技术特征：
1.一种基于连续时间神经网络的浓密机预测控制方法，其特征在于，所述方法包括：获取实际工业场景中浓密机系统的历史运行参数；其中，所述运行参数包括进出料流量、进出料浓度、泥层压力、絮凝剂流量以及耙架转速；基于深度时序网络，构建浓密机系统的连续时间状态空间模型，并利用所述历史运行参数对构建出的连续时间状态空间模型进行训练；获取待控制浓密机系统的当前运行参数，基于训练好的连续时间状态空间模型，根据所述当前运行参数，预测所述待控制浓密机系统的底流浓度变化；基于所述待控制浓密机系统的底流浓度变化预测结果，对所述待控制浓密机系统的输入控制序列进行优化，得到所述待控制浓密机系统的最优输入控制序列。2.如权利要求1所述的基于连续时间神经网络的浓密机预测控制方法，其特征在于，所述获取实际工业场景中浓密机系统的历史运行参数，包括：采集实际充填过程中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，基于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，得到历史运行参数。3.如权利要求2所述的基于连续时间神经网络的浓密机预测控制方法，其特征在于，在获取实际工业场景中浓密机系统的历史运行参数之后，所述方法还包括：统计所述历史运行参数中各控制参量的极值；对所述待控制浓密机系统的输入控制序列进行优化，包括：根据所述历史运行参数中各控制参量的极值，使计算得到的控制输入序列满足系统容许范围。4.如权利要求1所述的基于连续时间神经网络的浓密机预测控制方法，其特征在于，所述连续时间状态空间模型包括序列编码器、状态解码器和微分求解器；其中，浓密机系统受外部输入影响过程建模为用所述微分求解器表示的一阶常微分方程；所述序列编码器用于对浓密机系统过去一段时间的输入及输出数据进行序列编码，获得浓密机系统在隐状态空间中的初始状态；所述微分求解器的输入包括浓密机系统当前时刻隐变量，浓密机系统外部可控输入，输出为浓密机系统隐变量在当前时刻的一阶导数；所述状态解码器用于将浓密机系统隐变量解码为浓密机系统的真实输出；其中，所述真实输出包括底流浓度和泥层压力。5.如权利要求4所述的基于连续时间神经网络的浓密机预测控制方法，其特征在于，所述序列编码器为循环神经网络。6.如权利要求4所述的基于连续时间神经网络的浓密机预测控制方法，其特征在于，所述微分求解器中嵌入了并行可微的数据插值模块，所述数据插值模块用于将输入所述微分求解器的数据中的离散外部输入序列插值为连续时间序列。7.如权利要求4所述的基于连续时间神经网络的浓密机预测控制方法，其特征在于，在连续时间状态空间模型的训练过程中，当对所述微分求解器进行训练时，采用联合敏感度法估计损失函数对微分求解器、隐变量序列初始状态及外部控制输入序列的梯度；获得各个梯度后，采用梯度下降算法对模型进行优化训练。8.如权利要求1所述的基于连续时间神经网络的浓密机预测控制方法，其特征在于，所述获取待控制浓密机系统的当前运行参数，基于训练好的连续时间状态空间模型，根据所
述当前运行参数，预测所述待控制浓密机系统的底流浓度变化；基于所述待控制浓密机系统的底流浓度变化预测结果，对所述待控制浓密机系统的输入控制序列进行优化，得到所述待控制浓密机系统的最优输入控制序列，包括：构建适应度函数，以对所述待控制浓密机系统的当前时刻的底流浓度与设定值之间的偏差程度以及输入控制序列的不稳定程度进行惩罚；获取待控制浓密机系统的当前运行参数，基于训练好的连续时间状态空间模型，根据待控制浓密机系统的当前运行参数，预测待控制浓密机系统的底流浓度变化；并利用所述适应度函数对控制结果进行评价，并以此为优化目标，利用优化算法对输入控制序列进行优化，迭代多轮后得到最优输入控制序列。9.如权利要求8所述的基于连续时间神经网络的浓密机预测控制方法，其特征在于，所述输入控制序列包括底流流量和泥层压力；所述优化算法为粒子群优化算法。10.一种基于连续时间神经网络的浓密机预测控制系统，其特征在于，所述系统包括：数据获取模块，用于获取实际工业场景中浓密机系统的历史运行参数和当前运行参数；其中，所述运行参数包括进出料流量、进出料浓度、泥层压力、絮凝剂流量以及耙架转速；浓密机系统连续时间状态空间模型构建模块，用于基于深度时序网络，构建浓密机系统的连续时间状态空间模型，并利用所述数据获取模块所获取的历史运行参数对构建出的连续时间状态空间模型进行训练；底流浓度控制模块，用于通过所述数据获取模块获取待控制浓密机系统的当前运行参数，然后基于所述浓密机系统连续时间状态空间模型构建模块所训练好的连续时间状态空间模型，根据所述数据获取模块所获取的当前运行参数，预测所述待控制浓密机系统的底流浓度变化；基于所述待控制浓密机系统的底流浓度变化预测结果，对所述待控制浓密机系统的输入控制序列进行优化，得到所述待控制浓密机系统的最优输入控制序列。