CN104263960B - 金湿法冶金置换过程中置换率和金泥品位的在线预测方法 - Google Patents
金湿法冶金置换过程中置换率和金泥品位的在线预测方法 Download PDFInfo
- Publication number
- CN104263960B CN104263960B CN201410488458.6A CN201410488458A CN104263960B CN 104263960 B CN104263960 B CN 104263960B CN 201410488458 A CN201410488458 A CN 201410488458A CN 104263960 B CN104263960 B CN 104263960B
- Authority
- CN
- China
- Prior art keywords
- data
- grade
- rate
- displacement
- gold
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明提供一种实时预测湿法冶金置换过程置换率和金泥品位的方法,包括过程数据采集、辅助变量的选择以及数据预处理、置换率机理模型的建立、金泥品位数据模型的建立、模型的校正与更新等步骤,其特征在于:用化学反应动力学方程式和物料守恒原理建立置换率机理模型;用KPLS算法建立金泥品位数据模型;用校正算法对置换率预测模型进行修正并对金泥品位预测模型进行在线更新。本发明还提供了一种实施置换过程置换率和金泥品位在线预测的软件系统,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合成过程控制系统的模型计算机作为硬件平台。将本发明应用于某金湿法冶金工厂置换过程,对置换率和金泥品位进行预测,其结果均在预定的误差范围之内,对置换过程的操作起到了有效的监测和指导作用。
Description
技术领域
本发明属于湿法冶金领域,特别提供一种基于机理与数据模型的湿法冶金置换过程关键技术指标预测方法,即提供一种实时在线预测置换率和金泥品位的方法。
背景技术
湿法冶金工艺是逐渐成熟并且迫切需要工业化的新工艺,与传统的火法冶金相比,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。特别是针对我国矿产资源贫矿多,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矿产资源的综合利用率,降低固体废弃物产量,减少环境污染,都有着重大意义。
近几年湿法冶金工艺、设备研究进展迅速。但是湿法冶金工艺流程复杂,设备类型多样,工艺条件恶劣,如高温、高压、强腐蚀等,所以湿法冶金工艺只有大规模提高工业化自动控制水平,才能保证生产安全、稳定、高效、连续的运行,进而确保产品的质量和产量。
置换过程是湿法冶金的重要工序之一,置换法是在溶液中较负电性的金属还原较正电性金属的离子,如利用锌粉置换还原金。金属置换在湿法冶金中应用较广,其优点在于:具有较高效率与较快的反应速率,简便的处理设备,以纯净的金属单质形式回收大部分金属,产生相对较少的浆液等。目前置换过程的控制还停留在离线化验分析、经验调整、手动控制的水平,导致整个湿法冶金企业生产效率低、资源消耗大、产品质量不稳定,成为制约我国湿法冶金工业发展的瓶颈。
锌粉置换工艺主要由贵液净化、脱氧和锌粉置换三个作业组成,其基本工序图如图1所示:
(1)净化。矿浆过滤、洗涤产出的贵液中,含有少量矿泥和难于沉淀的悬浮颗粒,它们的存在会污染锌的表面、降低金的沉淀率并消耗贵液中的氰化物。净化所用设备主要是板框压滤机和自动反洗过滤器。该作业目的是清除贵液中的固体悬浮物,避免其进入置换作业,影响置换效果和金泥质量,因此要求净化后贵液中悬浮物含量越低越好;
(2)脱氧。含金溶液由于氰化作业时的充气和作业过程中与空气的接触,其中常含有较高的溶解氧,大量氧的存在,会在向溶液中加锌置换金时造成溶液中金的沉淀速度慢且不完全,并使已沉淀金反溶解和增大锌粉的消耗。该作业的主要目的是除去溶液中的溶解氧,所用的设备为真空脱氧塔,可使贵液中含氧量降到以下;
(3)置换。该作业由两部分组成,锌粉添加和置换部分。锌粉添加要求添加量准确,添加迅速、连续,尽量避免锌粉氧化和受潮结块;锌粉添加是由锌粉加料机和锌粉混合器联合完成的,当锌粉加入贵液中,置换反应便开始进行,在板框压滤机内完成最终的置换反应和金泥过滤,最终在滤布上形成一层金泥。锌粉置换过程示意图如图2所示。
