CN104460721A - 一种湿法冶金浓密洗涤过程底流浓度优化控制方法 - Google Patents

Abstract

本发明提供一种浓密洗涤过程底流浓度的优化控制方法，利用在线线性化和预测控制方法为手段，通过研究浓密过程机理结合来料流量、来料浓度、底流流量、溢流流量、底流浓度等关键参数建立浓密过程的机理模型；通过研究机理模型找出浓密洗涤过程底流浓度控制的控制难点；以进行处理后的机理模型为基础，建立预测模型，以底流浓度、底流流量与底流流量变化量为优化参数进行浓密洗涤过程底流浓度的预测控制，实现湿法冶金浓密洗涤过程底流浓度的自动控制。本发明控制性能较好，克服了具有大惯性、非线性以及来料波动较大的不好控制的难题，解决了劳动强度大、生产效率低等问题。

Description

一种湿法冶金浓密洗涤过程底流浓度优化控制方法

技术领域

本发明属于湿法冶金领域，主要是提出了一种基于在线线性化机理模型的预测控制方法，并提供一种针对湿法冶金浓密洗涤过程底流浓度的优化控制方法。 

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，都有重大的意义。 

浓密洗涤过程是湿法冶金大规模生产工艺过程的关键环节，是有价金属综合回收率、维持生产流程的固液平衡的保证，起到浸出与置换之间的关键桥梁与纽带作用。浸出、浓密洗涤以及置换过程的工艺联系如图1所示。 

发明中使用到的浓密机是浓密洗涤过程中基于重力沉降作用的关键设备，它起到了将矿浆中固相和液相分离的作用。我们以直径50m的液压驱动周边齿条传动浓密机为例，介绍一下湿法冶金浓密洗涤过程的工艺流程。 

在浓密机的圆形槽体内中央部位设有中心给料井；沿槽的周边设有溢流槽；底部中心设有排泥锥；还设有将槽底浓缩矿浆推向排泥锥的耙机。浸出后矿浆经过给矿管道进入中心给料井，给料井中的矿浆在重力作用下进行沉降，最终聚集在浓密机底部。矿浆中密度较大的物料颗粒，在重力的作用下，很快进入压缩沉降层；水和小固体颗粒，因为密度小，会沿着放射方向横向流动进入过滤沉降层，随着水流的上升，最后上升到澄清层。同时又有许多新的颗粒不断补充到过滤层，形成一个动态的平衡。沉降到槽底的浓密矿浆，经过耙机规律性的圆周运动，从而实现矿浆的均化处理，顺着耙机上的刮板滑向槽底中心的排泥锥，并由底流泵送入下一个设备进入下一工序。溢流水通过溢流槽排出，进入下一环节使用。 

浓密洗涤过程目的是得到从浸出矿浆中分离出含可溶性组分的浸出液和排出经洗涤后的浸出渣。目前，浓密机生产过程主要以现场手动操作为主，自动化水平较低。由于人工手动操作调整底流泵时，当底流泵处于低频运转时，如果上游来料增大，由于操作不及时，致使底流浓度变大，设备负担过重，导致“压耙”事故；当底流泵处于稳定运转，如果上游来料减少时，由于操作没有及时进行调整，致使底流浓度越来越小，使后续生产难以进行。即使对于已实现自动控制的浓密机，由于其工艺机理复杂，操作环境恶劣，具有大惯性、非线性以及来料性质波动等问题，也会出现控制效果不佳，致使浓密机生产过程不仅岗位操作员劳动强度大，生产效率低，且浓密机安全运行存在着诸多隐患，严重影响着后续工序正常生产和经济效益的提高。 

发明内容

本发明的目的，是提供一种湿法冶金浓密洗涤过程底流浓度优化控制方法，能实现湿法冶金浓密度洗涤过程底流浓度的自动控制。 

采用的技术方案是： 

一种湿法冶金浓密洗涤过程底流浓度优化控制方法，其特征在于：根据湿法冶金相关工艺流程，通过研究机理模型找出浓密洗涤过程底流浓度控制的控制难点；以处理后的机理模型为基础，建立预测模型，以底流浓度、底流流量与底流流量变化量为优化参数进行浓密洗涤过程底流浓度的预测控制，实现湿法冶金浓密洗涤过程底流浓度的自动控制，并在界面中友好的显示，包括下述步骤： 

(1)通过研究浓密过程机理，得到浓密过程非线性机理模型。采用分层的思想得到分层的机理模型，在每个采样时刻对非线性机理模型进行雅克比线性化处理，建立了在线的线性化机理模型作为浓密洗涤过程底流浓度模型预测控制的预测模型，对浓密过程下一时段的行为做出预测进行底流浓度的自动控制。 

(2)完成浓密洗涤过程模型预测控制的滚动优化和反馈校正。在每一时刻k,要确定从该时刻起的M个控制增量Δu(k),…,Δu(k+M-1)，使被控对象在其作用下未来P个时刻的输出预测值尽可能的接近给定的期望值r(t+kT_s)，T_s为采样周期；M、P分别称为控制时域和优化时域，要求M≤P。 

在第k个采样间隔内的优化性能指标公式(1)所示： 

$U=\underset{U}{\arg \min }[\underset{i=1}{\overset{N_P}{\mathrm{\Σ}}}{{\left|\right|(\hat{y}(k+i|k)-y_r(k+i))\left|\right|}^2}_{Q_W}+\underset{j=1}{\overset{N_C}{\mathrm{\Σ}}}{{\left|\right|(u(k+j|k)-u(k+(j-1)k))\left|\right|}^2}_{R_W}]---\left(1\right)$

其中q_i、r_j是权系数，它们分别代表对跟踪误差以及控制量变化的抑制。求解上述优化问题得到Δu(k),…,Δu(k+M-1)的最优值，只取其中的即时控制增量Δu(k)构成实际控制u(k)＝u(k-1)+Δu(k)作用于对象。到下一时刻，由类似的优化问题求出Δu(k+1)，这就是所谓的“滚动优化”策略。 

由于实际存在模型失配、环境干扰等未知因素，由预测模型给出的预测值有可能偏离实际值，因此利用实时信息进行反馈校正。到下一采样时刻首先要检测对象的实际输出y(k+1)，并把它与预测模型计算出的模型预测输出进行比较，构成输出误差： 

$e(k+1)=y(k+1)-{\tilde{y}}_1(k+1|k)---\left(2\right)$

这一误差信息反映了模型中未包括的不确定因素对输出的影响，可用来预测未来的输出误差，以补充基于模型的预测，由于对误差的产生缺乏因果性的描述，故误差预测只能采用时间序列方法，例如，可采用e(k+1)对加权的方式修正对未来输出的预测： 

${\tilde{y}}_M(k+1)={\tilde{y}}_N\left(k\right)+\mathrm{he}(k+1)---\left(3\right)$

整个控制就是以这种结合反馈校正的滚动优化方式反复在线进行的。 

(3)上位机界面将系统的控制效果实时显示出来，包括参数设置界面、底流浓度的控制效果曲线显示界面。 

上述中的底流浓度、底流流量等相关量是和现场的基础自动化系统配套的，在使用时把它装入一个模型机的计算机中，即以模型机作为本发明的硬件平台，同基础自动化部分的上位机、PLC、现场传感变送部分协同工作。其中现场传感变送部分包括压力、浓度、流量等检测仪表。在合成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，根据上位机的现场数据实现浓密机底流浓度的优化控制。 

本发明具有以下优势： 

本发明所提供的优化控制技术及系统是和现场的基础自动化系统配套的，在使用时把它装入一个模型机的计算机中，即以模型机作为本发明的硬件平台，同基础自动化部分的上位机、PLC、现场传感变送部分协同工作。其中现场传感变送部分包括压力、浓度、流量等检测仪表。在合成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，根据上位机的现场数据实现浓密机底流浓度的优化控制。并在上位机组态界面中进行实时显示底流流量和底流浓度。 

附图说明：

图1湿法冶金工艺流程结构图。 

图2浓密机内部作业空间图。 

图3浓密机的分层结构图。 

图4底流浓度时间变化曲线图。 

图5非线性模型线性化流程图。 

图6非线性机理模型与实时更新线性化模型输出对比图。 

图7模型预测实时控制计算流程图。 

图8浓密洗涤过程底流浓度控制界面图。 

具体实施方式

一种湿法冶金浓密洗涤过程底流浓度优化控制方法，是通过研究浓密过程机理结合包括来料流量、来料浓度、底流流量、溢流流量和底流浓度，这些关键参数建立浓密过程的机理模型；通过研究机理模型找出浓密洗涤过程底流浓度控制的控制难点；以进行处理后的机理模型为基础，建立预测模型，以底流浓度、底流流量与底流流量变化量为优化参数进行浓密洗涤过程底流浓度的预测控制，实现湿法冶金浓密洗涤过程底流浓度的自动控制。 

本发明包括湿法冶金浓密洗涤过程机理模型的建立、构建预测控制的预测模型、浓密洗涤过程底流浓度、底流流量的优化控制内容。 

1)构造湿法冶金浓密洗涤过程机理模型 

浓密机的作业空间按照浓度大小可分为自由沉降区、凝聚沉降区、干涉沉降区和压力沉降区四个区如图2所示，浓密洗涤的过程就是固液两相沉降分离的过程，柯西理论认为悬浮液为连续体，沉降过 程可由固相的连续性方程来描述： 

$\frac{\∂C}{\∂t}+\frac{\∂\left(v_{s}C\right)}{\∂z}=0---\left(1\right)$

式中C－溶液浓度； 

v_s－沉降速度； 

z－沉降高度； 

柯西沉降公式描述了浓密池内的沉降过程机理，考虑弥散作用和浓密洗涤工作过程包括入料、底流排放、溢流排放，根据质量守恒定律得到浓密洗涤过程的机理模型： 

$\frac{\∂C}{\∂t}=-\frac{\∂(v_{s}C+\mathrm{qC})}{\∂z}+D\frac{{\∂}^{2}C}{\∂z^2}+q_f{C}_f\mathrm{\δ}(z-z_f)---\left(2\right)$

式中 

q_f－单位面积入料流量； 

q－浓密池单位面积流量； 

C_f－进料浓度； 

C－矿浆浓度； 

z_f－进料高度； 

v_s－沉降速度； 

z－浓密机的高度； 

D－弥散系数； 

δ－狄拉克冲量； 

t－时间。 

采用分层的思想如图3所示，分层将浓密池分为若干浓度均匀的浓密层，分层的每一层满足柯西沉降理论假设。分层后将上述的质量平衡方程转化为一阶微分方程组，即将求解复杂的偏微分方程转化为求解一阶微分方程组。 

2)构建底流浓度预测控制预测模型 

通过研究浓密过程机理，得到浓密过程非线性机理模型，采用分层的思想得到分层的机理模型，在每个采样时刻对非线性机理模型进行雅克比线性化处理，建立了在线的线性化机理模型作为浓密洗涤过程底流浓度模型预测控制的预测模型，对浓密过程下一时段的行为做 出预测进行底流浓度的自动控制。最后将各参数值确定后得到的输入输出关系如式(3)所示： 

$\begin{array}{c}{\stackrel{\·}{x}}_1=q_e(x_2-x_1)/0.4-v_s\left(x_1\right)x_1/0.4+0.542\frac{x_2-x_1}{0.16}\\ {\stackrel{\·}{x}}_i=q_e(x_{i+1}-x_i)/0.4+(v_s\left(x_{i-1}\right)x_{i-1}-v_s\left(x_i\right)x_i)/0.4+0.542\frac{x_{i+1}-x_i}{0.16}-0.542\frac{x_i-x_{i-1}}{0.16}\\ {\stackrel{\·}{x}}_5=q_f-(q_e+q_u)x_5/0.4\\ {\stackrel{\·}{x}}_j=q_u(x_{j-1}-x_j)/0.4+(v_s\left(x_{j-i}\right)x_{j-1}-v_s\left(x_j\right)x_j)/0.4+0.542\frac{x_{j+1}-x_j}{0.16}-0.542\frac{x_j-x_{j-1}}{0.16}\\ {\stackrel{\·}{x}}_{10}=q_u(x_9-x_{10})/0.4+v_s\left(x_{10}\right)x_{10}/0.4-0.542\frac{x_{10}-x_9}{0.16}\end{array}---\left(3\right)$

其中i＝2,...4j＝6,...9 

选用较为常用的Takács沉降速度模型。 

$v_s\left(x_i\right)=\max (0,\min ({v_0}^{\′},v_0(e^{-r_h(x_i-11.856)}-e^{-r_p(x_i-11.856)})))---\left(4\right)$

式中 

q_e－单位面积溢流流量； 

q_u－单位面积底流流量； 

q_f－单位面积入料流量； 

x_i－第i层的底流浓度； 

x_j－第j层的底流浓度。 

在由质量平衡方程转化为的一阶微分方程组中，由式(4)可知v_s(C)是变化的，即输出输入关系不成正比例关系，进而可以知道浓密洗涤过程属于非线性过程。应用仿真平台通过开环实验仿真如图4所示，可知浓密洗涤过程具有滞后特性。因此可以通过以上分析，得到浓密洗涤过程具有非线性、大滞后的特点。 

3)浓密洗涤过程模型预测控制的滚动优化和反馈校正 

在每一时刻k，要确定从该时刻起的M个控制增量Δu(k),…,Δu(k+M-1)，使被控对象在其作用下未来P个时刻的输出预测值尽可能的接近给定的期望值r(t+kT_s)，T_s为采样周期；M、P分别称为控制时域和优化时域，为了使问题有意义，规定M≤P。在控制过程中，往往不希望控制增量Δu(k)变化过于剧烈，这一因素可在优化性能指标中加入软约束予以考虑。 

在第k个采样间隔内的优化性能指标公式(5)所示： 

$U=\underset{U}{\arg \min }[\underset{i=1}{\overset{N_P}{\mathrm{\Σ}}}{{\left|\right|(\hat{y}(k+i|k)-y_r(k+i))\left|\right|}^2}_{Q_W}+\underset{j=1}{\overset{N_C}{\mathrm{\Σ}}}{{\left|\right|(u(k+j|k)-u(k+(j-1)k))\left|\right|}^2}_{R_W}]---\left(5\right)$

其中q_i、r_j是权系数，它们分别代表对跟踪误差以及控制量变化的抑制。求解上述优化问题得到Δu(k),…,Δu(k+M-1)的最优值，只取其中的即时控制增量Δu(k)构成实际控制u(k)＝u(k-1)+Δu(k)作用于对象。到下一时刻，由类似的优化问题求出Δu(k+1)，这就是所谓的“滚动优化”策略。 

由于实际存在模型失配、环境干扰等未知因素，由预测模型给出的预测值有可能偏离实际值，因此利用实时信息进行反馈校正。到下一采样时刻首先要检测对象的实际输出y(k+1)，并把它与预测模型计算出的模型预测输出进行比较，构成输出误差如式(6)所示： 

$e(k+1)=y(k+1)-{\tilde{y}}_1(k+1|k)---\left(6\right)$

这一误差信息反映了模型中未包括的不确定因素对输出的影响，可用来预测未来的输出误差，以补充基于模型的预测，由于对误差的产生缺乏因果性的描述，故误差预测只能采用时间序列方法，例如，可采用e(k+1)对加权的方式修正对未来输出的预测如式(7)所示： 

${\tilde{y}}_M(k+1)={\tilde{y}}_N\left(k\right)+\mathrm{he}(k+1)---\left(7\right)$

整个控制就是以这种结合反馈校正的滚动优化方式反复在线进行的。 

结合附图，对本发明提出的针对浓密洗涤过程的优化控制方法，作进一步说明如下： 

(1)建立浓密洗涤底流浓度模型预测控制的预测模型 

建立浓密洗涤过程机理模型，如图5所示对非线性机理模型进行线性化处理，在考虑减少求解优化问题计算量的情况下，可采用如图所示措施，设置模型更新条件：1)每层矿浆浓度在采样前后相差大于浓度差设定值；2)在未满足条件1)的情况下前后两次模型更新相隔周期数大于设定值。当满足上面两个条件之一就更新预测模型。 

采用上述模型更新方法后，进行仿真对比非线性机理模型与实时 更新的线性化模型的输出结果，如图6所示，可见进行更新的线性化模型较好地反映了非线性机理模型的输出，较准确地为浓密洗涤过程底流浓度的优化控制提供未来系统预测值。 

(2)确定优化参数 

模型预测控制的在线计算由初始化模块和实时控制模块组成。初始化模块是在投入运行的第一检测对象的实际输出y(k)，并把它设定为预测初值i＝1,2,…,N。从第二步起即转入实时控制模块，在每一采样时刻的在线计算流程如图7所示。 

实现底流浓度模型预测控制，参数选取对系统各项特征十分重要，需要设计的参数有：误差权系数q，控制权系数r，校正权系数h，以及采样周期T，模型长度N，预测域长度P和控制域长度M等。 

1)采样周期T与模型长度N 

根据香农采样定理，可确定采样周期T，采样周期T的选择可根据一般系统设计的经验，选为对象时间常数的1/10左右，但与此同时应考虑系统抗干扰性能的要求，即为快速抑制干扰对系统的影响，T不能选得太大，T的选择应与模型长度N的数值相协调。从预测控制的要求出发，应使模型参数尽可能覆盖对象的整个动态范围。 

2)优化时域P和误差权系数q 

优化时域P最直观的意义是在P步内使预测值逼近期望值，而q反应了第i时刻逼近期望值的程度，对于一般的过程对象而言，由于含有一定的时滞，因此，优化时域长度P必须大于时滞，即p>τ/T。且在时滞区内，不可能指望预测值跟踪期望值，所以有Q_i＝0,i≤τ/T。在q确定后，选择P，使优化时域包含对象阶跃响应的主要动态部分即可。以初选的P值进行仿真，若快速性差即适当减小P，若稳定性较差，则适当增大P。 

3)控制时域M和控制权系数r 

控制时域M是控制增量ΔU(k)在优化时域P中改变的次数，因而M≤P，一般要求靠增大M值，以便用M个控制增量的变化使得在P个时刻上均达到输出误差的极小化。我们不希望控制量作剧烈变化，可利用r对ΔU(k)的变化幅度作适当限制。 

4)校正参数h 

校正参数h的作用是考虑到在实时控制过程中由于模型误差、干 扰以及对象参数变化等的影响，会使得按预测模型给出的预测值偏离实际输出值。这样即使预测值逼近期望值，也无法保证实际输出跟踪期望值，从而造成控制精度的下降。 

(3)底流浓度的模型预测控制 

建立好预测模型，确定了优化参数，有实际输出值反馈校正模型预测值，根据优化指标就行优化控制量计算，得到的控制增量向量只实施下一时刻的控制增量，整个控制以结合反馈校正的滚动优化方式反复在线。 

(4)人机界面 

浓密洗涤过程底流浓度控制界面如图8所示，功能包括控制参数设置、开始控制、历史查询、底流浓度、底流流量的实时值，并显示底流浓度的控制效果曲线，提供了一个关于底流浓度的可视化的友好界面。 

本发明基于在线更新的浓密洗涤过程线性化机理模型对底流浓度进行模型预测控制，以提高湿法冶金浓密洗涤过程底流浓度为目标，实现湿法冶金浓密过程底流浓度自动控制的目的，并在友好的人机界面进行显示自动控制的效果。 

Claims (1)

1.一种湿法冶金浓密洗涤过程底流浓度优化控制方法，其特征在于：包括下述步骤： 

(1)通过研究浓密过程机理，得到浓密过程非线性机理模型，采用分层的思想得到分层的机理模型，在每个采样时刻对非线性机理模型进行雅克比线性化处理，建立了在线的线性化机理模型作为浓密洗涤过程底流浓度模型预测控制的预测模型，对浓密过程下一时段的行为做出预测进行底流浓度的自动控制； 

(2)完成浓密洗涤过程模型预测控制的滚动优化和反馈校正，在每一时刻k，要确定从该时刻起的M个控制增量Δu(k)，…，Δu(k+M-1)，使被控对象在其作用下未来P个时刻的输出预测值尽可能的接近给定的期望值r(t+kT_s)，T_s为采样周期；M、P分别称为控制时域和优化时域，要求M≤P； 

在第k个采样间隔内的优化性能指标公式(1)所示: 

其中q_i、r_j是权系数，它们分别代表对跟踪误差以及控制量变化的抑制；求解上述优化问题得到Δu(k)，…，Δu(k+M-1)的最优值，只取其中的即时控制增量Δu(k)构成实际控制u(k)＝u(k-1)+Δu(k)作用于对象，到下一时刻，由类似的优化问题求出Δu(k+1)，这就是所谓的“滚动优化”策略； 

由于实际存在模型失配、环境干扰未知因素，由预测模型给出的预测值有可能偏离实际值，因此利用实时信息进行反馈校正；到下一采样时刻首先要检测对象的实际输出y(k+1)，并把它与预测模型计算出的模型预测输出进行比较，构成输出误差： 

这一误差信息反映了模型中未包括的不确定因素对输出的影响，可用来预测未来的输出误差，以补充基于模型的预测，由于对误差的产生缺乏因果性的描述，故误差预测只能采用时间序列方法，例如，可采用e(k+1)对加权的方式修正对未来输出的预测： 

整个控制就是以这种结合反馈校正的滚动优化方式反复在线进行的； 

(3)上位机界面将系统的控制效果实时显示出来，包括参数设置界面、底流浓度的控制效果曲线显示界面； 

上述中的底流浓度、底流流量相关量是和现场的基础自动化系统配套的，在使用时把它装入一个模型机的计算机中，即以模型机作为本发明的硬件平台，同基础自动化部分的上位机、PLC、现场传感变送部分协同工作；其中现场传感变送部分包括压力、浓度、流量检测仪表；在合成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，根据上位机的现场数据实现浓密机底流浓度的优化控制。