CN116880427A - 一种基于入料条件估计和分工况综合分析的智能控制方法及系统 - Google Patents
一种基于入料条件估计和分工况综合分析的智能控制方法及系统 Download PDFInfo
- Publication number
- CN116880427A CN116880427A CN202311141613.2A CN202311141613A CN116880427A CN 116880427 A CN116880427 A CN 116880427A CN 202311141613 A CN202311141613 A CN 202311141613A CN 116880427 A CN116880427 A CN 116880427A
- Authority
- CN
- China
- Prior art keywords
- time
- working conditions
- condition
- reactor
- estimation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 158
- 238000004458 analytical method Methods 0.000 title claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 98
- 238000006243 chemical reaction Methods 0.000 claims abstract description 54
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 239000000463 material Substances 0.000 claims abstract description 7
- 230000001186 cumulative effect Effects 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 26
- 239000000376 reactant Substances 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 18
- 239000012530 fluid Substances 0.000 claims description 18
- 239000000654 additive Substances 0.000 claims description 17
- 230000000996 additive effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 8
- 239000002994 raw material Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000003334 potential effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 abstract description 6
- 238000010310 metallurgical process Methods 0.000 abstract description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 15
- 229910001429 cobalt ion Inorganic materials 0.000 description 8
- XLJKHNWPARRRJB-UHFFFAOYSA-N cobalt(2+) Chemical compound [Co+2] XLJKHNWPARRRJB-UHFFFAOYSA-N 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000033116 oxidation-reduction process Effects 0.000 description 6
- 238000003556 assay Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 229910017052 cobalt Inorganic materials 0.000 description 1
- 239000010941 cobalt Substances 0.000 description 1
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy 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
