CN101526814B - 湿法冶金浸出过程浸出率预测与优化操作方法 - Google Patents

Abstract

湿法冶金浸出过程浸出率预测与优化操作方法，是通过建立的混合模型预报浸出率，并给出优化操作指导，其中建立了完整的浸出过程动态机理模型，机理模型由研究矿物浸出的动力学原理出发，逐步建立浸出过程物料平衡方程及能量平衡方程，本发明装置包括浸出过程浸出率预测及操作优化系统、上位机、PLC、现场传感变送部分，其中现场传感变送部分包括pH值、温度、流量等检测仪表。采用本发明的技术方案能大幅度提高浸出率，使生产始终维持在最佳操作状况，并能减少原料和能源的消耗，延长设备的运行周期。另外，还能及时反映市场供求关系的变化。

Description

湿法冶金浸出过程浸出率预测与优化操作方法 

技术领域

本发明属于湿法冶金领域，特别提供一种湿法冶金浸出过程浸出率预测与优化操作方法，即提供一种预测浸出率的方法，并为浸出过程设计最合理的操作条件以降低成本。 

背景技术

随着高品位矿石的逐渐减少，湿法冶金工业已经开始受到世界各国的高度重视。湿法冶金全过程的一般工艺流程为：①矿石原料预处理(磨矿)；②矿石原料浸出；③固液分离、溶液净化、富集及分离(萃取)；④从溶液中回收化合物或金属。 

湿法冶金技术得到长足发展主要缘于它在以下几方面中的优势： 

(1)可以处理低品位物料，包括低品位原生硫化矿、氧化矿、表外矿及废弃的尾矿，并可对一些低品位二次资源中的有价金属进行回收； 

(2)可以处理复杂矿石，包括一些低品位复杂矿石及大洋锰结核，能够有效回收其中的各种有价金属； 

(3)可以提高资源的综合利用率，在提取精矿中主金属的同时，可以回收一些伴生的稀贵金属(Au，Ag及铂族金属)及稀散金属； 

(4)劳动条件较好，有利于环保，较容易实现清洁生产； 

(5)吸入了其他一些学科的理论与新技术，相关学科的发展也促进了它的发展。 

浸出过程是湿法冶金的第一个工序，浸出液的品质好坏直接决定了后面工序提取金属的纯度，因此对浸出过程的研究就显得尤为重要。浸出过程最主要的生产指标是浸出率，浸出率直接反应浸出过程的产品质量，目前浸出率的检测方法大多是离线化验检测，检测时间长、成本高，通常只化验最终的浸出率，因此国内各主要湿法冶金厂通常采取延长浸出时间的方法来确保浸出率达到生产要求，这不但影响生产效率而且增加了原料的损耗(硫酸、焦亚硫酸钠)，因此建立一个浸出率预测模型就成为了当务之急。目前对浸出过程的建模研究，还处于空白的层面上。国内浸出过程的普遍生产操作粗糙，浸出时间长，能耗大，直接拖累了后面的工序，为此，国家科技部批准立项对湿法冶金浸出过程的优化技术进行攻关，要求开发具有自主知识产权的浸出过程优化控制软件系 统，并应用研究成果在示范基地建立浸出过程自动化生产线，逐步在各湿法冶金工厂推广应用，促进我国湿法冶金工业的跨越式发展。 

发明内容

本发明是国家科技部批准的《国家863计划选冶过程测控关键技术与设备》攻关项目中的《湿法冶金过程优化控制软件系统开发》的配套新技术。 

本发明提供了湿法冶金浸出过程浸出率预测与优化操作方法，根据建立的混合模型预报浸出率，并给出优化操作指导。 

本发明以国家863实验基地的浸出生产线为研究对象，经过长时间的现场调研、查阅文献、方程推导，建立起了完整的浸出过程动态机理模型。由于在建立机理模型过程中做了很多假设估计了很多参数量，因此使机理模型与实际系统之间存在着建模误差。因此只要能估计出建模误差，并将其加到机理模型上，将使模型的精度大为提高，本发明将支持向量机建立的误差数据模型补偿到机理模型上，以确保模型的准确性。在优化研究上本发明研究人员经过了长时间的现场调研，建立起了适合湿法冶金浸出过程的优化模型，并根据现场实际情况采用了在线优化的策略，采用繁殖PSO算法对优化目标进行求解，使得求解精度提高，该优化方法的特点是安全可靠、风险小、成本低、易于推广。 

本发明的机理模型由研究矿物浸出的动力学原理出发，逐步建立浸出过程物料平衡方程及能量平衡方程。设有一浸出过程，反应速度受化学反应控制，则： 

$\frac{-\mathrm{dN}}{\mathrm{dt}}=\mathrm{kSC}---\left(1\right)$

其中：N为矿物的量，t为时间，S为颗粒表面积，k为反应常数，C为浸出液酸的浓度。 

在反应的过程中，颗粒的表面积S将发生改变。其半径为r_k，密度为ρ，M为矿物的摩尔质量，则： 

S＝4πr_k ²                                (2) 

$N=\frac{4}{3}{{\mathrm{\πr}}_k}^3\mathrm{\ρ}/M---\left(3\right)$

代入式(1)可得： 

$-\frac{{\mathrm{dr}}_k}{\mathrm{dt}}=\frac{\mathrm{kMC}}{\mathrm{\ρ}}---\left(4\right)$

其中：M为矿石的平均摩尔质量。 

因为矿粒的半径不便于测定，通常用反应浸出分数(浸出率)y与t的关系 表示动力学方程式。假定N₀为开始时矿粒的摩尔数，则： 

$y=\frac{N_0-N}{N_0}=1-\frac{{r_k}^3}{r_{k0}^3}---\left(5\right)$

其中r_k0为矿粒初始半径。 

代入式(4)可得： 

$\frac{\mathrm{dy}}{\mathrm{dt}}=\frac{3\mathrm{kCM}}{r_{k0}\mathrm{\ρ}}{(1-y)}^{2/3}---\left(6\right)$

其中k为反应速度常数，根据阿累尼乌斯公式有： 

k＝Ae^-E/RT                      (7) 

其中：A为常数，E为矿石活化能，R为气体常数，T为温度。 

建立机理模型前我们对浸出过程做如下假设： 

(1)搅拌槽内流场分布均匀； 

(2)搅拌槽内温度分布均匀； 

(3)反应过程不放热； 

(4)混合物平均比热与温度无关，且不随产物组成变化； 

(5)进入水中的二氧化硫充分参与反应； 

(6)将矿浆组成分成两部分，既一部分是需要被还原的高价矿，另一部分是不须还原的矿。 

这样浸出过程矿物的物料平衡方程就可用以下的微分方程来描述： 

2价： $\frac{{\mathrm{dy}}_1}{\mathrm{dt}}=\frac{{2\mathrm{Ay}}_{3}M}{r_{k0}\mathrm{\ρ}}\·e^{-E_1/{\mathrm{Ry}}_5}\·{(1-y_1)}^{2/3}---\left(8\right)$

3价： $\frac{{\mathrm{dy}}_2}{\mathrm{dt}}=\frac{{2\mathrm{Ay}}_{4}M}{r_{k0}\mathrm{\ρ}}\·e^{-E_2/{\mathrm{Ry}}_5}\·{(1-y_2)}^{2/3}---\left(9\right)$

总浸出率： 

其中：y₁为低价矿浸出率，y₂为高价矿浸出率，y₃为硫酸浓度，y₄为亚硫酸浓度，y₅为浸出液温度，E₁为二价矿活化能，E₂为三价矿活化能。 

在浸出过程中随着反应的不断进行硫酸及亚硫酸浓度也是不断变化的。引起硫酸浓度变化的因素有两个：一是反应消耗的硫酸引起的硫酸浓度的变化；二是在反应过程中补充的硫酸所引起的变化。结合这两点因素，硫酸的物料平衡可用下面的微分方程表示： 

其中：K₁＝χ·G/M，C_浓为浓硫酸浓度，u₂为硫酸流量，ρ_硫酸为硫酸密度，M_硫酸硫酸的摩尔质量，χ为矿物中低价矿物的含量，G为所加矿石重，α为1摩尔低价矿物浸出时消耗硫酸的量，V为浸出槽体积。 

引起亚硫酸浓度变化的因素有四个：①反应消耗的亚硫酸的量；②二氧化硫的通气量；③二氧化硫的溶解度(溶解度与温度有关)；④二氧化硫与浸出液的接触面积。二氧化硫的溶解速度^[16]和二氧化硫与浸出液的接触面积^[17]有如下表示： 

溶解速度：v_g＝D_g(C_h-y₄)/δ_g                            (12) 

接触面积：S_g＝3u₃H/(ur)                                (13) 

针对以上的特殊性，建立了亚硫酸浓度的物料平衡方程： 

$\frac{{\mathrm{dy}}_4}{\mathrm{dt}}=(v_g\·{3u}_{3}H/\left(\mathrm{ur}\right)-K_2\·\frac{{\mathrm{dy}}_2}{\mathrm{dt}}\·\mathrm{\β})/V---\left(14\right)$

其中：K₂＝γ·G/M，D_g为气体在水中的扩散系数，C_h为二氧化硫在浸出液中的溶解度，δ_g气液界面气体扩散层的厚度，u₃为二氧化硫流量，H为浸出槽高度，μ为气泡的上升速度，r为气泡半径，γ为高价矿含量，β为1摩尔高价矿物浸出时消耗二氧化硫的量。 

该浸出过程是一个需要蒸汽加热的搅拌反应过程，在这个过程中能量从搅拌槽的包壁向浸出液中扩散，是一个能量的传递过程，该过程可以由下面的微分方程表示： 

$\frac{{\mathrm{dy}}_5}{\mathrm{dt}}=U\·B\·(u_1-y_5)/(m\·\stackrel{\‾}{\mathrm{cp}})---\left(15\right)$

其中：U为浸出槽的传热系数，B为浸出槽换热面积，u₁为温度控制量，m为整个浸出液的质量，cp为浸出液平均比热。 

综上所述，浸出过程的动态模型可以由(8)、(9)、(10)、(11)、(14)或(15)式来表示。 

本发明中采用支持向量机作为数据建模方法以补偿机理模型，其模型结构如图2所示。尽管最早SVM的提出是针对分类问题的，但是通过引入损失函数的概念可以推广引申到函数回归的问题上来，这样，就为解决一些非线性建模问题提供了一种新的思路，而且随着对支持向量机研究的深入，利用其进行建 模的优势越来越明显，尤其是在小样本、非线性、高维数、局部极小点等实际系统建模领域。 

首先考虑用线性回归函数f(x)＝ω·x+b拟合数据(x_i，y_i)，i＝1，...，n，x∈R^d，y∈R，并假设所有训练数据都可以在精度ε下无误差地用线性函数拟合，即  $\left\{\begin{array}{c}{y}_i-\mathrm{\ω}\·x-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ \mathrm{\ω}\·x+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\end{array}\right.i=1,...,n,$ (ξ_i， ${\mathrm{\ξ}}_i^{*}\≥0$ 为松弛因子)    (16) 

根据统计学习理论风险最小化(SRM)准则，优化目标变成： 

$\min .\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+c\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*}),(c>0)---\left(17\right)$

上试的优化问题可以利用Lagrange优化方法转化为对偶问题求解，可以根据目标函数和约束条件建立其Lagrangian函数： 

$L(\mathrm{\ω},b,\mathrm{\ξ}{,\mathrm{\ξ}}^{*},a,a^{*},\mathrm{\η},{\mathrm{\η}}^{*})=\frac{1}{2}{\mathrm{\ω}}^T\mathrm{\ω}+c\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\ξ}}_j+{\mathrm{\ξ}}_i^{*})$

其中a_i，a_i ^*，η_i，η_i ^*为Lagrange乘子。分别对式中b，ω，ξ_i ^*求偏导并令偏导为零，得： 

$\frac{\∂L}{\∂b}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(a_i^{*}-a_i)=0---\left(19\right)$

$\frac{\∂L}{{\∂\mathrm{\ξ}}_i^{*}}=c-a_i^{*}{-\mathrm{\η}}_i^{*}=0---\left(21\right)$

将(19)-(21)代入(18)可得对偶优化问题，则(18)式可转化为： 

$L(a,a^{*})=-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(a_i+a_i^{*})+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i(a-a_i^{*})-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}(a_i-a_i^{*})(a_j-a_j^{*})(x_i,x_j)---\left(22\right)$

约束条件： 

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(a_i-a_i^{*})=0,(0\≤a_i,a_i^{*}\≤c,i=1,...,n)---\left(23\right)$

进一步可求得使以上目标函数最大化的Lagrange乘子a_i，a_i ^*，并由(20)式得到权值ω后，得到回归函数： 

$f\left(x\right)=(\mathrm{\ω}\·x)+b=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(a_i-a_i^{*})(x_i\·x)+b---\left(24\right)$

其中 $(a_i-a_i^{*})\≠0$ 对应的x_i为支持向量。b可以通过KKT(Karush-Kuhm-Tucker)条件计算。 

对于一个非线性问题，用核函数K(x_i，x_j)将训练数据映射到一个高维特征空间，然后在这个空间建立一个线性回归函数，就可以根据以上的推导过程求得非线性回归函数的模型： 

