CN106886154A - 基于区间数的湿法冶金全流程建模方法与优化方法 - Google Patents
基于区间数的湿法冶金全流程建模方法与优化方法 Download PDFInfo
- Publication number
- CN106886154A CN106886154A CN201710280388.9A CN201710280388A CN106886154A CN 106886154 A CN106886154 A CN 106886154A CN 201710280388 A CN201710280388 A CN 201710280388A CN 106886154 A CN106886154 A CN 106886154A
- Authority
- CN
- China
- Prior art keywords
- storehouse
- optimal
- variable
- index
- optimization
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明涉及冶金技术领域,涉及一种基于区间数的湿法冶金全流程建模方法与优化方法,建模方法包括:根据预设时间段内历史数据中的输入变量、输出变量和操作变量建立湿法冶金过程中上游子流程的操作模式库,操作模式库中包括:输入变量、输出变量和操作变量之间的映射关系;根据预设时间段内历史数据中下游子流程在各种工序下的综合经济指标、最优氰化钠操作参数、最优锌粉操作参数,建立最优模式库,所述最优模式库包括:综合经济指标、各工序质量指标、最优氰化钠操作参数、最优锌粉操作参数的映射关系;将所述操作模式库和最优模式库组成湿法冶金过程中的全流程最优模态库。上述方法通过全流程最优模态库在应用中能够提高湿法冶金的经济效益。
Description
技术领域
本发明涉及冶金技术领域,尤其涉及一种基于区间数的湿法冶金全流程建模方法与优化方法。
背景技术
湿法冶金工艺随着高品位矿石的逐渐减少,已经开始受到世界各国的高度重视。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。
湿法冶金全流程包括磨矿、浮选、脱水调浆、氰化浸出、压滤洗涤、置换等湿法冶炼的工艺流程。首先原矿石经过磨矿和分离浮选等预处理过程后得到一定的矿浆,之后通过浓密压滤过程将预处理过程中携带的药剂从矿石中脱离,得到带有极少量液体的滤饼。接着通过调浆过程将滤饼与调浆水搅拌得到一定浓度的矿浆,混合后的矿浆由排矿泵打入到后续的浸出流程的浸出槽中。浸出流程由两次浸出过程组成,精矿中难溶的金通过与浸出剂(NaCN)发生反应生成可溶于水的离子,两次浸出后的矿浆通入压滤机压滤洗涤后生成贵液,最终通过置换工序得到金属金。黄湿法冶金主要工序如图1所示,步骤1、对原矿石进行磨矿和浮选,形成矿浆;步骤2、对矿浆进行压滤处理,得到滤饼;步骤3、将上述滤饼与调浆水搅拌,形成具有一定浓度的矿浆;步骤4、向矿浆中加入氰化钠溶液进行搅拌浸出;步骤5、对浸出后的矿浆进行压滤洗涤处理,收集滤饼和滤液,将滤液进行净化、脱氧、锌粉置换,形成金泥;步骤6、将上述滤饼与调浆水搅拌,形成具有一定浓度的矿浆;步骤7、向矿浆中加入氰化钠溶液进行搅拌浸出;步骤8、对浸出后的矿浆进行压滤洗涤处理,收集滤液,将一级滤液和二级滤液进行净化、脱氧、锌粉置换,形成金泥。
近几年湿法冶金工艺、设备研究进展迅速。但由于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,因此湿法冶金企业只有不断提高大规模工业化自动控制水平,才能保证生产安全、稳定、连续的运行,才能保证产品的质量和产量。我国湿法冶金工艺技术的研究处于国际先进水平,其中某些方面甚至处于领先地位,但由于湿法冶金工艺类型多、工艺条件差别大、规模相对较小等原因,自动化水平相对较低。且各工序的单独优化控制已经远远不能满足其工业生产的需要。为了最大限度地提高产量、金属回收率、矿产资源的综合利用率等技术经济指标,并降低运行成本与固体废弃物产量,减少环境污染,达到高产优质、节能降耗等目的,并最终提高企业的经济效益,迫切地需要对湿法冶金全流程优化进行研究。
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。目前,国内外对湿法冶金全流程建模多集中于各子过程(如浸出、压滤洗涤/浓密洗涤、萃取/置换)的层面上,还没有相关湿法冶金全流程模型的应用和研究,很多研究要么精度不高,要么缺少对全流程中各个子过程以及相互之间的物理特性的考虑,因此它们不能反映湿法冶金全流程,限制了模型的实际应用能力。湿法冶金全流程一般具有组分多、强耦合、大滞后、非线性等特征。因此,所建立的模型还应该能体现出上述复杂性,为实现湿法冶金全流程综合生产指标和各关键工序指标的预测以及为湿法冶金全流程优化奠定坚实的基础。另外,在许多实际工业生产过程中,不可避免地存在着与初始条件、测量偏差、材料特性等有关的误差或不确定性,造成不确定性的原因有:参数计算和测量误差;系统在不同工况/工序下,参数具有不同数值;参数具有一定的变化区域无法精确测量等。而国内外对于模型建立的研究多集中于单纯的机理模型或单纯的数据模型,由于不确定性因素存在,致使生产过程某些局部环节的模型无法获得,此时也就无法基于过程模型进行优化控制。因此合理的建立过程定性模型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,国内外对湿法冶金全流程的优化研究很少,自动化水平也不高,理论研究也只停留在对各工序的优化层面上。由于湿法冶金全流程是由一系列典型工序组成的复杂过程,随着产业的不断发展,单一工序的优化已不能满足湿法冶金全流程的生产要求。针对这样的挑战,湿法冶金全流程优化已经得到了广泛的关注,并成为矿物加工工业的一个重要发展目标。然而,湿法冶金流程规模过大、工序及变量过多,使得湿法冶金全流程优化问题更为复杂,迫切需要对湿法冶金全流程优化方法进行研究。因此必须寻求适当的建模优化方法,本发明提供了适用于湿法冶金全流程建模及优化的方法,至少能够提高湿法冶金的经济效益。
发明内容
(一)要解决的技术问题
本发明的目的在于提供一种至少能够提高湿法冶金的经济效益的基于区间数的湿法冶金全流程建模方法与优化方法。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
第一方面,本发明涉及一种基于区间数的湿法冶金全流程建模方法,包括如下步骤:
步骤S1、根据预设时间段内历史数据中的输入变量、输出变量和操作变量建立湿法冶金过程中上游子流程的操作模式库,所述操作模式库中包括:输入变量、输出变量和操作变量之间的映射关系;
步骤S2、根据预设时间段内历史数据中下游子流程在各种工序下的综合经济指标、最优氰化钠操作参数、最优锌粉操作参数,建立最优模式库,所述最优模式库包括:综合经济指标、各工序质量指标、最优氰化钠操作参数、最优锌粉操作参数的映射关系;
步骤S3、将所述操作模式库和最优模式库组成湿法冶金过程中的全流程最优模态库。
可选地,所述方法还包括:
步骤S4、根据当前工序信息和输入变量,从所述操作模式库、最优模式库中获取当前湿法冶金过程中的最优操作模态库,该最优操作模态库包括:当前湿法冶金过程中的输入变量、各种工序的操作参数、各工序的质量指标和全流程综合经济指标。
可选地,所述输入变量包括:具有至少五个等级的放矿量ΔM;
所述输出变量包括:具有至少五个等级的矿浆浓度Cw;
所述操作变量包括:具有至少七个等级的调浆水量Δq;
操作参数包括:氰化钠操作参数、锌粉操作参数;
所述各工序质量指标包括:一浸浸出率、二浸浸出率和置换率。
可选地,步骤S1包括:
S11、将输出变量和操作变量分别模糊化,模糊化后的操作变量为E1=[k1·Δq];操作变量Δq的模糊论域为
S12、建立模糊化的输出变量、模糊化的操作变量和输入变量之间的定性模型;
S13、根据建立的定性模型,获取每一输入变量在每一操作变量下的输出变量值,将所有输入变量在每一操作变量下的输出变量值的集合作为操作模式库。
可选地,步骤S2包括:
S21、采用分层优化方式将历史数据中下游子流程划分为工序指标、对应工序指标优化的过程操作变量,并建立过程层优化模型;
S22、采用区间数优化方式将过程层优化模型中不确定变量约束转化为确定性不等式约束,并采用罚函数法处理确定性不等式约束,获得以罚函数表示的无约束优化模型,以及采用二阶振荡粒子群算法对无约束优化模型优化求解,获得下游子流程的综合经济指标、最优氰化钠操作参数、最优锌粉操作参数;
S23、将各种工序下所述下游子流程的综合经济指标、最优氰化钠操作参数、最优锌粉操作参数集合,组成最优模式库。
可选地,子步骤S21包括:
S211、从历史数据中筛选待建模的最小消耗建模数据,采用三层BP神经网络方式建立最小消耗建模数据中物耗与工艺指标之间的约束关系,获得工序层优化模型;
s.t.
xc1,min=F1(xt1,θ)
xc2,min=F2(xt2,xt1,θ)
xc3,min=F3(xt3,xt2,xt1,θ)
g1(xt1,xt2)≤0
g2(xt3)≤0
xci≤xci,max,i=1,2,3
xti,min≤xti≤xti,max,i=1,2,3
其中,xci,min=Fi(xti,zi,θ)为工序物耗与工艺指标的关系约束,g1(xt1,xt2)≤0为总浸出率约束,其表达式为:g1=0.99-xt1-(1-xt1)·xt2≤0;
g2(xt3)≤0为置换率约束,其表达式为:g2=0.995-xt3≤0;
xci≤xci,max为物耗约束,
为各个浸出槽物耗之和;
xci=Qi,zn,i=3为置换槽物耗;
xti,min≤xti≤xti,max为一浸浸出率、二浸浸出率和置换率约束;
S212、基于所述工序层优化模型确定最优质量指标值、与最优质量指标值对应的最小消耗指标,并建立过程层优化模型;
s.t.
uij,min≤uij≤uij,max,j=1,2,3
s.t.
ui,min≤ui≤ui,max
其中,fi为第i个工序的模型,为工序指标向量, 分别为求解工序层优化模型确定的第i个工序的最优质量指标和对应的最小消耗指标;ui为第i个工序的操作向量,为对第i个工序有影响的所有其它最优工序质量指标。
可选地,子步骤S22包括:
S221、对于过程层优化模型中的约束转化为不等式约束其中gj(ui,Cw)=xti,和为目标值区间,i为工序数,j为约束个数;
S222、通过外层粒子群算法,产生多个决策向量个体ui,对每一决策向量个体,调用多次内层粒子群算法获得不确定变量约束的区间其中,
S223、采用区间可能度构造方法,将原不确定变量约束转换为确定性不等式约束其中0≤λj≤1为预先给定的可能度水平;区间可能度构造如下:
以及,获得确定性优化模型:
s.t.
uij,min≤uij≤uij,max,j=1,2,3
S224、采用罚函数法处理约束,将确定性优化模型转换为以罚函数表示的无约束优化模型:
其中,σ为罚因子,一般随经验取较大值,为罚函数,表示如下:
S225、对转化后的无约束优化模型,采用二阶振荡粒子群算法优化求解,获得下游子流程的综合经济指标和最优操作参数氰化钠添加量Q_CNij和锌粉添加量QZn;
相应地,S23、建立最优模式库为:
其中,m表示输入模态,即矿浆浓度5个等级[NB、NS、ZE、PS、PB];和表示一浸、二浸浸出率和置换率工序级指标,和分别表示浸出过程和置换过程的操作变量(i=1,2;j=1,2,3);表示下游子流程工艺指标。
可选地,最优操作模态库为
其中,k表示当前湿法冶金过程中的输入变量;l表示当前湿法冶金过程中的操作变量;表示全流程工艺指标。
第二方面,本发明还提供一种基于区间数的湿法冶金过程中全流程优化方法,包括:
获取湿法冶金过程中全流程的工序信息、输入变量值;
根据获取的工序信息和输入变量值,从预先建立的全流程最优模态库中查找符合最优经济效益的各工序的操作参数;
根据查找的操作参数调整当前湿法冶金过程中的相对应的参数及工序,以使当前湿法冶金过程中全流程的经济效益最优。
可选地,所述全流程最优模态库是通过上述任一所述的建模方法建立的。
(三)有益效果
本发明的有益效果是:
本发明着眼于湿法冶金的全流程,通过将全流程划分为上游子流程和下游子流程,进而对上游子流程建立操作模式库,对下游子流程建立最优模式库,进而获得全流程最优模态库。在应用于实际冶金时,根据输入变量和操作变量通过全流程最优模态库获取符合最优经济效益的操作参数及输出变量等,由此可以提高经济效益。由此,本发明所建立的模型对于提高经济效益、便于生产调整具有重要的实际意义。
附图说明
图1为现有技术湿法冶金主要工艺流程图;
图2为本发明湿法冶金全流程建模方法的示意图;
图3为本发明湿法冶金下游子流程区间优化的示意图;
图4为本发明湿法冶金下游子流程分层优化的示意图;
图5为本发明湿法冶金全流程优化的示意图;
图6(a)为工序指标优化结果的示意图;
图6(b)为子流程区间优化结果的示意图;
图6(c)为一次浸出优化结果的示意图;
图6(d)为二次浸出优化结果的示意图;
图7(a)为综合经济效益优化结果的示意图;
图7(b)为不同约束下基础优化结果的示意图;
图8为不同约束可能度水平下的惩罚结果示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
参照图1,现有技术中湿法冶金全流程的工艺步骤说明如下。
步骤01、对原矿石进行磨矿和浮选,形成矿浆;
步骤02、对矿浆进行压滤处理,将之前步骤中携带的药剂从矿石中脱离,得到带有极少量液体的滤饼;
步骤03、将上述滤饼与调浆水搅拌,形成具有一定浓度的矿浆;
步骤04、向矿浆中加入氰化钠溶液进行搅拌浸出;
步骤05、对浸出后的矿浆进行压滤洗涤处理,收集滤饼和滤液,将滤液进行净化、脱氧、锌粉置换,形成金泥;
步骤06、将上述滤饼与调浆水搅拌,形成具有一定浓度的矿浆;
步骤07、向矿浆中加入氰化钠溶液进行搅拌浸出;
步骤08、对浸出后的矿浆进行压滤洗涤处理,收集滤液,将一级滤液和二级滤液进行净化、脱氧、锌粉置换,形成金泥。
为较好的理解下述基于区间数的湿法冶金全流程建模方法,本实施例将湿法冶金全流程划分为上游子流程和下游子流程。其中,下游子流程包括:一次浸出过程、二次浸出过程、一次压滤洗涤过程、二次压滤洗涤过程、置换过程等。下游子流程之前的流程属于上游子流程,下述也称为边界环节。本实施例中的下游子流程和上游子流程均实现相对的概念,为更好的理解本申请,本实施例采用上述划分方式,在其他实施例中,可采用其他划分方式,本实施例不对其进行限定。
另外,针对湿法冶金全流程中的定性变量,本实施例中划分多个等级。
结合湿法冶金的历史数据,以及业内人士的交流分析,对输入变量(放矿量ΔM)和输出变量(矿浆浓度Cw)分别划分5个等级,分别为小(NB)、较小(NS)、中(ZE)、较大(PS)、大(PB)。为了得到高精度的矿浆浓度,同样对于操作变量(调浆水量Δq)划分为7个等级,分别为负大(NB)、负中(NM)、负小(NS)、零(ZE)、正小(PS)、正中(PM)、正大(PB)。
实施例一
结合图2至图5所示,本实施例的基于区间数的湿法冶金全流程建模方法,包括:
步骤S1、根据预设时间段内历史数据中的输入变量、输出变量和操作变量建立湿法冶金过程中上游子流程的操作模式库,所述操作模式库中包括:输入变量、输出变量和操作变量之间的映射关系。
在本实施例中,输入变量包括:具有至少五个等级的放矿量ΔM;
输出变量包括:具有至少五个等级的矿浆浓度Cw;
操作变量包括:具有至少七个等级的调浆水量Δq。
各工序质量指标包括:一浸浸出率、二浸浸出率和置换率。
本实施例中为了得到高精度的矿浆浓度对操作变量如调浆水量Δq划分七个等级,在其他实施例中可以不限定是七个等级,相应地,针对输入变量放矿量ΔM也不限定是五个等级,矿浆浓度Cw也不限定是五个等级,可以根据实际需要调整,本实施例的等级主要是为了更好的获得后续的模型以建立全流程最优模态库。
由此,在不同的放矿量输入条件下,通过不同的操作变量,得到与之对应的输出,最终构建输入输出操作模式库。
步骤S2、根据预设时间段内历史数据中下游子流程在各种工况/工序下的综合经济指标、最优氰化钠操作参数、最优锌粉操作参数,建立最优模式库,所述最优模式库包括:综合经济指标、各工序质量指标、最优氰化钠操作参数、最优锌粉操作参数的映射关系。
可理解的是,本实施例中利用区间数的分层优化方法/方式对下游子流程基于模型优化,获得下游子流程在不同工况/工序下的综合经济指标和最优操作参数氰化钠添加量Q_CNij和锌粉添加量QZn,并建立最优模式库。
在本实施例中,操作参数可包括:氰化钠操作参数、锌粉操作参数;
所述下游子流程可包括:一次浸出过程、二次浸出过程、一次压滤洗涤过程、二次压滤洗涤过程和置换过程。
步骤S3:将所述操作模式库和最优模式库组成湿法冶金过程中的全流程最优模态库。
在实际应用中,根据建模的全流程最优模态库调整当前湿法冶金过程的工序/参数,此时上述方法还包括下述步骤S4:
步骤S4、根据当前工况/工序信息和输入变量,从所述操作模式库、最优模式库中获取当前湿法冶金过程中的最优操作模态库,该最优操作模态库包括当前湿法冶金过程中的输入变量、各种工序的操作参数、各工序的质量指标和全流程综合经济指标。
具体地,参见图2,上述步骤S1可包括:
S11、将输出变量和操作变量分别模糊化,模糊化后的操作变量为E1=[k1·Δq];操作变量Δq的模糊论域为
可理解的是,输出变量矿浆浓度Cw和操作变量调浆水Δq的实际变化范围为[Cwmin,Cwmax]和[Δqmin,Δqmax],将矿浆浓度划分为5个模糊等级,相应的区间数值为{[34%35.2%],[34.8%36.2%],[36%38%],[37.8%39.2%],[38.8%40%]},定义模糊计算中模糊语言变量Δq的模糊论域为矿浆浓度Cw的隶属度函数采用三角形隶属函数,调浆水量Δq的隶属函数采用单值型隶属函数,则Δq的量化因子表示为:
则模糊化后操作变量为:E1=[k1·Δq]。
S12、建立模糊化的输出变量、模糊化的操作变量和输入变量之间的定性模型。
S13、根据建立的定性模型,获取每一输入变量在每一操作变量下的输出变量值,将所有输入变量在每一操作变量下的输出变量值的集合作为操作模式库。
也就是说,建立输入、输出与操作变量的定性模型;根据当前不同的放矿量输入条件,通过不同的调浆水操作参数调节得到与之对应的矿浆浓度输出,建立输入输出定性关系和相应的操作模式库。
如下表1为输入变量、输出变量的定性划分关系,表2为操作模式库。
表1输入输出定性关系
表2操作模式库
在一种可选的实现方式中,结合图3和图4所示,上述步骤S2可包括:
S21、采用分层优化方式将历史数据中下游子流程划分为工序指标、对应工序指标优化的过程操作变量,并建立过程层优化模型。
在下游子流程生产过程,针对各个子流程的优化模型,决策变量分别选取浸出过程的氰化钠添加量Q_CNij,和置换过程中锌粉添加量QZn。
为此,本实施例中利用湿法冶金全流程的历史数据获得最小消耗建模数据,进而采用三层BP神经网络建立各工序最小消耗数据模型中物耗与工艺指标之间的关系约束,由此可描述各工序质量指标之间的相互关系,进而得到工序层优化模型。
具体说明例如,S211、从历史数据中筛选待建模的最小消耗建模数据,采用三层BP神经网络方式建立最小消耗建模数据中物耗与工艺指标之间的约束关系,获得工序层优化模型;
s.t.
xc1,min=F1(xt1,θ)
xc2,min=F2(xt2,xt1,θ)
xc3,min=F3(xt3,xt2,xt1,θ)
g1(xt1,xt2)≤0
g2(xt3)≤0
xci≤xci,max,i=1,2,3
xti,min≤xti≤xti,max,i=1,2,3
其中,xci,min=Fi(xti,zi,θ)为工序物耗与工艺指标的关系约束,g1(xt1,xt2)≤0为总浸出率约束,其表达式为:g1=0.99-xt1-(1-xt1)·xt2≤0;
g2(xt3)≤0为置换率约束,其表达式为:g2=0.995-xt3≤0;
xci≤xci,max为物耗约束,
为各个浸出槽物耗之和;
xci=Qi,zn,i=3为置换槽物耗;
xti,min≤xti≤xti,max为一浸浸出率、二浸浸出率和置换率约束。
S212、基于所述工序层优化模型确定最优质量指标值、与最优质量指标值对应的最小消耗指标,并建立过程层优化模型;
s.t.
uij,min≤uij≤uij,max,j=1,2,3
s.t.
ui,min≤ui≤ui,max
其中,fi为第i个工序的模型,为工序指标向量, 分别为求解工序层优化模型确定的第i个工序的最优质量指标和对应的最小消耗指标;ui为第i个工序的操作向量,为对第i个工序有影响的所有其它最优工序质量指标。
S22、采用区间数优化方式将过程层优化模型中不确定变量约束转化为确定性不等式约束,并采用罚函数法处理确定性不等式约束,获得以罚函数表示的无约束优化模型,以及
采用二阶振荡粒子群算法对无约束优化模型优化求解,获得下游子流程的综合经济指标、最优氰化钠操作参数、最优锌粉操作参数(如图3所示)。
结合图3所示的流程,具体说明如下:
S221、对于过程层优化模型中的约束转化为不等式约束其中gj(ui,Cw)=xti,和为目标值区间,i为工序数,j为约束个数。
可理解的是,由于实际应用中由于不确定变量Cw(矿浆浓度)的影响,且目标值在一定范围内,则将原等式约束转化为不等式约束
S222、通过外层粒子群算法,产生多个决策向量个体ui,对每一决策向量个体,调用多次内层粒子群算法获得不确定变量约束的区间其中,S223、采用区间可能度构造方法,将原不确定变量约束转换为确定性不等式约束其中0≤λj≤1为预先给定的可能度水平;区间可能度构造如下:
以及,通过以上处理将过程层优化模型转化为确定性优化模型:
s.t.
uij,min≤uij≤uij,max,j=1,2,3
S224、采用罚函数法处理约束,将确定性优化模型转换为以罚函数表示的无约束优化模型:
其中,σ为罚因子,一般随经验取较大值,为罚函数,表示如下:
S225、对转化后的无约束优化模型,采用二阶振荡粒子群算法优化求解,获得下游子流程的综合经济指标和最优操作参数氰化钠添加量Q_CNij和锌粉添加量QZn;
相应地,S23、建立最优模式库为:
其中,m表示输入模态,即矿浆浓度5个等级[NB、NS、ZE、PS、PB];和表示一浸、二浸浸出率和置换率工序级指标,和分别表示浸出过程和置换过程的操作变量(i=1,2;j=1,2,3);表示下游子流程工艺指标,即经济效益。
S23、将各种工序下所述下游子流程的综合经济指标、最优氰化钠操作参数、最优锌粉操作参数集合,组成最优模式库。
由此,如图5所示,上述最优操作模态库为
其中,k表示当前湿法冶金过程中的输入变量,即放矿量5个等级[NB、NS、ZE、PS、PB];l表示当前湿法冶金过程中的操作变量,即调浆水7个等级[NB、NM、NS、ZE、PS、PM、PB];表示全流程工艺指标。
本实施例中通过将全流程划分为上游子流程和下游子流程,进而对上游子流程建立操作模式库,对下游子流程建立最优模式库,进而获得全流程最优模态库。在应用于实际冶金时,根据输入变量和操作变量通过全流程最优模态库获取符合最优经济效益的操作参数及输出变量等,由此可以提高经济效益。由此,本发明所建立的模型对于提高经济效益、便于生产调整具有重要的实际意义。
实施例二
本实施例是提供一种湿法冶金全流程优化方法,该方法实现过程中采用的装置包括湿法冶金过程建模与优化系统、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建模优化系统,进行生产过程优化操作,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。
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。
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。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。
③上位机:收集本地PLC数据,传送给湿法冶金过程监测与故障诊断系统,并提供生产操作指导建议。上位机选用i7联想计算机,采用WINDOW XP操作系统。
上述方法可在i7联想计算机上实现,也可在其他计算机上实现。
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。
另外,本发明实施例还提供一种基于区间数的湿法冶金过程中全流程优化方法,包括:
步骤A01、获取湿法冶金过程中全流程的工序信息、输入变量值;
步骤A02、根据获取的工序信息和输入变量值,从预先建立的全流程最优模态库中查找符合最优经济效益的各工序的操作参数。
该步骤的全流程最优模态库是通过上述任意实施例的方法建立的。
步骤A03、根据查找的操作参数调整当前湿法冶金过程中的相对应的参数及工序,以使当前湿法冶金过程中全流程的经济效益最优。
即,在下游最优模态库基础上对全流程优化操作,当前工序(放矿量)下,不同的调浆水对应的矿浆浓度不同,在考虑调浆水经济效益后,通过全流程优化得到当前工序下的最优操作变量调浆水量和最优综合经济效益加上前一阶段下游子流程的最优模态库,从而得到当前输入条件下的最优操作模态库:
其中,k表示当前输入条件,即放矿量5个等级[NB、NS、ZE、PS、PB];l表示当前操作变量,即调浆水7个等级[NB、NM、NS、ZE、PS、PM、PB];表示全流程工艺指标,即当前输入条件下的最优经济效益。
本实施例中,先建立过程定性模型,为获得准确可靠的优化模型提供保障;
利用区间数优化模型,为湿法冶金生产过程存在不确定性因素问题提供有效建模方法,从而确保企业生产效率和经济效益;
通过全流程优化求解得到全流程最优操作模式库,为操作工提供合理可靠的操作指导意见。
下面结合附图和实施案例对上述优化方法作进一步详细说明。
上述的步骤S2中,基于区间数的分层优化结果如图6所示。图6(a)为工序级指标优化结果,对于不同的矿浆浓度,在工序级优化过程中只影响洗涤率的大小,而不同矿浆浓度对洗涤率的影响几乎是一致的,所以经过工序级优化后的经济指标是相同的。图6(b)为下游子流程优化结果,从图6中可以得到,不同的矿浆浓度对下游子流程的综合经济效益有很大影响,相应的浸出子流程物耗随着矿浆浓度的不同,其变化结果如图6(c)、图6(d)所示。
对于区间数优化方法,不同的区间约束可能度水平λ将得到不同的优化结果,如图7所示。从图7(a)中可以看出,随着约束可能度水平λ的提高,最优综合经济指标呈下降趋势。这是因为较小的约束可能度水平使得转化后的确定性优化问题的可行域变大,从而可获得更优的目标性能,即较大的综合经济指标。在图7(b)中,通过过程级优化后的浸出率,随着约束可能度水平的提高,逐渐趋向于通过工序级优化的浸出率指标范围内。由于二浸浸出率的指标范围更加严格,从图中可以看出过程级优化后的浸出率均落在目标范围外,但随着约束可能水平的调高,浸出率逐渐向目标逼近。
为了进一步说明不同约束可能度水平下的优化结果,通过对过程级优化模型分析,得到一浸浸出率和二浸浸出率的惩罚函数,结果如图8所示。从图8中可以看出,随着约束可能度水平的提高,相应的一浸惩罚渐渐趋向于0,二浸惩罚由于前面提到目标范围约束严格,虽然没有逐渐递减为0。但整体呈下降趋势。
此外,在上述步骤S3中下游最优模态库基础上对全流程优化操作,通过下游子流程优化得到各个模态的最优经济指标和操作变量,根据当前放矿量输入状态,对当前工序实现全流程优化,建立全流程的最优操作模式库,如表3所示。
通过上面的实例,表明了本发明――基于区间数的湿法冶金过程建模及优化方法的有效性,实现了从定性建模和分层优化的相结合对湿法冶金全流程建模和优化,解决了因不确定性因素存在导致无法建立定量模型且进一步优化的问题,为解决复杂工业过程建模优化提供了有效方法,具有广阔的应用前景。
表3全流程优化结果
以上内容仅为本发明的较佳实施例,对于本领域的普通技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于区间数的湿法冶金全流程建模方法,其特征在于,包括:
步骤S1、根据预设时间段内历史数据中的输入变量、输出变量和操作变量建立湿法冶金过程中上游子流程的操作模式库,所述操作模式库中包括:输入变量、输出变量和操作变量之间的映射关系;
步骤S2、根据预设时间段内历史数据中下游子流程在各种工序下的综合经济指标、最优氰化钠操作参数、最优锌粉操作参数,建立最优模式库,所述最优模式库包括:综合经济指标、各工序质量指标、最优氰化钠操作参数、最优锌粉操作参数的映射关系;
步骤S3、将所述操作模式库和最优模式库组成湿法冶金过程中的全流程最优模态库。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
步骤S4、根据当前工序信息和输入变量,从所述操作模式库、最优模式库中获取当前湿法冶金过程中的最优操作模态库,该最优操作模态库包括:当前湿法冶金过程中的输入变量、各种工序的操作参数、各工序的质量指标和全流程综合经济指标。
3.根据权利要求2所述的方法,其特征在于,所述输入变量包括:具有至少五个等级的放矿量ΔM;
所述输出变量包括:具有至少五个等级的矿浆浓度Cw;
所述操作变量包括:具有至少七个等级的调浆水量Δq;
操作参数包括:氰化钠操作参数、锌粉操作参数;
所述各工序质量指标包括:一浸浸出率、二浸浸出率和置换率。
4.根据权利要求3所述的方法,其特征在于,步骤S1包括:
S11、将输出变量和操作变量分别模糊化,模糊化后的操作变量为E1=[k1·Δq];操作变量Δq的模糊论域为{-n1,-4,-2,0,2,4,n1};
S12、建立模糊化的输出变量、模糊化的操作变量和输入变量之间的定性模型;
S13、根据建立的定性模型,获取每一输入变量在每一操作变量下的输出变量值,将所有输入变量在每一操作变量下的输出变量值的集合作为操作模式库。
5.根据权利要求4所述的方法,其特征在于,步骤S2包括:
S21、采用分层优化方式将历史数据中下游子流程划分为工序指标、对应工序指标优化的过程操作变量,并建立过程层优化模型;
S22、采用区间数优化方式将过程层优化模型中不确定变量约束转化为确定性不等式约束,并采用罚函数法处理确定性不等式约束,获得以罚函数表示的无约束优化模型,以及采用二阶振荡粒子群算法对无约束优化模型优化求解,获得下游子流程的综合经济指标、最优氰化钠操作参数、最优锌粉操作参数;
S23、将各种工序下所述下游子流程的综合经济指标、最优氰化钠操作参数、最优锌粉操作参数集合,组成最优模式库。
6.根据权利要求5所述的方法,其特征在于,子步骤S21包括:
S211、从历史数据中筛选待建模的最小消耗建模数据,采用三层BP神经网络方式建立最小消耗建模数据中物耗与工艺指标之间的约束关系,获得工序层优化模型;
其中,xci,min=Fi(xti,zi,θ)为工序物耗与工艺指标的关系约束,g1(xt1,xt2)≤0为总浸出率约束,其表达式为:g1=0.99-xt1-(1-xt1)·xt2≤0;
g2(xt3)≤0为置换率约束,其表达式为:g2=0.995-xt3≤0;
xci≤xci,max为物耗约束;
为各个浸出槽物耗之和;
xci=Qi,zn,i=3为置换槽物耗;
xti,min≤xti≤xti,max为一浸浸出率、二浸浸出率和置换率约束;
S212、基于所述工序层优化模型确定最优质量指标值、与最优质量指标值对应的最小消耗指标,并建立过程层优化模型;
其中,fi为第i个工序的模型,为工序指标向量, 分别为求解工序层优化模型确定的第i个工序的最优质量指标和对应的最小消耗指标;ui为第i个工序的操作向量,为对第i个工序有影响的所有其它最优工序质量指标。
7.根据权利要求6所述的方法,其特征在于,子步骤S22包括:
S221、对于过程层优化模型中的约束转化为不等式约束其中gj(ui,Cw)=xti,和为目标值区间,i为工序数,j为约束个数;
S222、通过外层粒子群算法,产生多个决策向量个体ui,对每一决
策向量个体,调用多次内层粒子群算法获得不确定变量约束的区间
其中,
S223、采用区间可能度构造方法,将原不确定变量约束转换为确定性不等式约束其中0≤λj≤1为预先给定的可能度水平;区间可能度构造如下:
以及,获得确定性优化模型:
S224、采用罚函数法处理约束,将确定性优化模型转换为以罚函数表示的无约束优化模型:
其中,σ为罚因子,为罚函数,表示如下:
S225、对转化后的无约束优化模型,采用二阶振荡粒子群算法优化求解,获得下游子流程的综合经济指标和最优操作参数氰化钠添加量Q_CNij和锌粉添加量QZn;
相应地,S23、建立最优模式库为:
其中,m表示输入模态,即矿浆浓度5个等级[NB、NS、ZE、PS、PB];和表示一浸、二浸浸出率和置换率工序级指标,和分别表示浸出过程和置换过程的操作变量(i=1,2;j=1,2,3);表示下游子流程工艺指标。
8.根据权利要求7所述的方法,其特征在于,最优操作模态库为
其中,k表示当前湿法冶金过程中的输入变量;l表示当前湿法冶金过程中的操作变量;表示全流程工艺指标。
9.一种基于区间数的湿法冶金过程中全流程优化方法,其特征在于,包括:
获取湿法冶金过程中全流程的工序信息、输入变量值;
根据获取的工序信息和输入变量值,从预先建立的全流程最优模态库中查找符合最优经济效益的各工序的操作参数;
根据查找的操作参数调整当前湿法冶金过程中的相对应的参数及工序,以使当前湿法冶金过程中全流程的经济效益最优。
10.根据权利要求9所述的方法,其特征在于,所述全流程最优模态库是通过上述权利要求1至8任一所述的方法建立的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710280388.9A CN106886154B (zh) | 2017-04-26 | 2017-04-26 | 基于区间数的湿法冶金全流程建模方法与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710280388.9A CN106886154B (zh) | 2017-04-26 | 2017-04-26 | 基于区间数的湿法冶金全流程建模方法与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106886154A true CN106886154A (zh) | 2017-06-23 |
CN106886154B CN106886154B (zh) | 2019-04-12 |
Family
ID=59183062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710280388.9A Active CN106886154B (zh) | 2017-04-26 | 2017-04-26 | 基于区间数的湿法冶金全流程建模方法与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886154B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037747A (zh) * | 2017-12-11 | 2018-05-15 | 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 |
CN109885012A (zh) * | 2019-04-12 | 2019-06-14 | 东北大学 | 一种金湿法冶金全流程实时优化补偿方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155873A (zh) * | 2014-06-12 | 2014-11-19 | 东北大学 | 湿法冶金全流程分层优化控制方法 |
CN105511264A (zh) * | 2015-12-24 | 2016-04-20 | 浙江中控软件技术有限公司 | 芳烃抽提操作优化方法、装置及系统 |
-
2017
- 2017-04-26 CN CN201710280388.9A patent/CN106886154B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155873A (zh) * | 2014-06-12 | 2014-11-19 | 东北大学 | 湿法冶金全流程分层优化控制方法 |
CN105511264A (zh) * | 2015-12-24 | 2016-04-20 | 浙江中控软件技术有限公司 | 芳烃抽提操作优化方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
张文武: "湿法冶金全流程动态模拟与预测控制", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037747A (zh) * | 2017-12-11 | 2018-05-15 | 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 |
CN109885012A (zh) * | 2019-04-12 | 2019-06-14 | 东北大学 | 一种金湿法冶金全流程实时优化补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106886154B (zh) | 2019-04-12 |
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 | |
CN104597755A (zh) | 一种湿法冶金金氰化浸出过程优化方法 | |
CN103412489B (zh) | 一种磨矿粒度在线预报系统及方法 | |
CN101526814B (zh) | 湿法冶金浸出过程浸出率预测与优化操作方法 | |
CN101950171B (zh) | 选矿厂磨矿智能分级控制方法及控制设备 | |
CN109885012A (zh) | 一种金湿法冶金全流程实时优化补偿方法 | |
CN108037747B (zh) | 金湿法冶金全流程分层分块运行状态在线评价方法 | |
CN102778843B (zh) | 一种强磁选别过程运行控制方法 | |
CN104298187B (zh) | 金湿法冶金全流程三层结构过程监测方法 | |
CN102169077B (zh) | 湿式磨矿过程溢流粒度指标混合智能软测量方法 | |
CN108921352A (zh) | 一种具有区间不确定性的湿法冶金浸出过程优化方法 | |
CN104199389B (zh) | 金湿法冶金置换过程的优化方法 | |
CN101954309B (zh) | 一种磨矿分级过程的抗扰动控制装置及其方法 | |
CN106886154A (zh) | 基于区间数的湿法冶金全流程建模方法与优化方法 | |
CN107121490B (zh) | 一种湿法冶金过程中运行状态的评价方法 | |
Bascur et al. | Grinding and flotation optimization using operational intelligence | |
CN103993108B (zh) | 一种高炉渣处理系统吸水井液位测量方法 | |
CN106950946A (zh) | 一种基于优化原则的湿法冶金异常控制方法 | |
CN107563656A (zh) | 金湿法冶金氰化浸出过程运行状态的评价方法 | |
Jun et al. | Gold recovery modeling based on interval prediction for a gold cyanidation leaching plant | |
CN110532699A (zh) | 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 | |
Wang et al. | Identification of abnormal conditions for gold flotation process based on multivariate information fusion and double‐channel convolutional neural network | |
CN109840722A (zh) | 一种金湿法冶金全流程运行状态在线评价方法及系统 | |
CN107728664A (zh) | 一种冶金过程多反应器级联pH值优化控制方法 | |
Brittan, MI & van Vuuren | Computer analysis, modelling and optimisation of gold recovery plants of the Anglo American Group |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |