CN107563656B - 金湿法冶金氰化浸出过程运行状态的评价方法 - Google Patents

Abstract

本发明涉及一种金湿法冶金氰化浸出过程运行状态的评价方法，包括如下步骤：S1、数据收集：采集金湿法冶金氰化浸出过程中的过程变量；S2、数据处理：对获得的定性变量和定量变量数据进行建模处理；S3、评价模型的建立：利用处理后的定性变量与定量变量的数据，拟合每一个运行状态等级数据的概率密度函数，建立高斯混合模型；S4、过程运行状态的在线评价：采集实时生产数据，根据所建立的所述高斯混合模型，利用贝叶斯理论，得到运行状态处于各等级的后验概率，再根据最大后验概率原则，判断当前运行状态等级。本发明方法充分利用可定量测量和定性估计的变量信息，对过程运行状态进行在线评价，使生产过程更加高效，确保企业经济效益。

Description

金湿法冶金氰化浸出过程运行状态的评价方法

技术领域

本发明涉及金湿法冶金技术领域，具体涉及一种金湿法冶金氰化浸出过程运行状态的评价方法。

背景技术

金湿法冶金，又称之为化学冶金(chemical metallurgy)，是相对于火法冶金和电解法冶金而言，一种利用液相环境的特点，通过一定的化学反应，进行目标金属的提炼和萃取的技术。金湿法冶金将矿石中固态的金转换为矿浆中液态的金，再用锌粉进行置换，在冶金效率和环境保护方面有较大优势。金湿法冶金氰化浸出过程，是金湿法冶金最重要的一个操作环节。氰化浸出的目的是选择适当的溶剂使矿石、精矿或冶炼中间产品中的有价成分或有害杂质选择性溶解，使其转入相应的溶液中，达到有价成分与有害杂质或与脉石分离之目的。氰化浸出过程的性能好坏，直接决定了黄金的产率和企业的收益。

实际工业生产过程往往都是以追求生产过程性能最优为目的。然而，生产过程可能会偏离最优运行状态，并最终引起企业生产效率和经济效益下降。过程运行状态评价是指在过程运行正常的基础上，针对某个或某些具体的指标如经济效益、生产成本、生产效率等，进一步判断过程运行状态的优劣状况，并对导致非最优运行状态的原因进行识别，指导生产调整。

研究发现，金湿法冶金氰化浸出过程，机理复杂，难以建立准确的过程机理模型。此外，由于氰化浸出过程生产环境恶劣、检测技术落后、检测成本高等原因，存在少量关键变量无法实时、准确测量，只能定性估计。也就是说，在氰化浸出过程中，定量与定性变量共存，但定量变量占据主导地位。传统的运行状态评价方法多以定量变量为基础，进行建模。定性变量的存在，可能导致定量模型失效，或者产生病态模型。

传统的基于定性信息的运行状态评价方法，通常先将定量变量进行定性化处理，再进行建模。但定性化的过程，可能损失有效信息，导致模型精度下降，甚至产生错误的评价结果。因此，对金湿法冶金氰化浸出过程进行运行状态评价的研究具有重要的理论和实际意义。

目前，多数金湿法冶金氰化浸出过程的运行状态评价方法是根据离线分析，在一个生产周期(通常以天、月、年等为单位)结束后，根据各项生产指标统计出一个综合经济指标，衡量该生产周期内过程运行状态的优劣，并根据此评价结果对下一个生产周期提供操作指导，以期获得更好的经济收益。但是这种做法没有充分利用在线信息，使运行状态评价结果产生严重滞后，不能实时指导生产，保证其为最优的运行状态。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种金湿法冶金氰化浸出过程运行状态评价方法，该方法是基于高斯混合模型和贝叶斯理论，充分利用过程定量测量和定性估计的信息，确保金湿法冶金氰化浸出过程运行状态得到实时反馈。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种金湿法冶金氰化浸出过程运行状态评价方法，其包括如下步骤：

S1、数据收集：采集金湿法冶金氰化浸出过程中的过程变量，所述过程变量包括定性变量和定量变量；

S2、数据处理：对所述步骤S1获得的定性变量和定量变量数据进行建模处理；

S3、评价模型的建立：利用所述步骤S2处理后的定性变量与定量变量的数据，拟合每一个运行状态等级数据的概率密度函数，建立高斯混合模型；

S4、过程运行状态的在线评价：采集实时生产数据，根据所建立的所述高斯混合模型，利用贝叶斯理论，得到运行状态处于各等级的后验概率，再根据最大后验概率原则，判断当前运行状态等级。

如上所述的评价方法，优选地，所述步骤S2中数据处理包括：

S201、用x_k表示k时刻的样本，所述x_k＝[(x_k)_QN,(x_k)_QL]，(x_k)_QN中包含所有定量变量，(x_k)_QL中包含所有定性变量，(x_k)_QN和(x_k)_QL分别为1×J_QN维和1×J_QL维的向量，J_QN是所述定量变量的数目，J_QL是所述定性变量的数目，J_QN+J_QL＝J；

S202、用

表示k时刻未经处理的原始数据向量，

需要经过预处理后得到建模数据x_k，用(x_k)_QN代表k时刻预处理后的定量数据，

所述

表示k时刻未经处理的原始定量数据向量；用(x_k)_QL代表k时刻预处理后的定性变量数据，所述(x_k)_QL为

中每个变量出现频率最高的定性状态，所述

表示k时刻未经处理的原始定性数据向量；所述(x_k)_QN和(x_k)_QL构成了建模样本x_k，所有所述建模样本构成X矩阵，并记为历史数据，所述X是一个I×J维的矩阵，所述I表示样本数目，所述J表示变量总的数目；

S203、根据综合经济效益的大小，将运行状态划分为N个等级，相应地，所述X划分为X¹,X²,…,X^N，用Xⁿ表示第n个等级的历史数据矩阵，n＝1,2,…,N；将Xⁿ分解为[(Xⁿ)_QL,(Xⁿ)_QN]，所述(Xⁿ)_QL为定性变量的数据，所述(Xⁿ)_QN为定量变量的数据。

如上所述的评价方法，优选地，所述步骤S3中评价模型的建立包括：用(x^l)_QL表示所述(X¹)_QL,(X²)_QL,…,(X^N)_QL中的第l种定性变量组合，其中，l＝1,2,…,L，L为定性变量组合总数；

在给定(x^l)_QL的前提下，建立过程的高斯混合模型，其中，每个运行状态等级分别作为一个高斯分量，则第n个运行状态等级下，所述定量变量的数据的概率密度函数，用如下公式一表示：

其中，θ^l,n＝{μ^l,n,Σ^l,n}表示给定(x^l)_QL，第n个运行状态等级的参数，μ^l,n和Σ^l,n分别表示均值和协方差矩阵，θ^l,n利用Xⁿ中定性变量取值为(x^l)_QL的对应定量变量进行训练，该数据矩阵表示为(X^l,n)_QN。

如上所述的评价方法，优选地，所述给定(x^l)_QL下的概率，通过所述历史数据矩阵，采用如下公式二计算获得，

其中，

表示

中的样本数目，所述P[θ^l,n]为对应高斯混合模型中，第n个高斯分量的先验概率。

如上所述的评价方法，优选地，所述步骤S4中过程运行状态的在线评价包括：

在线数据x_t表示为定性与定量两部分，即x_t＝[(x_t)_QL,(x_t)_QN]；

根据如下公式三计算获得x_t属于每个运行状态等级的后验概率，

其中，(x_t)_QL＝(x^l)_QL，Gⁿ表示样本属于第n个运行状态等级；

当前运行状态等级

的判定按如下公式四进行，

如上所述的评价方法，优选地，所述评价方法还包括步骤S5、导致非最优运行状态的原因变量追溯：将当前的非最优运行状态数据与最优运行状态等级数据进行比较，并定义一个与距离相关的贡献率，拥有最大贡献率的变量为导致非最优运行状态的主导原因变量，所述拥有最大贡献率的变量为与最优运行状态偏离最大的变量，相应地，依次可获得导致非最优运行状态的次要原因变量。

如上所述的评价方法，优选地，所述步骤S5包括：

S501、用最优运行状态等级历史数据的平均水平x^opt和一般偏差水平σ^opt作为参考，用

和

表示x^opt和σ^opt的第j维取值，其中，j＝1,2,…,J；

S502、如果第j个变量为定量变量，那么定义

其中，所述

表示最优运行状态等级对应的数据矩阵X^opt中第i行、第j列的元素，所述

和

分别表示最优运行状态数据矩阵X^opt中，第j个变量的最大值和最小值，所述I^opt为优运行状态等级中建模数据的个数；

如果第j个变量为定性变量，那么定义

为X^opt中，第j个变量出现频率最高的定性状态取值，

为最优运行状态中第j个变量出现过的最大的等级差；

S503、当前的非最优运行状态数据表示为x_t，对比x_t和x^opt，定义第j个变量对非最优运行状态的贡献率，按如下公式五计算，

公式五，其中x_t,j表示x_t中的第j个变量，j＝1,2,…,J，距离

按如下公式六计算，

拥有最大贡献率CR_j的变量为导致运行状态等级非最优的主导原因变量，相应地，依次可获得拥有第二贡献率、第三贡献率、第四贡献率等的变量为导致运行状态等级非最优的次要原因变量。

如上所述的评价方法，优选地，所述评价方法适用于金湿法冶金氰化浸出过程包括第一次浸出、第一次洗涤、第二次浸出、第二次洗涤的工艺。

如上所述的评价方法，优选地，所述定性变量包括：矿石来料量、初始金品位、矿石平均粒径、一洗后滤饼流量和二洗后滤饼流量。

如上所述的评价方法，优选地，所述定量变量包括：调浆后矿浆浓度、调浆后矿浆流量、一浸前调浆水量、一浸NaCN添加量、一浸后金氰离子浓度、一洗后滤液流量、一浸空气流量、一浸溶氧量、一浸矿浆密度、一洗前矿浆浓度、一洗后金氰离子浓度、二浸前调浆水量、二浸NaCN添加量、二浸后金氰离子浓度、二浸空气流量、二浸溶氧量、二浸矿浆密度、二洗前矿浆浓度、二洗后滤液流量和二洗后金氰离子浓度。

(三)有益效果

本发明的有益效果是：

本发明提供的金湿法冶金氰化浸出过程运行状态的评价方法，是用于金湿法冶金氰化浸出生产过程的运行状态实时评价方法，进一步地，当过程运行于非最优状态时，还提供一种基于距离贡献率的原因变量追溯方法，用于指导生产调整。

与现有技术相比，它具有如下优点：

(1)充分利用可定量测量和定性估计的变量信息，对过程运行状态进行在线评价，使生产过程更加高效，确保企业经济效益；

(2)在非最优运行状态时，自动进行原因追溯，查找导致非最优状态原因变量，指导操作工进行生产调整，使生产恢复最优运行状态；

(3)提高运行状态最优性评价和非优原因追溯自动化水平，减少了主观判断可能给生产带来的不利影响和操作人员的工作量。

附图说明

图1为滑动窗口示意图；

图2为数据矩阵分割示意图；

图3为金湿法冶金氰化浸出过程示意图；

图4为运行状态概率趋势图；

图5为运行状态等级评价结果；

图6为非优原因追溯结果。

具体实施方式

正常生产的过程数据波动不会超过一定范围，可以用数据分布来描述过程特性，并拟合过程数据概率密度函数。基于数据分布特性的评价方法，已广泛应用于性能评价中。但此类方法通常完全基于定量的过程数据。在实际工业生产过程中，由于生产环境的恶劣、测量技术的落后等原因，定量与定性变量共存的现象普遍存在。由于定性变量的存在，传统的基于数据分布的性能评价方法，不能直接应用于这样的过程。

高斯分布是一种常见的数据分布，若高维空间点的分布近似为椭球体，则可用单一高斯密度函数来描述这些数据的概率密度函数。针对定量与定性变量共存的金湿法冶金氰化浸出过程，同一运行状态等级的定量数据分布特性相似，近似服从高斯分量分布，可视为所有定量数据分布的一个高斯分量；过程定性变量的数目和状态种类都较少，因此，定性变量可能出现状态组合种类不会很多，其分布可以用历史数据进行学习。

本发明针对金湿法冶金氰化浸出过程，提供一种基于高斯混合模型(GaussianMixture Model,GMM)和贝叶斯理论的评价方法，求取定量变量和定性变量的联合概率分布，并在线推算运行状态属于各个等级的后验概率，建立相应在线评价策略。更进一步地，对非最优运行状态，对导致非最优运行状态等级的原因进行追溯，提供导致非最优运行状态的原因变量追溯方法。

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

实施例1

本发明所提供的金湿法冶金氰化浸出过程运行状态在线评价方法包括：(1)评价指标、过程变量的选择及预处理、(2)评价模型的建立、(3)过程运行状态的在线评价。具体地，各步骤按如下方法进行：

(1)评价指标、过程变量的选择及预处理

过程运行状态的优劣，通常可最终反应在企业综合经济效益上，经济效益越大，运行状态越优。因此，选择综合经济效益为评价指标，并选取能够影响过程运行状态(综合经济效益)的过程变量。所选评价指标，是一个定性变量，不能在线获取，只能通过离线分析，获得一段时间内(通常以周、月、季度为单位)评价指标的定性状态。

过程变量包括定量变量和定性变量。其定义是：定量变量表示用具体幅值大小描述的变量，幅值形式如3.1415、2.7183等；定性变量表示用定性语言描述的变量，定性语言形式如高、中、低等。在实际生产中，有些变量存在检测装置，可以测量其幅值大小，就产生了定量变量。但由于检测技术落后、生成环境恶劣或者检测成本高等，有些变量无法定量测量，只能进行定性估计，就产生了定性变量。针对定量变量，对其进行预处理后，保留其幅值。针对定性变量，根据其定性描述语言划分为不同状态水平，用一系列正整数顺次表示其各个状态水平，比如将某定性变量划分为高、中、低3个水平，并依次表示为状态1、2、3，即对于定性变量，用一系列正整数顺次表示不同状态等级。然后再进一步对其进行预处理。

过程变量中：如矿石来料量、初始金品位、矿石平均粒径等，只能进行定性估计；而矿浆流量、调浆水量、NaCN添加量等，可以进行定量测量。具体地，在本发明中采集金湿法冶金氰化浸出过程中的所用的过程变量如表1所。

表1湿法冶金过程变量表

同时对定量和定性变量进行预处理，处理方法如下：

1)、用x_k表示k时刻的样本，x_k是一个1×J维向量，其中，J为变量总数。为进一步区分定量和定性变量，将x_k表示为x_k＝[(x_k)_QN,(x_k)_QL]，其中，(x_k)_QN中包含所有定量变量，(x_k)_QL中包含所有定性变量，(x_k)_QN和(x_k)_QL分别为1×J_QN维和1×J_QL维的向量，J_QN和J_QL是定量和定性变量的数目，J_QN+J_QL＝J，即J是总的变量数目。下式是向量x_k的一个例子：

x_k＝[(x_k)_QN|(x_k)_QL]＝[3.142 2.718…812.65|2 3…5]。

2)、用

表示k时刻未经处理的原始数据向量，

需要经过预处理后得到建模数据x_k，这里，用滑动窗口内的平均水平代表该窗口的信息。假设选取滑动窗口的长度为H，是一个自然数，滑动窗口的示意图如图1所示。需要注意的是，滑动窗口长度选取若过长，可能减缓数据变化趋势，降低建模灵敏度；若过短，可能无法达到降噪的目的；即H取值不能过大，过大会淹没数据本身变化特性，但也不能过小，过小无法有效减少噪声的影响。H的取值与过程特性和检测情况有关，需要根据过程知识和专家经验进行确定。本发明经过多次试验，最后确定的H所对应的时间，要小于历史最短非最优运行状态持续时间。用T_m表示历史最短非最优运行状态持续时间，τ表示评价周期，那么有1≤H＜T_m/τ。

用

表示k时刻未经处理的原始定量数据向量，在k时刻，滑动窗口内的平均水平表示为

用(x_k)_QN代表k时刻的定量信息。与定量情况类似，针对定性变量，用

表示k时刻未经处理的原始定性数据向量。定性变量在长度为H的滑动窗口内的平均水平(x_k)_QL，为

中每个变量出现频率最高的定性状态。(x_k)_QN和(x_k)_QL构成了建模样本x_k。所有建模样本构成的矩阵表示为X，用

表示，是一个I×J维的矩阵，其中I和J分别表示样本和变量数目。

3)、过程变量充分地涵盖所有运行状态等级的数据，定性变量根据其取值，用自然数对其状态进行了顺次编号。根据综合经济效益的大小，将运行状态划分为N个等级。相应地，X被划分为X¹,X²,…,X^N，n∈{1,2,…,N}，其中，Xⁿ表示第n个等级的历史数据矩阵。由于Xⁿ中既包含定性变量，又包含定量变量，将Xⁿ分解为[(Xⁿ)_QL,(Xⁿ)_QN]，其中，(Xⁿ)_QL和(Xⁿ)_QN分别对应定性变量和定量变量的数据。也就是说，(x_k)_QN表示的是一条数据，或者说一个样本，是一个向量，可以代表矩阵(Xⁿ)_QL的一行。根据金湿法冶金氰化浸出过程实际情况可知，(Xⁿ)_QL所含变量数目较少，(Xⁿ)_QN所含变量数目多。

(2)评价模型的建立

根据过程数据分布特性，拟合每一个运行状态等级数据的概率密度函数。然而，由于少量存在的定性变量，使得传统的高斯混合模型难以直接用于评价模型的建立。一个定性变量通常包含少数几个定性状态，那么(X¹)_QL,(X²)_QL,…,(X^N)_QL中可能包含有限种定性变量取值组合，组合的种类数目不会特别多。用(x^l)_QL表示(X¹)_QL,(X²)_QL,…,(X^N)_QL中的第l种定性变量组合，其中，l＝1,2,…,L，L为定性变量组合总数。

给定(x^l)_QL的前提下，建立过程的高斯混合模型，其中，每个运行状态等级分别视作一个高斯分量，那么，第n个运行状态等级下，定量变量的数据的概率密度函数，用如下公式(1)表示：

也就是说一个等级对应一个高斯分量，把所有等级都看做一个整体，则构成一个高斯混合模型。

其中，θ^l,n＝{μ^l,n,Σ^l,n}表示给定(x^l)_QL，第n个运行状态等级的参数，μ^l,n和Σ^l,n分别表示均值和协方差矩阵，θ^l,n利用Xⁿ中定性变量取值为(x^l)_QL的对应定量变量进行训练，该数据矩阵表示为(X^l,n)_QN。数据矩阵之间的相关性如图2所示。

进一步，可以通过历史数据矩阵，计算给定(x^l)_QL前提下的以下概率：

其中，

表示

中的样本数目，P[θ^l,n]对应高斯混合模型中，第n个高斯分量的先验概率。

也就是说，对于一个来自X的样本x，其中

x＝[(x)_QL,(x)_QN]＝[(x^l)_QL,(x)_QN]，可以利用贝叶斯理论进行推导，得到如下条件概率：

其中，Gⁿ表示样本属于第n个运行状态等级。

(3)过程运行状态的在线评价

针对在线数据x_t，可以表示为定性与定量两部分，即x_t＝[(x_t)_QL,(x_t)_QN]。其中，定性变量估计周期较长，在获得新的状态估计结果之前，都使用前一时刻的估计结果。

那么，如式(3-1)可以计算x_t属于每个运行状态等级的后验概率，即

其中，(x_t)_QL＝(x^l)_QL，n＝1,2,…,N；Gⁿ表示样本属于第n个运行状态等级。

当前运行状态等级

的判定规则为

实施例2

本实施例在实施例1的基上，进一步提供一种非优原因变量追溯方法，追溯结果可用于生产状态分析，指导生产调整。

运行状态的优劣可以根据具体的评价指标，划分为不同等级，如：优、良、中、差等。这里，非优运行状态等级指非最优运行状态等级，指如良、中、差的运行状态。当过程运行于非优运行状态等级的实时数据与优的历史数据平均水平进行对比，根据所定义的基于距离的非优贡献率，判断导致非最优运行状态的原因变量；这里最优就是指最好的那个等级，也就说“优”与“最优”都是指的是最好的那个等级。为了进行非优原因追溯，将当前的非最优运行状态数据x_t与最优运行状态等级数据进行比较，并定义一个与距离相关的贡献率，拥有较大贡献率的变量为与最优运行状态偏离较大的变量，因此，被认为是非优原因变量。

用最优运行状态等级历史数据的平均水平x^opt和一般偏差水平σ^opt作为参考，与x_t进行比较。分别用

和

表示x^opt和σ^opt的第j维取值，其中，j＝1,2,…,J。如果第j个变量为定量变量，那么定义

其中，

表示最优数据矩阵X^opt中第i行、第j列的元素，

和

分别表示最优运行状态数据矩阵X^opt中，第j个变量的最大和最小值，I^opt为优运行状态等级中建模数据的个数。如果第j个变量为定性变量，那么定义

为X^opt中，第j个变量出现频率最高的定性状态取值，

为最优运行状态中第j个变量出现过的最大的等级差。对比x_t和x^opt，定义第j个变量对非最优运行状态的贡献率为

其中，x_t,j表示x_t中的第j个变量，j＝1,2,…,J，距离

定义为

拥有最大贡献率CR_j的变量为导致运行状态非最优的主导原因变量，相应地，拥有第二贡献率、第三贡献率、第四贡献率等即为次要原因变量，通过调整主导原因变量或/和次要原因变量，可使运行状态恢复到最优运行状态。

本发明建立的方法对于生产调整指导：根据非优原因追溯结果，按贡献率从大到小的顺序，依次调整可操作变量，直到运行状态恢复最优等级。通常不需要调整所有的非优原因变量，就能恢复最优运行状态，调整的时候不需要协调各个生产环节。

实施例3

本实施例是将实施例2所述的方法应用在金湿法冶金氰化浸出生产车间里得到了实际应用，并取得了显著的效果。

其中，本实施例中所用的金湿法冶金氰化浸出过程包括第一次浸出、第一次洗涤、第二次浸出、第二次洗涤工艺等，其工艺过程的示意图如图2所示，该金湿法冶金氰化浸出过程检测***主要由浓度检测、流量检测等构成。

矿浆浓度是通过北京矿冶研究总院的BDSM型在线浓度计进行在线测量的。传感器向被测介质中发出一束超声波脉冲，超声波经过悬浮颗粒时由于悬浮颗粒的散射和吸收会发生衰减，超声波在污泥或固体悬浮物中的衰减与液体中的污泥浓度或固体悬浮物浓度有关，通过测量超声波的衰减值可以计算出污泥或固体悬浮物浓度，即可获得调浆后矿浆浓度、一洗前矿浆浓度、二洗前矿浆浓度。

由于料液、酸液、碱液都导电且具有腐蚀性，因此选用KROHNE公司生产的具有聚四氟乙烯内衬的电磁流量计进行流量检测。电磁流量计为无阻力件检测具有精度高、使用寿命长、保养方便等优点。电磁流量计配备的就地显示仪表可以实现流量计就地显示、流量信号变送和流量累计等功能。电磁流量计输出的信号为标准的电流信号。通过电磁流量计即可获得调浆后矿浆流量、一浸前调浆水量、一洗后滤液流量、二浸前调浆水量、二洗后滤液流量、一浸NaCN添加量、二浸NaCN添加量。

PLC控制器采用Simens 400系列的CPU 414-2，具有Profibus DP口连接分布式IO。为PLC配备以太网通讯模块，用于上位机访问PLC数据。PLC控制器和以太网通讯模块放置在中央控制室中的PLC柜中。

上位机选用i7联想计算机，采用WINDOW XP操作***。

运行状态评价***运行在i7联想计算机上，采用C#2008编程软件，数据存储采用SQL Server 2005数据库，运行状态评价算法采用Matlab 2010a编程软件。

PLC与运行状态评价***的信号传送软件是采用C#2008编程软件。

在湿法冶金过程现场安装检测仪表，检测仪表将采集的信号通过Profibus-DP传送到PLC中，PLC定时将采集信号通过以太网传送给上位机，上位机把接受的数据传给过程运行状态评价***进行运行状态的实时评价，并提供操作指导建议。

金湿法冶金氰化浸出过程运行状态在线评价方法，在实施例1和2的基础上，具体操作如下，其中对于与实施例1和2相同的操作在此不再赘述：

第一步、数据收集：采集充足的、涵盖所有可能运行状态的数据，作为建模数据。

以金湿法冶金氰化浸出过程的综合经济效益为评价指标，根据评价指标，将过程运行状态等级划分为优、中、差3个等级。选取与该评价指标密切相关的25个变量，列于表1中。采集覆盖3个运行状态等级的6000组数据进行建模，其中，采样周期为1分钟。

第二步、数据处理：对于定性变量，用一系列正整数顺次表示不同状态等级；对于定性变量和定量变量，进行预处理；具体地，选取滑动窗口长度H＝10，采用预处理方法，将数据进行预处理后，作为建模数据。

第三步、评价模型建立：根据过程数据分布特性，同时利用定性和定量数据，拟合每一个运行状态等级数据的概率密度函数，利用历史数据，求取所推导公式中所需参数；求得式(7)中的定量与定性变量联合概率分布，以及式(8)中的相关概率。

再选取250组数据作为测试数据，采样周期为1分钟。这250组数据里，前100个样本稳定运行于优运行状态等级，从第100个样本开始，由于第二次浸出NaCN添加量逐渐变小，导致过程运行状态从等级优逐步变为等级中，直到第140个采样点，运行状态完全变为等级中。

第四步、过程运行状态的在线评价：采集实时生产数据，根据所建立的高斯模型，利用贝叶斯理论，得到运行状态处于各等级的后验概率，再根据最大后验概率原则，判断当前运行状态等级。

测试数据采用与离线建模相同的方法进行预处理，带入式(3)，计算样本属于各个运行状态等级的后验概率，结果如图4所示，展示了运行状态等级概率变化趋势。如式(4)，根据最大后验概率原则，判断当前运行状态等级。如图5所示，显示了运行状态等级评价结果。实际上，从第101个采样点开始，第二次浸出子块中NaCN添加量不足，导致过程运行状态从等级优逐步变为等级中，直到第140个采样点，运行状态完全变为等级中。从评价结果可以看出，本发明所提供的方法具有较高的评价准确率。经过反复试验，所提供方法的平均评价准确率超过95％，证明本发明是一种可靠的运行状态等级在线评价方法。其中，每组实验的准确率计算方法是，正确评价的样本个数除以总样本数，平均评价准确率是所有实验准确率的均值。

第五步：运行状态非优原因追溯：将非优的实时数据与最优的历史数据平均水平进行对比，根据所定义的基于距离-的非优贡献率，判断非优原因变量。

针对非最优运行状态，如图6所示，展示了导致非最优运行状态的原因变量追溯结果，其中，横坐标表示变量序号，对应的变量名称列于表1，纵坐标表示变量对非最优运行状态的贡献率，其计算方法如式(5)所示。从追溯结果可以看出，实际原因变量，导致运行状态等级非最优的主导原因变量——第二次浸出NaCN添加量确实拥有最大贡献率，与其密切相关的次要原因变量：第二次浸出后金氰离子浓度、第二次洗涤后金氰离子浓度，也具有远大于其他变量的贡献率，可推测出只需要通过调整第二次浸出NaCN添加量就可使金湿法冶金氰化浸出过程达到运行状态的最优等级。

第六步：生产调整指导：根据非优原因追溯结果，按贡献率从大到小的顺序，依次调整可操作变量，直到运行状态恢复最优等级。

在本实施例中只通过调整第二次浸出NaCN添加量，就将运行状态恢复到最优等级，大大提高了浸出率，获得更好的经济收益。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明做其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种金湿法冶金氰化浸出过程运行状态的评价方法，其特征在于，其包括如下步骤：

S1、数据收集：采集金湿法冶金氰化浸出过程中的过程变量，所述过程变量包括定性变量和定量变量；

S2、数据处理：对所述步骤S1获得的定性变量和定量变量数据进行建模处理；

S3、评价模型的建立：利用所述步骤S2处理后的定性变量与定量变量的数据，拟合每一个运行状态等级数据的概率密度函数，建立高斯混合模型；

S4、过程运行状态的在线评价：采集实时生产数据，根据所建立的所述高斯混合模型，利用贝叶斯理论，得到运行状态处于各等级的后验概率，再根据最大后验概率原则，判断当前运行状态等级；

其中，所述步骤S2中数据处理包括：

S201、用x_k表示k时刻的样本，所述x_k＝[(x_k)_QN,(x_k)_QL]，(x_k)_QN中包含所有定量变量，(x_k)_QL中包含所有定性变量，(x_k)_QN和(x_k)_QL分别为1×J_QN维和1×J_QL维的向量，J_QN是所述定量变量的数目，J_QL是所述定性变量的数目，J_QN+J_QL＝J；

S202、用

表示k时刻未经处理的原始数据向量，

需要经过预处理后得到建模数据x_k，用(x_k)_QN代表k时刻预处理后的定量数据，

所述

表示k时刻未经处理的原始定量数据向量；用(x_k)_QL代表k时刻预处理后的定性变量数据，所述(x_k)_QL为

中每个变量出现频率最高的定性状态，所述

表示k时刻未经处理的原始定性数据向量；所述(x_k)_QN和(x_k)_QL构成了建模样本x_k，所有所述建模样本构成X矩阵，并记为历史数据，所述X是一个I×J维的矩阵，所述I表示样本数目，所述J表示变量总的数目；

S203、根据综合经济效益的大小，将运行状态划分为N个等级，相应地，所述X划分为X¹,X²,…,X^N，用Xⁿ表示第n个等级的历史数据矩阵，n∈N；将Xⁿ分解为[(Xⁿ)_QL,(Xⁿ)_QN]，所述(Xⁿ)_QL为定性变量的数据，所述(Xⁿ)_QN为定量变量的数据；

所述步骤S3中评价模型的建立包括：用(x^l)_QL表示所述(X¹)_QL,(X²)_QL,…,(X^N)_QL中的第l种定性变量组合，其中，l＝1,2,…,L，L为定性变量组合总数；在给定(x^l)_QL的前提下，建立过程的高斯混合模型；其中，每个运行状态等级都视作一个高斯分量，则第n个运行状态等级下，所述定量变量的数据的概率密度函数，用如下公式一表示：

其中，θ^l,n＝{μ^l,n,Σ^l,n}表示给定(x^l)_QL，第n个运行状态等级的参数，μ^l,n和Σ^l,n分别表示均值和协方差矩阵，θ^l,n利用Xⁿ中定性变量取值为(x^l)_QL的对应定量变量进行训练，该数据矩阵表示为(X^l,n)_QN。

2.如权利要求1所述的评价方法，其特征在于，所述给定(x^l)_QL的概率，通过所述历史数据矩阵，采用如下公式二计算获得，

其中，所述

表示

中的样本数目，所述P[θ^l,n]为对应高斯混合模型中，第n个高斯分量的先验概率。

3.如权利要求2所述的评价方法，其特征在于，所述步骤S4中过程运行状态的在线评价包括：

在线数据x_t表示为定性与定量两部分，即x_t＝[(x_t)_QL,(x_t)_QN]；

根据如下公式三计算获得x_t属于每个运行状态等级的后验概率，

其中，(x_t)_QL＝(x^l)_QL，n＝1,2,…,N；Gⁿ表示样本属于第n个运行状态等级；

当前运行状态等级

的判定按如下公式四进行，

4.如权利要求3所述的评价方法，其特征在于，所述评价方法还包括步骤S5、非最优运行状态的原因变量追溯：将当前的非最优运行状态数据与最优运行状态等级数据进行比较，并定义一个与距离相关的贡献率，拥有最大贡献率的变量为导致非最优运行状态的主导原因变量，所述拥有最大贡献率的变量为与最优运行状态偏离最大的变量，相应地，依次可获得导致非最优运行状态的次要原因变量。

5.如权利要求4所述的评价方法，其特征在于，所述步骤S5包括：

S501、用最优运行状态等级历史数据的平均水平x^opt和一般偏差水平σ^opt作为参考，用

和

表示x^opt和σ^opt的第j维取值，其中，j＝1,2,…,J；

S502、如果第j个变量为定量变量，那么定义

其中，所述

表示最优运行状态等级对应的数据矩阵X^opt中第i行、第j列的元素，所述

和

分别表示最优运行状态数据矩阵X^opt中，第j个变量的最大值和最小值，所述I^opt为优运行状态等级中建模数据的个数；

如果第j个变量为定性变量，那么定义

为X^opt中，第j个变量出现频率最高的定性状态取值，

为最优运行状态中第j个变量出现过的最大的等级差；

S503、当前的非最优运行状态数据表示为x_t，对比x_t和x^opt，定义第j个变量对非最优运行状态的贡献率，按如下公式五计算，

其中x_t,j表示x_t中的第j个变量，j＝1,2,…,J，距离

按如下公式六计算，

拥有最大贡献率CR_j的变量为导致运行状态等级非最优的主导原因变量，相应地，依次可获得拥有第二贡献率、第三贡献率、第四贡献率的变量为导致运行状态等级非最优的次要原因变量。

6.如权利要求1所述的评价方法，其特征在于，所述评价方法适用于金湿法冶金氰化浸出过程包括第一次浸出、第一次洗涤、第二次浸出、第二次洗涤的工艺。

7.如权利要求1所述的评价方法，其特征在于，所述定性变量包括：矿石来料量、初始金品位、矿石平均粒径、一洗后滤饼流量和二洗后滤饼流量。

8.如权利要求1所述的评价方法，其特征在于，所述定量变量包括：调浆后矿浆浓度、调浆后矿浆流量、一浸前调浆水量、一浸NaCN添加量、一浸后金氰离子浓度、一洗后滤液流量、一浸空气流量、一浸溶氧量、一浸矿浆密度、一洗前矿浆浓度、一洗后金氰离子浓度、二浸前调浆水量、二浸NaCN添加量、二浸后金氰离子浓度、二浸空气流量、二浸溶氧量、二浸矿浆密度、二洗前矿浆浓度、二洗后滤液流量和二洗后金氰离子浓度。

Images