为了保证金泥产品的质量,提高金的回收率,降低消耗,充分发挥设备的生产能力,生产过程中需要对置换过程的置换率和金泥品位进行测量。在实际生产中,置换率和金泥品位均无法在线测量,而是采用离线实验室化验获得,但离线化验滞后数小时,而且置换率化验采样次数少(最多3次/天),金泥品位化验只能在一个批次结束后才能进行,这些问题都远远不能满足控制的要求。有两种途径来解决这一问题,其一是采用在线分析仪;其二是通过对过程进行建模,实现对置换率和金泥品位的预测。由于前者功能还不完善,且投资较大、难以维护,尚不能全面满足湿法冶金置换生产过程的连续在线检测需求;因此最好的解决方案是使用第二种途径,即建立置换过程置换率和金泥品位的预测模型,在不增加投资的前提下在线预测置换率和金泥品位。
发明内容
本发明提供一种金湿法冶金置换过程中置换率和金泥品位的在线预测方法,通过对金湿法冶金置换过程置换率机理建模和金泥品位数据建模,开发置换过程置换率和金泥品位的预测操作系统,实现对置换率和金泥品位的实时预测。
本发明可用于解决如下问题:
(1)通过建立置换过程置换率和金泥品位的预测模型,在不增加投资的前提下实现了置换率和金泥品位的在线预测,取代了人工离线化验分析,达到及时准确检测生产状况的目的;
(2)通过对置换过程关键生产指标的在线预测,为置换过程的操作提供指导,从而确保金泥的质量和产量,提高金的回收率;
(3)通过对贵液流量、贵液中的金氰离子浓度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置换率和金泥品位的影响,为实现置换过程的优化控制奠定基础。
采用的技术方案:
本发明所提供的金湿法冶金置换过程置换率和金泥品位的预测方法包括:(1)过程数据采集、(2)辅助变量的选择以及数据预处理、(3)置换率的机理模型的建立、(4)金泥品位的数据模型的建立、(5)模型的校正与更新。
(1)过程数据采集
本发明采用的装置包括置换过程置换率和金泥品位的预测操作系统、上位机、PLC、现场传感变送部分,如图3所示。其中现场传感变送部分包括流量检测仪表等。在置换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,上位机把接收的数据传到置换过程置换率和金泥品位的预测操作系统,从而进行置换过程置换率和金泥品位的预测。
本发明装置的各部分功能:
(A)现场传感变送部分:流量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,传送给置换过程置换率和金泥品位的预测操作系统;
(D)置换过程置换率和金泥品位的预测操作系统:完成收集数据的运算处理和相应的人机交互操作,从而完成对置换过程中置换率和金泥品位的在线预测。
(2)辅助变量的选择以及数据预处理
本发明所选择的辅助变量包括:
(A)贵液的流量;
(B)贵液中金氰离子的浓度;
(C)贵液中银离子的浓度;
(D)锌粉添加量;
(E)置换率;
(F)金泥品位;
数据预处理包括:
(A)异常数据预处理
在湿法冶金置换过程中,会产生大量的关于置换率和金泥品位的过程数据,受测量仪表检测精度、可靠性和现场测量环境等因素的影响,不可避免地带有各种各样的误差,其中不乏存在一些不完整和错误的数据记录。如果建模中利用了这些异常数据,则将影响置换率和金泥品位预测模型的建模精度和计算稳定性。因此,必须对建模数据进行预处理,剔除不完整数据和异常数据。
针对异常数据,通常采用3σ准则,也称为拉依达准则进行处理。一般情况下,对一组样本数据,如果发现有偏差大于3σ的数值,则可以认为它是异常数据,应予以剔除,其数学方法表述如下:
(1)
式中为平均值。
如果某个数据样本值的残差满足下式:
(2)
则认为是含有粗差的异常数据,应予以剔除。在剔除了己经找出的异常数据后,对剩下的数据按上述准则继续进行计算、判别和剔除,直到不再有异常数据为止。这种方法的优点是不必先计算样本的平均值,可以避免舍入误差,且对样本量大的数据准确性较高。
(B)间歇过程数据预处理
由于湿法冶金置换过程是一个典型的间歇过程,要对这个间歇过程的最终产品的金泥品位进行数据建模,就需要对关于金泥品位的间歇过程数据进行预处理。
间歇操作实时测量的过程数据可以表示为三维数组:,其三个维数分别表示间歇操作周期、过程变量个数和每一次间歇操作过程中测量点的个数。
间歇过程的产品质量通常是在一次间歇操作结束之后离线测定,可以表示为离线的二维矩阵。因此,间歇过程数据的典型形式是一个三维的过程变量数组和一个二维的质量变量矩阵 。
考虑到后续金泥品位的建模问题,将该三维数据按批次方向展开为二维矩阵,这种展开方法保留了批次方向而将过程变量和采样点个数两个维数上的数据揉合在一起,其每一行包含了一个批次操作周期内的所有数据,可以表示为:,具体展开形式如图4所示。
(3)置换率的机理模型
湿法冶金锌粉置换反应一般在压滤机中进行,本发明基于置换过程工艺分析,结合置换过程的特性,在压滤机模型的基础之上,对置换过程置换率建立机理动态模型。在建立模型前,首先对置换过程做如下假设:(A)贵液中溶解氧的含量为零;(B)贵液澄清;(C)贵液中银、铜等离子对锌置换金的反应没有影响,并列进行;(D)不考虑温度的影响;(E)压滤机工作在恒压下。
(A)化学反应动力学方程式
在某一化学反应过程中,反应物的反应速度往往是一个很重要的变量,在锌粉置换金的反应中,锌粉置换金服从一阶动力学反应,金的反应沉积速度可用如下表达式求得:
(3)
式中—金的沉积速度();
—反应速度常数();
—锌粉表面积();
—压滤机中溶液的体积();
—溶液中金氰离子浓度()。
置换反应发生在锌粒的表面,假设锌粒是球形的,锌粉的表面积计算表达式如下:
(4)
式中—锌的密度();
—锌粒的直径();
—压滤机溶液中的锌粉质量()。
锌的反应速度与金的反应沉积速度关系如下:
(5)
式中—锌的反应速度();
—锌的相对原子质量;
—金的相对原子质量;
—反应比例系数。
(B)物料守恒
锌粉置换反应主要发生在板框压滤机里,满足物料守恒的原理。假定反应物料以稳定流量流入压滤机里。在压滤机中,刚进入压滤机的新鲜物料与存留在压滤机中的物料瞬间达到完全混合。压滤机中所有空间位置的物料参数都是均匀的,而且等于压滤机出口处的物料性质,即压滤机内物料浓度和温度均匀,与出口处的物料浓度和温度相等。
物料守恒的基本原理就是在单位时间内进入系统的反应物料量等于系统单位时间内生成的物料量以及系统内物料残余量之和,可用等式表示如下:
组分累积量=组分流入量-组分流出量-组分反应消耗量
对于金离子的守恒来说,表达式如下:
(6)
对于锌粉的质量守恒来说,表达式如下:
(7)
式中—贵液的流量();
—贵液中的金氰络合离子浓度();
—锌粉流量();
—贫液中金氰络合离子的浓度();
—贫液的流量()。
(C)压滤机特性方程
单位时间内,压滤机内溶液的体积变化:
(8)
恒压下,过滤的基本方程式:
(9)
(10)
式中—分离得到的贫液量();
—过滤速度常数();
—压滤机滤布的过滤面积();
—推动力();
—过滤介质的当量滤液体积();
—滤饼的压缩指数。
金的置换率表达式:
(11)
式中—贵液中金氰离子初始浓度();
—贵液中金氰离子的浓度()。
综上,我们建立了置换过程关于金置换率的动态机理模型,置换率与贵液中金氰络合离子浓度、贵液流量、锌粉添加量的关系式如下所示:
(12)
其中—贵液中金氰离子的浓度();
—贵液的流量();
—锌粉添加量()。
(4)金泥品位的数据模型
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。这里的输入变量为贵液流量、锌粉添加量、金氰离子浓度、银离子浓度,输出变量为金泥品位。
本发明采用非线性PLS(KPLS)作为数据建模的方法,对于核偏最小二乘算法的基本思想表示如下。
对于非线性过程数据,往往可以通过映射将低维空间的非线性关系转变为高维空间的线性关系,在高维空间利用NIPALS算法建立PLS模型,即在原始空间建立了非线性KPLS模型。如一个非线性变换输入数据映射到特征空间:
(13)
式中—输入矩阵的维数;
—样本的个数;
—矩阵的第行数据;
—输入空间到特性空间的非线性映射关系;
—特性空间的维数。
在特征空间中,引入核函数,定义为形式,是的Gram矩阵。通常选用高斯核函数:
(14)
式中—核宽参数。
在确定了核函数以后,接下来就需要确定核宽参数以及潜变量的个数。本发明选择交叉检验的方法确定上述两个参数,即将建模数据分为组,利用其中的组进行建模,对余下的1组进行预测,选择预测均方根误差和的最小值所对应的参数组合。
在进行上述变换之后,利用PLS算法建立输入数据向量与输出数据向量之间的线性回归模型,若是由前个得分向量组成的维矩阵,则模型可以利用下式进行描述:
(15)
(16)
式中—输入数据矩阵;
—输入数据得分向量矩阵;
—的负载向量矩阵;
—的拟合残差矩阵;
—输出数据矩阵;
—对的得分向量的预测值矩阵;
—的负载向量矩阵;
—的拟合残差矩阵;
—PLS的回归系数矩阵。
KPLS算法离线建模的基本步骤如下:
(A)对训练数据和进行标准化处理,即均值零化和方差归一化;
(B)计算核矩阵,;
(C)特征空间中心化,使,,其中,为单位矩阵,为全1矩阵,,。
(D)随机初始化输出得分向量,可设等于的任意一列;
(E)计算输入得分向量:,将正规化:;
(F)计算输出得分向量的权值向量:;
(G)计算输出得分向量:,将正规化:;
(H)重复步骤(D)-(G),直至收敛。检查收敛的办法是看与前一次的差是否在允许的范围之内;
(I)计算特征空间和输出空间的残差空间:,;
(J)利用交叉检验法确定外部迭代次数,即得分向量的个数;
(K)计算特征空间回归系数矩阵:;
(L)对训练数据进行预测:。
(5)模型的校正与更新
(A)置换率预测模型的校正
由于某些过程数据不够可靠,因此仅仅利用上述方法建立的置换率机理模型还不足以提供可靠的预测精度,因此在置换率预测模型的基础上,还利用预测误差对其进一步校正,该递推算法中的校正量可由下式进行确定:
(17)
式中—上一次预测误差与历史误差的加权和;
—当前预测误差;
—加权系数。
且有,可由下式进行计算:
(18)
式中—置换率离线化验值;
—置换率模型预测值。
最终的模型校正输出可以利用下式进行计算:
(19)
式中—校正后的置换率模型预测值。
(B)金泥品位预测模型的更新
在实际预测中,金泥品位数据模型也不是一成不变的,它受到生成原料性质、产品品质需求、生产量甚至环境气候等多重因素的影响。为了使得基于模型得到的预测值能最大程度的逼近实际值,我们应该根据实际操作情况实时对模型进行更新,来提高模型的准确性。
本发明采用增加样本点重新训练金泥品位数据模型的方法对模型进行更新,其操作流程为:首先采集个正常批次的样本点作为建模数据来建立模型,根据该模型求取预测值,然后测量该批次的实际输出。如果当前运行状态的实际输出与模型预测的结果偏差值连续个批次超过允许范围时,就认为此时该模型不能准确预测输出,需要对模型进行更新,否则,认为该模型准确,继续基于该模型进行预测,用数学符号表示如下。
个建模数据的样本点输入输出对应为,,当前个批次运行状态的新数据为,。新样本点生成过程:原始输入样本点为,如果当前个运行批次的实际输出测量值与模型预测值的偏差均超出允许范围时,将当前个批次运行状态的输入变量加入到原始输入样本点中,作为新的输入样本点,如式(20)所示:
(20)
同理输出样本点的生成过程如式(21)所示:
(21)
将新生成的样本数据作为输入输出数据,重新训练金泥品位数据模型,即对金泥品位预测模型进行了更新。
本发明应用于某金湿法冶金工厂置换过程,对置换率和金泥品位进行预测,其结果均在预定的误差范围之内,对置换过程的操作起到了有效的监测和指导作用。
附图说明
图1为金湿法冶金置换过程流程图;
图2为金湿法冶金高品位置换实际生产过程示意图;
图3为本发明装置的硬件结构示意图;
图4为三维数据展开成二维数据示意图;
图5为高品位置换过程置换率化验值与预测值曲线趋势图;
图6为高品位置换过程金泥品位化验值与预测值曲线趋势图;
图7为高品位置换过程置换率和金泥品位预测界面图;
图8为高品位置换过程历史数据查询界面图。
具体实施方式
下面结合具体的实例对本发明的内容作好了充分的技术保密的前提在锌湿法冶金生产厂的置换车间里得到了实际应用,并取得了显著的效果。
实施例1
在湿法冶金高品位置换生产线上的实施。
该生产线上有一个净水池,1台脱氧塔,1台射流真空泵,1台射流真空系统,1个水池,2台卧式化工泵,1台锌粉给料皮带机,1台锌粉混合器,1台液压板框压滤机,1个高铜贫液池,1台电磁流量计,如图2所示。置换过程检测系统主要由流量检测构成。
PLC控制器采用SIMATICS7-40系列的CPU414-2,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。
由于料液、酸液、碱液都导电且具有腐蚀性,因此选用KROHNE公司生产的具有聚四氟乙烯内衬的电磁流量计进行流量检测。电磁流量计为无阻力件检测具有精度高、使用寿命长、保养方便等优点。电磁流量计配备的就地显示仪表可以实现流量计就地显示、流量信号变送和流量累计等功能。电磁流量计输出的信号为标准的电流信号。
贵液中的金氰离子浓度、银离子浓度经离线化验所得。
上位机选用LenovoThinkCentreM8400t计算机,采用WINDOWXP操作系统。
置换过程置换率和金泥品位的预测操作系统运行在LenovoThinkCentreM8400t计算机上,采用C#2008编程软件,数据存储采用SQLServer2005数据库,算法采用Matlab2010a编程软件。
PLC与置换过程置换率和金泥品位的预测操作系统的信号传送软件是采用C#2008编程软件。
在置换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置换过程置换率和金泥品位的预测操作系统进行置换率和金泥品位在线实时预测。
第一步、收集数据:根据不同的生产工况(贵液流量、贵液中的金氰离子浓度、贵液中的银离子浓度等),凭借操作人员的经验确定锌粉的添加量,实施于实际的生产过程,然后经过离线化验得到各批次的置换率和金泥品位数据;
第二步、数据预处理:将所收集数据中不完整和异常数据剔除,然后将关于金泥品位的三维数据按批次方向展开为二维数据,为置换率机理模型辨识和金泥品位数据模型的建立做好准备;
第三步、置换率机理模型的建立:用上述处理后的关于置换率的数据,对置换率机理模型进行参数辨识,从而得到置换率机理模型中的未知参数;
第四步、金泥品位数据模型的建立:对上述处理后的关于金泥品位的数据,利用KPLS方法进行训练建模,得到金泥品位数据模型;
第五步、模型的预测:利用所建立的置换率机理模型和金泥品位数据模型分别对置换过程置换率和金泥品位进行实时预测;
第六步、模型的校正与更新:根据每天的置换率离线化验值,利用校正算法对置换率机理模型的预测值进行在线校正,并输出校正后的预测值;根据每个批次金泥品位离线化验值,判断是否满足金泥品位预测模型的更新条件,如果满足更新条件,则需要对金泥品位数据模型进行在线更新;
本发明的置换过程置换率和金泥品位的预测方法已用于某工厂的湿法冶金置换生产过程中。为了说明模型预测的有效性,采用预测计算数据和化验室分析数据进行了比较。其中,某一批次内的50个采样点的置换率预测值与化验分析值的曲线比较见图5,部分结果见表1。20个批次的金泥品位预测值与化验分析值的曲线比较见图6,部分结果见表2。表格里的数据都是经过归一化处理之后的数据。
表1置换率预测结果
表2金泥品位预测结果
编号 | 1 | 2 | 3 | … | 18 | 19 | 20 |
金泥品位化验值 | 32.16 | 32.96 | 31.69 | 32.50 | 34.21 | 33.59 | |
金泥品位预测值 | 31.95 | 33.13 | 31.72 | 32.38 | 33.89 | 33.57 |
对置换率进行预测时,置换率机理模型的均方误差(MSE)为0.2660,最大绝对误差(MAE)0.72,该结果表明了置换率预测模型的精度比较高;对金泥品位进行预测时,金泥品位数据模型的均方误差(MSE)为0.5437,最大绝对误差(MAE)0.82,该结果表明了金泥品位预测模型的精度比较高;从表1、表2和图5、图6可以看出模型预测值与化验值趋势比较吻合。由此可以看出,置换率机理模型和金泥品位数据模型对湿法冶金置换过程置换率和金泥品位具有很好的预测性能,适用于工业在线计算应用。
本发明在某湿法冶金置换车间对置换过程置换率和金泥品位进行预测时,友好的人机交互也是必不可少的。本发明也充分考虑到这一要求,设计了置换过程置换率和金泥品位的预测操作系统,它包括主模块、算法模块、数据库和界面。主模块主要是对程序进行初始化、读取输入数据、启动时钟、定时地将软件所需现场测量数据写入数据库、关闭数据库文件;算法模块中主要包括数据采集、数据处理、预测模型计算、模型的校正与更新;数据库主要用于历史数据的存储;界面主要包括如图7、8所示,为某湿法冶金置换车间置换过程置换率和金泥品位的预测操作系统界面,主要可以实现预测模型参数设置、置换过程关键变量的实时显示、置换过程的预测计算、历史数据的查询等功能。
Claims (3)
1.金湿法冶金置换过程中置换率和金泥品位的在线预测方法,采用已知的湿法冶金置换过程工艺,其特征在于:通过对湿法冶金置换过程建模,实现湿法冶金置换过程置换率和金泥品位的实时预测,包括过程数据采集、辅助变量的选择以及数据预处理、置换率机理模型的建立、金泥品位数据模型的建立;
1)数据采集
数据采集所用的设备硬件包括置换过程置换率和金泥品位的预测操作系统、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流量检测仪表,在置换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,上位机把接收的数据传到置换过程置换率和金泥品位的预测操作系统,从而进行置换过程置换率和金泥品位的预测;
现场传感变送部分功能: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,传送给置换过程置换率和金泥品位的预测操作系统,从而完成对置换过程中置换率和金泥品位的在线预测;
2)辅助变量的选择以及数据预处理
选择的辅助变量包括:
(A)贵液的流量x1;
(B)贵液中金氰离子的浓度x2;
(C)贵液中银离子的浓度x3;
(D)锌粉添加量x4;
(E)置换率x5;
(F)金泥品位x6;
数据预处理包括:
(A)异常数据预处理
针对异常数据,采用3σ准则,也称为拉依达准则进行处理;一般情况下,对一组样本数据X={x1,x2,…,xn},如果发现有偏差大于3σ的数值,则可以认为它是异常数据,应予以剔除,其数学方法表述如下:
式中为平均值
如果某个数据样本值xi的残差ei满足下式:
|ei|>3σ②
则认为xi是含有粗差的异常数据,应予以剔除;在剔除了己经找出的异常数据后,对剩下的数据按上述准则继续进行计算、判别和剔除,直到不再有异常数据为止;
(B)间歇过程数据预处理
由于湿法冶金置换过程是一个典型的间歇过程,要对这个间歇过程的最终产品的金泥品位进行数据建模,就需要对关于金泥品位的间歇过程数据进行预处理;
