CN106971079B - 沉铁过程出口亚铁离子浓度的协调优化设定方法及装置 - Google Patents
沉铁过程出口亚铁离子浓度的协调优化设定方法及装置 Download PDFInfo
- Publication number
- CN106971079B CN106971079B CN201710250863.8A CN201710250863A CN106971079B CN 106971079 B CN106971079 B CN 106971079B CN 201710250863 A CN201710250863 A CN 201710250863A CN 106971079 B CN106971079 B CN 106971079B
- Authority
- CN
- China
- Prior art keywords
- reactor
- stage
- outlet
- ion concentration
- ferrous ion
- 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
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 title claims abstract description 371
- 229910001448 ferrous ion Inorganic materials 0.000 title claims abstract description 371
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 244
- 238000005457 optimization Methods 0.000 title claims abstract description 229
- 238000000034 method Methods 0.000 title claims abstract description 191
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 122
- 230000008569 process Effects 0.000 claims abstract description 155
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 138
- 239000001301 oxygen Substances 0.000 claims description 138
- 229910052760 oxygen Inorganic materials 0.000 claims description 138
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 claims description 130
- 238000001556 precipitation Methods 0.000 claims description 73
- 239000011787 zinc oxide Substances 0.000 claims description 65
- 238000004364 calculation method Methods 0.000 claims description 60
- 238000013528 artificial neural network Methods 0.000 claims description 48
- VTLYFUHAOXGGBS-UHFFFAOYSA-N Fe3+ Chemical compound [Fe+3] VTLYFUHAOXGGBS-UHFFFAOYSA-N 0.000 claims description 38
- 229910001447 ferric ion Inorganic materials 0.000 claims description 38
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 30
- 239000011701 zinc Substances 0.000 claims description 30
- 229910052725 zinc Inorganic materials 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 29
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 claims description 24
- 238000009854 hydrometallurgy Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 11
- 238000003723 Smelting Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 239000001257 hydrogen Substances 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 6
- -1 hydrogen ions Chemical class 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 238000012797 qualification Methods 0.000 abstract description 9
- 230000001537 neural effect Effects 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 229910052598 goethite Inorganic materials 0.000 description 7
- AEIXRCIKZIZYPM-UHFFFAOYSA-M hydroxy(oxo)iron Chemical compound [O][Fe]O AEIXRCIKZIZYPM-UHFFFAOYSA-M 0.000 description 7
- 238000000151 deposition Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000001311 chemical methods and process Methods 0.000 description 2
- 230000003301 hydrolyzing effect Effects 0.000 description 2
- KFZAUHNPPZCSCR-UHFFFAOYSA-N iron zinc Chemical compound [Fe].[Zn] KFZAUHNPPZCSCR-UHFFFAOYSA-N 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- JPVYNHNXODAKFH-UHFFFAOYSA-N Cu2+ Chemical compound [Cu+2] JPVYNHNXODAKFH-UHFFFAOYSA-N 0.000 description 1
- 229910002588 FeOOH Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910001431 copper ion Inorganic materials 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-ZSJDYOACSA-N heavy water Substances [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B19/00—Obtaining zinc or zinc oxide
- C22B19/20—Obtaining zinc otherwise than by distilling
- C22B19/26—Refining solutions containing zinc values, e.g. obtained by leaching zinc ores
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B3/00—Extraction of metal compounds from ores or concentrates by wet processes
- C22B3/20—Treatment or purification of solutions, e.g. obtained by leaching
