CN112899496A - 湿法炼锌净化除钴过程入口铜离子浓度估计方法及*** - Google Patents

湿法炼锌净化除钴过程入口铜离子浓度估计方法及*** Download PDF

Info

Publication number
CN112899496A
CN112899496A CN202110076838.9A CN202110076838A CN112899496A CN 112899496 A CN112899496 A CN 112899496A CN 202110076838 A CN202110076838 A CN 202110076838A CN 112899496 A CN112899496 A CN 112899496A
Authority
CN
China
Prior art keywords
model
copper
inlet
concentration
removal process
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110076838.9A
Other languages
English (en)
Other versions
CN112899496B (zh
Inventor
李勇刚
张源华
孙备
朱红求
阳春华
张旭隆
刘国欣
陈威扬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202110076838.9A priority Critical patent/CN112899496B/zh
Publication of CN112899496A publication Critical patent/CN112899496A/zh
Application granted granted Critical
Publication of CN112899496B publication Critical patent/CN112899496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
    • C22B19/00—Obtaining zinc or zinc oxide
    • C22B19/20—Obtaining zinc otherwise than by distilling
    • C22B19/26—Refining solutions containing zinc values, e.g. obtained by leaching zinc ores
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
    • C22B3/00—Extraction of metal compounds from ores or concentrates by wet processes
    • C22B3/20—Treatment or purification of solutions, e.g. obtained by leaching
    • C22B3/44—Treatment or purification of solutions, e.g. obtained by leaching by chemical processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/20—Recycling

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Mechanical Engineering (AREA)
  • General Chemical & Material Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Analytical Chemistry (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本发明公开了一种湿法炼锌净化除钴过程入口铜离子浓度估计方法及***，通过根据除铜过程动力学原理与物料平衡原理，建立第一模型，基于第一模型，根据停留时间分布关系，建立第二模型，建立除钴过程的KPLS模型以及基于第一模型、第二模型以及KPLS模型，建立除钴过程入口铜离子浓度估计模型，并基于除钴过程入口铜离子浓度估计模型获得除钴过程入口铜离子浓度估计值，解决了现有湿法炼锌净化除钴过程入口铜离子浓度检测精度低的技术问题，充分考虑到除铜过程和除钴过程的铜离子浓度动态变化，不仅能实时在线检测除钴过程入口铜离子浓度，且检测精度高，为除钴过程的优化控制提供指导。

Description

湿法炼锌净化除钴过程入口铜离子浓度估计方法及***
技术领域
本发明主要涉及锌湿法冶炼技术领域，特指一种湿法炼锌净化除钴过程入口铜离子浓度估计方法及***。
背景技术
净化工序是锌湿法冶炼生产过程中重要的环节之一，其目的是去除溶液中的杂质离子，按照去除杂质离子的不同可分为除铜、除钴、除镉三个子工序。铜离子是硫酸锌溶液中含量最高且还原电位最低的杂质离子，在第一道除杂工艺中除去。然而，铜离子还作为后续除钴工艺的活化剂，故在除铜后液中需要保留一定浓度的铜离子。钴离子是这些杂质离子中最难去除的，也是影响电解效率与产品质量的一个关键参数，必须对钴离子浓度进行精准的检测。
除钴工艺是一个包含固、液、气三相反应的复杂过程，其中影响因素众多。锌粉是除钴过程的主要反应物，锌粉的添加量会直接影响除钴的效果。若锌粉添加不足，则没有足够的锌粉与溶液中钴离子发生氧化还原反应，溶液中钴离子浓度难以达到工艺技术指标要求，影响产品质量；若锌粉添加过量，则锌粉容易与溶液中的氢离子发生氧化还原反应生成氢气，造成锌粉的浪费，增加经济成本。砷盐是除钴过程的催化剂，适量的砷盐添加量能显著提高除钴效率，但是砷盐反应时会消耗锌粉，故砷盐过量的添加会造成锌粉的消耗，同时会抑制钴离子的还原；而砷盐过少的添加则难以保证除钴效果。除钴过程需要在一定的pH值区间进行，若废酸添加量不足，则pH值过高，阻碍除钴过程的进行；若废酸添加过量，则锌粉容易直接与氢离子反应，同样会阻碍除钴过程的进行。除钴过程是在连续的反应器中进行，除铜后液流量的大小决定了溶液在反应器中的平均停留时间，即决定了除钴时间的长短，同时，除铜后液流量越大，单位时间内进入反应器中铜离子就越多。适量的铜离子有利于除钴反应的进行。而当硫酸锌溶液中铜离子浓度太高时，添加的锌粉会被铜离子所大量消耗，从而没有足够的锌粉进行除钴，降低除钴效率；铜离子浓度过低，生成的新鲜合金Cu3As过少，对除钴过程的活化效果有限，造成除钴效率降低。
