湿法冶金合成过程草酸钴粒度预测方法

摘要

本发明提供一种湿法冶金合成过程草酸钴粒度实时预测方法，包括过程数据采集、辅助变量选择以及标准化处理、混合模型的建立等步骤，其特征在于：建立基于机理模型和基于数据驱动模型构成的并联结构混合模型；采用遗传算法对机理模型中的相关模型参数进行确定；用基于数据驱动的模型作为机理模型的误差补偿模型。本发明还提供了一种实施草酸钴粒度预测的软件系统，它包括主程序、数据库和人机交互界面，该系统软件以湿法冶金合成过程控制系统的模型计算机作为硬件平台。将本发明应用于某湿法冶金工厂草酸钴合成过程，用其对草酸钴的粒度进行预测，其预测结果均在预定的误差范围以内。本发明的优点：模型简单、可解释性强、外推性好、预测精度较高。

主权项

1、湿法冶金合成过程草酸钴粒度预测方法，采用已知的湿法合成草酸钴工艺，其特征是由硬件支撑平台和软件系统组成，在合成过程中直接控制进入合成釜中的草酸铵的流量、合成釜温度和搅拌转速，通过混合模型建模，实时预测草酸钴平均粒度，包括数据采集、辅助变量选择和数据处理、混合模型建立步骤：1)数据采集数据采集所用的设备硬件包括合成过程草酸钴粒度预测系统、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pH值、温度、流量等检测仪表；负责过程数据的采集与传送，在合成过程现场安装检测仪表，检测仪表将采集的PH值、温度、流量和搅拌器搅拌转速等信息实时通过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合成过程草酸钴粒度预测系统，进行草酸钴平均粒径的实时预测；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，传送给草酸钴粒度预测系统，实时预测草酸钴平均粒径；2)辅助变量选择和数据处理选择的辅助变量包括：(a)合成釜内温度x₁；(b)合成釜搅拌速率x₂；(c)草酸铵流量x₃；(d)氯化钴浓度x₄；首先将采集到的传感器测量数据进行标准化处理：：$x_i=\frac{X_i-X_{\min }}{X_{\max }-X_{\min }}---\left(1\right)$式中 x_i—处理后数据；     X_i—样本数据；     X_max—样本数据最大值；     X_min—样本数据最小值；3)混合模型建立：将机理模型与数据模型并联组成混合模型，实现对草酸钴平均粒径进行实时预测；机理模型包括反应速率模型、结晶动力学模型、粒数衡算方程、物料衡算方程，其中结晶动力学模型包括：成核速率模型、生长速率模型、凝并速率模型；①反应速率模型采用经验公式$\frac{{\mathrm{dC}}_{\mathrm{pA}}}{\mathrm{dt}}=\frac{v_B{C}_B{V}_{A0}}{{(V_{A0}+v_{B}t)}^2}---\left(2\right)$式中 v_B—反应物B的体积流速；     V_A0—反应物A的初始体积；     C_PA—溶液中由反应生成的P的浓度；     C_B—反应物B的浓度；②成核速率模型$r_N=\mathrm{Aexp}\left(\frac{-16{\mathrm{\pi \delta }}^3{M}^2}{{3R}^3{T}^3{\rho }^2{\left(\ln \mathrm{\Delta C}\right)}^2}\right)---\left(3\right)$式中 r_N—成核速率；     A—频率因子；     δ—液固界面张力；     M—溶质分子质量；     ρ—溶质颗粒密度；     T—系统热力学温度；     ΔC—溶液过饱和度；     R—气体常数(8.31J/Kmol)；成核速率r_N一般采用如下形式的经验公式：$r_N=\left\{\begin{array}{cc}{K}_n\exp (-\frac{K_a}{T})N_P^{\gamma }\times {(C_P-C_P^{*})}^{\alpha }& C_P-C_P^{*}>0\\ 0& C_P-C_P^{*}\le 0\end{array}\right.---\left(4\right)$式中 C_p—溶质的浓度；—溶质的饱和浓度；γ—搅拌速率指数；N_P—搅拌速率；K_n—成核速率系数；K_a—成核速率温度指数；α—成核速率过饱和度指数；③生长速率模型当搅拌速率达到一定值时，生长模型是与粒度无关的，其生长速率G可采用经验公式：$G=\left\{\begin{array}{cc}{K}_g\exp (-\frac{K_b}{T}){(C_p-C_p^{*})}^{\beta }& C_p-C_p^{*}>0\\ 0& C_p-C_p^{*}\le 0\end{array}\right.---\left(5\right)$式中 K_g—生长速率系数；     K_b—生长速率温度指数；     β—生长速率过饱和度指数；④粒数衡算方程为：Q_Eψ_EdLdt+r_Nδ(L-L₀)dLV_Tdt+r_AdLV_Tdt＝                                             (6)Q_sψdLdt+d(ψG)V_Tdt+d(ψdLV_T)+r_BdLV_Tdt式中 L—颗粒的特征长度；     L₀—颗核粒度；     δ(L-L₀)—delta函数；     ψ_E、ψ_d—进、出料中颗粒的粒数密度；     ψ—粒数密度函数；     r_A—单位体积内由于凝并颗粒的净产生速率；     r_B—单位体积内由于破碎颗粒的净消失速率；     V_T—合成釜内悬浮液的体积；     Q_E，Q_s—进、出料体积流率；⑤物料衡算方程为：$\frac{{\mathrm{dC}}_p}{\mathrm{dt}}=\frac{v_B{C}_B{V}_{A0}}{{(V_{A0}+v_{B}t)}^2}-\frac{{\rho }_p{K}_V}{M_p}{3\mathrm{G\mu }}_2-\frac{{\rho }_p{K}_V}{M_p}{r}_N{L}_0^3---\left(7\right)$式中 ρ_p—晶体密度；     K_V—体积形状因子；     M_p—P物质的分子量；     L₀—晶核粒度；     C_p—经过反应、成核和生长后溶液中P的浓度；     μ₂—粒数密度关于L的二阶矩，${\mu }_2={\int }_0^{\infty }{\mathrm{\psi L}}^2\mathrm{dL};$本发明采用遗传算法来辩识机理模型中的参数，具体如下：①编码方式将未知的参数作为遗传算法寻优的自变量输入，采用实数编码；编码组成一个实数向量为(K_v，K_g，α，K_n)→(x₁，x₂，x₃，x₄)；②目标函数目标函数选择草酸钴粒度的实际测量值与模型计算值误差平方和最小的形式，即：$\widetilde{f\left(\theta \right)}=\underset{i=1}{\overset{M}{\Sigma }}{(y_{1i}-\widehat{y_{1i}})}^2---\left(8\right)$式中—目标函数；     y_1i—草酸钴粒度实际测量值(实际系统的终点值)；—草酸钴粒度模型计算值(取模型的稳态值)；     M—采样样本数；③适应度函数的选择辨识所选用的适应度函数为：$F\left(\mathrm{pos}\right)=\frac{1}{1+\widetilde{f\left(\theta \right)}}---\left(9\right)$式中F(pos)—适应度函数本发明中采用非线性PLS(偏最小二乘)作为数据建模方法拟合机理模型的未建模动态，RBF-PLS方法由RBF网络与PLS算法结合而成；网络的基本结构采用RBF三层结构：输入层、隐含层和输出层；输入层接收信源，隐含层对信源活化处理后传输给输出层，而隐含层以样本容量作为隐单元数，以每个样本作为各径基函数的中心，采用PLS回归方法计算输出层的连接权值，从而避免自变量间的复共线性对模型性能的影响；基于混合模型的合成过程草酸钴粒度预测方法依如下步骤进行：步骤一、机理模型参数计算：根据历史数据辨识机理模型中的参数；步骤二、机理模型预测：利用机理模型对草酸钴平均粒径进行预测，并记录预测结果；步骤三、采集数据：收集离线化验的草酸钴平均粒径以及离线化验值所对应的传感器测量的工艺操作参数；步骤四、将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；步骤五、数据模型训练：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，利用上述RBF-PLS方法进行训练，得到数据模型中的参数；步骤六、混合模型的预测：将机理模型与数据模型并联组成混合模型，实现对草酸钴平均粒径进行实时预测。