煤泥水加药模型的处理方法、装置和电子设备

1.本技术涉及煤泥水加药处理技术领域，具体而言，涉及一种煤泥水加药模型的处理方法、装置和电子设备。


背景技术：

2.煤泥水浓缩沉降过程的非线性、多变量、强耦合等特性给过程的运行优化控制带来了极大的挑战，利用传统的建模方式难以建立整个生产过程的准确机理模型。由于煤泥水处理过程是一个非常复杂的化学物理过程，因此很难准确地建立其反应过程的数学模型，并且影响加药以后的沉降因素也有很多，例如煤泥水浓度、流量、ph值。因此对于煤泥水处理这样复杂的过程，采用传统的控制方式很难对煤泥水处理过程的相关参数的变化做出快速反应，目前采用的基于程序化的自动控制系统，在控制算法上实现了很大改进，然而煤泥水处理受多因素影响和干扰，难以通过一个确定的数学模型来建模，所以很难实现煤泥水处理的智能加药。


技术实现要素：

3.本技术的主要目的在于提供一种煤泥水加药模型的处理方法、装置和电子设备，以至少解决现有方案的煤泥水加药模型的预测准确度较低的问题。
4.为了实现上述目的，根据本技术的一个方面，提供了一种煤泥水加药模型的处理方法，该方法包括：第一获取步骤：获取训练集，所述训练集包括多个煤泥水浓度、多个煤泥水浊度和多个煤泥水加药量，所述煤泥水浓度、所述煤泥水浊度和煤泥水加药量一一对应，所述煤泥水加药模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：所述煤泥水浓度、所述煤泥水浊度和所述煤泥水加药量；第二获取步骤：获取所述训练集中的第一浓度、第一浊度和第一加药量，并将所述第一浓度、所述第一浊度和所述第一加药量中的任意两个作为所述煤泥水加药模型的输入，以使得所述煤泥水加药模型分别对所述第一浓度、所述第一浊度和所述第一加药量中的任意两个进行处理；第一处理步骤：获取所述煤泥水加药模型输出的第二浓度、第二浊度和第二加药量，并在确定需要优化所述煤泥水加药模型的情况下，根据所述第二浓度、所述第二浊度和所述第二加药量中的任意一个，对所述煤泥水加药模型进行优化，得到优化后的所述煤泥水加药模型，所述第二浓度为所述煤泥水加药模型根据输入的所述第一浊度和所述第一加药量输出的值，所述第二浊度为所述煤泥水加药模型根据输入的所述第一浓度和所述第一加药量输出的值，所述第二加药量为所述煤泥水加药模型根据输入的所述第一浓度和所述第一浊度输出的值；第二处理步骤：采用优化后的所述煤泥水加药模型输出的加药量，控制加药装置对煤泥水进行加药处理。
5.可选地，在确定需要优化所述煤泥水加药模型的情况下，根据所述第二浓度，对所述煤泥水加药模型进行优化，得到优化后的所述煤泥水加药模型，包括：根据所述第一浊度和所述第一加药量，从所述训练集中确定目标浓度，所述目标浓度为在所述训练集与所述
第一浊度以及所述第一加药量对应的所述煤泥水浓度；通过比较所述第二浓度和所述目标浓度，得到第一比较结果；在所述第一比较结果为所述第二浓度和所述目标浓度不相等的情况下，根据所述第二浓度和所述第一加药量，对所述煤泥水加药模型进行优化，得到所述优化后的所述煤泥水加药模型。
6.可选地，根据所述第二浓度和所述第一加药量，对所述煤泥水加药模型进行优化，得到所述优化后的所述煤泥水加药模型，包括：获取优化浊度，所述优化浊度为历史时间段获取的与所述第二浓度以及所述第一加药量对应的所述煤泥水浊度的实际值；根据所述优化浊度、所述第二浓度和所述第一加药量，生成第一对应关系，所述第一对应关系用于表征所述优化浊度、所述第二浓度和所述第一加药量的对应关系；将所述第一对应关系存储至所述煤泥水加药模型中，得到所述优化后的所述煤泥水加药模型。
7.可选地，在确定需要优化所述煤泥水加药模型的情况下，根据所述第二浊度，对所述煤泥水加药模型进行优化，得到优化后的所述煤泥水加药模型，包括：根据所述第一浓度和所述第一加药量，从所述训练集中确定目标浊度，所述目标浊度为在所述训练集与所述第一浓度以及所述第一加药量对应的所述煤泥水浊度；通过比较所述第二浊度和所述目标浊度，得到第二比较结果；在所述第二比较结果为所述第二浊度和所述目标浊度不相等的情况下，根据所述第二浊度和所述第一加药量，对所述煤泥水加药模型进行优化，得到所述优化后的所述煤泥水加药模型。
8.可选地，根据所述第二浊度和所述第一加药量，对所述煤泥水加药模型进行优化，得到所述优化后的所述煤泥水加药模型，包括：获取优化浓度，所述优化浓度为历史时间段获取的与所述第二浊度和所述第一加药量对应的所述煤泥水浓度的实际值；根据所述优化浓度、所述第二浊度和所述第一加药量，生成第二对应关系，所述第二对应关系用于表征所述优化浓度、所述第二浊度和所述第一加药量的对应关系；将所述第二对应关系存储至所述煤泥水加药模型中，得到所述优化后的所述煤泥水加药模型。
9.可选地，所述方法还包括：根据所述第一浓度和所述第一浊度，从所述训练集中确定目标加药量，所述目标加药量为在所述训练集与所述第一浓度以及所述第一浊度对应的所述煤泥水加药量；通过比较所述第二加药量和所述目标加药量，得到第二比较结果；在所述第二比较结果为所述第二加药量和所述目标加药量不相等，或者所述第二比较结果为所述第二加药量和所述目标加药量相等的情况下，确定不需要优化所述煤泥水加药模型。
10.可选地，所述方法还包括：获取所述煤泥水加药模型的预测准确度，所述预测准确度为所述煤泥水加药模型预测所述煤泥水浓度、所述煤泥水浊度和所述煤泥水加药量的准确度；在所述预测准确度小于准确度阈值的情况下，重复所述第二获取步骤和所述第一处理步骤。