- C22B3/44—Treatment or purification of solutions, e.g. obtained by leaching by chemical processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Manufacturing & Machinery (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Analytical Chemistry (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明公开了一种沉铁过程出口亚铁离子浓度的协调优化设定方法及装置,该方法基于RBF神经网络建立沉铁过程出口亚铁离子浓度的优化设定模型,得到不同工况下出口亚铁离子浓度的最优设定值。由于生产工况的波动和外部干扰,控制系统无法精确达到设定值,根据出口亚铁离子浓度的实际值与设定值的偏差,协调调整出口亚铁离子浓度的设定值和建立基于指标分解的设定值补偿策略,使流程仍然能够优化运行。本发明能够自动的根据生产工况给出出口亚铁离子浓度的最优设定值,并根据流程反馈信息进行协调调整和补偿,显著提高了流程最终出口亚铁离子浓度的合格率,能够实现沉铁过程的优化运行。
Description
技术领域
本发明涉及湿法炼锌沉铁过程控制技术领域,具体涉及一种沉铁过程出口亚铁离子浓度的协调优化设定方法及装置。
背景技术
针铁矿法沉铁是湿法炼锌生产过程的一道关键工序,为避免在锌电解过程出现烧板现象和提高锌成品的质量,需要把溶液中的亚铁离子除掉。沉铁过程包含多个反应器,亚铁离子在多个反应器中逐步除掉,最终达到工艺要求范围。由于每个反应器的反应条件和反应效率不同,每个反应器除掉的亚铁离子的量也不一样。同时对于底层控制的设计,需要给出每个反应器出口亚铁离子浓度的设定值,因此反应器出口亚铁离子浓度或浓度下降梯度的合理设定对稳定生产流程和实现工艺要求具有重要的意义。
由于工业过程工况的频繁波动和外部干扰,现场操作人员无法及时且精确的给出最优的出口亚铁离子浓度设定值。为了实现沉铁过程的优化运行,根据工况的变化合理地给出每个反应器出口亚铁离子浓度的最优设定值,同时根据过程的反馈信息及时并精准地协调调整设定值及对设定值进行补偿,是湿法炼锌企业亟待解决的重要问题。
目前,已有许多复杂工业过程优化设定方法,但是这些优化设定方法只是提供了一个初始的设定值,并没有后续根据工况波动进行协调调整机制和根据反馈信息进行协调补偿,很难保证在底层控制无法精确跟踪设定值的情况下流程仍然能够优化运行。目前的这些方法很难在复杂工业工程进行长期有效的应用。
因此,如何根据流程特性和生产工况优化设定出口亚铁离子浓度,并实现工况波动下设定值的协调调整以及根据反馈信息的补偿,对湿法炼锌沉铁过程的优化运行具有重要意义。
发明内容
本发明提供了一种沉铁过程出口亚铁离子浓度的协调优化设定方法及装置,以解决现有对沉铁过程出口亚铁离子浓度的协调优化设定过程,无法根据工况波动及时并精准地对设定值进行协调调整的技术问题。
根据本发明的一方面,提供了一种沉铁过程出口亚铁离子浓度的协调优化设定方法,包括:
根据湿法炼锌沉铁过程中设置的每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,并根据优化设定模型获得每一级反应器的出口亚铁离子浓度的设定值;
逐级顺次判断除末级反应器外的每一级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若是,则判定当前反应器为超差反应器,并建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,以及根据协调调整优化模型,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整。
进一步地,建立每一级反应器的出口亚铁离子浓度的优化设定模型,并根据优化设定模型获得每一级反应器的出口亚铁离子浓度的设定值包括:
基于物料平衡建立沉铁过程氧气添加量和氧化锌添加量的计算模型,并根据计算模型获得每一级反应器的氧气添加量和氧化锌添加量,氧气添加量和氧化锌添加量的计算模型为:
其中,N为反应器的总级数,和分别表示第i级反应器中氧气和氧化锌的添加量, 和分别为第i级所述反应器入口亚铁离子浓度、三价铁离子浓度和氢离子浓度,和分别为第i级所述反应器出口亚铁离子浓度、三价铁离子浓度和氢离子浓度,第i+1级所述反应器的入口亚铁离子浓度等于第i级所述反应器的出口亚铁离子浓度第i+1级所述反应器的入口三价铁离子浓度等于第i级所述反应器的出口三价铁离子浓度第i+1级所述反应器的入口氢离子浓度等于第i级所述反应器的出口氢离子浓度且第i级反应器出口氢离子浓度设定为10-3mol/L,即
利用历史数据训练径向基神经网络;
利用训练好的径向基神经网络,在线预估每一级反应器的氧气利用率,其中,氧气利用率在线预估模型为:
其中,η为氧气利用率,ω是RBF神经网络的权重,c表示神经元的中心,σ表示神经元的半径,M表示RBF神经网络的神经元个数,m表示第m个神经元,x表示RBF神经网络的输入向量;
根据每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,优化设定模型为:
其中,分别为第i级反应器出口亚铁离子浓度的上、下限值,分别为第i级反应器出口三价铁离子浓度的上、下限值;
求解优化设定模型的最优解,从而得到每一级反应器的出口亚铁离子浓度的设定值。
进一步地,建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,以及根据协调调整优化模型,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整包括:
建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,每一级反应器的出口亚铁离子浓度协调调整优化模型为:
其中,j(1<j≤N)为超差反应器的下一级反应器的级数,和分别为第i级反应器的第一优化目标、第二优化目标以及第三优化目标,λ1、λ2和λ3分别为第一优化目标、第二优化目标以及第三优化目标调整权重;
求解出口亚铁离子浓度协调调整优化模型的最优解,从而得到超差反应器后的每一级反应器的出口亚铁离子浓度的协调设定值,并根据协调设定值协调调整超差反应器后的每一级反应器的设定值。
进一步地,建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型包括:
确定第一优化目标,第一优化目标的计算公式为:
其中,和分别表示第i级反应器中氧气添加量和氧化锌添加量,ηi为第i级反应器的氧气利用率;
确定第二优化目标,第二优化目标的计算公式为:
其中,为协调调整前设定的第i级反应器的氧气添加量,为协调调整前设定的第i级反应器的氧气利用率,为协调调整前设定的第i级反应器的氧化锌添加量;
确定第三优化目标,第三优化目标的计算公式为:
其中,为协调调整前设定的第i级反应器的出口亚铁离子浓度;
根据第一优化目标、第二优化目标以及第三优化目标,建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型。
进一步地,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整之后还包括:
当最后一级反应器的出口亚铁离子浓度的实际值超出预设的工艺要求范围时,计算全局除铁率,全局除铁率的计算公式为:
其中为第N级反应器的出口亚铁离子浓度;
将全局除铁率进行分解,获得每一级反应器的除铁率,分解公式为:
其中,ri为第i级反应器的除铁率,
根据每一级反应器的除铁率,获得每一级反应器的出口亚铁离子浓度的设定值对最后一级反应器的出口亚铁离子浓度的影响度,影响度的计算公式为:
其中Ii为第i级反应器的出口亚铁离子浓度的设定值对最后一级反应器的出口亚铁离子浓度的影响度;
根据每一级反应器的除铁率和影响度,对每一级反应器在下一周期的出口亚铁离子浓度的设定值进行补偿,且补偿的计算公式为:
其中为第i级反应器未进行补偿的下一周期出口亚铁离子浓度的设定值,为第i级反应器补偿后的下一周期出口亚铁离子浓度的设定值,为第N级反应器出口实际亚铁离子浓度与工艺要求范围的偏差,为第N级反应器的出口实际亚铁离子浓度。
进一步地,湿法炼锌沉铁过程中设置的反应器的总级数为四级。
根据本发明的另一方面,提供了一种沉铁过程出口亚铁离子浓度的协调优化设定装置,包括:
设定值设定装置,用于根据湿法炼锌沉铁过程中设置的每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,并根据优化设定模型获得每一级反应器的出口亚铁离子浓度的设定值;
设定值协调调整装置,用于逐级顺次判断除末级反应器外的每一级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若是,则判定当前反应器为超差反应器,并建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,以及根据协调调整优化模型,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整。
进一步地,设定值设定装置包括:
氧气添加量和氧化锌添加量的计算装置,用于基于物料平衡建立沉铁过程氧气添加量和氧化锌添加量的计算模型,并根据计算模型获得每一级反应器的氧气添加量和氧化锌添加量,氧气添加量和氧化锌添加量的计算模型为:
