一種濕法冶金金氰化浸出過程優化方法技術

一種濕法冶金金氰化浸出過程優化方法，采用已知的濕法冶金金氰化浸出工藝，在確保穩定生產及達到生產指標的基礎上，實現總生產成本的最小化，包括下述工藝步驟：（1）數據采集、（2）輔助變量的選取和數據處理、（3）優化模型建立、（4）優化模型的求解、（5）浸出過程優化操作指導的確定步驟。本發明專利技術能根據生產要求及生產現場狀況，優化指導生產過程中的原料添加量，制定合理的生產計劃，以解決生產過程中存在的原料添加量不足以及盲目過多添加等問題，確保達到生產要求的同時，避免原料浪費。

【技術實現步驟摘要】
一種濕法冶金金氰化浸出過程優化方法
本專利技術屬于濕法冶金領域，特別提供一種金濕法冶金氰化浸出過程優化方法，在確保穩定生產及滿足生產指標的前提下，實現總生產成本的最小化。
技術介紹
濕法冶金能夠處理復雜礦、低品位礦等，并且對環境污染較少，因此，許多金濕法冶金新工藝不斷出現并得到廣泛應用。盡管我國在金濕法冶金工藝方面并不落后國外，但與之相適應的自動控制技術與國外相比差距較大，從而，難以像國外一樣通過優化控制實現礦產資源的高效低耗利用。顯然，隨著礦產資源需求的不斷增加，僅僅依靠改進工藝來提高金濕法冶金經濟技術指標和經濟效益變得極為困難。在可持續發展的戰略方針指引下，為了經濟有效地利用低品位礦產資源，金濕法冶金優化控制問題已成為我國亟待解決的重要問題。金濕法冶金流程主要包括氰化浸出、鋅粉置換、濃縮洗滌等過程，而其中，氰化浸出過程是金濕法冶金的第一個工序，浸出液的品質好壞直接決定了后序提金的純度、回收率以及原料消耗等，因此，對氰化浸出過程進行優化控制研究使氰化浸出過程始終處于最佳的運行狀態就顯得尤為重要。本專利技術以某濕法冶煉廠金氰化浸出過程為背景，金氰化浸出過程主要發生的化學反應是難溶的金與浸出劑(通常是氰化鈉)作用生成可溶于水的金氰絡合離子，如式(1)所示。4Au+8CN-+O2+2H2O＝4Au(CN)2-+4OH-(1)金氰化浸出過程的原理示意圖如附圖1所示，緩沖箱中調漿后的礦漿經泵穩定連續地打入1#氣力浸出槽，通過浸出槽的溢流作用不斷流入后續2#-N#浸出槽，整個過程是連續浸出，浸出后的貴液溢流流入浸取液儲槽，以便后續鋅粉置換車間使用。浸出過程的浸出劑為氰化鈉，通過向每個槽子通入壓縮空氣的方式供給浸出過程所需的溶解氧并產生氣力攪拌作用，使反應更加徹底。氰化浸出時，金的表面在氰化鈉溶液中逐漸由表及里地溶解，影響金浸出率的因素主要有：氰化鈉和溶解氧的濃度、礦漿PH值、礦石的原料性質、浸出溫度、礦漿濃度及浸出時間等。浸出過程的優化控制包括穩定操作條件和優化浸出率兩個方面。它們主要是指氰化物的流量優化控制。隨著氰化物流量的增多，浸出率及浸出速度有明顯的提高，但是加入過多的氰化物會造成浪費，并污染環境，不利于節能減排。另外生產時間越長，浸出率越高，但是在浸出的后期，浸出率提高的幅度很小，如果一味的追求高的浸出率而延長浸出時間，會降低生產效率，反而對企業不利。目前，尚未見有關濕法冶金金氰化浸出過程優化方法的報道。工廠操作者主要依靠各自的經驗進行調節，往往存在著氰化鈉添加過多、浸出率偏低等諸多問題，嚴重地制約浸出過程的工業化進程，進而影響經濟效益和社會效益。
技術實現思路
本專利技術的目的，是提供一種濕法冶金金氰化浸出過程的優化方法。以實現總生產成本的最小化。它用于解決如下問題：(1)為金氰化浸出過程實現自動控制提供浸出率監測數據，實現氰化浸出過程的操作指導；(2)根據生產要求及生產現場狀況，優化指導生產過程中的原料添加量，制定合理的生產計劃，以解決生產過程中存在的原料添加量不足以及盲目過多添加等問題，確保達到生產要求的同時，避免原料浪費。采用的技術方案是：一種濕法冶金金氰化浸出過程優化方法，采用已知的濕法冶金金氰化浸出工藝，在確保穩定生產及達到生產指標的基礎上，實現總生產成本的最小化，包括下述工藝步驟：(1)數據采集、(2)輔助變量的選取和數據處理、(3)優化模型建立、(4)優化模型的求解、(5)浸出過程優化操作指導的確定。根據現場生產工藝及生產目標的要求，本專利技術建立了金氰化浸出過程的優化模型，其特征在于：此優化模型綜合考慮了整個金氰化浸出過程的物料損耗，其主要包括三個部分：(1)氰化物的物料損耗；(2)去除殘余氰化物的損耗；(3)未被浸出金的損耗。因此，可得目標函數為下式所示：其中，Qcni為加入第i個浸出槽的氰化物流量，Qcnmax、Qcnmin分別為其上、下限，Ccn0為第一槽的初始氰化物濃度，Ccn為浸出結束后氰化物濃度，n為浸出槽的數目，Ql為礦漿液相的流量，Qs為礦石的流量，Csn為浸出結束后礦石中金的品位，a為浸出率，amin為浸出率最小指標值，Prcn為氰化物價格系數，Prcnd為去除殘余氰化物的價格系數，PrAu為金的價格系數。由于優化模型中需要預測金的浸出率和浸出之后的金品位、氰化物濃度，這就需要用到浸出過程預測模型來建立其與決策變量之間的聯系。由于假設等各種因素致使單純的機理模型很難實現高精度預測，僅通過調節機理模型參數不能完全達到提高精度的目的。于是，將未建模部分以及不確定性問題交給數據模型，利用數據模型學習機理模型誤差，然后對機理模型加以補償進而建立混合模型。本專利技術采用機理模型與數據補償模型相結合的并聯混合模型，作為與優化相關的浸出過程關鍵變量的預測模型。浸出過程的預測模型由機理模型、誤差補償模型及一個辯識機構所構成。機理模型的輸入為：[礦石流量、氰化鈉流量、溶解氧濃度、礦漿濃度、粒子粒徑，初始金品位、初始氰化鈉濃度]，輸出為：浸出率。數據補償模型的輸入為：[礦石流量、氰化鈉流量、溶解氧濃度、礦漿濃度、粒子粒徑，初始金品位、初始氰化鈉濃度]，輸出為實際浸出率與機理模型預測浸出率的誤差。該并聯型混合模型的原理為：機理模型的參數由參數辨識確定之后，可得到機理模型的浸出率預測值；實際生產過程的浸出率則通過離線的化驗統計得到，將該值與實際生產過程的浸出率進行比較，得到差值；由基于KPLS算法得到的數據補償模型根據差值進行建模，輸出即為對實際浸出率與機理模型預測浸出率的差值的回歸值；將機理模型與補償模型的輸出相加即得到混合模型的輸出。本專利技術采用遺傳粒子群算法對優化模型進行求解。基本PSO算法中，速度更新公式和位置更新公式分別如下所示：其中，i＝1,…,m，m為粒子群中粒子的個數，d＝1,…,n，n為解向量的維數，粒子本身所找到的最好解為整個粒子群中所有粒子在歷代搜索過程中所達到的最優解為k＝1,…,kmax，kmax為最大迭代次數，c1,c2為學習因子，w為慣性權重，r1,r2是[0，1]之間的隨機數。標準PSO的算法流程如下：1)初始化一群粒子(群體規模為m)，包括隨機位置和速度；2)評價每個粒子的適應度；3)對每個粒子，將其適應值與其經歷過的最好位置pbestid作比較，如果較好，則將其作為當前的最好位置gbestid；4)對每個粒子，將其適應值與全局所經歷的最好位置gbestid作比較，如果較好，則重新設置gbestid的索引號；5)根據方程(3)和(4)變化粒子的速度和位置；6)如未達到結束條件(通常為足夠好的適應度值或達到一個預設最大迭代次數Gmax)，則返回2)。本專利技術的優化求解在粒子群算法中引入遺傳算法，從式③和④中可以知道，PSO算法是通過分享個體之間的有用信息和個體的自學習來提高個體的。個體提高以后，再采用遺傳算法中的交叉和變異步驟，得到更加優秀的下一代群體。新的算法既保證了遺傳算法強大的全局搜索性能，又同時融合粒子群的位置轉移思想。這樣，經過改進的算法充分利用了被遺傳算法忽略了的種群的信息和個體的信息，其尋優過程更有效率，所得到的解精度更高。在傳統PSO算法的基礎上，加入遺傳算法中的復制和重組這些稱為繁殖的操作，該方法按概率p對選出的粒子進行如下操作：通過父代的雜交操作，產生子本文檔來自技高網...

【技術保護點】
一種濕法冶金金氰化浸出過程優化方法，采用已知的濕法冶金金氰化浸出工藝，在確保穩定生產及達到生產指標的基礎上，實現總生產成本的最小化；根據現場生產工藝及生產目標的要求，本專利技術建立了金氰化浸出過程的優化模型，其特征在于：優化模型綜合考慮了整個金氰化浸出過程的物料損耗，其主要包括三個部分：(1)氰化物的物料損耗；(2)去除殘余氰化物的損耗；(3)未被浸出金的損耗，得目標函數為下式所示：………①其中，為加入第i個浸出槽的氰化物的流量，、分別為其上、下限，為第一槽的初始氰化物的濃度，為浸出結束后氰化物濃度，為浸出槽的數目，為礦漿液相的流量，為礦石的流量，為浸出結束后礦石中金的品位，a為浸出率，為浸出率最小指標值，為氰化物價格系數，為去除殘余氰化物的價格系數，為金的價格系數；本專利技術利用數據模型學習機理模型誤差，然后對機理模型加以補償進而建立混合模型；本專利技術采用機理模型與數據補償的并聯混合模型，作為與優化相關的浸出過程關鍵變量的預測模型；浸出過程的預測模型由機理模型、誤差補償模型及一個辯識機構所構成；機理模型的輸入為：礦石流量、氰化鈉流量、溶解氧濃度、礦漿濃度、粒子粒徑，初始金品位、初始氰化鈉濃度，輸出為：浸出率；數據補償模型的輸入為：礦石流量、氰化鈉流量、溶解氧濃度、礦漿濃度、粒子粒徑，初始金品位、初始氰化鈉濃度，輸出為實際浸出率與機理模型預測浸出率的誤差預測；機理模型的參數由參數辨識確定之后，能得到機理模型的浸出率預測值；實際生產過程的浸出率則通過離線的化驗統計得到，將該值與實際生產過程的浸出率進行比較，得到差值；由基于KPLS算法得到的數據補償模型根據差值進行建模，輸出即為對實際浸出率與機理模型預測浸出率的差值的回歸值；將機理模型與補償模型的輸出相加即得到混合模型的輸出；本專利技術采用遺傳粒子群算法對優化模型進行求解，基本PSO算法中，速度更新公式和位置更新公式分別如下所示：……………………………………………………………………………其中，，為粒子群中粒子的個數，，為解向量的維數，粒子本身所找到的最好解為，整個粒子群中所有粒子在歷代搜索過程中所達到的最優解為，，為最大迭代次數，為學習因子，為慣性權重，是[0，1]之間的隨機數；標準PSO的算法流程如下：1)?初始化一群粒子，群體規模為m，包括隨機位置和速度；2)?評價每個粒子的適應度；3)?對每個粒子，將其適應值與其經歷過的最好位置作比較，如果較好，則將其作為當前的最好位置；4)?對每個粒子，將其適應值與全局所經歷的最好位置作比較，如果較好，則重新設置的索引號；5)?根據方程和變化粒子的速度和位置；6)?如未達到結束條件(通常為足夠好的適應度值或達到一個預設最大迭代次數Gmax)，則返回2)；本專利技術的優化求解在粒子群算法中引入遺傳算法，從式和中能知道，PSO算法是通過分享個體之間的有用信息和個體的自學習來提高個體的；個體提高以后，再采用遺傳算法中的交叉和變異步驟，得到更加優秀的下一代群體，新的算法既保證了遺傳算法強大的全局搜索性能，又同時融合粒子群的位置轉移思想；這樣，經過改進的算法充分利用了被遺傳算法忽略了的種群的信息和個體的信息，其尋優過程更有效率，所得到的解精度更高；在傳統PSO算法的基礎上，加入遺傳算法中的復制和重組這些稱為繁殖的操作，該方法按概率p對選出的粒子進行如下操作：………………………………………………通過父代的雜交操作，產生子代的粒子取代父代，選擇父代時沒有基于適應值，防止了基于適應值的選擇對那些多局部極值的函數將帶來潛在問題；p是(0,1)間的隨機數，經驗值約為0.2，理論上講遺傳粒子群法可以更好地搜索粒子間的空間，2個在不同次優峰處的粒子經繁殖后，可以從局部最優逃離；在標準粒子群算法的迭代流程中，在判斷是否滿足優化標準后加入選擇、交叉、變異步驟；基于混合模型的浸出過程優化操作依據如下步驟進行：（A）參數計算：根據歷史數據辨識機理模型中的參數；（B）采集數據：收集離線化驗的參數以及傳感器測量的工藝操作參數；（C）將機理模型預測結果與真實檢測結果進行比較，計算預測結果與真實值之間的差值；（D）混合模型的建立：將采集到的傳感器測量數據與上述預測結果與真實值之間的差值組成輸入輸出數據對，利用KPLS方法進行訓練，得到數據模型中的參數，將機理模型與數據模型并聯組成混合模型作為操作系統的模型約束；（E）確定優化參數：確定遺傳粒子群算法的參數，主要包括初始粒子群、最大迭代次數、學習因子、慣性權重、交叉變異率；（F）計算優化結果：根據采集到的初始數據以及混合模型約束，采用遺傳粒子群算法進行優化，得到優化結果，即氰化鈉添加量值；過程數據采集選用的硬件裝置，包括金氰化浸出過程優化系統、PLC、上位機、現場檢測儀表；在金氰化浸出車間安裝流量、濃度、pH值等檢測儀表，檢測儀表將采集到的現場實際...

【技術特征摘要】
1.一種濕法冶金金氰化浸出過程優化方法，采用濕法冶金金氰化浸出工藝，在確保穩定生產及達到生產指標的基礎上，實現總生產成本的最小化；根據現場生產工藝及生產目標的要求，建立了金氰化浸出過程的優化模型，其特征在于：優化模型綜合考慮了整個金氰化浸出過程的物料損耗，其主要包括三個部分：(1)氰化物的物料損耗；(2)去除殘余氰化物的損耗；(3)未被浸出金的損耗，得目標函數為下式所示：其中，Qcni為加入第i個浸出槽的氰化物的流量，Qcnmax、Qcnmin分別為其上、下限，Ccn0為第一槽的初始氰化物的濃度，Ccn為浸出結束后氰化物濃度，n為浸出槽的數目，Ql為礦漿液相的流量，Qs為礦石的流量，Csn為浸出結束后礦石中金的品位，a為浸出率，amin為浸出率最小指標值，Prcn為氰化物價格系數，Prcnd為去除殘余氰化物的價格系數，PrAu為金的價格系數；利用數據模型學習機理模型誤差，然后對機理模型加以補償進而建立混合模型；采用機理模型與數據模型的并聯混合模型，作為與優化相關的浸出過程關鍵變量的預測模型；浸出過程的預測模型由機理模型、誤差補償模型及一個辯識機構所構成；機理模型的輸入為：礦石流量、氰化鈉流量、溶解氧濃度、礦漿濃度、粒子粒徑，初始金品位、初始氰化鈉濃度，輸出為：浸出率；數據模型的輸入為：礦石流量、氰化鈉流量、溶解氧濃度、礦漿濃度、粒子粒徑，初始金品位、初始氰化鈉濃度，輸出為實際浸出率與機理模型預測浸出率的誤差預測；機理模型的參數由參數辨識確定之后，能得到機理模型的浸出率預測值；實際生產過程的浸出率則通過離線的化驗統計得到，將該值與實際生產過程的浸出率進行比較，得到差值；由基于KPLS算法得到的數據模型根據差值進行建模，輸出即為對實際浸出率與機理模型預測浸出率的差值的回歸值；將機理模型與補償模型的輸出相加即得到混合模型的輸出；采用遺傳粒子群算法對優化模型進行求解，傳統PSO算法中，速度更新公式和位置更新公式分別如下所示：其中，i＝1,…,m，m為粒子群中粒子的個數，d＝1,…,n，n為解向量的維數，粒子本身所找到的最好解為整個粒子群中所有粒子在歷代搜索過程中所達到的最優解為k＝1,…,kmax，kmax為最大迭代次數，c1,c2為學習因子，w為慣性權重，r1,r2是[0，1]之間的隨機數；傳統PSO的算法流程如下：1)初始化一群粒子，群體規模為m，包括隨機位置和速度；2)評價每個粒子的適應度；3)對每個粒子，將其適應值與其經歷過的最好位置pbestid作比較，如果較好，則將其作為當前的最好位置gbestid；4)對每個粒子，將其適應值與全局所經歷的最好位置gbestid作比較，如果較好，則重新設置gbestid的索引號；5)根據方程②和③變化粒子的速度和位置；6)如未達到結束條件為足夠好的適應度值或達到一個預設最大迭代次數Gmax)，則返回2；優化求解在粒子群算法中引入遺傳算法，從式②和③中能知道，PSO算法是通過分享個體之間的有用信息和個體的自學習來提高個體的；個體提高以后，再采用遺傳算法中的交叉和變異步驟，得到更加優秀的下一代群體，新的算法既保證了遺傳算法強大的全局搜索性能，又同時融合粒子群的位置轉移思想；這樣，經過改進的算法充分利用了被遺傳算法忽略了的種群的信息和個體的信息，其尋優過程更有效率...

【專利技術屬性】
技術研發人員：毛志忠，周俊武，賈潤達，牛大鵬，張俊，王俊鵬，
申請(專利權)人：東北大學，
類型：發明
國別省市：遼寧;21