除钴过程是属于氧化还原反应，通过氧化还原电位ORP可以反映反应器中氧化还原反应的程度。在实际工业现场中，ORP能够实时检测，通过调整锌粉下料量、砷盐、和废酸流量将ORP控制在一定范围内，很大程度上克服了除钴过程反应物添加的盲目性。
作为除铜过程的下游工艺，除钴过程入口铜离子浓度波动变化大，但是由于现场生产环境恶劣，缺少能长期在现场稳定运行的铜离子浓度在线检测装置，而是采用人工采样化验的方式而造成除钴过程入口处的铜离子浓度信息获取滞后，且检测精度低，从而增加了锌粉添加的盲目性，给除钴过程的稳定运行带来了的困难。
发明内容
本发明提供的湿法炼锌净化除钴过程入口铜离子浓度估计方法及***，解决了现有湿法炼锌净化除钴过程入口铜离子浓度检测精度低的技术问题。
为解决上述技术问题，本发明提出的湿法炼锌净化除钴过程入口铜离子浓度估计方法包括：
根据除铜过程动力学原理与物料平衡原理，建立第一模型，第一模型为除铜过程氧化还原电位和除铜后液铜离子浓度的关系模型；
基于第一模型，根据停留时间分布关系，建立第二模型，第二模型为除铜后液铜离子浓度和除铜溢流铜离子浓度的关系模型；
建立除钴过程的KPLS模型；
基于第一模型、第二模型以及KPLS模型，建立除钴过程入口铜离子浓度估计模型，并基于除钴过程入口铜离子浓度估计模型获得除钴过程入口铜离子浓度估计值。
进一步地，根据除铜过程动力学原理与物料平衡原理，建立第一模型包括：
基于电极反应动力学原理，获得活化能与电位之间的关系；
根据活化能与电位之间的关系，基于电化学反应原理，获得化学反应常数；
根据化学反应常数和除铜反应器出口铜离子浓度，基于除铜过程的一阶化学反应，获得反应速率；
根据反应速率，基于物料平衡原理，建立第一模型，且第一模型具体为：
Figure BDA0002907910850000021
其中，
Figure BDA0002907910850000022
C1(t)代表t时刻除铜后液的铜离子浓度，
Figure BDA0002907910850000023
代表除铜反应器入口铜离子浓度，Q代表除铜过程硫酸锌溶液的流速，V代表除铜反应器的体积，t0代表初始时刻，Aβ代表指前因子，Ee代表标准活化能参数，α代表比例系数，F代表法拉第常数，eorp代表电位值，eeq代表铜离子标准平衡电位，R代表气体常数，T代表开尔文温度。
进一步地，基于第一模型，根据停留时间分布关系，建立第二模型包括：
获取前n个小时间段进入除铜溢流槽的流体元在t时刻还留在溢流槽的概率；
基于第一模型，根据概率，建立第二模型，且第二模型具体为：
Figure BDA0002907910850000031
其中C2(t)代表t时刻除铜溢流的铜离子浓度，C1(t-i△T)代表当前时刻t往前i个小时间段△T的除铜后液的铜离子浓度，i代表前n个小时间段内的第i个小时间段，V2表示除铜溢流槽的体积，△T代表每一小段时间的时间长度，Q(t-i△T)代表当前时刻t往前i个小时间段△T的除铜后液的流量流速，E(i△T)代表当前时刻t往前i个小时间段△T的停留时间概率。
进一步地，建立除钴过程的KPLS模型包括：
选取除钴过程的除钴反应器的锌粉仓下料量、除钴入口溶液流速、废酸添加量、砷盐添加量以及氧化还原电位构建KPLS模型的输入矩阵，选取除铜溢流的铜离子浓度变量构建输出矩阵；
对输入矩阵和输出矩阵进行归一化；
引入高斯核函数将输入矩阵映射至高维特征空间，获得输入矩阵的特征空间矩阵,并对特征空间矩阵进行中心化处理；
基于中心化处理后的特征空间矩阵建立KPLS模型，且KPLS模型具体为：
Figure BDA0002907910850000032
Figure BDA0002907910850000033
Y＝K0B+R
其中K0代表中心化处理后的特征空间矩阵，Y代表输出矩阵，T和U分别代表K0和Y的得分矩阵，P和Q分别代表K0和Y的负载矩阵，E和F分别代表K0和Y的残差矩阵，且A为模型中保留的隐变量的个数，B和R分别是回归系数矩阵和残差矩阵，其中回归系数矩阵
Figure BDA0002907910850000034
T＝[t1,t2,...tA]，U＝[u1,u2,...uA]，P＝[p1,p2,...pA]，Q＝[q1,q2,...qA]。
进一步地，基于第一模型、第二模型以及KPLS模型，建立除钴过程入口铜离子浓度估计模型包括：
通过除铜过程的在线检测数据，模糊推理获得模型协调因子；
根据第一模型、第二模型、KPLS模型以及模型协调因子，建立除钴过程入口铜离子浓度估计模型，且除钴过程入口铜离子浓度估计模型具体为；
Ccombine＝μC2+(1-μ)Y，
其中，Ccombine为除钴过程入口铜离子浓度估计模型，C2为根据第二模型计算的除铜溢流的铜离子浓度，Y为根据KPLS模型计算的除铜溢流的铜离子浓度，μ为模型协调因子。
进一步地，通过除铜过程的在线检测数据，模糊推理获得模型协调因子包括：
选取锌粉的变化量作为第一输入变量、电位的变化量作为第二输入变量以及模型协调因子作为输出变量；
根据隶属函数确定第一输入变量、第二输入变量以及输出变量的模糊集；
基于自定义的模型协调因子模糊规则，根据第一输入变量、第二输入变量以及输出变量的模糊集，采用重心法获得模型协调因子。
进一步地，根据隶属函数确定第一输入变量、第二输入变量以及输出变量的模糊集具体为：
根据Z型隶属函数确定第一输入变量、第二输入变量以及输出变量的第一个模糊集；
根据钟型隶属度函数确定第一输入变量、第二输入变量以及输出变量的第二、第三以及第四个模糊集；
根据S型隶属函数确定第一输入变量、第二输入变量以及输出变量的第五个模糊集。
本发明提供的湿法炼锌净化除钴过程入口铜离子浓度估计***包括：
存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现本发明提供的湿法炼锌净化除钴过程入口铜离子浓度估计方法的步骤。
与现有技术相比，本发明的优点在于：
