一种湿法冶金金氰化浸出过程优化方法

摘要

一种湿法冶金金氰化浸出过程优化方法，采用已知的湿法冶金金氰化浸出工艺，在确保稳定生产及达到生产指标的基础上，实现总生产成本的最小化，包括下述工艺步骤：（1）数据采集、（2）辅助变量的选取和数据处理、（3）优化模型建立、（4）优化模型的求解、（5）浸出过程优化操作指导的确定步骤。本发明能根据生产要求及生产现场状况，优化指导生产过程中的原料添加量，制定合理的生产计划，以解决生产过程中存在的原料添加量不足以及盲目过多添加等问题，确保达到生产要求的同时，避免原料浪费。

主权项

一种湿法冶金金氰化浸出过程优化方法，采用已知的湿法冶金金氰化浸出工艺，在确保稳定生产及达到生产指标的基础上，实现总生产成本的最小化；根据现场生产工艺及生产目标的要求，本发明建立了金氰化浸出过程的优化模型，其特征在于：优化模型综合考虑了整个金氰化浸出过程的物料损耗，其主要包括三个部分：(1)氰化物的物料损耗；(2)去除残余氰化物的损耗；(3)未被浸出金的损耗，得目标函数为下式所示：………①其中，为加入第i个浸出槽的氰化物的流量，、分别为其上、下限，为第一槽的初始氰化物的浓度，为浸出结束后氰化物浓度，为浸出槽的数目，为矿浆液相的流量，为矿石的流量，为浸出结束后矿石中金的品位，a为浸出率，为浸出率最小指标值，为氰化物价格系数，为去除残余氰化物的价格系数，为金的价格系数；本发明利用数据模型学习机理模型误差，然后对机理模型加以补偿进而建立混合模型；本发明采用机理模型与数据补偿的并联混合模型，作为与优化相关的浸出过程关键变量的预测模型；浸出过程的预测模型由机理模型、误差补偿模型及一个辩识机构所构成；机理模型的输入为：矿石流量、氰化钠流量、溶解氧浓度、矿浆浓度、粒子粒径，初始金品位、初始氰化钠浓度，输出为：浸出率；数据补偿模型的输入为：矿石流量、氰化钠流量、溶解氧浓度、矿浆浓度、粒子粒径，初始金品位、初始氰化钠浓度，输出为实际浸出率与机理模型预测浸出率的误差预测；机理模型的参数由参数辨识确定之后，能得到机理模型的浸出率预测值；实际生产过程的浸出率则通过离线的化验统计得到，将该值与实际生产过程的浸出率进行比较，得到差值；由基于KPLS算法得到的数据补偿模型根据差值进行建模，输出即为对实际浸出率与机理模型预测浸出率的差值的回归值；将机理模型与补偿模型的输出相加即得到混合模型的输出；本发明采用遗传粒子群算法对优化模型进行求解，基本PSO算法中，速度更新公式和位置更新公式分别如下所示：……………………………………………………………………………其中，，为粒子群中粒子的个数，，为解向量的维数，粒子本身所找到的最好解为，整个粒子群中所有粒子在历代搜索过程中所达到的最优解为，，为最大迭代次数，为学习因子，为惯性权重，是[0，1]之间的随机数；标准PSO的算法流程如下：1) 初始化一群粒子，群体规模为m，包括随机位置和速度；2) 评价每个粒子的适应度；3) 对每个粒子，将其适应值与其经历过的最好位置作比较，如果较好，则将其作为当前的最好位置；4) 对每个粒子，将其适应值与全局所经历的最好位置作比较，如果较好，则重新设置的索引号；5) 根据方程和变化粒子的速度和位置；6) 如未达到结束条件(通常为足够好的适应度值或达到一个预设最大迭代次数G_max)，则返回2)；本发明的优化求解在粒子群算法中引入遗传算法，从式和中能知道，PSO算法是通过分享个体之间的有用信息和个体的自学习来提高个体的；个体提高以后，再采用遗传算法中的交叉和变异步骤，得到更加优秀的下一代群体，新的算法既保证了遗传算法强大的全局搜索性能，又同时融合粒子群的位置转移思想；这样，经过改进的算法充分利用了被遗传算法忽略了的种群的信息和个体的信息，其寻优过程更有效率，所得到的解精度更高；在传统PSO算法的基础上，加入遗传算法中的复制和重组这些称为繁殖的操作，该方法按概率p对选出的粒子进行如下操作：………………………………………………通过父代的杂交操作，产生子代的粒子取代父代，选择父代时没有基于适应值，防止了基于适应值的选择对那些多局部极值的函数将带来潜在问题；p是(0,1)间的随机数，经验值约为0.2，理论上讲遗传粒子群法可以更好地搜索粒子间的空间，2个在不同次优峰处的粒子经繁殖后，可以从局部最优逃离；在标准粒子群算法的迭代流程中，在判断是否满足优化标准后加入选择、交叉、变异步骤；基于混合模型的浸出过程优化操作依据如下步骤进行：（A）参数计算：根据历史数据辨识机理模型中的参数；（B）采集数据：收集离线化验的参数以及传感器测量的工艺操作参数；（C）将机理模型预测结果与真实检测结果进行比较，计算预测结果与真实值之间的差值；（D）混合模型的建立：将采集到的传感器测量数据与上述预测结果与真实值之间的差值组成输入输出数据对，利用KPLS方法进行训练，得到数据模型中的参数，将机理模型与数据模型并联组成混合模型作为操作系统的模型约束；（E）确定优化参数：确定遗传粒子群算法的参数，主要包括初始粒子群、最大迭代次数、学习因子、惯性权重、交叉变异率；（F）计算优化结果：根据采集到的初始数据以及混合模型约束，采用遗传粒子群算法进行优化，得到优化结果，即氰化钠添加量值；过程数据采集选用的硬件装置，包括金氰化浸出过程优化系统、PLC、上位机、现场检测仪表；在金氰化浸出车间安装流量、浓度、pH值等检测仪表，检测仪表将采集到的现场实际运行数据通过Profibus‑DP总线传送到PLC，PLC再将采集的信号通过以太网传送到上位机，然后，上位机把现场实际运行数据传送到金氰化浸出过程操作优化系统，同时将优化结果同步显示在上位机组态界面中。