[发明专利]金湿法冶金置换过程中置换率和金泥品位的在线预测方法

权利要求书

1.金湿法冶金置换过程中置换率和金泥品位的在线预测方法，采用已知的湿法冶金置换过程工艺，其特征在于：通过对湿法冶金置换过程建模，实现湿法冶金置换过程置换率和金泥品位的实时预测，包括过程数据采集、辅助变量的选择以及数据预处理、置换率机理模型的建立、金泥品位数据模型的建立、模型的校正与更新步骤：

1）数据采集

数据采集所用的设备硬件包括置换过程置换率和金泥品位的预测操作系统、上位机、PLC和现场传感变送部分，其中现场传感变送部分包括流量检测仪表，在置换过程现场安装检测仪表，检测仪表将采集的信号通过PROFIBUS-DP总线送到PLC，PLC通过以太网定时将采集信号传送到上位机，上位机把接收的数据传到置换过程置换率和金泥品位的预测操作系统，从而进行置换过程置换率和金泥品位的预测；

现场传感变送部分功能：流量检测仪表由传感器组成，负责过程数据的采集与传送；

PLC功能：负责把采集的信号A/D转换，并通过以太网把信号传送给上位机；

上位机功能：收集本地PLC数据，传送给置换过程置换率和金泥品位的预测操作系统，从而完成对置换过程中置换率和金泥品位的在线预测；

2）辅助变量的选择以及数据预处理

选择的辅助变量包括：

（A）贵液的流量                                                ；

（B）贵液中金氰离子的浓度；

（C）贵液中银离子的浓度；

（D）锌粉添加量；

（E）置换率；

（F）金泥品位；

数据预处理包括：

（A）异常数据预处理

针对异常数据，采用3σ准则，也称为拉依达准则进行处理；一般情况下，对一组样本数据，如果发现有偏差大于3σ的数值，则可以认为它是异常数据，应予以剔除，其数学方法表述如下：

                        ①

式中为平均值；

如果某个数据样本值的残差满足下式：

                                 ②

则认为是含有粗差的异常数据，应予以剔除；在剔除了己经找出的异常数据后，对剩下的数据按上述准则继续进行计算、判别和剔除，直到不再有异常数据为止；

（B）间歇过程数据预处理

由于湿法冶金置换过程是一个典型的间歇过程，要对这个间歇过程的最终产品的金泥品位进行数据建模，就需要对关于金泥品位的间歇过程数据进行预处理；

间歇操作实时测量的过程数据可以表示为三维数组：，其三个维数分别表示间歇操作周期、过程变量个数和每一次间歇操作过程中测量点的个数；

间歇过程的产品质量通常是在一次间歇操作结束之后离线测定，表示为离线的二维矩阵；因此，间歇过程数据的典型形式是一个三维的过程变量数组和一个二维的质量变量矩阵；

考虑到后续金泥品位的建模问题，将该三维数据按批次方向展开为二维矩阵，这种展开方法保留了批次方向而将过程变量和采样点个数两个维数上的数据揉合在一起，其每一行包含了一个批次操作周期内的所有数据，表示为：；

3）置换率的机理模型

（A）化学反应动力学方程式

在某一化学反应过程中，反应物的反应速度往往是一个很重要的变量，在锌粉置换金的反应中，锌粉置换金服从一阶动力学反应，金的反应沉积速度可用如下表达式求得：

                                ③

式中  —金的沉积速度()；

—反应速度常数()；

—锌粉表面积()；

—压滤机中溶液的体积()；

—溶液中金氰离子浓度()；

置换反应发生在锌粒的表面，假设锌粒是球形的，锌粉的表面积计算表达式如下：

                                 ④

式中  —锌的密度()；

—锌粒的直径()；

—压滤机溶液中的锌粉质量()；

锌的反应速度与金的反应沉积速度关系如下：

                                 ⑤

式中  —锌的反应速度（）；

—锌的相对原子质量；

—金的相对原子质量；

—反应比例系数；

（B）物料守恒

组分累积量=组分流入量-组分流出量-组分反应消耗量

对于金离子的守恒来说，表达式如下：

                         ⑥

对于锌粉的质量守恒来说，表达式如下：

                               ⑦

式中  —贵液的流量（）；

—贵液中的金氰络合离子浓度（）；

—锌粉流量（）；

—贫液中金氰络合离子的浓度（）；

—贫液的流量（）；

（C）压滤机特性方程

单位时间内，压滤机内溶液的体积变化：

                               ⑧

恒压下，过滤的基本方程式：

                             ⑨

                               ⑩

式中  —分离得到的贫液量()；

—过滤速度常数()；

—压滤机滤布的过滤面积()；

—推动力()；

—过滤介质的当量滤液体积()；

—滤饼的压缩指数；

金的置换率表达式：

                             ?

式中  —贵液中金氰离子初始浓度（）；

—贵液中金氰离子的浓度（）；

建立的置换过程关于金置换率的动态机理模型，置换率与贵液中金氰络合离子浓度、贵液流量、锌粉添加量的关系式如下所示：

                           ?

其中  —贵液中金氰离子的浓度（）；

—贵液的流量（）；

—锌粉添加量（）；

4）金泥品位的数据模型

本发明采用非线性PLS作为数据建模的方法，这里的输入变量为贵液流量、锌粉添加量、金氰离子浓度、银离子浓度，输出变量为金泥品位；对于核偏最小二乘算法的基本思想表示如下：

对于非线性过程数据，往往可以通过映射将低维空间的非线性关系转变为高维空间的线性关系，在高维空间利用NIPALS算法建立PLS模型，即在原始空间建立了非线性KPLS模型；如一个非线性变换输入数据映射到特征空间：

                       ?

式中  —输入矩阵的维数；

—样本的个数； 

—矩阵的第行数据；

—输入空间到特性空间的非线性映射关系；

—特性空间的维数；

在特征空间中，引入核函数，定义为形式，是的Gram矩阵；通常选用高斯核函数：

                      ?

式中  —核宽参数；

在确定了核函数以后，接下来就需要确定核宽参数以及潜变量的个数；本发明选择交叉检验的方法确定上述两个参数，即将建模数据分为组，利用其中的组进行建模，对余下的1组进行预测，选择预测均方根误差和的最小值所对应的参数组合；

在进行上述变换之后，利用PLS算法建立输入数据向量与输出数据向量之间的线性回归模型，若是由前个得分向量组成的维矩阵，则模型可以利用下式进行描述：

                              ?

                   ?

式中  —输入数据矩阵；

—输入数据得分向量矩阵；

—的负载向量矩阵；

—的拟合残差矩阵；

—输出数据矩阵；

—对的得分向量的预测值矩阵；

—的负载向量矩阵；

—的拟合残差矩阵；

—PLS的回归系数矩阵；

KPLS算法离线建模的基本步骤如下：

（A）对训练数据和进行标准化处理，即均值零化和方差归一化；

（B）计算核矩阵，；

（C）特征空间中心化，使，，其中，为单位矩阵，为全1矩阵，，；

（D）随机初始化输出得分向量，可设等于的任意一列；

（E）计算输入得分向量：，将正规化：；

（F）计算输出得分向量的权值向量：；

（G）计算输出得分向量：，将正规化：；

（H）重复步骤（D）-（G），直至收敛；检查收敛的办法是看与前一次的差是否在允许的范围之内；

（I）计算特征空间和输出空间的残差空间：，；

（J）利用交叉检验法确定外部迭代次数，即得分向量的个数；

（K）计算特征空间回归系数矩阵：；

（L）对训练数据进行预测:。