11.可选地，所述煤泥水加药模型为19层的标准深度卷积神经网络架构。
12.根据本技术的另一方面，提供了一种煤泥水加药模型的处理装置，该装置包括第一获取单元、第二获取单元、第一处理单元和第二处理单元；第一获取单元用于执行第一获取步骤：获取训练集，所述训练集包括多个煤泥水浓度、多个煤泥水浊度和多个煤泥水加药量，所述煤泥水浓度、所述煤泥水浊度和煤泥水加药量一一对应，所述煤泥水加药模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：所述煤泥水浓度、所述煤泥水浊度和所述煤泥水加药量；第二获取单元用于执行第
二获取步骤：获取所述训练集中的第一浓度、第一浊度和第一加药量，并将所述第一浓度、所述第一浊度和所述第一加药量中的任意两个作为所述煤泥水加药模型的输入，以使得所述煤泥水加药模型分别对所述第一浓度、所述第一浊度和所述第一加药量中的任意两个进行处理；第一处理单元用于执行第一处理步骤：获取所述煤泥水加药模型输出的第二浓度、第二浊度和第二加药量，并在确定需要优化所述煤泥水加药模型的情况下，根据所述第二浓度、所述第二浊度和所述第二加药量中的任意一个，对所述煤泥水加药模型进行优化，得到优化后的所述煤泥水加药模型，所述第二浓度为所述煤泥水加药模型根据输入的所述第一浊度和所述第一加药量输出的值，所述第二浊度为所述煤泥水加药模型根据输入的所述第一浓度和所述第一加药量输出的值，所述第二加药量为所述煤泥水加药模型根据输入的所述第一浓度和所述第一浊度输出的值；第二处理单元用于执行第二处理步骤：采用优化后的所述煤泥水加药模型输出的加药量，控制加药装置对煤泥水进行加药处理。
13.根据本技术的另一方面，提供了一种电子设备，电子设备包括一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的煤泥水加药模型的处理方法。
14.应用本技术的技术方案，通过将所述训练集中的第一浓度、第一浊度和第一加药量中的任意两个作为煤泥水加药模型的输入，使得煤泥水加药模型分别输出一个值，从而输出第二浓度、第二浊度和第二加药量，并在确定需要优化所述煤泥水加药模型的情况下，根据所述第二浓度、所述第二浊度和所述第二加药量中的任意一个，对所述煤泥水加药模型进行优化，从而提高了优化后的模型预测的准确度，进而解决了现有方案的煤泥水加药模型的预测准确度较低的问题。
附图说明
15.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
16.图1示出了根据本技术的实施例中提供的一种执行煤泥水加药模型的处理方法的移动终端的硬件结构框图；
17.图2示出了根据本技术的实施例提供的一种煤泥水加药模型的处理方法的流程示意图；
18.图3示出了煤泥水加药模型的网络示意图；
19.图4示出了根据本技术的实施例提供的另一种煤泥水加药模型的处理方法的流程示意图；
20.图5示出了根据本技术的实施例提供的一种煤泥水加药模型的处理装置的结构框图。
具体实施方式
21.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
22.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的
附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
23.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
24.正如背景技术中所介绍的，采用传统的控制方式很难对煤泥水处理过程的相关参数的变化做出快速反应，目前采用的基于程序化的自动控制系统，在控制算法上实现了很大改进，然而煤泥水处理受多因素影响和干扰，难以通过一个确定的数学模型来建模，所以很难实现煤泥水处理的智能加药，为解决现有方案的煤泥水加药模型的预测准确度较低的问题，本技术的实施例提供了一种煤泥水加药模型的处理方法、装置和电子设备。
25.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
26.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种煤泥水加药模型的处理方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
27.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的煤泥水加药模型的处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
28.在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的煤泥水加药模型的处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计
算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
29.图2是根据本技术的实施例提供的一种煤泥水加药模型的处理方法的流程示意图。如图2所示，该方法包括以下步骤：
30.步骤s201，第一获取步骤：获取训练集，上述训练集包括多个煤泥水浓度、多个煤泥水浊度和多个煤泥水加药量，上述煤泥水浓度、上述煤泥水浊度和煤泥水加药量一一对应，上述煤泥水加药模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：上述煤泥水浓度、上述煤泥水浊度和上述煤泥水加药量；
31.具体地，煤泥水加药模型用来体现上述煤泥水浓度、上述煤泥水浊度和上述煤泥水加药量的关系。
32.步骤s202，第二获取步骤：获取上述训练集中的第一浓度、第一浊度和第一加药量，并将上述第一浓度、上述第一浊度和上述第一加药量中的任意两个作为上述煤泥水加药模型的输入，以使得上述煤泥水加药模型分别对上述第一浓度、上述第一浊度和上述第一加药量中的任意两个进行处理；
33.具体地，将上述训练集中的第一浓度、第一浊度作为煤泥水加药模型的输入，会使得煤泥水加药模型输出第二加药量，将上述训练集中的第一浓度和第一加药量作为煤泥水加药模型的输入，会使得煤泥水加药模型输出第二浊度，将上述训练集中的第一浊度和第一加药量作为煤泥水加药模型的输入，会使得煤泥水加药模型输出第二浓度；
34.步骤s203，第一处理步骤：获取上述煤泥水加药模型输出的第二浓度、第二浊度和第二加药量，并在确定需要优化上述煤泥水加药模型的情况下，根据上述第二浓度、上述第二浊度和上述第二加药量中的任意一个，对上述煤泥水加药模型进行优化，得到优化后的上述煤泥水加药模型，上述第二浓度为上述煤泥水加药模型根据输入的上述第一浊度和上述第一加药量输出的值，上述第二浊度为上述煤泥水加药模型根据输入的上述第一浓度和上述第一加药量输出的值，上述第二加药量为上述煤泥水加药模型根据输入的上述第一浓度和上述第一浊度输出的值；
35.在本技术的一种实施例中，在确定需要优化上述煤泥水加药模型的情况下，根据上述第二浓度，对上述煤泥水加药模型进行优化，得到优化后的上述煤泥水加药模型，包括：根据上述第一浊度和上述第一加药量，从上述训练集中确定目标浓度，上述目标浓度为在上述训练集与上述第一浊度以及上述第一加药量对应的上述煤泥水浓度；通过比较上述第二浓度和上述目标浓度，得到第一比较结果；在上述第一比较结果为上述第二浓度和上述目标浓度不相等的情况下，根据上述第二浓度和上述第一加药量，对上述煤泥水加药模型进行优化，得到上述优化后的上述煤泥水加药模型。
36.具体地，根据上述第一浊度和上述第一加药量，从上述训练集中与上述第一浊度以及上述第一加药量对应的上述煤泥水浓度，将该煤泥水浓度作为目标浓度，并且将目标浓度与第二浓度进行比较，在目标浓度与第二浓度相同的情况下，确定不需要优化煤泥水加药模型，在目标浓度与第二浓度不相同的情况下，确定需要优化煤泥水加药模型。
37.在本技术的一种实施例中，根据上述第二浓度和上述第一加药量，对上述煤泥水加药模型进行优化，得到上述优化后的上述煤泥水加药模型，包括：获取优化浊度，上述优
化浊度为历史时间段获取的与上述第二浓度以及上述第一加药量对应的上述煤泥水浊度的实际值；根据上述优化浊度、上述第二浓度和上述第一加药量，生成第一对应关系，上述第一对应关系用于表征上述优化浊度、上述第二浓度和上述第一加药量的对应关系；将上述第一对应关系存储至上述煤泥水加药模型中，得到上述优化后的上述煤泥水加药模型。
38.具体地，优化浊度通过絮凝剂实验将第二浓度以及第一加药量作为输入参数，则可以得到对应的浊度，即为优化浊度，之后将上述优化浊度、上述第二浓度和上述第一加药量的对应关系作为第一对应关系，将上述第一对应关系存储至上述煤泥水加药模型中的数据集中，达到扩充煤泥水加药模型中的数据集的目的，进而得以优化煤泥水加药模型。
39.在本技术的一种实施例中，在确定需要优化上述煤泥水加药模型的情况下，根据上述第二浊度，对上述煤泥水加药模型进行优化，得到优化后的上述煤泥水加药模型，包括：根据上述第一浓度和上述第一加药量，从上述训练集中确定目标浊度，上述目标浊度为在上述训练集与上述第一浓度以及上述第一加药量对应的上述煤泥水浊度；通过比较上述第二浊度和上述目标浊度，得到第二比较结果；在上述第二比较结果为上述第二浊度和上述目标浊度不相等的情况下，根据上述第二浊度和上述第一加药量，对上述煤泥水加药模型进行优化，得到上述优化后的上述煤泥水加药模型。
40.具体地，根据上述第一浓度和上述第一加药量，从上述训练集中确定与上述第一浓度以及上述第一加药量对应的上述煤泥水浊度，将该煤泥水浊度作为目标浊度，并且将比较上述第二浊度和上述目标浊度，在上述第二浊度和上述目标浊度相等的情况下，不需要优化煤泥水加药模型，在上述第二浊度和上述目标浊度不相等的情况下，需要优化煤泥水加药模型。
41.在本技术的一种实施例中，根据上述第二浊度和上述第一加药量，对上述煤泥水加药模型进行优化，得到上述优化后的上述煤泥水加药模型，包括：获取优化浓度，上述优化浓度为历史时间段获取的与上述第二浊度和上述第一加药量对应的上述煤泥水浓度的实际值；根据上述优化浓度、上述第二浊度和上述第一加药量，生成第二对应关系，上述第二对应关系用于表征上述优化浓度、上述第二浊度和上述第一加药量的对应关系；将上述第二对应关系存储至上述煤泥水加药模型中，得到上述优化后的上述煤泥水加药模型。
42.具体地，优化浓度通过絮凝剂实验将上述第二浊度以及上述第一加药量作为输入参数，则可以得到对应的浓度，即为优化浓度，之后将上述优化浓度、上述第二浊度和上述第一加药量的对应关系作为第二对应关系，将上述第二对应关系存储至上述煤泥水加药模型中的数据集中，达到扩充煤泥水加药模型中的数据集的目的，进而得以优化煤泥水加药模型。