本发明提供的湿法炼锌净化除钴过程入口铜离子浓度估计方法及***，通过根据除铜过程动力学原理与物料平衡原理，建立第一模型，第一模型为除铜过程氧化还原电位和除铜后液铜离子浓度的关系模型，基于第一模型，根据停留时间分布关系，建立第二模型，第二模型为除铜后液铜离子浓度和除铜溢流铜离子浓度的关系模型，建立除钴过程的KPLS模型以及基于第一模型、第二模型以及KPLS模型，建立除钴过程入口铜离子浓度估计模型，并基于除钴过程入口铜离子浓度估计模型获得除钴过程入口铜离子浓度估计值，解决了现有湿法炼锌净化除钴过程入口铜离子浓度检测精度低的技术问题，充分考虑到除铜过程和除钴过程的铜离子浓度动态变化，不仅能实时在线检测除钴过程入口铜离子浓度，且检测精度高，为除钴过程的优化控制提供指导。
附图说明
图1为本发明实施例一的湿法炼锌净化除钴过程入口铜离子浓度估计方法的流程图；
图2为本发明实施例二的湿法炼锌净化除钴过程的工艺流程图；
图3为本发明实施例二的湿法炼锌净化除钴过程入口铜离子浓度估计方法的流程图；
图4为本发明实施例二的Δzinc隶属函数关系；
图5为本发明实施例二的ΔORP隶属函数关系；
图6为本发明实施例二的μ隶属函数关系；
图7为本发明实施例二的基于关联工序信息的除钴过程入口铜离子浓度估计方法的结构框图；
图8为本发明实施例二的铜离子浓度估计值与真实值对比图；
图9为本发明实施例的湿法炼锌净化除钴过程入口铜离子浓度估计***的结构框图。
附图标记：
10、存储器；20、处理器。
具体实施方式
为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一
参照图1，本发明实施例一提供的湿法炼锌净化除钴过程入口铜离子浓度估计方法，包括：
步骤S101，根据除铜过程动力学原理与物料平衡原理，建立第一模型，第一模型为除铜过程氧化还原电位和除铜后液铜离子浓度的关系模型。
步骤S102，基于第一模型，根据停留时间分布关系，建立第二模型，第二模型为除铜后液铜离子浓度和除铜溢流铜离子浓度的关系模型。
步骤S103，建立除钴过程的KPLS模型。
步骤S104，基于第一模型、第二模型以及KPLS模型，建立除钴过程入口铜离子浓度估计模型，并基于除钴过程入口铜离子浓度估计模型获得除钴过程入口铜离子浓度估计值。
本发明实施例提供的湿法炼锌净化除钴过程入口铜离子浓度估计方法，通过根据除铜过程动力学原理与物料平衡原理，建立第一模型，第一模型为除铜过程氧化还原电位和除铜后液铜离子浓度的关系模型，基于第一模型，根据停留时间分布关系，建立第二模型，第二模型为除铜后液铜离子浓度和除铜溢流铜离子浓度的关系模型，建立除钴过程的KPLS模型以及基于第一模型、第二模型以及KPLS模型，建立除钴过程入口铜离子浓度估计模型，并基于除钴过程入口铜离子浓度估计模型获得除钴过程入口铜离子浓度估计值，解决了现有湿法炼锌净化除钴过程入口铜离子浓度检测精度低的技术问题，充分考虑到除铜过程和除钴过程的铜离子浓度动态变化，不仅能实时在线检测除钴过程入口铜离子浓度，且检测精度高，为除钴过程的优化控制提供指导。
由于除钴过程入口的铜离子浓度取决于除铜过程的除铜效果，并且在除钴过程中，除钴的在线检测数据又能很好的反映入口处的铜离子浓度变化，故本实施例结合除铜过程和除钴过程工序的铜离子浓度动态变化，建立除钴过程入口铜离子浓度估计模型，从而有利于获得高精度的除钴入口铜离子浓度估计值。
实施例二
以某冶炼厂湿法炼锌净化过程为例，其工艺流程图如图2所示，除铜过程主要在两个连续搅拌反应器中进行，通过在反应器中添加锌粉，使中性上清液中的铜离子以氧化亚铜的形式沉淀。除铜后的硫酸锌溶液在浓密机中进行固液分离，沉降后的底流部分返回到1号除铜反应器中，浓密机溢流则被送至除铜溢流槽，除铜溢流槽的溢流溶液送往除钴工艺。净化除钴过程主要在四个连续的搅拌反应器中进行，通过向四个反应器中添加锌粉，以及添加砷盐、废酸，使钴离子在四个反应器中逐渐反应，从而达到钴离子的去除效果。钴合金在浓密机中沉淀，形成有利于除钴反应的晶种返回到1号反应器中，而浓密机溢流则被送往后续工段。本发明的目的就是实现除钴过程入口(除铜溢流)的铜离子浓度实时估计。
参照图3，本发明实施例二提供的湿法炼锌净化除钴过程入口铜离子浓度估计方法，包括：
步骤S201，根据除铜过程动力学原理与物料平衡原理，建立第一模型，第一模型为除铜过程氧化还原电位和除铜后液铜离子浓度的关系模型。
具体地，本实施例根据除铜过程动力学原理与物料平衡原理，建立第一模型包括：
步骤S2011：除铜过程的反应为一阶化学反应，其反应速率可表示为：
Figure BDA0002907910850000061
式中，r为化学反应速率，k为反应常数，
Figure BDA0002907910850000062
为除铜反应器铜离子浓度。
步骤S2012：根据电化学反应原理，阿伦尼乌斯方程用于描述化学反应常数与活化能之间的关系：
Figure BDA0002907910850000063
式中，Aβ为指前因子,Ea为活化能,R为气体常数,T为开尔文温度。
步骤S2013：从电极反应动力学角度分析得到，活化能与电位之间的关系：
Ea＝Ee+2αF(eorp-eeq) (3)
式中，F为法拉第常数，Ee为标准活化能参数，eeq为铜离子标准平衡电位，eorp为电位值，α为比例系数。
步骤S2014：结合式子(1)(2)和(3)，得到：
Figure BDA0002907910850000071
步骤S2015：流程工业中物料平衡原理表示为：反应物的变化量＝反应物流入的量-反应物流出的量-反应物的反应量。根据物料平衡原理得到：
Figure BDA0002907910850000072
式中，V为除铜反应器的体积，
Figure BDA0002907910850000073
为除铜反应器入口铜离子浓度，
Figure BDA0002907910850000074
为除铜反应器出口铜离子浓度，Q为除铜过程硫酸锌溶液的流速。
令
Figure BDA0002907910850000075
故上式可化成：
Figure BDA0002907910850000076
求解上式得到：
Figure BDA0002907910850000077
其中，
Figure BDA0002907910850000078
C1(t)代表t时刻除铜后液的铜离子浓度，
Figure BDA0002907910850000079
代表除铜反应器入口铜离子浓度，Q代表除铜过程硫酸锌溶液的流速，V代表除铜反应器的体积，t0代表初始时刻，Aβ代表指前因子，Ee代表标准活化能参数，α代表比例系数，F代表法拉第常数，eorp代表电位值，eeq代表铜离子标准平衡电位，R代表气体常数，T代表开尔文温度。
步骤S202，基于第一模型，根据停留时间分布关系，建立第二模型，第二模型为除铜后液铜离子浓度和除铜溢流铜离子浓度的关系模型。
具体地，本实施例基于第一模型，根据停留时间分布关系，建立第二模型，第二模型为除铜后液铜离子浓度和除铜溢流铜离子浓度的关系模型包括：
步骤S2021：在实际工业反应器中，通过停留时间来描述质点从进入到离开反应器的总共停留时间，按照概率论使用停留时间概率密度函数来表征：
Figure BDA0002907910850000081
式中，N是反应器的个数，V2为容器体积，Q为流量的流速。
步骤S2022：视每一小段时间△T内进入除铜溢流槽的溶液都看作是一个流体元，则对于进入除铜溢流槽的每一个流体元都满足式(7)，对于当前时刻t而言，前n个小时间段内进入除铜溢流槽的溶液流量可表示为：
Q(t-n△T)△T,Q(t-(n-1)△T)△T,...,Q(t-△T)△T (9)
式中，Q(t)为进入除铜溢流槽的溶液流速。
对于当前时刻t而言，前n个小时间段内进入除铜溢流槽的溶液浓度可表示为：C1(t-n△T),C1(t-(n-1)△T),...,C1(t-△T)
步骤S2023：根据式(8),对于前n个小时间段进入除铜溢流槽的流体元在t时刻还留在溢流槽的概率分别为：
E(n△T),E((n-1)△T),…,E(△T) (10)
则可以得到t时刻除铜溢流槽出口的铜离子浓度为：
Figure BDA0002907910850000082
式中，C2(t)代表t时刻除铜溢流的铜离子浓度，C1(t-i△T)代表当前时刻t往前i个小时间段△T的除铜后液的铜离子浓度，i代表前n个小时间段内的第i个小时间段，V2表示除铜溢流槽的体积，△T代表每一小段时间的时间长度，Q(t-i△T)代表当前时刻t往前i个小时间段△T的除铜后液的流量流速，E(i△T)代表当前时刻t往前i个小时间段△T的停留时间概率。
步骤S2024：利用现场运行产生的大量历史数据(流量、离子浓度、电位等)对关系模型采用粒子群算法进行参数辨识得到参数，由于粒子群算法是参数辨识时常用的技术方法，因此对其实现过程不进行具体描述，其在本发明中使用模型输出值与真实值误差平方和最小作为优化目标进行参数的辨识：
Figure BDA0002907910850000091
式中，N为样本的个数C1,i为除铜后液第i个样本的铜离子浓度真实值，C1,k,i为除铜后液第i个样本的铜离子浓度计算值，C2,i为除铜溢流第i个样本的铜离子浓度真实值，C2,k,i为除铜溢流第i个样本的铜离子浓度计算值。
步骤S203，选取除钴过程入口的除钴反应器的锌粉仓下料量、除钴入口溶液流速、废酸添加量、砷盐添加量以及氧化还原电位构建KPLS(kernel partial least-squares-algorithm核偏最小二乘算法)模型的输入矩阵，选取除铜溢流的铜离子浓度变量构建输出矩阵，并对输入矩阵和输出矩阵进行归一化。
具体地，对输入矩阵X和输出矩阵Y进行归一化处理。其中输入矩阵X由表1的变量参数组成，输出矩阵Y为除铜溢流的铜离子浓度。
表1除钴过程在线检测数据
序号 参数 单位
1 1#锌粉仓下料量 kg/h
2 除钴入口溶液流速 m<sup>3</sup>/h
3 1#废酸添加量 m<sup>3</sup>/h
4 1#砷盐添加量 L/h
5 1#氧化还原电位 mV
步骤S204，引入高斯核函数将输入矩阵映射至高维特征空间，获得输入矩阵的特征空间矩阵,并对特征空间矩阵进行中心化处理。
具体的步骤如下：
Step1：计算矩阵K。
Ki,j＝k(xi,xj) (13)
式中，xi，xj分别是输入矩阵X中的第i个输入样本和第j个输入样本，k(·)为核函数，Ki,j为矩阵K的第i行第j列的元素。本发明选用高斯核函数
Figure BDA0002907910850000092
其中σ＝4。
Step2：对矩阵K进行中心化处理：
Figure BDA0002907910850000093
式中，I为n×n的单位矩阵，s为n维1列全1的列向量；
Figure BDA0002907910850000102
为s的转置矩阵；n为输入矩阵X中样本的个数。
步骤S205，基于中心化处理后的特征空间矩阵建立KPLS模型，且KPLS模型具体为：
Figure BDA0002907910850000101
其中K0代表中心化处理后的特征空间矩阵，Y代表输出矩阵，T和U分别代表K0和Y的得分矩阵，P和Q分别代表K0和Y的负载矩阵，E和F分别代表K0和Y的残差矩阵，且A为模型中保留的隐变量的个数，B和R分别是回归系数矩阵和残差矩阵，其中回归系数矩阵
Figure BDA0002907910850000103
T＝[t1,t2,...tA]，U＝[u1,u2,...uA]，P＝[p1,p2,...pA]，Q＝[q1,q2,...qA]。
进一步地，本实施例采用交叉验证法确定主元数目，并求解回归系数矩阵B。具体步骤如下：
Step1：初始化ui；
Step2：计算输入矩阵的得分矩阵：ti＝Kui；
Step3：将得分矩阵ti进行归一化处理；
Step4：计算输出矩阵的负载矩阵：
Figure BDA0002907910850000104
Step5：计算负载主元：ui＝Yqi；
Step6：将矩阵ui进行归一化处理；
Step7：判断ui是否收敛：如果收敛则跳至step8；如果不是，则跳至step2；
Step8：更新矩阵：
Figure BDA0002907910850000105
其中I为单位矩阵；
Step9：i＝i+1,判断i是否大于A：如果是，则结束；如果不是，则跳至step2；
Step10：计算回归系数
Figure BDA0002907910850000106
且本实施例对测试数据的预测值为：
Figure BDA0002907910850000107
式中，Xt是测试数据的矩阵，Kt是数据矩阵Xt的特征空间矩阵。
具体地，在除钴过程中氧化还原电位ORP是添加的锌粉、砷盐、废酸、流量、入口铜离子浓度等所有因素综合决定的，其实理论上应该是ORP＝f(锌粉、砷盐、废酸、流量、入口铜离子浓度),在实际工业现场锌粉、砷盐、废酸、流量、电位ORP都是可以在线实时检测的，但是入口的铜离子浓度是需要操作人员采样检测的(化验间隔2小时)，所以本实施例根据在现场可以实时检测的变量(锌粉、砷盐、废酸、流量、电位ORP)来估计化验间隔长的入口铜离子浓度，即入口铜离子浓度＝f(锌粉、砷盐、废酸、流量、ORP)，从而实现除钴入口铜离子浓度在线精准估计，为除钴过程的优化控制提供指导。
步骤S206，通过除铜过程的在线检测数据，模糊推理获得模型协调因子。
进一步地，本实施例通过除铜过程的在线检测数据，模糊推理获得模型协调因子包括：选取锌粉的变化量作为第一输入变量、电位的变化量作为第二输入变量以及模型协调因子作为输出变量，根据隶属函数确定第一输入变量、第二输入变量以及输出变量的模糊集，以及基于自定义的模型协调因子模糊规则，根据第一输入变量、第二输入变量以及输出变量的模糊集，采用重心法获得模型协调因子。
具体地，本实施例的模型协调因子μ表示了两个模型集成时除铜机理模型所占的比重，在使用机理模型式计算铜离子浓度时，由于除铜入口的铜离子浓度
Figure BDA0002907910850000112
的化验间隔是2小时，所以此公式在计算时入口的铜离子浓度
Figure BDA0002907910850000113
都使用上一个化验值，默认为入口处的铜离子浓度不变或者变化不大。但是在实际的工业现场，入口处的铜离子浓度波动有时较大，因此单单使用除铜机理模型不能很好的预测铜离子浓度。在除钴工序，当除钴入口处的铜离子浓度波动较大时，氧化还原电位ORP能迅速的反应入口的铜离子浓度波动。因此在铜离子浓度波动较小时，本实施例增大模型协调因子μ，当铜离子浓度波动较大时，适当减小模型协调因子μ，增大除钴数据模型的所占比重。本实施例的模型协调因子μ通过除铜过程的在线检测数据模糊推理而得到。具体如下：
步骤S2061，第一输入变量锌粉的变化量△zinc、第二输入变量电位的变化量△ORP、输出变量为模型协调因子μ。锌粉的变化量△zinc、电位的变化量△ORP表示为：
Figure BDA0002907910850000111
式中，zinck、zinck-T、ORPk、ORPk-T分别表示当前时刻k锌粉的添加量、前T时刻锌粉的添加量、当前时刻k氧化还原电位值、前T时刻氧化还原电位值，本发明中T＝10min。
步骤S2062，根据除铜过程的特性，将△zinc分成5个模糊集：NB(负大)，NS(负小)，ZO(正常)，PS(正小)，PB(正大)。ZO表示当前锌粉改变量值在过程指标范围内，NS表示当前锌粉添加量呈缓慢下降状态，NB表示当前锌粉添加量呈快速下降状态，PS表示当前锌粉添加量呈缓慢上升状态，PB则表示当前锌粉添加量呈快速上升状态。
将△ORP分成5个模糊集：NB(负大)，NS(负小)，ZO(正常)，PS(正小)，PB(正大)。ZO表示当前氧化还原电位值ORP在过程指标范围内，NS表示当前氧化还原电位值ORP呈缓慢下降状态，NB表示当前氧化还原电位值ORP呈快速下降状态，PS表示当前氧化还原电位值ORP呈缓慢上升状态，PB则表示当前氧化还原电位值ORP呈快速上升状态。
将模型协调因子μ分为5个模糊集：NB(机理模型所占比重很小)，NS(机理模型所占比重较小)，ZO(机理模型所占比重适中)，PS(机理模型所占比重较大)，PB(机理模型所占比重很大)。
步骤S2063，分别建立第一输入变量△zinc的第一隶属函数、第二输入变量△zinc的第二隶属函数和输出变量μ的第三隶属函数，如图4、图5、图6所示。
△zinc、△ORP和μ的第一个模糊集(NB)由Z型隶属函数确定：
Figure BDA0002907910850000121
式中，α、β决定函数曲线的斜率。
△zinc、△ORP和μ的中间三种(NS、ZO、PS)模糊集由钟型隶属度函数确定：
Figure BDA0002907910850000122
式中，a、b决定函数的形状，c决定函数曲线的位置。
△zinc、△ORP和μ的最后一个模糊集(PB)由S型隶属函数确定：
Figure BDA0002907910850000123
式中，σ、ω决定函数曲线的斜率。
根据现场专家经验以及对数据的分析，各隶属度函数参数如表2所示：
表2
Figure BDA0002907910850000131
步骤S2064，根据获得的模糊集合创建基于锌粉和电位的变化量的模型协调因子模糊规则，规则矩阵表如表3所示：
表3
Figure BDA0002907910850000132
规则一：当锌粉改变量在合适的范围内时，氧化还原电位ORP有轻微的上升或者下降趋势或者基本不变，这种情况认为是铜离子浓度波动不大的，则协调因子取适中的值。规则为：
Figure BDA0002907910850000133
规则二：当锌粉的改变量有很大的下降趋势时，氧化还原电位ORP基本不变；当锌粉的改变量有轻微的下降趋势时，氧化还原电位ORP有轻微的下降趋势或者基本不变；当锌粉改变量在合适的范围内时，氧化还原电位ORP有轻微的上升或者下降趋势或者基本不变；当锌粉的改变量有轻微的上升趋势时，氧化还原电位ORP有轻微的上升趋势或者基本不变；当锌粉的改变量有很大的上升趋势时，氧化还原电位ORP基本不变，以上情况认为是铜离子浓度波动较大的，协调因子取较小的值。规则为：
Figure BDA0002907910850000141
规则三：当锌粉改变量有很大的下降趋势时，氧化还原电位ORP有很大或轻微的下降趋势；而当锌粉的改变量有轻微的下降趋势时，氧化还原电位ORP有很大的下降趋势；而当锌粉的改变量有轻微的上升趋势时，氧化还原电位ORP有较大的上升趋势；当锌粉的改变量有很大的上升趋势时，氧化还原电位ORP有很大或者轻微的上升趋势，以上情况认为是铜离子浓度波动很大，协调因子取很小的值。规则为：
Figure BDA0002907910850000142
规则四：当锌粉改变量有轻微的下降趋势时，氧化还原电位ORP有轻微或者很大的上升趋势；当锌粉的改变量有轻微的上升趋势时，氧化还原电位ORP有轻微或很大的下降趋势，以上情况认为是铜离子浓度较为稳定的，协调因子取较大的值。规则为：
Figure BDA0002907910850000143
规则五：当锌粉改变量有很大的下降趋势时，氧化还原电位ORP有轻微或者很大的下降趋势；而当锌粉的改变量有很大的上升趋势时，氧化还原电位ORP有轻微或者很大的上升趋势，以上情况认为是铜离子浓度时很稳定的，协调因子取很大的值。规则为：
Figure BDA0002907910850000144
