CN110866659A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110866659A CN110866659A CN201911254396.1A CN201911254396A CN110866659A CN 110866659 A CN110866659 A CN 110866659A CN 201911254396 A CN201911254396 A CN 201911254396A CN 110866659 A CN110866659 A CN 110866659A
- Authority
- CN
- China
- Prior art keywords
- ore
- ratio
- content
- caustic
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01F—COMPOUNDS OF THE METALS BERYLLIUM, MAGNESIUM, ALUMINIUM, CALCIUM, STRONTIUM, BARIUM, RADIUM, THORIUM, OR OF THE RARE-EARTH METALS
- C01F7/00—Compounds of aluminium
- C01F7/02—Aluminium oxide; Aluminium hydroxide; Aluminates
- C01F7/04—Preparation of alkali metal aluminates; Aluminium oxide or hydroxide therefrom
- C01F7/06—Preparation of alkali metal aluminates; Aluminium oxide or hydroxide therefrom by treating aluminous minerals or waste-like raw materials with alkali hydroxide, e.g. leaching of bauxite according to the Bayer process
- C01F7/0666—Process control or regulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Organic Chemistry (AREA)
- Operations Research (AREA)
- Inorganic Chemistry (AREA)
- Geology (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Compounds Of Alkaline-Earth Elements, Aluminum Or Rare-Earth Metals (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明涉及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,其包括四个部分,即数据采集和传输,基于数据校正的预处理,基于预处理的数据和物料平衡原则建立机理模型,结合机理模型预测值、离线取样化验值、预处理的数据建立基于递归神经网络的补偿模型。本发明采用补偿模型的输出结果,对机理模型预测值进行补偿,得到最终的苛性比值预测结果;同时还将预测结果与溶出后实际化验值相对误差低于0.1%的数据构成模型修正数据集,重新训练递归神经网络的参数,提高模型的自适应能力。采用本发明的在线预测方法所预测的拜耳法氧化铝生产高压管道溶出过程中苛性比值准确度高,有利于生产企业依预测结果指导进料配比和二次加碱流量的设定。
Description
技术领域
本发明涉及软测量技术领域与流程工业关键指标预测领域,特别涉及一种拜耳法氧化铝生产高压管道溶出过程中溶出液苛性比值在线预测方法。
背景技术
高压管道溶出是拜耳法生产氧化铝的主要工艺环节之一,在该工艺过程中,铝土矿中的Al2O3溶解进入到铝酸钠溶液。对高压管道溶出过程中苛性比的控制,对氧化铝成品的质量有着非常重要的影响。溶出液的苛性比值(αk)是氧化铝高压管道溶出工艺过程最关键的一项技术指标,它的大小不仅可以反应出一段时间内的碱耗,还能影响后续晶种分解的分解率。实际生产中,依据苛性比值可以调节溶出前矿石和碱液的配比,其对氧化铝生产企业的稳定高产具有重要意义。
然而高压管道溶出过程流程长、检测太滞后,原料和配料的组分、生产设备运行状态、生产过程参数和产品质量等无法实时感知。另外在高压管道溶出过程中存在生产过程参数间非线性关系强且工艺机理复杂 (固、液、气三相共存,同时存在物化反应、生化反应、相变反应及复杂的能量转化过程)、原料成份频繁波动、设备结疤等问题导致工况变化大,严重影响检测和控制效果。目前在大多数采用拜耳法生产氧化铝的企业中,苛性比值的检测任务仍依靠人工化验完成,流程非常繁琐,检测结果严重滞后且波动大,无法有效地指导生产。