$f\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(a_i-a_i^{*})K(x_i,x)+b$

利用上述算法的建模步骤如下： 

(1)将训练样本作归一化处理； 

(2)选择支持向量机参数； 

(3)构造Q矩阵； 

$Q_{\mathrm{ij}}=\exp (-{\left|\right|x}_i-x_j{\left|\right|}_2^2/{\mathrm{\σ}}^2);$

(4)求取下列二次规划化问题的解 

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\min .}\frac{1}{2}[\mathrm{\α},{\left({\mathrm{\α}}^{*}\right)}^T]\left[\begin{array}{cc}Q& -Q\\ -Q& Q\end{array}\right]\left[\begin{array}{c}\mathrm{\α}\\ {\mathrm{\α}}^{*}\end{array}\right]+[\mathrm{\ϵI}+y^T,\mathrm{\ϵI}-y^T]\left[\begin{array}{c}\mathrm{\α}\\ {\mathrm{\α}}^{*}\end{array}\right]$

$s.t.[I^T,-I^T]\left[\begin{array}{c}\mathrm{\α}\\ {\mathrm{\α}}^{*}\end{array}\right]=\mathrm{0,0}\≤\mathrm{\α},{\mathrm{\α}}^{*}\≤C,I={[1,...,1]}^T$

(5)α，α^*不为零的项对应的x构成了支持向量，再求出b的值： 

$b=\frac{1}{r}\underset{i=1}{\overset{r}{\mathrm{\Σ}}}(y_i-\underset{i=1}{\overset{r}{\mathrm{\Σ}}}({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})k(x_j,x_i))$

(6)由支持向量和α，α^*，b确定了支持向量机模型。 

$f\left(x\right)==\underset{i=1}{\overset{m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\exp (-{\left|\right|x_i-x\left|\right|}_2^2/{\mathrm{\σ}}^2)+b$

基于混合模型的浸出过程浸出率预测依如下步骤进行： 

步骤一、机理模型参数选取； 

(1)现场已知参数； 

(2)查阅文献而得参数； 

(3)实验所得参数； 

(4)辩识所得参数，辩识模型结构如图3所示。 

步骤二、机理模型预测：利用机理模型对浸出率进行预测，并记录预测结果； 

步骤三、采集现场数据：采集浸出率化验检测结果； 

步骤四、将预测结果与浸出率化验检测结果比较，计算预测结果与浸出率化验检测结果之间的差值； 

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浸出率化验检测结果之间的差值组成输入输出数据对，利用上述混合建模方法进行训练，得到数据模型中的参数； 

步骤六、浸出率混合预测模型的预测：将机理模型与数据模型并联组成浸出率混合预测模型，并对浸出率进行实时预测。 

本发明预测方法具有以下优势：既考虑了机理模型的优势，又考虑了数据模型的特点，因而本发明的研究成果还可以应用到其它化工领域中的间歇过程。 

由于目前的浸出操作过程比较粗糙，造成生产成本居高不下，利润较低，本发明为浸出过程设计了在线优化系统，降低了浸出过程的生产成本。 

在线优化就是随时监测过程运行状况，在满足所有约束条件的前提下，不断调整工作点，以克服这些影响因素，保证过程始终能够得到最佳的经济效益。本发明的整个优化过程是自动运行的，从数据采集到优化计算和实施，构成一个闭合的回路，无须工人干预。浸出过程在线优化以前面的混合模型为基础，建立优化模型，并采用繁殖PSO算法进行寻优计算。 

PSO基本思想为：初始化一群随机粒子(随机解)，然后通过迭代找到最优解.在每一次迭代中，粒子通过跟踪两个“极值”来更新自己.第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest；另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest.在找到这两个最优值时，粒子根据如下两个公式来更新自己的速度和位置： 

$v_i^{k+1}=w\·v_i^t+c_1\·r_1({\mathrm{pbest}}_{\mathrm{id}}^k-x_{\mathrm{id}}^x)+c_2\·r_2({\mathrm{gbest}}_{\mathrm{id}}^k-x_{\mathrm{id}}^k)$ (26) 

$x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_i^{k+1}$

其中，v为粒子的速度，x为粒子的位置；i＝1，…，m，m为粒子群中粒子的个数；d＝1，…，n，n为解向量的维数；k＝1，…，k_max，k_max为最大迭代次数；c₁，c₂为加速正常数；w为惯性权重；r₁，r₂是[0，1]之间的随机数。 

繁殖PSO借鉴了遗传算法的思想：微粒群中的微粒被赋予一个杂交概率，这个杂交概率是用户确定的，与微粒的适应值无关。在每次迭代中，依据杂交概率选取指定数量的微粒放入一个池中。池中的微粒随机地两两杂交，产生同样数目的孩子微粒，并用孩子微粒代替父母微粒，以保持种群的微粒数目不变。孩子微粒的位置及速度更新公式为： 

child₁(x)＝p×parent₁(x)+(1-p)×parent₂(x) 

child₂(x)＝p×parent₂(x)+(1-p)×parent₁(x) 

${\mathrm{child}}_1\left(v\right)=\frac{\mathrm{pare}{\mathrm{nt}}_1\left(v\right)+\mathrm{paren}{t}_2\left(v\right)}{|{\mathrm{parent}}_1\left(v\right)+\mathrm{paren}{t}_2\left(v\right)|}\left|{\mathrm{parent}}_1\left(v\right)\right|$

${\mathrm{child}}_2\left(v\right)=\frac{\mathrm{pare}{\mathrm{nt}}_1\left(v\right)+\mathrm{paren}{t}_2\left(v\right)}{|{\mathrm{parent}}_1\left(v\right)+\mathrm{paren}{t}_2\left(v\right)|}\left|{\mathrm{parent}}_2\left(v\right)\right|.$

其中：x为D维位置向量，v为D维速度向量，p为D维[0，1]之间的随机数向量。 

针对浸出过程的特性，以浸出率混合预测模型为基础，本发明确定了浸出过程优化模型： 

max：Y＝(y·G_矿·2％·P-(QT+Ql+Qs+Qd))·24·3600/t 

st.y＞98％ 

363＞T＞333 

0.4＞l＞0 

4000＞L＞1000 

12000＞t＞8000 

过程机理模型 

浸出率混合预测模型 

其中：y为浸出率，由混合模型表达，G_矿为矿物重量，P为当前市场矿的价格，QT、Ql、Qs、Qd为各操作量的损耗，t为时间，T为温度，l为硫酸流量，L为SO2流量。 

基于繁殖PSO的浸出过程在线优化流程图如图4所示，并依如下步骤进行： 

(1)初始化算法参数； 

(2)数据调和； 

(3)过程模型参数估计； 

(4)优化计算； 

(5)依照计算结果调整操作值； 

本发明在线优化方法具有以下优势： 

i.提高浸出率，使生产始终维持在最佳操作状况； 

ii.减少原料和能源的消耗； 

iii.延长设备的运行周期； 

iv.对市场供求关系的变化反映及时； 

v.进一步深化对过程工艺与操作的了解，有助于工艺的改进和操作策略的调整。 

本发明装置包括浸出过程浸出率预测及操作优化系统、上位机、PLC、现场传感变送部分，其中现场传感变送部分包括pH值、温度、流量等检测仪表。在浸出过程现场安装检测仪表，检测仪表将采集的信号送到下位机，通过以太网下位机定时将采集信号传送到上位机，上位机把接受的数据传到浸出过程浸出率预测系统，进行浸出率实时预测，并在上位机组态界面中进行显示。 

本发明装置的各部分功能： 

(1)现场传感变送部分：包括pH值、温度、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； 

(2)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； 

(3)上位机：收集本地PLC数据，传送给浸出过程预测及优化系统，并在上位机组态界面中进行显示； 

附图说明

图1为本发明装置的结构示意图； 

图2为混合模型原理图； 

图3为辩识模型原理图； 

图4为本发明在线优化流程图； 

图5为本发明装置结构示意图； 

图6浸出率实际值与模型预测值对比曲线图； 

图7为本发明预测及优化系统界面图。 

图8为浸出过程预测及优化系统主界面图(监制界面)。 

图9为浸出过程预测及优化系统浸出率预测界面图。 

具体实施方式

下面结合附图对本发明装置的具体实施方式进行详细描述。 

如图5所示，本发明装置包括浸出率预测系统、上位机、PLC、现场传感变送部分，浸出过程检测系统主要由SO₂流量检测、硫酸流量检测、pH值检测、温度检测构成。 

上位机和浸出率预测及优化系统选用Core 2 DELL计算机，采用WINDOWXP操作系统。浸出率预测及优化系统运行在Core 2 DELL计算机上，采用C#.net软件实现界面功能，本系统的界面图如图7所示。上位机与浸出率预测及优化系统的信号传送软件是采用Prodave软件。浸出过程浸出液的pH值是通过 EUTECH公司生产的pH200型传感器来检测的。流量计输出的信号为标准的电流信号，人们可以从就地显示仪表直观的读出流量的大小。浸出过程的温度也是通过EUTECH公司温度传感器来检测的。 