步骤S2065，采用重心法将模糊结果值转化为相应的数值，得到协调因子μ。
步骤S207，根据第一模型、第二模型、KPLS模型以及模型协调因子，建立除钴过程入口铜离子浓度估计模型，并基于所述除钴过程入口铜离子浓度估计模型获得除钴过程入口铜离子浓度估计值，且除钴过程入口铜离子浓度估计模型具体为；
Ccombine＝μC2+(1-μ)Y (26)
其中，Ccombine为除钴过程入口铜离子浓度估计模型，C2为根据第二模型计算的除铜溢流的铜离子浓度，Y为根据KPLS模型计算的除铜溢流的铜离子浓度，μ为模型协调因子。
本发明实施例提供的湿法炼锌净化除钴过程入口铜离子浓度估计方法，通过根据除铜过程动力学原理与物料平衡原理，建立第一模型，第一模型为除铜过程氧化还原电位和除铜后液铜离子浓度的关系模型，基于第一模型，根据停留时间分布关系，建立第二模型，第二模型为除铜后液铜离子浓度和除铜溢流铜离子浓度的关系模型，建立除钴过程的KPLS模型以及基于第一模型、第二模型以及KPLS模型，建立除钴过程入口铜离子浓度估计模型，并基于除钴过程入口铜离子浓度估计模型获得除钴过程入口铜离子浓度估计值，解决了现有湿法炼锌净化除钴过程入口铜离子浓度检测精度低的技术问题，充分考虑到除铜过程和除钴过程的铜离子浓度动态变化，不仅能实时在线检测除钴过程入口铜离子浓度，且检测精度高，为除钴过程的优化控制提供指导。
具体地，若仅仅利用前面除铜过程的输出获得除钴过程入口铜离子浓度估计效果不好，因为根据除铜过程的机理模型(公式5)，可知除铜反应器出口的铜离子浓度是由入口的铜离子浓度和反应掉的铜离子决定的，根据在线检测的电位、温度等参数(eorp、T)可以实时表征反应掉的铜离子，但是入口处的铜离子浓度信息
Figure BDA0002907910850000151
却是两个小时一次的化验值，所以在使用上式时，无法获得实时的入口的铜离子浓度信息，只能假设在这两小时之内入口处的铜离子浓度不变，但是在实际现场中，入口处的铜离子浓度往往波动大，所以因入口的铜离子浓度信息不准，导致了机理模型出口的铜离子浓度
Figure BDA0002907910850000152
也不准，有一定的局限性。在除钴过程中，电位ORP对入口处的铜离子浓度变化很敏感，能很好的反映入口处的铜离子浓度变化，所以本实施例使用除钴过程的在线检测数据，实时评估入口处的铜离子浓度变化情况。也即本实施例充分考虑到除铜过程和除钴过程的铜离子浓度动态变化，能建立高精度的除钴过程入口铜离子浓度估计模型，从而实现除钴入口铜离子浓度在线精准估计。
本发明提出的基于关联工序信息的除钴过程入口铜离子浓度估计模型，作为除铜过程的直接下游工艺，除钴过程入口处的铜离子浓度主要取决于除铜过程的实际效果，而在除钴过程中ORP又能很好的反映除钴入口处的铜离子浓度的变化。因此，本发明结合两个工序的信息实现对除钴过程铜离子浓度的在线估计，结构框图如图7所示。
由此可见，本实施例克服了除钴过程入口处铜离子浓度波动大且难以在线检测给除钴过程生产优化控制带来困难的问题，能实时的反映除钴入口处的铜离子浓度变化趋势，为除钴过程的优化控制提供指导。通过选取湖南某锌冶炼厂的净化工艺的数据对本发明的方法进行验证，结果如图8所示。
参照图9，本发明实施例提出的湿法炼锌净化除钴过程入口铜离子浓度估计***，包括：
存储器10、处理器20以及存储在存储器10上并可在处理器20上运行的计算机程序，其中，处理器20执行计算机程序时实现本实施例提出的湿法炼锌净化除钴过程入口铜离子浓度估计方法的步骤。
本实施例的湿法炼锌净化除钴过程入口铜离子浓度估计***的具体工作过程和工作原理可参照本实施例中的湿法炼锌净化除钴过程入口铜离子浓度估计方法的工作过程和工作原理。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种湿法炼锌净化除钴过程入口铜离子浓度估计方法，其特征在于，所述方法包括：
根据除铜过程动力学原理与物料平衡原理，建立第一模型，所述第一模型为除铜过程氧化还原电位和除铜后液铜离子浓度的关系模型；
基于所述第一模型，根据停留时间分布关系，建立第二模型，所述第二模型为除铜后液铜离子浓度和除铜溢流铜离子浓度的关系模型；
建立除钴过程的KPLS模型；
基于所述第一模型、第二模型以及KPLS模型，建立除钴过程入口铜离子浓度估计模型，并基于所述除钴过程入口铜离子浓度估计模型获得除钴过程入口铜离子浓度估计值。
2.根据权利要求1所述的湿法炼锌净化除钴过程入口铜离子浓度估计方法，其特征在于，根据除铜过程动力学原理与物料平衡原理，建立第一模型包括：
基于电极反应动力学原理，获得活化能与电位之间的关系；
根据活化能与电位之间的关系，基于电化学反应原理，获得化学反应常数；
根据所述化学反应常数和除铜反应器出口铜离子浓度，基于除铜过程的一阶化学反应，获得反应速率；
根据反应速率，基于物料平衡原理，建立第一模型，且所述第一模型具体为：
Figure FDA0002907910840000011
其中，
Figure FDA0002907910840000012
C1(t)代表t时刻除铜后液的铜离子浓度，
Figure FDA0002907910840000013
代表除铜反应器入口铜离子浓度，Q代表除铜过程硫酸锌溶液的流速，V代表除铜反应器的体积，t0代表初始时刻，Aβ代表指前因子，Ee代表标准活化能参数，α代表比例系数，F代表法拉第常数，eorp代表电位值，eeq代表铜离子标准平衡电位，R代表气体常数，T代表开尔文温度。
3.根据权利要求2所述的湿法炼锌净化除钴过程入口铜离子浓度估计方法，其特征在于，基于所述第一模型，根据停留时间分布关系，建立第二模型包括：
获取前n个小时间段进入除铜溢流槽的流体元在t时刻还留在溢流槽的概率；
基于所述第一模型，根据所述概率，建立第二模型，且所述第二模型具体为：
Figure FDA0002907910840000014
其中C2(t)代表t时刻除铜溢流的铜离子浓度，C1(t-i△T)代表当前时刻t往前i个小时间段△T的除铜后液的铜离子浓度，i代表前n个小时间段内的第i个小时间段，V2表示除铜溢流槽的体积，△T代表每一小段时间的时间长度，Q(t-i△T)代表当前时刻t往前i个小时间段△T的除铜后液的流量流速，E(i△T)代表当前时刻t往前i个小时间段△T的停留时间概率。
4.根据权利要求1-3任一所述的湿法炼锌净化除钴过程入口铜离子浓度估计方法，其特征在于，建立除钴过程的KPLS模型包括：
