湿法冶金萃取过程组分含量预测与优化操作方法

摘要

湿法冶金萃取过程组分含量预测与优化操作方法，采用多级萃取槽的湿法冶金萃取工艺，是通过对湿法冶金萃取过程的混合建模，实现萃余液组分含量的实时预测，并对萃取过程提供在线优化操作指导。包括数据采取、辅助变量的选择以及标准化处理、混合模型的建立、混合模型的校正、优化操作指导的确定等步骤。本发明能大幅度提高浸出率，使生产维持在最佳损伤状态，并能减少原料和能源的消耗，延长设备的运行周期。

主权项

1.湿法冶金萃取过程组分含量预测与优化操作方法，是采用已知的采用多级萃取槽的湿法冶金萃取工艺，其特征在于：通过对湿法冶金萃取过程的混合建模，实现萃余液组分含量的实时预测，并对萃取过程提供在线优化操作指导，包括数据采集、辅助变量的选择以及标准化处理、混合模型的建立、混合模型的校正和优化操作指导的确定等步骤；1)过程数据采集本发明使用的硬件装置包括萃取过程组分含量预测与优化操作系统、上位机、PLC、现场传感变送部分，其中现场传感变送部分包括pH值、温度和流量等检测仪表，在萃取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将采集的信号实现A/D转换，并通过以太网定时将采集信号传送到上位机，上位机把接受的本地PLC数据传到萃取过程组分含量预测与优化操作系统，进行萃余液组分含量的实时预测，并提供在线优化操作指导；2)辅助变量的选择以及标准化处理本发明所选择的辅助变量包括：①料液中被萃组分的浓度x₁；②料液的流量X₂；③洗液的流量X₃；④有机相的流量X₄⑤萃余液的pH值X₅；⑥料液的温度X₆；首先将采集到的传感器测量数据进行标准化处理：${\tilde{x}}_j\left(i\right)=\frac{x_j\left(i\right)-x_j\left(\min \right)}{x_j\left(\max \right)-x_j\left(\min \right)}$式中-第i个数据样本，第j个传感器测量值的标准化值；x_j(i)-第i个数据样本，第j个传感器测量值；-第j个传感器测量值的最小值；-第j个传感器测量值的最大值；3)建立混合模型本发明采用并行混合模型的结构，采用基于非线性PLS的并行混合模型结构对机理模型中的未建模动态进行补偿；本发明中采用的机理模型由m+n级混合清澄器组成，其中m级用于萃取、n级用于洗涤；通常，由于反萃、反铁效率较高，经过反萃段后的新鲜有机相中各金属离子的浓度可视为0，因此为简化机理模型结构，仅考虑对萃取段以及洗涤段进行建模，依据物料衡算关系，对于萃取段第i级，i＝1，2，...m-1，存在如下物料衡算关系：Vy_i-1+(L+L′)x_i+1＝Vy_i+(L+L′)x_i而对于萃取段第m级即进料级i＝m，存在如下物料衡算关系：Vy_m-1+Lx₀+L′x_m+1＝Vy_m+(L+L′)x_m对于洗涤段第j级，j＝m+1，...，n-1，存在如下物料衡算关系：Vy_j-1+L′x_j+1＝Vy_j+L′x_j而对于洗涤段第n级，即j＝n，存在如下物料衡算关系：Vy_n-1+L′x′₀＝Vy_n+L′x_n式中V-有机相流量；L-料液流量；L′-洗液流量；y_i-从第i级混合澄清器流出有机相中被萃组分的浓度；x_i-从第i级混合澄清器流出有机相中被萃组分的浓度；y_j-从第j级混合澄清器流出有机相中被萃组分的浓度；x_j-从第j级混合澄清器流出有机相中被萃组分的浓度；y₀-新鲜有机相中被萃组分的浓度；x₀-料液中被萃组分的浓度；x′₀-洗液中被萃组分的浓度；上述m+n个物料衡算关系组成了一个具有2(m+n)个未知数的方程组，为了求解上述方程组，还需要引入萃取平衡关系方程：y_i＝f(x_i)为了建立理想情况下平衡时有机相中金属离子的浓度与水相金属离子浓度之间的未知函数关系f(·)，需要进行离线萃取平衡实验以获取用于辨识的样本数据；首先取出少量新鲜的有机相用于萃取平衡实验，分别配制具有不同金属离子浓度的水相，用分液漏斗进行萃取平衡实验，有机相和水相按一定的相比加入分液漏斗，振荡混合、静置分层，调节平衡后的水相pH值，分析水相金属离子浓度，记录用于辨识的实验数据；通过分析，可以将模型具体化为半经验模型：${\bar{y}}_i=f\left({\bar{x}}_i\right)=\frac{a_1·{\bar{x}}_i}{a_2+{\bar{x}}_i}$式中a₁，a₂-待辨识参数；从上述半径经验模型的物理意义，可以判断出a₁，a₂的值应大于0；因为优化计算的结果往往不是惟一的，为了尽可能使计算结果符合实际情况，下面采用带约束的非线性优化算法，可根据经验将a₁，a₂的值限制在一定的范围之内，对上述半径经验模型${\bar{y}}_i=f\left({\bar{x}}_i\right)=\frac{a_1·{\bar{x}}_i}{a_2+{\bar{x}}_i}$进行反向优化计算；具体步骤是：①随机产生一组大于0，小于a₁，a₂规定范围的初始值；②将a₁，a₂代入上式，计算y_i的估计值③将样本值与估计误差平方和$\mathrm{EMS}=\underset{i=1}{\overset{n}{\Sigma }}{({\bar{y}}_i-{\stackrel{\widehat{‾}}{y}}_i)}^2$作为优化计算的目标函数，判断目标函数是否符合要求，如满足要求，则停止计算，否则进入下一步；式中y_i-为第i个样本的观测值；-为第i个样本的估计值；n-为样本的个数；④用BFGS方法进行带约束条件的迭代计算，得到新的a₁，a₂；⑤重复②～④步，直到目标函数满足要求；本发明中采用非线性PLS(RBF-PLS)作为数据建模方法补偿机理模型中的未建模动态，RBF-PLS方法由RBF网络与PLS算法结合而成，优化操作指导的确定本发明采用基于混合模型的系统为萃取过程提供在线优化操作指导，通过现场与操作者的交流，得到一系列操作经验，并结合混合模型，通过迭代运算给出各操作变量的指导，其具体算法步骤如下：①设定萃余液中各被萃组分的浓度要求；②读取料液中各被萃组分的浓度以及料液的流量；③根据操作者的经验，选择一个合适的有机相流量，以及与之相应的洗液流量作为初始值；④在上述操作条件下，利用混合模型预测萃余液中各被萃组分的浓度，判断是否达标；若有一不达标，返回③步重新选择一个初始化有机相流量；若均达标进入⑤步；⑤将有机相流量在上述初始值的条件下减小ΔV，洗液流量同时进行相应调整，重新调用混合模型，对萃余液中各被萃组分的浓度进行预测，判断是否达标；若有一不达标，则停止计算，前次求得的有价相流量与洗液流量为当前时刻的优化操作指导；若均达标，则⑤步重复。