其中,N为反应器的总级数,和分别表示第i级反应器中氧气和氧化锌的添加量, 和分别为第i级所述反应器入口亚铁离子浓度、三价铁离子浓度和氢离子浓度,和分别为第i级所述反应器出口亚铁离子浓度、三价铁离子浓度和氢离子浓度,第i+1级所述反应器的入口亚铁离子浓度等于第i级所述反应器的出口亚铁离子浓度第i+1级所述反应器的入口三价铁离子浓度等于第i级所述反应器的出口三价铁离子浓度第i+1级所述反应器的入口氢离子浓度等于第i级所述反应器的出口氢离子浓度且第i级反应器出口氢离子浓度设定为10-3 mol/L,即
径向基神经网络训练装置,用于利用历史数据训练径向基神经网络;
氧气利用率在线预估装置,用于利用训练好的径向基神经网络,在线预估每一级反应器的氧气利用率,其中,氧气利用率在线预估模型为:
其中,η为氧气利用率,ω是RBF神经网络的权重,c表示神经元的中心,σ表示神经元的半径,M表示RBF神经网络的神经元个数,m表示第m个神经元,x表示RBF神经网络的输入向量;
优化设定模型创建装置,用于根据每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,优化设定模型为:
其中,分别为第i级反应器出口亚铁离子浓度的上、下限值,分别为第i级反应器出口三价铁离子浓度的上、下限值;
设定值求解装置,用于求解优化设定模型的最优解,从而得到每一级反应器的出口亚铁离子浓度的设定值。
进一步地,设定值协调调整装置20包括:
协调调整优化模型创建装置,用于建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,每一级反应器的出口亚铁离子浓度协调调整优化模型为:
其中,j(1<j≤N)为超差反应器后的第一个反应器的级数,种分别为第i级反应器的第一优化目标、第二优化目标以及第三优化目标,λ1、λ2和λ3分别为第一优化目标、第二优化目标以及第三优化目标调整权重;
协调调整优化模型求解装置,用于求解出口亚铁离子浓度协调调整优化模型的最优解,从而得到超差反应器后的每一级反应器的出口亚铁离子浓度的协调设定值,并根据协调设定值协调调整超差反应器后的每一级反应器的设定值。
进一步地,协调调整优化模型创建装置包括:
第一优化目标确定装置,用于确定第一优化目标,第一优化目标的计算公式为:
其中,和分别表示第i级反应器中氧气添加量和氧化锌添加量,ηi为第i级反应器的氧气利用率;
第二优化目标确定装置,用于确定第二优化目标,第二优化目标的计算公式为:
其中,为协调调整前设定的第i级反应器的氧气添加量,为协调调整前设定的第i级反应器的氧气利用率,为协调调整前设定的第i级反应器的氧化锌添加量;
第三优化目标确定装置,用于确定第三优化目标,第三优化目标的计算公式为:
其中,为协调调整前设定的第i级反应器的出口亚铁离子浓度;
创建装置,用于根据第一优化目标、第二优化目标以及第三优化目标,建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型。
本发明具有以下有益效果:
本实施例提供的沉铁过程出口亚铁离子浓度的协调优化设定方法及装置,其中,该方法通过根据湿法炼锌沉铁过程中设置的每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,并根据优化设定模型获得每一级反应器的出口亚铁离子浓度的设定值,以及逐级顺次判断除末级反应器外的每一级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若是,则判定当前反应器为超差反应器,并建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,以及根据协调调整优化模型,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整,解决了现有对沉铁过程出口亚铁离子浓度的协调优化设定过程,无法根据工况波动及时并精准地对设定值进行协调调整的技术问题,实现了根据工况波动合理地给出每个反应器出口亚铁离子浓度的最优设定值,同时根据过程的反馈信息及时并精准地协调调整设定值,使得利用本实施例设定的出口亚铁离子浓度能够根据流程输入条件和工况的变化及时并精准地进行协调调整,从而显著提高了流程最终出口亚铁离子浓度的合格率,以及保障了湿法炼锌沉铁过程的优化运行。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构建本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构建对本发明的不当限定。在附图中:
图1是本发明优选实施例沉铁过程出口亚铁离子浓度的协调优化设定方法流程图;
图2是本发明具体实施例的沉铁过程出口亚铁离子浓度的协调优化设定方法的流程图;
图3为本发明具体实施例采用RBF神经网络在线预估氧气利用率的结果图;
图4是本发明具体实施例的沉铁过程出口亚铁离子浓度的协调优化设定的结构图;
图5是本发明具体实施例的湿法炼锌沉铁过程出口亚铁离子浓度协调优化设定结果;
图6是本发明具体实施例的湿法炼锌沉铁流程最终出口亚铁离子浓度结果图;
图7是本发明优选实施例沉铁过程出口亚铁离子浓度的协调优化设定装置结构框图。
附图标记说明:
10、设定值设定装置;20、设定值协调调整装置。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参照图1,本发明的优选实施例提供的沉铁过程出口亚铁离子浓度的协调优化设定方法,包括:
步骤S101,根据湿法炼锌沉铁过程中设置的每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,并根据优化设定模型获得每一级反应器的出口亚铁离子浓度的设定值;
步骤S102,逐级顺次判断除末级反应器外的每一级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若是,则判定当前反应器为超差反应器,并建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,以及根据协调调整优化模型,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整。
本实施例提供的沉铁过程出口亚铁离子浓度的协调优化设定方法,通过根据湿法炼锌沉铁过程中设置的每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,并根据优化设定模型获得每一级反应器的出口亚铁离子浓度的设定值,以及逐级顺次判断除末级反应器外的每一级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若是,则判定当前反应器为超差反应器,并建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,以及根据协调调整优化模型,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整,解决了现有对沉铁过程出口亚铁离子浓度的协调优化设定过程,无法根据工况波动及时并精准地对设定值进行协调调整的技术问题,实现了根据工况波动合理地给出每个反应器出口亚铁离子浓度的最优设定值,同时根据过程的反馈信息及时并精准地协调调整设定值,使得利用本实施例设定的出口亚铁离子浓度能够根据流程输入条件和工况的变化及时并精准地进行协调调整,从而显著提高了流程最终出口亚铁离子浓度的合格率,以及保障了湿法炼锌沉铁过程的优化运行。
一方面,本实施例通过建立每一级反应器的出口亚铁离子浓度的优化设定模型,可以获得每一级反应器的出口亚铁离子浓度的最优设定值,从而在工业过程工况的频繁波动和外部干扰下,精确地给出最优的出口亚铁离子浓度设定值;另一方面,本实施例通过逐级顺次判断除末级反应器外的每一级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,能根据偏差及时对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整,从而解决了在工业过程工况出现频繁波动和外部干扰时,无法及时对出口亚铁离子浓度的设定值进行协调调整的技术问题,实现了根据工况波动合理地给出每个反应器出口亚铁离子浓度的最优设定值,同时根据过程的反馈信息及时并精准地协调调整设定值,使得利用本实施例设定的出口亚铁离子浓度能够根据流程输入条件和工况的变化及时并精准地进行协调调整,显著提高了流程最终出口亚铁离子浓度的合格率,以及保障了湿法炼锌沉铁过程的优化运行。
在实际的实施过程中,本实施例不限于将反应器的出口亚铁离子浓度作为优化设定以及协调调整对象,例如还可以将反应器的出口亚铁离子浓度下降梯度作为优化设定以及协调调整对象,也即可以通过对反应器的出口亚铁离子浓度下降梯度的合理设定以及协调调整,稳定生产流程和实现工艺要求。
具体地,由于反应器的出口亚铁离子浓度下降梯度是该反应器的入口亚铁离子浓度(与上一级反应器的出口亚铁离子浓度相等)与出口亚铁离子浓度之差,也即对每一级反应器的出口亚铁离子浓度下降梯度进行优化设定和协调调整,具体可通过对每一级反应器的出口亚铁离子浓度进行优化设定和协调调整实现,两者实现的过程、原理及效果在本质上相同。对出口亚铁离子浓度进行优化设定和协调调整,也即对出口亚铁离子浓度梯度进行优化设定和协调调整;反之,对出口亚铁离子浓度梯度进行优化设定和协调调整,也即对出口亚铁离子浓度进行优化设定和协调调整。故本实施例的沉铁过程出口亚铁离子浓度的协调优化设定过程,也即沉铁过程出口亚铁离子浓度下降梯度的协调优化设定过程。