43.在本技术的一种实施例中，上述方法还包括：根据上述第一浓度和上述第一浊度，从上述训练集中确定目标加药量，上述目标加药量为在上述训练集与上述第一浓度以及上述第一浊度对应的上述煤泥水加药量；通过比较上述第二加药量和上述目标加药量，得到第二比较结果；在上述第二比较结果为上述第二加药量和上述目标加药量不相等，或者上述第二比较结果为上述第二加药量和上述目标加药量相等的情况下，确定不需要优化上述煤泥水加药模型。
44.具体地，加药量仅作为最后检测煤泥水加药模型预测准确度的一个参考量，根据上述第一浓度和上述第一浊度，从上述训练集中确定与上述第一浓度以及上述第一浊度对
应的上述煤泥水加药量，将该煤泥水加药量作为目标加药量，比较上述第二加药量和上述目标加药量，在上述第二比较结果为上述第二加药量和上述目标加药量不相等的情况下，降低后续煤泥水加药模型的预测的准确度，在上述第二比较结果为上述第二加药量和上述目标加药量相等的情况下，提高后续煤泥水加药模型的预测的准确度。
45.步骤s204，第二处理步骤：采用优化后的上述煤泥水加药模型输出的加药量，控制加药装置对煤泥水进行加药处理。
46.在本技术的一种实施例中，上述方法还包括：获取上述煤泥水加药模型的预测准确度，上述预测准确度为上述煤泥水加药模型预测上述煤泥水浓度、上述煤泥水浊度和上述煤泥水加药量的准确度；在上述预测准确度小于准确度阈值的情况下，重复上述第二获取步骤和上述第一处理步骤。
47.具体地，准确度阈值可以为99％，在预测准确度小于99％的情况下，重复上述第二获取步骤和上述第一处理步骤，在预测准确度大于99％的情况下，采用优化后的上述煤泥水加药模型输出的加药量，控制加药装置对煤泥水进行加药处理。
48.在本技术的一种实施例中，上述煤泥水加药模型为19层的标准深度卷积神经网络架构。
49.如图3所示，展示了煤泥水加药模型的网络示意图，数据输入1为煤泥水浓度、浊度和用药量，数据输入2为煤泥水浓度、用药量，数据输入3为煤泥水浊度、用药量；
50.数据输出1为煤泥水浓度、浊度和用药量，用于计算模型准确率，数据输出2为煤泥水浓度、用药量，用于预测煤泥水浊度，并对与原有数据不符的煤泥水浊度和浓度进行实验，得到用药量后作为新数据加入数据集，用于模型准确率未达到要求时新一轮的模型训练，数据输出3为煤泥水浊度、用药量，用于预测煤泥水浓度，并对与原有数据不符的煤泥水浓度和浓度进行实验，得到用药量后作为新数据加入数据集，用于模型准确率未达到要求时新一轮的模型训练。
51.模型网络层采用vgg19(即19层的标准深度卷积神经网络架构)，总共19层，包括16层卷积层和最后的3层全连接层，每一层神经网络都会利用上一层的输出来进一步提取更加复杂的特征，直到复杂到能被用来识别物体为止，所以每一层都可以被看做很多个局部特征的提取器，以更好的捕获煤泥水浓度、浊度和用药量三者之间的联系。
52.网络中采用跳跃连接的结构，将vgg19不同输入数据间捕获到的关系进行求和连接，以减少随着模型深度增加带来的梯度消失问题，减少训练误差。
53.通过上述实施例，通过将上述训练集中的第一浓度、第一浊度和第一加药量中的任意两个作为煤泥水加药模型的输入，使得煤泥水加药模型分别输出一个值，从而输出第二浓度、第二浊度和第二加药量，并在确定需要优化上述煤泥水加药模型的情况下，根据上述第二浓度、上述第二浊度和上述第二加药量中的任意一个，对上述煤泥水加药模型进行优化，从而提高了优化后的模型预测的准确度，进而解决了现有方案的煤泥水加药模型的预测准确度较低的问题。
54.为了使得本领域技术人员能够更加清楚地了解本技术的技术方案，以下将结合具体的实施例对本技术的煤泥水加药模型的处理方法的实现过程进行详细说明。
55.本实施例涉及一种具体的煤泥水加药模型的处理方法，如图4所示，包括如下步骤：
56.步骤s1：获取训练集，上述训练集包括多个煤泥水浓度、多个煤泥水浊度和多个煤泥水加药量，上述煤泥水浓度、上述煤泥水浊度和煤泥水加药量一一对应，上述煤泥水加药模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：上述煤泥水浓度、上述煤泥水浊度和上述煤泥水加药量
57.步骤s2：获取上述训练集中的第一浓度、第一浊度和第一加药量，并将上述第一浓度、上述第一浊度和上述第一加药量中的任意两个作为上述煤泥水加药模型的输入，以使得上述煤泥水加药模型分别对上述第一浓度、上述第一浊度和上述第一加药量中的任意两个进行处理；
58.步骤s3：获取上述煤泥水加药模型输出的第二浓度、第二浊度和第二加药量，上述第二浓度为上述煤泥水加药模型根据输入的上述第一浊度和上述第一加药量输出的值，上述第二浊度为上述煤泥水加药模型根据输入的上述第一浓度和上述第一加药量输出的值，上述第二加药量为上述煤泥水加药模型根据输入的上述第一浓度和上述第一浊度输出的值
59.步骤s4：根据上述第一浊度和上述第一加药量，从上述训练集中确定目标浓度，上述目标浓度为在上述训练集与上述第一浊度以及上述第一加药量对应的上述煤泥水浓度；通过比较上述第二浓度和上述目标浓度，得到第一比较结果；在上述第一比较结果为上述第二浓度和上述目标浓度不相等的情况下，获取优化浊度，上述优化浊度为历史时间段获取的与上述第二浓度以及上述第一加药量对应的上述煤泥水浊度的实际值；根据上述优化浊度、上述第二浓度和上述第一加药量，生成第一对应关系，上述第一对应关系用于表征上述优化浊度、上述第二浓度和上述第一加药量的对应关系；将上述第一对应关系存储至上述煤泥水加药模型中，得到上述优化后的上述煤泥水加药模型；在上述第一比较结果为上述第二浓度和上述目标浓度相等的情况下，执行步骤s2；
60.根据上述第一浓度和上述第一加药量，从上述训练集中确定目标浊度，上述目标浊度为在上述训练集与上述第一浓度以及上述第一加药量对应的上述煤泥水浊度；通过比较上述第二浊度和上述目标浊度，得到第二比较结果；在上述第二比较结果为上述第二浊度和上述目标浊度不相等的情况下，获取优化浓度，上述优化浓度为历史时间段获取的与上述第二浊度和上述第一加药量对应的上述煤泥水浓度的实际值；根据上述优化浓度、上述第二浊度和上述第一加药量，生成第二对应关系，上述第二对应关系用于表征上述优化浓度、上述第二浊度和上述第一加药量的对应关系；将上述第二对应关系存储至上述煤泥水加药模型中，得到上述优化后的上述煤泥水加药模型；在上述第二浊度和上述目标浊度相等的情况下，执行步骤s2。
61.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
62.本技术实施例还提供了一种煤泥水加药模型的处理装置，需要说明的是，本技术实施例的煤泥水加药模型的处理装置可以用于执行本技术实施例所提供的用于煤泥水加药模型的处理方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是
可能并被构想的。
63.以下对本技术实施例提供的煤泥水加药模型的处理装置进行介绍。
64.图5是根据本技术的实施例提供的一种煤泥水加药模型的处理装置的结构框图。如图5所示，该装置包括第一获取单元51、第二获取单元52、第一处理单元53和第二处理单元54；第一获取单元51用于执行第一获取步骤：获取训练集，上述训练集包括多个煤泥水浓度、多个煤泥水浊度和多个煤泥水加药量，上述煤泥水浓度、上述煤泥水浊度和煤泥水加药量一一对应，上述煤泥水加药模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：上述煤泥水浓度、上述煤泥水浊度和上述煤泥水加药量；第二获取单元52用于执行第二获取步骤：获取上述训练集中的第一浓度、第一浊度和第一加药量，并将上述第一浓度、上述第一浊度和上述第一加药量中的任意两个作为上述煤泥水加药模型的输入，以使得上述煤泥水加药模型分别对上述第一浓度、上述第一浊度和上述第一加药量中的任意两个进行处理；第一处理单元53用于执行第一处理步骤：获取上述煤泥水加药模型输出的第二浓度、第二浊度和第二加药量，并在确定需要优化上述煤泥水加药模型的情况下，根据上述第二浓度、上述第二浊度和上述第二加药量中的任意一个，对上述煤泥水加药模型进行优化，得到优化后的上述煤泥水加药模型，上述第二浓度为上述煤泥水加药模型根据输入的上述第一浊度和上述第一加药量输出的值，上述第二浊度为上述煤泥水加药模型根据输入的上述第一浓度和上述第一加药量输出的值，上述第二加药量为上述煤泥水加药模型根据输入的上述第一浓度和上述第一浊度输出的值；第二处理单元54用于执行第二处理步骤：采用优化后的上述煤泥水加药模型输出的加药量，控制加药装置对煤泥水进行加药处理。
65.上述装置中，通过将上述训练集中的第一浓度、第一浊度和第一加药量中的任意两个作为煤泥水加药模型的输入，使得煤泥水加药模型分别输出一个值，从而输出第二浓度、第二浊度和第二加药量，并在确定需要优化上述煤泥水加药模型的情况下，根据上述第二浓度、上述第二浊度和上述第二加药量中的任意一个，对上述煤泥水加药模型进行优化，从而提高了优化后的模型预测的准确度，进而解决了现有方案的煤泥水加药模型的预测准确度较低的问题。
66.在本技术的一种实施例中，第一处理单元包括第一处理模块、第二处理模块和第三处理模块，第一处理模块用于根据上述第一浊度和上述第一加药量，从上述训练集中确定目标浓度，上述目标浓度为在上述训练集与上述第一浊度以及上述第一加药量对应的上述煤泥水浓度；第二处理模块用于通过比较上述第二浓度和上述目标浓度，得到第一比较结果；第三处理模块用于在上述第一比较结果为上述第二浓度和上述目标浓度不相等的情况下，根据上述第二浓度和上述第一加药量，对上述煤泥水加药模型进行优化，得到上述优化后的上述煤泥水加药模型。
67.在本技术的一种实施例中，第三处理模块包括第一获取子模块、第一生成子模块和第一存储子模块，第一获取子模块用于获取优化浊度，上述优化浊度为历史时间段获取的与上述第二浓度以及上述第一加药量对应的上述煤泥水浊度的实际值；第一生成子模块用于根据上述优化浊度、上述第二浓度和上述第一加药量，生成第一对应关系，上述第一对应关系用于表征上述优化浊度、上述第二浓度和上述第一加药量的对应关系；第一存储子模块用于将上述第一对应关系存储至上述煤泥水加药模型中，得到上述优化后的上述煤泥
水加药模型。
68.在本技术的一种实施例中，第一处理单元包括第四处理模块、第五处理模块和第六处理模块，第四处理模块用于根据上述第一浓度和上述第一加药量，从上述训练集中确定目标浊度，上述目标浊度为在上述训练集与上述第一浓度以及上述第一加药量对应的上述煤泥水浊度；第五处理模块用于通过比较上述第二浊度和上述目标浊度，得到第二比较结果；第六处理模块用于在上述第二比较结果为上述第二浊度和上述目标浊度不相等的情况下，根据上述第二浊度和上述第一加药量，对上述煤泥水加药模型进行优化，得到上述优化后的上述煤泥水加药模型。
69.在本技术的一种实施例中，第六处理模块包括第二获取子模块、第二生成子模块和第二存储子模块，第二获取子模块用于获取优化浓度，上述优化浓度为历史时间段获取的与上述第二浊度和上述第一加药量对应的上述煤泥水浓度的实际值；第二生成子模块用于根据上述优化浓度、上述第二浊度和上述第一加药量，生成第二对应关系，上述第二对应关系用于表征上述优化浓度、上述第二浊度和上述第一加药量的对应关系；第二存储子模块用于将上述第二对应关系存储至上述煤泥水加药模型中，得到上述优化后的上述煤泥水加药模型。
70.在本技术的一种实施例中，该装置还包括第三处理单元、第四处理单元和第五处理单元，第三处理单元用于根据上述第一浓度和上述第一浊度，从上述训练集中确定目标加药量，上述目标加药量为在上述训练集与上述第一浓度以及上述第一浊度对应的上述煤泥水加药量；第四处理单元用于通过比较上述第二加药量和上述目标加药量，得到第二比较结果；第五处理单元用于在上述第二比较结果为上述第二加药量和上述目标加药量不相等，或者上述第二比较结果为上述第二加药量和上述目标加药量相等的情况下，确定不需要优化上述煤泥水加药模型。
71.在本技术的一种实施例中，该装置还包括第三获取单元和第六处理单元，第三获取单元用于获取上述煤泥水加药模型的预测准确度，上述预测准确度为上述煤泥水加药模型预测上述煤泥水浓度、上述煤泥水浊度和上述煤泥水加药量的准确度；第六处理单元用于在上述预测准确度小于准确度阈值的情况下，重复上述第二获取步骤和上述第一处理步骤。
72.在本技术的一种实施例中，上述煤泥水加药模型为19层的标准深度卷积神经网络架构。
73.上述煤泥水加药模型的处理装置包括处理器和存储器，上述第一获取单元、第二获取单元、第一处理单元和第二处理单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
74.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有方案的煤泥水加药模型的预测准确度较低的问题。
75.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
76.本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存
储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述煤泥水加药模型的处理方法。
77.本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述煤泥水加药模型的处理方法。
78.本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：第一获取步骤：获取训练集，上述训练集包括多个煤泥水浓度、多个煤泥水浊度和多个煤泥水加药量，上述煤泥水浓度、上述煤泥水浊度和煤泥水加药量一一对应，上述煤泥水加药模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：上述煤泥水浓度、上述煤泥水浊度和上述煤泥水加药量；第二获取步骤：获取上述训练集中的第一浓度、第一浊度和第一加药量，并将上述第一浓度、上述第一浊度和上述第一加药量中的任意两个作为上述煤泥水加药模型的输入，以使得上述煤泥水加药模型分别对上述第一浓度、上述第一浊度和上述第一加药量中的任意两个进行处理；第一处理步骤：获取上述煤泥水加药模型输出的第二浓度、第二浊度和第二加药量，并在确定需要优化上述煤泥水加药模型的情况下，根据上述第二浓度、上述第二浊度和上述第二加药量中的任意一个，对上述煤泥水加药模型进行优化，得到优化后的上述煤泥水加药模型，上述第二浓度为上述煤泥水加药模型根据输入的上述第一浊度和上述第一加药量输出的值，上述第二浊度为上述煤泥水加药模型根据输入的上述第一浓度和上述第一加药量输出的值，上述第二加药量为上述煤泥水加药模型根据输入的上述第一浓度和上述第一浊度输出的值；第二处理步骤：采用优化后的上述煤泥水加药模型输出的加药量，控制加药装置对煤泥水进行加药处理。本文中的设备可以是服务器、pc、pad、手机等。
79.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：第一获取步骤：获取训练集，上述训练集包括多个煤泥水浓度、多个煤泥水浊度和多个煤泥水加药量，上述煤泥水浓度、上述煤泥水浊度和煤泥水加药量一一对应，上述煤泥水加药模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：上述煤泥水浓度、上述煤泥水浊度和上述煤泥水加药量；第二获取步骤：获取上述训练集中的第一浓度、第一浊度和第一加药量，并将上述第一浓度、上述第一浊度和上述第一加药量中的任意两个作为上述煤泥水加药模型的输入，以使得上述煤泥水加药模型分别对上述第一浓度、上述第一浊度和上述第一加药量中的任意两个进行处理；第一处理步骤：获取上述煤泥水加药模型输出的第二浓度、第二浊度和第二加药量，并在确定需要优化上述煤泥水加药模型的情况下，根据上述第二浓度、上述第二浊度和上述第二加药量中的任意一个，对上述煤泥水加药模型进行优化，得到优化后的上述煤泥水加药模型，上述第二浓度为上述煤泥水加药模型根据输入的上述第一浊度和上述第一加药量输出的值，上述第二浊度为上述煤泥水加药模型根据输入的上述第一浓度和上述第一加药量输出的值，上述第二加药量为上述煤泥水加药模型根据输入的上述第一浓度和上述第一浊度输出的值；第二处理步骤：采用优化后的上述煤泥水加药模型输出的加药量，控制加药装置对煤泥水进行加药处理。
80.本技术还提供了一种电子设备，电子设备包括一个或多个处理器，存储器，以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一
个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的煤泥水加药模型的处理方法。通过将上述训练集中的第一浓度、第一浊度和第一加药量中的任意两个作为煤泥水加药模型的输入，使得煤泥水加药模型分别输出一个值，从而输出第二浓度、第二浊度和第二加药量，并在确定需要优化上述煤泥水加药模型的情况下，根据上述第二浓度、上述第二浊度和上述第二加药量中的任意一个，对上述煤泥水加药模型进行优化，从而提高了优化后的模型预测的准确度，进而解决了现有方案的煤泥水加药模型的预测准确度较低的问题。
81.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
82.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
83.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
84.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
85.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
86.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
87.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
88.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
89.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
90.从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
91.1)、本技术的煤泥水加药模型的处理方法，通过将上述训练集中的第一浓度、第一浊度和第一加药量中的任意两个作为煤泥水加药模型的输入，使得煤泥水加药模型分别输出一个值，从而输出第二浓度、第二浊度和第二加药量，并在确定需要优化上述煤泥水加药模型的情况下，根据上述第二浓度、上述第二浊度和上述第二加药量中的任意一个，对上述煤泥水加药模型进行优化，从而提高了优化后的模型预测的准确度，进而解决了现有方案的煤泥水加药模型的预测准确度较低的问题。
92.2)、本技术的煤泥水加药模型的处理装置，通过将上述训练集中的第一浓度、第一浊度和第一加药量中的任意两个作为煤泥水加药模型的输入，使得煤泥水加药模型分别输出一个值，从而输出第二浓度、第二浊度和第二加药量，并在确定需要优化上述煤泥水加药模型的情况下，根据上述第二浓度、上述第二浊度和上述第二加药量中的任意一个，对上述煤泥水加药模型进行优化，从而提高了优化后的模型预测的准确度，进而解决了现有方案的煤泥水加药模型的预测准确度较低的问题。
93.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种煤泥水加药模型的处理方法，其特征在于，包括：第一获取步骤：获取训练集，所述训练集包括多个煤泥水浓度、多个煤泥水浊度和多个煤泥水加药量，所述煤泥水浓度、所述煤泥水浊度和煤泥水加药量一一对应，所述煤泥水加药模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：所述煤泥水浓度、所述煤泥水浊度和所述煤泥水加药量；第二获取步骤：获取所述训练集中的第一浓度、第一浊度和第一加药量，并将所述第一浓度、所述第一浊度和所述第一加药量中的任意两个作为所述煤泥水加药模型的输入，以使得所述煤泥水加药模型分别对所述第一浓度、所述第一浊度和所述第一加药量中的任意两个进行处理；第一处理步骤：获取所述煤泥水加药模型输出的第二浓度、第二浊度和第二加药量，并在确定需要优化所述煤泥水加药模型的情况下，根据所述第二浓度、所述第二浊度和所述第二加药量中的任意一个，对所述煤泥水加药模型进行优化，得到优化后的所述煤泥水加药模型，所述第二浓度为所述煤泥水加药模型根据输入的所述第一浊度和所述第一加药量输出的值，所述第二浊度为所述煤泥水加药模型根据输入的所述第一浓度和所述第一加药量输出的值，所述第二加药量为所述煤泥水加药模型根据输入的所述第一浓度和所述第一浊度输出的值；第二处理步骤：采用优化后的所述煤泥水加药模型输出的加药量，控制加药装置对煤泥水进行加药处理。2.根据权利要求1所述的方法，其特征在于，在确定需要优化所述煤泥水加药模型的情况下，根据所述第二浓度，对所述煤泥水加药模型进行优化，得到优化后的所述煤泥水加药模型，包括：根据所述第一浊度和所述第一加药量，从所述训练集中确定目标浓度，所述目标浓度为在所述训练集与所述第一浊度以及所述第一加药量对应的所述煤泥水浓度；通过比较所述第二浓度和所述目标浓度，得到第一比较结果；在所述第一比较结果为所述第二浓度和所述目标浓度不相等的情况下，根据所述第二浓度和所述第一加药量，对所述煤泥水加药模型进行优化，得到所述优化后的所述煤泥水加药模型。3.根据权利要求2所述的方法，其特征在于，根据所述第二浓度和所述第一加药量，对所述煤泥水加药模型进行优化，得到所述优化后的所述煤泥水加药模型，包括：获取优化浊度，所述优化浊度为历史时间段获取的与所述第二浓度以及所述第一加药量对应的所述煤泥水浊度的实际值；根据所述优化浊度、所述第二浓度和所述第一加药量，生成第一对应关系，所述第一对应关系用于表征所述优化浊度、所述第二浓度和所述第一加药量的对应关系；将所述第一对应关系存储至所述煤泥水加药模型中，得到所述优化后的所述煤泥水加药模型。4.根据权利要求1所述的方法，其特征在于，在确定需要优化所述煤泥水加药模型的情况下，根据所述第二浊度，对所述煤泥水加药模型进行优化，得到优化后的所述煤泥水加药模型，包括：根据所述第一浓度和所述第一加药量，从所述训练集中确定目标浊度，所述目标浊度