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009854 hydrometallurgy Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009856 non-ferrous metallurgy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacture And Refinement Of Metals (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于入料条件估计和分工况综合分析的智能控制方法及系统，针对冶金过程多反应器级联，过程工况多变，操作参数难以精准设定的问题，基于“预设定+调整”的思路，提出了基于入口条件在线估计的操作参数基准量设定和分工况操作参数精细化调整方法。首先，提出了基于可控周期双向深度学习网络的反应器入口条件估计方法，根据反应效率和物料平衡计算操作参数设定值；其次，根据工艺指标调节潜质对工况进行分类，提取不同工况下的操作规则，根据工况类型精细化调整操作参数。工业应用证明了所提方法的有效性。
Description
技术领域
本发明涉及冶金反应过程智能控制技术领域，具体来说，涉及一种基于入料条件估计和分工况综合分析的智能控制方法及系统。
背景技术
反应器是有色冶金过程的基本生产单元，其内部发生着复杂的物理化学反应，通过在一定的反应条件下向反应器中添加必要的添加剂使其与入口原料发生反应，产出满足一定指标要求的产品/中间产品。有色冶金反应器控制的关键在于如何根据入口原料条件、出口工艺指标要求，以及反应器内在反应状态合理确定操作参数，主要包括添加剂的量，如：浸出过程的废酸添加量、净化过程的锌粉添加量等。
由于关键工艺指标检测周期长、生产工况频繁波动、多反应器级联影响，反应器入口原料条件难以在线获取、工艺指标控制效果由于动态变化、操作参数难以精细化设定，导致稳定性差。
发明内容
鉴于此，本发明提出一种基于入料条件估计和分工况综合分析的智能控制方法及系统，以解决现有技术中对入口条件变化控制稳定性差的问题。
为此，本发明采用的具体技术方案如下：
一种基于入料条件估计和分工况综合分析的智能控制方法，包括以下步骤，
步骤S100，根据入口原料条件确定操作参数基准值；具体包括，步骤S101，综合利用前后反应器的过程参数信息估计当前反应器的入口条件；步骤S102，在步骤S101基础上，分析计算当前反应器中添加剂的反应效率，确定添加剂的基准量；
步骤S200，根据工况类型精细化确定操作参数的调整策略；具体为，分析当前反应条件下工艺指标能达到的最佳控制效果，及不同操作参数对工艺指标的潜在作用大小，根据工艺指标调节潜质将工况分为若干类型，进而根据工况类型确定适宜的操作参数调整策略，实现操作参数的精细化调整，支撑工艺指标的稳定精准控制。
在可能的一个设计中，步骤S101具体为，关键工艺指标随时间变化的规律：
(1)；
式中，x为关键工艺指标，为x的化验周期，v为单位时间内x随过程参数的变化规律；
选择具有双向输入接口的BiLSTM等深度学习网络作为基础模型，在其中加入周期控制环节，并将前后反应器的过程参数分别作为基础模型的双向输入；假设时滞为τ，当前反应器当前时刻的信息只能用于估计一段时间之前的入口条件x(t-τ)，并基于贝叶斯推理等方法建立从x(t-τ)到x(t)的预测模型，实现入口条件的在线估计：
（2）；
式中V(t-2τ,t-τ)表示t-2τ时刻到t-τ时刻的过程变量，g()表示贝叶斯推理方法建立的函数。
在可能的一个设计中，步骤S102中，对于连续搅拌釜式反应器，将反应器使用多釜串联模型进行等效，假设釜的个数为N，则其平均停留时间为：
(3)；
其中，V为反应器体积，f为流量，采用阶跃法对CSTR的停留时间进行分析，得到其停留时间分布函数与停留时间分布密度函数为：
(4)；
(5)；
(6)；
其中θ代表无因次停留时间；N代表多釜串联模型中釜的数目；某段流体元的停留时间分布函数在t时刻的值代表这段流体元中停留时间小于t的粒子所占的比率，也就是说，在时刻t被消耗的粒子所占的比例；假设t-1，t-2，...，t-n这段时间内的n段流体元为mt-1，mt-2，...，mt-n，由于每一段流体元对应的流量不同，因此不同的流体元具有不同的停留时间分布，假设对应的停留时间分布为：
(7)；
将此跟随时间与流量变化的停留时间分布集合称为动态停留时间分布，Fn(t)的值表示t时间所消耗的物料所占的比例，对于各反应物来说，其每一段流体元在t时刻剩余的比例可以表示为：
(8)；
计算出t-1，t-2，...，t-n这段时间内的n段流体元在t时间的累积量为：
(9)；
构建基于动态停留时间分布的反应物累积量或累积量比以提取过程累积效应特征。
在可能的一个设计中，步骤S102中，采用动态慢特征分析方法，将慢特征分析进行动态扩展，在慢特征分析中包含变量的历史信息，以适应过程所受到的累积效应的影响，动态慢特征分析的输入矩阵如下：
(10)；
其中，z(t)是t时刻的输入变量，N是样本数，d为延迟步数；
反应效率估计与操作参数基准值设定计算时，当前时刻操作参数基准值：
(11)；
其中，E为反应效率，mgoal的计算需要当前时刻的入口条件以及出口指标要求确定。
在可能的一个设计中，步骤S200中，建立基于AT-LSTM的深度聚类模型，将工艺指标调节潜质加入到网络的注意力层中，提取过程变量中与控制相关特征，同时采用LSTM自动编码器和解码器进行数据降维，保留工业数据的时序特征，通过时间序列聚类算法进行工况划分，对每个工况通过支持向量机的方法提取出控制规则。
在可能的一个设计中，步骤S200中，定义时延系数、趋势系数、波动系数来反映工艺指标的控制效果，从历史生产数据提取出这些控制特征，然后通过选择不同的隶属度函数，将这些控制特征模糊化，通过模糊评估和反模糊化得到工艺指标调节潜质，相关公式如下：
(12)；
(13)；
(14)；
式中，，表示控制变量时间序列，Tmax是最大时滞参数，L是序列长度，λ是时滞参数，Y(t)是被控变量时间序列，R(X(t-λ),Y(t))表示两个时间序列的相关系数，使相关系数最大化的时滞参数λ就是时滞系数d，相应的最大相关系数就是趋势系数tre，趋势系数f被定义为拟合直线l(t)与实际曲线x(t)之间的误差积分。
本发明还提供一种级联冶金反应过程智能控制系统，包括存储器、控制处理器及存储在所述存储器上并可在所述控制处理器上运行的计算机程序，所述控制处理器执行所述程序，以实现前述的一种基于入料条件估计和分工况综合分析的智能控制方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行前述的一种基于入料条件估计和分工况综合分析的智能控制方法。
本文针对级联冶金反应过程的工艺特点，提出了基于入口条件在线估计的操作参数基准量预设定和基于工艺指标调节潜质分析的操作参数精细化调整方法，并在实际工业现场进行应用验证。应用结果表明通过对入口条件的在线估计和更加精细化的调控，提高了过程对入口条件变化的适应能力和工艺指标控制的稳定性，如何从反应本质出发，并结合多反应器级联的工艺特点设计控制策略是实现反应器稳定高效控制的潜在途径。
针对冶金过程多反应器级联，过程工况多变，操作参数难以精准设定的问题，基于“预设定+调整”的思路，提出了基于入口条件在线估计的操作参数基准量设定和分工况操作参数精细化调整方法。首先，提出了基于可控周期双向深度学习网络的反应器入口条件估计方法，根据反应效率和物料平衡计算操作参数设定值；其次，根据工艺指标调节潜质对工况进行分类，提取不同工况下的操作规则，根据工况类型精细化调整操作参数。工业应用证明了所提方法的有效性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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示出了本发明一种基于入料条件估计和分工况综合分析的智能控制方法及系统实施例的控制流程图；
图2示出了本发明一种基于入料条件估计和分工况综合分析的智能控制方法及系统实施例中反应器入口条件预测图；
图3示出了本发明一种基于入料条件估计和分工况综合分析的智能控制方法及系统实施例中反应器入口条件预测结果图；
图4示出了本发明一种基于入料条件估计和分工况综合分析的智能控制方法及系统实施例中停留时间分布函数与停留时间分布密度函数图；
图5示出了本发明一种基于入料条件估计和分工况综合分析的智能控制方法及系统实施例中各计算方式下的反应物累积量比值对比；
图6示出了本发明一种基于入料条件估计和分工况综合分析的智能控制方法及系统实施例中反应效率估计结果图；
图7示出了本发明一种基于入料条件估计和分工况综合分析的智能控制方法及系统实施例中工艺指标调节潜质分析图；
图8示出了本发明一种基于入料条件估计和分工况综合分析的智能控制方法及系统实施例中基于调节潜质分析的工况分类图；
图9示出了本发明一种基于入料条件估计和分工况综合分析的智能控制方法及系统实施例中人工控制效果图，其中（a）为人工控制期间锌粉添加总量，（b）为人工控制期间1#槽氧化还原电位，（c）为人工控制期间出口钴离子浓度化验值的数据变化；
图10示出了本发明一种基于入料条件估计和分工况综合分析的智能控制方法及系统的自动控制效果图，其中（a）为智能控制期间锌粉添加总量，（b）为智能控制期间1#槽氧化还原电位，（c）为智能控制期间出口钴离子浓度化验值的数据变化。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
本实例提供的所述用于一种基于入料条件估计和分工况综合分析的智能控制方法，有色冶金反应器中的化学反应可抽象为如下公式：
A+B=C+D（a）；
其中，A代表入口原料，B代表添加剂，C和D代表反应生成物。可见，B的量需适应A的量的变化。另外，由于不同工况式（a）中的反应呈现不同的动态特性，使得B的量对反应的促进作用随工况变化，即操作参数对工艺指标的控制效果存在差异。因此，如何确定入口原料条件、如何判断当前工况类型是提高操作参数精细化设定水平的关键。
针对上述问题，提出如图1所示的级联冶金反应过程智能控制框架，包括以下步骤：
步骤S100，根据入口原料条件确定操作参数基准值；
入口条件在线估计模块考虑多反应器级联的工艺特点，综合利用前后反应器的过程参数信息估计当前反应器的入口条件；在此基础上，分析计算当前反应器中添加剂的反应效率，确定添加剂的基准量。
其次，工艺指标调节潜质分析模块分析当前反应条件下工艺指标能达到的最佳控制效果，及不同操作参数对工艺指标的潜在作用大小，根据工艺指标调节潜质将工况分为若干类型，进而根据工况类型确定适宜的操作参数调整策略，实现操作参数的精细化调整，支撑工艺指标的稳定精准控制。
（1）基于可控周期双向深度学习网络的反应器入口条件估计
反应器的入口条件包括流量、温度等基础参数，也包括浓度、物质组分等关键工艺指标。其中，基础参数检测频率通常以秒为单位，而关键工艺指标的检测频率通常以小时为单位。反应器入口条件估计即指利用不同采样频率的过程参数实现反应器入口关键工艺指标的在线估计，该问题本质上是一个多采样率估计问题。
对于反应器入口条件估计问题，如何基于长化验间隔的关键工艺指标信息和实时检测的基础参数学习到关键工艺指标的变化规律是关键，即学习到关键工艺指标随时间变化的规律：
(1)；
式中，x为关键工艺指标，为x的化验周期，v为单位时间内x随过程参数的变化规律。由式(1)可知，在学习到v的情况下，可通过调整/>的大小改变x的估计周期。另外，对于多反应器级联过程，某个反应器的入口条件受到前一个反应器的影响，并反映在其自身的过程参数上。因此，有必要综合利用前后反应器的过程参数信息估计反应器入口条件。
为此，基于图2所示的思路，提出基于可控周期双向深度学习网络的反应器入口条件估计方法。选择具有双向输入接口的BiLSTM等深度学习网络作为基础模型，在其中加入周期控制环节，并将前后反应器的过程参数分别作为基础模型的双向输入。由于过程时滞的存在(假设时滞为τ)，当前反应器当前时刻的信息只能用于估计一段时间之前的入口条件
x(t-τ)。为此，基于贝叶斯推理等方法建立从x(t-τ)到x(t)的预测模型，实现入口条件的在线估计：假设时滞为τ，当前反应器当前时刻的信息只能用于估计一段时间之前的入口条件x(t-τ)，并基于贝叶斯推理等方法建立从x(t-τ)到x(t)的预测模型，实现入口条件的在线估计：
（2）；
式中V(t-2τ,t-τ)表示t-2τ时刻到t-τ时刻的过程变量，g()表示贝叶斯推理方法建立的函数。
图3展示了本方法在湿法冶炼净化除杂过程中入口条件在线估计中的应用效果。
（2）添加剂反应效率估计和操作参数基准量设定
在入口条件估计的基础上，可基于化学计量学原理，根据入口原料的量确定添加剂的量。然而，由于在实际反应过程中添加剂和入口原料难以完全充分反应，即：反应效率不是100%，且反应效率随反应状态变化。考虑到添加剂反应效率与反应物及反应状态都有关，且由于反应器累积效应的存在，使得添加剂反应效率不仅取决于过程参数的当前值，也与其历史值有关，具有慢时变特性。因此，构建体现反应器累积效应的特征量，并提取过程慢特征，将上述特征作为反应效率估计模型的输入，实现反应效率的在线估计。最后，根据物料平衡方程和添加剂反应效率计算出添加剂的合理预设定量。
（3）累积效应特征构建
由于冶金反应器体积大，反应物进入反应器之后不会马上离开，而是会在反应器内停留一段时间进行反应。随着反应器入口流量的不同，这些反应物在反应器内停留的时间也是不同的，导致当前反应器内反应物的量不等价于当前加入的反应物的量，而需要分析过去一段时间内添加到反应器中的反应物。为此，引入停留时间的概念，推导平均停留时间与停留时间分布，计算反应器内各时间段加入的反应物在当前时间的剩余，构建反应物累积量比，描述反应器的累积效应。
对于连续搅拌釜式反应器，将反应器使用多釜串联模型进行等效，假设釜的个数为N，则其平均停留时间为：
(3)；
其中，V为反应器体积，f为流量，采用阶跃法对CSTR的停留时间进行分析，得到其停留时间分布函数与停留时间分布密度函数为：
(4)；
(5)；
(6)；
其中θ代表无因次停留时间；N代表多釜串联模型中釜的数目。停留时间分布与停留时间分布密度函数如图4所示。
某段流体元的停留时间分布函数在t时刻的值代表这段流体元中停留时间小于t的粒子所占的比率，也就是说，在时刻t被消耗的粒子所占的比例。因此，可以借助停留时间分布函数分析反应器的累积效应。
由于大型反应器的累积效应，过去一段时间内添加的反应物对当前的反应状态都会造成不同程度的影响。假设t-1，t-2，...，t-n这段时间内的n段流体元为mt-1，mt-2，...，mt-n，由于每一段流体元对应的流量不同，因此不同的流体元具有不同的停留时间分布，假设对应的停留时间分布为：
(7)；
将此跟随时间与流量变化的停留时间分布集合称为动态停留时间分布，根据上一小节对停留时间分布的分析，Fn(t)的值表示t时间所消耗的物料所占的比例。因此，对于各反应物来说，其每一段流体元在t时刻剩余的比例可以表示为：
(8)；
由上述分析，计算出t-1，t-2，...，t-n这段时间内的n段流体元在t时间的累积量为：
(9)；
为了衡量反应器的累积效应对各反应物的影响以及对反应状态的影响，可构建基于动态停留时间分布的反应物累积量或累积量比以提取过程累积效应特征。
表1 各计算方式下的反应物累积量比值与ORP之间的相关系数
图5和表1展示了湿法冶炼净化除杂过程中基于瞬时值和考虑累积效应的反应物质量比和氧化还原电位(ORP,Oxidation Reduction Potential)的对应关系。基于动态停留时间分布的反应物累积量比与ORP的相关系数最高。基于静态停留时间分布的反应物累积量比和基于瞬时值的反应物比均无法很好地反映出反应状态的变化，与ORP的相关系数也相对较低。由此可以证明基于动态停留时间分布的反应物累积量比可以较好的表征过程的累积效应对反应造成的影响。
（4）过程慢特性提取
慢特征分析(SFA,Slow Feature Analysis)是一种无监督学习方法，主要用于从快速变化的时间序列中提取缓慢变化的特征。冶金反应过程是在大型反应器中进行的，通常认为其反应状态的变化相对来说是缓慢的，即反应状态是由一个状态过渡到另一个状态。通过使用慢特征分析，可以从相关变量中提取影响反应状态的主要特征，并克服工业数据中噪声的影响，有利于分析反应效率的变化。
由于受到大型反应器累积效应的影响，过程反应状态与过去一段时间内的过程变量都有关。因此，本文采用动态慢特征分析方法，将慢特征分析进行动态扩展，在慢特征分析中包含变量的历史信息，以适应过程所受到的累积效应的影响。动态慢特征分析的输入矩阵如下：
(10)；
其中，z(t)是t时刻的输入变量，N是样本数，d为延迟步数。
（5）反应效率估计与操作参数基准值设定
考虑到反应效率与反应物及反应状态都有关，影响因素众多，为此，在输入层使用了慢特征分析，并将构建的反应物累积效应特征加入模型输入层，以离线计算的反应效率为输出训练估计模型，湿法炼锌净化除杂过程锌粉利用率估计结果如图6所示。根据反应效率的定义，可计算出当前时刻操作参数基准值：
(11)；
其中，E为反应效率，mgoal的计算需要当前时刻的入口条件以及出口指标要求确定。
步骤S200，根据工况类型精细化确定操作参数的调整策略，基于工艺指标调节潜质分析的操作参数精细化调整，其中：
（1）工艺指标调节潜质分析
由于不同的反应状态下，操作参数对工艺指标的作用效果甚至作用机理存在差异，需要分析当前反应状态下操作参数对工艺指标的控制效果，并据此精细化调整操作参数，实现工艺指标的稳定优化调控。
为此，如图7所示，提出工艺指标调节潜质的概念，描述当前工业运行状态下被控量能否被稳定、精确控制到目标值，即工艺指标潜在的控制效果。经典控制理论中采用上升时间，延迟时间，超调量和震荡次数等指标反映被控量的控制效果。然而，流程工业过程强非线性且存在大时滞，为此，定义了时延系数、趋势系数、波动系数来反映工艺指标的控制效果，从历史生产数据提取出这些控制特征，然后通过选择不同的隶属度函数，将这些控制特征模糊化，通过模糊评估和反模糊化得到工艺指标调节潜质，具体为：
(12)；
(13)；
(14)；
式中，，表示控制变量时间序列，Tmax是最大时滞参数，L是序列长度，λ是时滞参数，Y(t)是被控变量时间序列，R(X(t-λ),Y(t))表示两个时间序列的相关系数，使相关系数最大化的时滞参数λ就是时滞系数d，相应的最大相关系数就是趋势系数tre，趋势系数f被定义为拟合直线l(t)与实际曲线x(t)之间的误差积分。
（2）操作参数调整规则提取
如图8所示，在提取工艺指标调节潜质之后，对工况进行分类，根据工况类别挖掘控制规则。由于工业过程中变量之间强耦合，传统的聚类算法多关注于样本点空间程度上的相似程度，即距离的远近。这使得传统聚类算法会导致样本点常常会聚集在一起而无法有效分开工况。因此，建立基于AT-LSTM的深度聚类模型，将工艺指标调节潜质加入到网络的注意力层中，提取过程变量中与控制相关特征，同时采用LSTM自动编码器和解码器进行数据降维，保留工业数据的时序特征，通过时间序列聚类算法进行工况划分，对每个工况通过支持向量机的方法提取出控制规则。
如图8所示所提方法应用在某锌冶炼企业净化除钴过程的优化控制中。为验证所提方法的有效性，对比分析了现场操作人员控制效果和所提方法的控制效果。
如图9所示，人工控制期间的锌粉添加总量、1#槽氧化还原电位以及出口钴离子浓度化验值的数据变化，图10展示了自动控制期间相关数据的变化，表2展示了两种控制方式在不同指标上的表现。1#净化槽是净化除钴工序的最后一个净化槽，其氧化还原电位与锌粉添加总量、出口的钴离子浓度之间的联系较为紧密，展示这三组数据有一定的代表意义。
表2 人工与自动控制方式的指标对比
从人工控制的数据可以发现，现场的工人通常只会在2小时每次的自动化验值生成后才会大幅度改变锌粉设定值。在两次化验值中间，或是两次化验值差别不大时，工人通常不会对锌粉添加量做出改变。从钴离子出口浓度数据可以看出，人工控制存在一定的滞后性，需要等到化验值出现后才能够做出反应，容易出现钴离子浓度超出阈值或锌粉添加量过大等问题。
图10展示了第二天自动控制时的数据，可以看出，自动控制系统会根据电位的变化以每化验周期（2小时）24次的频率对锌粉添加量做出调整，有效抑制了电位的波动。自动控制时的电位波动方差只有人工控制期间的19.58%。除此之外，钴离子的出口浓度在离设定的阈值较近的同时全部保持在了阈值以下，说明本文提出的混合智能控制方案能够在保证钴离子浓度合格的同时有效避免锌粉的浪费。表3展示了测量月的生产数据统计结果，前两周为人工控制，后两周为自动控制，两个生产区间的产量基本相同。可以看出，文中提出的自动控制方案实现了100%的出口浓度达标率，较人工控制高出2.98%。在锌粉消耗上，自动控制方式平均每小时消耗锌粉428.95kg，较人工控制减少了4.9%。
表3 人工与自动控制方式生产效果对比
本发明针对级联冶金反应过程的工艺特点，提出了基于入口条件在线估计的操作参数基准量预设定和基于工艺指标调节潜质分析的操作参数精细化调整方法，并在实际工业现场进行应用验证。应用结果表明通过对入口条件的在线估计和更加精细化的调控，提高了过程对入口条件变化的适应能力和工艺指标控制的稳定性。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行前述的基于入料条件估计和分工况综合分析的智能控制方法。计算机可读存储介质的示例包括：只读存储器（ROM）、随机存取可编程只读存储器（PROM）、电可擦除可编程只读存储器（EEPROM）、随机存取存储器（RAM）、动态随机存取存储器（DRAM）、静态随机存取存储器（SRAM）、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、蓝光或光盘存储器、硬盘驱动器（HDD）、固态硬盘（SSD）、卡式存储器（诸如，多媒体卡、安全数字（SD）卡或极速数字（XD）卡）、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置，所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行计算机程序。
在一个示例中，计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上，使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于入料条件估计和分工况综合分析的智能控制方法，其特征在于，包括以下步骤，
步骤S100，根据入口原料条件确定操作参数基准值；具体包括，步骤S101，综合利用前后反应器的过程参数信息估计当前反应器的入口条件；步骤S102，在步骤S101基础上，分析计算当前反应器中添加剂的反应效率，确定添加剂的基准量；
步骤S200，根据工况类型精细化确定操作参数的调整策略；具体为，分析当前反应条件下工艺指标能达到的最佳控制效果，及不同操作参数对工艺指标的潜在作用大小，根据工艺指标调节潜质将工况分为若干类型，进而根据工况类型确定适宜的操作参数调整策略，实现操作参数的精细化调整，支撑工艺指标的稳定精准控制。
2.根据权利要求1所述的一种基于入料条件估计和分工况综合分析的智能控制方法，其特征在于，步骤S101具体为，关键工艺指标随时间变化的规律：
（1）；
式中，x为关键工艺指标，为x的化验周期，v为单位时间内x随过程参数的变化规律；选择具有双向输入接口的BiLSTM等深度学习网络作为基础模型，在其中加入周期控制环节，并将前后反应器的过程参数分别作为基础模型的双向输入；假设时滞为τ，当前反应器当前时刻的信息只能用于估计一段时间之前的入口条件x(t-τ)，并基于贝叶斯推理等方法建立从x(t-τ)到x(t)的预测模型，实现入口条件的在线估计：
（2）；
式中V(t-2τ,t-τ)表示t-2τ时刻到t-τ时刻的过程变量，g()表示贝叶斯推理方法建立的函数。
3.根据权利要求1所述的一种基于入料条件估计和分工况综合分析的智能控制方法，其特征在于，步骤S102中，对于连续搅拌釜式反应器，将反应器使用多釜串联模型进行等效，假设釜的个数为N，则其平均停留时间为：
(3)；
其中，V为反应器体积，f为流量，采用阶跃法对CSTR的停留时间进行分析，得到其停留时间分布函数与停留时间分布密度函数为：
(4)；
(5)；
(6)；
其中θ代表无因次停留时间；N代表多釜串联模型中釜的数目；某段流体元的停留时间分布函数在t时刻的值代表这段流体元中停留时间小于t的粒子所占的比率，也就是说，在时刻t被消耗的粒子所占的比例；假设t-1，t-2，...，t-n这段时间内的n段流体元为mt-1，mt-2，...，mt-n，由于每一段流体元对应的流量不同，因此不同的流体元具有不同的停留时间分布，假设对应的停留时间分布为：
(7)；
将此跟随时间与流量变化的停留时间分布集合称为动态停留时间分布，Fn(t)的值表示t时间所消耗的物料所占的比例，对于各反应物来说，其每一段流体元在t时刻剩余的比例可以表示为：
(8)；
计算出t-1，t-2，...，t-n这段时间内的n段流体元在t时间的累积量为：
(9)；
构建基于动态停留时间分布的反应物累积量或累积量比以提取过程累积效应特征。
4.根据权利要求2或3所述的一种基于入料条件估计和分工况综合分析的智能控制方法，其特征在于，步骤S102中，采用动态慢特征分析方法，将慢特征分析进行动态扩展，在慢特征分析中包含变量的历史信息，以适应过程所受到的累积效应的影响，动态慢特征分析的输入矩阵如下：
(10)；
其中，z(t)是t时刻的输入变量，N是样本数，d为延迟步数；
反应效率估计与操作参数基准值设定计算时，当前时刻操作参数基准值：
(11)；
其中，E为反应效率，mgoal的计算需要当前时刻的入口条件以及出口指标要求确定。
5.根据权利要求4所述的一种基于入料条件估计和分工况综合分析的智能控制方法，其特征在于，步骤S200中，建立基于AT-LSTM的深度聚类模型，将工艺指标调节潜质加入到网络的注意力层中，提取过程变量中与控制相关特征，同时采用LSTM自动编码器和解码器进行数据降维，保留工业数据的时序特征，通过时间序列聚类算法进行工况划分，对每个工况通过支持向量机的方法提取出控制规则。
6.根据权利要求5所述的一种基于入料条件估计和分工况综合分析的智能控制方法，其特征在于，步骤S200中，定义时延系数、趋势系数、波动系数来反映工艺指标的控制效果，从历史生产数据提取出这些控制特征，然后通过选择不同的隶属度函数，将这些控制特征模糊化，通过模糊评估和反模糊化得到工艺指标调节潜质，相关公式如下：
(12)；
(13)；
(14)；
式中，，表示控制变量时间序列，Tmax是最大时滞参数，L是序列长度，λ是时滞参数，Y(t)是被控变量时间序列，R(X(t-λ),Y(t))表示两个时间序列的相关系数，使相关系数最大化的时滞参数λ就是时滞系数d，相应的最大相关系数就是趋势系数tre，趋势系数f被定义为拟合直线l(t)与实际曲线x(t)之间的误差积分。
7.一种基于入料条件估计和分工况综合分析的智能控制系统，其特征在于，包括存储器、控制处理器及存储在所述存储器上并可在所述控制处理器上运行的计算机程序，所述控制处理器执行所述程序，以实现如权利要求1-6任一项所述的一种基于入料条件估计和分工况综合分析的智能控制方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的一种基于入料条件估计和分工况综合分析的智能控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311141613.2A CN116880427B (zh) | 2023-09-06 | 2023-09-06 | 基于入料条件估计和分工况分析的智能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311141613.2A CN116880427B (zh) | 2023-09-06 | 2023-09-06 | 基于入料条件估计和分工况分析的智能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116880427A true CN116880427A (zh) | 2023-10-13 |
| CN116880427B CN116880427B (zh) | 2023-11-14 |
Family
ID=88271864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311141613.2A Active CN116880427B (zh) | 2023-09-06 | 2023-09-06 | 基于入料条件估计和分工况分析的智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116880427B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017088674A1 (zh) * | 2015-11-23 | 2017-06-01 | 东北大学 | 一种面向全流程生产的炼钢组批与排产方法 |
| CN109885012A (zh) * | 2019-04-12 | 2019-06-14 | 东北大学 | 一种金湿法冶金全流程实时优化补偿方法 |
| CN110390132A (zh) * | 2019-06-14 | 2019-10-29 | 中南大学 | 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 |
| CN110456756A (zh) * | 2019-03-25 | 2019-11-15 | 中南大学 | 一种适用于连续生产过程全局运行状况在线评估的方法 |
| DE102020206473A1 (de) * | 2020-05-25 | 2021-11-25 | Sms Group Gmbh | System und Verfahren zur Optimierung von mehreren voneinander abhängigen Herstellungsprozessen innerhalb einer metallurgischen Prozesskette, insbesondere von Herstellungsprozessen der Primärmetallurgie über die Sekundärmetallurgie bis hin zu Fertigungsverfahren |
| CN115202190A (zh) * | 2022-07-06 | 2022-10-18 | 中南大学 | 一种基于工艺指标调节潜质的工况划分和识别方法 |
| CN116400652A (zh) * | 2023-03-27 | 2023-07-07 | 云南驰宏资源综合利用有限公司 | 一种锑盐净化工艺过程锌粉自动控制方法、装置及系统 |
-
2023
- 2023-09-06 CN CN202311141613.2A patent/CN116880427B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017088674A1 (zh) * | 2015-11-23 | 2017-06-01 | 东北大学 | 一种面向全流程生产的炼钢组批与排产方法 |
| CN110456756A (zh) * | 2019-03-25 | 2019-11-15 | 中南大学 | 一种适用于连续生产过程全局运行状况在线评估的方法 |
| CN109885012A (zh) * | 2019-04-12 | 2019-06-14 | 东北大学 | 一种金湿法冶金全流程实时优化补偿方法 |
| CN110390132A (zh) * | 2019-06-14 | 2019-10-29 | 中南大学 | 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 |
| DE102020206473A1 (de) * | 2020-05-25 | 2021-11-25 | Sms Group Gmbh | System und Verfahren zur Optimierung von mehreren voneinander abhängigen Herstellungsprozessen innerhalb einer metallurgischen Prozesskette, insbesondere von Herstellungsprozessen der Primärmetallurgie über die Sekundärmetallurgie bis hin zu Fertigungsverfahren |
| CN115202190A (zh) * | 2022-07-06 | 2022-10-18 | 中南大学 | 一种基于工艺指标调节潜质的工况划分和识别方法 |
| CN116400652A (zh) * | 2023-03-27 | 2023-07-07 | 云南驰宏资源综合利用有限公司 | 一种锑盐净化工艺过程锌粉自动控制方法、装置及系统 |
Non-Patent Citations (2)
| Title |
|---|
| PABLO KARELOVIC: "Hybrid modeling and predictive control for hydrometallurgical processes", 《2014 EUROPEAN CONTROL CONFERENCE (ECC)》 * |
| 李际升: "考虑入料量波动的浓密机优化控制方法研究与实现", 《中国优秀硕士论文数据库》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116880427B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Thürlimann et al. | Soft-sensing with qualitative trend analysis for wastewater treatment plant control | |
| Vlahogianni et al. | Temporal aggregation in traffic data: implications for statistical characteristics and model choice | |
| KR102440372B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
| CN104751363B (zh) | 基于贝叶斯分类器的股票中长期趋势预测方法及系统 | |
| CN112445136B (zh) | 一种基于连续时间神经网络的浓密机预测控制方法及系统 | |
| CN116880427B (zh) | 基于入料条件估计和分工况分析的智能控制方法及系统 | |
| Jia et al. | Multi‐stage economic model predictive control for a gold cyanidation leaching process under uncertainty | |
| Ghobadi et al. | Developing a multivariate approach to monitor fuzzy quality profiles | |
| CN111125907A (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
| JP4146610B2 (ja) | 濁度予測システム、濁度制御システムおよび濁度管理システム | |
| CN102676818B (zh) | 一种湿法炼锌除铜过程锌粉有效性系数预测方法 | |
| CN112899496B (zh) | 湿法炼锌净化除钴过程入口铜离子浓度估计方法及系统 | |
| EP0768589B1 (en) | Method for controlling phosphate bath constituents | |
| CN115202190B (zh) | 一种基于工艺指标调节潜质的工况划分和识别方法 | |
| CN114315058B (zh) | 水处理控制方法、系统、计算机设备及存储介质 | |
| Wang et al. | DRSM model for the optimization and control of batch processes | |
| CN116244625A (zh) | 基于多特征融合神经网络的溢流型磨机负荷间接预报方法 | |
| Zhang et al. | Optimization control of a fed-batch process using an improved reinforcement learning algorithm | |
| CN114662056A (zh) | 镀膜厚度控制方法、装置和存储介质 | |
| CN114820086A (zh) | 农产业链数据处理方法及农产业交易流量预测系统 | |
| CN109142167B (zh) | 一种磨矿粒度的在线鲁棒正则软测量模型的建立方法 | |
| Suri | Optimal harvesting strategies for fisheries: a differential equations approach: a thesis presented in partial fulfillment of the requirement for the degree of Doctor of Philosophy in Mathematics at Massey University, Albany, New Zealand | |
| Hsu et al. | Data-based modelling for predicting the completion time of batch processes | |
| CN116680916A (zh) | 一种湿法冶金反应器反应状态综合感知的级联建模方法 | |
| CN116090678B (zh) | 一种数据处理方法、装置及设备 |
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 |