可选地,根据湿法炼锌沉铁过程中设置的每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,并根据优化设定模型获得每一级反应器的出口亚铁离子浓度的设定值包括:
基于物料平衡建立沉铁过程氧气和氧化锌添加量的计算模型,并根据计算模型获得每一级反应器的氧气添加量和氧化锌添加量,氧气和氧化锌添加量的计算模型为:
其中,N为反应器的总级数,和分别表示第i级反应器中氧气和氧化锌的添加量, 和分别为第i级所述反应器入口亚铁离子浓度、三价铁离子浓度和氢离子浓度,和分别为第i级所述反应器出口亚铁离子浓度、三价铁离子浓度和氢离子浓度,第i+1级所述反应器的入口亚铁离子浓度等于第i级所述反应器的出口亚铁离子浓度第i+1级所述反应器的入口三价铁离子浓度等于第i级所述反应器的出口三价铁离子浓度第i+1级所述反应器的入口氢离子浓度等于第i级所述反应器的出口氢离子浓度且第i级反应器出口氢离子浓度设定为10-3mol/L,即
利用历史数据训练径向基神经网络;
利用训练好的径向基神经网络,在线预估每一级反应器的氧气利用率,其中,氧气利用率在线预估模型为:
其中,η为氧气利用率,ω是RBF神经网络的权重,c表示神经元的中心,σ表示神经元的半径,M表示RBF神经网络的神经元个数,m表示第m个神经元,x表示RBF神经网络的输入向量;
根据每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,优化设定模型为:
其中,分别为第i级反应器出口亚铁离子浓度的上、下限值,分别为第i级反应器出口三价铁离子浓度的上、下限值;
求解优化设定模型的最优解,从而得到每一级反应器的出口亚铁离子浓度的设定值。
具体地,湿法炼锌针铁矿法沉铁过程是将溶液中二价铁离子氧化为三价铁离子,三价铁离子水解形成针铁矿的多相多反应的化学过程,其工艺要求是使最后一个反应器的出口亚铁离子浓度控制在[0.3g/L,0.8g/L]之内。湿法炼锌针铁矿法沉铁过程涉及的3个重要的化学反应为:
氧化反应:2Fe2++0.5O2+2H+→2Fe3++H2O (15)
水解反应:Fe3++2H2O→FeOOH+3H+ (16)
中和反应:2H++ZnO→Zn2++H2O (17)
设沉铁过程N级反应器出口亚铁离子浓度和三价铁离子浓度分别为和 由于沉铁过程溶液pH值必须保持在3.0左右,因此N级反应器的pH值设为3.0。根据3个化学反应的物料守恒,可以获得沉铁过程氧气和氧化锌添加量的计算公式,具体见公式(1)至公式(2)。
由于氧气不可能完全参加化学反应,因此反应过程中氧气的利用率不可能为100%。设ηi表示第i级反应器的氧气利用率,则第i级反应器氧气的实际量为由于氧气利用率ηi无法在线获得,因此采用径向基(RBF)神经网络建立氧气利用率在线预估模型,具体见公式(3)。
则沉铁过程出口亚铁离子浓度下降梯度优化设定问题可以转化为如下优化问题:
其中,分别为第i级反应器出口亚铁离子浓度的上、下限值,分别为第i级反应器出口三价铁离子浓度的上、下限值,通过求解式(4),可以得到每一级反应器的出口亚铁离子浓度的最优设定值
一方面,本实施例基于氧气利用率建立反应器的出口亚铁离子浓度的优化设定模型,解决了湿铁炼锌沉铁过程中由于氧气不可能完全参加化学反应,导致根据现有技术获得的出口亚铁离子浓度的设定值不准确的技术问题,从而使得基于氧气利用率建立的出口亚铁离子浓度的优化设定模型,能获得出口亚铁离子浓度的最优设定值。
另一方面,本实施例通过径向基(RBF)神经网络建立氧气利用率在线预估模型,能在线预估氧气利用率,且通过径向基(RBF)神经网络在线预估氧气利用率,不仅能在线获得氧气利用率,而且获取的氧气利用率精度高。
可选地,建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,以及根据协调调整优化模型,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整包括:
建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,每一级反应器的出口亚铁离子浓度协调调整优化模型为:
其中,j(1<j≤N)为超差反应器的下一级反应器的级数,和分别为第i级反应器的第一优化目标、第二优化目标以及第三优化目标,λ1、λ2和λ3分别为第一优化目标、第二优化目标以及第三优化目标调整权重;
求解出口亚铁离子浓度协调调整优化模型的最优解,从而得到超差反应器后的每一级反应器的出口亚铁离子浓度的协调设定值,并根据协调设定值协调调整超差反应器后的每一级反应器的设定值。
由于生产工况频繁波动和外部随机干扰,底层控制回路不可能精确地达到预先的设定值。当出口亚铁离子浓度的实际值与设定值存在一定偏差时,原先设定的出口亚铁离子浓度不再是最优值,此时,需要协调调整出口亚铁离子浓度设定值,使得生产流程仍然能够优化运行和保证工艺指标合格。
本实施预设的反应器出口亚铁离子浓度的实际值与设定值的偏差定义为
也即当第一反应器出口亚铁离子浓度的实际值与设定值的偏差超出可接受范围时,即
则原先设定的第二及至末级反应器出口亚铁离子浓度不再是最优值,无法保证流程仍然优化运行,因此,需要对第二及至末级反应器的出口亚铁离子浓度进行协调调整。
具体地,本实施例首先判断第一级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若否,则继续判断第二级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围;若是,则将第一级反应器确定为超差反应器,然后建立第二级至末级反应器的出口亚铁离子浓度协调调整优化模型,并根据建立的协调调整优化模型获得第二级至末级反应器的出口亚铁离子浓度的协调设定值,以及根据该协调设定值协调调整第二级至末级反应器的出口亚铁离子浓度的设定值,并接着逐级顺次判断第二级反应器至次末级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围。
简而言之,本实施例只要判定出某一级反应器的出口亚铁离子浓度的实际值与设定值的偏差超出预设偏差范围,就会对该反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整。由此可见,本实施例中的设定值能跟随工况的频繁波动实时协调调整,从而实现了针对工况波动及时并精准地对出口亚铁离子浓度的设定值进行协调调整。且由于本实施例中的设定值能跟随工况的频繁波动实时协调调整,故本实施例对出口亚铁离子浓度的设定值进行及时并精准地协调调整优化的机制,特别适用于工况出现频繁波动,或外部出现频繁干扰的情况。
需要说明的是,本实施根据协调设定值协调调整第二级至末级反应器的出口亚铁离子浓度的设定值后,在逐级顺次判断第二级反应器至次末级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围时,采用的设定值为协调调整后的设定值,从而更精准和快速有效地对出口亚铁离子浓度的设定值进行协调调整。
本实施例在判定当前反应器为超差反应器后,通过建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,以及根据协调调整优化模型,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整,解决了现有对沉铁过程出口亚铁离子浓度的协调优化设定过程,无法根据工况波动及时并精准地对设定值进行协调调整的技术问题,实现了根据工况波动合理地给出每个反应器出口亚铁离子浓度的最优设定值,同时根据过程的反馈信息及时并精准地协调调整设定值,从而显著提高了流程最终出口亚铁离子浓度的合格率,以及保障了沉铁过程的优化运行。
可选地,建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型包括:
确定第一优化目标,第一优化目标的计算公式为:
其中,和分别表示第i级反应器中氧气添加量和氧化锌添加量,ηi为第i级反应器的氧气利用率;
确定第二优化目标,第二优化目标的计算公式为:
其中,为协调调整前设定的第i级反应器的氧气添加量,为协调调整前设定的第i级反应器的氧气利用率,为协调调整前设定的第i级反应器的氧化锌添加量;
确定第三优化目标,第三优化目标的计算公式为:
其中,为协调调整前设定的第i级反应器的出口亚铁离子浓度;
根据第一优化目标、第二优化目标以及第三优化目标,建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型。
具体地,本实施例建立出口亚铁离子浓度协调调整优化模型时,主要使流程满足以下3个要求。
(一)第j级至末级反应器氧气和氧化锌的消耗量最小,即可以确定第一优化目标,具体见公式(6)。
(二)控制量改变过大会引起执行机构的损耗,因此控制量的改变要尽可能小,即可以确定第二优化目标,具体见公式(7)。
(三)出口的亚铁离子浓度波动大,容易引起流程不稳定以及最终出口亚铁离子浓度不能满足工艺要求。因此,协调调整后的出口的亚铁离子浓度设定值与先前设定值的改变量要尽可能小,即可以确定第三优化目标,具体见公式(8)。
为实现上述3个目标,当第一级反应器出口亚铁离子浓度的实际值与设定值的偏差超出可接受范围时(即),第二级至末级反应器的出口亚铁离子浓度协调调整问题可以转化为如下优化问题:
其中,和分别为第i级反应器的第一优化目标、第二优化目标以及第三优化目标,λ1、λ2和λ3分别为第一优化目标、第二优化目标以及第三优化目标调整权重。求解式(20)可以得到第二级至末级反应器的出口亚铁离子浓度协调设定值。
同理,当第二级反应器出口亚铁离子浓度的实际值与设定值的偏差超出可接受范围时(即),第三级至末级反应器的出口的亚铁离子浓度协调调整问题可以转化为如下优化问题:
通过求解式(21)可以得到第三级至末级反应器的出口亚铁离子浓度协调设定值。同理,当第j级反应器前一级的反应器出口亚铁离子浓度的实际值与设定值的偏差超出可接受范围时(即),第j级至末级反应器的出口亚铁离子浓度协调调整问题可以转化为如下优化问题:
通过求解式(5)可以得到第j级至末级反应器的出口亚铁离子浓度协调设定值。
可选地,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整之后还包括:
当最后一级反应器的出口亚铁离子浓度的实际值超出预设的工艺要求范围时,计算全局除铁率,全局除铁率的计算公式为:
其中为第N级反应器的出口亚铁离子浓度;
将全局除铁率进行分解,获得每一级反应器的除铁率,分解公式为:
其中,ri为第i级反应器的除铁率,
根据每一级反应器的除铁率,获得每一级反应器的出口亚铁离子浓度的设定值对最后一级反应器的出口亚铁离子浓度的影响度,影响度的计算公式为:
其中Ii为第i级反应器的出口亚铁离子浓度的设定值对最后一级反应器的出口亚铁离子浓度的影响度;
根据每一级反应器的除铁率和影响度,对每一级反应器在下一周期的出口亚铁离子浓度的设定值进行补偿,且补偿的计算公式为:
其中为第i级反应器未进行补偿的下一周期出口亚铁离子浓度的设定值,为第i级反应器补偿后的下一周期出口亚铁离子浓度的设定值,为第N级反应器出口实际亚铁离子浓度与工艺要求范围的偏差,为第N级反应器出口的实际亚铁离子浓度。
由于现有对沉铁过程出口亚铁离子浓度的协调优化设定过程,不仅缺乏根据过程的反馈信息及时并精准地协调调整设定值,同时缺乏根据过程的反馈信息对设定值进行补偿,故当最终出口亚铁离子浓度不满足工艺要求时,为保证下一个控制周期出口亚铁离子浓度满足要求,需要对下一个周期的优化设定值进行补偿。
具体地,本实施通过判定最后一级反应器的出口亚铁离子浓度的实际值超出预设的工艺要求范围时,通过将沉铁过程除铁率指标分解为N个子指标,并同时求解每个反应器出口亚铁离子浓度设定值对最后一个反应器出口亚铁离子浓度的影响度,对下一周期出口亚铁离子浓度设定值进行补偿,解决了现有对沉铁过程出口亚铁离子浓度的协调优化设定过程,缺乏根据过程的反馈信息对设定值进行补偿的技术问题,实现了根据工况波动合理地给出每个反应器出口亚铁离子浓度的最优设定值,同时根据过程的反馈信息及时并精准地协调调整设定值及对设定值进行补偿,使流程在工况波动或外界干扰条件下仍能优化运行和保证达到工艺要求,显著提高了流程最终出口亚铁离子浓度的合格率。
可选地,湿法炼锌沉铁过程中设置的反应器的总级数为四级。
下面将结合具体实施例对本发明的沉铁过程出口亚铁离子浓度的协调优化设定方法进行进一步阐述。假设本发明具体实施例的湿法炼锌沉铁过程反应器设置的总级数为四级,该四级反应器的标号分别为1#,2#、3#和4#反应器,且该四级反应器按照标号顺序顺次连接。本发明具体实施例集成优化设定方法、协调调整策略和基于指标分解的补偿设定实现对沉铁过程出口亚铁离子浓度的协调优化设定。选用某湿法炼锌针铁矿法沉铁过程连续生产的1036组数据进行分析,并对数据进行归一化处理。
参考图2,本发明具体实施例实现沉铁过程出口亚铁离子浓度的协调优化设定方法包括:
步骤S201,基于物料平衡建立沉铁过程氧气添加量和氧化锌添加量的计算模型,并根据计算模型获得每一级反应器的氧气添加量和氧化锌添加量。
具体地,本发明具体实施例首先基于物料平衡建立沉铁过程氧气添加量和氧化锌添加量的计算模型,并基于计算模型获得每一级反应器的氧气添加量和氧化锌添加量。根据3个化学反应的物料守恒,可以获得沉铁过程氧气和氧化锌添加量的计算公式,具体见公式(22)和公式(23)。
步骤S202,利用历史数据训练RBF神经网络。
具体地,本实施例选取入口亚铁离子浓度、三价铁离子浓度、铜离子浓度、溶液流速、pH、溶液温度和反应器搅拌功率7个参数作为RBF神经网络的输入向量,输出为氧气的利用率。利用k-means聚类算法求取RBF神经网络的神经元的个数、中心和半径,采用1000组工业数据训练RBF神经网络。
步骤S203,利用训练好的径向基神经网络,在线预估每一级反应器的氧气利用率,其中,氧气利用率在线预估模型为:
其中,η为氧气利用率,ω是RBF神经网络的权重,c表示神经元的中心,σ表示神经元的半径,M’表示RBF神经网络的神经元个数,m表示第m个神经元,x表示RBF神经网络的输入向量。
具体地,本实施例基于步骤S202训练的好的径向基神经网络,可以根据公式(3)在线预估每一级反应器的氧气利用率,具体可以参考图3,图3为本发明具体实施例RBF神经网络在线预估氧气利用率的结果,平均绝对误差和平均相对误差分别为2.90和3.95%,其预测精度满足实际生产要求。
步骤S204,根据每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,优化设定模型为:
其中,分别为第i级反应器出口亚铁离子浓度的上、下限值,分别为第i级反应器出口三价铁离子浓度的上、下限值。
步骤S205,求解优化设定模型的最优解,从而得到每一级反应器的出口亚铁离子浓度的设定值。
具体地,根据工业实时数据求解式(24)可以得到4个反应器出口亚铁离子浓度下降梯度的最优设定值和
步骤S206,逐级顺次判断除末级反应器外的每一级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若是,则判定当前反应器为超差反应器。
步骤S207,建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,每一级反应器的出口亚铁离子浓度协调调整优化模型为:
其中,j(1<j≤N)为超差反应器的下一级反应器的级数,和分别为第i级反应器的第一优化目标、第二优化目标以及第三优化目标,λ1、λ2和λ3分别为第一优化目标、第二优化目标以及第三优化目标调整权重。
步骤S208,求解出口亚铁离子浓度协调调整优化模型的最优解,从而得到超差反应器后的每一级反应器的出口亚铁离子浓度的协调设定值,并根据协调设定值协调调整超差反应器后的每一级反应器的设定值。
具体地,当1#反应器出口亚铁离子浓度的实际值与设定值的偏差超出可接受范围时,即确定1#反应器为超差反应器,并通过求解下式(26)可以得到2#、3#和4#反应器的出口亚铁离子浓度协调设定值。
当2#反应器出口亚铁离子浓度的实际值与设定值的偏差超出可接受范围时,即确定2#反应器为超差反应器,并通过求解下式(27)可以得到3#和4#反应器的出口亚铁离子浓度协调设定值。
当3#反应器出口亚铁离子浓度的实际值与设定值的偏差超出可接受范围时,即确定3#反应器为超差反应器,并通过求解下式(28)可以得到4#反应器的出口亚铁离子浓度协调设定值。
步骤S209,当最后一级反应器的出口亚铁离子浓度的实际值超出预设的工艺要求范围时,计算全局除铁率,全局除铁率的计算公式为:
其中为第4级反应器的出口亚铁离子浓度。
具体地,由于湿法炼锌针铁矿法沉铁过程是将溶液中二价铁离子氧化为三价铁离子,三价铁离子水解形成针铁矿的多相多反应的化学过程,其工艺要求是使最后一级反应器的出口亚铁离子浓度控制在[0.3g/L,0.8g/L]之内,也即本发明具体实施例中所指的当最后一级反应器的出口亚铁离子浓度的实际值超出预设的工艺要求范围时,是指4#反应器的出口亚铁离子浓度的实际值超出[0.3g/L,0.8g/L]的范围。
本发明具体实施例中,当最终出口亚铁离子浓度不满足工艺要求时,为保证下一个控制周期出口亚铁离子浓度满足要求,需要对下一个周期的优化设定值进行补偿。
步骤S210,将全局除铁率进行分解,获得每一级反应器的除铁率,分解公式为:
其中,ri为第i级反应器的除铁率,
步骤S211,根据每一级反应器的除铁率,获得每一级反应器的出口亚铁离子浓度的设定值对最后一级反应器的出口亚铁离子浓度的影响度,影响度的计算公式为:
其中Ii为第i级反应器的出口亚铁离子浓度的设定值对最后一级反应器的出口亚铁离子浓度的影响度。
步骤S212,根据每一级反应器的除铁率和影响度,对每一级反应器在下一周期的出口亚铁离子浓度的设定值进行补偿,且补偿的计算公式为:
为第4级反应器出口实际亚铁离子浓度与工艺要求范围的偏差,为第4级反应器出口的实际亚铁离子浓度。
由此可见,本发明具体实施例可以实现沉铁过程出口亚铁离子浓度优化设定、协调调整和反馈补偿。本发明具体实施例提供的沉铁过程出口亚铁离子浓度的协调优化设定方法,通过根据湿法炼锌沉铁过程中设置的每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,并根据优化设定模型获得每一级反应器的出口亚铁离子浓度的设定值,以及逐级顺次判断除末级反应器外的每一级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若是,则判定当前反应器为超差反应器,并建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,以及根据协调调整优化模型,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整,解决了现有对沉铁过程出口亚铁离子浓度的协调优化设定过程,无法根据工况波动及时并精准地对设定值进行协调调整的技术问题,实现了根据工况波动合理地给出每个反应器出口亚铁离子浓度的最优设定值,同时根据过程的反馈信息及时并精准地协调调整设定值,使得利用本实施例设定的出口亚铁离子浓度能够根据流程输入条件和工况的变化进行协调调整,从而显著提高了流程最终出口亚铁离子浓度的合格率,以及保障了湿法炼锌沉铁过程的优化运行。
本发明具体实施例的湿法炼锌沉铁过程出口亚铁离子浓度协调优化设定框架如图4所示,通过全局协调层设定每个反应器出口亚铁离子浓度,传输到底层控制系统,再根据底层控制系统的反馈信息协调调整出口亚铁离子浓度协调设定值,使整个流程保持稳定和保证工艺要求。
本发明具体实施例建立了基于RBF神经网络软测量的沉铁过程出口亚铁离子浓度下降梯度优化设定模型,给出了出口亚铁离子浓度最优设定值,然后根据工业过程实际运行情况和反馈信息,对设定值进行协调调整和补偿,使流程仍能优化运行和保证达到工艺要求。
本发明具体实施例的沉铁过程出口亚铁离子浓度协调优化设定结果如图5所示,相对于人工设定,本发明的方法能够根据流程输入条件和生产工况协调地调整出口亚铁离子浓度地设定值。相对应的控制结果如图6所示,相对于人工控制,协调优化控制的最终出口亚铁离子浓度合格率从88.8%提高到97.2%,更满足流程工艺要求。
参照图7,本发明优选实施例沉铁过程出口亚铁离子浓度的协调优化设定装置包括:
设定值设定装置10,用于根据湿法炼锌沉铁过程中设置的每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,并根据优化设定模型获得每一级反应器的出口亚铁离子浓度的设定值;
设定值协调调整装置20,用于逐级顺次判断除末级反应器外的每一级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若是,则判定当前反应器为超差反应器,并建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,以及根据协调调整优化模型,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整。
可选地,设定值设定装置10包括:
氧气添加量和氧化锌添加量的计算装置,用于基于物料平衡建立沉铁过程氧气添加量和氧化锌添加量的计算模型,并根据计算模型获得每一级反应器的氧气添加量和氧化锌添加量,氧气添加量和氧化锌添加量的计算模型为:
其中,N为反应器的总级数,和分别表示第i级反应器中氧气和氧化锌的添加量, 和分别为第i级所述反应器入口亚铁离子浓度、三价铁离子浓度和氢离子浓度,和分别为第i级所述反应器出口亚铁离子浓度、三价铁离子浓度和氢离子浓度,第i+1级所述反应器的入口亚铁离子浓度等于第i级所述反应器的出口亚铁离子浓度第i+1级所述反应器的入口三价铁离子浓度等于第i级所述反应器的出口三价铁离子浓度第i+1级所述反应器的入口氢离子浓度等于第i级所述反应器的出口氢离子浓度且第i级反应器出口氢离子浓度设定为103mol/L,即
径向基神经网络训练装置,用于利用历史数据训练径向基神经网络;
氧气利用率在线预估装置,用于利用训练好的径向基神经网络,在线预估每一级反应器的氧气利用率,其中,氧气利用率在线预估模型为:
其中,η为氧气利用率,ω是RBF神经网络的权重,c表示神经元的中心,σ表示神经元的半径,M表示RBF神经网络的神经元个数,m表示第m个神经元,x表示RBF神经网络的输入向量;
优化设定模型创建装置,用于根据每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,优化设定模型为:
其中,分别为第i级反应器出口亚铁离子浓度的上、下限值,分别为第i级反应器出口三价铁离子浓度的上、下限值;
设定值求解装置,用于求解优化设定模型的最优解,从而得到每一级反应器的出口亚铁离子浓度的设定值。
可选地,设定值协调调整装置20包括:
协调调整优化模型创建装置,用于建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,每一级反应器的出口亚铁离子浓度协调调整优化模型为:
其中,j(1<j≤N)为超差反应器的下一级反应器的级数,和分别为第i级反应器的第一优化目标、第二优化目标以及第三优化目标,λ1、λ2和λ3分别为第一优化目标、第二优化目标以及第三优化目标调整权重;
协调调整优化模型求解装置,用于求解出口亚铁离子浓度协调调整优化模型的最优解,从而得到超差反应器后的每一级反应器的出口亚铁离子浓度的协调设定值,并根据协调设定值协调调整超差反应器后的每一级反应器的设定值。
可选地,协调调整优化模型创建装置包括:
第一优化目标确定装置,用于确定第一优化目标,第一优化目标的计算公式为:
其中,和分别表示第i级反应器中氧气添加量和氧化锌添加量,ηi为第i级反应器的氧气利用率;
第二优化目标确定装置,用于确定第二优化目标,第二优化目标的计算公式为:
其中,为协调调整前设定的第i级反应器的氧气添加量,为协调调整前设定的第i级反应器的氧气利用率,为协调调整前设定的第i级反应器的氧化锌添加量;
第三优化目标确定装置,用于确定第三优化目标,第三优化目标的计算公式为:
其中,为协调调整前设定的第i级反应器的出口亚铁离子浓度;
创建装置,用于根据第一优化目标、第二优化目标以及第三优化目标,建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型。
可选地,本发明优选实施例沉铁过程出口亚铁离子浓度的协调优化设定装置还包括:
全局除铁率计算装置,用于当最后一级反应器的出口亚铁离子浓度的实际值超出预设的工艺要求范围时,计算全局除铁率,全局除铁率的计算公式为:
其中为第N级反应器的出口亚铁离子浓度;
分解装置,用于将全局除铁率进行分解,获得每一级反应器的除铁率,分解公式为:
其中,ri为第i级反应器的除铁率,
影响度计算装置,用于根据每一级反应器的除铁率,获得每一级反应器的出口亚铁离子浓度的设定值对最后一级反应器的出口亚铁离子浓度的影响度,影响度的计算公式为:
其中Ii为第i级反应器的出口亚铁离子浓度的设定值对最后一级反应器的出口亚铁离子浓度的影响度;
补偿装置,用于根据每一级反应器的除铁率和影响度,对每一级反应器在下一周期的出口亚铁离子浓度的设定值进行补偿,且补偿的计算公式为:
其中为第i级反应器未进行补偿的下一周期出口亚铁离子浓度的设定值,为第i级反应器补偿后的下一周期出口亚铁离子浓度的设定值,为第N级反应器出口实际亚铁离子浓度与工艺要求范围的偏差,为第N级反应器的出口实际亚铁离子浓度。
本实施例提供的沉铁过程出口亚铁离子浓度的协调优化设定装置,通过根据湿法炼锌沉铁过程中设置的每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级反应器的出口亚铁离子浓度的优化设定模型,并根据优化设定模型获得每一级反应器的出口亚铁离子浓度的设定值,以及逐级顺次判断除末级反应器外的每一级反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若是,则判定当前反应器为超差反应器,并建立超差反应器后的每一级反应器的出口亚铁离子浓度协调调整优化模型,以及根据协调调整优化模型,对超差反应器后的每一级反应器的出口亚铁离子浓度的设定值进行协调调整,解决了现有对沉铁过程出口亚铁离子浓度的协调优化设定过程,无法根据工况波动及时并精准地对设定值进行协调调整的技术问题,实现了根据工况波动合理地给出每个反应器出口亚铁离子浓度的最优设定值,同时根据过程的反馈信息及时并精准地协调调整设定值,使得利用本实施例设定的出口亚铁离子浓度能够根据流程输入条件和工况的变化进行协调调整,从而显著提高了流程最终出口亚铁离子浓度的合格率,以及保障了湿法炼锌沉铁过程的优化运行。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种沉铁过程出口亚铁离子浓度的协调优化设定方法,其特征在于,包括:
根据湿法炼锌沉铁过程中设置的每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级所述反应器的出口亚铁离子浓度的优化设定模型,并根据所述优化设定模型获得每一级所述反应器的出口亚铁离子浓度的设定值;
逐级顺次判断除末级反应器外的每一级所述反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若是,则判定当前反应器为超差反应器,并建立所述超差反应器后的每一级所述反应器的出口亚铁离子浓度协调调整优化模型,以及根据所述协调调整优化模型,对所述超差反应器后的每一级所述反应器的出口亚铁离子浓度的所述设定值进行协调调整;
建立每一级所述反应器的出口亚铁离子浓度的优化设定模型,并根据所述优化设定模型获得每一级所述反应器的出口亚铁离子浓度的设定值包括:
基于物料平衡建立沉铁过程氧气添加量和氧化锌添加量的计算模型,并根据所述计算模型获得每一级所述反应器的氧气添加量和氧化锌添加量,所述氧气添加量和氧化锌添加量的计算模型为:
其中,N为反应器的总级数,和分别表示第i级反应器中氧气和氧化锌的添加量,和分别为第i级所述反应器入口亚铁离子浓度、三价铁离子浓度和氢离子浓度,和分别为第i级所述反应器出口亚铁离子浓度、三价铁离子浓度和氢离子浓度,第i+1级所述反应器的入口亚铁离子浓度等于第i级所述反应器的出口亚铁离子浓度第i+1级所述反应器的入口三价铁离子浓度等于第i级所述反应器的出口三价铁离子浓度第i+1级所述反应器的入口氢离子浓度等于第i级所述反应器的出口氢离子浓度且第i级反应器出口氢离子浓度设定为10-3mol/L,即
利用历史数据训练径向基神经网络;
利用训练好的径向基神经网络,在线预估每一级所述反应器的氧气利用率,其中,所述氧气利用率在线预估模型为:
其中,η为氧气利用率,ω是RBF神经网络的权重,c表示神经元的中心,σ表示神经元的半径,M表示RBF神经网络的神经元个数,m表示第m个神经元,x表示RBF 神经网络的输入向量;
根据每一级所述反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级所述反应器的出口亚铁离子浓度的优化设定模型,所述优化设定模型为:
其中,分别为第i级所述反应器出口亚铁离子浓度的上、下限值,分别为第i级所述反应器出口三价铁离子浓度的上、下限值;
求解所述优化设定模型的最优解,从而得到每一级所述反应器的出口亚铁离子浓度的设定值。
2.根据权利要求1所述的沉铁过程出口亚铁离子浓度的协调优化设定方法,其特征在于,建立所述超差反应器后的每一级所述反应器的出口亚铁离子浓度协调调整优化模型,以及根据所述协调调整优化模型,对所述超差反应器后的每一级所述反应器的出口亚铁离子浓度的所述设定值进行协调调整包括:
建立所述超差反应器后的每一级所述反应器的出口亚铁离子浓度协调调整优化模型,每一级所述反应器的出口亚铁离子浓度协调调整优化模型为:
其中,j为所述超差反应器的下一级反应器的级数,1<j≤N,和分别为第i级所述反应器的第一优化目标、第二优化目标以及第三优化目标,λ1、λ2和λ3分别为所述第一优化目标、所述第二优化目标以所述及第三优化目标调整权重;
求解所述出口亚铁离子浓度协调调整优化模型的最优解,从而得到所述超差反应器后的每一级所述反应器的出口亚铁离子浓度的协调设定值,并根据所述协调设定值协调调整所述超差反应器后的每一级所述反应器的所述设定值;
建立所述超差反应器后的每一级所述反应器的出口亚铁离子浓度协调调整优化模型包括:
确定第一优化目标,所述第一优化目标的计算公式为:
其中,和分别表示第i级反应器中氧气添加量和氧化锌添加量,ηi为第i级反应器的氧气利用率;
确定第二优化目标,所述第二优化目标的计算公式为:
其中,为协调调整前设定的第i级所述反应器的氧气添加量,为协调调整前设定的第i级所述反应器的氧气利用率,为协调调整前设定的第i级所述反应器的氧化锌添加量;
确定第三优化目标,所述第三优化目标的计算公式为:
其中,为协调调整前设定的第i级所述反应器的出口亚铁离子浓度;
根据所述第一优化目标、所述第二优化目标以及所述第三优化目标,建立所述超差反应器后的每一级所述反应器的出口亚铁离子浓度协调调整优化模型。
3.根据权利要求2所述的沉铁过程出口亚铁离子浓度的协调优化设定方法,其特征在于,对所述超差反应器后的每一级所述反应器的出口亚铁离子浓度的所述设定值进行协调调整之后还包括:
当最后一级所述反应器的出口亚铁离子浓度的实际值超出预设的工艺要求范围时,计算全局除铁率,所述全局除铁率的计算公式为:
其中为第N级所述反应器的出口亚铁离子浓度;
将所述全局除铁率进行分解,获得每一级所述反应器的除铁率,所述分解公式为:
其中,ri为第i级所述反应器的除铁率,
根据每一级所述反应器的除铁率,获得每一级所述反应器的出口亚铁离子浓度的设定值对最后一级所述反应器的出口亚铁离子浓度的影响度,所述影响度的计算公式为:
其中Ii为第i级所述反应器的出口亚铁离子浓度的设定值对最后一级所述反应器的出口亚铁离子浓度的影响度;
根据每一级所述反应器的除铁率和影响度,对每一级所述反应器在下一周期的出口亚铁离子浓度的设定值进行补偿,且补偿的计算公式为:
其中为第i级所述反应器未进行补偿的下一周期出口亚铁离子浓度的所述设定值,为第i级所述反应器补偿后的下一周期出口亚铁离子浓度的所述设定值,为第N级所述反应器出口实际亚铁离子浓度与工艺要求范围的偏差,为第N级所述反应器的出口实际亚铁离子浓度。
4.根据权利要求3所述的沉铁过程出口亚铁离子浓度的协调优化设定方法,其特征在于,湿法炼锌沉铁过程中设置的反应器的总级数为四级。
5.一种沉铁过程出口亚铁离子浓度的协调优化设定装置,其特征在于,所述沉铁过程出口亚铁离子浓度的协调优化设定装置包括:
设定值设定装置( 10) ,用于根据湿法炼锌沉铁过程中设置的每一级反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级所述反应器的出口亚铁离子浓度的优化设定模型,并根据所述优化设定模型获得每一级所述反应器的出口亚铁离子浓度的设定值;
设定值协调调整装置( 20) ,用于逐级顺次判断除末级反应器外的每一级所述反应器的出口亚铁离子浓度的实际值与设定值的偏差是否超出预设偏差范围,若是,则判定当前反应器为超差反应器,并建立所述超差反应器后的每一级所述反应器的出口亚铁离子浓度协调调整优化模型,以及根据所述协调调整优化模型,对所述超差反应器后的每一级所述反应器的出口亚铁离子浓度的所述设定值进行协调调整;
所述设定值设定装置( 10) 包括:
氧气添加量和氧化锌添加量的计算装置,用于基于物料平衡建立沉铁过程氧气添加量和氧化锌添加量的计算模型,并根据所述计算模型获得每一级所述反应器的氧气添加量和氧化锌添加量,所述氧气添加量和氧化锌添加量的计算模型为:
其中,N为反应器的总级数,和分别表示第i级反应器中氧气和氧化锌的添加量,和分别为第i级所述反应器入口亚铁离子浓度、三价铁离子浓度和氢离子浓度,和分别为第i级所述反应器出口亚铁离子浓度、三价铁离子浓度和氢离子浓度,第i+1级所述反应器的入口亚铁离子浓度等于第i级所述反应器的出口亚铁离子浓度第i+1级所述反应器的入口三价铁离子浓度等于第i级所述反应器的出口三价铁离子浓度第i+1级所述反应器的入口氢离子浓度等于第i级所述反应器的出口氢离子浓度且第i级反应器出口氢离子浓度设定为10-3mol/L,即
径向基神经网络训练装置,用于利用历史数据训练径向基神经网络;
氧气利用率在线预估装置,用于利用训练好的径向基神经网络,在线预估每一级所述反应器的氧气利用率,其中,所述氧气利用率在线预估模型为:
其中,η为氧气利用率,ω是RBF神经网络的权重,c表示神经元的中心,σ表示神经元的半径,M表示RBF神经网络的神经元个数,m表示第m个神经元,x表示RBF神经网络的输入向量;
优化设定模型创建装置,用于根据每一级所述反应器的氧气添加量、氧气利用率以及氧化锌添加量,建立每一级所述反应器的出口亚铁离子浓度的优化设定模型,所述优化设定模型为:
其中,分别为第i级所述反应器出口亚铁离子浓度的上、下限值,分别为第i级所述反应器出口三价铁离子浓度的上、下限值;
设定值求解装置,用于求解所述优化设定模型的最优解,从而得到每一级所述反应器的出口亚铁离子浓度的设定值。
6.根据权利要求5所述的沉铁过程出口亚铁离子浓度的协调优化设定装置,其特征在于,所述设定值协调调整装置( 20) 包括:
协调调整优化模型创建装置,用于建立所述超差反应器后的每一级所述反应器的出口亚铁离子浓度协调调整优化模型,每一级所述反应器的出口亚铁离子浓度协调调整优化模型为:
其中,j为所述超差反应器后的第一个反应器的级数,1<j≤N,和分别为第i级所述反应器的第一优化目标、第二优化目标以及第三优化目标,λ1、λ2和λ3分别为所述第一优化目标、所述第二优化目标以所述及第三优化目标调整权重;
协调调整优化模型求解装置,用于求解所述出口亚铁离子浓度协调调整优化模型的最优解,从而得到所述超差反应器后的每一级所述反应器的出口亚铁离子浓度的协调设定值,并根据所述协调设定值协调调整所述超差反应器后的每一级所述反应器的所述设定值;
所述协调调整优化模型创建装置包括:
第一优化目标确定装置,用于确定第一优化目标,所述第一优化目标的计算公式为:
其中,和分别表示第i级反应器中氧气添加量和氧化锌添加量,ηi为第i级反应器的氧气利用率;
第二优化目标确定装置,用于确定第二优化目标,所述第二优化目标的计算公式为:
其中,为协调调整前设定的第i级所述反应器的氧气添加量,为协调调整前设定的第i级所述反应器的氧气利用率,为协调调整前设定的第i级所述反应器的氧化锌添加量;
第三优化目标确定装置,用于确定第三优化目标,所述第三优化目标的计算公式为:
其中,为协调调整前设定的第i级所述反应器的出口亚铁离子浓度;
创建装置,用于根据所述第一优化目标、所述第二优化目标以及所述第三优化目标,建立所述超差反应器后的每一级所述反应器的出口亚铁离子浓度协调调整优化模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710250863.8A CN106971079B (zh) | 2017-04-17 | 2017-04-17 | 沉铁过程出口亚铁离子浓度的协调优化设定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710250863.8A CN106971079B (zh) | 2017-04-17 | 2017-04-17 | 沉铁过程出口亚铁离子浓度的协调优化设定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106971079A CN106971079A (zh) | 2017-07-21 |
CN106971079B true CN106971079B (zh) | 2019-06-28 |
Family
ID=59333002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710250863.8A Active CN106971079B (zh) | 2017-04-17 | 2017-04-17 | 沉铁过程出口亚铁离子浓度的协调优化设定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971079B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675918B (zh) * | 2019-08-22 | 2022-12-02 | 中南大学 | 一种沉铁过程出口离子预测方法及其系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001329391A (ja) * | 2000-05-19 | 2001-11-27 | Dowa Mining Co Ltd | 亜鉛電解液のマンガン濃度調節法 |
CN103936055A (zh) * | 2014-04-03 | 2014-07-23 | 昆明理工大学 | 湿法炼锌过程中产生的钙镁底流制备七水硫酸锌的方法 |
CN204198823U (zh) * | 2014-10-24 | 2015-03-11 | 昆明理工大学科技产业经营管理有限公司 | 一种高铁锌精矿湿法炼锌过程沉铁设备 |
CN104894375A (zh) * | 2015-05-15 | 2015-09-09 | 中南大学 | 一种针铁矿法沉铁过程界面反应模型的建立方法及应用 |
-
2017
- 2017-04-17 CN CN201710250863.8A patent/CN106971079B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001329391A (ja) * | 2000-05-19 | 2001-11-27 | Dowa Mining Co Ltd | 亜鉛電解液のマンガン濃度調節法 |
CN103936055A (zh) * | 2014-04-03 | 2014-07-23 | 昆明理工大学 | 湿法炼锌过程中产生的钙镁底流制备七水硫酸锌的方法 |
CN204198823U (zh) * | 2014-10-24 | 2015-03-11 | 昆明理工大学科技产业经营管理有限公司 | 一种高铁锌精矿湿法炼锌过程沉铁设备 |
CN104894375A (zh) * | 2015-05-15 | 2015-09-09 | 中南大学 | 一种针铁矿法沉铁过程界面反应模型的建立方法及应用 |
Non-Patent Citations (3)
Title |
---|
一种双种群协同进化算法在湿法炼锌过程中的应用;熊富强,等;;《控制与决策》;20130430;第28卷(第4期);590-594 |
湿法炼锌沉铁过程氧化速率优化控制;谢世文,等;;《自动化学报》;20151231;第41卷(第12期);2036-2046 |
针铁矿法沉铁过程亚铁离子浓度预测;谢世文,等;;《自动化学报》;20140531;第40卷(第5期);830-837 |
Also Published As
Publication number | Publication date |
---|---|
CN106971079A (zh) | 2017-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108676955B (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
Xie et al. | Generalized predictive control for industrial processes based on neuron adaptive splitting and merging RBF neural network | |
US20090193936A1 (en) | Methods and apparatus for an oxygen furnace quality control system | |
Xie et al. | Neurofuzzy-based plant-wide hierarchical coordinating optimization and control: An application to zinc hydrometallurgy plant | |
Han et al. | Dynamic multi-objective optimization arising in iron precipitation of zinc hydrometallurgy | |
Rashid et al. | Multi-rate modeling and economic model predictive control of the electric arc furnace | |
Xie et al. | A hybrid control strategy for real-time control of the iron removal process of the zinc hydrometallurgy plants | |
Wang et al. | Optimal control problems arising in the zinc sulphate electrolyte purification process | |
CN101139661A (zh) | 铜闪速熔炼操作参数优化方法 | |
Xie et al. | Multiobjective-based optimization and control for iron removal process under dynamic environment | |
Sorsa et al. | Real-coded genetic algorithms and nonlinear parameter identification | |
CN109359320B (zh) | 基于多采样率自回归分布滞后模型的高炉指标预测方法 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN112899496B (zh) | 湿法炼锌净化除钴过程入口铜离子浓度估计方法及系统 | |
Shi et al. | Optimizing zinc electrowinning processes with current switching via Deep Deterministic Policy Gradient learning | |
Liu et al. | Reinforcement learning based decision making of operational indices in process industry under changing environment | |
CN110849149A (zh) | 基于能源感知的烧结配料方案级联优化获取方法及装置 | |
CN106971079B (zh) | 沉铁过程出口亚铁离子浓度的协调优化设定方法及装置 | |
Huang et al. | Two-stage decision-making method for burden distribution based on recognition of conditions in blast furnace | |
CN115826530A (zh) | 一种基于d3qn和遗传算法的作业车间分批调度方法 | |
Tang et al. | An estimation of distribution algorithm with resampling and local improvement for an operation optimization problem in steelmaking process | |
CN118039015A (zh) | 一种基于动态时序特征的转炉终点元素含量预测方法 | |
Xie et al. | Coordinated optimization for the descent gradient of technical index in the iron removal process | |
Zagoskina et al. | Intelligent Control System of Blast-Furnace Melting Efficiency | |
de Souza et al. | Soft sensors in the primary aluminum production process based on neural networks using clustering methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |