湿法冶金浓密洗涤过程关键变量检测方法技术

本发明专利技术提供一种湿法冶金浓密洗涤过程关键变量实时预测方法，包括过程数据采集、辅助变量选择以及标准化处理、混合模型的建立等步骤，其特征在于：建立基于机理模型和基于数据驱动模型构成的并联结构混合模型；用基于数据驱动的模型作为机理模型的误差补偿模型。本发明专利技术还提供了一种实施浓密洗涤过程关键变量预测的软件系统，它包括主程序、数据库和人机交互界面，该系统软件以湿法冶金过程控制系统的模型计算机作为硬件平台。将本发明专利技术应用于某湿法冶金工厂浓密洗涤过程，用其对溢流浓度和底流浓度进行预测，其预测结果均在预定的误差范围以内。本发明专利技术的优点：模型简单、可解释性强、外推性好、预测精度较高。

【技术实现步骤摘要】
湿法冶金浓密洗涤过程关键变量检测方法
本专利技术属于湿法冶金
特别提供一种湿法冶金浓密洗涤过程底流浓度检测方法，即提供一种实时预测底流浓度的方法。
技术介绍
湿法冶金工艺是一门古老而又有极大发展前途的现代科学技术，与传统的火法冶炼相比，湿法冶金技术具有便于多金属资源的分离和回收、不产生烟气污染以及对环境友好的优点。特别是针对我国矿产资源复杂、难选和低品位矿的特点，湿法冶金技术更具有优越性，应该说湿法冶金更能适应当今矿产资源可持续发展的要求。近几年我国有色冶炼装备工艺水平已有大幅提升，但与国外先进企业相比，在生产率、生产成本和能耗、环境污染及矿物回收率等方面还有较大差距，冶炼过程综合自动化水平低是造成这种差距的最主要原因之一。我国湿法冶金关键设备的自动化装备水平和过程控制水平已经远远不能满足其工业化的需要，严重阻碍了湿法冶金工艺水平和生产效率的进一步提高。浓密洗涤过程是湿法冶金过程的一道关键工序。浓密机是其中的常用设备，其底流浓度是衡量浓密洗涤过程质量的关键指标。目前浓密机底流浓度的控制仍处于人工操作状态，其浓度、流量的波动相应地都比较大，对后续生产过程的生产指标造成较大影响。同时浓密机由于影响因素多、大时滞、慢时变等特性，使得实现其自动控制一直是一个难题。要实现浓密洗涤过程优化控制，建立与优化控制相关的浓密洗涤过程关键变量(底流浓度)预测模型是关键。浓密机是基于重力沉降作用的固液分离设备，将浓度为10％～20％的矿浆通过重力沉降浓缩为浓度为45％～55％的底流矿浆，借助安装于浓密机内慢速运转的耙的作用，使增稠的底流矿浆由浓密机底部底流口卸出。浓密机上部产生较清净的澄清液(溢流)，由顶部的环形溜槽排出。浓密机的作业空间按照浓度大小可分为自由沉降区、凝聚沉降区、干涉沉降区和压力沉降区四个区，如图1所示。沉降过程如下：(1)需要浓缩的悬浮液浆体首先进入自由沉降区，固体颗粒依靠自重迅速沉降，进入凝聚沉降区；(2)在凝聚沉降区，悬浮液中的固体颗粒己形成较紧密的絮团，絮团仍继续沉降，但其速度已较缓慢；(3)在干涉沉降区，部分颗粒由于自重作用沉降，部分颗粒则受到密集颗粒的阻碍，难以继续沉降；(4)进入压力沉降区的沉降体浓度较大，因在此处设有旋转刮板，有时该区的一部分呈浅锥形表面，浓缩物中的水又会在刮板的压力作用下溢出，悬浮液浓度进一步提高，最终由浓密机底口排出，成为浓密机的底流产品，得到高浓度的尾矿料浆。由于浓密洗涤工艺复杂，操作环境恶劣，对其进行机理分析建立精确数学模型存在较大难度。自1905年J.V.N.Dorr专利技术了连续运作的浓缩机以来，很多学者对浓密洗涤过程进行了数学模拟。近几十年来，浓密机固液分离技术有了很大的发展，但对浓密洗涤过程的数学模型的研究却远远不够。浓密洗涤过程的数学模型有助于描述和理解沉降过程机理，对系统设计及设备选型提供理论的指导；有助于模拟沉降过程的动态变化和研究矿浆产量的变化，可以指导实际的生产运行。随着固液分离技术的发展，必须开展数学模型的研究，从而更深刻地认识所研究的现象和规律。湿法冶金浓密洗涤过程建模方法实际能够应用的主要有以下几种常见的方法：(1)基于机理模型的方法通过全面深刻了解过程的运动机理后，运用一些已知的定理、定律和原理，如能量平衡方程、传热传质原理、动力学原理等，建立过程的数学模型，以表达过程的内部机理蕴涵的过程内部运动规律。通常机理模型由代数方程组或微分方程组组成。因为机理关系可以清楚地展示过程的内在结构和联系，因此称其为白箱建模。(2)基于数据模型的方法根据系统的输入输出数据，建立与系统外特性等价的数学模型的方法，称为数据建模。数据建模将系统看作黑箱，在不了解系统内部结构和机理的情况下，选取一组与主导变量有密切联系且容易测量的二次变量，根据某种最优准则，利用统计方法构造二次变量与主导变量间的数学模型。(3)基于混合模型的方法混合使用多种建模方法建立对象的数学模型，可以达到各种方法取长补短的效果，目前已成为研究的热点。若系统有先验的物理知识可以利用，则尽量利用，以把黑箱模型转化成灰箱模型，从而把机理方法和数据方法相结合。数据方法可提取机理方法所无法解释的对象内部的复杂信息，而机理模型又可提高数据模型的推广能力。结合方式一般分为并行和串行两种。串行结合方式如图2所示，首先用机理方法得到一个带参数的模型结构，然后用数据方法来确定那些参数。例如Psichogios和Ungar就是采用该方式对发酵反应过程建模，由神经网络估计出生产速率常数，然后送到由质量平衡方程表示的机理模型。并行结合方式如图3所示，采用数据方法确定一个补偿器，对机理模型得到的结果进行补偿。例如Su等就是采取并行结合方式，对连续聚合反应建模，过程数据同时送到机理模型和神经网络模型里，神经网络模型的输出加到机理模型的输出上，对其进行补偿。先验知识的应用，与单纯地根据数据建立的黑箱模型相比，提高了模型的精度，增强了模型的推广能力，而且减少了参数估计所需的数据，减少了计算量。目前，尚未见有关湿法冶金浓密洗涤过程关键变量预测方法的报道。仍没有能够应用于优化控制的精确的浓密洗涤过程模型。浓密洗涤过程建模研究仍处于探索阶段。
技术实现思路
本专利技术的目的，是提供一种湿法冶金浓密洗涤过程关键变量检测方法。本专利技术是国家科技部批准的《选冶检测与优化控制技术》攻关项目主要内容之一，依托东北大学承担的国家高技术研究发展计划(863计划)项目—湿法冶金全流程综合智能一体优化控制技术，开展湿法冶金浓密洗涤过程底流浓度软测量方法及应用方面的研究，为实现浓密洗涤过程优化控制以及湿法冶金全流程优化控制奠定基础。本专利技术所提供的浓密洗涤过程关键变量检测方法，其特征包括(1)数据采集；(2)辅助变量的选取和数据处理(3)混合模型建立等步骤。(1)数据采集数据采集过程中使用的装置包括浓密洗涤过程关键变量检测系统、上位机、PLC、现场传感变送部分。其中浓密洗涤过程关键变量检测系统包括数据接收部分和预测模型部分，接收部分接收上位机采集的数据并做相应的处理，预测模型部分根据接收的数据进行关键变量的预测并将结果进行保存和图表显示。其中现场传感变送部分包括压力、浓度、流量等检测仪表。在浓密洗涤过程现场安装检测仪表，检测仪表将采集的信号送到PLC，PLC通过以太网定时将采集信号传送到上位机，上位机把接收的数据传到浓密洗涤过程关键变量预测系统，进行关键变量的实时预测。本专利技术装置的各部分功能：(a)现场传感变送部分：包括压力、浓度、流量等检测仪表，由传感器组成，负责过程数据的采集与传送；(b)PLC：负责把采集的信号A/D转换，并通过以太网把信号传送给上位机；(c)上位机：收集本地PLC数据，传送给浓密洗涤过程关键变量预测系统，实时预测过程关键变量。(2)辅助变量的选取和数据处理辅助变量的选择是建立过程数据模型的第一步，这一步确定了模型的输入信息矩阵，因而直接决定了过程模型的结构和输出，对建模的成功与否至为关键。辅助变量的选择包括变量类型的选择和检测点位置的选择。通过对过程机理的分析，对底流浓度与溢流浓度影响较大的变量包括入料浓度、入料流量、底流流量、溢流流量，同时这四个变量在工业现场是可测的，因此选择它们作为输入变量，选择溢流浓度、底流浓度作为输出变本文档来自技高网...

【技术保护点】
湿法冶金浓密洗涤过程关键变量检测方法，采用已知的湿法冶金浓密洗涤过程工艺，由硬件支撑平台和软件系统组成，其特征是在过程中直接控制进入浓密机中的进料流量、进料浓度、溢流流量和底流流量，通过混合模型建模，实时预测溢流浓度和底流浓度，包括数据采集、辅助变量选择和数据处理、混合模型建立步骤： 1)数据采集 数据采集所用的设备硬件包括浓密洗涤过程关键变量检测系统、上位机、PLC和现场传感变送部分，其中现场传感变送部分包括浓度、流量和压力检测仪表；检测仪表负责过程数据的采集与传送，在浓密过程现场安装检测仪表，检测仪表将采集的浓度值、流量和不同高度的压力分布信息实时通过数据总线送到PLC，PLC通过以太网定时将采集信号传送到上位机，上位机把接收的数据传到浓密洗涤过程关键变量预测系统，进行溢流浓度和底流浓度的实时检测； PLC功能：负责把采集的信号A/D转换，并通过以太网把信号传送给上位机； 上位机功能：收集本地PLC数据，传送给浓密洗涤过程关键变量检测系统，实时检测溢流浓度和底流浓度； 2)辅助变量选择和数据处理 选择的辅助变量包括： (a)进料浓度x1； (b)进料流量x2； (c)底流流量x3； (d)溢流流量x4； 首先将采集到的传感器测量数据进行标准化处理： ①式中xi－处理后数据； Xi－样本数据； Xmax－样本数据最大值； Xmin－样本数据最小值； 3)混合模型建立： 将机理模型与数据模型并联组成混合模型，实现对浓密洗涤过程关键变量进行实时检测； 依据固体通量理论和质量守恒理论建立浓密洗涤过程的机理模型； ②式中qf－单位面积入料流量； Cf－进料浓度； D－弥散系数； δ－狄拉克冲量； z－浓密机的高度； zf－进料高度； vs－沉降速度； C－矿浆浓度； t－时间； q－浓密池内单位面积流量； 采用分层的思想，将浓密池分为若干浓度均匀的浓密层，每一层都满足柯西沉降理论假设； 分层后将上述的质量平衡方程转化为一阶微分方程组，即将求解复杂的偏微分方程转化为求解一阶微分方程组，如式③； ③式中qe－单位面积溢流流量； qu－单位面积底流流量； qf－单位面积入料流量； Cf－进料浓度； D－弥散系数； n－分层的层数； z－浓密机的高度； zf－进料高度； vs－沉降速度； C－矿浆的浓度； 沉降速度函数选用Takács沉降速度模型为： ④式中C－沉降体的浓度； v0'－实际上固体颗粒最大沉降速度； v0－理论上固体颗粒最大沉降速度； rh－决定速度变小的性能参数，由于颗粒之间的相互作用时速度变小； rp－溶液浓度较小时，决定速度变大的性能参数； Cmin－沉降速度为0时，最小的浓度； 本专利技术中采用PLS偏最小二乘作为数据建模方法拟合机理模型的未建模动态； 基于混合模型的浓密洗涤过程关键变量预测方法依如下步骤进行： 步骤一、机理模型参数计算：根据历史数据辨识机理模型中的参数； 步骤二、机理模型预测：利用机理模型对溢流浓度和底流浓度进行预测，并记录预测结果； 步骤三、采集数据：收集离线化验的溢流浓度和底流浓度以及离线化验值所对应的传感器测量的工艺操作参数； 步骤四、将预测结果与真实检测结果进行比较，计算预测结果与真实值之间的差值； 步骤五、数据模型训练：将采集到的传感器测量数据与上述预测结果与真实值之间的差值组成输入输出数据对，利用上述PLS方法进行训练，得到数据模型中的参数； 步骤六、混合模型的预测：将机理模型与数据模型并联组成混合模型，实现对溢流浓度和底流浓度进行实时预测；...

【技术特征摘要】
1.湿法冶金浓密洗涤过程关键变量检测方法，采用已知的湿法冶金浓密洗涤过程工艺，由硬件支撑平台和软件系统组成，其特征是在过程中直接控制进入浓密机中的进料流量、进料浓度、溢流流量和底流流量，通过混合模型建模，实时预测溢流浓度和底流浓度，包括数据采集、辅助变量选择和数据处理、混合模型建立步骤：1)数据采集数据采集所用的设备硬件包括浓密洗涤过程关键变量检测系统、上位机、PLC和现场传感变送部分，其中现场传感变送部分包括浓度、流量和压力检测仪表；检测仪表负责过程数据的采集与传送，在浓密过程现场安装检测仪表，检测仪表将采集的浓度值、流量和不同高度的压力分布信息实时通过数据总线送到PLC，PLC通过以太网定时将采集信号传送到上位机，上位机把接收的数据传到浓密洗涤过程关键变量检测系统，进行溢流浓度和底流浓度的实时检测；PLC功能：负责把采集的信号A/D转换，并通过以太网把信号传送给上位机；上位机功能：收集本地PLC数据，传送给浓密洗涤过程关键变量检测系统，实时检测溢流浓度和底流浓度；2)辅助变量选择和数据处理选择的辅助变量包括：(a)进料浓度x1；(b)进料流量x2；(c)底流流量x3；(d)溢流流量x4；首先将采集到的传感器测量数据进行标准化处理：式中xi－处理后数据；Xi－样本数据；Xmax－样本数据最大值；Xmin－样本数据最小值；3)混合模型建立：将机理模型与数据模型并联组成混合模型，实现对浓密洗涤过程关键变量进行实时检测；依据固体通量理论和质量守恒理论建立浓密洗涤过程的机理模型；式中qf－单位面积入料流量；Cf－进料浓度；D－弥散系数；δ－狄拉克冲量；z－浓密机的高度；zf－进料高度；vs－沉降速度；C－矿浆浓度；t－时间；q－浓密池内单位面积流量；采用分层的思想，将浓密池分为若干浓度均匀的浓密层，每一层都满足柯西沉降理论假设；分层后将上述的质量平衡方程转化为一阶微分方程组，即将求解复杂的偏微分方程转化为求解一阶微分方程组，如式③；式中qe－单位面积溢流流量；qu－单位面积底流流量；qf－单位面积入料流量；Cf－进料浓度；D－弥散系数；n－分层的层数；z－浓密机的高度；zf－进料高度；vs－沉降速度；C－矿浆浓度；沉降速度函数选用Takács沉降速度模型为：式中C－矿浆浓度；v0'－实际上固体颗粒最大沉降速度；v0－理论上固体颗粒最大沉降速度；rh－决定速度变小的...

【专利技术属性】
技术研发人员：牛大鹏，徐宁，张淑宁，方文，郭振宇，杨晓东，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21