选取除钴过程的除钴反应器的锌粉仓下料量、除钴入口溶液流速、废酸添加量、砷盐添加量以及氧化还原电位构建KPLS模型的输入矩阵，选取除铜溢流的铜离子浓度变量构建输出矩阵；
对所述输入矩阵和输出矩阵进行归一化；
引入高斯核函数将输入矩阵映射至高维特征空间，获得输入矩阵的特征空间矩阵,并对特征空间矩阵进行中心化处理；
基于中心化处理后的特征空间矩阵建立KPLS模型，且所述KPLS模型具体为：
Figure FDA0002907910840000021
其中K0代表中心化处理后的特征空间矩阵，Y代表输出矩阵，T和U分别代表K0和Y的得分矩阵，P和Q分别代表K0和Y的负载矩阵，E和F分别代表K0和Y的残差矩阵，且A为模型中保留的隐变量的个数，B和R分别是回归系数矩阵和残差矩阵，其中回归系数矩阵
Figure FDA0002907910840000022
T＝[t1,t2,...tA]，U＝[u1,u2,...uA]，P＝[p1,p2,...pA]，Q＝[q1,q2,...qA]。
5.根据权利要求4所述的湿法炼锌净化除钴过程入口铜离子浓度估计方法，其特征在于，基于所述第一模型、第二模型以及KPLS模型，建立除钴过程入口铜离子浓度估计模型包括：
通过除铜过程的在线检测数据，模糊推理获得模型协调因子；
根据所述第一模型、第二模型、KPLS模型以及模型协调因子，建立除钴过程入口铜离子浓度估计模型，且所述除钴过程入口铜离子浓度估计模型具体为；
Ccombine＝μC2+(1-μ)Y，
其中，Ccombine为除钴过程入口铜离子浓度估计模型，C2为根据第二模型计算的除铜溢流的铜离子浓度，Y为根据KPLS模型计算的除铜溢流的铜离子浓度，μ为模型协调因子。
6.根据权利要求5所述的湿法炼锌净化除钴过程入口铜离子浓度估计方法，其特征在于，通过除铜过程的在线检测数据，模糊推理获得模型协调因子包括：
选取锌粉的变化量作为第一输入变量、电位的变化量作为第二输入变量以及模型协调因子作为输出变量；
根据隶属函数确定所述第一输入变量、第二输入变量以及输出变量的模糊集；
基于自定义的模型协调因子模糊规则，根据所述第一输入变量、第二输入变量以及输出变量的模糊集，采用重心法获得模型协调因子。
7.根据权利要求6所述的湿法炼锌净化除钴过程入口铜离子浓度估计方法，其特征在于，根据隶属函数确定所述第一输入变量、第二输入变量以及输出变量的模糊集具体为：
根据Z型隶属函数确定第一输入变量、第二输入变量以及输出变量的第一个模糊集；
根据钟型隶属度函数确定第一输入变量、第二输入变量以及输出变量的第二、第三以及第四个模糊集；
根据S型隶属函数确定第一输入变量、第二输入变量以及输出变量的第五个模糊集。
8.一种湿法炼锌净化除钴过程入口铜离子浓度估计***，所述***包括：
存储器(10)、处理器(20)以及存储在存储器(10)上并可在处理器(20)上运行的计算机程序，其特征在于，所述处理器(20)执行所述计算机程序时实现上述权利要求1至7任一所述方法的步骤。
CN202110076838.9A 2021-01-20 2021-01-20 湿法炼锌净化除钴过程入口铜离子浓度估计方法及*** Active CN112899496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110076838.9A CN112899496B (zh) 2021-01-20 2021-01-20 湿法炼锌净化除钴过程入口铜离子浓度估计方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110076838.9A CN112899496B (zh) 2021-01-20 2021-01-20 湿法炼锌净化除钴过程入口铜离子浓度估计方法及***

Publications (2)

Publication Number Publication Date
CN112899496A true CN112899496A (zh) 2021-06-04
CN112899496B CN112899496B (zh) 2022-04-08

Family

ID=76116864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110076838.9A Active CN112899496B (zh) 2021-01-20 2021-01-20 湿法炼锌净化除钴过程入口铜离子浓度估计方法及***

Country Status (1)

Country Link
CN (1) CN112899496B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114318425A (zh) * 2021-12-22 2022-04-12 中南大学 一种湿法炼锌净化除钴过程电位稳定控制方法和***
CN114496110A (zh) * 2021-12-24 2022-05-13 中南大学 湿法炼锌净化除钴反应器出口钴离子浓度预测方法和***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040144208A1 (en) * 2002-11-18 2004-07-29 Koji Ando Process for refining raw copper material containing copper sulfide mineral
CN102676818A (zh) * 2012-04-01 2012-09-19 中南大学 一种湿法炼锌除铜过程锌粉有效性系数预测方法
CN105950866A (zh) * 2016-04-29 2016-09-21 中南大学 一种基于氧化还原电位的锌液净化除铜过程优化控制方法
CN111103802A (zh) * 2019-12-31 2020-05-05 中南大学 锌液净化过程除杂反应器智能自主控制方法和***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040144208A1 (en) * 2002-11-18 2004-07-29 Koji Ando Process for refining raw copper material containing copper sulfide mineral
CN102676818A (zh) * 2012-04-01 2012-09-19 中南大学 一种湿法炼锌除铜过程锌粉有效性系数预测方法
CN105950866A (zh) * 2016-04-29 2016-09-21 中南大学 一种基于氧化还原电位的锌液净化除铜过程优化控制方法
CN111103802A (zh) * 2019-12-31 2020-05-05 中南大学 锌液净化过程除杂反应器智能自主控制方法和***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114318425A (zh) * 2021-12-22 2022-04-12 中南大学 一种湿法炼锌净化除钴过程电位稳定控制方法和***
CN114318425B (zh) * 2021-12-22 2023-03-24 中南大学 一种湿法炼锌净化除钴过程电位稳定控制方法和***
CN114496110A (zh) * 2021-12-24 2022-05-13 中南大学 湿法炼锌净化除钴反应器出口钴离子浓度预测方法和***

Also Published As

Publication number Publication date
CN112899496B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
Xie et al. An integrated predictive model with an on-line updating strategy for iron precipitation in zinc hydrometallurgy
Li et al. Optimal control for zinc solution purification based on interacting CSTR models
Han et al. Dynamic multi-objective optimization arising in iron precipitation of zinc hydrometallurgy
Boon et al. The oxidation kinetics of zinc sulphide with Thiobacillus ferrooxidans
Zhang et al. Evaluation strategy for the control of the copper removal process based on oxidation–reduction potential
Sun et al. An integrated prediction model of cobalt ion concentration based on oxidation–reduction potential
Sun et al. Modeling, optimization, and control of solution purification process in zinc hydrometallurgy
CN112899496B (zh) 湿法炼锌净化除钴过程入口铜离子浓度估计方法及***
Sun et al. Intelligent optimal setting control of a cobalt removal process
Xie et al. Dynamic modeling and optimal control of goethite process based on the rate-controlling step
Sun et al. A gradient optimization scheme for solution purification process
CN110390132B (zh) 基于过程状态空间的有色冶金单元工序数字化和建模方法
Yang et al. Modeling, optimization, and control of zinc hydrometallurgical purification process
Sun et al. Smart manufacturing of nonferrous metallurgical processes: Review and perspectives
CN110675918B (zh) 一种沉铁过程出口离子预测方法及其***
Xie et al. Coordinated optimization for the descent gradient of technical index in the iron removal process
Sun et al. A discussion of the control of nonferrous metallurgical processes
Zhu et al. A fuzzy control method based on rule extraction for zinc leaching process of zinc hydrometallurgy
CN116400652A (zh) 一种锑盐净化工艺过程锌粉自动控制方法、装置及***
CN115202190B (zh) 一种基于工艺指标调节潜质的工况划分和识别方法
CN107728664B (zh) 一种冶金过程多反应器级联pH值优化控制方法
Zhang et al. Control strategy for hydrometallurgical removal process based on modelling and evaluation
CN114420220A (zh) 一种湿法炼锌中性浸出过程pH值的预测方法
CN107657143B (zh) 液体中氧气通入量的设置方法
Wang et al. Parameter optimal identification and dynamic behavior analysis of nonlinear model for the solution purification process of zinc hydrometallurgy.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant