基于数据的湿法冶金全流程操作量优化设定补偿方法

李康; 王福利; 何大阔; 贾润达

doi:10.16383/j.aas.2017.c170122

基于数据的湿法冶金全流程操作量优化设定补偿方法

doi: 10.16383/j.aas.2017.c170122

李康^1, ,,
王福利^1,2,,
何大阔^1,2,,
贾润达^1,2,

1.
东北大学信息科学与工程学院沈阳 110004
2.
东北大学流程工业综合自动化国家重点实验室沈阳 110004

基金项目:

流程工业综合自动化国家重点实验室基础科研业务费 2013ZCX02-04

国家自然科学基金 61533007

详细信息

作者简介:
王福利东北大学教授.主要研究方向为复杂工业过程建模与优化, 故障诊断.E-mail:flwang@mail.neu.edu.cn

何大阔东北大学教授.主要研究方向为复杂工业过程建模, 控制和优化.E-mail:hedakuo@ise.neu.edu.cn

贾润达东北大学副教授.主要研究方向为复杂工业过程建模、控制和优化.E-mail:jiarunda@ise.neu.edu.cn

通讯作者:
李康东北大学博士研究生.主要研究方向为复杂工业过程建模, 控制和优化.E-mail:likang@research.neu.edu.cn

计量
- 文章访问数: 2405
- HTML全文浏览量: 309
- PDF下载量: 732
- 被引次数: 58
出版历程
- 收稿日期: 2017-03-08
- 录用日期: 2017-05-11
- 刊出日期: 2017-06-20

A Data-based Compensation Method for Optimal Setting of Hydrometallurgical Process

LI Kang^{1
, ,},
WANG Fu-Li^{1,2
,},
HE Da-Kuo^{1,2
,},
JIA Run-Da^{1,2
,}

1.
College of Information Science and Engineering, Northeastern University, Shenyang 110004
2.
State Key Laboratory of Process Industry Automation, Ministry of Education, Northeastern University, Shenyang 110004

Funds:

State Key Laboratory of Synthetical Automation for Process Industries Fundamental Research Funds 2013ZCX02-04

National Natural Science Foundation of China 61533007

More Information

Author Bio:
Professor at the College of Information Science and Engineering, Northeastern University. His research interest covers modeling and optimization of complex system, and fault diagnosis

Professor at Northeastern University. His research interest covers modeling, control and optimization in complex industrial system

Associate professor at Northeastern University. His research interest covers modeling, control and optimization in complex industrial system

Corresponding author: LI Kang Ph. D. candidate at the Northeastern University. His interest research covers modeling, control and optimization in complex industrial system. Corresponding author of this paper

摘要

摘要: 湿法冶金过程具有反应机理复杂、工艺流程长、工序众多等特点，由于模型误差等因素，基于模型得到的生产过程最优工作点不是实际生产过程的最优工作点.如何保持湿法冶金生产流程运行在经济效益最优的状态成为生产优化控制的难点.本文提出了一种基于数据的湿法冶金过程操作量优化设定补偿方法.该方法在基于模型得到的最优工作点基础上，采用即时学习（Just-in-time learning，JITL）的思想，在当前工作点附近利用历史数据建立操作量补偿值和经济效益增量的相关模型，优化求解在当前工作点下，使经济效益增量最大化的操作量补偿值，施加到生产流程，并在新工作点进行迭代补偿.将所提出的方法仿真应用于某精炼厂的湿法冶金生产流程，仿真结果验证了所提出方法的有效性.
- 湿法冶金 /
- 基于数据 /
- 优化补偿 /
- 即时学习
Abstract: Hydrometallurgical process has the characteristics of complicated reaction mechanism, long process flow and many sub-processes. The optimal setpoint of a model-based process based on the model is not the optimal working point of the actual process due to model error and so on. How to keep the hydrometallurgical process running in the state with optimal economic efficiency has become the difficulty of production optimization control. In this paper, a method based on data is proposed to optimize the operation of hydrometallurgical process. Based on the optimal setpoint of the model, the just-in-time learning (JITL) idea is used to establish a relevant model of the manipulative compensation value and the economic benefit increment in the vicinity of the current working point. At the work point, the amount of compensation that maximizes the economic gain is applied to the production process and iterated at the new work point. Simulation is carried out to verify the proposed method with the hydrometallurgical production process of a refinery, and the results show its effectiveness of the proposed method.
- Hydrometallurgy /
- data-based /
- optimized compensating /
- JITL (Just-in-time learning)
注释:

1) 本文责任编委苏宏业

HTML全文

本文责任编委苏宏业

图 1 高硫金精矿生产流程工艺流程图

Fig. 1 Flow chart of high-sulfur refractory gold concentrates process

下载: 全尺寸图片幻灯片

图 2 优化控制结构图

Fig. 2 Optimization and control structure

下载: 全尺寸图片幻灯片

图 3 优化设定迭代补偿结构图

Fig. 3 Iterative optimization setting compensation structure

下载: 全尺寸图片幻灯片

图 4 优化设定迭代补偿流程图

Fig. 4 Flowchart of iterative optimization setting compensation

下载: 全尺寸图片幻灯片

图 5 基于机理模型优化补偿的经济效益

Fig. 5 Economic beneflts of the process based on compensation and optimization to the mechanism model

下载: 全尺寸图片幻灯片

图 6 基于数据模型迭代补偿的经济效益

Fig. 6 Economic beneflts of the process based on compensation and optimization to the data model

下载: 全尺寸图片幻灯片

图 7 基于SCFO的生产过程经济效益

Fig. 7 Economic beneflts of the production process based on SCFO

下载: 全尺寸图片幻灯片

表 1 模型参数拟合结果

Table 1 Model parameters fltting results

组别	k_Au	k_CN
参数组1	4.86	2.94
参数组2	4.95	2.91

下载: 导出CSV

表 2 模型参数取值

Table 2 Model parameter values

参数	取值
Q_s	10 160
d_s	80
C_w	0.30
D_{0, r}	35
D_{0, Au}	0
C_{0, CN}	0

下载: 导出CSV

表 3 优化结果

Table 3 Optimization results

变量名称	机理模型最优值	实际过程最优值
J(¥/h)	1670.45	2045.17
q_{1, CN}(kg/h)	65.49	76.92
q_{2, CN}(kg/h)	67.15	76.11
q_{3, CN}(kg/h)	57.34	64.25
q_{4, CN}(kg/h)	52.61	52.98
q_{5, CN}(kg/h)	32.85	21.13
q_{6, CN}(kg/h)	30.11	15.62
q_Zn(kg/h)	2.43	2.43

下载: 导出CSV

表 4 参数取值

Table 4 Parameter values

参数名称	数值
Const	19.47
σ	0.05
δ	0.01

下载: 导出CSV

表 5 迭代补偿结果

Table 5 Iterative compensation results

迭代次数	△q_{1, CN}	△q_{2, CN}	△q_{3, CN}	△q_{4, CN}	△q_{5, CN}	△q_{6, CN}	△q_Zn	△y_p
1	3.47	3.52	2.41	1.02	-3.58	-5.75	0	102.4
2	2.42	2.23	2.12	0.34	-2.94	-3.53	0	111.21
3	2.31	1.95	1.24	-0.21	-3.05	-2.58	0	84.57
4	2.12	0.25	0.78	0.17	-1.24	-1.93	0	37.92
5	0.24	0.11	0.28	-0.52	-0.21	-0.19	0	20.17

下载: 导出CSV

表 6 补偿后操作量和最优值比较

Table 6 Comparison of the operation and the optimal values after compensation

	最优值	补偿后
q_{1, CN}(kg/h)	76.92	76.05
q_{2, CN}(kg/h)	76.11	75.21
q_{3, CN}(kg/h)	64.25	64.17
q_{4, CN}(kg/h)	52.98	53.41
q_{5, CN}(kg/h)	21.13	21.83
q_{6, CN}(kg/h)	15.62	16.13
q_Zn(kg/h)	2.43	2.43

下载: 导出CSV

表 7 数据模型优化结果

Table 7 Data model optimization results

变量名称	机理模型最优值	实际过程最优值
J(¥,/h)	1594.27	2045.17
q_1,CN(kg/h)	66.38	76.92
q_2,CN(kg/h)	69.12	76.11
q_3,CN(kg/h)	60.69	64.25
q_4,CN(kg/h)	53.42	52.98
q_5,CN(kg/h)	31.78	21.13
q_6,CN(kg/h)	30.26	15.62
q_Zn(kg/h)	2.43	2.43

下载: 导出CSV

参考文献(24)

[1]	de Andrade Lima L R P, Hodouin D. A lumped kinetic model for gold ore cyanidation. Hydrometallurgy, 2005, 79(3-4): 121-137 doi: 10.1016/j.hydromet.2005.06.001
[2]	de Andrade Lima L R P, Hodouin D. Optimization of reactor volumes for gold cyanidation. Minerals Engineering, 2005, 18(7): 671-679 doi: 10.1016/j.mineng.2004.12.007
[3]	de Andrade Lima L R P. Some remarks on the reactor network synthesis for gold cyanidation. Minerals Engineering, 2006, 19(2): 154-161 doi: 10.1016/j.mineng.2005.08.004
[4]	Dagadu C P K, Akaho E H K, Danso K A, Stegowski Z, Furman L. Radiotracer investigation in gold leaching tanks. Applied Radiation and Isotopes, 2012, 70(1): 156-161 doi: 10.1016/j.apradiso.2011.09.003
[5]	Yuan Q Y, Wang F L, He D K, Jia R D, Wang C. Study on the plant-wide modeling of gold hydrometallurgical process. In: Proceedings of the 26th Chinese Control and Decision Conference. Changsha, China: IEEE, 2014. 4013-4018
[6]	Zhang J, Mao Z Z, Jia R D. Real-time optimization based on SCFO for gold cyanidation leaching process. Chemical Engineering Science, 2015, 134: 467-476 doi: 10.1016/j.ces.2015.05.020
[7]	Liu Y, Chang Y Q, Wang F L. Online process operating performance assessment and nonoptimal cause identification for industrial processes. Journal of Process Control, 2014, 24(10): 1548-1555 doi: 10.1016/j.jprocont.2014.08.001
[8]	李海波, 郑秀萍, 柴天佑.浮选过程混合智能优化设定控制方法.东北大学学报(自然科学版), 2012, 33(1): 1-5 http://www.cnki.com.cn/Article/CJFDTOTAL-YQXB200812004.htm Li Hai-Bo, Zheng Xiu-Ping, Chai Tian-You. Hybrid intelligent optimal control in flotation processes. Journal of Northeastern University (Natural Science), 2012, 33(1): 1-5 http://www.cnki.com.cn/Article/CJFDTOTAL-YQXB200812004.htm
[9]	彭晓波, 桂卫华, 胡志坤, 李勇刚, 王凌云.基于混沌遗传算法的铜闪速熔炼过程操作模式智能优化系统.信息与控制, 2008, 37(1): 87-92 http://www.cnki.com.cn/Article/CJFDTOTAL-XXYK200801013.htm Peng Xiao-Bo, Gui Wei-Hua, Hu Zhi-Kun, Li Yong-Gang, Wang Ling-Yun. Intelligent operation pattern optimization system in copper flash smelting process based on chaotic genetic algorithm. Information and Control, 2008, 37(1): 87-92 http://www.cnki.com.cn/Article/CJFDTOTAL-XXYK200801013.htm
[10]	MacGregor J F, Yu H L, Muñoz S G, Flores-Cerrillo J. Data-based latent variable methods for process analysis, monitoring and control. Computers & Chemical Engineering, 2005, 29(6): 1217-1223 http://www.sciencedirect.com/science/article/pii/S0098135405000128
[11]	MacGregor J F, Bruwer M J, Miletic I, Cardin M, Liu Z. Latent variable models and big data in the process industries. IFAC-PapersOnLine, 2015, 48(8): 520-524 doi: 10.1016/j.ifacol.2015.09.020
[12]	Yacoub F, MacGregor J F. Product optimization and control in the latent variable space of nonlinear PLS models. Chemometrics and Intelligent Laboratory Systems, 2004, 70(1): 63-74 doi: 10.1016/j.chemolab.2003.10.004
[13]	Kadlec P, Gabrys B, Strandt S. Data-driven soft sensors in the process industry. Computers & Chemical Engineering, 2009, 33(4): 795-814 http://www.sciencedirect.com/science/article/pii/S0098135409000076
[14]	贾润达, 毛志忠, 常玉清.基于非线性偏鲁棒M-回归的萃余液pH值软测量.自动化学报, 2009, 35(5): 583-587 http://www.aas.net.cn/CN/abstract/abstract15762.shtml Jia Run-Da, Mao Zhi-Zhong, Chang Yu-Qing. Soft sensing for pH value of raffinate solution based on nonlinear partial robust M-regression. Acta Automatica Sinica, 2009, 35(5): 583-587 http://www.aas.net.cn/CN/abstract/abstract15762.shtml
[15]	高莹莹, 朱维彬.深层神经网络中间层可见化建模.自动化学报, 2015, 41(9): 1627-1637 http://www.aas.net.cn/CN/abstract/abstract18736.shtml Gao Ying-Ying, Zhu Wei-Bin. Deep neural networks with visible intermediate layers. Acta Automatica Sinica, 2015, 41(9): 1627-1637 http://www.aas.net.cn/CN/abstract/abstract18736.shtml
[16]	王琴, 沈远彤.基于压缩感知的多尺度最小二乘支持向量机.自动化学报, 2016, 42(4): 631-640 http://www.aas.net.cn/CN/abstract/abstract18849.shtml Wang Qin, Shen Yuan-Tong. Multi-scale least squares support vector machine using compressive sensing. Acta Automatica Sinica, 2016, 42(4): 631-640 http://www.aas.net.cn/CN/abstract/abstract18849.shtml
[17]	Yuan Q Y, Wang F L, He D K, Wang H, Liu T. A new plant-wide optimization method and its application to hydrometallurgy process. The Canadian Journal of Chemical Engineering, 2016, 94(2): 273-280 doi: 10.1002/cjce.v94.2
[18]	He D K, Yuan Q Y, Wang F L, Zhao L P, Liu T, Jia R D. Plant-wide hierarchical optimization based on a minimum consumption model. The Canadian Journal of Chemical Engineering, 2016, 94(6): 1158-1166 doi: 10.1002/cjce.v94.6
[19]	Zhang J, Mao Z Z, Jia R D, He D K. Real time optimization based on a serial hybrid model for gold cyanidation leaching process. Minerals Engineering, 2015, 70: 250-263 doi: 10.1016/j.mineng.2014.09.021
[20]	Serralunga F J, Mussati M C, Aguirre P A. Model adaptation for real-time optimization in energy systems. Industrial & Engineering Chemistry Research, 2013, 52(47): 16795-16810 doi: 10.1021/acs.iecr.5b01946
[21]	Kaneko H, Funatsu K. Classification of the degradation of soft sensor models and discussion on adaptive models. AIChEJournal, 2013, 59(7): 2339-2347 doi: 10.1002/aic.v59.7
[22]	Cheng C, Chiu M S. A new data-based methodology for nonlinear process modeling. Chemical Engineering Science, 2014, 59(13): 2801-2810 http://www.sciencedirect.com/science/article/pii/S0009250904002453
[23]	Saptoro A. State of the art in the development of adaptive soft sensors based on just-in-time models. Procedia Chemistry, 2014, 9: 226-234 doi: 10.1016/j.proche.2014.05.027
[24]	Nomikos P, MacGregor J F. Multi-way partial least squares in monitoring batch processes. Chemometrics and Intelligent Laboratory Systems, 1995, 30(1): 97-108 doi: 10.1016/0169-7439(95)00043-7

