CN101339408A - 铝酸钠溶液连续碳酸化分解过程智能控制系统 - Google Patents
铝酸钠溶液连续碳酸化分解过程智能控制系统 Download PDFInfo
- Publication number
- CN101339408A CN101339408A CNA2008100320822A CN200810032082A CN101339408A CN 101339408 A CN101339408 A CN 101339408A CN A2008100320822 A CNA2008100320822 A CN A2008100320822A CN 200810032082 A CN200810032082 A CN 200810032082A CN 101339408 A CN101339408 A CN 101339408A
- Authority
- CN
- China
- Prior art keywords
- groove
- resolution ratio
- decomposition
- model
- sodium aluminate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明以控制合适的分解梯度与合格的末槽分解率为目标,发明了铝酸钠溶液连续碳酸化分解过程智能控制系统。采用产生式规则建立了基于专家经验的分解率梯度专家控制模型,利用神经网络建立的预测模型预测末槽分解率的下一时刻输出,利用末槽分解率来评价工况,获得修正因子,利用预测值和当前时刻与上时刻的末槽分解率对专家控制模型输出反馈修正,有效地克服了大滞后因素的影响,实现了分解过程的优化控制。本发明系统稳定优化地运行,分解率合格率提高了4%,平均分解率提高了0.95%。
Description
技术领域
本发明涉及专家控制与预测控制策略相结合的智能控制系统。
背景技术
在烧结法生产氧化铝中,从脱硅精液中析出氢氧化铝是采用向其中通入CO2气体的方法,即铝酸钠溶液连续碳酸化分解的方法。它包括CO2为铝酸钠溶液吸收以及两者间的化学反应和氢氧化铝的结晶析出等过程。
上游工序的脱硅精液进入高位槽,从高位槽底部自压进入1#分解槽,提料风依次将料提入后槽。前面各槽根据分解率要求通入一定量CO2气进行分解,末槽作为出料槽,检测合格后经过滤得到氢氧化铝产品。氢氧化铝产品的纯度、颗粒大小和其它物理特性,直接影响到氧化铝的产品质量。
由工艺过程可知,分解生产过程是一个气、液、固三相参加的复杂多相反应;由于受上、下游工序生产情况以及CO2、提料风等工艺参数波动的影响,工况极不稳定;脱硅精液经高位槽进入首槽,最后从末槽出料,分解周期长、且各槽相互影响;由于料浆易结疤,强腐蚀性,分解过程的很多工艺参数无法在线实时准确检测,只能采用离线检测的方法。因此,分解生产过程具有长流程、大惯性、信息获取滞后、受外界波动影响大等特点,难以建立精确的数学模型,传统控制方法难以奏效。
分解过程中,分解率是工艺控制的主要目标。实际生产中,提料风一般情况下不做调节,以免打破系统的自平衡;前三槽需要大量的CO2气体,一般将阀门置于全开状态,让其充分分解;末槽为防止大量的SiO2析出影响产品质量,要适当控制分解率,一般不通CO2气体。因此只有进料量和4#、5#槽CO2通气量可供调节。进料量阀门调节是为了保证前三槽分解率梯度合理,并避免高位槽液位波动带来的进料量波动,5#槽CO2阀门调节是保证末槽分解率合格的关键,4#槽阀门调节是在料浆成分值波动较大时才启用。因此要得到较高的分解率应该以首槽进料阀门和4#、5#槽CO2通气阀门为控制对象,实现合理的分解梯度和合格的末槽分解率。
发明内容
为了提高铝酸钠溶液连续碳酸化分解的分解率,本发明将专家控制与预测控制策略相结合设计了铝酸钠溶液连续碳酸分解过程智能控制系统。
本发明将系统划分为专家控制器、模型预测控制器。在专家控制器中,信息获取与处理单元获取各槽的料浆成分信息及过程参数信息,由工艺工程师、仪表工程师和熟练操作人员的经验知识形成的知识库,经专家知识推理得出控制决策,即各个阀门开度的控制输出量,包括进料量阀门、4#槽和5#槽CO2通气量阀门。模型预测控制器基于“预测模型-滚动优化-反馈校正”的思想,其在有滞后环节的工业过程控制中体现了良好的性能,抗干扰性和鲁棒性特点。以神经网络良好的函数逼近能力,建立预测模型,采用一步超前预测控制算法,用简单的迭代即可获得控制量,实现对专家控制器5#槽CO2阀门开度输出值的智能补偿。
本发明系统稳定优化地运行,分解率合格率提高了4%,平均分解率提高了0.95%。
附图说明
图1本发明铝酸钠溶液连续碳酸分解过程控制回路图;
图2分解过程专家控制器结构图;
图3推理流程图;
图4本发明二自由度专家控制方框图。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细的说明。
(1)专家控制器设计
如图2所示,专家控制器主要由信息获取与处理单元、数据库、知识库、推理机、综合信息处理模块、解释机制模块、知识获取模块及学习与自适应模块等组成,其设计主要有知识库设计和推理过程设计两部分组成,分别说明如下:
步骤1:知识库设计
