CN112083694A - 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 - Google Patents
氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112083694A CN112083694A CN202010754696.2A CN202010754696A CN112083694A CN 112083694 A CN112083694 A CN 112083694A CN 202010754696 A CN202010754696 A CN 202010754696A CN 112083694 A CN112083694 A CN 112083694A
- Authority
- CN
- China
- Prior art keywords
- value
- model
- neural network
- converting process
- converting
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 241
- 230000008569 process Effects 0.000 title claims abstract description 197
- 238000007664 blowing Methods 0.000 title claims abstract description 133
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 87
- 239000010949 copper Substances 0.000 title claims abstract description 87
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 56
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 56
- 239000001301 oxygen Substances 0.000 title claims abstract description 56
- 238000004519 manufacturing process Methods 0.000 claims abstract description 134
- 238000013528 artificial neural network Methods 0.000 claims abstract description 65
- 238000003860 storage Methods 0.000 claims abstract description 11
- 239000000463 material Substances 0.000 claims description 116
- 239000002893 slag Substances 0.000 claims description 53
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 21
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000005868 electrolysis reaction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010946 mechanistic model Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 15
- 238000005259 measurement Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000003723 Smelting Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 239000000155 melt Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
-
- 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
- C22B15/00—Obtaining copper
- C22B15/0026—Pyrometallurgy
- C22B15/0028—Smelting or converting
- C22B15/003—Bath smelting or converting
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种氧气底吹铜吹炼过程反馈控制方法、装置、电子设备和存储介质。其中方法包括：获取底吹吹炼工艺的操作变量及其预设定值，并获取操作变量的实际生产数据；将操作变量的实际生产数据输入至预先建立的吹炼过程神经网络预测模型，以得到针对生产指标参数的预测值；获取针对生产指标参数的目标值，并计算预测值与目标值之间的偏差值；当偏差值超过预设规定范围内时，根据偏差值计算操作变量的反馈补偿值；根据操作变量的预设定值和反馈补偿值，生成操作变量的设定值。本申请可以减小由于实际检测值测量延后及不规律性产生的误差。
Description
技术领域
本申请涉及铜冶炼过程的控制技术领域，尤其涉及一种氧气底吹铜吹炼过程反馈控制方法、装置、电子设备和存储介质。
背景技术
吹炼过程是铜冶炼过程中一个重要工序，它将热铜锍、熔剂及其他原料(电解残极)通过底部富氧空气的吹入发生氧化放热反应形成粗铜的过程，为后续精炼过程提供原料。氧气底吹铜吹炼炉作为我国完全自主知识产权的“富氧底吹炼铜新工艺”的吹炼的核心设备。
目前国内有色行业没有很好地应用在线智能优化控制系统，大部分生产企业还是采用人工经验控制的方式。然而，铜的底吹吹炼过程具有多变量、非线性、强耦合及大滞后等特点，随着炼铜强度的不断提升及炼铜指标的不断提高，企业对生产过程中在线控制系统提出了更高的要求。
相关技术中，控制系统通常是通过检测实际重要参数，并与其预期值进行对比分析，然后反馈于操作系统这一途径来进行反馈控制，但是对于底吹铜吹炼过程而言，评价其生产指标参数的实际检测具有滞后性，无法及时有效的作用于控制系统，导致了当前底吹吹炼过程控制系统精度较低和波动较大。
发明内容
本申请的目的旨在至少在一定程度上解决上述的技术问题之一。
为此，本申请的第一个目的在于提出一种氧气底吹铜吹炼过程反馈控制方法。该方法可以减小由于实际检测值测量延后及不规律性产生的误差。
本申请的第二个目的在于提出一种氧气底吹铜吹炼过程反馈控制装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
为达到上述目的，本申请第一方面实施例提出的氧气底吹铜吹炼过程反馈控制方法，包括：
获取底吹吹炼工艺的操作变量及其预设定值，并获取所述操作变量的实际生产数据；
将所述操作变量的实际生产数据输入至预先建立的吹炼过程神经网络预测模型，以得到针对生产指标参数的预测值；其中，所述吹炼过程神经网络预测模型已学习得到对于所述底吹吹炼工艺之中操作变量的样本生产数据和样本生产指标参数之间的映射关系；
获取针对所述生产指标参数的目标值，并计算所述预测值与所述目标值之间的偏差值；
当所述偏差值超过预设规定范围内时，根据所述偏差值计算所述操作变量的反馈补偿值；
根据所述操作变量的预设定值和所述反馈补偿值，生成所述操作变量的设定值。
为达到上述目的，本申请第二方面实施例提出了一种氧气底吹铜吹炼过程反馈控制装置，包括：
第一获取模块，用于获取底吹吹炼工艺的操作变量及其预设定值；
第二获取模块，用于获取所述操作变量的实际生产数据；
预测模块，用于将所述操作变量的实际生产数据输入至预先建立的吹炼过程神经网络预测模型，以得到针对生产指标参数的预测值；其中，所述吹炼过程神经网络预测模型已学习得到对于所述底吹吹炼工艺之中操作变量的样本生产数据和样本生产指标参数之间的映射关系；
偏差值计算模块，用于获取针对所述生产指标参数的目标值，并计算所述预测值与所述目标值之间的偏差值；
反馈补偿值计算模块，用于在所述偏差值超过预设规定范围内时，根据所述偏差值计算所述操作变量的反馈补偿值；
生成模块，用于根据所述操作变量的预设定值和所述反馈补偿值，生成所述操作变量的设定值。
为达到上述目的，本申请第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本申请第一方面实施例所述的氧气底吹铜吹炼过程反馈控制方法。
为达到上述目的，本申请第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请第一方面实施例所述的氧气底吹铜吹炼过程反馈控制方法。
根据本申请实施例的技术方案，通过采用机理模型和吹炼过程神经网络预测模型相结合的控制策略，通过吹炼过程神经网络预测模型的预测值代替实际测量值作为控制系统反馈值，可以减小由于实际检测值测量延后及不规律性产生的误差。另外，本申请实施例的吹炼过程神经网络预测模型可以充分扬长避短，在理论与实际应用上都具有重大意义与价值。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
图1是根据本申请一个实施例的氧气底吹铜吹炼过程反馈控制方法的流程图。
图2是根据本申请实施例的建立吹炼过程神经网络预测模型的流程图。
图3是根据本申请实施例的神经元模型的结构示意图。
图4是根据本申请实施例的底吹吹炼过程神经网络示意图。
图5是根据本申请实施例的粗铜品位预测值与实际值对比的示意图。
图6是根据本申请实施例的粗铜品位预测误差情况的示意图。
图7是根据本申请实施例的吹炼渣铁硅比预测值与实际值对比的示意图。
图8是根据本申请实施例的吹炼渣铁硅比预测误差情况的示意图。
图9是根据本申请实施例的吹炼渣温度测值与实际值对比的示意图。
图10是根据本申请实施例的吹炼渣温度预测误差情况的示意图。
图11是根据本申请实施例的氧气底吹铜吹炼过程反馈控制方法的实时阶段过程的示意图。
图12是根据本申请一个实施例的氧气底吹铜吹炼过程反馈控制装置的结构框图。
图13是根据本申请一个实施例的电子设备的结构框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
首先，需要说明的是，本申请实施例的生产指标参数可包括但不限于：粗铜品位参数、吹炼渣中铁硅比参数和吹炼渣温度参数等中的一种或多种。作为一种可能实现方式的示例，该生产指标参数可包括粗铜品位参数、吹炼渣中铁硅比参数和吹炼渣温度参数。可以理解，铜锍品位、吹炼渣中铁硅比及吹炼渣温度这三个参数是考察氧气底吹炉铜吹炼过程中的重要参数，反映了氧气底吹铜吹炼过程中的状态。其中，粗铜品位指的是粗铜当中铜元素的质量分数，吹炼渣中铁硅比指的是炉渣当中铁元素和二氧化硅的质量比。现有技术中，粗铜品位参数和吹炼渣中铁硅比参数的检测方法均采用放粗铜及放渣过程中取样，然后采用荧光分析仪对样品成分进行化验，计算得到炉渣铁硅比及粗铜品位值。氧气底吹铜吹炼过程中的关键参数有熔体温度，但是由于其恶劣的生产环境，熔体温度无法在线直接测量，生产中一般采用吹炼炉渣温度作为熔体温度的间接表征参数。因此，粗铜品位、吹炼渣中铁硅比及渣温度这三个参数称为氧气底吹炉铜吹炼过程三大重要参数，是底吹吹炼过程中重要的检测指标，用来表示铜底吹吹炼过程中的冶炼状态。
一般铜吹炼过程要求粗铜品位、吹炼渣中铁硅比及渣温度这三大重要参数保持在适宜的范围及波动尽可能小。但是，实际生产过程中，粗铜品位、吹炼渣中铁硅比及渣温度这三个参数的检测具有滞后性，首先当前取样的粗铜和吹炼渣对应的操作将近是前1小时的底吹吹炼炉条件，入炉原料到产出冰铜存在近一小时的滞后，同时从粗铜、吹炼渣取样到化验需要一定时间，再通过实际检测值反馈于操作系统，对吹炼相关操作参数进行调节，其中时间滞后的差距会非常大。
为了解决现有技术中针对吹炼过程三大工艺参数检测的滞后性及精度问题，本申请提出了一种氧气底吹铜吹炼过程反馈控制方法、装置、电子设备和存储介质。本申请实施例的技术方案通过神经网络模型预测值代替实际测量值作为系统反馈值，可以提高反馈系统的实时性与准确性，可以有效减小系统误差。具体地，下面参考附图描述本申请实施例的氧气底吹铜吹炼过程反馈控制方法、装置、电子设备和存储介质。
图1是根据本申请一个实施例的氧气底吹铜吹炼过程反馈控制方法的流程图。需要说明的是，本申请实施例的氧气底吹铜吹炼过程反馈控制方法可应用于本申请实施例的氧气底吹铜吹炼过程反馈控制装置，该反馈控制装置可被配置于电子设备上。
如图1所示，该氧气底吹铜吹炼过程反馈控制方法可以包括：
步骤101，获取底吹吹炼工艺的操作变量及其预设定值，并获取操作变量的实际生产数据。
在本申请实施例中，可根据氧气底吹铜吹炼过程中的生产指标参数(如粗铜品位参数、吹炼渣中铁硅比参数和吹炼渣温度参数)，来选取影响这些生产指标参数的操作变量。其中，该操作变量可包括但不限于铜锍品位、铜锍温度、氧锍比、电解残极率和富氧率等中的一种或多种。也就是说，在氧气底吹铜吹炼过程中，铜锍品位、铜锍温度、氧锍比、电解残极率和富氧率等这些操作变量的数据大小，会直接影响粗铜品位参数、吹炼渣中铁硅比参数和吹炼渣温度参数这三个生产指标参数的大小。因此，可依据氧气底吹铜吹炼过程中的生产指标参数来选取影响这些生产指标参数的操作变量。
在选取操作变量之后，可获取该操作变量的预设定值。其中，该预设定值可理解为能够使生产指标参数稳定在目标值上的操作变量的基本值。在本申请一些实施例中，可采用吹炼过程的机理模型来获得操作变量的预设定值。作为一种可能实现方式的示例，以生产指标参数的目标值作为目标，依据预先建立的吹炼过程机理模型计算出操作变量的预设定值。
需要说明的使，在本申请一些实施例中，上述吹炼过程机理模型是采用物料平衡、能量平衡及多相平衡，运用数据建模而建立的。在本申请实施例中，该机理模型可包括物料平衡模型、能量平衡模型和多相平衡模型。其中，物料平衡模型以如下公式表示：
其中，Var代表变量，Con代表常量，M代表物料，C代表物料具有的组分，E代表组分具有的元素，X代表摩尔分数，Ec,e代表特定组分中的特定元素；
和
分别代表输入项物料和输入项物料中特定物料特定组分的摩尔分数；
和
分别代表输入项物料和输入项物料中特定物料的特定组分；
和
分别代表输入项物料和输入项物料中特定物料的摩尔分数；
和
分别代表输入项物料和输入项物料中的特定物料；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分各元素之和；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分之和；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分各元素质量之和，该物料平衡模型代表底吹吹炼过程中输入项物料和输出项物料元素、组分及质量守恒，即物料守恒。
能量平衡模型以如下公式表示：
其中，ΔH298,Ai为输入项Ai标准生成焓；ΔH298,Bj为输出项Bi标准生成焓；CpAi、CpBj分别为输入项Ai、输出项Bi的热容；QLoss为过程的热损失；能量平衡模型表示底吹吹炼过程中输入项物料热量和输出项物料热量相等，即能量守恒。
多相平衡模型以如下公式表示：
其中，
为p相中纯物质c组分的标准生成吉布斯自由能；γpc为p相中c组分的活度因子；χpc为p相中c组分的摩尔数分数；c为组分索引；p为相索引；P为相数；Cp为p相中的组分数；T为温度；R为气体普适常数；多相平衡模型表示吹炼过程中系统的吉布斯自由能达到最小，即系统达到稳定状态。
也就是说，在本申请实施例中，可以以生产指标参数的目标值作为目标，通过吹炼过程机理模型预估求出使生产指标参数稳定在目标值上的操作变量的基本值，该基本值即为上述预设定值。
可以理解，操作变量在氧气底吹铜吹炼过程中，会随着过程生产出对应的数据，而这些实际生产数据影响着生产指标参数的大小。因此在实现对生产指标参数的预测时，还需获取操作变量的实际生产数据。
步骤102，将操作变量的实际生产数据输入至预先建立的吹炼过程神经网络预测模型，以得到针对生产指标参数的预测值。
也就是说，可预先建立一个可靠的吹炼过程生产指标参数预测模型，在线对吹炼过程生产指标参数进行预测，反馈于控制系统，使其及时有效的采取相应的调控手段。具体的，可利用预先建立的吹炼过程神经网络预测模型和操作变量的实际生产数据对生产指标参数进行预测，以获得该生产指标参数的预测值。
其中，在本申请的实施例中，该吹炼过程神经网络预测模型已学习得到对于底吹吹炼工艺之中操作变量的样本生产数据和样本生产指标参数之间的映射关系。
步骤103，获取针对生产指标参数的目标值，并计算预测值与目标值之间的偏差值。
在本申请的实施例中，将通过吹炼过程神经网络预测模型对生产指标参数进行预测而得到的预测值，代替实际测量值，即将获得的针对生产指标参数的预测值与生产指标参数的目标值进行大小比较，以计算出该预测值与目标值之间的偏差值。
作为一种示例，该生产指标参数包括粗铜品位参数、吹炼渣中铁硅比参数及吹炼渣温度参数。其中，在本申请一个实施例中，上述偏差值可以是粗铜品位参数、吹炼渣中铁硅比参数及吹炼渣温度参数这三个参数的偏差值的总和。也就是说，可分别获取粗铜品位参数的目标值、吹炼渣中铁硅比参数的目标值和吹炼渣温度参数的目标值。计算获得的粗铜品位参数的预测值与其目标值之间的偏差值，并计算吹炼渣中铁硅比参数的预测值与其目标值之间的偏差值，以及计算吹炼渣温度参数的预测值与其目标值之间的偏差值。将粗铜品位参数的预测值与其目标值之间的偏差值、吹炼渣中铁硅比参数的预测值与其目标值之间的偏差值、以及吹炼渣温度参数的预测值与其目标值之间的偏差值，进行偏差值求和(或进行加权求和)，得到的值作为上述偏差值(即生产指标参数的偏差值)。
在本申请另一个实施例中，上述偏差值可以是指粗铜品位参数的预测值与其目标值之间的偏差值、吹炼渣中铁硅比参数的预测值与其目标值之间的偏差值、以及吹炼渣温度参数的预测值与其目标值之间的偏差值。
步骤104，当偏差值超过预设规定范围内时，根据偏差值计算操作变量的反馈补偿值。
可以理解，由于操作变量的参数值直接影响着氧气底吹铜吹炼过程中的生产指标参数，若该生产指标参数的预测值(其代替了实际测量值)与该目标值之间的偏差值超过预设规定范围内，为了保证生产指标参数能够尽可能地达到在目标值，需根据该生产指标参数的预测值(其代替了实际测量值)与该目标值之间的偏差值，来计算操作变量的反馈补偿值。也就是说，当偏差值超过预设规定范围内时，可根据该偏差值进行分析原因，并相应调整机理模型中的设定参数，提出相应调节措施。
在本申请一些实施例中，当偏差值超过预设规定范围内时，可根据所述偏差值，采用基于专家规则方法的反馈补偿策略，计算出所述操作变量的反馈补偿值。可以理解，反馈补偿能够对操作变量的预设定值进行校正，以补偿未知干扰的影响，从而更好地适应工况的变化。其中，反馈补偿采用专家规则方法来实现，作为一种示例，该专家规则可包括粗铜品位参数反馈补偿的专家规则、吹炼渣中铁硅比参数反馈补偿的专家规则和吹炼渣温度参数反馈补偿的专家规则。其中，每个专家规则中均包括多个反馈补偿前提(如欲反馈补偿则所需满足的条件)和每个反馈补偿前提所对应的反馈补偿结论。专家规则中的反馈补偿前提和其对应的反馈补偿结论中所涉及的具体取值可由专家经验确定。
步骤105，根据操作变量的预设定值和反馈补偿值，生成操作变量的设定值。
可选地，将操作变量的预设定值和反馈补偿值进行叠加，叠加后得到的数值确定为该操作变量的设定值，以便氧气底吹铜吹炼过程的控制系统将吹炼过程机理模型中的操作变量的参数值调整为相应的设定值，并根据该操作变量的设定值进行控制，使得氧气底吹铜吹炼过程的粗铜品位、吹炼渣中铁硅比及渣温度这三生产指标参数保持在适宜的范围及波动尽可能小。
需要说明的是，上述吹炼过程神经网络预测模型可以是预先训练得到的。例如，可利用某底吹炉铜冶炼企业的大量实际生产数据对神经网络模型进行训练，将剩余的多组数据作为测试样本进行测试，将该训练完成后的神经网络模型作为该吹炼过程神经网络预测模型。在本申请一些实施例中，如图2所示，可通过以下步骤预先建立该吹炼过程神经网络预测模型：
步骤201，获取底吹吹炼工艺之中操作变量的样本生产数据。
步骤202，将操作变量的样本生产数据输入至神经网络模型中以对样本生产指标参数进行预测，获取样本生产指标参数的样本预测值。
步骤203，获取样本生产指标参数的样本期望值，并根据样本生产指标参数的样本期望值和样本预测值生成误差值。
步骤204，根据误差值调整神经网络模型的模型参数，并对调整模型参数后的神经网络模型进行训练，将训练好的神经网络模型作为吹炼过程神经网络预测模型。
在本申请一些实施例中，该神经网络模型可采用人工神经网络模型。人工神经网络是模仿人脑生物结构及相关功能的由大量处理单元相互联系组成的非线性的信息处理系统。人工神经网络由多个人工神经元组成，其中，如图3所示，为神经元模型的示意结构。
神经元模型有R个输入，每个输入都通过一个权值w和下一层相连，f为表示输入/输出关系的传递函数。
第j个神经元模型的输入输出关系为：
yj＝f(Sj)＝f(wp+b)
其中，bj为阈值，wj,i为连接权值，x0＝bj，ωj,0＝-1，p、y分别为神经元的输入和输出，f(wp+b)为传递函数。
在本申请实施例中，该神经网络模型可为BP神经网络模型。BP神经网络是目前应用最广泛、成功的人工神经网络之一。它是一种多层网络的逆推学习算法，其学习过程由信号的正向传播和误差的反向传递两个过程组成。BP神经网络能学习大量的输入输出映射关系而无需揭示这种映射关系的明确的数学方程。
举例而言，如图4所示，BP神经网络由输入层、中间层或隐层及输出层组成。信号正向传播时，输入样本数据从输入层传入，经过隐层处理、信息变换、学习后传到输出层。若输出与期望不符，则将误差以某种形式反向传递至隐层、输入层，并在此过程中将误差分摊给各层，作为修改各处权值、阈值的依据。随着学习过程的多次进行，权值、阈值得到不断的调整，直到输出的误差减少到可接受程度或达到预定学习次数为止。
利用BP神经网络的建模机理，结合铜底吹吹炼过程工业生产大数据，构建铜底吹吹炼过程神经网络模型，利用生产大数据对模型进行训练与优化，从而可以使得该神经网络模型学习得到底吹吹炼工艺之中操作变量的样本生产数据和样本生产指标参数之间的映射关系。
在本申请的实施例中，可将通过吹炼过程神经网络预测模型对生产指标参数的预测值代替实际测量值。例如，将选择40组数据作为检测样本对吹炼过程神经网络预测模型进行检测，将吹炼过程神经网络预测模型输出的吹炼三大工艺参数预测值和实际检测值进行对比。如图5－图10所示，为吹炼三大工艺参数预测值和实际检测值进行对比及相应的误差的示意图，由图可知，粗铜品位的绝对误差在±1％之内，吹炼渣的绝对误差在±0.05之内和吹炼渣温度在±1℃之内，满足要求的工艺控制范围内，由此可见，可将通过吹炼过程神经网络预测模型对生产指标参数的预测值代替实际测量值。
由此，通过上述步骤201～步骤204即可训练得到用以预测生产指标参数的吹炼过程神经网络预测模型。通过吹炼过程神经网络预测模型对生产指标参数进行预测，将得到的预测值代替实际测量值，可以减小由于实际检测值测量延后及不规律性产生的误差。
为了提高模型预测精度，继而提高整个控制系统反馈控制的准确性，在本申请一些实施例中，在氧气底吹铜吹炼过程反馈控制过程中，可收集所述反馈控制过程中所获得的所述操作变量的实际生产数据，并根据收集到的操作变量的实际生产数据对所述吹炼过程神经网络预测模型进行优化。也就是说，吹炼过程神经网络预测模型并不是一成不变的，可收集所述反馈控制过程中所获得的所述操作变量的实际生产数据，并定期对吹炼过程神经网络预测模型进行修正，从而可以模型预测精度，继而提高整个控制系统反馈控制的准确性。
为了方便本领域技术人员更加清楚地了解本申请，下面可结合图11进行详细描述。
举例而言，假设本申请实施例的氧气底吹铜吹炼过程反馈控制方法应用于氧气底吹铜吹炼过程的控制系统。如图11所示，在第一个阶段，投产初期，由于实际生产数据较少，支撑不起吹炼过程神经网络预测模型的建立，此时可采用单一吹炼过程机理模型进行，通过实际生产数据的检测，作为反馈变量进行反馈控制，同时将生产过程中的各种参数参入数据库，收集吹炼过程神经网络预测模型建立的基础实际生产大数据。当生产一定时间积累了大量实际生产数据后，建立底吹吹炼过程神经网络预测模型，对底吹吹炼过程的粗铜品位参数、吹炼渣中铁硅比参数和吹炼渣温度参数这三大工艺参数进行预测，并与实际测量值进行对比，当满足控制系统精度要求后，切换到系统的第二阶段，即吹炼过程神经网络预测模型的预测值作为反馈变量进行反馈控制，即控制系统中的反馈控制模块根据预测值与目标值之间的偏差计算操作变量的反馈补偿值，根据该操作变量的反馈补偿值对操作变量的预设定值进行校正，以得到该操作变量(其中，该操作变量即可理解为机理模型的输入参数)的设定值，并根据该操作变量的设定值调整机理模型输入参数的设定值，以使控制系统基于该操作变量的设定值进行吹炼控制。控制系统采用了机理模型和神经网络预测模型相结合的控制策略，通过吹炼过程神经网络预测模型的预测值代替实际测量值，可以减小由于实际检测值测量延后及不规律性产生的误差。同时，在切换到第二阶段后，吹炼过程神经网络预测模型并不是一成不变的，在此过程继续收集存储在数据库中实际生产数据，并定期对吹炼过程神经网络预测模型进行修正，提高模型预测精度，继而提高整个控制系统反馈控制的准确性。
根据本申请实施例的氧气底吹铜吹炼过程反馈控制方法，获取底吹吹炼工艺的操作变量及其预设定值，并获取操作变量的实际生产数据，并将操作变量的实际生产数据输入至预先建立的吹炼过程神经网络预测模型，以得到针对生产指标参数的预测值；获取针对生产指标参数的目标值，并计算预测值与目标值之间的偏差值，当偏差值超过预设规定范围内时，根据偏差值计算操作变量的反馈补偿值，以及根据操作变量的预设定值和反馈补偿值，生成操作变量的设定值。由此，本申请吹炼过程采用机理模型和吹炼过程神经网络预测模型相结合的控制策略，通过吹炼过程神经网络预测模型的预测值代替实际测量值作为控制系统反馈值，可以减小由于实际检测值测量延后及不规律性产生的误差。另外，本申请实施例的吹炼过程神经网络预测模型可以充分扬长避短，在理论与实际应用上都具有重大意义与价值。
图12是根据本申请一个实施例的氧气底吹铜吹炼过程反馈控制装置的结构框图。如图12所示，该氧气底吹铜吹炼过程反馈控制装置1200可以包括：第一获取模块1201、第二获取模块1202、预测模块1203、偏差值计算模块1204、反馈补偿值计算模块1205和生成模块1206。
具体地，第一获取模块1201用于获取底吹吹炼工艺的操作变量及其预设定值。在本申请实施例中，操作变量包括：铜锍品位、铜锍温度、氧锍比、电解残极率和富氧率等中的一种或多种。
在本申请一些实施例中，第一获取模块1201获取操作变量的预设定值的具体实现过程可如下：以生产指标参数的目标值作为目标，依据预先建立的机理模型计算出操作变量的预设定值；其中，机理模型是采用物料平衡、能量平衡及多相平衡，运用数据建模而建立的。
在本申请实施例中，机理模型包括物料平衡模型、能量平衡模型和多相平衡模型；其中，物料平衡模型以如下公式表示：
其中，Var代表变量，Con代表常量，M代表物料，C代表物料具有的组分，E代表组分具有的元素，X代表摩尔分数，Ec,e代表特定组分中的特定元素；
和
分别代表输入项物料和输入项物料中特定物料特定组分的摩尔分数；
和
分别代表输入项物料和输入项物料中特定物料的特定组分；
和
分别代表输入项物料和输入项物料中特定物料的摩尔分数；
和
分别代表输入项物料和输入项物料中的特定物料；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分各元素之和；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分之和；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分各元素质量之和，该物料平衡模型代表底吹吹炼过程中输入项物料和输出项物料元素、组分及质量守恒，即物料守恒。
能量平衡模型以如下公式表示：
其中，ΔH298,Ai为输入项Ai标准生成焓；ΔH298,Bj为输出项Bi标准生成焓；CpAi、CpBj分别为输入项Ai、输出项Bi的热容；QLoss为过程的热损失；能量平衡模型表示底吹吹炼过程中输入项物料热量和输出项物料热量相等；
多相平衡模型以如下公式表示：
其中，
为p相中纯物质c组分的标准生成吉布斯自由能；γpc为p相中c组分的活度因子；χpc为p相中c组分的摩尔数分数；c为组分索引；p为相索引；P为相数；Cp为p相中的组分数；T为温度；R为气体普适常数；多相平衡模型表示吹炼过程中系统的吉布斯自由能达到最小。
第二获取模块1202用于获取操作变量的实际生产数据。
预测模块1203用于将操作变量的实际生产数据输入至预先建立的吹炼过程神经网络预测模型，以得到针对生产指标参数的预测值；其中，吹炼过程神经网络预测模型已学习得到对于底吹吹炼工艺之中操作变量的样本生产数据和样本生产指标参数之间的映射关系。在本申请实施例中，生产指标参数包括：粗铜品位参数、吹炼渣中铁硅比参数和吹炼渣温度参数等中的一种或多种。
在本申请一些实施例中，吹炼过程神经网络预测模型通过以下方式预先建立：获取底吹吹炼工艺之中操作变量的样本生产数据；将操作变量的样本生产数据输入至神经网络模型中以对样本生产指标参数进行预测，获取样本生产指标参数的样本预测值；获取样本生产指标参数的样本期望值，并根据样本生产指标参数的样本期望值和样本预测值生成误差值；根据误差值调整神经网络模型的模型参数，并对调整模型参数后的神经网络模型进行训练，将训练好的神经网络模型作为吹炼过程神经网络预测模型。
偏差值计算模块1204用于获取针对生产指标参数的目标值，并计算预测值与目标值之间的偏差值。
反馈补偿值计算模块1205用于在偏差值超过预设规定范围内时，根据偏差值计算操作变量的反馈补偿值。在本申请一些实施例中，反馈补偿值计算模块1205可根据所述偏差值，采用基于专家规则方法的反馈补偿策略，计算出所述操作变量的反馈补偿值。
生成模块1206用于根据操作变量的预设定值和反馈补偿值，生成操作变量的设定值。
为了提高模型预测精度，继而提高整个控制系统反馈控制的准确性，在本申请一些实施例中，该反馈控制装置还可包括：模型优化模块。其中，模型优化模块用于收集所述反馈控制过程中所获得的所述操作变量的实际生产数据，并根据收集到的操作变量的实际生产数据对所述吹炼过程神经网络预测模型进行优化。
根据本申请实施例的氧气底吹铜吹炼过程反馈控制装置，通过采用机理模型和吹炼过程神经网络预测模型相结合的控制策略，通过吹炼过程神经网络预测模型的预测值代替实际测量值作为控制系统反馈值，可以减小由于实际检测值测量延后及不规律性产生的误差。另外，本申请实施例的吹炼过程神经网络预测模型可以充分扬长避短，在理论与实际应用上都具有重大意义与价值。
为了实现上述实施例，本申请还提出了一种电子设备。
图13是根据本申请一个实施例的电子设备的结构框图。如图13所示，该电子设备1300可以包括：存储器1301、处理器1302及存储在存储器1301上并可在处理器1302上运行的计算机程序1303，处理器1302执行计算机程序1303时，实现本申请上述任一个实施例所述的氧气底吹铜吹炼过程反馈控制方法。
为了实现上述实施例，本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请上述任一个实施例所述的氧气底吹铜吹炼过程反馈控制方法。
在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，＂计算机可读介质＂可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种氧气底吹铜吹炼过程反馈控制方法，其特征在于，包括：
获取底吹吹炼工艺的操作变量及其预设定值，并获取所述操作变量的实际生产数据；
将所述操作变量的实际生产数据输入至预先建立的吹炼过程神经网络预测模型，以得到针对生产指标参数的预测值；其中，所述吹炼过程神经网络预测模型已学习得到对于所述底吹吹炼工艺之中操作变量的样本生产数据和样本生产指标参数之间的映射关系；
获取针对所述生产指标参数的目标值，并计算所述预测值与所述目标值之间的偏差值；
当所述偏差值超过预设规定范围内时，根据所述偏差值计算所述操作变量的反馈补偿值；
根据所述操作变量的预设定值和所述反馈补偿值，生成所述操作变量的设定值。
2.根据权利要求1所述的方法，其特征在于，所述操作变量包括：铜锍品位、铜锍温度、氧锍比、电解残极率和富氧率中的一种或多种；所述生产指标参数包括：粗铜品位参数、吹炼渣中铁硅比参数和吹炼渣温度参数中的一种或多种。
3.根据权利要求1所述的方法，其特征在于，所述获取底吹吹炼工艺的操作变量的预设定值，包括：
以所述生产指标参数的目标值作为目标，依据预先建立的机理模型计算出所述操作变量的预设定值；其中，所述机理模型是采用物料平衡、能量平衡及多相平衡，运用数据建模而建立的。
4.根据权利要求3所述的方法，其特征在于，所述机理模型包括物料平衡模型、能量平衡模型和多相平衡模型；其中，
所述物料平衡模型以如下公式表示：
其中，Var代表变量，Con代表常量，M代表物料，C代表物料具有的组分，E代表组分具有的元素，X代表摩尔分数，Ec,e代表特定组分中的特定元素；
和
分别代表输入项物料和输入项物料中特定物料特定组分的摩尔分数；
和
分别代表输入项物料和输入项物料中特定物料的特定组分；
和
分别代表输入项物料和输入项物料中特定物料的摩尔分数；
和
分别代表输入项物料和输入项物料中的特定物料；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分各元素之和；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分之和；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分各元素质量之和，该方程代表底吹吹炼过程中输入项物料和输出项物料元素、组分及质量守恒；
所述能量平衡模型以如下公式表示：
其中，ΔH298,Ai为输入项Ai标准生成焓；ΔH298,Bj为输出项Bi标准生成焓；CpAi、CpBj分别为输入项Ai、输出项Bi的热容；QLoss为过程的热损失；所述能量平衡模型表示底吹吹炼过程中输入项物料热量和输出项物料热量相等；
所述多相平衡模型以如下公式表示：
其中，
为p相中纯物质c组分的标准生成吉布斯自由能；γpc为p相中c组分的活度因子；χpc为p相中c组分的摩尔数分数；c为组分索引；p为相索引；P为相数；Cp为p相中的组分数；T为温度；R为气体普适常数；所述多相平衡模型表示吹炼过程中系统的吉布斯自由能达到最小。
5.根据权利要求1所述的方法，其特征在于，所述吹炼过程神经网络预测模型通过以下方式预先建立：
获取所述底吹吹炼工艺之中操作变量的样本生产数据；
将所述操作变量的样本生产数据输入至神经网络模型中以对所述样本生产指标参数进行预测，获取所述样本生产指标参数的样本预测值；
获取所述样本生产指标参数的样本期望值，并根据所述样本生产指标参数的样本期望值和所述样本预测值生成误差值；
根据所述误差值调整所述神经网络模型的模型参数，并对调整模型参数后的神经网络模型进行训练，将训练好的神经网络模型作为所述吹炼过程神经网络预测模型。
6.根据权利要求1所述的方法，其特征在于，所述根据所述偏差值计算所述操作变量的反馈补偿值，包括：
根据所述偏差值，采用基于专家规则方法的反馈补偿策略，计算出所述操作变量的反馈补偿值。
7.根据权利要求1至6中任一项所述的方法，其特征在于，还包括：
收集所述反馈控制过程中所获得的所述操作变量的实际生产数据；
根据收集到的操作变量的实际生产数据对所述吹炼过程神经网络预测模型进行优化。
8.一种氧气底吹铜吹炼过程反馈控制装置，其特征在于，包括：
第一获取模块，用于获取底吹吹炼工艺的操作变量及其预设定值；
第二获取模块，用于获取所述操作变量的实际生产数据；
预测模块，用于将所述操作变量的实际生产数据输入至预先建立的吹炼过程神经网络预测模型，以得到针对生产指标参数的预测值；其中，所述吹炼过程神经网络预测模型已学习得到对于所述底吹吹炼工艺之中操作变量的样本生产数据和样本生产指标参数之间的映射关系；
偏差值计算模块，用于获取针对所述生产指标参数的目标值，并计算所述预测值与所述目标值之间的偏差值；
反馈补偿值计算模块，用于在所述偏差值超过预设规定范围内时，根据所述偏差值计算所述操作变量的反馈补偿值；
生成模块，用于根据所述操作变量的预设定值和所述反馈补偿值，生成所述操作变量的设定值。
9.根据权利要求8所述的装置，其特征在于，所述操作变量包括：铜锍品位、铜锍温度、氧锍比、电解残极率和富氧率中的一种或多种；所述生产指标参数包括：粗铜品位参数、吹炼渣中铁硅比参数和吹炼渣温度参数中的一种或多种。
10.根据权利要求8所述的装置，其特征在于，所述第一获取模块具体用于：
以所述生产指标参数的目标值作为目标，依据预先建立的机理模型计算出所述操作变量的预设定值；其中，所述机理模型是采用物料平衡、能量平衡及多相平衡，运用数据建模而建立的。
11.根据权利要求10所述的装置，其特征在于，所述机理模型包括物料平衡模型、能量平衡模型和多相平衡模型；其中，
所述物料平衡模型以如下公式表示：
其中，Var代表变量，Con代表常量，M代表物料，C代表物料具有的组分，E代表组分具有的元素，X代表摩尔分数，Ec,e代表特定组分中的特定元素；
和
分别代表输入项物料和输入项物料中特定物料特定组分的摩尔分数；
和
分别代表输入项物料和输入项物料中特定物料的特定组分；
和
分别代表输入项物料和输入项物料中特定物料的摩尔分数；
和
分别代表输入项物料和输入项物料中的特定物料；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分各元素之和；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分之和；
和
分别表示吹炼过程中输入项物料和输出项物料中各组分各元素质量之和，所述物料平衡模型代表底吹吹炼过程中输入项物料和输出项物料元素、组分及质量守恒；
所述能量平衡模型以如下公式表示：
其中，ΔH298,Ai为输入项Ai标准生成焓；ΔH298,Bj为输出项Bi标准生成焓；CpAi、CpBj分别为输入项Ai、输出项Bi的热容；QLoss为过程的热损失；所述能量平衡模型表示底吹吹炼过程中输入项物料热量和输出项物料热量相等；
所述多相平衡模型以如下公式表示：
其中，
为p相中纯物质c组分的标准生成吉布斯自由能；γpc为p相中c组分的活度因子；χpc为p相中c组分的摩尔数分数；c为组分索引；p为相索引；P为相数；Cp为p相中的组分数；T为温度；R为气体普适常数；所述多相平衡模型表示吹炼过程中系统的吉布斯自由能达到最小。
12.根据权利要求8所述的装置，其特征在于，所述吹炼过程神经网络预测模型通过以下方式预先建立：
获取所述底吹吹炼工艺之中操作变量的样本生产数据；
将所述操作变量的样本生产数据输入至神经网络模型中以对所述样本生产指标参数进行预测，获取所述样本生产指标参数的样本预测值；
获取所述样本生产指标参数的样本期望值，并根据所述样本生产指标参数的样本期望值和所述样本预测值生成误差值；
根据所述误差值调整所述神经网络模型的模型参数，并对调整模型参数后的神经网络模型进行训练，将训练好的神经网络模型作为所述吹炼过程神经网络预测模型。
13.根据权利要求8所述的装置，其特征在于，所述反馈补偿值计算模块具体用于：
根据所述偏差值，采用基于专家规则方法的反馈补偿策略，计算出所述操作变量的反馈补偿值。
14.根据权利要求8至13中任一项所述的装置，其特征在于，还包括：
模型优化模块，用于收集所述反馈控制过程中所获得的所述操作变量的实际生产数据，并根据收集到的操作变量的实际生产数据对所述吹炼过程神经网络预测模型进行优化。
15.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1至7中任一项所述的氧气底吹铜吹炼过程反馈控制方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的氧气底吹铜吹炼过程反馈控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010754696.2A CN112083694A (zh) | 2020-07-30 | 2020-07-30 | 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010754696.2A CN112083694A (zh) | 2020-07-30 | 2020-07-30 | 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112083694A true CN112083694A (zh) | 2020-12-15 |
Family
ID=73735755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010754696.2A Pending CN112083694A (zh) | 2020-07-30 | 2020-07-30 | 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112083694A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114217592A (zh) * | 2021-12-17 | 2022-03-22 | 北京瑞太智联技术有限公司 | 一种用于铜顶吹生产过程的控制系统及方法 |
| CN117055487A (zh) * | 2023-08-24 | 2023-11-14 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
| CN117420807A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101285816A (zh) * | 2008-05-30 | 2008-10-15 | 厦门大学 | 铜锍吹炼的过程参数软测量仪表及其软测量方法 |
| CN102560143A (zh) * | 2010-12-30 | 2012-07-11 | 中国瑞林工程技术有限公司 | 铜闪速熔炼的方法以及系统 |
| CN105116726A (zh) * | 2015-07-20 | 2015-12-02 | 宁波大学 | 一种基于机理模型的非线性预测控制器的参数设计方法 |
| CN105624425A (zh) * | 2014-11-05 | 2016-06-01 | 中国科学院沈阳自动化研究所 | 一种氧气底吹铜熔炼过程智能控制方法 |
| CN110438284A (zh) * | 2019-08-26 | 2019-11-12 | 杭州谱诚泰迪实业有限公司 | 一种转炉智能出钢装置及控制方法 |
| CN111353656A (zh) * | 2020-03-23 | 2020-06-30 | 大连理工大学 | 一种基于生产计划的钢铁企业氧气负荷预测方法 |
-
2020
- 2020-07-30 CN CN202010754696.2A patent/CN112083694A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101285816A (zh) * | 2008-05-30 | 2008-10-15 | 厦门大学 | 铜锍吹炼的过程参数软测量仪表及其软测量方法 |
| CN102560143A (zh) * | 2010-12-30 | 2012-07-11 | 中国瑞林工程技术有限公司 | 铜闪速熔炼的方法以及系统 |
| CN105624425A (zh) * | 2014-11-05 | 2016-06-01 | 中国科学院沈阳自动化研究所 | 一种氧气底吹铜熔炼过程智能控制方法 |
| CN105116726A (zh) * | 2015-07-20 | 2015-12-02 | 宁波大学 | 一种基于机理模型的非线性预测控制器的参数设计方法 |
| CN110438284A (zh) * | 2019-08-26 | 2019-11-12 | 杭州谱诚泰迪实业有限公司 | 一种转炉智能出钢装置及控制方法 |
| CN111353656A (zh) * | 2020-03-23 | 2020-06-30 | 大连理工大学 | 一种基于生产计划的钢铁企业氧气负荷预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 彭晓波: "铜闪速熔炼过程智能优化方法及应用", 《中国博士学位论文全文数据库工程科技Ⅰ辑》 * |
| 曹宇博: "底吹炉铜冶炼过程智能控制技术研究与应用", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
| 李明周等: "铜闪速吹炼过程多相平衡热力学分析", 《中国有色金属学报》 * |
| 王卓等: "《面向新型铜冶炼工艺过程的智能成套测控系统研发与示范应用》", 22 November 2016 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114217592A (zh) * | 2021-12-17 | 2022-03-22 | 北京瑞太智联技术有限公司 | 一种用于铜顶吹生产过程的控制系统及方法 |
| CN117055487A (zh) * | 2023-08-24 | 2023-11-14 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
| CN117055487B (zh) * | 2023-08-24 | 2024-04-16 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
| CN117420807A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
| CN117420807B (zh) * | 2023-12-14 | 2024-03-12 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112083694A (zh) | 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 | |
| CN106249724B (zh) | 一种高炉多元铁水质量预测控制方法及系统 | |
| WO2022121944A1 (zh) | 工业过程运行指标智能预报方法、装置、设备及存储介质 | |
| CN109001979B (zh) | 基于懒惰学习的高炉铁水质量自适应鲁棒预测控制方法 | |
| CN109884892B (zh) | 基于交叉相关时滞灰色关联分析的流程工业系统预测模型 | |
| CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
| CN111554353A (zh) | 氧气底吹炉铜熔炼过程参数在线预测方法 | |
| WO2021203912A1 (zh) | 氧气底吹炉铜吹炼过程参数在线预测方法 | |
| CN101957598A (zh) | 一种大时滞系统的灰色无模型控制方法 | |
| Jiang et al. | Real-time moisture control in sintering process using offline–online NARX neural networks | |
| CN111142494B (zh) | 一种胺液再生装置的智能控制方法及系统 | |
| Srinivasan et al. | Comparison of gradient estimation methods for real-time optimization | |
| CN110609476A (zh) | 一种基于高斯过程模型的多变量非线性动态系统模型预测控制方法 | |
| CN117784852B (zh) | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 | |
| CN106610584A (zh) | 一种基于神经网络与专家系统的再制造工序质量控制方法 | |
| CN112000010A (zh) | 氧气底吹铜熔炼过程反馈控制方法、装置及电子设备 | |
| CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
| CN109782586A (zh) | 参数自整定的miso异因子紧格式无模型控制方法 | |
| CN116895341A (zh) | 一种基于端边云协同的选煤热值预测方法与系统 | |
| CN114217592A (zh) | 一种用于铜顶吹生产过程的控制系统及方法 | |
| JP2001294928A (ja) | 転炉吹錬の終点制御方法 | |
| CN103135444A (zh) | 一种钢铁生产能耗免疫预测控制模型 | |
| CN112379601A (zh) | 基于工业过程的mfa控制系统设计方法 | |
| CN115058555B (zh) | 一种转炉终点碳含量测量的智能软测量方法及系统 | |
| Zhang et al. | Reliable multi-objective on-line re-optimisation control of a fed-batch fermentation process using bootstrap aggregated neural networks |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201215 |