CN114964379A - 一种溶出液苛性比值检测方法和装置 - Google Patents

一种溶出液苛性比值检测方法和装置 Download PDF

Info

Publication number
CN114964379A
CN114964379A CN202210623008.8A CN202210623008A CN114964379A CN 114964379 A CN114964379 A CN 114964379A CN 202210623008 A CN202210623008 A CN 202210623008A CN 114964379 A CN114964379 A CN 114964379A
Authority
CN
China
Prior art keywords
value
caustic ratio
parameter
ratio detection
model
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
Application number
CN202210623008.8A
Other languages
English (en)
Other versions
CN114964379B (zh
Inventor
柴天佑
赵亮
李玉超
贾瑶
韩先尧
杜雪蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN202210623008.8A priority Critical patent/CN114964379B/zh
Publication of CN114964379A publication Critical patent/CN114964379A/zh
Application granted granted Critical
Publication of CN114964379B publication Critical patent/CN114964379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/06—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a liquid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • 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
    • 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

Abstract

本申请公开了一种溶出液苛性比值检测方法、装置、电子设备及存储介质，其中方法包括：基于预定采样时间段内各采样时刻提取获得的溶出液样本，获取与各所述溶出液样本对应的参数值，以获得若干第一参数值以及第二参数值；至少基于各所述第一参数值、所述第二参数值对当前苛性比值检测模型中的模型参数进行更新，以获得更新后的苛性比值检测模型；基于所述更新后的苛性比值检测模型对实时获取的、待检测的溶出液进行检测，得到苛性比值检测结果。本申请中的检测方法可以在线精准检测溶出液的苛性比值。

Description

一种溶出液苛性比值检测方法和装置
技术领域
本发明涉及工业生产过程检测技术，特别涉及一种溶出液苛性比值检测方法、装置、计算机设备和存储介质。
背景技术
复杂工业过程指一类具有长流程、大滞后、强非线性、有复杂的化学反应和物理变化、受到未知干扰、动态特性发生变化，难以建立精确模型等特点的工业过程。该过程底层回路控制受到未知大范围频繁干扰和设定值频繁变化，物料中存在复杂的物理变化和化学反应，混合成分的比例未知且随生产变化，运行指标难以在线检测，仍然依赖于化验室的化验值；由于化验值周期长，严重滞后于生产过程，并且流程工业过程相邻工序相互干扰。
溶出过程是拜耳法生产氧化铝的主要工艺工程，是一个典型的复杂工业过程。在该工艺过程中，铝土矿中的氧化铝在碱液的作用下溶解进入溶液。溶出完成液的苛性比值合格率是重要的质量指标，溶出完成液的苛性比值反映了溶出过程中矿石的反应情况、碱耗，并且对后续工序产生影响，依据苛性比值调节溶出前矿石和碱液的配比，其对氧化铝溶出过程具有重要意义。然而溶出过程存在大时滞、强非线性、原料组分(如铝酸钠、氢氧化钠、碳酸钠、矿浆成分)未知波动、机理复杂难以建立精确模型等特点，目前苛性比值主要依靠人工化验完成，化验滞后大；溶出过程矿浆的冲刷和高温高压强腐蚀条件造成了难以在线检测，苛性比值、矿浆组分的波动及结疤情况导致现有的苛性比值仪表精度低，无法满足生产需要，人工对大量仪表进行校正费时费力，存在运行指标难以在线精确检测的问题。
发明内容
有鉴于此，本发明提供了一种溶出液苛性比值检测方法、装置、计算机设备以及存储介质，主要目的在于解决目前存在的溶出液苛性比值难以在线精确检测的问题。
为解决上述问题，本申请提供一种溶出液苛性比值检测方法，包括：
基于预定采样时间段内各采样时刻提取获得的溶出液样本，获取与各所述溶出液样本对应的参数值，以获得若干第一参数值以及第二参数值；
至少基于各所述第一参数值、所述第二参数值对当前苛性比值检测模型中的模型参数进行更新，以获得更新后的苛性比值检测模型；
基于所述更新后的苛性比值检测模型对实时获取的、待检测的溶出液进行检测，得到苛性比值检测结果。
可选的，所述参数值包括如下任意一种或几种：电导率值、温度值和二次加碱流量值；
所述第一参数值与所述第二参数值的获取方式不同，所述第一参数值是经过检测仪表直接读取的参数值，所述第二参数值是经过化学实验得到的参数值。
可选的，所述至少基于各所述第一参数值、所述第二参数值对当前苛性比值检测模型中的模型参数进行更新，以获得更新后的苛性比值检测模型，具体包括：
基于当前苛性比值检测模型和各所述第一参数值，计算获得各采样时刻对应的初始苛性比值补偿值；
基于各所述第一参数值，采用预设的数字孪生模型进行数据处理，获得与各溶出液样本对应的目标化验估计值；
基于所述初始苛性比值补偿值、所述目标化验估计值和各所述第一参数值，计算获得目标参数估计值；
基于所述目标参数估计值对所述当前苛性比值检测模型中的模型参数进行更新，获得更新后的苛性比值检测模型。
可选的，在基于各所述第一参数值和所述第二参数值，采用预设的数字孪生模型进行数据处理，获得与各溶出液样本对应的目标化验估计值之前，所述方法还包括：构建数字孪生模型，具体包括：
基于历史采样时间段内各采样时刻提取获得的溶出液历史样本，获取与各所述溶出液历史样本对应的参数值，以获得若干历史第一参数值以及历史第二参数值；
基于各所述历史第一参数值和各所述历史第二参数值，采用LSTM网络训练方法建立所述数字孪生模型。
可选的，基于所述目标参数估计值对所述当前苛性比值检测模型中的模型参数进行更新之前，所述方法还包括：
基于目标化验估计值、各所述目标参数估计值和各所述第一参数值，计算获得目标误差补偿值；
基于当前苛性比值检测模型和各所述第一参数值，计算获得各采样时刻对应的目标苛性比值检测值；
基于各所述目标苛性比值检测值、目标化验估计值和所述目标误差补偿值计算得到第一绝对误差值；
基于溶出液入口流量和/或第一绝对误差值，判断所述当前苛性比值检测模型中的模型参数是否满足当前苛性比值检测模型的更新条件；
在确定满足所述模型更新条件的情况下，基于各所述目标参数估计值对当前苛性比值检测模型中的模型参数进行更新。
可选的，所述基于溶出液入口流量和/或第一绝对误差值，判断所述当前苛性比值检测模型中的模型参数是否满足预设的模型更新条件，具体包括：
将所述第一绝对误差值与第一预设阈值进行比较；当第一绝对误差值大于第一预设阈值时，确定所述当前苛性比值检测模型中的模型参数满足预设的模型更新条件；
或者，基于各采样时刻的进料流量，计算与各采样时刻对应的进料流量与平均进料流量的第二绝对误差值；将所述第二误差绝对值与第二预设阈值进行比较；当任意第二绝对误差值大于第二预设阈值时，确定所述当前苛性比值检测模型中的模型参数满足预设的模型更新条件；或者，将所述第一绝对误差值与第一预设阈值进行比较，将所述第二误差绝对值与第二预设阈值进行比较，当第一绝对误差值大于第一预设阈值并且第二绝对误差值大于第二预设阈值时，确定所述当前苛性比值检测模型中的模型参数满足预设的模型更新条件。
为解决上述问题，本申请提供一种溶出液苛性比值检测装置，包括：
获取模块：用于基于预定采样时间段内各采样时刻提取获得的溶出液样本，获取与各所述溶出液样本对应的参数值，以获得若干第一参数值以及第二参数值；
获得模块：用于至少基于各所述第一参数值、所述第二参数值对当前苛性比值检测模型中的模型参数进行更新，以获得更新后的苛性比值检测模型；
检测模块：用于基于所述更新后的苛性比值检测模型对实时获取的、待检测的溶出液进行检测，得到苛性比值检测结果。
可选的，所述获得模块，具体用于：
基于当前苛性比值检测模型和各所述第一参数值，计算获得各采样时刻对应的初始苛性比值补偿值；
基于各所述第一参数值，采用预设的数字孪生模型进行数据处理，获得与各样本对应的目标化验估计值；
基于所述初始苛性比值补偿值、所述目标化验估计值和各所述第一参数值，计算获得目标参数估计值；
基于所述目标参数估计值对所述当前苛性比值检测模型中的模型参数进行更新，获得更新后的苛性比值检测模型。
为解决上述问题本申请提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述溶出液苛性比值检测方法的步骤。
为解决上述问题本申请提供一种电子设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述溶出液苛性比值检测方法的步骤。
本申请通过对采集预设时间段内的溶出液样本的第一参数值以及第二参数值，并基于各所述第一参数值、第二参数值和所述初始苛性比值检测模型，计算获得目标参数估计值，以基于所述目标参数估计值来更新所述初始苛性比值检测模型的初始参数值来确定目标苛性比值检测模型，以基于目标参数检测模型来实时对溶出液样本进行检测，得到实时溶出液样本的苛性比值，本申请中的苛性比值检测方法，不需要大量人工去化验数据，可以实时在线精准检测溶出液样本的苛性比值。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例一种溶出液苛性比值检测方法的流程图；
图2为本申请又一实施例一种溶出液苛性比值检测方法的流程图；
图3为本申请又一实施例一种溶出液苛性比值检测装置的结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例；然而，应当理解，所申请的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请实施例提供一种溶出液苛性比值检测方法，如图1所示，包括：
步骤S101：基于预定采样时间段内各采样时刻提取获得的溶出液样本，获取与各所述溶出液样本对应的参数值，以获得若干第一参数值以及第二参数值；
本步骤在具体实施过程中，预定采样时间段可以根据实际需要设定，例如设定的时间段为3分钟或5分钟等等。提取获得溶出液样本时具体可以采用如下方式：在预定的采样时间段内，提取获得50个溶出液样本，然后经过现场一次仪表直接读取这50个溶出液样本的参数值，以此来获得与各溶出液样本对应的第一参数值，即获得50组第一参数值。然后将50个溶出液样本中最后一个样本，也就是第50个样本作为第二样本，基于该第二样本化验处理的方式来获得对应的第二参数值。所述第二参数值参数与所述第一参数值的参数相同，均包括：电导率值、温度值和二次加碱流量值等参数值。
步骤S102：至少基于各所述第一参数值、所述第二参数值对当前苛性比值检测模型中的模型参数进行更新，以获得更新后的苛性比值检测模型；
本步骤在具体实施过程中，首先通过当前苛性比值检测模型和所述第一参数值计算初始苛性比值补偿值，然后基所述第一参数值、所述第二参数值和预设的数字孪生模型计算获得目标化验值估计值，基于各所述初始苛性比值补偿值、各所述目标化验值估计值和各所述第一参数值，计算获得目标参数估计值，以基于所述目标参数估计值对所述当前苛性比值检测模型中的模型参数进行更新，获得更新后的苛性比值检测模型。
步骤S103：基于所述更新后的苛性比值检测模型对实时获取的、待检测的溶出液进行检测，得到苛性比值检测结果。
本步骤在具体实施过程中，基于构建好的更新后的苛性比值检测模型对实时获取的、待检测的溶出液进行检测，以得到待检测的溶出液对应的苛性比值，通过此方法获取的苛性比值解决了目前苛性比值主要依靠人工化验完成，化验滞后大，存在运行指标难以在线精确检测的问题。
本申请通过对采集预设时间段内的溶出液样本的第一参数值以及第二参数值，并基于各所述第一参数值、第二参数值和所述当前苛性比值检测模型，计算获得目标参数估计值，以基于所述目标参数估计值来更新所述当前苛性比值检测模型的模型参数来确定更新后的苛性比值检测模型，以基于更新后的苛性比值检测模型来实时对待检测的溶出液进行检测，得到实时待检测的溶出液的苛性比值，本申请中的苛性比值检测方法，不需要大量人工去化验数据，可以实时在线精准检测溶出液样本的苛性比值。
本申请实施例提供一种溶出液苛性比值检测方法，如图2所示，包括：
步骤S201：基于预定采样时间段内各采样时刻提取获得的溶出液样本，获取与各所述溶出液样本对应的参数值，以获得若干第一参数值以及第二参数值；
本步骤在具体实施过程中，基于目标工业生产中溶出过程中，在预设的时间段内实时采集溶出液样本获取与各所述溶出液样本对应的参数值，以获得若干第一参数值以及第二参数值，例如：在氧化铝工业生产中，可以每间隔30s时间采集一个溶出液样本，以此来获得200个溶出液样本。通过现场仪表可以对各所述溶出液样本的参数进行读取，得到所述200个溶出液样本对应的第一参数值，所述第一参数值包括：电导率值、温度值和二次加碱流量值等参数值。把采集的第200个溶出液样本作为第二样本，然后进行化验处理，得到与该第二样本对应的第二参数值，所述第二参数值包括：电导率值、温度值和二次加碱流量值等参数值。在具体实施过程中，溶出液样本以及第二样本的个数可以根据实际调整，例如溶出液样本的个数可以为190个，第二样本的个数可以为10个。本实施例中，因为在实际生产中，虽然化验结果是比较精准的，但是化验过程的时间较长，存在大量的滞后现象，如果把所有的样本都拿去化验，浪费时间也增加成本，因此我们通过抽取样本进行化验，以基于所述第一参数值、第二参数值和预设的数字孪生模型，获得与各所述溶出液样本对应的目标化验估计值。
步骤S202：基于当前苛性比值检测模型和各所述第一参数值，计算获得各采样时刻对应的初始苛性比值补偿值和初始苛性比值检测值；
本步骤在具体实施过程中，所述当前苛性比值检测模型为如下公式1所示
Figure BDA0003677591680000081
其由两部分组成，
Figure BDA0003677591680000082
代表初始辨识模型，v(k)代表初始补偿模型，其中初始辨识模型可用如下公式2所示：
Figure BDA0003677591680000083
其中a、b、c和d为所述当前苛性比值检测模型的模型参数，l为流量调节经过溶出过程的滞后，k为仪表采样时刻，x1(k)为电导率检测信号，x2(k)为温度检测信号，x3(k-l)为二次加碱流量检测信号，初始补偿模型可用如下公式3所示：v(k)＝f(x1(k),…,x1(k-n),x2(k),…,x2(k-n),…,…x3(k),…,x3(k-n))，其中，f(·)是非线性函数，是基于历史溶出液样本获得的初始苛性比值检测模型参数和历史溶出液第一参数值的函数关系得到的，n为误差补偿项输入变量的阶次，n为大于等于1的正整数，可以设置为200，可以根据实际需要调整n的个数，本实施例对n的个数不做限制。
将所述第一参数值代入所述当前苛性比值检测模型中，所述初始苛性检测模型的初始模型参数是预先给定的，也就是说初始苛性比值检测模型中的a、b、c和d四个初始参数值是预先给定的，此时可以直接基于初始补偿模型f(·)计算得到所述溶出液样本对应的各所述初始苛性比值补偿值，直接基于初始苛性比值检测模型计算得到与所述溶出液样本对应的初始苛性比值检测值。
步骤S203：构建数字孪生模型；
本步骤在具体实施过程中，基于历史采样时间段内各采样时刻提取获得的溶出液历史样本，获取与各所述溶出液历史样本对应的参数值，以获得若干历史第一参数值以及历史第二参数值；
基于各所述历史第一参数值和各所述历史第二参数值，采用LSTM网络训练方法建立所述数字孪生模型。
步骤S204：基于各所述第一参数值，采用预设的数字孪生模型进行数据处理，获得与各溶出液样本对应的目标化验估计值；
经所述数字孪生模型进行数据处理的输出公式为如下公式4所示：
h(k)＝g(x1(k),…,x1(k-n),x2(k),…,x2(k-n),…,…x3(k),…,x3(k-n))，其中g()代表所述数字孪生模型，将所述第一参数值输入到所述数字孪生模型中，输出得到与各所述溶出液样本对应的目标化验估计值h(k)。
步骤S205：基于所述初始苛性比值补偿值、所述目标化验估计值和各所述第一参数值，计算获得目标参数估计值；
本步骤在具体实施过程中，首先基于初始苛性比值补偿值、所述目标化验估计值和各所述第一参数值，构建目标辨识模型，所述目标辨识模型可以用如下公式5所示：h(k)＝x(k)θ+v(k)，写成矩阵形式如如下公式6，所示：H(k)＝X(k)θ+V(k)，其中输出向量H(k)为如下公式7所示：H(k)＝[h(k),h(k-1),……,h(k-m)]T，输入矩阵X(k)为如下公式8所示：
Figure BDA0003677591680000091
误差补偿项的向量V(k)为如下公式9所示：
其中，m为参数估计所采用的输入向量x(k),x(k-1),……,x(k-m)的V(k)＝[v(k),v(k-1),……,v(k-m)]T∈R(m+1)×1时延。
然后，采用最小二乘法对模型参数进行整定，目标函数公式为如下公式10所示：
Figure BDA0003677591680000092
最后，基于所述初始苛性比值补偿值、所述目标化验估计值和各所述第一参数值，对所述目标函数进行求解，得到模型参数向量θ的估计值
Figure BDA0003677591680000093
为如下公式11所示：
Figure BDA0003677591680000094
以得到目标参数估计值，
Figure BDA0003677591680000095
步骤S206：基于目标化验估计值、各所述目标参数估计值和各所述第一参数值，计算获得目标误差补偿值；
本步骤在具体实施过程中，基于所述目标化验估计值、各所述目标参数估计值和各所述第一参数值训练目标补偿模型的目标函数为如下公式12所示：
Figure BDA0003677591680000101
通过LSTM网络训练得到与各所述溶出液样本对应的目标误差补偿项v(k)。
步骤S207：基于各所述目标苛性比值检测值、目标化验估计值和所述目标误差补偿值计算得到第一绝对误差值；
首先计算与各采样时刻对应的所述目标化验估计值与所述目标苛性比值检测值的第一差值，所述第一差值等于h(k)减去y(k)；计算各采样时刻对应的第一差值与所述目标误差补偿值的第二差值，所述第二差值等于h(k)减去y(k)再减去v(k)；对所述第二差值求取绝对值运算处理，得到与所述各采样时刻对应的第一绝对误差值；所述第一绝对误差值可以用如下公式12所示：θ1(k)＝|h(k)-y(k)-v(k)|
步骤S208：基于溶出液入口流量和/或第一绝对误差值，判断所述当前苛性比值检测模型中的模型参数是否满足当前苛性比值检测模型的更新条件；在确定满足所述模型更新条件的情况下，基于各所述目标参数估计值对当前苛性比值检测模型中的模型参数进行更新；
本步骤在具体实施过程中，当第一绝对误差值大于第一预设阈值时，用公式表示为：θ1(k)>δ，所述第一预设阈值可以设置为0.01，且所述第一预设阈值可以根据实际需要而设定。基于所述目标参数估计值更新所述当前苛性比值检测模型中的模型参数，得到更新后的苛性比值检测模型。
或者基于各采样时刻的进料流量Wi(k)，计算与各采样时刻对应的进料流量Wi(k)与平均进料流量
Figure BDA0003677591680000102
的第二绝对误差值；所述第二绝对误差值可以用如下公式13所示：
Figure BDA0003677591680000103
当第二绝对误差值大于第二预设阈值时，用公式表示为：θ2(T)>ζ时，所述第二预设阈值可以为20，且所述第二预设阈值可以根据实际需要而设定，基于所述目标参数估计值更新所述当前苛性比值检测模型中的模型参数，得到更新后的苛性比值检测模型。
或者当第一绝对误差值大于第一预设阈值时，用公式表示为：θ1(k)>δ并且当第二绝对误差值大于第二预设阈值时，用公式表示为：θ2(T)>ζ时，基于所述目标参数估计值更新所述当前苛性比值检测模型中的模型参数，得到更新后的苛性比值检测模型。
步骤S209：基于所述更新后的苛性比值检测模型对实时获取的、待检测的溶出液进行检测，得到苛性比值检测结果。
本步骤在具体实施过程中，基于构建好的更新后的苛性比值检测模型对所述实时获取的、待检测的溶出液进行检测，可以得到与待检测的溶出液对应的苛性比值检测结果。
通过引入评价指标对本方案中的检测效果及化验结果进行对比：
均方误差(MSE)：在对应相同采样时刻的本方法得到的苛性比值检测值与化验值之差平方的期望值。
上升趋势准确率(TPR)：在对应相同采样时刻的本方法得到的苛性比值检测值上升趋势与化验值上升趋势相同的个数占化验值上升个数的百分比。
下降趋势准确率(TNR)在对应相同采样时刻的本方法得到的苛性比值检测值下降趋势与化验值下降趋势相同的个数占化验值下降个数的百分比。
回归决定系数(R2)在对应相同采样时刻的本方法得到的苛性比值检测值与化验值总离差平方和之比。
在工业应用中，通过2021年3月6日至12日的实际运行情况，智能检测值MSE为0.00051；智能检测值TPR为61％；智能检测值TNR为67％；智能检测值R2为56％
本申请通过对采集预设时间段内的溶出液样本的第一参数值以及第二参数值，并基于各所述第一参数值、第二参数值和所述当前苛性比值检测模型，计算获得目标参数估计值，以基于所述目标参数估计值来更新所述当前苛性比值检测模型的模型参数来确定更新后的苛性比值检测模型，并通过生产中工况情况的变化，溶出液样本的变化，当满足更新条件时，实时更新所述目标参数估计值，以实时更新所述当前苛性比值检测模型，得到更新后的苛性比值检测模型，以基于更新后的苛性比值检测模型来实时对待检测的溶出液进行检测，得到实时待检测的溶出液的苛性比值，并且在实施过程中，本申请中的苛性比值检测方法，不需要大量人工去化验数据，可以实时在线精准检测溶出液样本的苛性比值。
本申请的又一实施例，提供了一种溶出液苛性比值检测装置，如图3所示，包括：
获取模块1：用于基于预定采样时间段内各采样时刻提取获得的溶出液样本，获取与各所述溶出液样本对应的参数值，以获得若干第一参数值以及第二参数值；
获得模块2：用于至少基于各所述第一参数值、所述第二参数值对当前苛性比值检测模型中的模型参数进行更新，以获得更新后的苛性比值检测模型；
检测模块3：用于基于所述更新后的苛性比值检测模型对实时获取的、待检测的溶出液进行检测，得到苛性比值检测结果。
本实施例在具体实施过程中，所述获取模块具体用于：所述参数值包括如下任意一种或几种：电导率值、温度值和二次加碱流量值；所述第一参数值与所述第二参数值的获取方式不同，所述第一参数值是经过检测仪表直接读取的参数值，所述第二参数值是经过化学实验得到的参数值。
本实施例在具体实施过程中，所述获得模块具体用于：基于当前苛性比值检测模型和各所述第一参数值，计算获得各采样时刻对应的初始苛性比值补偿值；基于各所述第一参数值，采用预设的数字孪生模型进行数据处理，获得与各溶出液样本对应的目标化验估计值；基于所述初始苛性比值补偿值、所述目标化验估计值和各所述第一参数值，计算获得目标参数估计值；基于所述目标参数估计值对所述当前苛性比值检测模型中的模型参数进行更新，获得更新后的苛性比值检测模型。
本实施例在具体实施过程中，还包括构建模块，所述构建模块用于：基于历史采样时间段内各采样时刻提取获得的溶出液历史样本，获取与各所述溶出液历史样本对应的参数值，以获得若干历史第一参数值以及历史第二参数值；基于各所述历史第一参数值和各所述历史第二参数值，采用LSTM网络训练方法建立所述数字孪生模型。
本实施例在具体实施过程中，所述装置还包括：判断模块，所述判断模块具体用于：基于目标化验估计值、各所述目标参数估计值和各所述第一参数值，计算获得目标误差补偿值；基于当前苛性比值检测模型和各所述第一参数值，计算获得各采样时刻对应的目标苛性比值检测值；基于各所述目标苛性比值检测值、目标化验估计值和所述目标误差补偿值计算得到第一绝对误差值；基于溶出液入口流量和/或第一绝对误差值，判断所述当前苛性比值检测模型中的模型参数是否满足当前苛性比值检测模型的更新条件；在确定满足所述模型更新条件的情况下，基于各所述目标参数估计值对当前苛性比值检测模型中的模型参数进行更新。
本实施例在具体实施过程中，所述判断模块，具体用于：计算各采样时刻对应的所述目标化验估计值与所述目标苛性比值检测值和所述目标误差补偿值的第一绝对误差值；当第一绝对误差值大于第一预设阈值时，基于所述目标参数估计值更新所述当前苛性比值检测模型中的模型参数，得到当前更新后的苛性比值检测模型，或者基于各采样时刻的进料流量，计算与各采样时刻对应的进料流量与平均进料流量的第二绝对误差值；当第二绝对误差值大于第二预设阈值时，基于所述目标参数估计值更新所述当前苛性比值检测模型中的模型参数，得到当前更新后的苛性比值检测模型，或者当第一绝对误差值大于第一预设阈值并且第二绝对误差值大于第二预设阈值时，基于所述目标参数估计值更新所述当前苛性比值检测模型中的模型参数，得到当前更新后的苛性比值检测模型。
本申请通过对采集预设时间段内的溶出液样本的第一参数值以及第二参数值，并基于各所述第一参数值、第二参数值和所述当前苛性比值检测模型，计算获得目标参数估计值，以基于所述目标参数估计值来更新所述当前苛性比值检测模型的模型参数来确定更新后的苛性比值检测模型，并通过生产中工况情况的变化，溶出液样本的变化，当满足更新条件时，实时更新所述目标参数估计值，以实时更新所述当前苛性比值检测模型，得到更新后的苛性比值检测模型，以基于更新后的苛性比值检测模型来实时对待检测的溶出液进行检测，得到实时待检测的溶出液的苛性比值，并且在实施过程中，本申请中的苛性比值检测方法，不需要大量人工去化验数据，可以实时在线精准检测溶出液样本的苛性比值。
本申请另一实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法步骤：
步骤一、基于预定采样时间段内各采样时刻提取获得的溶出液样本，获取与各所述溶出液样本对应的参数值，以获得若干第一参数值以及第二参数值；
步骤二、至少基于各所述第一参数值、所述第二参数值对当前苛性比值检测模型中的模型参数进行更新，以获得更新后的苛性比值检测模型；
步骤三、基于所述更新后的苛性比值检测模型对实时获取的、待检测的溶出液进行检测，得到苛性比值检测结果。
上述方法步骤的具体实施过程可参见上述任意溶出液苛性比值检测方法的实施例，本实施例在此不再重复赘述。
本申请通过对采集预设时间段内的溶出液样本的第一参数值以及第二参数值，并基于各所述第一参数值、第二参数值和所述初始苛性比值检测模型，计算获得目标参数估计值，以基于所述目标参数估计值来更新所述初始苛性比值检测模型的初始参数值来确定目标苛性比值检测模型，以基于目标参数检测模型来实时对溶出液样本进行检测，得到实时溶出液样本的苛性比值，本申请中的苛性比值检测方法，不需要大量人工去化验数据，可以实时在线精准检测溶出液样本的苛性比值。
本申请另一实施例提供一种电子设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现如下方法步骤：
步骤一、基于预定采样时间段内各采样时刻提取获得的溶出液样本，获取与各所述溶出液样本对应的参数值，以获得若干第一参数值以及第二参数值；
步骤二、至少基于各所述第一参数值、所述第二参数值对当前苛性比值检测模型中的模型参数进行更新，以获得更新后的苛性比值检测模型；
步骤三、基于所述更新后的苛性比值检测模型对实时获取的、待检测的溶出液进行检测，得到苛性比值检测结果。
上述方法步骤的具体实施过程可参见上述任意苛性比值检测方法的实施例，本实施例在此不再重复赘述。
本申请通过对采集预设时间段内的溶出液样本的第一参数值以及第二参数值，并基于各所述第一参数值、第二参数值和所述初始苛性比值检测模型，计算获得目标参数估计值，以基于所述目标参数估计值来更新所述初始苛性比值检测模型的初始参数值来确定目标苛性比值检测模型，以基于目标参数检测模型来实时对溶出液样本进行检测，得到实时溶出液样本的苛性比值，本申请中的苛性比值检测方法，不需要大量人工去化验数据，可以实时在线精准检测溶出液样本的苛性比值。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种溶出液苛性比值检测方法，其特征在于，包括：
基于预定采样时间段内各采样时刻提取获得的溶出液样本，获取与各所述溶出液样本对应的参数值，以获得若干第一参数值以及第二参数值；
至少基于各所述第一参数值、所述第二参数值对当前苛性比值检测模型中的模型参数进行更新，以获得更新后的苛性比值检测模型；
基于所述更新后的苛性比值检测模型，对实时获取的、待检测的溶出液进行检测，得到苛性比值检测结果。
2.如权利要求1所述的方法，其特征在于，所述参数值包括如下任意一种或几种：电导率值、温度值和二次加碱流量值；
所述第一参数值与所述第二参数值的获取方式不同，所述第一参数值是经过检测仪表直接读取的参数值，所述第二参数值是经过化学实验得到的参数值。
3.如权利要求1所述的方法，其特征在于，所述至少基于各所述第一参数值、所述第二参数值对当前苛性比值检测模型中的模型参数进行更新，以获得更新后的苛性比值检测模型，具体包括：
基于当前苛性比值检测模型和各所述第一参数值，计算获得各采样时刻对应的初始苛性比值补偿值；
基于各所述第一参数值，采用预设的数字孪生模型进行数据处理，获得与各所述溶出液样本对应的目标化验估计值；
基于所述初始苛性比值补偿值、所述目标化验估计值和各所述第一参数值，计算获得目标参数估计值；
基于所述目标参数估计值对所述当前苛性比值检测模型中的模型参数进行更新，获得更新后的苛性比值检测模型。
4.如权利要求3所述的方法，其特征在于，在基于各所述第一参数值和所述第二参数值，采用预设的数字孪生模型进行数据处理，获得与各所述溶出液样本对应的目标化验估计值之前，所述方法还包括：构建数字孪生模型，具体包括：
基于历史采样时间段内各采样时刻提取获得的溶出液历史样本，获取与各所述溶出液历史样本对应的参数值，以获得若干历史第一参数值以及历史第二参数值；
基于各所述历史第一参数值和各所述历史第二参数值，采用LSTM网络训练方法建立所述数字孪生模型。
5.如权利要求3所述的方法，其特征在于，在基于所述目标参数估计值对所述当前苛性比值检测模型中的模型参数进行更新之前，所述方法还包括：
基于目标化验估计值、各所述目标参数估计值和各所述第一参数值，计算获得目标误差补偿值；
基于当前苛性比值检测模型和各所述第一参数值，计算获得各采样时刻对应的目标苛性比值检测值；
基于各所述目标苛性比值检测值、目标化验估计值和所述目标误差补偿值计算得到第一绝对误差值；
基于溶出液入口流量和/或第一绝对误差值，判断所述当前苛性比值检测模型中的模型参数是否满足当前苛性比值检测模型的更新条件；
在确定满足所述模型更新条件的情况下，基于各所述目标参数估计值对当前苛性比值检测模型中的模型参数进行更新。
6.如权利要求5所述的方法，其特征在于，所述基于溶出液入口流量和/或第一绝对误差值，判断所述当前苛性比值检测模型中的模型参数是否满足预设的模型更新条件，具体包括：
将所述第一绝对误差值与第一预设阈值进行比较；当第一绝对误差值大于第一预设阈值时，确定所述当前苛性比值检测模型中的模型参数满足预设的模型更新条件；
或者，基于各采样时刻的进料流量，计算与各采样时刻对应的进料流量与平均进料流量的第二绝对误差值；将所述第二误差绝对值与第二预设阈值进行比较；当任意第二绝对误差值大于第二预设阈值时，确定所述当前苛性比值检测模型中的模型参数满足预设的模型更新条件；或者，将所述第一绝对误差值与第一预设阈值进行比较，将所述第二误差绝对值与第二预设阈值进行比较，当第一绝对误差值大于第一预设阈值并且第二绝对误差值大于第二预设阈值时，确定所述当前苛性比值检测模型中的模型参数满足预设的模型更新条件。
7.一种溶出液苛性比值检测装置，其特征在于，包括：
获取模块：用于基于预定采样时间段内各采样时刻提取获得的溶出液样本，获取与各所述溶出液样本对应的参数值，以获得若干第一参数值以及第二参数值；
获得模块：用于至少基于各所述第一参数值、所述第二参数值对当前苛性比值检测模型中的模型参数进行更新，以获得更新后的苛性比值检测模型；
检测模块：用于基于所述更新后的苛性比值检测模型，对实时获取的、待检测的溶出液进行检测，得到苛性比值检测结果。
8.如权利要求7所述的方法，其特征在于，所述获得模块，具体用于：
基于当前苛性比值检测模型和各所述第一参数值，计算获得各采样时刻对应的初始苛性比值补偿值；
基于各所述第一参数值，采用预设的数字孪生模型进行数据处理，获得与各溶出液样本对应的目标化验估计值；
基于所述初始苛性比值补偿值、所述目标化验估计值和各所述第一参数值，计算获得目标参数估计值；
基于所述目标参数估计值对所述当前苛性比值检测模型中的模型参数进行更新，获得更新后的苛性比值检测模型。
9.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述溶出液苛性比值检测方法的步骤。
10.一种电子设备，其特征在于，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述权利要求1-7任一项所述溶出液苛性比值检测方法的步骤。
CN202210623008.8A 2022-06-02 2022-06-02 一种溶出液苛性比值检测方法和装置 Active CN114964379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210623008.8A CN114964379B (zh) 2022-06-02 2022-06-02 一种溶出液苛性比值检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210623008.8A CN114964379B (zh) 2022-06-02 2022-06-02 一种溶出液苛性比值检测方法和装置

Publications (2)

Publication Number Publication Date
CN114964379A true CN114964379A (zh) 2022-08-30
CN114964379B CN114964379B (zh) 2023-06-20

Family

ID=82960690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210623008.8A Active CN114964379B (zh) 2022-06-02 2022-06-02 一种溶出液苛性比值检测方法和装置

Country Status (1)

Country Link
CN (1) CN114964379B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11153143A (ja) * 1997-11-21 1999-06-08 Koyo Seiko Co Ltd 転がり軸受
CN1546982A (zh) * 2003-12-08 2004-11-17 中国铝业股份有限公司 一种氧化铝生产过程中苛性比值与溶出率在线检测方法
CN102770650A (zh) * 2009-12-22 2012-11-07 珀金斯发动机有限公司 硫探测程序
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
CN110866659A (zh) * 2019-12-09 2020-03-06 东北大学 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
CN111423110A (zh) * 2016-04-08 2020-07-17 康宁股份有限公司 包含金属氧化物浓度梯度的玻璃基制品
CN113970244A (zh) * 2020-07-22 2022-01-25 气体产品与化学公司 熔炉控制器和操作熔炉的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11153143A (ja) * 1997-11-21 1999-06-08 Koyo Seiko Co Ltd 転がり軸受
CN1546982A (zh) * 2003-12-08 2004-11-17 中国铝业股份有限公司 一种氧化铝生产过程中苛性比值与溶出率在线检测方法
CN102770650A (zh) * 2009-12-22 2012-11-07 珀金斯发动机有限公司 硫探测程序
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
CN111423110A (zh) * 2016-04-08 2020-07-17 康宁股份有限公司 包含金属氧化物浓度梯度的玻璃基制品
CN110866659A (zh) * 2019-12-09 2020-03-06 东北大学 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
CN113970244A (zh) * 2020-07-22 2022-01-25 气体产品与化学公司 熔炉控制器和操作熔炉的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曾宇等: "原矿浆制备过程的智能优化设定方法及应用", 《冶金自动化》 *

Also Published As

Publication number Publication date
CN114964379B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN108197380B (zh) 基于偏最小二乘的高斯过程回归废水出水指标预测方法
CN105608492B (zh) 一种基于鲁棒随机权神经网络的多元铁水质量软测量方法
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
WO2007123817A1 (en) A method and apparatus for fuzzy logic control enhancing advanced process control performance
CN112560338B (zh) 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
CN112580257B (zh) 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质
Wang et al. Modeling component concentrations of sodium aluminate solution via hammerstein recurrent neural networks
CN108960329A (zh) 一种包含缺失数据的化工过程故障检测方法
CN108614533A (zh) 一种基于narx模型和时滞估计的神经网络建模方法
CN114970688A (zh) 基于LSTMAD算法和Hermite插值法的滑坡监测数据预处理方法
CN109325065B (zh) 基于动态隐变量模型的多采样率软测量方法
CN110106530B (zh) 一种铝电解的电解质温度监测方法及装置
CN109725138B (zh) 智能化水泥工厂生产中熟料质量检测方法、装置及设备
CN114964379B (zh) 一种溶出液苛性比值检测方法和装置
CN111338310B (zh) 一种工业过程稳态工况识别与分类方法
CN106599391B (zh) 基于三角形角度值动态加权的关联向量机软测量建模方法
CN111352058B (zh) 用于对测量设备的电位传感器在过程中进行校准的方法
CN116339275A (zh) 基于全结构动态自回归隐变量模型的多尺度过程故障检测方法
CN111914886A (zh) 一种基于在线简略核学习的非线性化工过程监测方法
CN116258087A (zh) 冰铜品位软测量方法、装置、电子设备及存储介质
CN114525372B (zh) 基于多模态融合的高炉状态监测方法及装置
CN109598283A (zh) 一种基于半监督极限学习机的铝电解过热度识别方法
CN116213095A (zh) 一种基于重介质分选的精煤产品灰分智能调节方法及系统
CN113608506B (zh) 一种氧化铝运行指标的智能检测装置
CN104848883A (zh) 一种基于稀疏表示的传感器噪声与故障的判别方法

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