知识库是专家控制器的核心,是根据现场操作工人和工程技术人员的经验加以分析、归纳和总结得到的。由于产生式方法表现形式直观,有利于知识的提取和形式化,问题求解符合人们的认识过程,因此这里也采用产生式规则表示分解生产过程知识。
知识库主要是判断各槽的料浆成分信息及过程参数信息,给出各个阀门开度的控制输出量,包括进料量阀门、4#和5#槽CO2通气量阀门。通过通讯接口将各阀门控制量传给现场控制器执行。它包括主控制子知识库和修正控制子知识库。主控制子知识库主要存放正常工况下的控制规则,修正子知识库主要存放工况波动(如高位槽液位、提料风压、CO2压力和浓度等生产条件的波动)时修正控制规则。推理时将两个子知识库的推理结果进行加权综合,得到控制输出。例如:
IF(x(k)min≤A/SY<x(k)max)
AND(y(m)min ≤AOi<y(m)max)
AND(z(n)min≤Fi+1<z(n)max)
THEN(Outi+1变化p%)
…
其中,A/SY、AOi、Fi+1分别表示规则前件的原液铝硅比、第i#槽铝氧量、第i+1#槽分解率,Outi+1表示第i#槽CO2阀门开度,3<i<6,x(k)min、x(k)max、y(m)min、y(m)max、z(n)min、z(n)max分别为相应变量属性区间的最小、最大值,p%为阀门改变量。
步骤2:推理过程设计
如图3所示,专家控制器具体推理过程为:首先知识库匹配模块根据信息获取单元提供信息选择安全监控子知识库或正常控制子知识库,特征信息处理模块则根据相应子知识库中的数据库信息、信息获取单元提供的数据和分解率梯度指标,获取特征状态,推理机构运用数据链接推理方法将特征状态与推理规则的条件相匹配,如果匹配成功就触发该规则,执行规则的结论部分,解析模型根据结论和数据库匹配信息,给出报警输出至人机接口或将阀门开度值传给通讯接口。
(2)预测控制模块设计
预测控制基于“预测模型-滚动优化-反馈校正”的思想在有滞后环节的工业过程控制中体现了良好的性能,抗干扰性和鲁棒性都很显著。本发明利用神经网络良好的函数逼近能力,建立预测模型,采用一步超前预测控制算法,用简单的迭代即可获得控制量,实现对专家控制器5#槽CO2阀门开度输出值的智能补偿。
步骤1:预测模型的设计
预测模型是预测控制器的重要组成部分,它的精确性在很大程度上影响着整个系统的控制效果。预测模型通过分解生产过程相关参数的数据序列在时间上的延续性进行预测,基于神经网络对任意复杂非线性系统良好的逼近能力,本发明采用改进的BP神经网络实现时间序列的预测模型。
预测模型中,输出为末槽分解率,其影响因素很多,各因素之间也互相耦合。通过机理分析,确定了影响末槽分解率的重要因素:5#槽AO变化对下一时刻末槽分解率有直接的预示作用;5#槽CO2通气的改变量直接决定反应的程度;5#槽和6#槽槽分解率从时间和空间决定了下一时刻末槽分解率的连续性;末槽液位的高低会影响反应的料浆量;CO2浓度和压力变化会使反应程度变化。在机理分析的基础上,通过计算对应的主元矩阵、相关系数矩阵和荷载矩阵,在保证特征抽取率的前提下取前3各主元对输入变量进行相关性分析,最终确定了末槽分解率预测模型的输入变量:5#槽AO量和分解率、5#槽CO2通气量、6#槽分解率。
BP神经网络的结构如图5所示,其中,AO5(k-1)、AO5(k)分别表示会k-1和k时刻的5#槽AO量,F5(k)表示k时刻5#槽分解率,U5(k-1)、U5(k)分别表示k-1和k时刻5#槽CO2通气量,F6(k)、F6(k+1)分别表示k和k+1时刻6#槽分解率。经过网络的训练确定中间层神经元的个数以及各神经元权值和偏置。最终神经网络模型为
步骤2:反馈校正
为保证模型预测的准确性,消除模型失配时静差,实时对模型进行修正以提供更为准确的预测值。对模型的在线校正采用增量式直接神经网络“递推”校正方式。将k时刻的实际对象输出测量值与预测模型输出之间的误差附加到模型的预测输出上,得到闭环预测模型,可由下式描述
在此,将经过校正的末槽分解率预测模型输出值与末槽分解率设定值进行比较,得到的误差值经过一个分段线性化补偿器作用,产生一个校正补偿量。只要比例选择适当,就能取得很好的补偿控制作用。
本发明对分解生产过程强耦合、多变量、大惯性、大滞后的特征特点,建立了专家控制模型,并引入预测控制思想对其进行修正,开发了连续碳酸化分解过程智能控制系统,有效地实现了分解生产过程的优化稳定控制,对最终提高氧化铝产品的质量和产量作出了贡献。
α为修正权值,取值0~1,跟实际工况有关。一般认为,末槽分解率η处于工艺指标范围的中间值,则为最佳。例如规定末槽分解率合格范围在[93%,95%],则最佳值为94%。α具体取值如下,其中,(93.8,94.2]中不含94的点:
。
Claims (2)
1.一种铝酸钠溶液连续碳酸化分解过程智能控制系统,其特征在于:将铝酸钠溶液连续碳酸化分解各槽料浆成分信息和过程参数转化为专家控制器输入信息,设计产生式专家知识库和推理过程,得出进料量阀门、两个通气阀门的控制输出量;采用神经网络预测末槽分解率下一时刻的值来修正专家控制器5#槽CO2阀门开度输出值,通过计算对应的主元矩阵、相关系数矩阵和荷载矩阵,确定末槽分解率预测模型的输入变量:5#槽AO量和分解率、5#槽CO2通气量、6#槽分解率,经过网络的训练确定中间层神经元的个数为5个,利用训练得到的各神经元权值和偏置得到最终的神经网络模型为:
