基于浮力分选的垃圾焚烧炉渣回收控制方法及系统

摘要

本发明公开了基于浮力分选的垃圾焚烧炉渣回收控制方法及系统，属于智能控制领域，其中方法包括：构建与焚烧炉的数据连接，获取炉渣的焚烧前数据；读取焚烧炉的属性信息和控制信息，构建焚烧炉的数字孪生网络；利用网络对焚烧前数据处理，生成炉渣成分和成分含量的拟合结果；构建浮力分选数据库，依据数据库匹配炉渣拟合结果，得出浮力分选方案；获取分筛需求，以此为约束，利用炉渣拟合结果和浮力分选方案进行浮力分选的控制寻优；根据控制寻优结果、拟合结果和分选方案执行浮力分选；标识分选后的炉渣。本申请解决了现有技术中炉渣回收控制精度和效率低下的技术问题，达到了提高炉渣回收控制精度和效率的技术效果。

权利要求

1.基于浮力分选的垃圾焚烧炉渣回收控制方法，其特征在于，所述方法包括：构建与焚烧炉的数据连接，交互获得焚烧垃圾的焚烧前数据，其中，所述焚烧前数据为预估数据，且带有预估区间标识；

读取所述焚烧炉的属性信息和控制信息，构建焚烧炉的数字孪生网络，其中，数字孪生网络为依据所述属性信息和所述控制信息构建而成，并基于所述数字孪生网络对所述焚烧前数据处理，生成炉渣拟合结果，其中，炉渣拟合结果包括炉渣成分、成分含量预估结果；

属性信息是指焚烧炉的结构参数、工作参数信息，根据焚烧炉的设计图和制造图获得；

控制信息是指焚烧炉的控制指令、控制参数信息，通过与焚烧炉的数据连接实时获得；

数字孪生网络是基于属性信息和控制信息构建的焚烧炉虚拟模型，采用机器学习算法建模，通过大量运行数据训练得到；

构建炉渣的浮力分选数据库，并依据所述浮力分选数据库对所述炉渣拟合结果进行浮力分选方案匹配；

交互分筛需求，将所述分筛需求作为寻优约束，将所述炉渣拟合结果和匹配的浮力分选方案作为浮力分选的基础数据，对浮力分选的混合转速和浮选控制进行控制寻优；

生成控制寻优结果，通过控制寻优结果、炉渣拟合结果和匹配的浮力分选方案执行浮力分选；

根据浮力分选结果和炉渣拟合结果进行分选后的炉渣标识；

所述方法还包括：

对所述分筛需求进行需求解析，生成精度约束；

依据所述精度约束对所述炉渣拟合结果进行含量约束，更新所述炉渣拟合结果；

将更新后的炉渣拟合结果和匹配的浮力分选方案作为浮力分选的基础数据，对浮力分选进行执行的控制数据调用，构建调用数据集合；

以所述精度约束作为寻优目标，对所述调用数据集合进行控制寻优；

根据精度控制寻优结果获得所述控制寻优结果；

所述方法还包括：

对所述分筛需求进行需求解析，生成成本约束，并确定成本约束与精度约束的平衡值；

以所述成本约束作为寻优目标，对所述调用数据集合进行控制寻优；

通过所述平衡值整合精度控制寻优结果和成本控制寻优结果，根据整合结果生成所述控制寻优结果。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：构建浮力分选装置的装置监督数据集合，并依据所述装置监督数据集合提取装置特征；

配置筛选窗口，依据所述筛选窗口选择所述整合结果的标定顺序排序结果；

通过所述装置特征对所述筛选窗口进行数据适配评价；

根据适配评价结果执行整合结果补偿，获得控制寻优结果。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：对浮力分选进行分选验证，构建用户的满意度标签；

将所述满意度标签、所述分筛需求和所述焚烧前数据进行数据映射；

基于数据映射结果进行后续控制寻优的寻优约束。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：搭建初始数字孪生网络，所述初始数字孪生网络为依据所述属性信息搭建的通用网络；

应用验证数据集，执行所述初始数字孪生网络的网络验证；

若网络验证通过，则将所述初始数字孪生网络存储为基础模板；

当进行所述数字孪生网络搭建时，以所述基础模板作为底模板，以所述控制信息作为特异化数据，完成所述数字孪生网络搭建。

5.如权利要求1所述的方法，其特征在于，所述方法还包括：构建浮力分选装置和焚烧炉的老化特征，所述老化特征通过收集设备运行数据构建而成；

生成设备的老化因子补偿数据，其中，老化因子补偿数据为基于老化特征和设备控制参数评估获得；

根据所述老化因子补偿数据进行炉渣拟合和控制寻优的结果调整。

6.基于浮力分选的垃圾焚烧炉渣回收控制系统，其特征在于，用于实施权利要求1‑5任意一项所述的基于浮力分选的垃圾焚烧炉渣回收控制方法，所述系统包括：预估数据获取模块，所述预估数据获取模块用于构建与焚烧炉的数据连接，交互获得焚烧垃圾的焚烧前数据，其中，所述焚烧前数据为预估数据，且带有预估区间标识；

孪生网络构建模块，所述孪生网络构建模块用于读取所述焚烧炉的属性信息和控制信息，构建焚烧炉的数字孪生网络，其中，数字孪生网络为依据所述属性信息和所述控制信息构建而成，并基于所述数字孪生网络对所述焚烧前数据处理，生成炉渣拟合结果，其中，炉渣拟合结果包括炉渣成分、成分含量预估结果；

分选方案匹配模块，所述分选方案匹配模块用于构建炉渣的浮力分选数据库，并依据所述浮力分选数据库对所述炉渣拟合结果进行浮力分选方案匹配；

浮力分选寻优模块，所述浮力分选寻优模块用于交互分筛需求，将所述分筛需求作为寻优约束，将所述炉渣拟合结果和匹配的浮力分选方案作为浮力分选的基础数据，对浮力分选的混合转速和浮选控制进行控制寻优；

浮力分选执行模块，所述浮力分选执行模块用于生成控制寻优结果，通过控制寻优结果、炉渣拟合结果和匹配的浮力分选方案执行浮力分选；

分选炉渣标识模块，所述分选炉渣标识模块用于根据浮力分选结果和炉渣拟合结果进行分选后的炉渣标识。

说明书

基于浮力分选的垃圾焚烧炉渣回收控制方法及系统

技术领域

[0001] 本发明涉及智能控制领域，具体涉及基于浮力分选的垃圾焚烧炉渣回收控制方法及系统。

背景技术

[0002] 垃圾焚烧是城市生活垃圾处理的重要方式之一，焚烧过程产生的炉渣中含有大量的有价金属和其他可再生资源，如钢铁、有色金属、玻璃等。充分回收利用这些资源不仅可以节省资源，还可以减少炉渣堆放对环境的污染。但是，现有的分选方法大多基于经验来制定分选方案，难以根据炉渣的具体情况实现动态优化和控制，导致分选效率和回收精度较低，许多有价资源未被充分回收。

发明内容

[0003] 本申请通过提供了基于浮力分选的垃圾焚烧炉渣回收控制方法及系统，旨在解决现有技术中炉渣回收控制精度和效率低下的技术问题。

[0004] 鉴于上述问题，本申请提供了基于浮力分选的垃圾焚烧炉渣回收控制方法及系统。

[0005] 本申请公开的第一个方面，提供了基于浮力分选的垃圾焚烧炉渣回收控制方法，该方法包括：构建与焚烧炉的数据连接，交互获得焚烧垃圾的焚烧前数据，其中，焚烧前数据为预估数据，且带有预估区间标识；读取焚烧炉的属性信息和控制信息，构建焚烧炉的数字孪生网络，其中，数字孪生网络为依据属性信息和控制信息构建而成，并基于数字孪生网络对焚烧前数据处理，生成炉渣拟合结果，其中，炉渣拟合结果包括炉渣成分、成分含量预估结果；构建炉渣的浮力分选数据库，并依据浮力分选数据库对炉渣拟合结果进行浮力分选方案匹配；交互分筛需求，将分筛需求作为寻优约束，将炉渣拟合结果和匹配的浮力分选方案作为浮力分选的基础数据，对浮力分选的混合转速和浮选控制进行控制寻优；生成控制寻优结果，通过控制寻优结果、炉渣拟合结果和匹配的浮力分选方案执行浮力分选；根据浮力分选结果和炉渣拟合结果进行分选后的炉渣标识。

[0006] 本申请公开的另一个方面，提供了基于浮力分选的垃圾焚烧炉渣回收控制系统，该系统包括：预估数据获取模块，用于构建与焚烧炉的数据连接，交互获得焚烧垃圾的焚烧前数据，其中，焚烧前数据为预估数据，且带有预估区间标识；孪生网络构建模块，用于读取焚烧炉的属性信息和控制信息，构建焚烧炉的数字孪生网络，其中，数字孪生网络为依据属性信息和控制信息构建而成，并基于数字孪生网络对焚烧前数据处理，生成炉渣拟合结果，其中，炉渣拟合结果包括炉渣成分、成分含量预估结果；分选方案匹配模块，用于构建炉渣的浮力分选数据库，并依据浮力分选数据库对炉渣拟合结果进行浮力分选方案匹配；浮力分选寻优模块，用于交互分筛需求，将分筛需求作为寻优约束，将炉渣拟合结果和匹配的浮力分选方案作为浮力分选的基础数据，对浮力分选的混合转速和浮选控制进行控制寻优；浮力分选执行模块，用于生成控制寻优结果，通过控制寻优结果、炉渣拟合结果和匹配的浮力分选方案执行浮力分选；分选炉渣标识模块，用于根据浮力分选结果和炉渣拟合结果进行分选后的炉渣标识。

[0007] 本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

[0008] 由于采用了通过与焚烧炉建立数据连接，并获取焚烧前数据，利用数字孪生网络对数据进行处理，实现对焚烧垃圾成分和成分含量的准确预估；构建炉渣的浮力分选数据库，并根据数据库将炉渣拟合结果与浮力分选方案进行匹配；与用户交互，获取分筛需求，并将其作为寻优约束，结合炉渣拟合结果和匹配的浮力分选方案进行浮力分选的混合转速和浮选控制寻优；最后，生成控制寻优结果，并执行浮力分选，根据浮力分选结果和炉渣拟合结果对分选后的炉渣进行标识，从而实现高效、精准的炉渣回收控制的技术方案，解决了现有技术中炉渣回收控制精度和效率低下的技术问题，达到了提高炉渣回收控制精度和效率的技术效果。

[0009] 上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

[0010] 图1为本申请实施例提供了基于浮力分选的垃圾焚烧炉渣回收控制方法可能的流程示意图；

[0011] 图2为本申请实施例提供了基于浮力分选的垃圾焚烧炉渣回收控制方法中生成控制寻优结果可能的流程示意图；

[0012] 图3为本申请实施例提供了基于浮力分选的垃圾焚烧炉渣回收控制方法中搭建数字孪生网络可能的流程示意图；

[0013] 图4为本申请实施例提供了基于浮力分选的垃圾焚烧炉渣回收控制系统可能的结构示意图。

[0014] 附图标记说明：预估数据获取模块11，孪生网络构建模块12，分选方案匹配模块13，浮力分选寻优模块14，浮力分选执行模块15，分选炉渣标识模块16。

具体实施方式

[0015] 本申请提供的技术方案总体思路如下：

[0016] 本申请实施例提供了基于浮力分选的垃圾焚烧炉渣回收控制方法及系统。首先，通过与焚烧炉建立数据连接，并获取焚烧前数据，利用数字孪生网络对数据进行处理，实现对焚烧垃圾成分和成分含量的准确预估。然后，构建炉渣的浮力分选数据库，并根据数据库将炉渣拟合结果与浮力分选方案进行匹配。接着，与用户交互，获取分筛需求，并将其作为寻优约束，结合炉渣拟合结果和匹配的浮力分选方案进行浮力分选的混合转速和浮选控制寻优。最后，生成控制寻优结果，并执行浮力分选，根据浮力分选结果和炉渣拟合结果对分选后的炉渣进行标识，从而实现高效、精准的炉渣回收控制。

[0017] 在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

[0018] 实施例一

[0019] 如图1所示，本申请实施例提供了基于浮力分选的垃圾焚烧炉渣回收控制方法，该方法包括：

[0020] 步骤S100：构建与焚烧炉的数据连接，交互获得焚烧垃圾的焚烧前数据，其中，所述焚烧前数据为预估数据，且带有预估区间标识；

[0021] 在本申请实施例中，首先，设置通信接口，该通信接口包括有线网络接口、无线网络接口以及串行通信接口等，用于与焚烧炉的通信控制系统建立信息交互通道。其中，优选的通信接口为工业以太网，可以提供稳定高速的数据交换。然后，在焚烧炉的垃圾入口一侧，设置数据采集装置，用于收集焚烧炉内焚烧前垃圾的数据，包括但不限于垃圾成分构成、含水率、密度、热值等数据。数据采集装置通过传感器测量获得垃圾的相关数据，然后依据所采集的数据预估焚烧前数据，同时提供一定预估误差区间。随后，数据采集装置将获得的预估属性数据发送至通信接口，通过通信接口接收到上述预估属性数据，实现与焚烧炉的数据交互连接。

[0022] 通过设置通信接口，在焚烧炉内置数据采集装置收集焚烧前垃圾预估数据，并通过通信接口接收预估属性数据，实现与焚烧炉的数据交互连接，获得焚烧前垃圾预估属性数据及其预估误差区间，为实现高精度的炉渣回收控制奠定基础。

[0023] 步骤S200：读取所述焚烧炉的属性信息和控制信息，构建焚烧炉的数字孪生网络，其中，数字孪生网络为依据所述属性信息和所述控制信息构建而成，并基于所述数字孪生网络对所述焚烧前数据处理，生成炉渣拟合结果，其中，炉渣拟合结果包括炉渣成分、成分含量预估结果；

[0024] 在本申请实施例中，属性信息是指焚烧炉的结构参数、工作参数等信息，根据焚烧炉的设计图和制造图获得。控制信息是指焚烧炉的控制指令、控制参数等信息，通过与焚烧炉的数据连接实时获得。数字孪生网络是基于属性信息和控制信息构建的焚烧炉虚拟模型，采用机器学习算法建模，通过大量运行数据训练得到，具有预测焚烧炉运行特征的能力。炉渣拟合结果是通过数字孪生网络预测得到的炉渣属性预估值，包括成分构成比例和各成分含量。

[0025] 首先，读取焚烧炉的属性信息和控制信息，其中，属性信息在焚烧炉设计图中获得，控制信息通过数据连接实时获得。然后，以采集到的属性信息和控制信息，搭建数字孪生网络，采用多层神经网络、支持向量机等网络模型，将属性信息和大量的历史运行数据作为输入，通过模型训练得到模拟焚烧炉运行特征的网络模型，即数字孪生网络。当获得新的焚烧前垃圾数据时，将该数据输入至已构建的数字孪生网络。通过网络模型的前向计算，得到炉渣的属性预估值，包括成分构成比例和各成分含量，同时带有一定的预估误差区间，为后续实现高精度炉渣回收控制提供基础。

[0026] 步骤S300：构建炉渣的浮力分选数据库，并依据所述浮力分选数据库对所述炉渣拟合结果进行浮力分选方案匹配；

[0027] 在本申请实施例中，浮力分选数据库是指用于浮力分选方案选择的数据库，该数据库包括不同炉渣成分与最优选用浮力分选药剂的对应关系，以及各种浮力分选药剂的药剂数据等信息。

[0028] 首先，收集不同炉渣成分样品，通过浮选试验确定最优选用的浮力分选药剂，建立炉渣成分与药剂的对应关系；然后，收集各种浮力分选药剂的技术数据，包括pH范围、浮动碱指数、作用机理等；接着，构建数据库，将上述对应关系和技术数据存储至数据库中，形成浮力分选数据库。

[0029] 在获得炉渣拟合结果后，将结果输入至浮力分选数据库，查询不同成分对应的最优选用药剂，并查询该药剂的技术数据，实现浮力分选方案的匹配。匹配得到的浮力分选方案，是基于炉渣拟合结果选择的最佳浮选参数与控制方案，可以最大限度的实现炉渣目标成分的回收与分离。

[0030] 通过构建包含炉渣成分与选用浮力分选药剂对应关系的数据库，以及各药剂技术数据的数据库，实现浮力分选数据库的构建。基于获得的炉渣拟合结果，查询数据库选择最佳的浮力分选方案，为高效精准的实现炉渣回收与分类控制打下基础，提高炉渣回收的精度与效率。

[0031] 步骤S400：交互分筛需求，将所述分筛需求作为寻优约束，将所述炉渣拟合结果和匹配的浮力分选方案作为浮力分选的基础数据，对浮力分选的混合转速和浮选控制进行控制寻优；

[0032] 在本申请实施例中，分筛需求指的是对炉渣中不同成分的分离与回收要求，可根据产品规格或相关规定确定，需要与用户交互获得。控制寻优是指选择最优的控制参数，实现对分筛需求约束下浮力分选过程的优化。

[0033] 首先，设置用户交互接口，例如人机交互界面，用于与用户交互获得分筛需求，该分筛需求包括对不同成分的分离精度要求，根据产品规格确定。然后，将获得的分筛需求设定为后续控制寻优的约束条件，限定控制参数的选取范围。同时，将炉渣拟合结果和匹配的浮力分选方案作为基础数据输入至控制寻优模型。在控制寻优模块中，对浮力分选的混合转速和浮选控制进行控制寻优，例如，在粒子群算法中，将控制参数表示为粒子的位置，根据基础数据和约束条件评估粒子的适应度，然后通过追随最优粒子和搜索初始领域实现迭代更新，最后获得全局最优解，用于控制浮力分选。其中的混合转速是指进行溶液、炉渣混合的电机的转速，浮选控制是浮选装置在浮选过程中的各项参数和操作，例如药剂投加量和种类、浮选时间和循环次数等。

[0034] 通过获得分筛需求，并将其设定为后续控制寻优的约束条件，同时，将炉渣拟合结果和匹配的浮力分选方案作为基础数据，基于该数据和约束条件，控制寻优模型采用智能算法对浮力分选控制参数进行迭代寻优，为精准高效的实现炉渣分类与回收提供基础，最大限度的发挥浮力分选技术的效果，提高炉渣回收的精度与效率。

[0035] 步骤S500：生成控制寻优结果，通过控制寻优结果、炉渣拟合结果和匹配的浮力分选方案执行浮力分选；

[0036] 在本申请实施例中，控制寻优结果指的是通过控制寻优模型得到寻优获得的最优控制参数，用于驱动和控制浮力分选过程。炉渣拟合结果指的是通过数字孪生网络预测得到的炉渣属性预估值。匹配的浮力分选方案指的是根据炉渣拟合结果在浮力分选数据库中查询匹配得到的最佳浮力分选方案。

[0037] 控制寻优结果包括混合转速值、浮选加药量等控制参数的值。首先，将获得的控制寻优结果传输至浮力分选装置。同时，参考匹配的浮力分选方案，设置浮力分选装置的工艺参数，包括浮选液配方、浮选pH值、浮选过程温度等参数。并将炉渣拟合结果作为参考，调整工艺参数，使其更加匹配当前炉渣的属性。接着，基于控制寻优结果和针对当前炉渣属性调整后的工艺参数，驱动和控制浮力分选装置进行炉渣的浮力分选，实现炉渣中目标成分的分离与提取，提高分选效果。