目前已经有人提出,将基于物料平衡的机理模型和神经网络相结合来在线预测苛性比值的方法,但是这些方法需要采集溶出过程中的数据,如各溶出器的压力、温度,导致预测模型的结果滞后,仍无法真正指导生产。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供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,该方法通过高压管道溶出前的物料性质、生产过程参数与溶出液苛性比值的关系,实现在溶出反应前预测苛性比值,以便生产企业依此预测结果指导进料配比和二次加碱流量的设定,提高氧化铝产量。
(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:
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,包括如下步骤:
S1:将现场采集的氧化铝高压管道溶出前的物料特性、生产过程参数输入计算机,利用基于数据校正的数据预处理方法进行数据的预处理;
式中表示溶出液苛性比值机理模型预测值,表示一次加碱流量 (m3/h),表示二次加碱流量(m3/h),CNa表示循环母液苛性碱浓度(g/l), QLrB表示石灰与入磨矿比例,Qdig表示溶出机组进料量(m3/h),Spds表示预脱硅后矿浆固含(g/l),BSi表示入磨矿中SiO2含量(%),LSi表示石灰中SiO2含量(%),NrSdig表示赤泥中的钠硅比,LLO表示石灰的烧失量(%),表示循环母液的苛性比值,BAl表示入磨矿石中Al2O3含量(%),LAl表示石灰中Al2O3含量(%),rdig表示溶出率,NrSdig表示赤泥中的钠硅比;
式中BD表示入磨矿石的真密度(g/cm3),LD表示石灰的真密度(g/cm3), QB表示入磨矿石流量(t/h),QL表示入磨石灰流量(t/h),其中:
QL=QB×QLrB 式VI
式中,ArSdig表示赤泥中的铝硅比,其计算公式为:
式IV和式VII中的LCa表示石灰中CaO含量(%),a1、b1、a2、b2 基于历史数据由最小二乘法辨识得到:a1=-0.2863,b1=0.667,a2=0.2371,b2=0.9296;
S4:将苛性比值预测结果与溶出后实际化验值相对误差低于0.1%的数据构成模型修正数据集,用于在线更新苛性比值误差预测模型,提高对工况的自适应能力。
根据本发明较佳实施例,步骤S1中:所述物料特性包括由人工化验得到或由在线检测装置检测得到的:入磨矿中Al2O3含量、入磨矿中SiO2含量、入磨矿中Fe2O3含量、入磨矿中CaO含量、入磨矿中TiO2含量、入磨矿的铝硅比、入磨矿的钙硅比、入磨矿的真密度、石灰中CaO含量、石灰中SiO2含量、石灰中Al2O3含量、石灰的烧失量、石灰的真密度、循环母液苛性碱浓度、循环母液氧化铝浓度、循环母液的苛性比值、预脱硅后矿浆苛性碱浓度、预脱硅后矿浆固含、溶出液的苛性比值;
所述生产过程参数由在线检测装置检测得到,包括溶出过程中的二次加碱流量、石灰与入磨矿比例、溶出机组进料量。
根据本发明较佳实施例,步骤S1中:所述物料特性、生产过程参数通过数据采集模块、传输模块传输给计算机,由计算机基于最优化理论的数据校正方法,对精度较低的预脱硅矿浆固含化验值进行数据预处理,具体方法为:
将采集到的物料特性和生产过程参数代入数据校正模型对预脱硅矿浆固含进行校正;该校正模型的优化目标为苛性比值的机理模型预测值与实际化验值之间的误差,决策变量为预脱硅矿浆固含值,优化初始值为化验所得的预脱硅矿浆固含值,约束条件为通过物料平衡计算所得的各变量的边界条件以及决策变量的波动幅值限制;该数据预处理方法还结合统计分析方法和生产过程机理,剔除采集数据中的显著误差、系统地调整过程测量值、降低模型中的潜在不确定性。
(三)有益效果
本发明的有益效果是:
本发明的方法对高压管道溶出液苛性比值的预测结果相对误差在 1.6%以内,能够实在线连续测量,并且具有一定的自适应能力,能够根据生产情况校正预测模型。根据该预测结果可指导进料配比和二次加碱流量设定,减少系统波动,提高溶出产量。
其中,用于步骤S2中进行苛性比值机理模型计算的所涉及的变量都采集自高压管道溶出过程之前,且经过数据校正等预处理,提高数据质量和预测准确度。本发明将苛性比值预测结果与溶出后实际化验值相对误差低于0.1%的数据,用于不断在线自动校正、更新苛性比值误差预测模型,提高苛性比值误差预测模型对工况的自适应能力,以满足新的工况条件。
附图说明
图1数据预处理效果。
图2本发明预测方法的苛性比值算法结构。
图3苛性比值预测算法程序框图。
图4基于LSTM-RNN的苛性比值补偿模型结构图。
图5 LSTM内部结构图。
图6苛性比值预测值和实际化验值对比。
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。
本发明利用基于物料平衡的机理模型和基于递归神经网络的苛性比值误差预测模型,通过溶出反应前的物料特性和生产过程参数实现在线预测高压管道溶出过程溶出液的苛性比值,预测结果用于指导进料配比和二次加碱流量的设定,该发明还具有模型参数自校正功能,具有工况自适应能力。此处选用某工厂连续生产的2301组数据做案例进行分析,其中前1840组(80%)做训练,后用461组做测试。
如图2-3所示,本发明苛性比值预测算法包括四个部分,即数据采集和传输,基于数据校正的预处理,基于预处理的数据和物料平衡原则建立机理模型,结合机理模型预测值离线取样化验值、预处理的数据建立基于递归神经网络的补偿模型。采用补偿模型的输出结果对机理模型预测值进行补偿,得到最终的苛性比值预测结果同时,本发明还将预测结果与溶出后实际化验值相对误差低于0.1%的数据构成模型修正数据集,重新训练递归神经网络的参数,校正和更新苛性比值误差预测模型,提高模型的自适应能力,以满足实际的工况条件。
以下分别对各部分及其关系详述如下:
1、数据采集和传输
(1)化验数据的采集和传输
化验数据是指氧化铝厂化验室工作人员对矿石、配料、矿浆和成品进行定时化验所获得的化验对象的物理和化学特性,包括入磨矿中Al2O3含量、入磨矿中SiO2含量、入磨矿中Fe2O3含量、入磨矿中CaO含量、入磨矿中TiO2含量、入磨矿的铝硅比、入磨矿的钙硅比、入磨矿的真密度、石灰中CaO含量、石灰中SiO2含量、石灰中Al2O3含量、石灰的烧失量、石灰的真密度、循环母液苛性碱浓度、循环母液氧化铝浓度、循环母液的苛性比值、预脱硅后矿浆苛性碱浓度、预脱硅后矿浆固含、溶出液的苛性比值,通过访问化验室的局域网获得上述化验数据。
(2)生产过程参数的采集和传输
生产过程参数是指溶出过程中所涉及的流量等仪表检测参数,本发明所涉及的生产过程参数包括二次加碱流量、石灰与入磨矿比例、溶出机组进料量。利用FOXBORO IA公司的DCS型号为(FCP270)从现场采集数据,然后利用Honeywell公司的PHD数据库对过程变量进行存储,通过OPC协议传输到计算机中。
2、基于数据校正的数据预处理
预脱硅后矿浆固含是一个对溶出液特性影响较大的变量,实际生产过程中操作人员会通过预脱硅后矿浆固含来估计溶出液苛性比值的变化趋势,但是由于预脱硅后矿浆属于多相混合体,取样不均导致化验结果波动严重且无法反应矿浆的真实特性,因此数据预处理环节主要针对该变量(矿浆固含化验值)进行。
将该变量(矿浆固含化验值)代入物料平衡方程所得的机理模型预测值与实际化验值的误差为目标函数(默认要使目标函数达最小值),将预脱硅矿浆固含作为决策变量,将该变量的化验数据作为初始值,将根据物料平衡计算所得的其他变量的边界条件、以及预脱硅后矿浆固含的波动幅值限制作为约束条件,对预脱硅矿浆固含值进行校正。参见图1,为对预脱硅矿浆固含值进行校正的结果,通过校正提高数据的质量。
式中表示溶出液苛性比值机理模型预测值,表示一次加碱流量 (m3/h),表示二次加碱流量(m3/h),CNa表示循环母液苛性碱浓度(g/l), QLrB表示石灰与入磨矿比例,Qdig表示溶出机组进料量(m3/h),Spds表示预脱硅后矿浆固含(g/l),BSi表示入磨矿中SiO2含量(%),LSi表示石灰中SiO2含量(%),NrSdig表示赤泥中的钠硅比,LLO表示石灰的烧失量(%),表示循环母液的苛性比值,BAl表示入磨矿石中Al2O3含量(%),LAl表示石灰中Al2O3含量(%),rdig表示溶出率,NrSdig表示赤泥中的钠硅比;
上述式中BD表示入磨矿石的真密度(g/cm3),LD表示石灰的真密度 (g/cm3),QB表示入磨矿石流量(t/h),QL表示入磨石灰流量(t/h),其中:
QL=QB×QLrB 式VI
式中,ArSdig表示赤泥中的铝硅比,其计算公式为:
式IV和式VII中的LCa表示石灰中CaO含量(%);
并基于历史数据由最小二乘法辨识得到a1、b1、a2、b2的值: a1=-0.2863,b1=0.667,a2=0.2371,b2=0.9296。
4、基于递归神经网络的苛性比值误差预测模型
基于机理的建模方法能够很大程度上反映溶出前物料特性对苛性比值的作用机理,但是由于研究人员认知水平有限、氧化铝生产环境复杂等因素无法获得较高精度的预测结果。
本发明针对氧化铝高压管道溶出过程溶出液苛性比值的在线预测问题,采用基于递归神经网络的苛性比值误差预测模型,结合当前和历史数据,在溶出反应前预测出苛性比值机理模型预测值的偏差,最终使用预测模型的输出结果对苛性比值的机理模型预测值αkl进行修正,得出最终的苛性比值预测结果。
本发明的方法是将待预测指标作为模型的输出,其他相关变量作为输入,通过各种分析方法挖掘数据中的隐含信息,从而实现模型的预测功能,针对流程工业中存在大量不确定性因素的现象,基于数据的建模方法可以避免机理建模实际应用的困难。
如图4-5所示,在本发明的较佳实施例中,按照如下方法建立的基于递归神经网络的苛性比值误差预测模:
(1)建立模型结构
利用包含两层长短期记忆单元的递归神经网络提取数据的时序特征。用xt代表t时刻网络的输入, xt=[BAlt,BSit,BFet,BCat,BTit,LCat,CNat,akMt,Spdst,Qdigt,QNa2t],向量内的数据是t 时刻采样得到并归一化后的主元数据,Ct代表t时刻的长期记忆状态,ht代表t时刻的短期记忆状态及输出。记忆单元内的σ代表Sigmoid激活函数,代表乘法操作,代表加法操作,tanh代表tanh激活函数。如图5 所示,为LSTM内部结构图。
(2)设定模型算法和验证方法
(a)初始化
对记忆单元内的权值矩阵包括Wf、Wi、Wc和Wo使用均值为0方差为 1×10-3的高斯分布来进行参数初始化,bf、bi、bC和bo偏置初始化为0。
(b)前向计算
前向计算即计算每个记忆单元内神经元的输出值,即ft、it、C’t、Ct、σt和ht六个向量的值。
激活函数σ和tanh的计算公式为(1)-(2):
记忆单元内神经元输出值为式(3)-(8):
ft=σ(Wf[ht-1,xt]+bf) (3)
it=σ(Wi[ht-1,xt]+bi) (4)
C’t=tanh(Wc[ht-1,xt]+bC) (5)
Ct=ft Ct-1+it C’t (6)
ot=σ(Wo[ht-1,xt]+bo) (7)
ht=ot.tanh(Ct) (8)
(c)反向修正权值Wf、Wi、Wc、Wo、bf、bi和bo
权值修正包括Wf、bf、Wi、bi、Wc、bC、Wo和bo。根据当前t时刻的误差E,通过链式求导法则反向计算每个神经元参数的误差率值,再根据学习率更新权值。
(d)精度验证
如图4所示,本发明采用包含两层的LSTM-RNN算法对机理模型输出进行补偿,学习效果如表1和表2所示。
表1溶出液苛性比值软预测模型误差评价指标
表2模型误差分布区间表
误差绝对值区间 | 机理模型 | 机理模型+RNN补偿 |
Error<=0.03 | 418 | 456 |
0.03<Error<=0.06 | 42 | 2 |
Error>0.06 | 1 | 0 |
5、递归神经网络在线修正
氧化铝生产系统长期运行过程中,苛性比值预测模型的精度会由于入料矿石特性波动、管道结疤、设备老化、生产环境变化等因素逐渐降低,导致模型预测能力下降。为适应新的工况,预测模型的在线校正必不可少。
本发明针对氧化铝高压管道溶出过程溶出液苛性比值的在线预测问题,将预测结果与溶出后实际化验值相对误差低于0.1%的数据构成模型修正数据集,用于递归神经网络参数在线修正,将苛性比值的机理预测结果和实际化验数据的误差作为输出,重新训练递归神经网络的参数,提高模型的自适应能力。
如图6所示,为采用本发明的在线预测方法所预测的拜耳法氧化铝生产高压管道溶出过程中苛性比值与实际离线化验值的对比图,不难看出,预测的苛性比值与真实值非常吻合,说明本发明的在线预测方法准确度非常高。
Claims (4)
1.一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,其特征在于,包括如下步骤:
S1:将现场采集的氧化铝高压管道溶出前的物料特性、生产过程参数输入计算机,利用基于数据校正的数据预处理方法进行数据的预处理;
式中表示溶出液苛性比值机理模型预测值,表示一次加碱流量(m3/h),表示二次加碱流量(m3/h),CNa表示循环母液苛性碱浓度(g/l),QLrB表示石灰与入磨矿比例,Qdig表示溶出机组进料量(m3/h),Spds表示预脱硅后矿浆固含(g/l),BSi表示入磨矿中SiO2含量(%),LSi表示石灰中SiO2含量(%),NrSdig表示赤泥中的钠硅比,LLO表示石灰的烧失量(%),表示循环母液的苛性比值,BAl表示入磨矿石中Al2O3含量(%),LAl表示石灰中Al2O3含量(%),rdig表示溶出率,NrSdig表示赤泥中的钠硅比;
式中BD表示入磨矿石的真密度(g/cm3),LD表示石灰的真密度(g/cm3),QB表示入磨矿石流量(t/h),QL表示入磨石灰流量(t/h),其中:
QL=QB×QLrB 式VI
式中,ArSdig表示赤泥中的铝硅比,其计算公式为:
式IV和式VII中的LCa表示石灰中CaO含量(%),
其中a1、b1、a2、b2基于历史数据由最小二乘法辨识得到:a1=-0.2863,b1=0.667,a2=0.2371,b2=0.9296;
S4:将苛性比值预测结果与溶出后实际化验值相对误差低于0.1%的数据构成数据集,用于在线更新苛性比值误差预测模型,提高对工况的自适应能力。
2.根据权利要求1所述的预测方法,步骤S1中:所述物料特性包括由人工化验得到或由在线检测装置检测得到的:入磨矿中Al2O3含量、入磨矿中SiO2含量、入磨矿中Fe2O3含量、入磨矿中CaO含量、入磨矿中TiO2含量、入磨矿的铝硅比、入磨矿的钙硅比、入磨矿的真密度、石灰中CaO含量、石灰中SiO2含量、石灰中Al2O3含量、石灰的烧失量、石灰的真密度、循环母液苛性碱浓度、循环母液氧化铝浓度、循环母液的苛性比值、预脱硅后矿浆苛性碱浓度、预脱硅后矿浆固含、溶出液的苛性比值;所述生产过程参数由在线检测装置检测得到,包括溶出过程中的二次加碱流量、石灰与入磨矿比例、溶出机组进料量。
3.根据权利要求1所述的预测方法,步骤S1中:所述物料特性、生产过程参数通过数据采集模块、传输模块传输给计算机,由计算机基于最优化理论的数据校正方法,对精度较低的预脱硅矿浆固含化验值进行数据预处理,具体方法为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911254396.1A CN110866659B (zh) | 2019-12-09 | 2019-12-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911254396.1A CN110866659B (zh) | 2019-12-09 | 2019-12-09 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866659A true CN110866659A (zh) | 2020-03-06 |
CN110866659B CN110866659B (zh) | 2023-08-15 |
Family
ID=69657888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911254396.1A Active CN110866659B (zh) | 2019-12-09 | 2019-12-09 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866659B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051751A (zh) * | 2020-09-21 | 2020-12-08 | 东北大学 | 一种多级串联闪蒸工业过程的半实物仿真控制系统 |
CN112326504A (zh) * | 2020-10-28 | 2021-02-05 | 国电环境保护研究院有限公司 | 一种复合脱硫装置石膏浆液密度测量方法及测量系统 |
CN112560338A (zh) * | 2020-12-10 | 2021-03-26 | 东北大学 | 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质 |
CN113343576A (zh) * | 2021-06-22 | 2021-09-03 | 燕山大学 | 基于深度神经网络的钙处理过程中钙的收得率的预测方法 |
CN113608506A (zh) * | 2021-06-18 | 2021-11-05 | 东北大学 | 一种氧化铝运行指标的智能检测装置 |
CN114935627A (zh) * | 2022-05-07 | 2022-08-23 | 金川集团信息与自动化工程有限公司 | 一种用于预测合成炉出口氯化氢纯度的方法 |
CN114964379A (zh) * | 2022-06-02 | 2022-08-30 | 东北大学 | 一种溶出液苛性比值检测方法和装置 |
CN118111847A (zh) * | 2024-03-05 | 2024-05-31 | 中南大学 | 低温低压环境下的氧化铝溶出率测量方法及相关装置 |
CN118197453A (zh) * | 2024-05-17 | 2024-06-14 | 中南大学 | 一种氧化铝溶出过程苛性比值软测量建模方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006007631A1 (en) * | 2004-07-16 | 2006-01-26 | Alcoa Of Australia Limited | On-line/in-field bayer process liquor analysis |
CN102659153A (zh) * | 2012-04-27 | 2012-09-12 | 鞠复勇 | 一种氢氧化铝生产工艺技术的改进 |
CN102730725A (zh) * | 2012-06-21 | 2012-10-17 | 中国铝业股份有限公司 | 一种提高拜耳法种分母液苛性比值的方法 |
AU2013201517A1 (en) * | 2012-03-07 | 2013-04-04 | South32 Worsley Alumina Pty Ltd | High temperature causticisation of a bayer liquor |
CN104331622A (zh) * | 2014-11-06 | 2015-02-04 | 中南大学 | 氧化铝双流法溶出过程出口溶液苛性比值的在线预测方法 |
CN105271335A (zh) * | 2015-11-16 | 2016-01-27 | 中南大学 | 一种氧化铝双流法溶出过程入口矿浆和碱液的配比优化方法 |
CN110378799A (zh) * | 2019-07-16 | 2019-10-25 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
-
2019
- 2019-12-09 CN CN201911254396.1A patent/CN110866659B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006007631A1 (en) * | 2004-07-16 | 2006-01-26 | Alcoa Of Australia Limited | On-line/in-field bayer process liquor analysis |
AU2013201517A1 (en) * | 2012-03-07 | 2013-04-04 | South32 Worsley Alumina Pty Ltd | High temperature causticisation of a bayer liquor |
CN102659153A (zh) * | 2012-04-27 | 2012-09-12 | 鞠复勇 | 一种氢氧化铝生产工艺技术的改进 |
CN102730725A (zh) * | 2012-06-21 | 2012-10-17 | 中国铝业股份有限公司 | 一种提高拜耳法种分母液苛性比值的方法 |
CN104331622A (zh) * | 2014-11-06 | 2015-02-04 | 中南大学 | 氧化铝双流法溶出过程出口溶液苛性比值的在线预测方法 |
CN105271335A (zh) * | 2015-11-16 | 2016-01-27 | 中南大学 | 一种氧化铝双流法溶出过程入口矿浆和碱液的配比优化方法 |
CN110378799A (zh) * | 2019-07-16 | 2019-10-25 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
Non-Patent Citations (4)
Title |
---|
张羽飞;李来时;杨琦: "基于BP神经网络的氧化铝溶出苛性比值预测方法", 轻金属 * |
张艳存;喻寿益;桂卫华;李勇刚;: "基于PCA-WLSSVM的氧化铝苛性比值和溶出率预测模型", 信息与控制 * |
朱波,桂卫华: "氧化铝苛性比值的在线修正神经网络模型研究", 企业技术开发 * |
谭何军: "基于苛性比值与溶出率预测模型的拜耳法配料参数优化设定的研究", 硕士学位论文 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051751A (zh) * | 2020-09-21 | 2020-12-08 | 东北大学 | 一种多级串联闪蒸工业过程的半实物仿真控制系统 |
CN112051751B (zh) * | 2020-09-21 | 2021-06-01 | 东北大学 | 一种多级串联闪蒸工业过程的半实物仿真控制系统 |
CN112326504A (zh) * | 2020-10-28 | 2021-02-05 | 国电环境保护研究院有限公司 | 一种复合脱硫装置石膏浆液密度测量方法及测量系统 |
CN112326504B (zh) * | 2020-10-28 | 2023-09-26 | 国电环境保护研究院有限公司 | 一种复合脱硫装置石膏浆液密度测量方法及测量系统 |
CN112560338A (zh) * | 2020-12-10 | 2021-03-26 | 东北大学 | 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质 |
CN113608506B (zh) * | 2021-06-18 | 2022-10-25 | 东北大学 | 一种氧化铝运行指标的智能检测装置 |
CN113608506A (zh) * | 2021-06-18 | 2021-11-05 | 东北大学 | 一种氧化铝运行指标的智能检测装置 |
CN113343576B (zh) * | 2021-06-22 | 2022-03-11 | 燕山大学 | 基于深度神经网络的钙处理过程中钙的收得率的预测方法 |
CN113343576A (zh) * | 2021-06-22 | 2021-09-03 | 燕山大学 | 基于深度神经网络的钙处理过程中钙的收得率的预测方法 |
CN114935627A (zh) * | 2022-05-07 | 2022-08-23 | 金川集团信息与自动化工程有限公司 | 一种用于预测合成炉出口氯化氢纯度的方法 |
CN114964379A (zh) * | 2022-06-02 | 2022-08-30 | 东北大学 | 一种溶出液苛性比值检测方法和装置 |
CN118111847A (zh) * | 2024-03-05 | 2024-05-31 | 中南大学 | 低温低压环境下的氧化铝溶出率测量方法及相关装置 |
CN118197453A (zh) * | 2024-05-17 | 2024-06-14 | 中南大学 | 一种氧化铝溶出过程苛性比值软测量建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110866659B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US11487962B2 (en) | Decision-making method of comprehensive alumina production indexes based on multi-scale deep convolutional network | |
CN109492265B (zh) | 基于动态非线性pls软测量方法的废水出水指标预测方法 | |
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 | |
CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
CN104199389B (zh) | 金湿法冶金置换过程的优化方法 | |
CN110794093B (zh) | 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法 | |
CN108921352B (zh) | 一种具有区间不确定性的湿法冶金浸出过程优化方法 | |
CN102231057A (zh) | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 | |
CN110981021B (zh) | 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法 | |
CN109885012B (zh) | 一种金湿法冶金全流程实时优化补偿方法 | |
CN114871000B (zh) | 一种浮选加药自适应调控方法 | |
CN113065288A (zh) | 基于工业数据和工艺机理的复合肥生产养分优化方法 | |
CN102621953B (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
Li et al. | The method of reagent control based on time series distribution of bubble size in a gold‐antimony flotation process | |
Li et al. | Soft sensor and expert control for blending and digestion process in alumina metallurgical industry | |
CN107563656B (zh) | 金湿法冶金氰化浸出过程运行状态的评价方法 | |
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 | |
CN110276128B (zh) | 一种基于dajypls算法的浓密机底流浓度预测方法 | |
CN116880201A (zh) | 基于模糊神经网络的水网渠道状态控制系统 | |
Yang et al. | A two-stage intelligent optimization system for the raw slurry preparing process of alumina sintering production | |
Xie et al. | SO2 prediction for wet flue gas desulfurization based on improved long and short-term memory | |
CN109840722B (zh) | 一种金湿法冶金全流程运行状态在线评价方法及系统 | |
Ling et al. | A soft sensor based on influent mode discrimination neural network for a wastewater treatment process | |
CN111781824B (zh) | 一种基于vine copula分位数回归的自适应软测量方法及系统 |
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 |