间歇操作实时测量的过程数据可以表示为三维数组:X(I×J×K),其三个维数分别表示间歇操作周期(i=1,…,I)、过程变量个数(j=1,…,J)和每一次间歇操作过程中测量点的个数(k=1,…,K);
间歇过程的产品质量通常是在一次间歇操作结束之后离线测定,表示为离线的二维矩阵Y(I×Jy);因此,间歇过程数据的典型形式是一个三维的过程变量数组X(I×J×K)和一个二维的质量变量矩阵Y(I×Jy);
考虑到后续金泥品位的建模问题,将该三维数据按批次方向展开为二维矩阵,这种展开方法保留了批次方向而将过程变量和采样点个数两个维数上的数据揉合在一起,其每一行包含了一个批次操作周期内的所有数据,表示为:X(I×KJ);
3)置换率的机理模型
(A)化学反应动力学方程式
在某一化学反应过程中,反应物的反应速度往往是一个很重要的变量,在锌粉置换金的反应中,锌粉置换金服从一阶动力学反应,金的反应沉积速度可用如下表达式求得:
式中rAu—金的沉积速度g/m3·s-1;
k—反应速度常数m/s;
A—锌粉表面积m2;
V—压滤机中溶液的体积m3;
CA—溶液中金氰离子浓度g/m3;
置换反应发生在锌粒的表面,假设锌粒是球形的,锌粉的表面积计算表达式如下:
式中ρ—锌的密度g/m3;
—锌粒的直径m;
uZn—压滤机溶液中的锌粉质量g;
锌的反应速度与金的反应沉积速度关系如下:
式中rZn—锌的反应速度g/m3·s-1;
MZn—锌的相对原子质量;
MAu—金的相对原子质量;
k2—反应比例系数;
(B)物料守恒
组分累积量=组分流入量-组分流出量-组分反应消耗量
对于金离子的守恒来说,表达式如下:
对于锌粉的质量守恒来说,表达式如下:
式中F0—贵液的流量m3/s;
CA0—贵液中的金氰络合离子浓度g/m3;
M—锌粉流量g/s;
CA—贫液中金氰络合离子的浓度g/m3;
F—贫液的流量m3/s;
(C)压滤机特性方程
单位时间内,压滤机内溶液的体积变化:
恒压下,过滤的基本方程式:
式中V1—分离得到的贫液量m3;
k1—过滤速度常数m2/s;
A1—压滤机滤布的过滤面积m2;
ΔP—推动力Pa;
Ve—过滤介质的当量滤液体积m3;
S—滤饼的压缩指数;
金的置换率表达式:
式中CA0—贵液中金氰离子初始浓度g/m3;
CA—贵液中金氰离子的浓度g/m3;
建立的置换过程关于金置换率的动态机理模型,置换率与贵液中金氰络合离子浓度、贵液流量、锌粉添加量的关系式如下所示:
y=f(CA,F,M)
其中CA—贵液中金氰离子的浓度g/m3;
F—贵液的流量m3/s;
M—锌粉添加量g/s;
4)金泥品位的数据模型
采用非线性PLS作为数据建模的方法,这里的输入变量为贵液流量、锌粉添加量、金氰离子浓度、银离子浓度,输出变量为金泥品位;对于核偏最小二乘算法的基本思想表示如下:
对于非线性过程数据X∈RI×N,往往是通过映射将低维空间的非线性关系转变为高维空间的线性关系,在高维空间利用NIPALS算法建立PLS模型,即在原始空间建立了非线性KPLS模型;如一个非线性变换输入数据xi∈RN(i=1,2,...,I)映射到特征空间F:
xi∈RN→Φ(xi)∈F
式中N—输入矩阵的维数;
I—样本的个数;
xi—矩阵X的第i行数据;
Φ(xi)I×S—输入空间到特性空间的非线性映射关系;
S—特性空间的维数;
在特征空间中,引入核函数K,定义为K=ΦΦT形式,Kij=K(xi,xj)是n×n的Gram矩阵;通常选用高斯核函数:
式中σ—核宽参数;
在确定了核函数以后,接下来就需要确定核宽参数σ以及潜变量的个数;选择交叉检验的方法确定上述两个参数,即将建模数据分为N组,利用其中的N-1组进行建模,对余下的1组进行预测,选择预测均方根误差和最小值所对应的参数组合;
在进行上述变换之后,利用PLS算法建立输入数据向量X与输出数据向量Y之间的线性回归模型,若T是由前h个得分向量组成的k×h维矩阵,则模型是利用下式进行描述:
X=TPT+E
式中X—输入数据矩阵;
T—输入数据得分向量矩阵;
P—X的负载向量矩阵;
E—X的拟合残差矩阵;
Y—输出数据矩阵;
—T对Y的得分向量的预测值矩阵;
Q—Y的负载向量矩阵;
F—Y的拟合残差矩阵;
B—PLS的回归系数矩阵;
KPLS算法离线建模的基本步骤如下:
(A)对训练数据X和Y进行标准化处理,即均值零化和方差归一化;
(B)计算核矩阵K,[K]ij=[K(xi,xj)];
(C)特征空间中心化,使 其中,I为单位矩阵,IN为全1矩阵,I∈RN×N,IN∈RN×N;
(D)随机初始化输出得分向量u,设u等于Y的任意一列;
(E)计算输入得分向量t:t=Ku,将t正规化:t=t/||t||;
(F)计算输出得分向量的权值向量c:c=YTt;
(G)计算输出得分向量u:u=Yc,将u正规化:u=u/||u||;
(H)重复步骤(D)-(G),直至收敛;检查收敛的办法是看t与前一次的差是否在允许的范围之内;
(I)计算特征空间和输出空间的残差空间:K=[In-ttT]K[In-ttT],Y=Y-ttTY;
(J)利用交叉检验法确定外部迭代次数,即得分向量的个数;
(K)计算特征空间回归系数矩阵B:B=ΦTU(TTKU)-1TTY;
(L)对训练数据进行预测:
2.根据权利要求1所述的金湿法冶金置换过程中置换率和金泥品位的在线预测方法,其特征在于:
生产线上有一个净水池,1台脱氧塔,1台射流真空泵,1台射流真空系统,1个水池,2台卧式化工泵,1台锌粉给料皮带机,1台锌粉混合器,1台液压板框压滤机,1个高铜贫液池,1台电磁流量计,置换过程检测系统主要由流量检测构成;
PLC控制器采用SIMATICS7-40系列的CPU414-2,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;
选用KROHNE公司生产的具有聚四氟乙烯内衬的电磁流量计进行流量检测;电磁流量计输出的信号为标准的电流信号;
贵液中的金氰离子浓度、银离子浓度经离线化验所得;
上位机选用LenovoThinkCentreM8400t计算机,采用WINDOWXP操作系统;
置换过程置换率和金泥品位的预测操作系统运行在LenovoThinkCentreM8400t计算机上,采用C#2008编程软件,数据存储采用SQLServer2005数据库,算法采用Matlab2010a编程软件;
PLC与置换过程置换率和金泥品位的预测操作系统的信号传送软件是采用C#2008编程软件;
在置换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置换过程置换率和金泥品位的预测操作系统进行置换率和金泥品位在线实时预测;
第一步、收集数据:根据不同的生产工况,包括贵液流量、贵液中的金氰离子浓度、贵液中的银离子浓度,凭借操作人员的经验确定锌粉的添加量,实施于实际的生产过程,然后经过离线化验得到各批次的置换率和金泥品位数据;
第二步、数据预处理:将所收集数据中不完整和异常数据剔除,然后将关于金泥品位的三维数据按批次方向展开为二维数据,为置换率机理模型辨识和金泥品位数据模型的建立做好准备;
第三步、置换率机理模型的建立:用上述处理后的关于置换率的数据,对置换率机理模型进行参数辨识,从而得到置换率机理模型中的未知参数;
第四步、金泥品位数据模型的建立:对上述处理后的关于金泥品位的数据,利用KPLS方法进行训练建模,得到金泥品位数据模型;
第五步、模型的预测:利用所建立的置换率机理模型和金泥品位数据模型分别对置换过程置换率和金泥品位进行实时预测;
第六步、模型的校正与更新:根据每天的置换率离线化验值,利用校正算法对置换率机理模型的预测值进行在线校正,并输出校正后的预测值;根据每个批次金泥品位离线化验值,判断是否满足金泥品位预测模型的更新条件,如果满足更新条件,则需要对金泥品位数据模型进行在线更新。
3.根据权利要求2所述的置换过程中置换率和金泥品位的在线预测方法,它包括主模块、算法模块、数据库和界面,其特征在于:
1)主模块主要是对程序进行初始化、读取输入数据、启动时钟、定时地将软件所需现场测量数据写入数据库、关闭数据库文件;
2)算法模块中主要包括数据采集、数据处理、预测模型计算、模型的校正与更新;
3)数据库主要用于历史数据的存储;
4)界面主要包括置换过程置换率和金泥品位的预测操作系统界面,主要是实现预测模型参数设置、置换过程关键变量的实时显示、置换过程的预测计算、历史数据的查询功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410488458.6A CN104263960B (zh) | 2014-09-23 | 2014-09-23 | 金湿法冶金置换过程中置换率和金泥品位的在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410488458.6A CN104263960B (zh) | 2014-09-23 | 2014-09-23 | 金湿法冶金置换过程中置换率和金泥品位的在线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104263960A CN104263960A (zh) | 2015-01-07 |
CN104263960B true CN104263960B (zh) | 2016-04-20 |
Family
ID=52155533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410488458.6A Active CN104263960B (zh) | 2014-09-23 | 2014-09-23 | 金湿法冶金置换过程中置换率和金泥品位的在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104263960B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108315557A (zh) * | 2018-04-06 | 2018-07-24 | 辽宁天利金业有限责任公司 | 一种锌粉置换试验装置 |
CN108536979B (zh) * | 2018-04-18 | 2021-08-03 | 东北大学 | 一种基于浓密机机理模型的底流浓度预测方法 |
CN111880466B (zh) * | 2020-07-28 | 2024-03-15 | 西门子(中国)有限公司 | 上位机向可编程逻辑控制器传输数据的方法 |
CN113091808A (zh) * | 2021-03-29 | 2021-07-09 | 江苏利宏科技发展有限公司 | 一种具有综合信息管理系统的化工工控仪表及其系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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
- 2014-09-23 CN CN201410488458.6A patent/CN104263960B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN104263960A (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101863088B (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN104199389B (zh) | 金湿法冶金置换过程的优化方法 | |
CN101482750B (zh) | 湿法冶金合成过程草酸钴粒度预测方法 | |
CN101813932B (zh) | 湿法冶金萃取过程组分含量预测与优化操作方法 | |
CN104263960B (zh) | 金湿法冶金置换过程中置换率和金泥品位的在线预测方法 | |
CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
CN101382556A (zh) | 一种基于数据驱动的煤泥浮选精煤灰份软测量方法 | |
CN112317110A (zh) | 基于深度学习的磨矿粒度预测系统及方法 | |
CN102169077B (zh) | 湿式磨矿过程溢流粒度指标混合智能软测量方法 | |
CN104062953A (zh) | 金湿法冶金过程运行状态在线评价方法 | |
CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
CN104597755A (zh) | 一种湿法冶金金氰化浸出过程优化方法 | |
CN109885012B (zh) | 一种金湿法冶金全流程实时优化补偿方法 | |
CN110322014A (zh) | 一种基于bp神经网络的水泥成品比表面积预测方法 | |
CN110866659A (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 | |
CN108536979B (zh) | 一种基于浓密机机理模型的底流浓度预测方法 | |
CN108680606A (zh) | 一种集成式矿浆性质多参数在线监测系统 | |
CN110390132B (zh) | 基于过程状态空间的有色冶金单元工序数字化和建模方法 | |
CN107563656B (zh) | 金湿法冶金氰化浸出过程运行状态的评价方法 | |
CN111612210A (zh) | 一种磨煤机煤粉细度的在线优化方法 | |
CN116244625A (zh) | 基于多特征融合神经网络的溢流型磨机负荷间接预报方法 | |
CN107942873A (zh) | 一种家具制造生产线的运营成本智能化核算及监控方法 | |
CN106950946B (zh) | 一种基于优化原则的湿法冶金异常控制方法 | |
CN103344740A (zh) | 基于多输入维纳模型的谷氨酸产物浓度在线软测量方法 | |
CN111617876B (zh) | 一种磨煤机在线综合运行优化的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |