CN114420220A - 一种湿法炼锌中性浸出过程pH值的预测方法 - Google Patents
一种湿法炼锌中性浸出过程pH值的预测方法 Download PDFInfo
- Publication number
- CN114420220A CN114420220A CN202210088765.XA CN202210088765A CN114420220A CN 114420220 A CN114420220 A CN 114420220A CN 202210088765 A CN202210088765 A CN 202210088765A CN 114420220 A CN114420220 A CN 114420220A
- Authority
- CN
- China
- Prior art keywords
- leaching
- value
- lstm
- time
- leaching tank
- 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
- 238000002386 leaching Methods 0.000 title claims abstract description 226
- 238000000034 method Methods 0.000 title claims abstract description 185
- 230000008569 process Effects 0.000 title claims abstract description 143
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 title claims abstract description 44
- 239000011701 zinc Substances 0.000 title claims abstract description 44
- 229910052725 zinc Inorganic materials 0.000 title claims abstract description 44
- 230000007935 neutral effect Effects 0.000 title claims abstract description 24
- 238000009854 hydrometallurgy Methods 0.000 title claims abstract description 19
- 230000007774 longterm Effects 0.000 claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 239000002253 acid Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 24
- 239000000243 solution Substances 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 239000002699 waste material Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 239000006228 supernatant Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 239000011259 mixed solution Substances 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 239000012535 impurity Substances 0.000 abstract description 12
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- VTLYFUHAOXGGBS-UHFFFAOYSA-N Fe3+ Chemical compound [Fe+3] VTLYFUHAOXGGBS-UHFFFAOYSA-N 0.000 description 4
- 238000003723 Smelting Methods 0.000 description 4
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 4
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 4
- 229910001447 ferric ion Inorganic materials 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 3
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 3
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 3
- 229910052748 manganese Inorganic materials 0.000 description 3
- 239000011572 manganese Substances 0.000 description 3
- 239000002002 slurry Substances 0.000 description 3
- 239000002904 solvent Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000002562 thickening agent Substances 0.000 description 3
- NWONKYPBYAMBJT-UHFFFAOYSA-L zinc sulfate Chemical compound [Zn+2].[O-]S([O-])(=O)=O NWONKYPBYAMBJT-UHFFFAOYSA-L 0.000 description 3
- 229960001763 zinc sulfate Drugs 0.000 description 3
- 229910000368 zinc sulfate Inorganic materials 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 229910001448 ferrous ion Inorganic materials 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000007062 hydrolysis Effects 0.000 description 2
- 238000006460 hydrolysis reaction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 239000002244 precipitate Substances 0.000 description 2
- 230000001376 precipitating effect Effects 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000011787 zinc oxide Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 229940099596 manganese sulfate Drugs 0.000 description 1
- 239000011702 manganese sulphate Substances 0.000 description 1
- 235000007079 manganese sulphate Nutrition 0.000 description 1
- SQQMAOCOWKFBNP-UHFFFAOYSA-L manganese(II) sulfate Chemical compound [Mn+2].[O-]S([O-])(=O)=O SQQMAOCOWKFBNP-UHFFFAOYSA-L 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 238000010979 pH adjustment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 150000003752 zinc compounds Chemical class 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
Images
Classifications
-
- 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
-
- 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
- C22B3/04—Extraction of metal compounds from ores or concentrates by wet processes by leaching
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明提供一种湿法炼锌中性浸出过程pH值的预测方法，通过建立一个串联LSTM模块来模拟前三个级联的浸出槽的工艺拓扑，利用串联的LSTM模块捕获浸出过程与pH值存在的短期时序关系；最后利用自注意力机制捕获浸出过程与pH值存在的长期时序关系，再融合浸出过程与pH值的短期时序关系与短期时序关系，经过计算，得到预测模型。该预测模型用于湿法炼锌中性浸出过程的pH值预测，预测结果非常接近实际值，相比于现有的预测方法，预测精度得到明显改善，有利于改善后续的优化控制和过程检测，提高浸出率和除杂率等，更好地满足工艺生产要求。
Description
技术领域
本发明属于湿法浸出领域，特别涉及一种湿法炼锌中性浸出过程pH值的预测方法。
背景技术
浸出是指以稀硫酸为溶剂，保持适当的酸度、温度、压力和其他条件，将含锌物质(如锌焙砂、烟尘、锌浸渣等)中的锌化合物作为硫酸锌溶解到溶液中，与不溶性固体形成残渣的过程。浸出过程最为重要的指标为浸出率和除杂率。而pH值的稳定控制在合理的范围内，就能保证浸出率和除杂率满足工艺生产要求。由于浸出过程是个大时滞系统，当前pH值不能反应当前反应器的工艺状态，因而准确的pH值预测对后续的优化控制具有重大意义。
由于原料波动和浸出槽动态特性、时序关系复杂等原因，浸出过程尾槽pH值波动剧烈。操作人员仅仅根据当前下料以及pH值调节废酸添加量，导致pH值得稳定性极大地取决于操作人员地工作经验，并且现场复杂恶劣的生产环境，pH值测量仅仅靠人工由试纸测量，信息存在滞后导致调节不准确，进一步导致pH调节困难。
Long S等人提供了一种机理与数据融合的pH值预测模型，在该示例中，研究人员首先根据浸出过程的特点，结合物料平衡方程，建立了尾槽pH值与各过程变量的机理模型。再根据历史数据划分不同的工业运行状态，利用自适应模糊推理系统建立了不同工况下pH值与过程数据的数据模型。将机理模型与数据模型的结果相融合以得到最终的pH值预测值。
Yuan X等人提供了一种有效的工业过程软测量建模方法，对于每个不同的时刻，利用一种双重注意力机制对该时刻的变量以及时间步赋予权重，选出重要的时刻以及变量进行建模，更具有可解释性。
对于第一种示例所给出的预测方法存在一定的局限性。首先，浸出过程是个复杂的大时滞非线性过程，简化的机理模型不能够反应复杂工业过程的不确定性，模型可能会失准。基于自适应模糊推理系统建立的数据模型是一种静态的方法，没考虑过程的时变动态性，没能取得很好的效果。第二种示例给出的方法太过于理论，由于生产情况复杂等因素难以投运。
某冶炼厂的中性浸出过程工艺流程图如附图1所示，从图中可以看出中性浸出过程主要由5个级联的搅拌反应器(浸出槽)构成，浸出槽之间呈阶梯式排布，每个浸出槽的入口位于上部，与出口有1米左右的高度差，浸出槽出入口之间通过溜槽连接。中性浸出上清液、混合液、锰矿浆等溶剂在溜槽中混合后流入1号浸出槽，锌焙砂通过皮带秤持续地加入浸出槽中，1号和2号反应器通过添加废酸溶解锌焙砂。为了保证生产过程的浸出温度，每个浸出槽内部都持续通入蒸汽。为了保证生产计划，前三槽的下料是由调度决定的，通过控制1号和2号的废酸添加量使得锌焙砂和废酸发生中和反应生成硫酸锌，使得锌尽可能地溶解，因此前三槽主要是起溶解作用；同时为了进一步把亚铁离子氧化成铁离子，通常在后两槽中通入过量的氧气，通过微调4号和5号浸出槽的焙砂添加量使得5号出口pH在4.8～5.2之间，为溶液中的杂质离子(铁离子和硅酸盐等)发生水解沉淀反应，提供一个稳定的析出环境。最终5号出口矿浆经过浓密机沉淀，上清液送至净化工序进行进一步地除杂，而沉淀则送入酸性浸出工序。
为使得中性浸出过程的工业指标—锌浸出率和除杂率达标，具体的控制目标为保持5号浸出槽出口pH在4.8～5.2之间。而根据现场调研，只要将3号pH值控制在3～3.5之间，则不需要后续任何操作即可保证5号pH在4.8～5.2之间，否则需要微调4号和5号的焙砂添加量来控制5#pH。为了监测生产过程中的pH值信息，常在浸出槽出口安pH在线检测装置，由于1号～3号为主要的下料槽，前2个下料槽氢离子浓度太高，因此3号槽出口的溶液氢离子浓度才能用pH表示，故将pH检测装置安装在3号浸出槽出口位置。由于浸出入口条件(废酸、混合液流量)波动大、滞后大，非线性强导致3号槽出口pH值波动剧烈，因此对3号槽出口pH值进行一个准确的估计为后续的优化控制和过程检测有着重大意义。
本发明主要解决的问题是：浸出过程3号浸出槽出口pH值准确估计问题。
发明内容
本发明的目的在于，针对现有的湿法炼锌浸出过程pH值预测方法存在的问题，提供一种湿法炼锌中性浸出过程pH值的预测方法，该预测方法能够获得准确度更高的预测pH值。
本发明针对浸出过程的工艺流程特点结合深度学习技术建立了准确的pH值预测模型。
通过对浸出工艺过程进行分析，得出了浸出过程pH值与其他过程数据存在着一个长短期时序依赖关系。首先根据浸出过程的平均流量以及每个反应器的体积，计算得出溶液在每个反应器的平均停留时间，得到模型输入的序列长度(即基于这么长的历史数据进行预测，此乃工艺特点)；然后建立了一个串联LSTM模块(深度学习技术)来模拟前三个级联的浸出槽(工艺拓扑)，利用串联的LSTM模块捕获浸出过程存在的短期时序关系；最后利用注意力机制(深度学习技术)解决了浸出过程长期依赖关系，即利用自注意力机制捕获浸出过程存在的长期时序关系。
为实现以上目标和解决上述技术问题，本发明采用如下的技术方案：
一种湿法炼锌浸出过程pH值的预测方法，包括：
S1、确定各浸出槽的过程变量，作为预测模型的输入参数；
S2、确定溶液在各浸出槽的停留时间，进而确定各浸出槽相对于检测位点(即第三个浸出槽出口处)的滞后时间，作为预测模型的输入时域；
S3、采用三个级联的LSTM模拟三个串联的浸出槽的浸出过程，得到三个LSTM的输出特征序列，并将第三个LSTM的输出特征序列作为浸出过程对pH值的短期时序影响；
S4、将三个级联的LSTM的输出特征序列先分别进行位置编码，再把三个输出特征序列在时间维度进行拼接，然后进行自注意力机制的计算，将所获得的结果作为浸出过程对pH值的长期时序影响；
S5、将步骤3和步骤4分别提取的浸出过程对pH值的短期时序影响和长期时序影响相加融合，经LayerNorm归一化处理后，进行线性回归计算获得pH值的预测结果。
进一步地，步骤S1中，所述浸出槽1的过程变量包括：单位时间进入浸出槽1的锌焙砂量M1#(单位为t/h)、浸出槽1的废酸流量
(单位为m3/h)、为浸出槽1的混合液流量Fmix(单位为m3/h)和浸出槽1的酸浸上清液流量Fsup(单位为m3/h)；所述浸出槽2的过程变量包括：单位时间进入浸出槽2的锌焙砂量M2#(单位为t/h)、浸出槽2的废酸流量
(单位为m3/h)；所述浸出槽3的过程变量包括：单位时间进入浸出槽3的锌焙砂量M3#(单位为t/h)、浸出槽3出口的实测pH值大小y。
进一步地，步骤S2中，所述各浸出槽相对于检测位点的滞后时间的确定方法为：所述浸出槽的体积为V，溶液的平均流量为F，单个浸出槽的停留时间为Tlag＝V/F，因此浸出槽1、浸出槽2、浸出槽3相对于检测位点的滞后时间分别为3Tlag、2Tlag和Tlag。
进一步地，步骤S3中，根据步骤1确定的各浸出槽的过程变量，作为各LSTM的输入变量，根据步骤2确定的各浸出槽相对于检测位点的滞后时间作为各对应LSTM的输入序列长度，然后根据第一个LSTM某个时刻的输入变量和隐藏状态，递归地求出第一个LSTM下一个时刻的输出以及其隐藏状态，其中第一个LSTM所有时刻的输出构成第一个LSTM的输出特征系列；将第一个LSTM的最后一个时刻的隐藏状态作为第二个LSTM的初始隐藏状态，根据第二个LSTM的每个时刻的输入变量递归求出第二个LSTM下一个时刻的输出和隐藏状态，其中第二个LSTM所有时刻的输出构成第二个LSTM的输出特征系列；将第二个LSTM的最后一个LSTM的最后一个时刻的隐藏状态作为第三个LSTM单元的初始隐藏状态，根据第三个LSTM的每个时刻的输入变量递归的求出第三个LSTM下一个时刻的输出以及隐藏状态，其中第三个LSTM所有时刻的输出构成第三个LSTM的输出特征系列；将获得的第三个LSTM的输出特征序列作为提取的浸出过程对pH值的短期时序影响。
进一步地，所述步骤S4包括：利用sin和cos函数给三个级联的LSTM的输出进行位置编码，将编码后的三个输出序列在时间维度进行拼接，得到自注意力机制计算的输入序列Y，将Y映射为查询矩阵Q、权重矩阵K和价值矩阵V，根据查询矩阵Q和权重矩阵K计算权重系数，再根据权重系数对价值矩阵V进行加权求和，获得自注意力机制计算的输出，作为浸出过程对pH值的长期时序影响。
进一步地，步骤S4中，进行多次自注意力机制的计算来更好地提取浸出过程对pH值的长期时序影响，计算的次数由试错法得到。
进一步地，步骤S5中，在采用预测模型预测pH值前，还包括对所述预测模型进行训练的步骤；所述训练的步骤包括：将训练集中实际的pH值数据和模型所预测的pH值数据求均方误差，利用梯度下降法求解获取使均方误差最小的参数以此来更新模型，训练达到收敛(均方误差不再下降)即可停止训练，即可得到训练好的模型用于预测。即通过最小化训练集预测值与真实值的平均平方误差
来更新整个网络参数，其中yp(t)为tmin时刻的浸出槽3的出口pH预测值，y(t)为t时刻浸出槽3的实测pH值。N是训练集所有的样本个数。
进一步地，步骤S3中具体的计算过程包括：
第一个LSTM各时刻的输出及隐藏状态的计算为：
联合公式(1)和(2)，得到第一个浸出槽输出特征为：
其中
代表i时刻来自浸出槽1的所有变量，当i取值1时，
取值为x1#，且
i取值1时对应的隐藏状态为0；
为浸出槽1在i时刻的输出，
为浸出槽1在i时刻的隐藏状态；Y1#为浸出槽1的输出特征序列；
第二个LSTM各时刻的输出及隐藏状态的计算为：
联合公式(3)和(4)，第二个浸出槽的输出特征序列为：
其中
代表i时刻来自于2号槽的所有变量；当i取值为Tlag时，
取值为x2#，且
为浸出槽2在i时刻的输出，
为浸出槽2在i时刻的隐藏状态；Y2#为浸出槽2的输出特征序列；
第三个LSTM各时刻的输出及隐藏状态的计算为：
联合公式(5)和(6)，第三个浸出槽的输出特征序列为：
其中
代表i时刻来自于3号槽的所有变量；当i取值为2Tlag时，
取值为x3#，且x3#＝{M3#，y}；
为浸出槽3在i时刻的输出，
为浸出槽3在i时刻的隐藏状态；Y3#为浸出槽3的输出特征序列；
所得Y3#为浸出过程对pH值的短期时序影响。
进一步地，步骤S4中具体的计算过程包括：
Yi#′＝Yi#+PE(Yi#)，i#＝1，2，3 (7)；
PE(pos，2i)＝sin(pos/10002i/dim) (8)；
PE(pos，2i+1)＝cos(pos/10002i/dim) (9)；
其中，PE()代表位置编码函数，其中pos代表输入序列的第pos个时刻，i代表序列的第i个特征维度，dim表示整个序列特征的维度；
联立公式(7)、(8)和(9)，计算获得Y1#′、Y2#′和Y3#′；
将Y1#′、Y2#′和Y3#′拼接得到Y＝[Y1#′，Y2#′，Y3#′]，
采用Y序列进行线性映射得到自注意力机制的输入Q、K和V三个矩阵：
Q＝WQY，K＝WKY，V＝WV； (10)
其中，WQ，WK和WV都是线性变换矩阵，而Q，K和V的维度均为
采用如下公式进行自注意力计算：
其中，QKT为Q与K的点积；
联合公式(10)和(11)，得到
再利用如下公式(13)计算N次，
Y＝LayNorm(Att(Y)+Y) (13)
将计算N次后所得Y为浸出过程对pH值的长期时序影响。
进一步地，步骤S5具体的计算过程包括：
YF＝LayNorm(Y3#+Y)； (14)
yp(t+30)＝Linear(YF)； (15)
其中Y3#为浸出过程对pH值的短期时序影响，Y为浸出过程对pH值的长期时序影响，YF是浸出过程对pH值的短期时序影响和长期时序影响相加融合后的特征。
联立公式(14)和(15)，得到预测模型
yp(t+τ)＝fp([x(t-T)，x(t-T+1)，…，x(t)]，[y(t-T)，y(t-T+1)，…，y(t)])。
与现有技术相比，本发明具有以下有益效果：
本发明通过对浸出工艺过程进行分析，得出了浸出过程pH值与其他过程数据存在着一个长短期时序依赖关系，首先根据浸出过程的平均流量以及每个反应器的体积，计算得出溶液在每个反应器的平均停留时间，得到模型输入的序列长度(即基于这么长的历史数据进行预测，此乃工艺特点)；然后建立了一个串联LSTM模块(深度学习技术)来模拟前三个级联的浸出槽(工艺拓扑)，利用串联的LSTM模块捕获浸出过程与pH值存在的短期时序关系；最后利用注意力机制(深度学习技术)解决了浸出过程长期依赖关系，即利用自注意力机制捕获浸出过程与pH值存在的长期时序关系，再融合浸出过程与pH值的短期时序关系与短期时序关系，经过计算，得到预测模型。将该预测模型用于湿法炼锌中性浸出过程的pH值预测时，发现预测结果非常接近实际值，相比于现有的预测方法，预测精度得到明显改善，有利于改善后续的优化控制和过程检测，提高浸出率和除杂率等，更好地满足工艺生产要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为锌焙砂的中性浸出过程的工艺流程图。
图2为融合流程特性的pH值预测模型。
图3为本发明中三个串联的LSTM的结构图。
图4为本发明实施例1中的预测方法与普通LSTM的预测结果对比图。
具体实施方式
为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本文发明做更全面、细致地描述，但本发明的保护范围并不限于以下具体实施例。
某冶炼厂的中性浸出过程工艺流程图如附图1所示，从图中可以看出中性浸出过程主要由5个级联的搅拌反应器(浸出槽)构成，浸出槽之间呈阶梯式排布，每个浸出槽的入口位于上部，与出口有1米左右的高度差，浸出槽出入口之间通过溜槽连接。酸浸上清液、混合液、锰矿浆等溶剂在溜槽中混合后流入1号浸出槽，锌焙砂通过皮带秤持续地加入浸出槽中，1号和2号反应器通过添加废酸溶解锌焙砂。
其中：
锌焙砂：来源于焙烧工序，锌的氧化物，也是主要的溶解物，同时还包括一些含有杂质离子的硫酸盐、硅酸盐和铁酸盐，这些杂质离子也溶解至溶液中，对后续工序产生一定的影响；
废酸：电解过程产生的溶液，溶质主要是硫酸，主要用于与锌焙砂中和；
混合液：来自冶炼厂各工序的生产后液(即废液)的混合；
酸浸上清液：酸性浸出过程经浓密机过滤后的澄清溶液；
锰矿浆：配制的含有溶质硫酸锰的矿浆，主要用于氧化溶液中的亚铁元素，硫元素。
为了保证生产过程的浸出温度，每个浸出槽内部都持续通入蒸汽。为了保证生产计划，前三个槽的下料是由调度决定的，通过控制1号槽和2号槽的废酸添加量使得锌焙砂和废酸发生中和反应生成硫酸锌，使得锌尽可能地溶解，因此前三个浸出槽主要是起溶解作用；为了进一步把亚铁离子氧化成铁离子，通常在后两槽中通入过量的氧气，通过微调4号和5号浸出槽的焙砂添加量使得5号出口pH在4.8～5.2之间，为溶液中的杂质离子(铁离子和硅酸盐等)发生水解沉淀反应，提供一个稳定的析出环境。最终5号出口矿浆经过浓密机沉淀，上清液送至净化工序进行进一步地除杂，而沉淀则送入酸性浸出工序。为使得中性浸出过程的工业指标-锌浸出率和除杂率达标，具体的控制目标为保持5号浸出槽出口pH在4.8～5.2之间。根据现场调研，只要将3号槽pH值控制在3～3.5之间，则不需要后续任何操作即可保证5号槽的pH在4.8～5.2之间，否则需要微调4号和5号的焙砂添加量来控制5号槽的pH。为了监测生产过程中的pH值信息，常在浸出槽出口安pH在线检测装置(在3号槽和5号槽出口安装pH在线检测装置)，由于1号～3号为主要的下料槽，且前两个浸出槽的氢离子浓度太大，只有3号槽出口的溶液浓度才能用pH表示，故将pH检测装置安装在3号浸出槽出口位置。由于浸出入口条件(废酸、混合液流量)波动大、滞后大，非线性强导致3号槽出口pH值波动剧烈，因此对3号槽出口pH值进行一个准确的估计为后续的优化控制和过程检测有着重大意义。
本发明针对浸出过程3号浸出槽出口DH值难以进行准确预测的问题，提供一种融合流程工艺特点的浸出过程pH值的准确预测方法，采用单位时间进入1-3号浸出槽的锌焙烧量(单位为t/h)、1-2号浸出槽的废酸添加流量(单位为m3/h)、混合液添加流量(单位为m3/h)、酸浸上清液流量(单位为m3/h)和3号槽历史出口实测pH值对未来某一时刻3号槽出口pH值进行预测；
结合附图1，首先对本发明所用到的变量给出定义：M1#、M2#和M3#分别为单位时间内进入1号浸出槽、2号浸出槽和3号浸出槽锌焙砂量，单位为t/h；
和
分别为1号浸出槽和2号浸出槽的废酸添加流量，单位为m3/h；Fmix为1号槽的混合液添加流量，单位为m3/h；Fsup为1号槽的酸浸上清液流量，单位为m3/h；y则代表3号槽出口pH值实测大小，无量纲。
一种融合工艺拓扑的浸出过程pH值预测的方法，采用上述定义的过去一段时间的变量，对未来某一时刻的3号出口pH值进行预测(预测就是基于过去一段时间的数据对未来的数据进行估计)。
再给出以下定义：
表示所有过程变量(不包括pH值)且x(t)代表t时刻过程变量，y表示3号出口pH值且y(t)代表t时刻3号出口pH值。
且
代表t时刻来自于1号槽的所有变量，
且
代表t时刻来自于2号槽的所有变量，x3#＝{M3#，y}且
代表t时刻来自于3号槽的所有变量。下面给出每次预测的形式：
yp(t，τ)＝fp(τ，xt-T：t，yt-T：t)
yp(t，τ)表示t+τ时刻的pH预测值，fp()代表预测模型，xt-T：t代表t-T时刻到t时刻的所有过程变量集合，yt-T：t代表t-T时刻到t时刻的所有pH值集合，我们采用滚动预测的方法进行预测，也就是要预测yp(t，τ+1)，我们假定xt-T：t+1和yt-T：t+1已知。由于现场的控制周期为30min一次，因此τ取30，即预测30分钟之后的pH值，下面步骤将给出具体的建模方法。
假设我们当前位于t时刻，我们利用过去一段时间T(也就是t-T时刻到t时刻的过程变量作为已知量)，对未来t+τ时刻的pH预测值进行预测，具体用公式可以表述为：
yp(t+τ)＝fp([x(t-T)，x(t-T+1)，…，x(t)]，[y(t-T)，y(t-T+1)，…，y(t)])
其中yp(t+τ)表示t+τ时刻的pH预测值，fp()代表预测模型，[x(t-T)，x(t-T+1)，…，x(t)]代表t-T时刻到t时刻的所有过程变量集合，其中取值是以1min为单位进行定期取值，[y(t-T)，y(t-T+1)，…，y(t)]代表t-T时刻到t时刻的所有pH值集合。由于实际的控制周期一般在30分钟，因此我们取τ为30，即对30分钟之后的pH值进行预测，而预测模型fp()和输入时域T会在下述步骤给出，预测模型的建立参见图2所示。
第一步，给出输入时域T，首先计算溶液在单个反应器的停留时间，也就是溶液从反应器流入到流出的时间，单个反应器的体积V＝350m3，取溶液的平均流量为F＝700m3/h，因此单个反应器的停留时间为Tlag＝V/F。因此1号反应器，2号反应器，3号反应器相对于检测位点的滞后时间分别为3Tlag，2Tlag，Tlag即90min，60min和30min。也就是说当前t时刻3号槽出口pH值，受到90min前也就是(t-90到t)的1号反应器变量的影响，受到60min前(t-60到t)的2号反应器变量的影响，受到30min前(t-30到t)的3号反应器的影响。因此我们取最大的3Tlag作为预测模型fp()的输入时域T。
第二步，浸出过程由若干个串联的反应槽构成，如图1所示，由于最后一个反应槽离检测点近，滞后时间短，对pH值影响迅速，因此提取时间序列中的短期依赖关系十分重要。如附图2所示，利用三个级联的长短时记忆网络(串联LSTM)模拟浸出系统中前三个浸出反应器的浸出过程拓扑结构。三个LSTM的输入序列长度分别为第一步所求的滞后时间大小，即第一个LSTM的序列长度为3Tlag，第二个LSTM的序列长度为2Tlag，第三个LSTM的序号长度为Tlag，且第一、二、三个LSTM的输入变量分别为
具体计算步骤如下：
对于串联LSTM的具体结构见附图3，其中前两个是LSTM编码器，第三个是LSTM解码器，相邻LSTM之间的连接向量为前一个LSTM最后一个时刻的隐藏状态。
对于第一个LSTM编码器，每个时刻输入当前时刻i的输入变量
以及上一个时刻的隐藏状态
(隐藏状态代表对过去时刻有用信息的记录，会一直往下传递)，得到当前时刻的隐藏状态
输出
其中初始时刻的输出状态及隐藏状态由初始时刻的输入变量求取(不存在上一个时刻的隐藏状态)。那么对于第一个LSMT解码器的所有时刻的隐藏状态以及输出可以由输入序列
逐步编码得到：
其中f()是非线性函数，进而得到第一个浸出槽输出特征为
将第一个LSTM编码器最后一个时刻的隐藏状态
表示去初始化第二个LSTM编码器，以此模拟浸出槽之间的信息流向，那么第二个浸出槽的输出特征
可以由以下表达式逐步得到：
最后，同理可得：
我们将第三个LSTM解码器输出得到的输出特征序列
视为浸出过程对pH值的短期时序依赖关系捕获。
步骤三，浸出属于流程工艺，浸出过程是一个大时滞系统，前2个反应槽距离pH检测点远，因此对pH值的影响较为滞后，此步骤采用自注意力机制用于提取时间序列中的长期依赖关系，即提取浸出过程对pH值的长期时序影响。由于自注意力机制是把序列两两做点积，没有考虑序列中的时序关系，因此首先要给输入序列进行位置编码以添加时序上的相关性，如图2所示，首先将步骤2中前3个浸出槽的输出特征序列经过位置编码，即利用sin和cos函数给三个级联的LSTM的输出进行位置编码，可得：
Yi#′＝Yi#+PE(Yi#)，i#＝1，2，3 (7)
PE(pos，2i)＝sin(pos/10002i/dim) (8)
PE(pos，2i+1)＝cos(pos/10002i/dim) (9)
PE()代表位置编码函数，其中pos代表输入序列的第pos个时刻，i代表序列的第i个特征维度，dim表示整个序列特征的维度。(以
为例，
(假设取4个维度，即dim＝4)那么对
(pos＝1)进行位置编码为
cos(1/10000/4)，sin(1/10002/n)，cos(1/10002/n)}，
cos(2/10000/n)，sin(2/10002/n)，cos(2/10002/n)}…)之后将经过编码后的三个输出序列在长度维度(即时间维度)进行拼接得到，得到自注意力机制计算的输入序号Y，即Y＝[Y1#′，Y2#′，Y3#′]，再对Y来进行自注意力计算。
经典的自注意力机制的输入包含Q，K，V三个矩阵，他们都是由上述Y序列经过下式进行线性映射而得到的，其中Q为查询矩阵，K为权重矩阵，V为价值矩阵，
Q＝WQY，K＝WKY，V＝WV (10)
其中，WQ，WK和WV都是线性变换矩阵，而Q，K和V的维度均为
自注意力计算公式如下：
首先根据查询矩阵Q和权重矩阵K计算权重系数，即先计算Q与K的点积(QKT)，所得结果除以一个归一化参数，再通过softmax()激活函数进而得到一个权重矩阵，再根据权重系数对价值矩阵V进行加权求和，即将所得结果与V相乘相当于对V进行加权，最终结果即为一层自注意力机制的计算结果。
将上述公式(10)和公式(11)进行合并得
一般为了进一步提高特征提取的能力，我们进行N层自注意力机制的计算，N通过试错法确定，即公式Y＝LayNorm(Att(Y)+Y)计算N次，LayNorm()是一种归一化函数，Att()代表一层的自注意力计算。经过计算得到的最终Y向量为最终提取的浸出过程长期特征，即为浸出过程对pH值的长期时序影响Y。
步骤四，将步骤二得到的短期过程特征即浸出过程对pH值的短期时序影响Y3#和步骤四所得的长期过程特征即浸出过程对pH值的长期时序影响Y进行相加融合：
TF＝LayNorm(Y3#+Y) (13)
再通过一个线性回归层进行运算得到最终的预测结果：
yp(t+30)＝Linear(YF)； (14)
联立公式(13)和公式(14)得到预测模型：
yp(t+τ)＝fp([x(t-T)，x(t-r+1)，…，x(t)]，[y(t-T)，y(t-T+1)，…，y(t)])；
其中，yp(t+30)为t+30min时刻的3号出口pH预测值，而Linear()代表线性回归层。我们通过最小化预测值与真实值的平方误差mse＝(yp(t+30)-y(t))2来更新整个网络参数。
实施例1
将该方法应用于某冶炼厂的锌冶浸出过程实际数据，具体的预测步骤如下表所示：
表1.算法流程
为了体现该发明的优越性，我们取实际的4200组数据作为训练模型，1800组进行模型测试，我们将训练好的深度pH模型与普通LSTM在测试集上比较，具体对比效果如图4所示：由图4可知，本实施例的深度pH预测方法所得预测结果拟合效果较好，能够更好的跟随实际值，因为此发明将深度学习和技术和工艺过程有机结合起来，充分提取了过程的长短期依赖关系。为了具体体现所提方法的优越性，采用均方根误差(RMSE)和决定系数(R2)对模型进行评价，结果如表2所示，其中RMSE是均方根误差，越小代表模型精度越高；决定系数是R2，取值是0到1之间，越接近1说明模型预测的曲线的形状越接近实际值，从表中可看出，实施例的预测方法预测的结果更接近实测pH值，可见，本发明的预测方法预测精度更高。
表2:所提方法与LSTM的对比
| 模型 | RMSE | R<sup>2</sup> |
| LSTM | 0.1092 | 0.7752 |
| 实施例1的预测方法 | 0.0510 | 0.9501 |
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种湿法炼锌中性浸出过程pH值的预测方法，其特征在于，包括：
S1、确定各浸出槽的过程变量；
S2、确定溶液在各浸出槽的停留时间，进而确定各浸出槽相对于检测位点的滞后时间，作为预测模型的输入时域；
S3、采用级联的三个LSTM模拟前三个串联的浸出槽的浸出过程，得到三个LSTM的输出特征序列，并将第三个LSTM的输出特征序列作为浸出过程对pH值的短期时序影响；
S4、将级联的三个级联的LSTM的输出特征序列先分别进行位置编码，再把三个LSTM的输出特征序列在时间维度进行拼接，然后进行自注意力机制的计算，将所获得的结果作为浸出过程对pH值的长期时序影响；
S5、将步骤3和步骤4分别提取的浸出过程对pH值的短期时序影响和长期时序影响相加融合，经LayerNorm归一化处理后，进行线性回归计算，获得湿法炼锌中性浸出过程的pH值预测模型yp(t+τ)＝fp([x(t-T)，x(t-T+1)，...，x(t)]，[y(t-T)，y(t-T+1)，...，y(t)])，再利用该预测模型来预测pH值。
2.如权利要求1所述的湿法炼锌中性浸出过程pH值的预测方法，其特征在于，步骤S1中，浸出槽1的过程变量包括：单位时间进入浸出槽1的锌焙砂量M1#、浸出槽1的废酸流量
浸出槽1的混合液流量Fmix和浸出槽1的酸浸上清液流量Fsup；浸出槽2的过程变量包括：单位时间进入浸出槽2的锌焙砂量M2#、浸出槽2的废酸添加流量
浸出槽3的过程变量包括：单位时间进入浸出槽3的锌焙砂量M3#、浸出槽3出口的实测pH值大小y。
3.如权利要求1所述的湿法炼锌中性浸出过程pH值的预测方法，其特征在于，步骤S2中，所述各浸出槽相对于检测位点的滞后时间的确定方法为：所述浸出槽的体积为V，溶液的平均流量为F，单个浸出槽的停留时间为Tlag＝V/F，因此浸出槽1、浸出槽2、浸出槽3相对于检测位点的滞后时间分别为3Tlag、2Tlag和Tlag。
4.如权利要求1所述的湿法炼锌中性浸出过程pH值的预测方法，其特征在于，步骤S3中，根据步骤S1确定的各浸出槽的过程变量，作为各对应LSTM的输入变量，根据步骤S2确定的各浸出槽相对于检测位点的滞后时间作为各LSTM的输入序列长度，然后根据第一个LSTM某个时刻的输入变量和隐藏状态，递归地求出第一个LSTM下一个时刻的输出以及其隐藏状态，其中第一个LSTM所有时刻的输出构成第一个LSTM的输出特征系列；将第一个LSTM的最后一个时刻的隐藏状态作为第二个LSTM的初始隐藏状态，根据第二个LSTM的每个时刻的输入变量递归求出第二个LSTM下一个时刻的输出和隐藏状态，其中第二个LSTM所有时刻的输出构成第二个LSTM的输出特征系列；将第二个LSTM的最后一个LSTM的最后一个时刻的隐藏状态作为第三个LSTM单元的初始隐藏状态，根据第三个LSTM的每个时刻的输入变量递归的求出第三个LSTM下一个时刻的输出以及隐藏状态，其中第三个LSTM所有时刻的输出构成第三个LSTM的输出特征系列，将获得的第三个LSTM的输出特征序列作为提取的浸出过程对pH值的短期时序影响。
5.如权利要求1所述的湿法炼锌中性浸出过程pH值的预测方法，其特征在于，所述步骤S4包括：利用sin和cos函数给级联的三个LSTM的输出进行位置编码，将编码后的三个输出序列在时间维度进行拼接，得到自注意力机制计算的输入序列Y，将Y映射为查询矩阵Q、权重矩阵K和价值矩阵V，根据查询矩阵Q和权重矩阵K计算权重系数，再根据权重系数对价值矩阵V进行加权求和，获得自注意力机制计算的输出，作为浸出过程对pH值的长期时序影响。
6.如权利要求5所述的湿法炼锌中性浸出过程pH值的预测方法，其特征在于，步骤S4中，进行多次自注意力机制的计算来更好地提取浸出过程对pH值的长期时序影响，计算的次数由试错法得到。
7.如权利要求1所述的湿法炼锌中性浸出过程pH值的预测方法，其特征在于，步骤S5中，在采用预测模型预测pH值前，还包括对所述预测模型进行训练的步骤；所述训练的步骤包括：将训练集中实际的pH值数据和模型所预测的pH值数据求均方误差，利用梯度下降法求解使得均方误差最小的参数以此来更新模型，待均方误差不再下降即可停止训练。
8.如权利要求4所述的湿法炼锌中性浸出过程pH值的预测方法，其特征在于，步骤S3中具体的计算过程包括：
第一个LSTM各时刻的输出及隐藏状态的计算为：
联合公式(1)和(2)，得到第一个浸出槽输出特征序列为：
其中
代表i时刻来自浸出槽1的所有变量；
为浸出槽1在i时刻的输出，
为浸出槽1在i时刻的隐藏状态；Y1#为浸出槽1的输出特征序列；
第二个LSTM各时刻的输出及隐藏状态的计算为：
联合公式(3)和(4)，得到第二个浸出槽的输出特征序列为：
其中
代表i时刻来自于2号槽的所有变量；
为浸出槽2在i时刻的输出，
为浸出槽2在i时刻的隐藏状态；Y2#为浸出槽2的输出特征序列；
第三个LSTM各时刻的输出及隐藏状态的计算为：
联合公式(5)和(6)，得到第三个浸出槽的输出特征序列为：
其中
代表i时刻来自于3号槽的所有变量；
为浸出槽3在i时刻的输出，
为浸出槽3在i时刻的隐藏状态；Y3#为浸出槽3的输出特征序列；
所得Y3#为浸出过程对pH值的短期时序影响。
9.如权利要求5所述的湿法炼锌中性浸出过程pH值的预测方法，其特征在于，步骤S4具体的计算过程包括：
Yi#′＝Yi#+PE(Yi#)，i#＝1，2，3 (7)；
PE(pos，2i)＝sin(pos/10002i/dim) (8)；
PE(pos，2i+1)＝cos(pos/10002i/dim) (9)；
其中，PE()代表位置编码函数，其中pos代表输入序列的第pos个时刻，i代表序列的第i个特征维度，dim表示整个序列特征的维度；
联立公式(7)、(8)和(9)，计算获得Y1#′、Y2#′和Y3#′；
将Y1#′、Y2#′和Y3#′拼接得到Y＝[Y1#′，Y2#′，Y3#′]，
采用Y序列进行线性映射得到自注意力机制的输入Q、K和V三个矩阵：
Q＝WQY，K＝WKY，V＝WV； (10)
其中，WQ，WK和WV都是线性变换矩阵，而Q，K和V的维度均为
采用如下公式进行自注意力计算：
其中，QKT为Q与K的点积；
联合公式(10)和(11)，得到
再利用如下公式(13)计算N次，
Y＝LayNorm(Att(Y)+Y) (13)
将计算N次后所得Y为浸出过程对pH值的长期时序影响。
10.如权利要求5所述的湿法炼锌浸出过程pH值的预测方法，其特征在于，步骤S5具体的计算过程包括：
YF＝LayNorm(Y3#+Y)； (14)
yp(t+30)＝Linear(YF)； (15)
其中Y3#为浸出过程对pH值的短期时序影响，Y为浸出过程对pH值的长期时序影响，YF是浸出过程对pH值的短期时序影响和长期时序影响相加融合后的特征；yp(t+30)为t+30min时刻的浸出槽3的出口pH预测值；
联立公式(14)和(15)，得到预测模型
yp(t+τ)＝fp([x(t-T)，x(t-T+1)，...，x(t)]，[y(t_T)，y(t-T+1)，...，y(t)])。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210088765.XA CN114420220B (zh) | 2022-01-25 | 2022-01-25 | 一种湿法炼锌中性浸出过程pH值的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210088765.XA CN114420220B (zh) | 2022-01-25 | 2022-01-25 | 一种湿法炼锌中性浸出过程pH值的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114420220A true CN114420220A (zh) | 2022-04-29 |
| CN114420220B CN114420220B (zh) | 2024-09-24 |
Family
ID=81277651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210088765.XA Active CN114420220B (zh) | 2022-01-25 | 2022-01-25 | 一种湿法炼锌中性浸出过程pH值的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114420220B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117111646A (zh) * | 2023-09-10 | 2023-11-24 | 福建天甫电子材料有限公司 | 一种蚀刻液浓度自动控制系统 |
| CN118228596A (zh) * | 2024-04-08 | 2024-06-21 | 常州通用自来水有限公司 | 一种基于串级lstm深度学习模型的二次供水余氯预测及控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102131847B1 (ko) * | 2020-04-09 | 2020-07-09 | 현시스메틱 주식회사 | 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법 |
| CN112884056A (zh) * | 2021-03-04 | 2021-06-01 | 河北工程大学 | 基于优化的lstm神经网络的污水水质预测方法 |
| CN113723002A (zh) * | 2021-09-02 | 2021-11-30 | 大唐环境产业集团股份有限公司 | 全工况下脱硫系统浆液pH值预测模型建立方法及系统 |
-
2022
- 2022-01-25 CN CN202210088765.XA patent/CN114420220B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102131847B1 (ko) * | 2020-04-09 | 2020-07-09 | 현시스메틱 주식회사 | 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법 |
| CN112884056A (zh) * | 2021-03-04 | 2021-06-01 | 河北工程大学 | 基于优化的lstm神经网络的污水水质预测方法 |
| CN113723002A (zh) * | 2021-09-02 | 2021-11-30 | 大唐环境产业集团股份有限公司 | 全工况下脱硫系统浆液pH值预测模型建立方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117111646A (zh) * | 2023-09-10 | 2023-11-24 | 福建天甫电子材料有限公司 | 一种蚀刻液浓度自动控制系统 |
| CN117111646B (zh) * | 2023-09-10 | 2024-05-24 | 福建天甫电子材料有限公司 | 一种蚀刻液浓度自动控制系统 |
| CN118228596A (zh) * | 2024-04-08 | 2024-06-21 | 常州通用自来水有限公司 | 一种基于串级lstm深度学习模型的二次供水余氯预测及控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114420220B (zh) | 2024-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114420220B (zh) | 一种湿法炼锌中性浸出过程pH值的预测方法 | |
| Xie et al. | An integrated predictive model with an on-line updating strategy for iron precipitation in zinc hydrometallurgy | |
| CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
| 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 | |
| CN105574297B (zh) | 自适应高炉铁水硅含量趋势预报方法 | |
| 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 | |
| CN102693451A (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
| CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
| 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 | |
| Xie et al. | Robust stochastic configuration network multi-output modeling of molten iron quality in blast furnace ironmaking | |
| CN110390132B (zh) | 基于过程状态空间的有色冶金单元工序数字化和建模方法 | |
| CN110807554A (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
| CN113761787A (zh) | 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统 | |
| CN107299170A (zh) | 一种高炉铁水质量鲁棒软测量方法 | |
| 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 | |
| CN101353729A (zh) | 一种基于工况判断的智能集成建模方法 | |
| CN109885012B (zh) | 一种金湿法冶金全流程实时优化补偿方法 | |
| CN104199389A (zh) | 金湿法冶金置换过程的优化方法 | |
| CN115620846A (zh) | 一种活性锰材料制备及控制方法 | |
| Xie et al. | Weighted-coupling CSTR modeling and model predictive control with parameter adaptive correction for the goethite process | |
| CN116384712B (zh) | 一种联动智能注采装置的差异化实时注采优化调控方法 | |
| CN107728664B (zh) | 一种冶金过程多反应器级联pH值优化控制方法 | |
| Zhu et al. | A fuzzy control method based on rule extraction for zinc leaching process of zinc hydrometallurgy | |
| CN110458348B (zh) | 一种基于非线性机会约束的配料优化方法和系统 | |
| CN107657143B (zh) | 液体中氧气通入量的设置方法 |
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 |