CN111274734A - 一种基于模型和数据的金氰化浸出过程混合优化方法 - Google Patents

Abstract

本发明提供一种基于模型和数据的金氰化浸出过程混合优化方法，首先基于金氰化浸出过程优化模型获得最优设定点，再利用数据方法在该最优设定点附近建立设定点偏差与过程物料消耗下降量相关模型，通过优化求解获取该设定点下使物料消耗下降量最大的设定点偏差，进而实现对基于模型优化获得的设定点的修正，该过程一直迭代进行直至收敛于实际最优设定点，以降低物料消耗。本发明提供的一种基于模型和数据的金氰化浸出过程混合优化方法，其利用实际过程数据实现对操作量设定点的直接修正，使过程物料消耗大幅度下降，具有迭代次数少、优化时间短的优势。

Description

一种基于模型和数据的金氰化浸出过程混合优化方法

技术领域

本发明属于金氰化浸出过程优化技术领域，具体涉及一种基于模型和数据的金氰化浸出过程混合优化方法。

背景技术

金氰化浸出过程作为湿法冶金工艺的首要工序，该工序生产指标(金浸出率)的高低直接决定了后面工序操作，对整个湿法冶金的金回收率产生影响。实际的金氰化浸出过程通常是由多个浸出槽串联组成的，为了保证金浸出率，常采用过量添加***的方法，但这样会增加***消耗，造成资源浪费。因此，为了尽可能减少金氰化浸出过程的物料消耗，有必要对该过程的优化进行研究，以在满足上层决策所给定的金浸出率条件下，确定各个槽***的最佳添加量。

目前，有关金氰化浸出过程优化控制研究多是基于过程模型，以过程的物料消耗最少或经济收益最大为目标，采用优化求解获得***添加的最佳设定值，此方法需要建立精确的过程模型，然而，由于金氰化浸出过程的工况(矿浆浓度、品位等)变化引起的不确定性，模型误差不可避免，导致依据这种模型进行优化获得的只是模型最优而非实际最优。基于此，一些学者提出利用实际数据修正机理模型获得更优设定点的方法，由于金氰化浸出过程机理的复杂性，这种方法比较费时，且在实现对机理模型不确定性的修正时，可能会无法保证算法的可靠性。

发明内容

本发明的目的是提供一种具有较好优化性能的基于模型和数据的金氰化浸出过程混合优化方法。即首先基于模型优化获得模型最优设定点，再在该设定点附近，基于数据建模及优化求解获得该设定点与最优设定点的偏差，进而实现对该设定点的一次修正，该过程迭代进行直至收敛于实际最优设定点，以降低过程的物料消耗。

本发明是通过以下技术方案实现的：

基于模型和数据的金氰化浸出过程混合优化方法主要包括基于过程模型的优化模型建立及求解、设定点偏差与过程物料消耗下降量相关模型的建立、物料消耗下降量最大化下设定点偏差的获取及设定点修正等步骤。

(1)基于过程模型的优化模型建立及求解

在一定浸出率的条件下，为了减少金氰化浸出过程的物料消耗，***的消耗越少越好，选取金氰化浸出过程的7个槽的***添加量Q_1,cn、Q_2,cn、···、Q_7,cn为决策变量，建立如下的过程优化模型：

其中：Q_s为原矿处理量，P_s为原矿价格，P_cn为NaCN价格,Q_e为空压机的耗电量，P_e为当前电的价格，y^*为给定的金浸出率指标，f为金氰化浸出过程模型，θ为工况条件，其包括原矿处理量、矿浆浓度以及原矿品位等，Q_cn,max、Q_cn,min分别为***添加量的上下限；

将式A优化问题转换成标准形式

其中：g为不等式约束，h为等式约束，u＝[Q_1,cn,Q_2,cn,···,Q_7,cn]^T，y为金浸出率预测值；

式B表示的问题是含有复杂约束的优化问题，考虑采用具有较强搜索能力的二阶振荡PSO算法对上式进行优化求解，获得***添加的最优设定值u^*，由此可得过程的物料消耗W(u^*)。

(2)设定点偏差与过程物料消耗下降量相关模型的建立

而对于金氰化浸出过程，由于工况变化等不确定性因素的普遍存在，导致上述基于模型优化获得的***添加量的最优设定值u^*不是实际***添加量的最优设定点

因此相应的W(u^*)也不等于

但

可展开成在u^*处的泰勒级数，为：

取

上式可转变为：

其中：o((Δu)²)为泰勒公式的余项，是(Δu)²的高阶无穷小，由此可知，ΔW与Δu之间的非线性关系，故只要在u^*的较小邻域内，建立ΔW和Δu的关系模型ΔW＝H(Δu)，通过优化求解可获得物料消耗下降量ΔW最大时的设定点偏差Δu，进而实现对设定点的修正，使其接近

考虑利用数据建模方法建立ΔW＝H(Δu)的模型，需要获取建模数据。当将u^*作用于实际过程时，可得当前过程数据(u_a,W(u_a))，在获取建模数据时采用即时学习思想从大量历史过程数据(u_i,W_i),i＝1,2,···,n中选取与(u_a,W(u_a))相似程度较强的数据，并对它们作差可获得相应的建模数据，数据之间的相似程度由s_i来度量，其表示为：

其中：λ∈[0,1]为权重系数，

由式E可知，s_i的值越大表明两组数据间的相似程度越强，通过s_i从过程数据中选取和(u_a,W(u_a))相关的m组数据(u_i,W_i),i＝1,2,···,m，建立ΔW与Δu的关系模型，将选取的数据与(u_a,W(u_a))作差，得到建模数据(Δu_i,ΔW_i),i＝1,2,···,m，然后，采用三层BP神经网络建立ΔW＝H(Δu)的模型；

(3)物料消耗下降量最大化下设定点偏差的获取及设定点修正

基于建立ΔW＝H(Δu)的模型，通过求解如下优化问题可获取过程物料消耗下降量ΔW最大时的设定点偏差Δu，

将Δu代入ΔW＝H(Δu)，获得ΔW(Δu)，

若满足：

将u_a-|Δu|作为新的设定点，作用到实际过程，过程运行在新的设定点之后，再在新的设定点附近进行数据建模，重新优化求解获得设定点偏差，若仍满足式I，则再次将修正后的设定点作用于实际过程，过程运行在新的设定点之后，再在新的设定点附近进行数据建模，重新优化求解获得设定点偏差，该过程迭代进行，直至不满足式I，迭代结束。

由以上的技术方案可知，本发明的有益效果是：

本发明提供的一种基于模型和数据的金氰化浸出过程混合优化方法，是利用实际过程数据实现对操作变量设定点的直接修正，使物料消耗大幅度下降，具有迭代次数少、优化时间短的优势，提高了优化求解的效率。

附图说明

图1金氰化浸出过程工艺流程图。

图2设定点修正流程图。

图3设定点迭代修正流程图。

图4本发明优化方法迭代修正后的物料消耗变化曲线。

图5现有技术的修正机理模型优化方法获得的物料消耗变化曲线。

具体实施方式

下面将结合实施例对本发明的实施方案进行详细描述，但是本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。

实施例1

一种基于模型和数据的金氰化浸出过程混合优化方法，其特征在于：首先基于金氰化浸出过程优化模型获得最优设定点，再利用数据方法在该最优设定点附近建立设定点偏差与过程物料消耗下降量之间的模型，再优化求解获得在该设定点下，使物料消耗下降量最大的设定点偏差，进而实现对基于模型优化获得的设定点的修正，该过程一直迭代进行直至收敛于实际最优设定点。

本实施例具体的实施方案为：

(1)基于过程模型的优化模型建立及求解

在一定浸出率的条件下，为了减少金氰化浸出过程的物料消耗，***的消耗越少越好，选取金氰化浸出过程的7个槽的***添加量Q_1,cn、Q_2,cn、···、Q_7,cn为决策变量，建立如下的过程优化模型：

其中：Q_s为原矿处理量，P_s为原矿价格，P_cn为NaCN价格,Q_e为空压机的耗电量，P_e为当前电的价格，y^*为给定的金浸出率指标，f为金氰化浸出过程模型，θ为工况条件，其包括原矿处理量、矿浆浓度以及原矿品位等，Q_cn,max、Q_cn,min分别为***添加量的上下限；

将式A优化问题转换成标准形式

其中：g为不等式约束，h为等式约束，u＝[Q_1,cn,Q_2,cn,···,Q_7,cn]^T，y为金浸出率预测值；

式B表示的问题是含有复杂约束的优化问题，考虑采用具有较强搜索能力的二阶振荡PSO算法对上式进行优化求解，获得***添加的最优设定值u^*，由此可得过程的物料消耗W(u^*)。

(2)设定点偏差与过程物料消耗下降量相关模型的建立

而对于金氰化浸出过程，由于工况变化等不确定性因素的普遍存在，导致上述基于模型优化获得的***添加量的最优设定值u^*不是实际***添加量的最优设定点

因此相应的W(u^*)也不等于

但

可展开成在u^*处的泰勒级数，为：

取

上式可转变为：

其中：o((Δu)²)为泰勒公式的余项，是(Δu)²的高阶无穷小，由此可知，ΔW与Δu之间的非线性关系，故只要在u^*的较小邻域内，建立ΔW和Δu的关系模型ΔW＝H(Δu)，通过优化求解可获得物料消耗下降量ΔW最大时的设定点偏差Δu，进而实现对设定点的修正，使其接近

考虑利用数据建模方法建立ΔW＝H(Δu)的模型，需要获取建模数据。当将u^*作用于实际过程时，可得当前过程数据(u_a,W(u_a))，在获取建模数据时采用即时学习思想从大量历史过程数据(u_i,W_i),i＝1,2,···,n中选取与(u_a,W(u_a))相似程度较强的数据，并对它们作差可获得相应的建模数据，数据之间的相似程度由s_i来度量，其表示为：

其中：λ∈[0,1]为权重系数，

由式E可知，s_i的值越大表明两组数据间的相似程度越强，通过s_i从过程数据中选取和(u_a,W(u_a))相关的m组数据(u_i,W_i),i＝1,2,···,m，建立ΔW与Δu的关系模型，将选取的数据与(u_a,W(u_a))作差，得到建模数据(Δu_i,ΔW_i),i＝1,2,···,m，然后，采用三层BP神经网络建立ΔW＝H(Δu)的模型；

(3)物料消耗下降量最大化下设定点偏差的获取及设定点修正

基于建立ΔW＝H(Δu)的模型，通过求解如下优化问题可获取过程物料消耗下降量ΔW最大时的设定点偏差Δu，

将Δu代入ΔW＝H(Δu)，获得ΔW(Δu)，

若满足：

将u_a-|Δu|作为新的设定点，作用到实际过程，过程运行在新的设定点之后，再在新的设定点附近进行数据建模，重新优化求解获得设定点偏差，若仍满足式I，则再次将修正后的设定点作用于实际过程，过程运行在新的设定点之后，再在新的设定点附近进行数据建模，重新优化求解获得设定点偏差，该过程迭代进行，直至不满足式I，迭代结束。

实施例2

为了验证本实施例提出的优化方法的有效性，将基于提出优化方法(实施例1的方法)应用于某精炼厂的金氰化浸出过程，采用二阶振荡PSO算法求解相关优化问题。算法的参数设置为：惯性权重ω＝0.8，学习引子c₁＝c₂＝1.2，粒子数m＝100。得到的优化结果如表1，每次迭代修正后的物料消耗变化如图4所示。

表1优化结果

类型	基于模型最优	基于模型和数据混合最优
			物料消耗(￥/h)	6632.3	4719.6
Q<sub>1,cn</sub>(kg/h)	115.92	89.68
			Q<sub>2,cn</sub>(kg/h)	113.35	88.35
Q<sub>3,cn</sub>(kg/h)	110.26	85.26
			Q<sub>4,cn</sub>(kg/h)	105.54	65.69
Q<sub>5,cn</sub>(kg/h)	89.997	43.98
			Q<sub>6,cn</sub>(kg/h)	35.195	33.2
Q<sub>7,cn</sub>(kg/h)	30.698	21.51

为了进一步验证本发明提供的优化方法的求解性能，将现有技术中的修正机理模型的优化方法也应用于该金氰化浸出过程进行仿真实验，得到的物料消耗变化如图5所示。

由结果可知，现有的修正机理模型的优化方法和本发明提供的优化方法均可以在基于模型优化获得的物料消耗基础上，经过迭代最终获得实际最低物料消耗，但修正机理模型的优化方法需要进行26次迭代才能收敛于实际最低物料消耗，这是由于基于修正机理模型的优化方法为了实现对过程模型的修正，出现过度修正的情况，无法保证物料消耗在迭次过程中一直处于下降的趋势，增加了迭代次数。而本发明提供优化方法只需要迭代进行9次即可收敛于实际最低物料消耗，这是由于本发明提供优化方法在迭代过程中利用过程数据直接实现对获得设定点的修正，实现对物料消耗的大幅度下降，减少了迭代次数。

为了进一步比较修正机理模型的优化方法和本发明提供优化方法的求解性能，将这两种优化方法同时用以求解金氰化浸出过程优化问题，随机运行100次，最终得到的性能指标如表2所示。

表2两种优化方法的性能比较

在表2中，M为求解优化问题时收敛于实际最优值所需的平均最少迭代次数、T_average为求解优化问题时进行一次迭代所需要的平均时间、T_total为求解优化问题时收敛于实际最优值的总优化时间。

由表2可知，与修正机理模型的优化方法相比，本发明提供优化方法具有迭代次数少、优化时间短的优势。这是由于所提出的优化方法同时利用了机理建模和局部数据建模的优点，具有迭代次数少，降低物料消耗幅度大的优势。

以上所描述的实施例是本发明一部分实施例，而不是全部的实施例。本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (2)

1.一种基于模型和数据的金氰化浸出过程混合优化方法，其特征在于，首先基于金氰化浸出过程优化模型获得最优设定点，再利用数据方法在该最优设定点附近建立设定点偏差与过程物料消耗下降量相关模型，通过优化求解获取该设定点下使物料消耗下降量最大的设定点偏差，进而实现对基于模型优化获得的设定点的修正，该过程一直迭代进行直至收敛于实际最优设定点，以降低物料消耗。

2.根据权利要求1所述的一种基于模型和数据的金氰化浸出过程混合优化方法，其特征在于，主要包括基于过程模型的优化模型建立及求解、设定点偏差与过程物料消耗下降量相关模型的建立、物料消耗下降量最大化下设定点偏差的获取及设定点修正等内容；

(1)基于过程模型的优化模型建立及求解

在一定浸出率的条件下，为了减少金氰化浸出过程的物料消耗，***的消耗越少越好，选取金氰化浸出过程的7个槽的***添加量Q_1,cn、Q_2,cn、…、Q_7,cn为决策变量，建立如下的过程优化模型：

其中：Q_s为原矿处理量，P_s为原矿价格，P_cn为NaCN价格,Q_e为空压机的耗电量，P_e为当前电的价格，y^*为给定的金浸出率指标，f为金氰化浸出过程模型，θ为工况条件，其包括原矿处理量、矿浆浓度以及原矿品位等，Q_cn,max、Q_cn,min分别为***添加量的上下限；

将式A优化问题转换成标准形式

其中：g为不等式约束，h为等式约束，u＝[Q_1,cn,Q_2,cn,…,Q_7,cn]^T，y为金浸出率预测值；

式B表示的问题是含有复杂约束的优化问题，考虑采用具有较强搜索能力的二阶振荡PSO算法对上式进行优化求解，获得***添加的最优设定值u^*，由此可得过程的物料消耗W(u^*)；

(2)设定点偏差与过程物料消耗下降量相关模型的建立

而对于金氰化浸出过程，由于工况变化等不确定性因素的普遍存在，导致上述基于模型优化获得的***添加量的最优设定值u^*不是实际***添加量的最优设定点

因此相应的W(u^*)也不等于

但

可展开成在u^*处的泰勒级数，为：

取

上式可转变为：

其中：o((Δu)²)为泰勒公式的余项，是(Δu)²的高阶无穷小，ΔW与Δu之间的非线性关系，在u^*的较小邻域内，建立ΔW和Δu的关系模型ΔW＝H(Δu)，通过优化求解可获得物料消耗下降量ΔW最大时的设定点偏差Δu，进而实现对设定点的修正，使其接近

当将u^*作用于实际过程时，可得当前过程数据(u_a,W(u_a))，在获取建模数据时采用即时学习思想从大量历史过程数据(u_i,W_i),i＝1,2,…,n中选取与(u_a,W(u_a))相似程度较强的数据，并对它们作差可获得相应的建模数据，数据之间的相似程度由s_i来度量，其表示为：

其中：λ∈[0,1]为权重系数，

由式E可知，s_i的值越大表明两组数据间的相似程度越强，通过s_i从过程数据中选取和(u_a,W(u_a))相关的m组数据(u_i,W_i),i＝1,2,…,m，建立ΔW与Δu的关系模型，将选取的数据与(u_a,W(u_a))作差，得到建模数据(Δu_i,ΔW_i),i＝1,2,…,m，然后，采用三层BP神经网络建立ΔW＝H(Δu)的模型；

(3)物料消耗下降量最大化下设定点偏差的获取及设定点修正

基于建立ΔW＝H(Δu)的模型，通过求解如下优化问题可获取过程物料消耗下降量ΔW最大时的设定点偏差Δu，

将Δu代入ΔW＝H(Δu)，获得ΔW(Δu)，

若满足：

将u_a-|Δu|作为新的设定点，作用到实际过程，过程运行在新的设定点之后，再在新的设定点附近进行数据建模，重新优化求解获得设定点偏差，若仍满足式I，则再次将修正后的设定点作用于实际过程，过程运行在新的设定点之后，再在新的设定点附近进行数据建模，重新优化求解获得设定点偏差，该过程迭代进行，直至不满足式I，迭代结束。

Images