CN1546982A - 一种氧化铝生产过程中苛性比值与溶出率在线检测方法 - Google Patents

Abstract

一种氧化铝生产过程中苛性比值与溶出率在线检测方法，其特征在于其测量过程将现场采取的氧化铝溶出过程中包括矿浆中氧化铝、氧化硅、苛性钠、氧化钙及氧化钛的含量、原矿浆的固含、液固比及磨细粒参数及包括各溶出器的温度、压力及原矿浆的流量高压溶出工况参数值，通过通讯模块从编程控制器上获得数据送入计算机；再将采集的数据在计算机中利用软测量集成模型处理，计算得出溶出过程的苛性比值与溶出率值。本发明的方法能够比较精确的预测苛性比值及溶出率，苛性比值的相对误差均在5％以内；测量值能够跟随实际变化的趋势；测量精度能够满足实际生产的需要。

Description

一种氧化铝生产过程中苛性比值与溶出率在线检测方法

技术领域

一种氧化铝生产过程中苛性比值与溶出率在线检测，涉及一种采用软测量技术在线测量氧化铝生产过程中工艺参数，进行用于原矿浆配料及高压溶出工艺条件控制的方法。

背景技术

氧化铝高压溶出过程是一个非常复杂的连续工艺流程，影响苛性比值与溶出率的因素非常多，主要包括：原矿浆中的化学特性(如各种元素的含量)、原矿浆的物理特性(如固含及矿石磨细程度等)、高压溶出工况(如溶出温度、压力、原矿浆流量等)。在氧化铝高压溶出过程中，同时发生着多种化学反应及物理反应，反应机理异常复杂，各变量之间存在着很强的耦合性及非线性，不可能仅仅通过化学分析等手段找出苛性比值及溶出率与这些影响因素之间的关系。

苛性比值与溶出率是氧化铝高压溶出过程中两个非常重要的经济技术指标，直接反映了氧化铝生产过程中碱耗的多少及铝土矿中氧化铝溶出的质量，是优化原矿浆配料及溶出工况的重要依据，因此在线检测苛性比值与溶出率是氧化铝生产中非常重要的任务。目前，苛性比值与溶出率是在溶出过程完成后，通过人工取样、化学分析的手段获得。由于化学分析需要很长的时间，因此苛性比值与溶出率的检测存在着严重的滞后。利用这些滞后的信息来指导生产，容易导致产品质量较大的波动，不利于稳定生产和节约成本。因此，如何在线检测苛性比值与溶出率，一直都是困扰氧化铝生产企业的难题。目前虽然有一些在线分析仪表，但是总体说来在线仪表分析精度不高，价格昂贵；而且在线分析仪表仍然是在溶出过程完成后进行检测的，没有从根本上解决苛性比值与溶出率在线检测的问题。

发明内容

本发明的目的是针对氧化铝高压溶出过程中，苛性比值与溶出率不能在线检测的问题，提供一种软测量技术，通过对生产过程中其它工艺参数的检测以及这些工艺参数与苛性比值及溶出率之间的关系来在线预测苛性比值及溶出率，并以此指导原矿浆配料及高压溶出工况的优化，以稳定氧化铝生产过程，降低氧化铝生产成本。

本发明的目的是通过以下技术方案实现的。

一种氧化铝生产过程中苛性比值与溶出率在线检测方法，其特征在于其测量过程将现场采取的氧化铝溶出过程中包括矿浆中氧化铝、氧化硅、苛性钠、氧化钙及氧化钛的含量、原矿浆的固含、液固比及磨细粒参数及包括各溶出器的温度、压力及原矿浆的流量高压溶出工况参数值，通过通讯模块从编程控制器上获得数据送入计算机；再将采集的数据在计算机中利用依据生产工艺过程的历史数据及工艺机理分析形成的、包括两个模型匹配模型MI和机理模型与神经网络模型的结合MII的苛性比值及溶出率软测量集成模型处理，计算得出溶出过程的苛性比值与溶出率值。

一种氧化铝生产过程中苛性比值与溶出率在线检测方法，其特征在于苛性比值及溶出率软测量集成模型建立是在于机理建模是在工艺机理分析的基础上，依据物料平衡、热量平衡、动力学、热力学等理论建立的类似于方程式的模型；是以生产过程的历史数据建立的人工智能模型；对于溶出率，其机理模型为：

${\mathrm{\η}}_0=\frac{A_2-S}{A_2}\×100\%=(1-\frac{S}{A_2})\×100\%$

其中，A₂和S分别表示原矿浆固相中氧化铝及氧化硅的百分含量(％)，η₀即为理论上的溶出率；

对于苛性比值，其机理模型为：

${\mathrm{\α}}_{k0}=1.645*\frac{N-0.6078*\mathrm{Gh}*(S-1.8214*\mathrm{Ca}+2.55*T)}{\mathrm{Gh}*A_2+A_1-\mathrm{Gh}*S}$

其中A₂和S的含义与前面相同，N、Gh、Ca、A₁分别表示原矿浆液相中苛性氧化钠含量(克/升)、原矿浆的固含(克/升)、原矿浆固相中氧化钙的百分含量(％)及原矿浆液相中氧化铝含量(克/升)；α_k0即为理论上的苛性比值。

一种氧化铝生产过程中苛性比值与溶出率在线检测方法，其特征在于测量模型数据经过了输入数据集降维处理，在建模前对输入变量进行预处理，采用主元分析法实现数据降维处理。

一种氧化铝生产过程中苛性比值与溶出率在线检测方法，其特征在于输入数据经过了集聚类分析，采用一种改进的聚类算法进行数据聚类分析。

一种氧化铝生产过程中苛性比值与溶出率在线检测方法，其特征在于测量软测模型的神经网络模型，利用主元分析法，将影响因素分成若干类，然后用多个神经网络来建立苛性比值及溶出率的模型。

一种氧化铝生产过程中苛性比值与溶出率在线检测方法，其特征在于测量软测模型是基于统计方法的匹配模型，该模型从历史记录中选取一组正常的且具有代表性的样本作为原始记录，该组记录包括原矿浆成分和工况以及实际结果。

一种氧化铝生产过程中苛性比值与溶出率在线检测方法，其特征在于测量软测模型还包括智能协调单元；协调规则为：

R¹：IF{Condition1}THEN{模型MII预测}；

R²：IF{Condition2}THEN{模型MI预测}；

R³：ELSE{模型MI与模型MII集成模型预测}。

一种氧化铝生产过程中苛性比值与溶出率在线检测方法，其特征在于其测量软测模型还包括利用实际化验结果与预测结果之间的误差以及现场的专家知识实现对匹配模型、神经网络模型及智能协调单元的在线修正学习机制对软测量模型进行修正以适应新的工作点，其中：

1)匹配模型MI的修正包括由于模型库中存每次得到一条新的合理的样本，就用它来替换模型库中最老的样本的短期修正和在收集到校对的新样本时，利用这些样本，利用因素分析法重新计算新的权矢量的长期修正；

2)神经网络模型的修正包括每次得到一条新的合理的样本后，在原来神经网络模型的基础上修正神经网络的权值及阈值的短期修正和在收集了很多新样本后，重新选择神经网络结构并对其进行训练，以获得更加精确的新的神经网络模型的长期修正；

3)能协调单元的修正包括对模型MI和模型MII的输出进行协调的单元在获得很多新样本后重新求解权系数的修正。

本发明的方法仔细分析氧化铝高压溶出过程中主要的物理化学反应，根据物料平衡及动力学、热力学等原理，建立苛性比值及溶出率的基本机理模型；在此基础上，仔细分析收集到的大量实际运行数据及现场操作经验，并利用诸如神经网络、模糊***、专家知识、数据分析等方法建立一个苛性比值及溶出率与各影响因素之间的智能集成模型，以此来实现对苛性比值及溶出率的在线预测。在此基础上，指导氧化铝原矿浆配料的优化，以实现苛性比值及溶出率的最优，达到稳定氧化铝生产、降低生产成本的目的。本发明的方法能够比较精确的预测苛性比值及溶出率，苛性比值的相对误差均在5％以内；测量值能够跟随实际变化的趋势；测量精度能够满足实际生产的需要。

附图说明

图1苛性比值及溶出率智能集成模型；

图2多神经网络的结构；

图3苛性比值预测值和实际值的比较；

图4基于配料优化与实际结果的比较(苛性比值)；

图5基于配料优化与实际结果的比较(溶出率)。

具体实施方式

下面结合附图对本发明的方法进行具体描述如下。

1、所需数据及数据采集

(1)原矿浆物理化学特性

原矿浆物理化学性质是影响苛性比值及溶出率最重要的原因。其中化学性质指的是原矿浆中各种主要化学成分——氧化铝、氧化硅、苛性钠、氧化钙及氧化钛的含量；物理性质主要包括三个方面：原矿浆的固含、液固比及磨细程度。

原矿浆物理化学性质的数据是通过化验获得，为了实现对苛性比值进行在线预测，***通过访问化验室的局域网而获得。

(2)高压溶出工况

高压溶出过程中，溶出条件也是影响溶出效果的重要因素。溶出条件主要包括9个溶出器的温度、压力及原矿浆总的流量，共19个参数。

***利用MITSUBISHI公司的可编程控制器型号为(A2ASCUP-S1)从现场采集数据，然后利用MITSUBISHI公司的A1SJ71UC24-R2通讯模块从编程控制器上获得数据送入计算机，供***使用。

2、苛性比值及溶出率软测量集成模型

(1)软测量模型整体框架

要建立苛性比值及溶出率的软测量模型，首先必须研究氧化铝高压溶出生产机理，建立其机理数学模型。机理建模是在工艺机理分析的基础上，依据物料平衡、热量平衡、动力学、热力学等理论建立的类似于方程式的模型。机理建模是对生产过程的严格描述，在很大程度上依赖于科研和工程开发人员对实际工业过程的理论和化学、物理过程原理认识。机理分析是***建模的基础，但是，由于实际生产过程的复杂性和不确定性，对于工业过程的认知总是有限的，因此，建立严格的机理模型十分困难，甚至是不可能的。随着人工智能技术的发展，许多人工智能技术如神经网络、专家***、模糊技术、小波理论、灰色理论等已经应用于非线性***建模，并取得了很大的成就。在实际生产中，保存了大量的历史数据；另外，现场的工程技术人员由于长期与生产过程接触，对生产过程有很深的认识，积累了大量的经验，所有这些历史数据和专家经验都是建立人工智能模型的基础。人工智能建模的优点就是不需要对生产过程进行深入的机理分析(甚至可以完全脱离机理分析，只需要输入输出数据)，它完全属于一种黑箱建模方法。只要依据输入输出数据，采用一定的优化算法，就能建立其模型。因此，它非常适用于机理复杂的生产过程。然而，单纯的人工智能建模方法由于脱离了机理分析，完全依赖于历史数据建模，也很难保证模型的精度。由于神经网络技术是目前非线性***建模中应用得最为广泛也是最有力的工具之一，因此本发明把机理模型和神经网络结合起来。另外，还利用了基于统计学知识的匹配模型。软测量模型整体框架如附图1所示。

(2)苛性比值及溶出率机理模型

仔细分析氧化铝高压溶出过程知道，尽管影响苛性比值及溶出率的因素非常多，但是其中原矿浆的化学特性(即原矿浆中各种化学成分的含量)对它们的影响是最大的。在理想条件下，根据高压溶出过程中主要化学反应及物料平衡原理可以建立苛性比值及溶出率的机理模型：

对于溶出率，其机理模型为：

${\mathrm{\η}}_0=\frac{A_2-S}{A_2}\×100\%=(1-\frac{S}{A_2})\×100\%---\left(1\right)$

其中，A₂和S分别表示原矿浆固相中氧化铝及氧化硅的百分含量(％)，η₀即为理论上的溶出率。

对于苛性比值，其机理模型为：

${\mathrm{\α}}_{k0}=1.645*\frac{N-0.6078*\mathrm{Gh}*(S-1.8214*\mathrm{Ca}+2.55*T)}{\mathrm{Gh}*A_2+A_1-\mathrm{Gh}*S}---\left(2\right)$

其中A₂和S的含义与前面相同，N、Gh、Ca、A₁分别表示原矿浆液相中苛性氧化钠含量(克/升)、原矿浆的固含(克/升)、原矿浆固相中氧化钙的百分含量(％)及原矿浆液相中氧化铝含量(克/升)；α_k0即为理论上的苛性比值。

(3)数据预处理

①输入数据集降维处理

通过深入分析氧化铝高压溶出的机理知道，影响苛性比值与溶出率的因素非常多，如各溶出器(9个)的温度、压力，原矿浆流量，原矿浆中各种化学成分的含量以及原矿浆的物理特性(磨细程度、固含等)。这些因素对苛性比值与溶出率的影响各不相同，在建立软测量模型时，这些因素都必须考虑进来。而这些因素之间或多或少存在着相关性，经验告诉我们，任何模型都能容纳一定程度的相关性，但是太多的相关信息会使得模型过于复杂，泛化能力差，从而影响软测量模型的精度和可信度。因此在建模前，必须对输入变量进行适当的预处理，从众多的影响因素中找出几个公共的支配因子，最大限度保留有用信息，滤去冗余信息，这样能大大简化模型结构，提高模型的泛化能力。本发明采用主元分析法实现数据降维处理，其思想可表述如下：假设数据矩阵[X]_p×n，p代表测量采样次数，n代表测量变量个数。将原始数据进行标准化处理，相应的归一化向量为：

                    x＝[x₁，x₂，Λ，x_n]，

                                                                       (3)

                    x_i＝(X_i-μ_i)/σ_i  (i＝1，2，Λ，n)

其中，μ_i和σ_i分别为X_i的均值和标准差，其相关系数矩阵R可表示为R＝[r_ij]_n×n，其中 $r_{\mathrm{ij}}=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{x}_{\mathrm{ki}}{x}_{\mathrm{kj}}(i,j=\mathrm{1,2},\mathrm{\Λn}).$ 利用雅可比法求矩阵R的n个非负的特征值λ₁≥λ₂≥Λ≥λ_n≥0，以及对应的特征向量 $C^{\left(i\right)}={\left[c_1^{\left(i\right)}{c}_2^{\left(i\right)}\mathrm{\Λ}{c}_n^{\left(i\right)}\right]}^T,$ 由特征向量组成n个新变量：?

当变量之间存在一定的线性相关程度时，利用前m(m＜n)个主元即可描述x的大部分动态信息。即：当前面m个变量z₁，z₂，Λz_m(m＜n)的方差占全部总方差的比例 $\mathrm{\α}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_i/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_n$ 接近1时(一般取0.85)，就选择前面m个因子z₁，z₂，Λz_m(m＜n)做为m个主元分量。

②输入数据集聚类分析

大量的现场运行数据中包含了许多反映实际过程的信息，因此，为了建立氧化铝生产过程中苛性比值及溶出率的软测量模型，必须收集大量样本数据。当样本数目很大时，只用一个模型(如神经网络)会造成模型结构庞大，学习时间长，如果先对这些样本聚类，将样本集划分成较小的子样本集，这样每个子样本集学习的速度快而且子模型的结构比较紧凑。同时子模型学习的总时间也远远低于只用一个模型学习的时间。另一方面，由于实际生产过程的复杂性，输入输出样本数据会出现如下情况：某两对输入数据，在距离意义上是较为邻近的，而它们对应的输出在距离意义上却相距很远。这样的数据虽然仍可以用单个模型学习，但是学习之后的模型的泛化能力很差。而如果将这些数据先聚类，分别用不同的模型处理，则可以避免出现这种问题，从而提高模型的泛化性能。本发明采用一种改进的聚类算法进行数据聚类分析，其改进算法为：

1)随机初始化权矢量w_i(i＝1，2，Λ，m)，并设t＝1；

2)按下式计算样本i被选中的概率p_i(i＝1，2，Λ，N)；

$D_i=1/\frac{1}{L}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{d}_{\mathrm{ki}}---p_i=D_i/\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{D}_k---\left(5\right)$

其中d_ij＝‖x_i-x_j‖表示样本i和j之间的距离，D_i为样本i的区域密度。

3)产生随机数ζ∈[01]，若0≤ζ＜p₁，则选中样本p₁；如果 $\underset{j=1}{\overset{k-1}{\mathrm{\Σ}}}{p}_j\≤\mathrm{\ζ}\≤\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{p}_j,$ 则选中样本x_k；

4)设被选中的样本等于x，对i＝1，2，Λ，m，令

其中c表示获胜单元，r表示次胜单元，即：

${\mathrm{\γ}}_c{\left|\right|x-w_c\left|\right|}^2=\underset{j}{\min }{\mathrm{\γ}}_j{\left|\right|x-w_j\left|\right|}^2---\left(7\right)$

${\mathrm{\γ}}_r{\left|\right|x-w_r\left|\right|}^2=\underset{j\≠c}{\min }{\mathrm{\γ}}_j{\left|\right|x-w_j\left|\right|}^2---\left(8\right)$

其中， ${\mathrm{\γ}}_j=n_j/\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{n}_k,$ n_k是u_k＝1的次数；

5)由下式修改权矢量w_i：

其中，0≤α_c，α_r≤1分别是竞争获胜者单元及次胜单元的学习率；

6)t＝t+1，如果t＜T，则转第二步。T是算法开始确定的权矢量修改的最大次数；

7)对于每个样本，找出与其最近的类中心并归入相应的类；

8)计算每个类包含的样本个数，如果小于给定的阈值ξ，则剔除相应的类中心。

(4)神经网络模型

机理模型反映了苛性比值及溶出率与原矿浆主要化学成分之间的关系，并没有考虑其它因素对它们的影响。神经网络则利用历史数据，通过学习，建立输入输出之间的关系。

①神经网络结构

由于影响苛性比值及溶出率的因素非常多，单一的神经网络会使得其结构过于复杂，精度不高。为此，本发明利用主元分析法，将影响因素分成若干类，然后用多个神经网络来建立苛性比值及溶出率的模型，多神经网络结构如图2所示。

设X＝[X₁ X₂…X_n]^T为标准化的生产过程数据样本集，n为输入变量的维数。设经过PCA重组之后的变量个数为m，第i个主元变量为：Z_i＝[z_i1，z_i2…z_im]^T(i＝1，2，…，p)，Y＝[y₁，y₂，…，y_p]为输出值，其中p为样本个数。首先将m主元变量按其对应的特征值大小分成l组。即第一组包括前m₁个主元变量，第二组包括余下的主元变量的前m₂个，以此类推，第l组包括最后的m_l个主元变量。其中，m_i(i＝1，2，…，p)表示第i组所包括的主元变量个数，m_i满足：

$\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{m}_i=m---\left(10\right)$

这样，可以建立l个神经网络。其中，第i个神经网络net_i的输入为第i组的m_i个主元变量。这样，实际上是将一个大的神经网络分解成了l个小的神经网络，因而大大的减小了整个神经网络模型的复杂程度。而且，根据主元分组的原则，每个神经网络所包含的原始变量信息是不同的，即net_l包含最多信息，net_l包含最少信息。这样，在神经网络训练之前就将输入信息进行了初步的分类，因此便于神经网络的学习。

②神经网络算法

传统神经网络学习算法很慢，为了改善神经网络的学习速度，提高神经网络的精度，采用了一种改进的RPROP算法，具体算法如下：

1)初始化w_h(0)、w_o(0)、Δ(0)、η⁺、η^-、Δ_max、Δ_min；

2)计算偏导数pd(t)＝E(t)/w_ij；

3)修正权值

    if pd(t)*pd(t-1)＞0

       Δ(t)＝min{Δ(t)*η⁺，Δ_max}；

       w_ij(t)＝w_ij(t-1)-sign[pd(t)]*Δ(t)；

    else if pd(t)*pd(t-1)＜0

       Δ(t)＝max{Δ(t)*η^-，Δ_min}；

       if E(t)＞E(t-1) w_ij(t)＝w_ij(t-1)+sign[pd(t-1)]*Δ(t-1)；

       pd(t)＝0；

    else if pd(t)*pd(t-1)＜0

       w_ij(t)＝w_ij(t-1)-sign[pd(t)]*Δ(t)；

其中，0＜η^-1＜1＜η⁺为调整系数，Δ_max、Δ_min分别表示权值修正量的最大值及最小值。

(5)基于统计方法的匹配模型

匹配模型是一种很直观的模型。该模型从历史记录中选取一组正常的且具有代表性的样本作为原始记录，该组记录包括原矿浆成分和工况以及实际结果。每条记录的输入变量为：θ_ij(i＝1，2，Λ，N；j＝1，2，，Λ，M)，其中M表示输入变量的个数，N表示历史纪录条数；而其输出即表示苛性比值和溶出率，即：O_i(i＝1，2，Λ，N)。

设实际生产中用于预测的输入变量为：δ_j(j＝1，2，Λ，M)，将其与模型中每条记录的输入数据进行比较，选择最匹配(即距离最小)的一条记录，将其所对应的苛性比值和溶出率最为预测结果。即首先计算D_i(i＝1，2，Λ，N)：

$D_i=\sqrt{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_j{({\mathrm{\δ}}_j-{\mathrm{\θ}}_{\mathrm{ij}})}^2}---\left(11\right)$

其中w_j＞0为权向量，且 $\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_j=1,$ 假设：

$D_k=\underset{i=1}{\overset{N}{\min }}\left(D_i\right)---\left(12\right)$

则当前生产条件下苛性比值与溶出率的预测值为O_k。

(6)智能协调单元

软测量集成模型中的两个模型匹配模型(MI)和机理模型与神经网络模型的结合(MII)各有优缺点。模型MI通过比较当前采样到的数据与模型库中的样本来预测苛性比值与溶出率，直接而简单。当模型库中样本的输出数据较为准确时，即使其输入数据或者是当前采样到的数据存在误差，也能获得较为准确的预测值；但是当模型库中样本的输出数据不准确或存在较大干扰时，即使其它数据是准确的，也难以得到理想的预测值，有时甚至与实际值相差很远。而模型MII采用神经网络和机理模型的集成，较为复杂。对于模型MII，只要当前采样到的数据准确，一般来说可以获得较为精确的预测值，而当采样数据存在较大误差时，其预测值就会存在很大误差。

为了达到最佳的预测结果，利用它们各自的优点，对两个模型进行智能协调，综合二者的预测值，从而得到最终的苛性比值及溶出率。根据两个模型优缺点的分析，可以得到以下的协调规则：

R¹：IF{Condition1}THEN{模型MII预测}；

R²：IF{Condition2}THEN{模型MI预测}；

R³：ELSE{模型MI与模型MII集成模型预测}；

其中，Condition1表示模型库中与当前采集到的数据最匹配样本的输出存在较大误差；

Condition2表示当前采集到的数据存在较大误差，其算法为：

1)初始化条件Condition1＝FALSE，Condition2＝FALSE。

2)采集实际输入数据δ；

3)对于模型库中的每一条样本按(57)式计算D_i(i＝1，2，Λ，N)；

4)找出模型库中与数据δ相距最近的C条样本、对应的距离D_i(i＝1，2，Λ，C)及对应的输出O_i(i＝1，2，Λ，C)，C为预先给定的正数；

5)计算C个聚类的平均值 $\stackrel{\‾}{D}=\frac{1}{C}\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{D}_i,$ 如果 D＞D，则认为采集到的数据与模型库中样

本的输入之间存在着较大差别，可以视为采集到的数据存在较大误差，令

Condition2＝TURE，转7)，其中D为预先给定正常数；

6)计算O_i(i＝1，2，Λ，C)的标准方差S，如果S＞S₀，则表明模型库中与采集到的数据距离相近的若干个样本对应的输出数据有较大偏差，说明其输出可能存在较大误差，因此令Condition2＝TRUE，其中S₀为预先给定正常数；

7)如果Condition1＝TRUE，则用模型II来预测；否则如果Condition2＝TRUE，则用模型II来预测；否则用模型MI与模型MII集成模型预测。

模型MI与模型MII集成模型表达式为：

                                f＝k₁f₁+k₂f₂                              (13)

式中，k₁和k₂为加权系数，有k₁+k₂＝1。加权系数采用如下方法确定：

设有N组采样数据，y_t(t＝1，2，Λ，N)为实际输出；y_it(i＝1，2；t＝1，2，Λ，N)为第i种方法的预测值；e_it＝f_it-y_t为第i种方法的预测误差；k_i(i＝1，2)为第i种方法的加权系数，k₁+k₂＝1；f_t＝k₁f₁t+k₂f₂t为组合预测方法的预测值；e_t＝f_t-y_t＝k₁e₁+k₂e₂为组合预测方法的误差。

定义组合预测方法的预测误差平方和为 $J=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{e}_t^2,$ 则有：

$J=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}\underset{j=1}{\overset{2}{\mathrm{\Σ}}}\left[k_i{k}_j\left(\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{e}_{\mathrm{it}}{e}_{\mathrm{jt}}\right)\right]---\left(14\right)$

令加权系数向量K＝[k₁，k₂]^T，第i种方法的预测误差向量E_i＝[e_i1，Λ，e_iN]^T，预测误差矩阵e＝[E₁，E₂]，则J也可间接地表示为：

                               J＝e^Te＝K^TE₍₂₎K                            (15)

式中， $E_{\left(2\right)}=\left[\begin{array}{cc}{E}_{11}& E_{12}\\ E_{21}& E_{22}\end{array}\right]---\left(16\right)$

而 $E_{\mathrm{ij}}=E_{\mathrm{ji}}=E_i^T{E}_j,$ $E_{\mathrm{ii}}=E_i^T{E}_j=\underset{t=t}{\overset{N}{\mathrm{\Σ}}}{e}_{\mathrm{it}}^2,$ E_i1为第i种方法的预测误差平方和。使组合预测方法的J最小的加权系数为：

$k_1=\frac{E_{22}-E_{12}}{E_{11}+E_{22}-2E_{12}},k_2=1-k_1---\left(17\right)$

3、学习机制

不论是模型MI还是模型MII都是基于历史数据的。而在实际生产过程中，生产条件、对象特性以及操作人员的工作经验等等都会发生变化，也就是说生产过程的工作点会发生一定程度的漂移，模型也会随着工作点的漂移而变化。因此，需要对软测量模型进行修正以适应新的工作点。

模型修正分为短期修正和长期修正。短期修正指的是每得到一个新样本，就判断该样本的是否合理，如果合理，就在原来模型的基础上对模型进行修正(主要是模型参数)；长期修正指的是，经过较长时间(这可以由现场操作人员来定)，利用收集到的大量数据，对模型重新训练(包括参数和结构)。在本***中，模型修正包括三个方面：匹配模型MI的修正、神经网络模型的修正以及智能协调单元的修正。

1)匹配模型MI的修正

①短期修正：由于模型库中存的是历史样本，短期修正就是每次得到一条新的合理的样本，就用它来替换模型库中最老的样本，从而保证模型库中的样本都是最新的，因而能保证模型的精度。②长期修正：匹配模型MI中，权矢量是非常重要的，它反映了个输入变量对苛性比值与溶出率的影响程度。长期修正就是在收集到校对的新样本时，利用这些样本，利用因素分析法重新计算新的权矢量，从而进一步保证模型的精度。

2)神经网络模型的修正

①短期修正：每次得到一条新的合理的样本后，在原来神经网络模型的基础上，利用前文介绍的算法修正神经网络的权值及阈值，使的神经网络能够精确的描述新对象，从而能够保证模型精度。②长期修正：神经网络模型中，网络参数(包括权值和阈值)是非常重要的，它们决定了模型的精度；而在某种意义上，神经网络模型的结构更为重要，它不仅决定了模型精度，而且对模型的泛化能力有很大的影响。但是要修正模型的结构，需要很长的时间来重新组建并训练网络，而且在短时间内，生产条件不会发生很大变化，也就是说模型不会有很大的漂移。因此，可以在收集了很多新样本后，重新选择神经网络结构并对其进行训练，以获得更加精确的新的神经网络模型。

3)智能协调单元的修正

智能协调单元是对模型MI和模型MII的输出进行协调的单元。其中当两个模型进行组合时，他们对应的权系数会影响最终的预测结果。为了保证预测的精度，权系数也需要进行修正。具体校正方法是在获得很多新样本后，利用前文介绍的方法，重新求解权系数。

总之，学习机制的目的就是利用实际化验结果与预测结果之间的误差以及现场的专家知识实现对匹配模型、神经网络模型及智能协调单元的在线修正，从而保证苛性比值及溶出率软测量集成模型的精度。

5、基于软测量的原矿浆配料优化指导

在氧化铝高压溶出过程中，对苛性比值与溶出率影响最大的因素是原矿浆的物理化学特性。因此，配制优质的原矿浆是高效溶出氧化铝的前提条件。原矿浆配料的目的是控制合理的矿石、石灰和循环母液的配比，以制备化学、物理特性合格的原矿浆，能保证高压溶出达到最优效果。

本发明的最终目的就是利用预测到的苛性比值及溶出率，实现对原矿浆配料***进行优化控制，以保证获得最佳的溶出效果。

本发明的方法仔细分析氧化铝高压溶出过程中主要的物理化学反应，根据物料平衡及动力学、热力学等原理，建立苛性比值及溶出率的基本机理模型；在此基础上，仔细分析收集到的大量实际运行数据及现场操作经验，并利用诸如神经网络、模糊***、专家知识、数据分析等方法建立一个苛性比值及溶出率与各影响因素之间的智能集成模型，以此来实现对苛性比值及溶出率的在线预测。在此基础上，指导氧化铝原矿浆配料的优化，以实现苛性比值及溶出率的最优，达到稳定氧化铝生产、降低生产成本的目的。

本发明的方法能够比较精确的预测苛性比值及溶出率，其结果如图3所示，其中实线为本发明的方法测量值，其它图的表示相同。苛性比值的相对误差均在5％以内；测量值能够跟随实际变化的趋势；测量精度能够满足实际生产的需要。

基于苛性比值及溶出率软测量的原矿浆配料优化也得到了应用，其优化结果如图4及图5所示，从图中可以看出，苛性比值有一定程度的下降，溶出率则提高了，更重要的是，这两个值都比原来波动小了，也就是说对稳定生产起了较大的作用。

Claims (8)

1.一种氧化铝生产过程中苛性比值与溶出率在线检测方法，其特征在于其测量过程将现场采取的氧化铝溶出过程中包括矿浆中氧化铝、氧化硅、苛性钠、氧化钙及氧化钛的含量、原矿浆的固含、液固比及磨细粒参数及包括各溶出器的温度、压力及原矿浆的流量高压溶出工况参数值，通过通讯模块从编程控制器上获得数据送入计算机；再将采集的数据在计算机中利用依据生产工艺过程的历史数据及工艺机理分析形成的、包括两个模型匹配模型MI和机理模型与神经网络模型的结合MII的苛性比值及溶出率软测量集成模型处理，计算得出溶出过程的苛性比值与溶出率值。

2.根据权利要求1所述的方法，其特征在于苛性比值及溶出率软测量集成模型建立是在于机理建模是在工艺机理分析的基础上，依据物料平衡、热量平衡、动力学、热力学等理论建立的类似于方程式的模型；是以生产过程的历史数据建立的人工智能模型；对于溶出率，其机理模型为：

${\mathrm{\η}}_0=\frac{A_2-S}{A_2}\×100\%=(1-\frac{S}{A_2})\×100\%$

其中，A₂和S分别表示原矿浆固相中氧化铝及氧化硅的百分含量(％)，η₀即为理论上的溶出率；

对于苛性比值，其机理模型为：

${\mathrm{\α}}_{k0}=1.645*\frac{N-0.6078*\mathrm{Gh}*(S-1.8214*\mathrm{Ca}+2.55*T)}{\mathrm{Gh}*A_2+A_1-\mathrm{Gh}*s}$

其中A₂和S的含义与前面相同，N、Gh、Ca、A₁分别表示原矿浆液相中苛性氧化钠含量(克/升)、原矿浆的固含(克/升)、原矿浆固相中氧化钙的百分含量(％)及原矿浆液相中氧化铝含量(克/升)；α_k0即为理论上的苛性比值。

3.根据权利要求1所述的方法，其特征在于测量模型数据经过了输入数据集降维处理，在建模前对输入变量进行预处理，采用主元分析法实现数据降维处理。

4.根据权利要求1所述的方法，其特征在于输入数据经过了集聚类分析，采用一种改进的聚类算法进行数据聚类分析。

5.根据权利要求1所述的方法，其特征在于测量软测模型的神经网络模型，利用主元分析法，将影响因素分成若干类，然后用多个神经网络来建立苛性比值及溶出率的模型。

6.根据权利要求1所述的方法，其特征在于测量软测模型是基于统计方法的匹配模型，该模型从历史记录中选取一组正常的且具有代表性的样本作为原始记录，该组记录包括原矿浆成分和工况以及实际结果。

7.根据权利要求1所述的方法，其特征在于测量软测模型还包括智能协调单元；协调规则为：

R¹：IF{Conditionl}THEN{模型MII预测}；

R²：IF{Condition2}THEN{模型MI预测}；

R³：ELSE{模型MI与模型MII集成模型预测}。

8.根据权利要求1所述的方法，其特征在于其测量软测模型还包括利用实际化验结果与预测结果之间的误差以及现场的专家知识实现对匹配模型、神经网络模型及智能协调单元的在线修正学习机制对软测量模型进行修正以适应新的工作点，其中：

1)匹配模型MI的修正包括由于模型库中存每次得到一条新的合理的样本，就用它来替换模型库中最老的样本的短期修正和在收集到校对的新样本时，利用这些样本，利用因素分析法重新计算新的权矢量的长期修正：

2)神经网络模型的修正包括每次得到一条新的合理的样本后，在原来神经网络模型的基础上修正神经网络的权值及阈值的短期修正和在收集了很多新样本后，重新选择神经网络结构并对其进行训练，以获得更加精确的新的神经网络模型的长期修正；

3)能协调单元的修正包括对模型MI和模型MII的输出进行协调的单元在获得很多新样本后重新求解权系数的修正。

Images