CN104199285A - 一种湿法冶金金氰化浸出过程浸出率预测方法 - Google Patents

Abstract

本发明公开了一种基于串行混合模型的金氰化浸出过程浸出率实时预测方法，即实现浸出率的在线预测方法。预测方法的特点是：（1）本发明建立了完整的金氰化浸出过程动态机理模型—金、氰离子物料守恒方程，并以此机理模型作为串行混合预测模型的核心，这样能够保证模型趋势的准确性；（2）本发明基于Tikhonov正则化方法估计金氰化浸出过程动力学反应速度，该方法可以有效抑制测量数据噪声对估计结果的影响。并采用BP神经网络数据模型以串行形式估计机理模型中的未知参数，提高了模型的精度及推广能力。本发明的预测方法有以下优点：采用了机理模型与数据模型相结合的串行混合建模方法，充分利用了已有的过程先验知识，提高了动态机理模型的预测精度以及泛化能力，具有结构简单、可靠性高、可解释性强、泛化能力好等优点。

Description

一种湿法冶金金氰化浸出过程浸出率预测方法

技术领域

本发明属于湿法冶金领域，特别提供一种基于串行混合模型的金氰化浸出过程浸出率实时预测方法，即实现浸出率的在线预测方法。 

背景技术

湿法冶金能够处理复杂矿、低品位矿等，并且对环境污染较少，因此，许多金湿法冶金新工艺不断出现并得到广泛应用。尽管我国在金湿法冶金工艺方面并不落后国外，但与之相适应的自动控制技术与国外相比差距较大，从而，难以像国外一样通过优化控制实现矿产资源的高效低耗利用。显然，随着矿产资源需求的不断增加，仅仅依靠改进工艺来提高金湿法冶金经济技术指标和经济效益变得极为困难。在可持续发展的战略方针指引下，为了经济有效地利用低品位矿产资源，金湿法冶金优化控制问题已成为我国亟待解决的重要问题。 

金湿法冶金流程主要包括氰化浸出、锌粉置换、浓缩洗涤等过程，而其中，氰化浸出过程是金湿法冶金的第一个工序，浸出液的品质好坏直接决定了后序提金的纯度、回收率以及原料消耗等，因此，对氰化浸出过程进行优化控制研究使氰化浸出过程始终处于最佳的运行状态就显得尤为重要，而优化控制的前提是能够准确地预测过程的相关变量，因此，建立与优化控制相关的过程模型就具有重要的现实意义。 

本发明以某湿法冶炼厂金氰化浸出过程为背景，金氰化浸出过程主要发生的化学反应是难溶的金与浸出剂(通常是氰化钠)作用生成可溶于水的金氰络合离子，如式(1)所示： 

4Au+8CN^-+O₂+2H₂O＝4Au(CN)₂ ^-+4OH^-   (1) 

金氰化浸出过程的原理示意图如附图1所示，缓冲箱中调浆后的 矿浆经泵稳定连续地打入1^#气力浸出槽，通过浸出槽的溢流作用不断 

流入后续2^#-N^#浸出槽，整个过程是连续浸出，浸出后的贵液溢流流入浸取液储槽，以便后续锌粉置换车间使用。浸出过程的浸出剂为氰化钠，通过向每个槽子通入压缩空气的方式供给浸出过程所需的溶解氧并产生气力搅拌作用，使反应更加彻底。 

氰化浸出时，金的表面在氰化钠溶液中逐渐由表及里地溶解，影响金浸出率的因素主要有：氰化钠和溶解氧的浓度、矿浆的pH值、矿石原料的性质、浸出温度、矿浆浓度及浸出时间等。 

浸出率是氰化浸出过程最重要的生产指标，浸出率直接反应了浸出过程产品即浸出液的质量，而浸出液的质量直接决定了后续各生产工序的质量，进而影响整个金湿法冶金生产过程的有价金属的收率，对整体产量、生产效率等指标产生影响。目前浸出率的检测方法大多是通过离线化验组分浓度计算浸出率即离线检测的方法，因为该种方法检测时间长、成本较高，因而实际生产中通常不能实时检测而只能检测浸出过程一段时间的浸出率。正是由于上述原因，国内的各主要金湿法冶金工厂不得不通过增大浸出剂(氰化钠)添加量、延长浸出时间等方法来确保浸出过程最终的浸出率达到生产指标要求，这一方面大大降低了生产效率，另一方面增加了原料以及能源的消耗，因此建立一个准确的浸出率实时预测模型就显得尤为重要，该模型不但能在线预测浸出率，大大减少检测成本，而且能为氰化浸出过程的优化奠定基础，以降低浸出过程的生产总成本。 

发明内容

本发明的目的是提供一种金氰化浸出过程浸出率实时预测方法，通过对金氰化浸出过程进行混合建模，实现浸出率的在线预测。 

本发明能解决如下问题： 

(1)为金氰化浸出过程实现自动控制提供浸出率监测数据，为氰化浸出过程提供操作指导； 

(2)通过对原矿品位、矿浆流量等易变因素的实际波动情况进行模拟，掌握不同波动幅度对浸出率的影响，提供适时而合理地操作指导，保证浸出率，并为最终实现氰化浸出过程的优化控制提供条件； 

(3)本发明的建模方法既考虑了机理模型的优势，又综合了数据模型的特点，并能够模拟氰化浸出生产过程，掌握生产过程中的原料消耗，制定合理的生产计划； 

(4)取代人工化验分析，达到及时准确检测浸出率的目的。为了实现上述目的而采用的技术方案是： 

一种湿法冶金金氰化浸出过程浸出率预测方法，包括下述步骤：(1)过程数据采集、(2)辅助变量的选择、(3)串行模型的建立、(4)混合模型的辨识。 

(1)过程数据采集 

本发明采用的装置包括金氰化浸出过程浸出率预测系统、PLC、上位机、现场检测仪表(氰化钠流量、矿浆浓度、pH值)，如附图2所示。在金氰化浸出车间安装流量、浓度、pH值等检测仪表，检测仪表将采集到的现场实际数据通过Profibus-DP总线传送到PLC，PLC再将采集的信号通过以太网传送到上位机，然后，上位机把现场实际运行数据传送到金氰化浸出过程浸出率预测系统，进行浸出率的实时预测，同时将结果同步显示在上位机组态界面中。 

本发明装置的各部分功能： 

(A)现场检测仪表：包括氰化钠流量、矿浆浓度、pH值等检测仪表，由流量计、BSDM型在线浓度计、BDOM型工业溶氧仪、BPHM型工业PH计等传感器组成，负责金氰化浸出过程实际生产数据的采集与传送； 

(B)PLC：负责对采集的各传感器信号进行A/D转换，并通过以太 网将信号传送给上位机； 

(C)上位机：收集本地PLC数据，传送给浸出过程浸出率预测系统，并在上位机组态界面中进行显示； 

(2)辅助变量的选择 

本发明所选择的辅助变量包括， 

(A)矿浆中固相流量Qs； 

(B)矿浆中液相流量Ql； 

(C)浸出槽中氰化钠的添加流量Qcn； 

(D)固相中的金初始品位c_s0； 

(E)液相中的氰离子初始浓度c_cn0； 

(F)液相中的金初始浓度c_l0。 

(3)混合模型的建立 

Ⅰ、混合模型的结构 

混合建模是一种将机理模型与数据模型相结合的建模方法，对机理已知的部分采用机理模型，而对机理未知的部分采用数据模型。机理模型部分充分考虑了过程的物理、化学、生物学等特性，而数据模型部分又充分利用了相关的数据信息，因此，和单纯的数据模型相比，混合模型具有建模精度高、泛化能力强等优点。混合建模方法分为并行结构和串行结构两类，前者指利用神经网络、PLS、LSSVM等数据建模方法补偿系统实际输出值与机理模型输出值之间的偏差；后者指利用神经网络、PLS、LSSVM等数据模型来估计机理模型中的未知参数，然后基于上述估计的参数值根据机理模型计算系统的输出值。 

本发明以某湿法冶炼厂的金氰化浸出生产过程为研究对象，经过长时间的现场调研、查阅文献、方程推导，建立了金氰化浸出过程的动态机理模型，它主要由固、液相中金守恒方程、液相中氰离子守恒方程以及金、氰离子的动力学反应方程组成，由于在不同的工艺条件、 矿石原料性质下，金、氰离子的动力学模型在模型结构及模型参数上会有很大的不同，又因为浸出过程的动力学反应机理相对复杂，很难准确建立金、氰离子的动力学反应机理模型，因此使得动态机理模型与实际过程之间存在着建模误差。考虑到金氰化浸出过程自身的特点，其内部动力学机理复杂，可测数据少，建模难度大，单纯的机理模型不能真实反映实际过程的动态变化，模型精度低；同时，又为了充分利用已有的过程先验知识、提高动态机理模型的预测精度以及泛化能力，本发明提出了一种基于串行混合模型的金氰化浸出过程浸出率在线预测方法，即以金、氰离子的物料守恒方程为基本模型，利用神经网络黑箱模型建立难于建立机理模型的金、氰离子的动力学反应速度模型，整个串行混合模型结构的原理示意图如附图2所示。 

Ⅱ、动态机理模型 

本发明的动态机理模型由研究矿物浸出的动力学机理(金、氰离子的动力学反应速度)出发，逐步建立金氰化浸出过程的物料守恒方程(固相中金守恒方程、液相中金守恒方程、液相中氰离子守恒方程)。不失一般性，考虑第i^#浸出槽中的金氰化浸出过程。 

根据固相、液相中的质量守恒，可得： 

Qs_i＝Qs_i-1＝Qs   (2) 

Ql_i＝Ql_i-1＝Ql   (3)式中Qs_i—第i^#浸出槽的矿浆固相流量； 

Ql_i—第i^#浸出槽的矿浆液相流量； 

Qs—浸出槽矿浆固相流量； 

Ql—浸出槽矿浆液相流量。 

根据金氰化浸出过程的反应机理，能分别得出固相中金守恒方程、液相中金守恒方程、液相中氰离子守恒方程，分别如式(4)～式(6)所示。 

$\frac{\mathrm{Qs}}{\mathrm{Ms}}(c_{s0}-c_s\left(t\right))-r_{\mathrm{Au}}\left(t\right)=\frac{{\mathrm{dc}}_s\left(t\right)}{\mathrm{dt}}---\left(4\right)$

$\frac{\mathrm{Ql}}{\mathrm{Ml}}(c_{l0}-c_l\left(t\right))+\frac{\mathrm{Ms}}{\mathrm{Ml}}{r}_{\mathrm{Au}}\left(t\right)=\frac{{\mathrm{dc}}_l\left(t\right)}{\mathrm{dt}}---\left(5\right)$

$\frac{\mathrm{Ql}}{\mathrm{Ml}}(c_{\mathrm{cn}}-c_{\mathrm{cn}}\left(t\right))+\frac{\mathrm{Qcn}}{\mathrm{Ml}}-r_{\mathrm{Au}}\left(t\right)=\frac{{\mathrm{dc}}_{\mathrm{cn}}\left(t\right)}{\mathrm{dt}}---\left(6\right)$

式中Qcn—浸出槽中氰化钠的添加量； 

Ms—浸出槽中滞留的固相质量； 

Ml—浸出槽中滞留的液相质量； 

c_s0—固相中的金初始品位； 

c_cn0—液相中的氰离子初始浓度； 

c_l0—液相中的金初始浓度； 

r_Au—金的溶解速度； 

r_cn—氰离子的消耗速度。 

假设浸出槽中的物料能够最大程度上混合，并且忽略浸出槽中的物料隔离，且浸出槽中滞留的固、液相质量恒定，可得： 

$\mathrm{Ql}=\mathrm{Qs}\·(\frac{1}{C_w}-1)---\left(7\right)$

$\mathrm{Ml}=\frac{V}{\left(\frac{\mathrm{Qs}}{\mathrm{Ql}}\right)\frac{1}{{\mathrm{\ρ}}_s}+\frac{1}{{\mathrm{\ρ}}_l}}---\left(8\right)$

$\mathrm{Ms}=\frac{V}{\left(\frac{\mathrm{Ql}}{\mathrm{Qs}}\right)\frac{1}{{\mathrm{\ρ}}_l}+\frac{1}{{\mathrm{\ρ}}_s}}---\left(9\right)$

式中C_w—矿浆中固相所占的系数； 

V—浸出槽的有效体积； 

ρ_s—矿浆固相密度； 

ρ_l—矿浆液相密度。 

因为忽略了浸出槽中的物料隔离，因此固相，液相和矿浆有相同的平均浸出时间，如式(10)所示。 

$\mathrm{\τ}=\frac{V}{\frac{\mathrm{Qs}}{{\mathrm{\ρ}}_S}+\frac{\mathrm{Ql}}{{\mathrm{\ρ}}_l}}=\frac{\mathrm{Ml}}{\mathrm{Ql}}=\frac{\mathrm{Ms}}{\mathrm{Qs}}---\left(10\right)$

式中τ—平均浸出时间。 

综上所述，金氰化浸出过程的动态机理模型可由式(2)～式(10)及金溶解速度和氰离子消耗速度的动力学模型来表示。采用数值解法可以很容易地求解方程式(2)～式(10)所组成的微分方程组，得到固相中的金品位c_s、液相中的金浓度c_l、液相中的氰离子浓度c_cn，进而计算得到该浸出槽的浸出率a为： 

$a=\frac{c_{s0}-c_s}{c_{s0}}---\left(11\right)$

Ⅲ、动力学反应速度模型 

对上述机理模型式(2)～式(10)需要说明的是，在不同的工艺条件、矿石原料性质下，r_Au、r_cn的动力学模型在模型结构及模型参数上会有很大的不同，又因为浸出过程的动力学反应机理相对复杂，很难准确建立r_Au、r_cn的动力学反应机理模型，因此，本发明中采用BP神经网络作为数据建模方法以预测机理模型中的未知参数r_Au、r_cn，这样做的目的主要是在没有足够先验知识的情况下，利用数据模型充分挖掘输入—输出数据之间的内在关系，以提高建模精度，其模型结构如附图2所示。 

人工神经网络(ANN)，例如BP或RBF网络等，早就已经被证实可以作为通用的函数逼近器，利用它们可以近似任意复杂的非线性函数。BP(Back Propagation)网络是目前应用得最多的一种多层前馈网 络，其按误差反向传播算法训练，它在描述这种映射关系的数学方程未知的情况下能够学习和存贮大量的输入—输出模式映射关系。它利用最速下降法学习，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。附图3给出了神经网络模型的拓扑结构，主要由输入层(input layer)、隐含层(hidden layer)和输出层(output layer)组成。 

目前已有好多应用人工神经网络建立化工过程模型的例子，已经成功地被用来建立动态系统的黑箱模型，尤其是作为生物、化工系统中过程变量的估计器，这样做的主要好处是事先不需要知道详细的过程先验知识。对于浸出过程而言，金的溶解速度和氰离子的消耗速度所涉及的动力学过程机理复杂，缺乏准确的先验知识，难于建立准确的机理模型。为了充分利用已知的过程先验知识，即物料守恒方程，本发明采用三层BP神经网络建立未知过程机理部分，即金和氰离子的动力学模型，使得整个混合模型比只用神经网络建立整个过程模型有更好的模型泛化能力和更高的建模精度。 

(4)混合模型的辨识 

本发明采用BP神经网络建立金、氰离子的动力学反应速度模型，为了训练BP神经网络模型，需要知道模型输出金、氰离子的动力学反应速度值，而动力学反应速度是无法测量的，因此需要事先基于金氰化浸出过程的动态机理模型式(4)～式(5)及现场可测数据(浓度、流量等)估计它们。观察金氰化浸出过程的动态机理模型式(4)～式(5)发现，如果要估计动力学参数，必须对可测的浓度测量值求导数，这是一个典型的不适定问题，如果估计方法不合适，求导过程会传递及放大浓度测量值中的测量误差及噪声。本发明通过深入分析各估计方法的原理，提出了一种基于Tikhonov正则化方法的金氰化浸出过程动力学反应速度估计方法，该方法可以有效地抑制测量数据噪声对动力学反应速度估计结果的影响。 

通常，典型的化工反应过程由下述动态模型表示： 

$r\left(t\right)=\frac{\mathrm{dc}\left(t\right)}{\mathrm{dt}}---\left(12\right)$

其中，c(t)是反应物的浓度，r(t)是该反应物的动力学反应速度，由于动力学参数r(t)无法测量，需要由浓度测量值c(t)估计r(t)，这是一个不适定问题，如果直接对c(t)求导的话，测量值c(t)中的测量噪声会被传递及放大，这使得r(t)的估计值严重偏离实际值。 

将式(12)变换成积分形式，如式(16)所示： 

$c\left(t\right)={\∫}_0^{t}r\left(\mathrm{\τ}\right)\mathrm{d\τ}+c_0---\left(13\right)$

其中，c₀是初始浓度。利用分步积分法，上式改写成式(14)： 

$c\left(t\right)={\∫}_0^t(t-\mathrm{\τ})f\left(\mathrm{\τ}\right)\mathrm{d\τ}+c_0+t\×r_0---\left(14\right)$

其中，f(τ)＝dr(τ)/dτ，r₀是初始反应速度。求解式(14)的Volterra积分方程可以求得f(t)、c₀和r₀，再对f(t)积分可以求得r(t)，又因积分是一个平滑数据的过程，并不放大噪声，因此求得的r(t)不受测量噪声的影响。 

由于在金氰化浸出生产实际中，浓度值不是连续采集的，故将方程(14)离散化，得： 

$c_i=c_0+t_i+r_0+\underset{t_j=0}{\overset{t_j=t_i}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ij}}(t_i-t_j)f_j\mathrm{\Δt}---\left(15\right)$

其中，i＝1,2,……,N_D，N_D为数据点个数，N_K为0～t_max内均匀分布的离散点的个数，相邻离散点的间距为Δt＝t_max/(N_K-1)，通常N_K＝101～401，f₁,f₂,……,为各离散点处的f(t)值，α是离散近似方程(14)所产生的系数矩阵，通常采用Simpson’s 1/3准则。 

实际测量值与模型计算值之间的偏差为： 

$e_i={c_i}^{*}-C_i{c}_0-B_i{r}_0-\underset{t_j=0}{\overset{t_j=t_i}{\mathrm{\Σ}}}{A}_{\mathrm{ij}}{f}_j---\left(16\right)$

其中，c_i ^*表示浓度的实际测量值，C_i＝1，B_i＝t_i，当t_i≥t_j时，A_ij＝α_ij(t_i-t_j)Δt，当t_i<t_j时，A_ij＝0。 

将式(16)改写成矩阵形式，得： 

e＝c^*-Cc₀-Br₀-Af   (17) 

其中，C和B分别是由C_i、B_i组成的列向量，A是由A_ij组成的系数矩阵。由于可测的数据量比较少，ND一般比NK小得多，因此，A不是一个方阵，无法获得唯一的f、c₀和r₀。在Tikhonov正则化方法中，为了满足数据拟合误差和估计曲线平滑性的要求，通过最小化e^Te与f^Tβ^Tβf的加权和来求f，即： 

其中，式(18)中的第一项是在各采样点处拟合误差的平方和；第二项是函数f(t)在内部区间0～t_max各离散点处二阶导数的平方和，如式(19)所示；λ是正则化参数，可以通过试验法、L曲线法、广义交叉验证法等来选择一个合适的λ，已达到折中考虑拟合误差与平滑性的要求，λ可以控制滤除数据中噪声的程度。仿真实验说明，同数量级下λ的改变基本不会影响最终的估计结果。 

$\underset{j=2}{\overset{N_K}{\mathrm{\&Sigma;}}}{\left(\frac{d^2{f}_j}{{\mathrm{dt}}^2}\right)}^2={\left(\mathrm{\&beta;f}\right)}^T\left(\mathrm{\&beta;f}\right)=f^T{\mathrm{\&beta;}}^T\mathrm{\&beta;f}---\left(19\right)$

其中，β是用有限差分方法近似f(t)二阶导数时的系数矩阵。求解式(18)，即： 

解得：f^*＝(A^*TA^*+λ·β^*Tβ^*)^-1A^*Tc^*   (20) 

其中： $f^{*}=[f_1,f_2,\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;,f_{N_k},c_0,r_0{]}^T,A^{*}=(A,C,B),{\mathrm{\&beta;}}^{*}=(\mathrm{\&beta;},\mathrm{0,0}).$

利用上述Tikhonov正则化方法估计r_Au、r_cn的步骤如下： 

(A)为了利用浓度数据采用Tikhonov正则化方法估计金氰化浸出过程的动力学反应速度，将动态机理模型式(4)、(6)变形为下式的形式，即： 

$r_{\mathrm{Au}}=\frac{{\mathrm{dx}}_1}{\mathrm{dt}};r_{\mathrm{cn}}=\frac{{\mathrm{dx}}_2}{\mathrm{dt}}$

其中：x₁(0)＝0；x₂(0)＝0； 

$x_1\left(t\right)={\&Integral;}_0^t{r}_{\mathrm{Au}}\left(t\right)\mathrm{dt}=\frac{\mathrm{Qs}}{\mathrm{Ms}}{c}_{s0}t-\frac{\mathrm{Qs}}{\mathrm{Ms}}{\&Integral;}_0^t{c}_s\left(t\right)\mathrm{dt}-c_s\left(t\right)+c_{s0}---\left(21\right)$

$x_2\left(t\right)=\frac{\mathrm{Ql}}{\mathrm{Ml}}[c_{\mathrm{cn}0}t-{\&Integral;}_0^t{c}_{\mathrm{cn}}\left(t\right)\mathrm{dt}]+\frac{1}{\mathrm{Nl}}{\&Integral;}_0^t\mathrm{Qcn}\left(t\right)\mathrm{dt}-c_{\mathrm{cn}}\left(t\right)+c_{\mathrm{cn}0}---\left(22\right)$

(B)将现场实测浓度、流量等数据带入到式(21)、(22)中计算x₁、x₂，由于可测数据时间上不等距，而且数据量较少，采用插值算法对x₁、x₂插值； 

(C)选择合适的正则化参数λ，可以通过试验法、L曲线法、GCV(广义交叉验证)法等来选择一个合适的λ； 

(D)分别基于数据x₁、x₂，利用式(20)求解f^*； 

(E)对所求得的f(t)分别积分，可以得到r_Au、r_cn。 

基于串行混合模型的金氰化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； 

步骤二、采集现场数据：采集流量、浓度等实测数据； 

步骤三、将步骤二所采集的数据利用Tikhonov正则化方法估计r_Au、 r_cn； 

步骤四、r_Au、r_cn数据预测模型训练：假设浸出过程所通入的压缩空气充足，即溶液中的含氧量为常值，根据过程的先验知识，金的溶解速度r_Au和氰根离子的消耗速度r_cn只与固相中的金浓度c_s和液相中的氰根离子浓度c_cn有关。以c_s和c_cn为输入，以应用Tikhonov正则化方法估计的r_Au和r_cn为输出，对神经网络采用Levenberg-Marquardt算法训练，用训练好的神经网络模型估计混合模型中的未知参数r_Au和r_cn。 

步骤五、串行混合模型的预测：将动态机理模型与神经网络数据模型 

串联组成混合模型，并对浸出率进行实时预测。 

本发明的预测方法具有以下优势：该串行混合模型既充分利用了过程已有的先验知识，又利用数据模型深入挖掘出难建模部分输入—输出数据之间的内在关系，和单纯的机理模型及黑箱模型相比，该混合模型显著提高了模型的泛化能力及预测精度，而且本发明的研究成果还可以应用到其它化工领域中的过程建模中。 

附图说明

图1为金氰化浸出过程原理示意图； 

图2为本发明装置的硬件结构示意图； 

图3为串行混合模型的结构框图； 

图4为神经网络模型的结构框图； 

图5为本发明装置的工作原理示意图； 

图6为本发明装置的预测操作系统界面图； 

图7为单级浸出过程浸出率预测曲线。 

图8为浸出过程总浸出率预测曲线。 

具体实施方式

本发明装置包括浸出率预测系统、PLC、上位机、现场检测仪表， 金氰化浸出过程现场检测系统主要由矿浆浓度检测(北京矿冶研究总院的BDSM型在线浓度计)、氰化钠添加流量检测(蠕动式电脑加药机)、pH值检测(北京矿冶研究总院的BPHM型工业pH计)、矿浆固相金品位检测(离线实验室化验)、矿浆液相氰离子浓度检测(离线实验室滴定化验)、液相中溶解氧检测(北京矿冶研究总院的BDOM型工业溶氧仪)构成，其中矿浆流量根据压滤机卸饼相关参数估计，如附图5所示。 

浸出率预测系统和上位机选用联想品牌Core 4计算机，操作系统为WINDOW 7。浸出率预测系统在Core 4联想计算机上运行，浸出率预测系统界面由C#.net软件实现，串行混合模型预测算法采用Matlab 2012编程软件。本发明装置的系统界面图如附图6所示。浸出率预测系统和上位机的信号传送软件采用Prodave软件。浸出过程的矿浆浓度通过北京矿冶研究总院的BDSM型在线浓度计检测，氰化钠添加流量由蠕动式电脑加药机检测，pH值由北京矿冶研究总院的BPHM型工业PH计检测，液相中溶解氧通过北京矿冶研究总院的BDOM型工业溶氧仪检测，矿浆固相金品位、矿浆液相氰离子浓度通过离线实验室化验检测，这样人们可以从现场显示仪表直观地读出各检测变量的大小。 

PLC控制器采用西门子S7-300系列的CPU 315-2DP，具有Profibus-DP接口用来连接分布式IO。同时，配置以太网通讯模块，以便PLC搜集的现场实际运行数据可以被上位机访问，PLC控制器和以太网通讯模块均放置在中央控制室中的PLC电气柜中。 

在金氰化浸出车间安装流量、浓度、pH值等检测仪表，检测仪表将采集到的现场实际运行数据通过Profibus-DP总线传送到PLC，PLC再将采集的信号通过以太网传送到上位机，然后，上位机把现场实际运行数据传送到金氰化浸出过程浸出率预测系统，进行浸出率的实时预测，同时将结果同步显示在上位机组态界面中。 

下面结合具体的实施例对本发明的内容在作好了充分的技术保密前提下在某湿法冶炼厂金氰化浸出车间的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：单级浸出过程浸出率预测 

该金氰化浸出过程生产线上的金浸出槽为串级连接的气力浸出槽，通过向每个槽子通入压缩空气的方式供给浸出过程所需的溶解氧并产生气力搅拌作用，使反应更加彻底。 

1.预测模型自变量与因变量：矿浆中固相流量Qs，矿浆中液相流量Ql，各浸出槽中氰化钠的添加流量Qcn_i，固相中的金初始品位c_s0，液相中的氰离子初始浓度c_cn0，液相中的金初始浓度c_l0，浸出率a。 

2.数据集：收集与离线化验数据相对应的金氰化浸出车间浸出过程三个月的实际生产数据(自变量与因变量)，共93个有效样本，构成模型训练集。 

在现场实际应用中，由于检测仪表可靠性、测量精度以及现场恶劣的测量环境等因素的影响，测量数据中不可避免地要含有各种各样的测量误差。采用不可靠的测量数据训练模型会导致模型预测性能的大幅度下降。因此，首先要对现场测量数据进行适当的预处理以保证数据的可靠性。由于金氰化浸出过程存在着物料守恒方程，本发明首先利用统计判别法剔除含有显著误差的异常数据，再利用数据调和方法对数据进行预处理。 

利用统计判别法剔除异常数据的工作原理如下： 

设样本数据为x₁,x₂,…,x_n，平均值为x，各样本数据的偏差为 根据贝叶斯公式可以计算出该样本数据的标准偏差为： 

$\mathrm{\&sigma;}=[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{{\mathrm{\&delta;}}_i}^2/(n-1){]}^{1/2}---\left(23\right)$

然后逐一检查各样本数据的偏差，当某一样本数据x_i的偏差δ_i满足： |δ_i|>3σ时，则将x_i视为过程的异常数据，进行剔除，以后重复前面步骤直到所有样本数据检查完为止。 

数据调和方法是获得过程准确一致数据的必要操作，该方法强制过程数据遵守某些自然规律，比如物料和能量守恒方程，最终，经数据调和后的过程实际数据能够准确满足过程的物料和能量守恒方程。一般地，数据调和问题数学上可以表示成一个有约束的优化问题，即最小二乘估计问题。 

令γ为随机测量误差向量，即： 

γ＝y_m-y_true    (24) 

式中y_m—过程变量的测量值向量； 

y_true—过程变量的真实值向量。 

假设过程变量的随机测量误差服从均值为0，协方差矩阵为V的正态分布，那么数据调和问题可以定义为如下的最小二乘估计问题： 

$\begin{array}{c}\underset{y_{\mathrm{true}}}{\min \mathrm{\&phi;}}(y_m,y_{\mathrm{true}})=\frac{1}{2}{(y_m-y_{\mathrm{true}})}^T{V}^{-1}(y_m-y_{\mathrm{true}})\\ s.t.F\left(y_{\mathrm{true}}\right)=0\end{array}---\left(25\right)$

式中F—代数等式约束方程组，即系统的等式模型约束； 

φ—数据调和问题的目标函数，即估计误差的加权和。 

3.动力学反应速度估计：利用经过数据预处理后的有效数据所组成的数据集基于Tikhonov正则化方法估计金的溶解速度r_Au、氰离子的消耗速度r_cn。 

4.r_Au、r_cn神经网络BP模型训练：假设浸出过程所通入的压缩空气充足，即溶液中的含氧量为常值(由充气量控制回路保证)，同时矿石的平均粒径也为常值，根据过程的先验知识，金的溶解速度r_Au和氰根离子的消耗速度r_cn只与固相中的金浓度c_s和液相中的氰根离子浓度c_cn有关。以c_s和c_cn为输入，以上一步估计的r_Au和r_cn为输出， 对BP神经网络采用Levenberg-Marquardt算法训练，用训练好的神经网络模型估计混合模型中的未知参数r_Au和r_cn。 

5.串行混合模型的预测：将动态机理模型(物料守恒方程)与上一步训练好的BP神经网络数据模型串联组成串行混合模型，并对浸出率进行实时预测。 

6.串行混合模型验证：为了验证本发明串行混合模型的预测精度，我们用上述建立的串行混合模型对历史生产数据中的金浸出率进行预测，并将模型的预测结果与实验室离线化验的实际值进行比较，选取了30个测试数据样本，均方误差为0.0157，表1给出了金氰化浸出过程浸出率经标准化处理后的离线化验实际值、串行混合模型预测值、预测误差值以及曲线趋势。综上所述，本发明所建立的串行混合模型的预测精度在工艺要求的范围之内，能够满足实际浸出过程生产预测的要求，这为后续对过程实施优化控制奠定了重要的模型基础。 

表1 离线化验实际值、串行混合模型预测值及预测误差(标准化) 

	离线化验实际值	串行混合模型预测值	预测误差
				样本1	0.5856	0.5765	0.0091
样本2	0.3495	0.3236	0.0259
				…
样本29	1.0000	1.0000	0
				样本30	0.8900	0.8867	0.0033

实施例二：浸出过程总浸出率预测 

本实施例考虑整个氰化浸出车间总浸出率的预测。 

为了验证本发明串行混合模型对总浸出率的预测精度，我们根据与实施例一相类似的方法建立串行混合模型对历史生产数据中的金浸出率进行预测，并将模型的预测结果与实验室离线化验的实际值进行比较，选取了30个测试数据样本，均方误差为0.0624，表2给出了金氰化浸出过程总浸出率经标准化处理的离线化验实际值、串行混合模型预测值、预测误差值以及曲线趋势。综上所 述，本发明所建立的串行混合模型的预测精度在工艺要求的范围之内，能够满足实际浸出过程生产预测的要求，这为后续对过程实施优化控制奠定了重要的模型基础。 

表2 离线化验实际值、串行混合模型预测值及预测误差(标准化) 

结论：本发明的串行混合模型能够较准确的在线预测金的浸出率，预测误差能够保证在工艺要求的范围之内，能够满足实际浸出过程生产预测的要求；通过两个实施实例可以看出，本发明的方法是行之有效的。 

Claims (2)

1.一种湿法冶金金氰化浸出过程浸出率预测方法，采用已知的湿法冶金金氰化浸出工艺，本发明建立了串行混合模型预测金浸出率，串行混合模型是动态机理模型和神经网络数据模型串联组成的混合模型，其特征在于： 

动态机理模型由研究金氰化浸出过程的动力学基理出发，逐步建立浸出过程物料平衡方程，单级金氰化浸出出过程方程的物料平衡方程用如下微分方程表述： 

固相金守恒：……………………………① 

液相氰离子守恒方程：…………② 

液相金守恒：…………………………③ 

金浸出率：…………………………………………………④ 

其中：Qs为浸出槽矿浆固相流量；Ql为浸出槽矿浆液相流量；Qcn为浸出槽中氰化钠的添加量；Ms为浸出槽中滞留的固相质量；Ml为浸出槽中滞留的液相质量；c_s0、c_s分别为固相中的金初始品位、品位；c_cn0、c_cn分别为液相中的氰离子初始浓度、浓度；c_l0、c_l分别为液相中的金初始浓度、浓度；r_Au为金的溶解速度；r_cn为氰离子的消耗速度； 

根据固相、液相中的质量守恒，得： 

固相：Qs_i＝Qs_i-1＝Qs……………………………………………⑤ 

液相：Ql_i＝Ql_i-1＝Ql………………………………………………⑥ 

其中：Qs_i为第i级浸出槽的矿浆固相流量；Ql_i为第i级浸出槽的矿浆液相流量。 

假设浸出槽中的物料能够最大程度上混合，并且忽略浸出槽中的物料隔离，且浸出槽中滞留的固、液相质量恒定，得： 

…………………………………………………………⑦ 

…………………………………………………………⑧ 

………………………………………………………⑨ 

其中：C_w为矿浆中固相所占的系数；V为浸出槽的有效体积；ρ_s为矿浆固相密度；ρ_l为矿浆液相密度； 

因为忽略了浸出槽中的物料隔离，因此固相，液相和矿浆有相同的平均浸出时间τ： 

……………………………………………………⑩ 

金氰化浸出过程的动态机理模型由式①～式⑩及金溶解速度和氰离子消耗速度的动力学模型来表示；采用数值解法求解方程式式①～式⑩所组成的微分方程组，得到固相中的金品位c_s、液相中的金浓度c_l、液相中的氰离子浓度c_cn，进而计算得到该浸出槽的浸出率a； 

采用BP神经网络作为数据建模方法以预测机理模型中的未知参数r_Au、r_cn； 

基于串行混合模型的金氰化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； 

步骤二、采集现场数据：采集流量、浓度等实测数据； 

步骤三、将步骤二所采集的数据利用Tikhonov正则化方法估计r_Au、 r_cn； 

步骤四、r_Au、r_cn数据预测模型训练：假设浸出过程所通入的压缩空气充足，即溶液中的含氧量为常值，根据过程的先验知识，金的溶解速度r_Au和氰根离子的消耗速度r_cn只与固相中的金浓度c_s和液相中的氰根离子浓度c_cn有关；以c_s和c_cn为输入，以应用Tikhonov正则化方法估计的r_Au和r_cn为输出，对神经网络采用Levenberg-Marquardt算法训练，用训练好的神经网络模型估计混合模型中的未知参数r_Au和r_cn； 

步骤五、串行混合模型的预测：将动态机理模型与神经网络数据模型串联组成混合模型，并对浸出率进行实时预测； 

过程数据采集选用的硬件装置，包括金氰化浸出过程浸出率预测系统、PLC、上位机和现场检测仪表； 

检测仪表将采集到的现场实际数据通过Profibus-DP总线传送到PLC，PLC再将采集的信号通过以太网传送到上位机，然后，上位机把现场实际运行数据传送到金氰化浸出过程浸出率预测系统，进行浸出率的实时预测，同时将结果同步显示在上位机组态界面中进行显示。 

2.根据权利要求1所述的一种湿法冶金金氰化浸出过程浸出率预测方法，其特征在于所述的浸出率预测系统、上位机、PLC、现场检测仪表，其中金氰化浸出过程现场检测系统主要由矿浆浓度检测、氰化钠添加流量检测、pH值检测、矿浆固相金品位化验、矿浆液相氰离子浓度化验、液相中溶解氧检测构成，其中矿浆流量根据压滤机卸饼相关参数估计； 

浸出率预测系统和上位机选用联想品牌Core 4计算机，操作系统为WINDOW 7；浸出率预测系统在Core 4联想计算机上运行，浸出率预测系统界面由C#.net软件实现，串行混合模型预测算法采用Matlab 2012编程软件；浸出率预测系统和上位机的信号传送软件采用Prodave软件，浸出过程的矿浆浓度通过BDSM型在线浓度计检测，氰化钠添加流量由蠕动式电脑加药机检测，pH值由BPHM型工业PH 计检测，液相中溶解氧由BDOM型工业溶氧仪检测，矿浆固相金品位、矿浆液相氰离子浓度通过离线实验室化验检测； 

PLC控制器采用西门子S7-300系列的CPU 315-2DP，具有Profibus-DP接口用来连接分布式IO；同时，配置以太网通讯模块，使PLC搜集的现场实际运行数据被上位机访问，PLC控制器和以太网通讯模块均放置在中央控制室中的PLC电气柜中； 

系统界面包括：浸出过程预测系统工况参数界面、浸出过程预测系统金浸出率预测界面、模型参数设置界面和浸出过程预测系统历史查询界面。