(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111227806.0 (22)申请日 2021.10.21 (71)申请人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 (72)发明人 班晓娟　张子轩　袁兆麟　李潇睿　 阮竹恩　王贻明　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 代理人 张仲波 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01) (54)发明名称 一种基于非确定性隐空间模型的浓密机控 制方法及装置 (57)摘要 本发明公开了一种基于非确定性隐空间模 型的浓密机控制方法及装置， 涉及采矿智能控制 技术领域。 包括： 获取浓密机系统的当前运行参 数， 当前运行参数包括进出料流量、 进出料浓度； 将当前运行参数输入到训练好的非确定性离散 时间状态空间模 型； 基于当前运行参数以及训练 好的非确定性离散时间状态空间模 型， 得到浓密 机系统的泥层压强变化分布； 基于从浓密机系统 的泥层压强变化分布中采样得到的结果， 根据交 叉熵优化算法对浓密机系统的输入控制序列进 行优化， 得到浓密机系统的最优输入控制序列， 对浓密机系统进行控制。 本发明能够更好地表示 浓密机系统的复杂噪音扰动以及非确定性， 因此 整套预测及控制方法拥有更好的预测精度以及 控制精度。 权利要求书2页 说明书16页 附图5页 CN 114036821 A 2022.02.11 CN 114036821 A 1.一种基于非确定性隐空间模型的浓密机控制方法， 其特 征在于， 所述方法包括： S1、 获取浓密机系统的当前运行参数， 所述当前运行参数包括进出料流量、 进出料浓 度； S2、 将所述进出 料流量、 进出料浓度输入到训练好的非确定性离 散时间状态空间模型； S3、 基于所述进出料流量、 进出料浓度以及所述训练好的非确定性离散时间状态空间 模型， 得到所述浓密机系统的泥层压强变化分布； S4、 基于从所述浓密机系统的泥层压强变化分布中采样得到的结果， 根据交叉熵优化 算法对所述浓密机系统的输入控制序列进 行优化， 得到所述浓密机系统的最优输入控制序 列， 基于所述 最优输入 控制序列对所述浓密机系统进行控制。 2.根据权利要求1所述的基于非确定性隐空间模型的浓密机控制方法， 其特征在于， 所 述S2中的训练好的非确定性离 散时间状态空间模型， 包括： S21、 获取所述浓密机系统的历史运行参数； 其中， 所述历史运行参数包括样本进出料 流量、 样本进出 料浓度、 样本泥层压强； S22、 基于包含隐变量的深度神经网络， 构建浓密机系统的非确定性离散时间状态空间 模型， 将所述样 本进出料流量、 样本进 出料浓度、 样本泥层压强输入到所述 非确定性离散时 间状态空间模型， 得到重构的预测泥层压强， 根据所述预测泥层压强及所述样本泥层压强 的重构误差对所述构非确定性离 散时间状态空间模型进行训练。 3.根据权利要求2所述的基于非确定性隐空间模型的浓密机控制方法， 其特征在于， 所 述S21中的获取浓密机系统的历史运行参数， 包括： 采集所述浓密机系统的各传感器所监测到的原 始运行参数； 统计所述原始运行参数中各参量的均值和方差， 并基于所述统计的各参量的均值和方 差， 对所述原 始运行参数进行归一 化放缩， 得到所述历史运行参数。 4.根据权利要求2所述的基于非确定性隐空间模型的浓密机控制方法， 其特征在于， 所 述S22中对非确定性离散时间状态空间模型进行训练包括： 估计损失函数对所述非确定性 离散时间状态空间模型参数 的梯度， 获得各个梯度后， 采用随机梯度下降法对所述非确定 性离散时间状态空间模型进行优化训练。 5.根据权利要求1所述的基于非确定性隐空间模型的浓密机控制方法， 其特征在于， 所 述非确定性离 散时间状态空间模型包括后验编码模块和先验预测模块； 其中， 所述后验编码模块用于隐变量推理， 实现所述浓密机系统的历史运行数据的编 码； 所述先验预测模块用于所述隐变量先验分布表示， 实现所述浓密机系统泥层压强的预 测。 6.根据权利要求5所述的基于非确定性隐空间模型的浓密机控制方法， 其特征在于， 所 述非确定性离 散时间状态空间模型包括后验编码模块和先验预测模块包括： 基于变分 自编码器方法， 构建从所述浓密机系统的观测量到所述浓密机系统的隐变量 的近似后验推 断模型， 并利用变分证据下界作为所述近似后验推 断模型的优化目标， 训练 所述近似后验推断模型， 用于观测所述后验编码模块和所述先验预测模块。 7.根据权利要求1所述的基于非确定性隐空间模型的浓密机控制方法， 其特征在于， 所 述S4中的基于从所述浓密机系统的泥层压强变化分布中采样得到的结果， 根据交叉熵优化权　利　要　求　书 1/2 页 2 CN 114036821 A 2算法对所述浓密机系统的输入控制序列进 行优化， 得到所述浓密机系统的最优输入控制序 列， 基于所述 最优输入 控制序列对所述浓密机系统进行控制， 包括： S41、 构建初始状态的最优输入控制序列分布， 所述初始状态的最优输入控制序列分布 服从高斯分布， 采样获取 所述最优输入 控制序列； S42、 构建评价函数， 基于所述最优输入控制序列及所述训练好的非确定性离散时间状 态空间模型， 得到所述浓密机系统泥层压强与设定值之 间的误差以及所述浓密机最优输入 控制序列的不稳定程度， 根据所述评价函数及所述采样获取 的所述最优输入控制序列， 重 新估计最优输入 控制序列分布； S43、 重复步骤S42， 经预设迭代轮次后， 将最终求解得到的所述最优输入控制序列的均 值作为所述浓密机系统的下一时刻的系统动作。 8.一种基于非确定性隐空间模型的浓密机控制装置， 其特 征在于， 所述装置包括： 数据获取模块， 用于获取浓密机系统的当前运行参数， 所述当前运行参数包括进出料 流量、 进出料浓度； 非确定性离散时间状态 空间模型预测模块， 用于将所述当前运行参数输入到训练好的 非确定性离 散时间状态空间模型； 非确定性离散时间状态 空间模型输出模块， 用于基于所述当前运行参数以及所述训练 好的非确定性离 散时间状态空间模型， 得到所述浓密机系统的泥层压强变化分布； 最优输入控制模块， 用于基于从所述浓密机系统的泥层压强变化分布中采样得到的结 果， 根据交叉熵优化算法对所述浓密机系统的输入控制序列进行优化， 得到所述浓密机系 统的最优输入 控制序列。 9.根据权利要求8所述的基于非确定性隐空间模型的浓密机控制装置， 其特征在于， 所 述训练好的非确定性离 散时间状态空间模型， 包括： 获取所述浓密机系统 的历史运行参数； 其中， 所述历史运行参数包括样本进出料流量、 样本进出 料浓度、 样本泥层压强； 基于包含隐变量的深度神经网络， 构建浓密机系统的非确定性离散时间状态空间模 型， 将所述样本进 出料流量、 样本进 出料浓度输入到所述 非确定性离散时间状态空间模型， 得到预测泥层压强， 根据所述预测泥层压强及所述样本泥层压强对所述构非确定性离散时 间状态空间模型进行训练。 10.根据权利要求8所述的基于非确定性隐空间模型的浓密机控制装置， 其特征在于， 所述非确定性离 散时间状态空间模型包括后验编码模块和先验预测模块； 其中， 所述后验编码模块用于隐变量推理， 实现所述浓密机系统的历史运行数据的编 码； 所述先验预测模块用于所述隐变量先验分布表示， 实现所述浓密机系统泥层压强的预 测。权　利　要　求　书 2/2 页 3 CN 114036821 A 3