适应调控方法及系统。
技术实现思路
1、本发明的目的在于提供一种浮选起泡剂生产工艺参数自适应调控方法及系统,可以有效解决上述背景技术中的问题。
2、为实现上述目的,本发明采取的技术方案为:
3、一方面,本申请提供一种浮选起泡剂生产工艺参数自适应调控方法,包括:建立多源数据采集与边缘计算体系,在浮选起泡剂生产现场布置温度传感器、压力传感器、流量传感器、原料成分分析仪和设备状态监测模块,边缘计算节点按100ms采样周期接收多路原始传感信号,逐通道依次执行滤波、时间对齐、标准化和特征提取,异常过滤模块基于物理约束规则和统计判据,自动识别并标记异常数据点,完成异常值剔除;
4、云端平台接收标准化数据流和多维特征向量,训练和更新深度q网络,深度q网络包含5层全连接隐藏层,各层神经元数量分别为256、128、64、32和16,输出层对各候选动作分别输出q值,取所有候选动作中q值最大值对应的动作作为当前最优决策;
5、将候选参数调整方案按q值从高到低排序后选取q值排名前n的候选参数调整方案送入数字孪生虚拟生产模型进行预演验证,数字孪生虚拟生产模型采用机理模型与数据驱动模型相结合的混合建模方法,数据驱动模型采用长短期记忆网络,以产品质量指标、生产效率指标和能耗指标计算综合得分,选择综合得分最高的候选参数调整方案作为推荐方案。
6、另一方面,为本发明实施例公开的一种浮选起泡剂生产工艺参数自适应调控系统,包括:多源数据采集与边缘计算体系,用于在浮选起泡剂生产现场布置温度传感器、压力传感器、流量传感器、原料成分分析仪和设备状态监测模块,边缘计算节点按100ms采样周期接收多路原始传感信号,逐通道依次执行滤波、时间对齐、标准化和特征提取,异常过滤模块基于物理约束规则和统计判据,自动识别并标记异常数据点,完成异常值剔除;
7、深度强化学习驱动的工艺参数优化模型,用于在云端平台接收标准化数据流和多维特征向量,训练和更新深度q网络,深度q网络包含5层全连接隐藏层,各层神经元数量分别为256、128、64、32和16,输出层对各候选动作分别输出q值,取所有候选动作中q值最大值对应的动作作为当前最优决策;
8、数字孪生虚拟生产模型,用于接收按q值从高到低排序后选取的q值排名前n的候选参数调整方案进行预演验证,数字孪生虚拟生产模型采用机理模型与数据驱动模型相结合的混合建模方法,数据驱动模型采用长短期记忆网络,以产品质量指标、生产效率指标和能耗指标计算综合得分,选择综合得分最高的候选参数调整方案作为推荐方案。
9、综上,本申请包括以下至少一种有益技术效果:
10、1、本申请通过多源数据采集与边缘计算体系,将温度传感器、压力传感器、流量传感器、原料成分分析仪和设备状态监测模块输出的多路原始传感信号按100ms采样周期逐通道进行滤波、时间对齐、标准化和特征提取,并由异常过滤模块基于物理约束规则和统计判据完成异常值剔除,使深度q网络和数字孪生虚拟生产模型获得质量可控的输入,提升浮选起泡剂生产过程的实时感知能力和数据可靠性。
11、2、本申请通过深度q网络建立从生产状态到工艺参数调整动作的映射关系,以产品质量指标、生产效率指标和能耗指标加权求和计算奖励值,在原料性质变化、工况波动和设备状态差异条件下自动输出候选参数调整方案,突破传统固定参数控制模式的局限,提高工艺参数调控精度和响应速度。
12、3、本申请通过数字孪生虚拟生产模型对候选参数调整方案进行预演验证,采用机理模型与长短期记忆网络数据驱动模型相结合的混合建模方法,并按q值从高到低排序选取排名前n的候选参数调整方案,以综合得分选择推荐方案,在参数调整实施前识别质量风险,避免不合格批次进入实际生产,同时通过云端平台与边缘计算节点协同的分布式架构实现远程监控和全流程可追溯,保障生产连续稳定运行。
1.一种浮选起泡剂生产工艺参数自适应调控方法,其特征在于:包括:
2.根据权利要求1所述的浮选起泡剂生产工艺参数自适应调控方法,其特征在于:异常过滤模块基于物理约束规则和统计判据,自动识别并标记异常数据点,完成异常值剔除中,物理约束规则为温度位于0至300摄氏度、压力位于0至2mpa、流量大于等于0;统计判据为标准化值的绝对值大于3;标准化值为相同通道当前滤波值减去相同通道历史正常工况数据的均值后除以相同通道历史正常工况数据的标准差。
3.根据权利要求1所述的浮选起泡剂生产工艺参数自适应调控方法,其特征在于:原料成分分析仪在检测到关键组分a的质量分数偏离目标值时,关键组分a质量分数偏移量经边缘计算节点标准化处理后作为状态空间向量的独立维度输入深度q网络;
4.根据权利要求1所述的浮选起泡剂生产工艺参数自适应调控方法,其特征在于:数字孪生虚拟生产模型采用候选参数调整方案筛选策略:先由深度q网络输出各候选动作的q值,按q值从高到低排序,仅选取q值排名前n的候选参数调整方案送入数字孪生虚拟生产模型进行预演验证,n取5至10,候选参数调整方案筛选策略将预演验证的总耗时控制在50至100秒以内。
5.根据权利要求1所述的浮选起泡剂生产工艺参数自适应调控方法,其特征在于:奖励函数采用加权和形式计算奖励值:
6.根据权利要求1所述的浮选起泡剂生产工艺参数自适应调控方法,其特征在于:参数漂移自动补偿功能持续监测各工艺参数的实际值与设定值或模型预测值之间的偏差值,当偏差百分比绝对值超过0.3%时触发补偿机制,补偿调整量为偏差值乘以增量调整系数,增量调整系数设定为0.3;补偿响应时间小于2秒,超调量小于5%。
7.根据权利要求1所述的浮选起泡剂生产工艺参数自适应调控方法,其特征在于:设备故障智能识别采用多维度特征融合方法,综合处理振动信号、温度信号和电流信号的时域特征和频域特征,时域特征和频域特征共同构成10维特征向量;
8.根据权利要求1所述的浮选起泡剂生产工艺参数自适应调控方法,其特征在于:数字孪生虚拟生产模型的预演验证与深度q网络之间存在2重反馈闭环:第1重闭环为深度q网络在训练阶段,将数字孪生虚拟生产模型输出的预演验证结果作为奖励函数中产品质量奖励项的校准依据,当数字孪生虚拟生产模型预测候选参数调整方案在未来30分钟内产品质量指标低于效果阈值时,将候选参数调整方案对应的动作在经验回放缓冲区中的奖励值降低;
9.根据权利要求1所述的浮选起泡剂生产工艺参数自适应调控方法,其特征在于:边缘计算节点与云端平台之间的通信采用消息队列中间件实现异步通信;
10.一种浮选起泡剂生产工艺参数自适应调控系统,应用于上述权利要求1-9任意一项中所述的方法,其特征在于:包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com