CN104062953B - 金湿法冶金过程运行状态在线评价方法 - Google Patents
金湿法冶金过程运行状态在线评价方法 Download PDFInfo
- Publication number
- CN104062953B CN104062953B CN201410258092.3A CN201410258092A CN104062953B CN 104062953 B CN104062953 B CN 104062953B CN 201410258092 A CN201410258092 A CN 201410258092A CN 104062953 B CN104062953 B CN 104062953B
- Authority
- CN
- China
- Prior art keywords
- mode
- data
- evaluation
- online
- similarity
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
金湿法冶金过程运行状态在线评价方法,包括浸出、洗涤、置换等工艺构成,其特征在于通过计算在线数据与各个性能等级过程特征的相似度,实时评价湿法冶金生产过程的运行状态,并且在过程运行状态不优时,自动识别其原因,为实际生产过程提供有价值的指导建议。算法包括离线建模数据的模态识别、评价模型的建立、过程操作模态的在线识别、过程运行状态的在线评价、运行状态非优原因追溯等步骤。本发明能够提供实时的评价结果,避免人工评价的滞后问题,自动追溯非优原因,为操作工提供合理可靠的操作指导建议,以便及时对过程运行状态进行适当调整,确保企业经济效益和生产效率。
Description
技术领域
本发明属于金湿法冶金运行状态评价领域,提供一种有效的过程运行状态在线评价方法。
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。与传统的火法冶炼相比,湿法冶金技术具有高效、清洁、适用于低品位复杂金属矿产资源回收等优势。特别是针对我国金矿品位低,复杂共生,杂质含量高的特点,湿法冶金工艺工业化对于提高金矿的综合利用率,降低固体废弃物产量,减少环境污染,都有着重大意义。黄金湿法冶金全流程包括磨矿、浮选、氰化浸出、压滤洗涤、锌粉置换以及精炼等主要工序。由于黄金的经济价值和实用价值极高,不理想的生产运行状态将为企业经济效益、设备维护等方面带来严重的影响。因此,在线评价湿法冶金生产过程运行状态则更具有实际意义。本文以某黄金湿法冶金过程为研究背景,对其中氰化浸出、压滤洗涤和锌粉置换三个主要工序的生产运行状态进行评价。黄金湿法冶金主要工序如图1所示。
氰化浸出工序是决定最终黄金产量的重要生产过程之一。将浮选后的矿浆送往氰化浸出工序,同时向每个浸出槽内添加氰化钠并充入空气,使金与所添加试剂充分反应。其中,氰化钠是湿法冶金的重要反应试剂,充入的空气则为反应提供搅拌动力和适当的氧化还原电位,推进反应进行。另外,为防止氰化钠发生水解,放出剧毒的氰化氢气体,需要向矿浆中添加氧化钙以调节pH值。压滤洗涤工序的主要任务是将含金贵液从矿浆中分离出来,所用设备为具有固液分离功能的立式压滤机。该工序以追求最大固液分离效率为目标,而压滤机的进料压力、挤压压力和液压压力则是影响固液分离效率的关键参数。分离出来的贵液被送往锌粉置换工序。由于贵液中所含杂质和氧分子会严重影响置换效果,因此在贵液与锌粉反应之前需经过净化和脱氧。向脱氧后的贵液中添加适量锌粉,将贵液中的金置换出来。最后,通过板框挤压将置换后的贫液排出,金留在滤饼(金泥)中。达到一定重量的滤饼被送往精炼工序进一步提金。
合理的湿法冶金工艺流程是确保矿石中金有效回收利用、企业获得高收益回报的基本前提。然而,在实际生产过程受到外部环境干扰及不确定因素的影响时,操作变量(如,氰化钠流量,锌粉流量等)将逐渐偏离生产初期设定的最优工作范围,导致过程运行状态发生退化。过程运行状态的优劣与企业综合经济指标密切相关。较好的过程运行状态意味着,生产过程保持在当前生产操作条件下运行,企业将获得较高的综合经济收益。另外,由于初始条件(矿石中各个金属的品位、矿石粒径、矿石处理量等)的差异,操作变量的工作范围也不同,即湿法冶金过程具有多模态特性,每种初始条件对应着一种模态,每种模态的最优综合经济指标也不尽相同。由于黄金的经济价值极高,识别湿法冶金过程操作模态,并及时、准确的掌握该模态下生产过程的运行状态,对于提高企业生产效率和经济效益、便于生产调整具有重要的实际意义。
目前,国内外对湿法冶金工业的研究较少,自动化水平也不高,理论研究也只停留在对工艺研究及动力学研究的层面上,未见针对湿法冶金过程运行状态在线评价的研究报道。工厂所采用的评价方法是根据离线分析、化验及测量数据,确定操作模态,在一个生产周期(通常以天、月、年等为单位)结束后,根据各项生产指标(氰化钠消耗总量、锌粉消耗总加量、浸出率、置换率、矿石处理量、金泥品位等)统计出一个综合经济指标,以此衡量在该操作模态下这一生产周期内过程运行状态的优劣,并根据此评价结果对下一个生产周期进行适当的调整,以获得更好的经济收益。这种做法的缺点是,评价结果严重滞后与实际生产,且只能为下一生产周期提供操作指导,对已经完成的生产周期却无能为力;操作模态的识别通常依赖于一些离线测量化验等手段,无法在线实施;另外,操作工主要依靠各自的生产经验调节操作点,难以确保下一生产周期过程运行状态的改进。因此必须寻求适当的方法,本发明提供了适用于湿法冶金过程运行状态在线评价的方法。
发明内容
本发明的目的,是提供一种湿法冶金过程运行状态在线评价方法,根据过程特性在线识别过程所属的操作模态,并实时评价过程运行状态,当运行状态不优时,结合非优原因及生产经验给出操作指导。
本发明的目的是提供一种用于金湿法冶金生产过程运行状态在线评价的方法,能解决如下问题:
①利用可测过程信息在线识别生产过程所属的操作模态,为获得准确可靠的在线评价结果提供保障;
②为实际生产操作及管理人员实时提供湿法冶金生产过程运行状态信息,确保企业生产效率和经济效益;
③在生产过程运行状态不优时,自动追溯其原因,为操作工提供合理可靠的操作指导建议;
④提供实时的评价结果,避免人工评价的滞后问题,并及时对当前生产周期过程运行状态做出适当调整。
本发明采用的装置包括湿法冶金过程运行状态评价系统、上位机、PLC、现场传感变送部分。其中现场传感变送部分包括浓度、压力、流量等检测仪表。在湿法冶金过程现场安装检测仪表,检测仪表将采集的信号通过Profibus-DP总线送到PLC,PLC通过以太网定时将采集信号传送到上位机,上位机把接受的数据传到湿法冶金过程运行状态评价系统,进行过程运行状态实时评价,并提供生产操作指导建议。
本发明装置的各部分功能:
①现场传感变送部分:包括浓度、压力、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;
②PLC: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,传送给湿法冶金过程运行状态评价系统,并提供生产操作指导建议;
本发明所提供的湿法冶金过程运行状态在线评价方法包括:(1)离线数据的模态识别、(2)评价模型的建立、(3)过程操作模态的在线识别、(4)过程运行状态的在线评价、(5)运行状态非优原因追溯等步骤。
(1)离线数据的模态识别
本发明选择的能够影响过程运行状态的过程变量包括:
x1:一浸氰化钠流量;
x2:一浸氰根离子浓度1;
x3:一浸氰根离子浓度2;
x4:一浸空气流量;
x5:一浸溶解氧浓度;
x6:二浸氰化钠流量;
x7:二浸氰根离子浓度1;
x8:二浸氰根离子浓度2;
x9:二浸空气流量;
x10:二浸溶解氧浓度;
x11:一次压滤板框压滤机液压压力;
x12:二次压滤板框压滤机液压压力;
x13:锌粉添加量;
x14:贫液中金离子浓度;
本发明采用长度固定的切割窗口作为分析的基本单元。首先选取长度为H的窗口,变量H定义为“最小稳定模态长度”,是根据经验选取的可以涵盖相同稳定模态过程特性的最短运行时间长度。将离线数据划分成一系列长度为H的窗口,提取每个窗口的负载矩阵P,通过定量评估每个窗口的负载矩阵P与稳定模态的窗口的负载矩阵P的相似度,从中揭示过程潜在特性沿着时间方向的发展变化,进而判断每一个稳定模态的范围。如果两个窗口的负载矩阵的相似度大于给定的稳定模态阈值,认为这两个窗口内的数据属于同一个稳定模态;反之,如果窗口的负载矩阵的相似度小于定义的阈值,则认为这两个窗口的数据蕴含的过程特性不可以用一个模型描述,过程模态发生变化。
将建模数据表示为最常用的二维矩阵形式其中Noff和J分别表示过程的采样个数以及过程变量个数。对这个二维数据矩阵沿采样方向采用滑动窗口H进行分割,即矩阵X转置后沿横轴方向分割。窗口的滑动步长为H,也就是说,每个切割窗口顺次排列,如图2所示, 每个窗口的数据表示为将PCA应用于这些二维矩阵,我们可以从中提取每个窗口内过程变量之间的相关性信息。
负载矩阵P含有过程变量之间的相关性信息,多模态过程的模态划分从分析每个窗口的负载矩阵开始。由PCA算法计算第一个窗口的负载矩阵P1作为稳定模态的参考窗口的负载矩阵Pbase。通过比较每个窗口与参考窗口过程特性的相似度来识别稳定模态,定义每个窗口的负载矩阵与参考窗口的负载矩阵的相似度如式(1)所示。
其中,pj,k和pj,base分别是矩阵Pk和Pbase的第j列向量。
相似度定量地指示了各窗口与稳定模态参考窗口过程相关特性的相似度,μ∈[0,1],相似度由大到小代表了过程特性一致性的由强到弱。当过程逐渐从一个稳定模态进入另一个稳定模态,相应地,过程相关特性与当前稳定模态的相似度也逐渐减少。从上述定义式可以看出,过程特性的一致性可以体现在相似度的变化趋势上。假设从第K个窗口开始,负载矩阵PK与上一个参考窗口的相似度小于阈值时,表示过程进入下一个稳定模态,令PK为新的参考窗口的负载矩阵,重复上述过程直至完成所有离线数据的归类。
由于实际生产时同一种稳定模态很有可能会反复出现,在识别出稳定模态后,还需要根据识别结果里模态的相似度进行归类,而之前的识别算法是按照采样时间顺次进行窗口切割和模态识别,并没有考虑到模态重复出现的问题,具有相似的过程特性的模态数据可以用一个模型来描述。
假设初步识别出稳定模态的种类有C种,分别对应的负载矩阵为Pc(c=1,2,...,C),利用公式(1)定义的相似度μ作为度量两种稳定模态相似度程度的指标,并利用聚类算法对C种负载矩阵Pc进行聚类,得到种稳定模式。具体聚类步骤如下:
①选择P1作为聚类的第一个中心,计算其余每一个稳定模态的窗口的负载矩阵与P1的相似度μ。如果第c个负载矩阵Pc的相似度则第c类稳定模态数据与第一类稳定模态数据具有相似的过程特性,可以聚类为同一种稳定模态;如果则第c类稳定模态数据与第一类稳定模态数据的过程特性相差较大,不是同一类稳定模态。依次判断每一类稳定模态与第一类稳定模态的相似度后,得到第一类稳定模态新的建模数据X1。
②除去P1以及与P1相似的负载矩阵,顺次从剩下的负载矩阵中选出一个负载矩阵作为聚类的第二个中心,依此判断剩余每一个稳定模态负载矩阵与新聚类中心的相似度,与相似度阈值α比较以后,得到第二类稳定模态新的建模数据X2。
③直至所有的负载矩阵重新归类到新的稳定模态后,聚类算法结束,C种负载矩阵聚类得到种新的稳定模式,对应每一种新稳定模态的建模数据是Xc
(2)评价模型的建立
本发明利用T-PLS方法提取过程数据中与综合经济指标密切相关的过程特征以建立评价模型,用于过程运行状态的在线评价。
为了实现过程运行状态的在线评价,将在线可测过程信息作为在线评价的依据。他们之间的共同作用决定了过程的运行状态。由于过程变量之间具有相关关系,导致大量冗余信息的存在,从而影响了过程运行状态评价的可靠性。因此,有效的去除过程变量之间的冗余信息,并将过程信息中反映综合经济指标的特征信息提取出来,将提高在线评价的准确性。本发明利用T-PLS在提取过程数据特征的同时去除冗余过程信息,建立评价模型,以确保模型的准确性。
在离线数据模态识别结果的基础上,利用过程知识从稳定模态中选取表征不同性能等级的过程数据和与其对应的综合经济指标构成性能等级建模数据其中s=1,2,...,S,S为性能等级数。利用T-PLS算法分别建立每个性能等级的评价模型,如式(2)所示:
其中,分别为模态c中性能等级s的主元得分向量或矩阵, 为负载矩阵,为残差矩阵。由式(2)可得:
其中将作为模态c中性能等级s的评价模型,用于过程运行状态的在线评价。
(3)过程操作模态的在线识别
多模态过程在线评价时,首先需要判断出当前时刻数据的操作模态,然后才能选择与其对应的评价模型进行过程运行状态的在线评价。关于在线模态识别的相关前期研究并不是很多,比较流行的方式是根据“最小SPE原则”,选择对应最低SPE的模态模型。但是,遍历所有的模型将导致很大的计算量,消耗大量的在线时间,这将大大降低在线监测的效果,影响生产效率。本发明采用模态转换频度(Mode Transformation Probability,MTP)的概念,从而减少了在线计算时间,增强了在线操作模态识别的实时性。
假设A和B是两个稳定模态。由稳态A到稳态B的转换频度定义为P(B|A)=numA_B/numA_all,其中,nunA_B是历史数据中从A到B的转换次数;numA_all是历史数据中从A到其余模态的全部转换次数。模态转换频度P被用来指导在线模式识别,也就是说,对应最大概率的模态被认为是最容易发生的稳定模态。
在线模态识别时,综合在线连续ω个采样数据的识别结果,即从第(k-ω+1)个采样到第k个采样,对在线模态进行识别判断。如图3所示,在线模态识别包括5步:
第一步:在线初步识别。采用第(k-ω)时刻的模型对从第(k-ω+1)采样时刻到第k采样时刻的连续ω个在线数据进行过程监测;
第二步:初步识别结果分析。如果ω个在线数据并没有连续出现故障报警,说明第(k-ω+1)采样时刻过程运行正常,并且该时刻过程的模态类型与第(k-ω)时刻一致;否则,如果连续ω个在线数据全部超出统计量控制限,说明模态在第(k-ω+1)时刻发生改变,过程进入新的操作模态;
第三步:模型选择过程。过程从第(k-ω+1)时刻进入新模态,分析(k-ω)时刻的模态类型,重新选择(k-ω+1)时刻对应的模型对过程进行监测。因为模态转换频度由大到小代表了模型转换可能性的由高到低,所以根据转换频度的从大到小依次选择对应的稳定模态模型,并利用该模型依次对从(k-ω+1)采样时刻到第k个采样时刻的连续ω个在线数据重新进行过程监测。
第四步:在线模态识别结果。如果ω个在线数据并没有连续出现故障报警,说明实际生产过程恰好运行于该模态;否则,如果连续ω个在线数据全部超出统计量控制限,说明当前模型不能描述新模态的过程特性,按照概率顺序继续选择下一类模态模型进行过程监测。依次选择所有可能的模型对过程进行监测,如果所有模型都不能涵盖新模态的过程特性,说明过程进入的新模态是无法识别的模态,需要人工经验来支持进一步的区分;如果匹配成功,选用新的模型继续对过程进行监测,并且认为过程运行于该操作模态。
(4)过程运行状态的在线评价
在线评价时,通过计算在线数据信息与当前操作模态各个性能等级的相似度,以评价当前生产过程的运行状态(某个性能等级或不同等级之间的渐变)。为增强在线评价结果的稳定性和可靠性,利用滑动窗口技术,用一段时间内的生产数据表征当前时刻生产过程的运行情况,通过不断更新窗口数据实现在线评价。在线评价步骤如图4所示:
①在时刻k时,构造在线数据窗口Xon,k=[xon,k(k-H+1),...,xon,k(k)]T.