为在所述训练集与所述第一浓度以及所述第一加药量对应的所述煤泥水浊度；通过比较所述第二浊度和所述目标浊度，得到第二比较结果；在所述第二比较结果为所述第二浊度和所述目标浊度不相等的情况下，根据所述第二浊度和所述第一加药量，对所述煤泥水加药模型进行优化，得到所述优化后的所述煤泥水加药模型。5.根据权利要求4所述的方法，其特征在于，根据所述第二浊度和所述第一加药量，对所述煤泥水加药模型进行优化，得到所述优化后的所述煤泥水加药模型，包括：获取优化浓度，所述优化浓度为历史时间段获取的与所述第二浊度和所述第一加药量对应的所述煤泥水浓度的实际值；根据所述优化浓度、所述第二浊度和所述第一加药量，生成第二对应关系，所述第二对应关系用于表征所述优化浓度、所述第二浊度和所述第一加药量的对应关系；将所述第二对应关系存储至所述煤泥水加药模型中，得到所述优化后的所述煤泥水加药模型。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述第一浓度和所述第一浊度，从所述训练集中确定目标加药量，所述目标加药量为在所述训练集与所述第一浓度以及所述第一浊度对应的所述煤泥水加药量；通过比较所述第二加药量和所述目标加药量，得到第二比较结果；在所述第二比较结果为所述第二加药量和所述目标加药量不相等，或者所述第二比较结果为所述第二加药量和所述目标加药量相等的情况下，确定不需要优化所述煤泥水加药模型。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：获取所述煤泥水加药模型的预测准确度，所述预测准确度为所述煤泥水加药模型预测所述煤泥水浓度、所述煤泥水浊度和所述煤泥水加药量的准确度；在所述预测准确度小于准确度阈值的情况下，重复所述第二获取步骤和所述第一处理步骤。8.根据权利要求1至6中任一项所述的方法，其特征在于，所述煤泥水加药模型为19层的标准深度卷积神经网络架构。9.一种煤泥水加药模型的处理装置，其特征在于，包括：第一获取单元，用于执行第一获取步骤：获取训练集，所述训练集包括多个煤泥水浓度、多个煤泥水浊度和多个煤泥水加药量，所述煤泥水浓度、所述煤泥水浊度和煤泥水加药量一一对应，所述煤泥水加药模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：所述煤泥水浓度、所述煤泥水浊度和所述煤泥水加药量；第二获取单元，用于执行第二获取步骤：获取所述训练集中的第一浓度、第一浊度和第一加药量，并将所述第一浓度、所述第一浊度和所述第一加药量中的任意两个作为所述煤泥水加药模型的输入，以使得所述煤泥水加药模型分别对所述第一浓度、所述第一浊度和所述第一加药量中的任意两个进行处理；第一处理单元，用于执行第一处理步骤：获取所述煤泥水加药模型输出的第二浓度、第二浊度和第二加药量，并在确定需要优化所述煤泥水加药模型的情况下，根据所述第二浓
度、所述第二浊度和所述第二加药量中的任意一个，对所述煤泥水加药模型进行优化，得到优化后的所述煤泥水加药模型，所述第二浓度为所述煤泥水加药模型根据输入的所述第一浊度和所述第一加药量输出的值，所述第二浊度为所述煤泥水加药模型根据输入的所述第一浓度和所述第一加药量输出的值，所述第二加药量为所述煤泥水加药模型根据输入的所述第一浓度和所述第一浊度输出的值；第二处理单元，用于执行第二处理步骤：采用优化后的所述煤泥水加药模型输出的加药量，控制加药装置对煤泥水进行加药处理。10.一种电子设备，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至8中任意一项所述的煤泥水加药模型的处理方法。

技术总结
本申请提供了一种煤泥水加药模型的处理方法、装置和电子设备，该方法包括：第二获取步骤：获取训练集中的第一浓度、第一浊度和第一加药量，并将第一浓度、第一浊度和第一加药量中的任意两个作为煤泥水加药模型的输入；第一处理步骤：获取煤泥水加药模型输出的第二浓度、第二浊度和第二加药量，并在确定需要优化煤泥水加药模型的情况下，根据第二浓度、第二浊度和第二加药量中的任意一个，对煤泥水加药模型进行优化，得到优化后的煤泥水加药模型；第二处理步骤：采用优化后的煤泥水加药模型输出的加药量，控制加药装置对煤泥水进行加药处理。从而提高了优化后的模型预测的准确度，进而解决了现有方案的煤泥水加药模型的预测准确度较低的问题。确度较低的问题。确度较低的问题。


技术研发人员：闫玉森 朱志鸿 李亚斌 李阳 唐海元 董海清 李倩 魏巍 谭振兴 王洪涛 潘海军 黄显武 燕芳 王玉晓
受保护的技术使用者：内蒙古利民煤焦有限责任公司 内蒙古科技大学
技术研发日：2023.06.21
技术公布日：2023/9/20