[0038] 步骤S600：根据浮力分选结果和炉渣拟合结果进行分选后的炉渣标识。

[0039] 在本申请实施例中，炉渣标识是指根据浮力分选处理后的垃圾焚烧炉渣的成分信息和含量信息，对该垃圾焚烧炉渣进行类别划分和数据标签，以用于该垃圾焚烧炉渣的后续再生利用或安全处理。

[0040] 首先，根据浮力分选结果中获得的浮选后的垃圾焚烧炉渣的成分信息和含量信息。比如获得该垃圾焚烧炉渣中金属材料的成分和含量、陶瓷材料的成分和含量等。然后，结合垃圾焚烧炉渣拟合结果中获得的该垃圾焚烧炉渣的成分预估信息和含量预估信息，确定浮选后的垃圾焚烧炉渣的具体成分和含量。最后，根据浮选后的垃圾焚烧炉渣的确定的成分和含量信息，对该垃圾焚烧炉渣进行类别划分和标签，如划分为建筑工地废弃物炉渣、家居垃圾炉渣等类别，从而实现对分选后的垃圾焚烧炉渣的标识。

[0041] 进一步的，本申请实施例还包括：

[0042] 步骤S510：对所述分筛需求进行需求解析，生成精度约束；

[0043] 步骤S520：依据所述精度约束对所述炉渣拟合结果进行含量约束，更新所述炉渣拟合结果；

[0044] 步骤S530：将更新后的炉渣拟合结果和匹配的浮力分选方案作为浮力分选的基础数据，对浮力分选进行执行的控制数据调用，构建调用数据集合；

[0045] 步骤S540：以所述精度约束作为寻优目标，对所述调用数据集合进行控制寻优；

[0046] 步骤S550：根据精度控制寻优结果获得所述控制寻优结果。

[0047] 在一种可行的实施方式中，分筛需求包含用户对分选精度要求，分筛需求通过需求解析过程转换为精度约束，该精度约束给出了浮力分选过程需达到的精度下限，用于后续过程中的控制和寻优。炉渣拟合结果由数字孪生网络计算得到，给出了对炉渣组分及其含量的预测结果。根据精度约束的要求，通过对预测结果中的含量进行调整实现对炉渣拟合结果进行更新，例如，若精度约束要求更高，则需要将某些组分的预测含量提高，意味着浮力分选过程中上层需要分离更高比例的该组分；反之，若精度约束要求更低，则需要将某些组分的预测含量适当降低。通过这样的更新，所述炉渣拟合结果满足了精度约束的要求，为后续浮力分选过程的控制与寻优提供了依据。

[0048] 然后，对更新后的炉渣拟合结果进行解析，确认各组分的预测含量以及预测精度；同时，对匹配的浮力分选方案进行调整，使其适应更新后的炉渣拟合结果。例如，若某组分的预测含量变大，则需要提高该组分在上层的分离比例；若总体预测精度提高，则需要调整混合转速、药剂投加量等以提高分离效率。随后，根据更新后的炉渣拟合结果和调整后的浮力分选方案，对浮力分选过程的控制参数范围和设定值进行确定，以构建调用数据集合。例如，可混合转速的范围和初始值，药剂投加量的范围和初始值，回收上层比例的设定值等。

[0049] 随后，以精度约束为优化目标，对浮力分选过程的调用数据集合进行寻优，例如混合转速、药剂投加量等。寻优算法通过多次迭代调整控制参数，并对精度指标进行评估，直至精度约束得以满足，最终确定一组能够实现所述精度约束的控制参数，即精度控制寻优结果，将此作为控制寻优结果。

[0050] 进一步的，如图2所示，本申请实施例还包括：

[0051] 步骤S561：对所述分筛需求进行需求解析，生成成本约束，并确定成本约束与精度约束的平衡值；

[0052] 步骤S562：以所述成本约束作为寻优目标，对所述调用数据集合进行控制寻优；

[0053] 步骤S563：通过所述平衡值整合精度控制寻优结果和成本控制寻优结果，根据整合结果生成所述控制寻优结果。

[0054] 在一种可行的实施例中，分筛需求还包括对操作成本的预算要求，获取分筛需求中对操作成本的要求，解析转化为成本约束，为浮力分选过程的成本上限，用于后续过程中的控制和寻优。

[0055] 首先，解析分筛需求，确认用户对分离精度和操作成本的具体要求。分离精度的要求转化为精度约束，操作成本的要求转化为成本约束。分析精度约束与成本约束之间的关系，二者通常存在矛盾和耦合。提高精度常会导致成本升高，降低成本会影响分离精度。因此，如果用户更关注产品质量，则精度约束被赋予70％‑90％的权重；如果成本控制更为重要，则成本约束的权重在70％‑90％之间，二者权重之和为100％。精度约束与成本约束的权重之比作为它们的平衡值，表明精度约束与成本约束的相对重要程度，用于后续两者结果的整合。

[0056] 然后，选择优化算法，确定以成本约束为优化目标的目标函数，初始化控制参数，如混合转速、药剂投加量等，并计算初始方案的操作成本。判断初始成本是否满足成本约束。若否，则根据优化算法更新控制参数，以降低操作成本。重复执行优化迭代，直至得到一组控制参数，其对应的操作成本满足成本约束。这组控制参数为成本控制寻优的结果。

[0057] 随后，分别采用精度控制寻优结果和成本控制寻优结果中的控制参数，计算精度指标和操作成本。接着，根据平衡值，确定精度控制结果占总权重的百分比，如70％，则成本控制结果占30％。之后，按确定的平衡值对应的权重将两组控制参数进行线性组合，得到综合控制参数。接下来，检验综合控制参数对应浮力分选过程的精度指标和操作成本，如果均满足要求，则作为最终的控制寻优结果；如果无法满足，则调整权重比进行重新融合。重复执行以上步骤，直至获得既满足精度约束又满足成本约束的综合控制参数，作为最终的控制寻优结果。

[0058] 进一步的，本申请实施例还包括：

[0059] 步骤S571：构建浮力分选装置的装置监督数据集合，并依据所述装置监督数据集合提取装置特征；

[0060] 步骤S572：配置筛选窗口，依据所述筛选窗口选择所述整合结果的标定顺序排序结果；

[0061] 步骤S573：通过所述装置特征对所述筛选窗口进行数据适配评价；

[0062] 步骤S574：根据适配评价结果执行整合结果补偿，获得控制寻优结果。

[0063] 在一种优化的实施方式中，首先，收集浮力分选装置的历史运行数据，构建装置监督数据集合。其次，分析数据集合，提取代表装置技术特性的参数，如分选电机功率、转速范围、单位时间处理能力等，反映装置的性能限制。再次，分析装置特征与控制参数之间的对应关系。例如，转速受电机功率限制；上层收集比例受单位时间处理能力限制，用于后续控制参数调整判断。

[0064] 然后，在整合结果中选取关键控制参数，如混合转速、上层收集比例等，并对其设定值进行排序，形成可能的控制参数组合。接着，根据装置特征与控制参数的对应关系，判断各参数组合是否符合设备限制，过滤掉不符合限制的组合，保留满足限制的组合作为筛选窗口。筛选窗口中各参数组合代表控制参数在装置特征约束下的不同变化范围，用于选择调整方向和幅度。

[0065] 之后，选择筛选窗口中一组控制参数，并代入浮力分选过程仿真或测试中，得到关键性能指标和操作成本。判断所选参数组是否满足精度约束和成本约束。若满足，证明其数据适配性高，可作为补偿对象；若不满足，数据适配性低，需更换组合进行再次判断。重复对筛选窗口中各参数组合进行数据适配评估，选出适配性高的组合。

[0066] 随后，对选出的高适配性参数组合，判断其中是否存在不符合装置特征的控制参数设定。如果存在，则对其进行修正，避免超出设备限制。修正后的参数组合既满足装置限制，也满足优化目标。重新进行数据适配性评估，判断更新后的整合结果是否满足要求。如果不满足，需要对相关控制参数的修正值和方向进行重新选择。重复执行参数修正、结果更新和评估过程，直至得到一组既满足装置特征限制又满足精度约束和成本约束的控制参数设定。将更新后的整合结果作为最终的控制寻优结果，用于浮力分选过程的优化控制。

[0067] 进一步的，本申请实施例还包括：

[0068] 步骤S710：对浮力分选进行分选验证，构建用户的满意度标签；

[0069] 步骤S720：将所述满意度标签、所述分筛需求和所述焚烧前数据进行数据映射；

[0070] 步骤S730：基于数据映射结果进行后续控制寻优的寻优约束。

[0071] 在一种优选的实施例中，为提高用户满意度并实现闭环控制，构建满意度评价机制。

[0072] 首先，对浮力分选后的产品进行采样，检测产品中各组分的含量和产品总体纯度等指标，将检测结果与用户的分筛需求相比对，判断各指标是否达标。如果全部达标，则满意度高；如果部分达标，满意度中；如果均不达标，满意度低。根据判断结果，给出对应满意度标签，如“高满意度”“中满意度”和“低满意度”，反映用户对产品质量的评价。

[0073] 然后，分析满意度标签、分筛需求和焚烧前数据之间的对应关系。找到导致满意度高低的关键因素，如某种组分的回收率对应满意度，某种组分在焚烧垃圾中的含量对应产品纯度。建立满意度标签、用户要求与焚烧垃圾数据之间的映射模型。例如，如果关键组分回收率较高，对应满意度高；如果该组分在焚烧垃圾中含量高而回收率低，对应满意度低。当获得新的焚烧垃圾数据时，将其输入映射模型，输出分选后的满意度标签和关键对应参数，为后续控制寻优提供目标和约束。

[0074] 接着，根据映射模型输出的关键对应参数，判断后续控制寻优的主要目标。例如，如果模型输出关键组分的回收率较低，则后续控制寻优的主要目标为提高该组分的分离效果。然后，将关键对应参数转化为寻优约束条件，进行控制寻优。

