基于径向基函数神经网络在线补偿的浓密机底流浓度鲁棒非线性模型预测控制

摘要

浓密机是矿物加工与湿法冶金工艺中的关键设备，其运行状态直接关系到生产效率和资源回收率.然而，由于浓密机具有强非线性、高时滞、多变量耦合以及易受外部干扰等复杂特性，传统控制方法往往难以实现对其底流浓度的精准稳定控制.为此，本文以提高底流浓度控制性能为研究目标，提出一种结合机理建模与智能补偿的复合控制策略.首先，基于沉降–分离理论，建立浓密机的状态空间模型，并设计一种非线性模型预测控制（NMPC）方法，以实现对设定底流浓度的有效跟踪.进一步地，考虑到实际过程中存在的未建模动态、参数摄动和外部干扰等不确定因素，引入径向基函数（RBF）神经网络作为在线补偿器，用于实时修正机理模型的预测输出，从而增强系统在复杂工况下的预测精度与控制鲁棒性.最后，通过浓密机仿真实验将所提NMPC–RBF策略与比例积分微分控制（PID）、模型预测控制（MPC）及NMPC方法进行对比.结果表明，NMPC–RBF在底流浓度跟踪中表现最优，其引入的RBF补偿机制通过提前修正系统输出，有效克服了模型失配问题，显著提升了跟踪精度与鲁棒性，为复杂工业过程中浓密机的优化控制提供了可行方案.

关键词

模型预测控制 / 沉降–分离理论 / 浓密机控制 / 神经网络 / 矿物加工

基金资助

国家自然科学基金资助项目（62373038,52304121）