施引文献

期刊类型引用(29)

1.	李倩，聂简，黄鸿殿，孔庆宇，奔粤阳. 基于大脑海马认知机理的主从式AUV协同定位方法. 中国惯性技术学报. 2024(01): 27-33 . 百度学术
2.	游雄，李科，田江鹏，杨剑，余岸竹，贾奋励. 机器地图信息加工模型. 武汉大学学报(信息科学版). 2024(04): 516-526 . 百度学术
3.	高昊，王仁茂. 基于类脑仿生的环境感知技术. 舰船电子对抗. 2024(05): 42-46+55 . 百度学术
4.	陈荟慧，钟委钊. 基于人机协作的高质量城市图像采集方法. 应用科学学报. 2023(05): 801-814 . 百度学术
5.	朱祥维，沈丹，肖凯，马岳鑫，廖祥，古富强，余芳文，高柯夫，刘经南. 类脑导航的机理、算法、实现与展望. 航空学报. 2023(19): 6-38 . 百度学术
6.	于乃功，廖诣深. 基于鼠脑内嗅—海马认知机制的移动机器人空间定位模型. 生物医学工程学杂志. 2022(02): 217-227 . 百度学术
7.	刘溢，阳加远，张驰. 一种基于RTX的移动机器人实时控制平台. 电子技术与软件工程. 2022(08): 169-172 . 百度学术
8.	于子航，王改云. 基于路径积分强化的机器人目标导向运动控制. 计算机仿真. 2022(07): 412-415+516 . 百度学术
9.	董卫华，刘毅龙，黑巧松，杨天宇. 泛地图空间认知理论与方法研究框架. 武汉大学学报(信息科学版). 2022(12): 2007-2014 . 百度学术
10.	阮晓钢，李鹏，朱晓庆，刘鹏飞. 基于目标导向行为和空间拓扑记忆的视觉导航方法. 计算机学报. 2021(03): 594-608 . 百度学术
11.	赵辰豪，吴德伟，韩昆，代传金. 无环境信息下多尺度网格细胞群空间表征模型. 系统工程与电子技术. 2021(03): 814-822 . 百度学术
12.	阮晓钢，柴洁，武悦，张晓平，黄静. 基于海马体位置细胞的认知地图构建与导航. 自动化学报. 2021(03): 666-677 . 本站查看
13.	冀俊忠，刘金铎，邹爱笑，杨翠翠. 一种融合多源信息的脑效应连接网络蚁群学习算法. 自动化学报. 2021(04): 864-881 . 本站查看
14.	万刚，武易天. 地图空间认知的数学基础. 测绘学报. 2021(06): 726-738 . 百度学术
15.	洪涛，史涛，任红格. 一种改进型RatSLAM算法构建认知地图的研究. 现代计算机. 2021(21): 47-52 . 百度学术
16.	韩昆，吴德伟，来磊. 类脑导航中基于差分Hebbian学习的网格细胞构建模型. 系统工程与电子技术. 2020(03): 674-679 . 百度学术
17.	黄宜庆，王正刚，王徽，葛愿. 基于边缘梯度算法的多移动机器人协作地图构建. 信息与控制. 2020(01): 62-68 . 百度学术
18.	于乃功，廖诣深，郑相国. 一种基于海马位置细胞选择机制的空间认知模型. 生物医学工程学杂志. 2020(01): 27-37 . 百度学术
19.	胡小平，毛军，范晨，张礼廉，何晓峰，韩国良，范颖. 仿生导航技术综述. 导航定位与授时. 2020(04): 1-10 . 百度学术
20.	于乃功，冯慧，廖诣深，郑相国. 一种基于感知速度与感知角度的网格野计算模型. 生物医学工程学杂志. 2020(05): 863-874 . 百度学术
21.	晁丽君，熊智，杨闯，华冰，王雅婷，刘建业. 无人飞行器三维类脑SLAM自主导航方法. 飞控与探测. 2020(05): 35-43 . 百度学术
22.	张孝伍. 图上的概率分布及位置方向信息的表征方法. 青岛理工大学学报. 2019(01): 113-121 . 百度学术
23.	方略，何洪军. 基于鼠脑海马位置细胞与Q学习面向目标导航. 生物信息学. 2019(01): 31-38 . 百度学术
24.	王均，凌有铸，王静. 基于特征融合的仿生SLAM算法研究. 安徽工程大学学报. 2019(02): 26-33 . 百度学术
25.	刘建业，杨闯，熊智，赖际舟，熊骏. 无人机类脑吸引子神经网络导航技术. 导航定位与授时. 2019(05): 52-60 . 百度学术
26.	韩昆，吴德伟，来磊，杨林. 自主导航条件下网格细胞放电模型. 电子科技大学学报. 2019(05): 711-716 . 百度学术
27.	丛明，邹强，刘冬，杜宇. 定位细胞认知机理启发的机器人导航研究综述. 机械工程学报. 2019(23): 1-12 . 百度学术
28.	邹强，丛明，刘冬，杜宇. 仿鼠脑海马的机器人地图构建与路径规划方法. 华中科技大学学报(自然科学版). 2018(12): 83-88 . 百度学术
29.	吴德伟，何晶，韩昆，李卉. 无人作战平台认知导航及其类脑实现思想. 空军工程大学学报(自然科学版). 2018(06): 33-38 . 百度学术

其他类型引用(29)

资源附件(0)

访问统计

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于数据的湿法冶金全流程操作量优化设定补偿方法

doi: 10.16383/j.aas.2017.c170122

通讯作者:
李康东北大学博士研究生.主要研究方向为复杂工业过程建模, 控制和优化.E-mail:likang@research.neu.edu.cn

计量

A Data-based Compensation Method for Optimal Setting of Hydrometallurgical Process

Corresponding author: LI Kang Ph. D. candidate at the Northeastern University. His interest research covers modeling, control and optimization in complex industrial system. Corresponding author of this paper

期刊类型引用(29)

其他类型引用(29)

计量

目录

留言板

基于数据的湿法冶金全流程操作量优化设定补偿方法

doi: 10.16383/j.aas.2017.c170122

通讯作者: 李康 东北大学博士研究生.主要研究方向为复杂工业过程建模, 控制和优化.E-mail:likang@research.neu.edu.cn

计量

出版历程

A Data-based Compensation Method for Optimal Setting of Hydrometallurgical Process

Corresponding author: LI Kang Ph. D. candidate at the Northeastern University. His interest research covers modeling, control and optimization in complex industrial system. Corresponding author of this paper

期刊类型引用(29)

其他类型引用(29)

计量

出版历程

目录

通讯作者:
李康东北大学博士研究生.主要研究方向为复杂工业过程建模, 控制和优化.E-mail:likang@research.neu.edu.cn