[0075] 进一步的，如图3所示，本申请实施例还包括：

[0076] 步骤S210：搭建初始数字孪生网络，所述初始数字孪生网络为依据所述属性信息搭建的通用网络；

[0077] 步骤S220：应用验证数据集，执行所述初始数字孪生网络的网络验证；

[0078] 步骤S230：若网络验证通过，则将所述初始数字孪生网络存储为基础模板；

[0079] 步骤S240：当进行所述数字孪生网络搭建时，以所述基础模板作为底模板，以所述控制信息作为特异化数据，完成所述数字孪生网络搭建。

[0080] 在一种可行的实施方式中，首先，收集焚烧炉的通用属性信息，如炉膛结构尺寸、燃料种类、热值范围等，这些信息反映了焚烧炉的基本特征，但不包含特定炉的个性化控制逻辑。然后，选择BP神经网络模型，设置网络结构，包括输入节点、隐藏层节点个数和激活函数等，输入节点对应属性信息中的特征数量。隐藏层节点个数通过经验确定，随机初始化网络连接权重和阈值，获取初始数字孪生网络。随后，采集充足的历史运行数据，包含焚烧炉在不同工况下的运行参数和状态数据，作为验证数据集。之后，将验证数据集输入初始数字孪生网络中，获得网络输出结果。

[0081] 当网络验证通过，表明网络具有较高精度和一定的泛化能力，可作为基础模板使用。此时，存储网络模型，包括网络结构、连接权重、阈值等信息，构成基础模板。接下来，依据特定焚烧炉的结构参数、控制逻辑等控制信息更新基础模板，产生个性化的网络初始化结构，采用特定焚烧炉的运行数据对网络进行训练，调整初始化结构，使其输出结果与运行数据标签匹配。训练过程采用迁移学习的方式，保留基础模板中泛化部分的参数，主要调整与个性化特征相关的节点权重，提高训练效率。重复进行训练、验证和测试，直至网络输出结果达到精度要求，此时，数字孪生网络搭建完成。

[0082] 进一步的，本申请实施例还包括：

[0083] 步骤S810：构建浮力分选装置和焚烧炉的老化特征，所述老化特征通过收集设备运行数据构建而成；

[0084] 步骤S820：生成设备的老化因子补偿数据，其中，老化因子补偿数据为基于老化特征和设备控制参数评估获得；

[0085] 步骤S830：根据所述老化因子补偿数据进行炉渣拟合和控制寻优的结果调整。

[0086] 在一种优选的实施例中，首先，收集浮力分选装置和焚烧炉长期的历史运行数据，包含运行时间、处理物料、控制参数等信息。接着，对数据进行分析，提取设备性能参数，如功率、转速、处理能力等，找出这些参数与时间的对应关系，判断设备性能是否存在老化下降。如果存在老化，则进一步分析不同参数的老化速率，得到设备的老化特征，如每年功率下降3％。描述了设备性能随时间推移的变化规律。

[0087] 然后，分析设备控制参数如何受设备性能参数影响。例如，混合转速对应于电机功率，上层收集比例对应于单位时间处理能力。随后，根据老化特征，判断每个时间段设备性能参数的变化量。然后据此计算对应控制参数的修正量，这些修正量构成老化因子补偿数据。例如，如果某时间段功率下降5％，则对应混合转速需减小5％作为补偿。如果处理能力下降8％，上层收集比例需减小8％作为补偿。

[0088] 接下来，当获得新的运行数据时，首先查询老化因子补偿数据，得到相关控制参数的修正量。然后，对炉渣拟合结果中涉及老化因子的控制参数，如混合转速，按修正量将其修改并更新结果。对控制寻优结果中涉及老化因子的控制参数，也进行修正和更新。更新后的结果既满足当前时间段的设备性能，又不影响工艺要求。采用更新后的炉渣拟合结果和控制寻优结果进行浮力分选过程控制，完成设备性能补偿，弥补设备老化影响的不足，提高控制精度和稳定性。

[0089] 综上所述，本申请实施例所提供的基于浮力分选的垃圾焚烧炉渣回收控制方法具有如下技术效果：

[0090] 构建与焚烧炉的数据连接，交互获得焚烧垃圾的焚烧前数据，其中，焚烧前数据为预估数据，且带有预估区间标识，为进行炉渣回收控制的提供基础数据；读取焚烧炉的属性信息和控制信息，构建焚烧炉的数字孪生网络，其中，数字孪生网络为依据属性信息和控制信息构建而成，并基于数字孪生网络对焚烧前数据处理，生成炉渣拟合结果，其中，炉渣拟合结果包括炉渣成分、成分含量预估结果，为炉渣成分和含量的预测与拟合提供模型基础；构建炉渣的浮力分选数据库，并依据浮力分选数据库对炉渣拟合结果进行浮力分选方案匹配，为后续分选方案匹配和控制寻优提供基础数据；交互分筛需求，将分筛需求作为寻优约束，将炉渣拟合结果和匹配的浮力分选方案作为浮力分选的基础数据，对浮力分选的混合转速和浮选控制进行控制寻优，通过数据库匹配，为不同类型的炉渣选出适宜的浮力分选方案；生成控制寻优结果，通过控制寻优结果、炉渣拟合结果和匹配的浮力分选方案执行浮力分选，在满足分筛需求的前提下，通过控制寻优算法，搜索得到浮力分选的最优控制参数；根据浮力分选结果和炉渣拟合结果进行分选后的炉渣标识，实现精确高效对炉渣进行标识，达到了提高炉渣回收控制精度和效率的技术效果。

[0091] 实施例二

[0092] 基于与前述实施例中基于浮力分选的垃圾焚烧炉渣回收控制方法相同的发明构思，如图4所示，本申请实施例提供了基于浮力分选的垃圾焚烧炉渣回收控制系统，该系统包括：

[0093] 预估数据获取模块11，用于构建与焚烧炉的数据连接，交互获得焚烧垃圾的焚烧前数据，其中，所述焚烧前数据为预估数据，且带有预估区间标识；

[0094] 孪生网络构建模块12，用于读取所述焚烧炉的属性信息和控制信息，构建焚烧炉的数字孪生网络，其中，数字孪生网络为依据所述属性信息和所述控制信息构建而成，并基于所述数字孪生网络对所述焚烧前数据处理，生成炉渣拟合结果，其中，炉渣拟合结果包括炉渣成分、成分含量预估结果；

[0095] 分选方案匹配模块13，用于构建炉渣的浮力分选数据库，并依据所述浮力分选数据库对所述炉渣拟合结果进行浮力分选方案匹配；

[0096] 浮力分选寻优模块14，用于交互分筛需求，将所述分筛需求作为寻优约束，将所述炉渣拟合结果和匹配的浮力分选方案作为浮力分选的基础数据，对浮力分选的混合转速和浮选控制进行控制寻优；

[0097] 浮力分选执行模块15，用于生成控制寻优结果，通过控制寻优结果、炉渣拟合结果和匹配的浮力分选方案执行浮力分选；

[0098] 分选炉渣标识模块16，用于根据浮力分选结果和炉渣拟合结果进行分选后的炉渣标识。

[0099] 进一步的，浮力分选执行模块15包括以下执行步骤：

[0100] 对所述分筛需求进行需求解析，生成精度约束；

[0101] 依据所述精度约束对所述炉渣拟合结果进行含量约束，更新所述炉渣拟合结果；

[0102] 将更新后的炉渣拟合结果和匹配的浮力分选方案作为浮力分选的基础数据，对浮力分选进行执行的控制数据调用，构建调用数据集合；

[0103] 以所述精度约束作为寻优目标，对所述调用数据集合进行控制寻优；

[0104] 根据精度控制寻优结果获得所述控制寻优结果。

[0105] 进一步的，浮力分选执行模块15还包括以下执行步骤：

[0106] 对所述分筛需求进行需求解析，生成成本约束，并确定成本约束与精度约束的平衡值；

[0107] 以所述成本约束作为寻优目标，对所述调用数据集合进行控制寻优；

[0108] 通过所述平衡值整合精度控制寻优结果和成本控制寻优结果，根据整合结果生成所述控制寻优结果。

[0109] 进一步的，浮力分选执行模块15还包括以下执行步骤：

[0110] 构建浮力分选装置的装置监督数据集合，并依据所述装置监督数据集合提取装置特征；

[0111] 配置筛选窗口，依据所述筛选窗口选择所述整合结果的标定顺序排序结果；

[0112] 通过所述装置特征对所述筛选窗口进行数据适配评价；

[0113] 根据适配评价结果执行整合结果补偿，获得控制寻优结果。

[0114] 进一步的，本申请实施例还包括满意度评价模块，该模块包括以下执行步骤：

[0115] 对浮力分选进行分选验证，构建用户的满意度标签；

[0116] 将所述满意度标签、所述分筛需求和所述焚烧前数据进行数据映射；

[0117] 基于数据映射结果进行后续控制寻优的寻优约束。

[0118] 进一步的，孪生网络构建模块12包括以下执行步骤：

[0119] 搭建初始数字孪生网络，所述初始数字孪生网络为依据所述属性信息搭建的通用网络；

[0120] 应用验证数据集，执行所述初始数字孪生网络的网络验证；

[0121] 若网络验证通过，则将所述初始数字孪生网络存储为基础模板；

[0122] 当进行所述数字孪生网络搭建时，以所述基础模板作为底模板，以所述控制信息作为特异化数据，完成所述数字孪生网络搭建。

[0123] 进一步的，本申请实施例还包括设备老化评估模块，该模块包括以下执行步骤：

[0124] 构建浮力分选装置和焚烧炉的老化特征，所述老化特征通过收集设备运行数据构建而成；

[0125] 生成设备的老化因子补偿数据，其中，老化因子补偿数据为基于老化特征和设备控制参数评估获得；

[0126] 根据所述老化因子补偿数据进行炉渣拟合和控制寻优的结果调整。

[0127] 综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。

[0128] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。