对模型的在线校正采用增量式直接神经网络递推校正方式,将k时刻的实际对象输出测量值与预测模型输出之间的误差附加到模型的预测输出上,得到闭环预测模型
式中α为修正权值,取值0~1,末槽分解率η处于指标范围的中间值为最佳。
2.根据权利要求1所述的铝酸钠溶液连续碳酸化分解过程智能控制系统,其特征在于:末槽分解率η合格范围在[93%,95%]时,最佳值为94%,当η分别为94.0,(93.8,94),(94,94.2],(93.5,93.8],(94.2,94.5][93.0,93.5],[94.5,95.0],α具体取值为,0,0.5,0.5,0.7,0.3,0.1,0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100320822A CN101339408A (zh) | 2008-08-15 | 2008-08-15 | 铝酸钠溶液连续碳酸化分解过程智能控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100320822A CN101339408A (zh) | 2008-08-15 | 2008-08-15 | 铝酸钠溶液连续碳酸化分解过程智能控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101339408A true CN101339408A (zh) | 2009-01-07 |
Family
ID=40213494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100320822A Pending CN101339408A (zh) | 2008-08-15 | 2008-08-15 | 铝酸钠溶液连续碳酸化分解过程智能控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101339408A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105271335A (zh) * | 2015-11-16 | 2016-01-27 | 中南大学 | 一种氧化铝双流法溶出过程入口矿浆和碱液的配比优化方法 |
CN112326504A (zh) * | 2020-10-28 | 2021-02-05 | 国电环境保护研究院有限公司 | 一种复合脱硫装置石膏浆液密度测量方法及测量系统 |
CN112560338A (zh) * | 2020-12-10 | 2021-03-26 | 东北大学 | 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质 |
RU2795299C1 (ru) * | 2022-05-19 | 2023-05-02 | Общество с ограниченной ответственностью "Объединенная Компания РУСАЛ Инженерно-технологический центр" | Способ управления гранулометрическим составом гидроксида алюминия |
-
2008
- 2008-08-15 CN CNA2008100320822A patent/CN101339408A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105271335A (zh) * | 2015-11-16 | 2016-01-27 | 中南大学 | 一种氧化铝双流法溶出过程入口矿浆和碱液的配比优化方法 |
CN112326504A (zh) * | 2020-10-28 | 2021-02-05 | 国电环境保护研究院有限公司 | 一种复合脱硫装置石膏浆液密度测量方法及测量系统 |
CN112326504B (zh) * | 2020-10-28 | 2023-09-26 | 国电环境保护研究院有限公司 | 一种复合脱硫装置石膏浆液密度测量方法及测量系统 |
CN112560338A (zh) * | 2020-12-10 | 2021-03-26 | 东北大学 | 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质 |
CN112560338B (zh) * | 2020-12-10 | 2022-03-25 | 东北大学 | 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质 |
RU2795299C1 (ru) * | 2022-05-19 | 2023-05-02 | Общество с ограниченной ответственностью "Объединенная Компания РУСАЛ Инженерно-технологический центр" | Способ управления гранулометрическим составом гидроксида алюминия |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11755976B2 (en) | Method for predicting oxygen load in iron and steel enterprises based on production plan | |
US5521814A (en) | Process optimization and control system that plots inter-relationships between variables to meet an objective | |
CN109062053A (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
CN110866659B (zh) | 一种拜耳法氧化铝生产高压管道溶出过程中苛性比值在线预测方法 | |
CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
CN101957598A (zh) | 一种大时滞系统的灰色无模型控制方法 | |
CN108921352B (zh) | 一种具有区间不确定性的湿法冶金浸出过程优化方法 | |
WO2021203912A1 (zh) | 氧气底吹炉铜吹炼过程参数在线预测方法 | |
CN109670625A (zh) | 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法 | |
CN104318090A (zh) | 基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测方法 | |
CN103500280A (zh) | 谷氨酸发酵过程菌体浓度在线软测量方法 | |
CN104765347A (zh) | 一种渣油延迟焦化过程中收率实时预测方法 | |
CN101339408A (zh) | 铝酸钠溶液连续碳酸化分解过程智能控制系统 | |
Li et al. | Soft sensor and expert control for blending and digestion process in alumina metallurgical industry | |
Liang et al. | A transfer predictive control method based on inter-domain mapping learning with application to industrial roasting process | |
Yang et al. | Modeling and optimal-setting control of blending process in a metallurgical industry | |
Wang et al. | Transfer learning based on incorporating source knowledge using Gaussian process models for quick modeling of dynamic target processes | |
Yang et al. | A two-stage intelligent optimization system for the raw slurry preparing process of alumina sintering production | |
CN102676818A (zh) | 一种湿法炼锌除铜过程锌粉有效性系数预测方法 | |
CN115034486A (zh) | 水泥窑烟气iSNCR脱硝预测控制方法 | |
CN114089636A (zh) | Scr脱硝外挂式智能喷氨闭环控制方法与设备 | |
CN112926765A (zh) | 一种脱硫系统运行优化方法以及信息物理融合系统 | |
Zhang et al. | Reliable multi-objective on-line re-optimisation control of a fed-batch fermentation process using bootstrap aggregated neural networks | |
Dering et al. | A scenario-based framework for the integration of scheduling and control under multiple uncertainties | |
Zhang et al. | A comprehensive setting method for the optimal setpoint of controlled variables in the zinc smelting solution purification process under multi-variation inlet status |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090107 |