在浸出现场安装检测仪表，检测仪表将采集的信号送到PLC，PLC定时将采集信号传送到上位机，上位机把接受的数据传给浸出率预测系统，进行浸出率在线预测及在线优化计算，然后在上位机组态界面中显示浸出率，并将操作信号送到控制系统。 

下面结合具体的实施例并对本发明的内容作好了充分的技术保密的前提下在浸出生产线上得到了实际应用并取得了显著的效果。 

实施例一：浸出槽1#浸出率预测模型 

1.预测模型自变量与因变量：浸出槽内浸出液温度(CAO_TEM，K)，浸出槽内浸出液PH值(CAO_PH)，通入的SO₂流量(CAO_SO₂，ml/s)，通入的硫酸流量(CAO_H₂SO₄，L/s)，浸出时间(TIME，s)，浸出率(JINCHULV，％)。 

2.数据集：采集浸出生产线浸出槽两个月生产数据(自变量与因变量)，在线数据每30秒采集一次，训练集有效样本65个。 

在实际应用中，过程数据是来自现场的，受测量仪表精度、可靠性和现场测量环境等因素的影响，不可避免的要带有各种各样的测量误差。采用低精度或失效的测量数据可能会导致软测量性能的大幅度下降，严重时甚至导致软测量的失败，因此对测量数据的预处理对保证软测量仪表的正常运行非常重要。数据预处理包括数据变换和数据校正。最常用的数据预处理方法是用统计假设检验剔除含有显著误差的数据后，再采用均值滤波的方法去除随机误差。 

由于数据样本条件限制，本文主要进行异常数据的剔除，采用的是统计判别法中的拉依达准则，其原理如下： 

设样本数据为X＝(x₁，x₂，...x_n)^T，平均值为X，偏差为v_i＝x_i-X(i＝1，2，...，n)按照贝叶斯公式计算出标准偏差： 

$S=\mathrm{\σ}={[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v_i}^2/(n-1)]}^{1/2}---\left(25\right)$

如果某一样本数据x_i的偏差v_i满足：|v_i|＞3σ，则认为x_i是异常数据，应该剔除。 

数据的无量纲化处理 

由于在实际问题中，各变量的测量单位不一致，如果不经过一定的处理，会夸大其中大量纲数据的作用，而忽略其他变量，从而不能真实反映数据本身 的变化情况。因此，要消除变量的量纲效应，使每一个变量都具有同等表现能力。由于模型的预测只能对给定范围内的自变量给出响应变量的期望值，即模型的预测能力具有内插值特性，而不具有外插值特性，超出最大值的输入必将会产生较大的输出误差。因此，为了使软测量模型具有较好的预测能力，我们选取的建模用训练样本应尽可能包含各变量的最小和最大值，从而使得校验数据都在样本数据范围内，减少预测误差。其数学表达式为： 

$x_i=\frac{X_i-X_{\min }}{X_{\max }-X_{\min }}---\left(26\right)$

式中x_i-处理后数据； 

X_j-样本数据； 

X_max-样本数据最大值； 

X_min-样本数据最小值。 

3.机理模型辨识：将上述有效数据送入辨识模型中，辨识机理模型参数。 

4.建立混合模型：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，调用数据建模方法进行训练，得到数据模型中的参数，将数据模型输出值与机理模型输出值相加得到混合模型输出。 

5.模型验证：为了验证模型的可靠性，我们用历史生产数据建立的混合预测模型并将预测结果与实际值进行比较，对比样本28个，平均误差为-0.0054，实际值、预测值及误差见表1所示，实际值、预测值及误差曲线如图6所示。因此，所建模型基本能够满足生产预测需要。 

表1实际值、预测值及误差 

	实际采样值	预测值	误差
				样本1	0.9656	0.9703	-0.0048
样本2	0.9628	0.9849	-0.0220
				...
样本27	0.9677	0.9864	-0.0187
				样本28	0.9782	0.9750	0.0032

实施例二：浸出槽1#在线优化： 

1.优化目标变量和优化自变量：以浸出槽的经济效益为优化目标，浸出槽内浸出液温度(CAO_TEM，K)及其损耗(QT)，通入的SO₂流量(CAO_SO₂，ml/s)及其损耗(Qs)，通入的硫酸流量(CAO_H₂SO₄，L/s)及其损耗(Q1)， 搅拌电机损耗(Qd)，浸出时间(TIME，s)，浸出率(y，％)。 

2.建立生产优化模型：采集浸出生产线浸出槽两个月生产数据，在线数据每30秒采集一次，训练集有效样本65个。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，调用数据建模方法进行训练，得到数据模型中的参数，将数据模型输出值与机理模型输出值相加得到混合模型输出。将混合模型带入到浸出过程优化模型中，建立浸出过程优化模型。 

3.在线优化指导：将浸出槽1#的实时生产数据输入已建立的模型中，实现在线生产工况监测、浸出率预测及生产操作指导。经过长达两个月的现场应用，优化结果如表2所示： 

表2优化结果对照表 

	浸出率	硫酸	SO2	生产时间
					历史平均  每槽	97.743％	352.78L	27.63m3	8.38小时
优化后平均  每槽	98.136％	351.69L	23.95m3	7.30小时
					优化效果	提高0.393个   百分点	每槽节省   1.09L	每槽节省   3.68m3	每槽生产时间   缩短1.08小时

因此，可以看出浸出过程在实施在线优化指导后既提高了生产效率，又降低了能耗。 

结论：本发明的预测算法能够较准确的预测浸出率，基本能够满足生产预测需要；实施了在线优化之后的浸出生产过程，生产效率明显提高，能耗也有所降低，通过两个实施例可以看出，本发明的方法是行之有效的。 

Claims (2)

1.湿法冶金浸出过程浸出率预测与优化操作方法，采用已知的湿法冶金浸出工艺，其特征在于：通过建立的混合模型预报浸出率，并给出优化操作指导，其中建立了完整的浸出过程动态机理模型，机理模型由研究矿物浸出的动力学原理出发，逐步建立浸出过程物料平衡方程及能量平衡方程，浸出过程矿物的物料平衡方程用以下的微分方程来描述：

2价： $\frac{{\mathrm{dy}}_1}{\mathrm{dt}}=\frac{3A{y}_{3}M}{r_{k0}\mathrm{\ρ}}\·e^{-E_1/{\mathrm{Ry}}_5}\·{(1-y_1)}^{2/3}...\left(1\right)$

3价： $\frac{{\mathrm{dy}}_2}{\mathrm{dt}}=\frac{3A{y}_{4}M}{r_{k0}\mathrm{\ρ}}\·e^{-E_2/{\mathrm{Ry}}_5}\·{(1-y_2)}^{2/3}...\left(2\right)$

总浸出率：

其中：t为时间，密度为ρ，M为矿物的摩尔质量，r_k0为矿粒初始半径，A为常数，E为矿石活化能，R为气体常数，y₁为低价矿浸出率，y₂为高价矿浸出率，y₃为硫酸浓度，y₄为亚硫酸浓度，y₅为浸出液温度；

在浸出过程中随着反应的不断进行硫酸及亚硫酸浓度也是不断变化的；引起硫酸浓度变化的因素有两个：一是反应消耗的硫酸引起的硫酸浓度的变化；二是在反应过程中补充的硫酸所引起的变化，结合这两点因素，硫酸的物料平衡用下面的微分方程表示：

其中：K₁＝χ·G/M，C_浓为浓硫酸浓度，u₂为硫酸流量，ρ_硫酸为硫酸密度，M_硫酸硫酸的摩尔质量，χ为矿物中低价矿物的含量，G为所加矿石重，α为1摩尔低价矿物浸出时消耗硫酸的量，V为浸出槽体积；

引起亚硫酸浓度变化的因素有四个：①反应消耗的亚硫酸的量；②二氧化硫的通气量；③二氧化硫的溶解度；④二氧化硫与浸出液的接触面积；二氧化硫的溶解速度和二氧化硫与浸出液的接触面积有如下表示：

溶解速度：v_g＝D_g(C_h-y₄)/δ_g................................(5)

接触面积：S_g＝3u₃H/(ur)....................................(6)

针对以上的特殊性，建立了亚硫酸浓度的物料平衡方程：

$\frac{d{y}_4}{\mathrm{dt}}=(v_g\·{3u}_{3}H/\left(\mathrm{ur}\right)-K_2\·\frac{{\mathrm{dy}}_2}{\mathrm{dt}}\·\mathrm{\β})/V...\left(7\right)$

其中：K₂＝γ·G/M，D_g为气体在水中的扩散系数，C_h为二氧化硫在浸出液中的溶解度，δ_g气液界面气体扩散层的厚度，u₃为二氧化硫流量，H为浸出槽高度，μ为气泡的上升速度，r为气泡半径，γ为高价矿含量，β为1摩尔高价矿物浸出时消耗二氧化硫的量；

该浸出过程是一个需要蒸汽加热的搅拌反应过程，在这个过程中能量从搅拌槽的包壁向浸出液中扩散，是一个能量的传递过程，该过程由下面的微分方程表示：

$\frac{{\mathrm{dy}}_5}{\mathrm{dt}}=U\·B\·(u_1-y_5)/(m\·\mathrm{cp})...\left(8\right)$

其中：U为浸出槽的传热系数，B为浸出槽换热面积，u₁为温度控制量，m为整个浸出液的质量，cp为浸出液平均比热；

综上所述，浸出过程动态机理模型由(1)、(2)、(3)、(4)、(7)、(8)式来表示；

采用支持向量机作为数据建模方法以补偿机理模型；

基于混合模型的浸出过程浸出率预测依如下步骤进行：

步骤一、机理模型参数选取；

(1)现场已知参数；

(2)查阅文献而得参数；

(3)实验所得参数；

(4)辩识所得参数，辩识模型结构；

步骤二、机理模型预测：利用机理模型对浸出率进行预测，并记录预测结果；

步骤三、采集现场数据：采集浸出率化验检测结果；

步骤四、将预测结果与浸出率化验检测结果进行比较，计算预测结果与浸出率化验检测结果之间的差值；

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浸出率化验检测结果之间的差值组成输入输出数据对，利用上述混合建模方法进行训练，得到数据模型中的参数；

步骤六、浸出率混合预测模型的预测：将机理模型与数据模型并联组成浸出率混合预测模型，并对浸出率进行实时预测；

浸出过程在线优化以前面的浸出率混合预测模型为基础，建立优化模型，并采用繁殖PSO算法进行寻优计算；

针对浸出过程的特性，以浸出率混合预测模型为基础，确定了浸出过程优化模型：

max：Y＝(y·G_矿·2％·P-(QT+Ql+Qs+Qd))·24·3600/t

st.y＞98％

363＞T＞333

0.4＞l＞0

4000＞L＞1000

12000＞t＞8000

过程机理模型

浸出率混合预测模型

其中：y为浸出率，由混合模型表达，G_矿为矿物重量，P为当前市场矿的价格，QT、Ql、Qs、Qd为各操作量的损耗，t为时间，T为温度，l为硫酸流量，L为SO₂流量；

基于繁殖PSO的浸出过程在线优化流程图，依如下步骤进行：

(1)初始化算法参数；

(2)数据调和；

(3)过程模型参数估计；

(4)优化计算；

(5)依照计算结果调整操作值；

采用的硬件装置包括浸出过程浸出率预测及操作优化系统、上位机、PLC、现场传感变送部分，其中现场传感变送部分包括pH值、温度、流量检测仪表；在浸出过程现场安装检测仪表，检测仪表将采集的信号送到下位机，通过以太网下位机定时将采集信号传送到上位机，上位机把接受的数据传到浸出过程浸出率预测及操作优化系统，进行浸出率实时预测，并在上位机组态界面中进行显示；

上述现场传感变送部分：pH值、温度、流量检测仪表由传感器组成，负责过程数据的采集与传送；

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；

上位机：收集本地PLC数据，传送给浸出过程浸出率预测及操作优化系统，并在上位机组态界面中进行显示。

2.根据权利要求1所述的湿法冶金浸出过程浸出率预测及操作优化方法，其特征在于所述的浸出过程浸出率及操作优化系统由上位机、PLC、现场传感变送部分构成，其中浸出过程浸出率预测系统主要由SO₂流量检测、硫酸流量检测、pH值检测、温度检测构成；

上位机和浸出过程浸出率预测及操作优化系统选用Core 2 DELL计算机，采用WINDOW XP操作系统；浸出过程浸出率预测及操作优化系统运行在Core2DELL计算机上，采用C#.net软件设计并实现界面功能；上位机与浸出过程浸出率预测及操作优化系统的信号传送软件是采用Prodave软件；浸出过程浸出液的pH值是通过EUTECH公司生产的pH200型传感器来检测的；流量计输出的信号为标准的电流信号，浸出过程的温度也是通过EUTECH公司温度传感器来检测的；

在浸出现场安装检测仪表，检测仪表将采集的信号送到PLC，PLC定时将采集信号传送到上位机，上位机把接受的数据传给浸出过程浸出率预测系统，进行浸出率在线预测及在线优化计算，然后在上位机组态界面中显示浸出率，并将操作信号送到控制系统；

系统界面包括：A浸出过程浸出率预测及操作优化系统主界面；B浸出过程浸出率预测及操作优化系统浸出率预测界面；C读取模型中重要参数的界面；D浸出过程浸出率预测及操作优化系统优化界面。

Images