②利用模态c中各个性能等级离线建模数据的均值和标准差分别对Xon,k标准化处理,并将标准化后的数据记为
③计算的得分向量:
其中,
④计算在线数据与性能等级s的相似度距离:
其中, 是的样本数。由T-PLS性质可知,因此,
⑤计算在线数据与性能等级p的过程特性相似度
如果
如果
并且有
⑥评价规则:
情形1:如果表示当前过程运行于性能等级p,ε(0.5<ε<1)为相似度阈值。
情形2:如果情形1不满足,但存在连续l个相似度递减,即说明生产过程正处于从一个性能等级向另一个性能等级的渐变过程。如果在线数据同时与多个性能等级均满足上述条件,则根据式(9)确定实际生产过程最有可能到达的性能等级:
表示当前过程正在向性能等级p渐变。
情形3:如果上述两种情形都不满足,则生产过程可能受到一些不确定因素干扰,评价结果与前一时刻的结果一致。
(5)运行状态非优时的原因追溯
当过程运行状态不优时,需要进一步查找其原因,以便为下一步生产操作调整提供有价值的指导建议。本发明提供一种基于变量贡献的非优原因识别方法。通过计算过程变量对相似度指标的贡献,找出贡献相对较大的过程变量,那么这些变量就是最有可能导致过程运行状态不优的原因变量。在原因追溯结果的基础上,操作工可以结合自身的生产经验选择合适的调整策略。
将在线数据到最优性能等级的距离进行如下分解:
其中,*表示最优性能等级,是的第j个元素;为在线数据第j个变量的均值。那么,变量j对的贡献定义为:
本发明能够提供实时的评价结果,避免人工评价的滞后问题,自动追溯非优原因,为操作工提供合理可靠的操作指导建议,以便及时对过程运行状态进行适当调整,确保企业经济效益和生产效率。
附图说明
图1为金湿法冶金主要工序流程图;
图2为离线数据模态识别示意图;
图3为在线数据操作模态识别流程图;
图4为过程运行状态在线评价流程图;
图5为离线数据模态识别图;
图6为在线数据操作模态识别图;
图7为模态1下过程运行状态在线评价图;
图8为模态2下过程运行状态在线评价图;
图9为模态1下运行状态非优原因追溯图;
图10为模态2下运行状态非优原因追溯图。
具体实施方式
下面的具体实施例在金湿法冶金生产车间里得到了实际应用,并取得了显著的效果。
该流程包括氰化浸出、压滤洗涤及锌粉置换工序,过程检测系统主要由浓度检测、压力检测、流量检测等构成。
PLC控制器采用Simens 400系列的CPU 414-2,具有Profibus DP口连接分布式IO。为PLC配备以太网通讯模块,用于上位机访问PLC数据。PLC控制器和以太网通讯模块放置在中央控制室中的PLC柜中。
pH值是通过北京矿冶研究总院研制的BPHM-II型酸度计进行pH值在线检测,将溶液pH值的变化转化为mV信号的变化。玻璃电极PH测量系统将一支对于pH敏感的玻璃膜的玻璃管端部吹成泡状,管内充填有含饱和AgCl的3mol/lKCL缓冲溶液,PH值为7。存在于玻璃膜二面的反映PH值的电位差用Ag/AgCl传导系统,导出电位差,然后用mA采集仪器将mA数换算成PH值显示出来。
矿浆浓度是通过北京矿冶研究总院的BDSM型在线浓度计进行在线测量的。传感器向被测介质中发出一束超声波脉冲,超声波经过悬浮颗粒时由于悬浮颗粒的散射和吸收会发生衰减,超声波在污泥或固体悬浮物中的衰减与液体中的污泥浓度或固体悬浮物浓度有关,通过测量超声波的衰减值可以计算出污泥或固体悬浮物浓度。
压力是通过SIEMENS公司生产的DSIII型压力检测仪进行压力在线检测的,介质压力直接作用于敏感膜片上,分布于敏感膜片上的电阻组成的惠斯通电桥,利用压阻效应实现压力向电信号的转换,通过电子线路将敏感元件产生的毫伏信号放大为工业标准电流信号。
溶解氧浓度是通过梅特勒托利多公司生产的inpro6870+M400型氧量测量传感器进行在线检测的。氧量测量传感器由阴极和带电流的反电极、无电流的参比电极组成,电极浸没在电解质中,传感器有隔膜覆盖,覆膜将电极和电解质与被测量的液体分开,只有溶解气体能渗透覆膜,因此保护了传感器,既能防止电解质逸出,又可防止外来物质的侵人而导致污染和毒化。电流信号被送入变送器,利用传感器中存储的含氧量和氧分压、温度之间的关系曲线计算含氧量,然后转化成标准信号输出。
上位机选用i7联想计算机,采用WINDOW XP操作系统。
运行状态评价系统运行在i7联想计算机上,采用C#2008编程软件,运行状态评价算法采用Matlab 2010a编程软件。
PLC与运行状态评价系统的信号传送软件是采用C#2008编程软件。
在湿法冶金过程现场安装检测仪表,检测仪表将采集的信号通过Profibus-DP传送到PLC中,PLC定时将采集信号通过以太网传送给上位机,上位机把接受的数据传给过程运行状态评价系统进行运行状态的实时评价,并提供操作指导建议。
第一步、离线数据的模态识别:将离线数据切割成多个等长的数据窗口,提取每个窗口的负载矩阵,通过比较每个窗口与参考窗口过程特性的相似度来识别稳定模态,并将统一稳态数据进行归类;
第二步、评价模型的建立:根据过程知识,从每个稳定数据中选取对应不同性能等级的建模数据,利用T-PLS算法建立每个性能等级的评价模型;
第三步、过程操作模态的在线识别:利用模态转换频度的概念,从最有可能的操作模态开始,对在线模态进行识别判断;
第四步、过程运行状态的在线评价:采集实时生产数据,通过计算在线数据特征与各个性能等级特征的相似度γ,实时评价过程运行状态;
第五步、运行状态非优时的原因追溯:统计各个过程变量对相似度距离的贡献Contrj,j=1,2,...,J,贡献较大的那些变量被认为是导致运行状态非优的原因变量;
第六步、根据定量的原因追溯结果,并结合操作工人及生产管理者的生产经验,选择合适的操作调整策略,改善过程运行状态。
利用本发明的离线数据分类与识别算法,对采集到的历史生产数据分类,结果如图5所示。各个操作模态的建模数据被有效分离开,进一步将属于同一模态的数据进行归类,便可得到不同模态的生产数据。
表1和图6为在线数据模态识别结果,从中可以看出,实际生产过程在线模态识别结果与实际情况基本一致,说明本发明提出的在线模态识别方法能够在不借助过程知识的前提下自动完成模态识别过程,为后续过程运行状态在线评价结果的准确性奠定了基础,并提高了在线运算的时效性。
根据在线模态识别结果,选择相应的性能等级评价模型,评价当前过程的运行状态。图7和图8分别为在模态1和模态2时的运行状态评价结果。为了更加清楚的了解在线评价结果的正确性,表2和表3中分别列出了过程实际运行状态和评价算法的比较结果。虽然基于评价算法的在线评价结果比生产过程真实运行状态滞后若干个采样时刻,但目前生产过程数据采集频率很高(毫秒级),且评价周期远大于采样周期,所以对实际生产的影响可以忽略不计,即本发明的评价方法满足生产实际的需要。
模态类别 | 实际操作模态(采样时刻) | 在线识别结果(采样时刻) |
1 | 1~2199 | 1~2205 |
2 | 2200~4423 | 2206~4423 |
表1在线数据模态识别结果
性能等级 | 实际运行状态(采样时刻) | 在线评价结果(采样时刻) |
4级 | 1~454 | 1~495 |
等级转换 | 455~605 | 496~638 |
3级 | 606~1058 | 639~1071 |
等级转换 | 1059~1209 | 1072~1232 |
2级 | 1210~1646 | 1233~1671 |
等级转换 | 1647~1797 | 1672~1828 |
1级 | 1798~2205 | 1829~2205 |
表2模态1时的实际运行状态与在线评价结果对比
性能等级 | 实际运行状态(采样时刻) | 在线评价结果(采样时刻) |
1级 | 1~467 | 1~483 |
等级转换 | 468~588 | 484~615 |
2级 | 589~1054 | 616~1083 |
等级转换 | 1055~1184 | 1084~1209 |
3级 | 1185~1647 | 1210~1675 |
等级转换 | 1648~1779 | 1676~1791 |
4级 | 1780~2218 | 1792~2218 |
表3模态2时的实际运行状态与在线评价结果对比
另外,对于非优运行状态,进一步追溯其原因。在模态1时,导致过程运行状态非优的真正原因是一浸氰化钠添加量(x1)低于最优设定值,图9为在各个非优运行状态下的原因追溯结果。从图中可以看出,本发明中基于变量贡献的原因追溯方法除了追溯到过程变量x1,还有一浸氰根离子浓度1(x2)和一浸氰根离子浓度2(x3),这是由于氰根离子浓度受氰化钠添加量的影响所致,结合操作工的生产经验,能够确定真正的原因是氰化钠添加量偏离最优值。图10为模态2下非优运行状态的原因追溯结果。导致过程运行状态非优的真正原因是锌粉添加量(x13)不足,本发明中基于变量贡献的原因追溯方法除了追溯到过程变量x13外,还有置换贫液中金离子浓度(x14),这是因为贫液中金离子浓度受到了锌粉添加量的影响,可根据操作工生产经验进一步排除干扰,确定正常原因。
Claims (2)
1.金湿法冶金过程运行状态在线评价方法,包括浸出、洗涤、置换工艺,其特征在于:通过计算在线数据与各个性能等级过程特征的相似度,实现金湿法冶金过程运行状态的在线评价,并且在过程运行状态不优时,自动识别其原因,为实际生产过程提供有价值的指导建议,算法包括离线数据的模态识别、评价模型的建立、过程操作模态的在线识别、过程运行状态的在线评价、运行状态非优原因追溯步骤;
1)离线数据的模态识别
采用长度固定的切割窗口作为分析的基本单元;提取每个窗口的负载矩阵P,通过定量评估每个窗口的负载矩阵P与稳定模态的窗口的负载矩阵P的相似度,从中揭示过程潜在特性沿时间方向的发展变化;
将建模数据表示为二维矩阵形式X,对X沿采样方向采用滑动窗口H进行分割;窗口的滑动步长为H,得到 其中k为滑动窗口的编号,利用PCA提取每个窗口内过程变量之间的相关性信息,以第一个窗口的负载矩阵P1作为稳定模态的参考窗口的负载矩阵Pbase;通过比较每个窗口与参考窗口过程特性的相似度来识别稳定模态;定义负载矩阵与参考窗口负载矩阵的相似度:
其中,pj,k和pj,base分别是矩阵Pk和Pbase的第j列向量;
假设从第K个窗口开始,负载矩阵PK与上一个参考窗口的相似度小于阈值时,表示过程进入下一个稳定模态,令PK为新的参考窗口的负载矩阵,重复上述过程直至完成所有离线数据的归类;
假设初步识别出稳定模态的种类有C种,分别对应的负载矩阵为Pc(c=1,2,…,C),利用相似度μ作为度量两种稳定模态相似程度的指标,利用聚类算法对C种负载矩阵Pc进行聚类;具体聚类步骤如下:
①选择P1作为聚类的第一个中心,计算其余每一个稳定模态负载矩阵与P1的相似度μ;如果第c个负载矩阵Pc与P1的相似度则第c类稳定模态数据与第一类稳定模态数据为同一种稳定模态;如果则第c类稳定模态数据与第一类稳定模态数据不是同一类稳定模态;依次计算每一类稳定模态与第一类稳定模态的相似度后,得到第一类稳定模态新的建模数据X1;
②除去P1以及与P1相似的负载矩阵,顺次从剩下的负载矩阵中选出一个负载矩阵作为聚类的第二个中心,依此判断剩余每一个稳定模态的窗口的负载矩阵与新聚类中心的相似度,与相似度阈值α比较以后,得到第二类稳定模态新的建模数据X2;
③直至所有的负载矩阵重新归类到新的稳定模态后,聚类算法结束,C种负载矩阵聚类得到种新的稳定模态,对应每一种新稳定模态的建模数据是Xc
2)评价模型的建立
利用T-PLS在提取过程数据特征的同时去除冗余过程信息,建立评价模型;
利用过程知识从稳定模态中选取表征不同性能等级的过程数据和与其对应的综合经济指标构成性能等级建模数据其中s=1,2,...,S,S为性能等级数;利用T-PLS算法分别建立每个性能等级的评价模型:
其中,分别为模态c中性能等级s的主元得分向量或矩阵, 为负载矩阵,为残差矩阵;且有:
其中将作为模态c中性能等级s的评价模型,用于过程运行状态的在线评价;
3)过程操作模态的在线识别
采用模态转换频度的概念,对应最大转换频度的模态被认为是最可能出现的稳定模态;综合在线连续ω个采样数据的识别结果,即从第(k-ω+1)个采样到第k个采样,对在线模态进行识别判断;在线模态识别包括5步:
第一步:在线初步识别;采用第(k-ω)时刻的模型对从第(k-ω+1)采样时刻到第k采样时刻的连续ω个在线数据进行过程监测;
第二步:初步识别结果分析;如果ω个在线数据并没有连续出现故障报警,说明第(k-ω+1)采样时刻过程运行正常,并且该时刻过程的模态类型与第(k-ω)时刻一致;否则,说明模态在第(k-ω+1)时刻发生改变,过程进入新的操作模态;
第三步:模型选择过程;过程从第(k-ω+1)时刻进入新模态,分析(k-ω)时刻的模态类型,重新选择(k-ω+1)时刻对应的模型对过程进行监测;因为模态转换频度由大到小代表了模型转换可能性的由高到低,所以根据转换频度的从大到小依次选择对应的稳定模态模型,并利用该模型依次对从(k-ω+1)采样时刻到第k个采样时刻的连续ω个在线数据重新进行过程监测;
第四步:在线模态识别结果;如果ω个在线数据并没有连续出现故障报警,说明实际生产过程恰好运行于该模态;否则,如果连续ω个在线数据全部超出统计量控制限,说明当前模型不能描述新模态的过程特性,按照概率顺序继续选择下一类模态模型进行过程监测;依次选择所有可能的模型对过程进行监测,如果所有模型都不能涵盖新模态的过程特性,说明过程进入的新模态是无法识别的模态,需要人工经验来支持进一步的区分;如果匹配成功,选用新的模型继续对过程进行监测,并且认为过程运行于该操作模态;
4)过程运行状态的在线评价
在线评价时,通过计算在线数据信息与当前操作模态各个性能等级的相似度,以评价当前生产过程的运行状态;在线评价步骤如下:
①在时刻k时,构造在线数据窗口Xon,k=[xon,k(k-H+1),...,xon,k(k)]T;
②利用模态c中各个性能等级离线建模数据的均值和标准差分别对Xon,k标准化处理,并将标准化后的数据记为
③计算的得分向量:
其中,
④计算在线数据与性能等级s的相似度距离:
其中, 是的样本数,由T-PLS性质可知,因此,
⑤计算在线数据与性能等级p的过程特征相似度
如果
如果
并且有
⑥评价规则:
情形1:如果表示当前过程运行于性能等级p,ε(0.5<ε<1)为相似度阈值;
情形2:如果情形1不满足,但存在连续l个相似度递减,即说明生产过程正处于从一个性能等级向另一个性能等级的渐变过程;如果在线数据同时与多个性能等级均满足上述条件,则按如下方式确定实际生产过程最有可能到达的性能等级:
表示当前过程正在向性能等级p渐变;
情形3:如果上述两种情形都不满足,则表示生产过程受到一些不确定因素干扰,评价结果与前一时刻的结果一致;
5)运行状态非优原因追溯
提供一种基于变量贡献的非优原因识别方法;通过计算过程变量对相似度指标的贡献,找出贡献相对较大的过程变量,那么这些变量就是最有可能导致过程运行状态不优的原因变量;在原因追溯结果的基础上,操作工结合自身的生产经验选择合适的调整策略;
将在线数据到最优性能等级的距离进行如下分解:
其中,*表示最优性能等级,是的第j个元素;为在线数据第j个变量的均值;那么,变量j对的贡献定义为:
2.根据权利要求1所述的金湿法冶金过程运行状态在线评价方法,在金湿法冶金过程中实施,其特征在于:
该过程包括浸出、洗涤和置换工序;过程检测系统主要由浓度检测、压力检测、流量检测构成;
PLC控制器采用Simens 400系列的CPU 414-2,具有Profibus DP口连接分布式IO;为PLC配备以太网通讯模块,用于上位机访问PLC数据;PLC控制器和以太网通讯模块放置在中央控制室中的PLC柜中;
上位机选用i7联想计算机,采用WINDOW XP操作系统;
运行状态评价系统运行在i7联想计算机上,采用C#2008编程软件,运行状态评价算法采用Matlab 2010a编程软件;
PLC与运行状态评价系统的信号传送软件是采用C#2008编程软件;
在湿法冶金过程现场安装检测仪表,检测仪表将采集的信号通过Profibus-DP传送到PLC中,PLC定时将采集信号通过以太网传送给上位机,上位机把接受的数据传给过程运行状态评价系统进行运行状态的实时评价,并提供操作指导建议;
第一步、离线数据的模态识别:将离线数据切割成多个等长的数据窗口,提取每个窗口的负载矩阵,通过比较每个窗口与参考窗口过程特性的相似度来识别稳定模态,并将同一稳态数据进行归类;
第二步、评价模型的建立:根据过程知识,从每个稳定数据中选取对应不同性能等级的建模数据,利用T-PLS算法建立每个性能等级的评价模型;
第三步、过程操作模态的在线识别:利用模态转换频度的概念,从最有可能的操作模态开始,对在线模态进行识别判断;
第四步、过程运行状态的在线评价:采集实时生产数据,通过计算在线数据特征与各个性能等级特征的相似度γ,实时评价过程运行状态;
第五步、运行状态非优原因追溯:统计各个过程变量对相似度距离的贡献Contrj,j=1,2,...,J,贡献较大的那些变量被认为是导致运行状态非优的原因变量;
第六步、根据定量的原因追溯结果,并结合操作工人及生产管理者的生产经验,选择合适的操作调整策略,改善过程运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410258092.3A CN104062953B (zh) | 2014-06-12 | 2014-06-12 | 金湿法冶金过程运行状态在线评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410258092.3A CN104062953B (zh) | 2014-06-12 | 2014-06-12 | 金湿法冶金过程运行状态在线评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104062953A CN104062953A (zh) | 2014-09-24 |
CN104062953B true CN104062953B (zh) | 2017-03-01 |
Family
ID=51550714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410258092.3A Active CN104062953B (zh) | 2014-06-12 | 2014-06-12 | 金湿法冶金过程运行状态在线评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104062953B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105278520B (zh) * | 2015-06-29 | 2018-09-21 | 中国矿业大学 | 基于t-kprm复杂工业过程运行状态评价方法及应用 |
CN105929812A (zh) * | 2016-04-18 | 2016-09-07 | 北京科技大学 | 带钢热连轧质量的故障诊断方法及装置 |
CN107121490B (zh) * | 2017-04-26 | 2019-08-09 | 东北大学 | 一种湿法冶金过程中运行状态的评价方法 |
CN108037747B (zh) * | 2017-12-11 | 2019-08-09 | 东北大学 | 金湿法冶金全流程分层分块运行状态在线评价方法 |
CN108762238B (zh) * | 2018-06-15 | 2020-07-28 | 东北大学 | 一种基于dcd的湿法冶金浸出过程故障诊断方法 |
CN109062182B (zh) * | 2018-07-27 | 2020-09-18 | 东北大学秦皇岛分校 | 基于最小评价窗口的高效事实评价方法和装置 |
CN109840722B (zh) * | 2019-04-01 | 2023-05-19 | 东北大学 | 一种金湿法冶金全流程运行状态在线评价方法及系统 |
CN109885012B (zh) * | 2019-04-12 | 2020-12-25 | 东北大学 | 一种金湿法冶金全流程实时优化补偿方法 |
CN111210122B (zh) * | 2019-12-26 | 2022-05-03 | 中国地质大学(武汉) | 基于参数隔离的烧结非优运行性能原因追溯方法及系统 |
CN112363462B (zh) * | 2020-09-29 | 2021-11-16 | 中国矿业大学 | 一种静-动态协同感知的复杂工业过程运行状态评价方法 |
CN112884272A (zh) * | 2021-01-07 | 2021-06-01 | 江苏联峰能源装备有限公司 | 一种电炉炉长操作自动实时评价的方法 |
CN113689110A (zh) * | 2021-08-20 | 2021-11-23 | 东北大学 | 一种制造业生产系统中工序的评价方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007052739A (ja) * | 2005-08-19 | 2007-03-01 | Sumitomo Metal Ind Ltd | モデル生成方法、状態予測方法、状態調整方法、モデル生成装置、状態予測装置、及び状態調整システム |
CN101482750A (zh) * | 2009-02-06 | 2009-07-15 | 北京矿冶研究总院 | 湿法冶金合成过程草酸钴粒度预测方法 |
CN101526814A (zh) * | 2009-02-03 | 2009-09-09 | 东北大学 | 湿法冶金浸出过程浸出率预测与优化操作方法 |
CN101813932A (zh) * | 2009-02-03 | 2010-08-25 | 东北大学 | 湿法冶金萃取过程组分含量预测与优化操作方法 |
-
2014
- 2014-06-12 CN CN201410258092.3A patent/CN104062953B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007052739A (ja) * | 2005-08-19 | 2007-03-01 | Sumitomo Metal Ind Ltd | モデル生成方法、状態予測方法、状態調整方法、モデル生成装置、状態予測装置、及び状態調整システム |
CN101526814A (zh) * | 2009-02-03 | 2009-09-09 | 东北大学 | 湿法冶金浸出过程浸出率预测与优化操作方法 |
CN101813932A (zh) * | 2009-02-03 | 2010-08-25 | 东北大学 | 湿法冶金萃取过程组分含量预测与优化操作方法 |
CN101482750A (zh) * | 2009-02-06 | 2009-07-15 | 北京矿冶研究总院 | 湿法冶金合成过程草酸钴粒度预测方法 |
Non-Patent Citations (1)
Title |
---|
湿法冶金铜萃取组分含量软测量方法研究;张淑宁;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20120315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104062953A (zh) | 2014-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104062953B (zh) | 金湿法冶金过程运行状态在线评价方法 | |
CN101813932B (zh) | 湿法冶金萃取过程组分含量预测与优化操作方法 | |
CN108037747B (zh) | 金湿法冶金全流程分层分块运行状态在线评价方法 | |
CN101526814B (zh) | 湿法冶金浸出过程浸出率预测与优化操作方法 | |
CN107065834B (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
CN108665119B (zh) | 一种供水管网异常工况预警方法 | |
CN104298187B (zh) | 金湿法冶金全流程三层结构过程监测方法 | |
CN109885012A (zh) | 一种金湿法冶金全流程实时优化补偿方法 | |
CN102169077B (zh) | 湿式磨矿过程溢流粒度指标混合智能软测量方法 | |
CN104597755A (zh) | 一种湿法冶金金氰化浸出过程优化方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN103267834B (zh) | 铸造锡铅焊料产品质量的综合检测评判系统及其方法 | |
CN103412489A (zh) | 一种磨矿粒度在线预报系统及方法 | |
CN107677614A (zh) | 一种水中重金属污染风险在线预警系统及方法 | |
CN108762238A (zh) | 一种基于dcd的湿法冶金浸出过程故障诊断方法 | |
CN116991130A (zh) | 一种石化生产智能化自动化控制系统和方法 | |
CN107563656B (zh) | 金湿法冶金氰化浸出过程运行状态的评价方法 | |
CN107121490B (zh) | 一种湿法冶金过程中运行状态的评价方法 | |
CN104216397B (zh) | 智能驱动桥系统故障识别与检测的方法 | |
CN110532699A (zh) | 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 | |
CN106886154B (zh) | 基于区间数的湿法冶金全流程建模方法与优化方法 | |
CN104199285A (zh) | 一种湿法冶金金氰化浸出过程浸出率预测方法 | |
CN116167588A (zh) | 一种煤矿生产用智慧型安全隐患分析平台 | |
CN109840722B (zh) | 一种金湿法冶金全流程运行状态在线评价方法及系统 | |
Wang et al. | Identification of abnormal conditions for gold flotation process based on multivariate information fusion and double‐channel convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Fuli Inventor after: Chang Yuqing Inventor after: Liu Yan Inventor after: Wang Shu Inventor before: Wang Fuli Inventor before: Chang Yuqing Inventor before: Liu Yan Inventor before: Wang Shu |
|
COR | Change of bibliographic data | ||
GR01 | Patent grant | ||
GR01 | Patent grant |