金湿法冶金全流程三层结构过程监测方法技术

金湿法冶金全流程三层结构过程监测及故障诊断方法，通过对金湿法冶金全流程分层、分块建立监测模型，实现从不同的视角——从底层到上层，从局部到整体对金湿法冶金各个层面的运行状态进行监测，并对异常工况进行故障诊断，为实际生产过程提供有价值的指导建议。算法包括建立全流程三层结构监测离线模型、估计子工序和全流程的统计量控制限、在线计算新数据的统计指标、实施监测及故障诊断等步骤。本发明专利技术提供了一种确保了生产过程安全运行的有效方法，对于提高生产安全性、提高生产效率、降低事故发生率、提高企业竞争力具有重要意义。

【技术实现步骤摘要】
金湿法冶金全流程三层结构过程监测方法
本专利技术属于湿法冶金领域，特别提供一种基于多元统计方法的分层、分块过程监测及故障诊断方法，即提供一种实时监测金湿法冶金过程各层面运行状态并对异常工况进行故障诊断的方法。
技术介绍
湿法冶金工艺是逐渐成熟并且迫切需要工业化的新工艺，与传统的火法冶金相比，湿法冶金技术具有高效、清洁、适用于低品位复杂金属矿产资源回收等优势。特别是针对我国矿产资源贫矿多，复杂共生，杂质含量高的特点，湿法冶金工艺工业化对于提高矿产资源的综合利用率，降低固体废弃物产量，减少环境污染，都有重大的意义。金湿法冶金全流程采用了磨矿、浮选、脱水调浆、氰化浸出、压滤洗涤、置换等湿法冶炼的工艺流程。通过选矿工序，根据调浆后的矿浆中金品位及硫含量的高低，3种矿浆(低硫尾矿、高硫矿和高铜矿)分别进入不同的处理流程，低硫矿进入低品位碳吸附氰化浸出提金流程，高硫矿进入低品位氰化浸出置换流程，高铜矿进入高品位氰化浸出置换流程。近几年湿法冶金工艺、设备研究进展迅速。但是湿法冶金工艺流程复杂，设备类型多样，整个流程具有多变量、变量之间强耦合等综合复杂性、其特性随生产条件变化而变化、受到原料成分、工况、设备状态等多种不确定性因素干扰等特点，如有操作不当、疏于检测或因不可抗拒的自然因素引起设备故障而导致生产中断等事故，将会给生产带来巨大的浪费和损失。同时，金湿法冶金高腐蚀、高温甚至高毒的工艺条件使得对生产过程的监测变得尤为重要。此外，湿法冶金工艺流程由多个彼此密切关联的子过程构成，对于湿法冶金流程这样具有多个子过程的复杂生产过程而言，仅仅实现对各子过程运行状态的监测是远远不够的，需要在各个子过程运行状态监控的基础之上，根据各子过程间的内在及外在联系，进一步实现湿法冶金过程的整体监控，及时为各子过程间的协调提供依据。了解过程变量的正常异常状态信息，预测故障的发展趋势，及早发现导致异常工况的主过程变量，并结合过程知识，针对具体情况做出决策，对于提高生产安全性、提高生产效率、降低事故发生率、提高企业竞争力具有重要意义。目前，金湿法冶金生产全流程缺乏对安全稳定、运行状态系统有效的监测技术，更无法为正常生产以及优化控制提供保障与决策依据。工厂所采用的方法是对与生产过程息息相关的过程变量信息进行人为或者仪表的记录，通过人为查看报表来获取过程运行状态信息。这种方法的缺陷是操作者依靠的是各自的经验判断过程的运行状态及发生异常的原因，很难保证判断结果的及时性及准确性。
技术实现思路
本专利技术提供一种金湿法冶金全流程三层结构过程监测方法，通过对金湿法冶金全流程分层、分块建立监测模型，实现从不同的视角——从底层到上层，从局部到整体对湿法冶金各个层面的运行状态进行监测，并对异常工况进行故障诊断。本专利技术采用的装置包括湿法冶金过程监测与故障诊断系统、上位机、PLC、现场传感变送部分。其中现场传感变送部分包括浓度、压力、流量等检测仪表。在湿法冶金过程现场安装检测仪表，检测仪表将采集的信号通过Profibus-DP总线送到PLC，PLC通过以太网定时将采集信号传送到上位机，上位机把接受的数据传到湿法冶金过程监测与故障诊断系统，进行生产过程实时监测与诊断，并提供生产操作指导建议。本专利技术装置的各部分功能：①现场传感变送部分：包括浓度、压力、流量等检测仪表由传感器组成，负责过程数据的采集与传送；②PLC：负责把采集的信号A/D转换，并通过以太网把信号传送给上位机；③上位机：收集本地PLC数据，传送给湿法冶金过程监测与故障诊断系统，并提供生产操作指导建议；④全流程过程监测及故障诊断系统对湿法冶金各个层面的运行状态进行监测，并对异常工况进行故障诊断；本专利技术的技术方案实现方法为三层结构过程监测方法，如图1所示。底层子工序级：以各主要工序中主要子工序为分析对象，实现对其运行状态监测和故障诊断的功能；中层工序级：将每个工序看作一个整体，从整体的角度分析每个工序中各个子工序之间的相关关系，实现对每个工序运行状态监测和故障诊断的功能；上层流程级：从全流程的角度，分析整个湿法冶金过程中各个工序之间的相关关系，实现对全流程运行状态监测和故障诊断的功能。主成分分析(PCA)是一种多变量统计分析方法，其主要思想是通过线性空间变换求取主成分变量，将高维数据空间投影到低维主成分空间。由于低维主成分空间可以保留原始数据空间的大部分方差信息，并且主成分变量之间具有正交性，可以去除原数据空间的冗余信息，因此主成分分析逐渐成为一种有效的数据压缩和信息提取方法，已在过程监测领域得到了越来越广泛的应用。本专利技术利用PCA多元统计方法来实现金湿法冶金的三层结构监测及故障诊断，底层子工序级：根据可以在线测量的过程数据信息提取出表征子工序运行状态的潜变量，并根据相关统计信息实现对每个子工序运行状态的监测和异常情况下的故障诊断；中层工序级：根据底层子工序提取的潜变量信息进一步提取表征各工序运行状态的潜变量，并根据相关统计信息实现对每个工序运行状态的监测和异常情况下的故障诊断；上层流程级：根据中层各工序提取的潜变量信息进一步提取表征全流程运行状态的潜变量，并根据相关统计信息实现对全流程运行状态的监测和异常情况下的故障诊断。基于PCA的湿法冶金金三层结构过程监测及故障诊断方法包括以下步骤：步骤1：建立湿法冶金金全流程三层结构监测离线模型，离线建模原理如图2所示。(1)建立底层监测模型。对底层子工序正常工况下的过程数据进行标准化处理，处理后数据矩阵为X1(m×n1),X2(m×n2),…,Xp(m×np)，其中p为子工序的个数，m为数据样本的个数，ni(i＝1,2,…,p)为各子工序过程变量的个数。对标准化后的子工序数据矩阵分别建立PCA监测模型，第i个子工序的监测模型为：式中，主成分矩阵Ti和负载矩阵Pi的维数分别为(m×Ai)和(ni×Ai)；Ai代表第i个子工序主成分模型中所保留的主成分个数；是由第i个子工序主成分模型反推得到的原始数据Xi的系统信息；Ei则为第i个子工序主成分模型的残差信息。(2)建立中层监测模型。针对每个工序建立离线监测模型，工序信息采用(1)中提取出来的表征构成该工序的子工序运行状态的潜变量信息，即工序信息Yj的维数为其中j＝1,2,…,q，q为中层工序个数，cj为表示第j个工序的子工序个数，按照步骤(1)中方法建立各个工序的PCA监测模型，第j个工序的监测模型为：式中，主成分矩阵和负载矩阵的维数分别为和代表第j个工序主成分模型中所保留的主成分个数；是由第j个工序主成分模型反推得到的原始数据Yj的系统信息；则为第j个工序主成分模型的残差信息。(3)建立上层监测模型。与步骤(2)中建立中层监测模型类似，根据步骤(2)中提取出的表征各工序运行状态的潜变量信息构成上层全流程信息Z的维数为其中全流程监测模型为：式中，主成分矩阵和负载矩阵的维数分别为和代表全流程主成分模型中所保留的主成分个数；是由全流程主成分模型反推得到的原始数据Z的系统信息；则为全流程主成分模型的残差信息。步骤2：根据下式(4)和(5)分别估计底层到上层各块的T2和SPE统计量的控制限，即分别估计子工序Xi(i＝1,2,…,p)、工序Yj(j＝1,2,…,q)和全流程Z的T2和SPE统计量的控制限。T2统计量服从F分布本文档来自技高网...

【技术保护点】
金湿法冶金全流程三层结构过程监测方法，其特征在于：对金湿法冶金全流程分层、分块建立监测模型；底层子工序级：以各主要工序中主要子工序为分析对象，实现对其运行状态监测和故障诊断的功能；中层工序级：将每个工序看作一个整体，从整体的角度分析每个工序中各个子工序之间的相关关系，实现对每个工序运行状态监测和故障诊断的功能；上层流程级：从全流程的角度，分析整个湿法冶金过程中各个工序之间的相关关系；该方法从底层到上层，从局部到整体对湿法冶金各个层面的运行状态进行监测，并对异常工况进行故障诊断；步骤1：建立金湿法冶金全流程三层结构监测离线模型建立底层监测模型：对底层子工序正常工况下的过程数据进行标准化处理，处理后数据矩阵为，其中为子工序的个数，为数据样本的个数，为各子工序过程变量的个数，对标准化后的子工序数据矩阵分别建立PCA监测模型，第个子工序的监测模型为：①式中，主成分矩阵和负载矩阵的维数分别为和；代表第个子工序主成分模型中所保留的主成分个数；是由第个子工序主成分模型反推得到的原始数据的系统信息；则为第个子工序主成分模型的残差信息；建立中层监测模型：针对每个工序建立离线监测模型，工序信息采用（1）中提取出来的表征构成该工序的子工序运行状态的潜变量信息，即工序信息，的维数为，其中，为中层工序个数，为表示第个工序的子工序个数，，，按照（1）中方法建立各个工序的PCA监测模型，第个工序的监测模型为：②式中，主成分矩阵和负载矩阵的维数分别为和；代表第个工序主成分模型中所保留的主成分个数；是由第个工序主成分模型反推得到的原始数据的系统信息；则为第个工序主成分模型的残差信息；建立上层监测模型：与（2）中建立中层监测模型类似，根据（2）中提取出的表征各工序运行状态的潜变量信息构成上层全流程信息，的维数为，其中，全流程监测模型为：③式中，主成分矩阵和负载矩阵的维数分别为和；代表全流程主成分模型中所保留的主成分个数；是由全流程主成分模型反推得到的原始数据的系统信息；则为全流程主成分模型的残差信息；步骤2：估计底层到上层各块的和统计量的控制限，即分别估计子工序、工序和全流程的和统计量的控制限；步骤3：对于在线采集的过程数据，分别计算其底层、中层和上层各块的主成分和残差，并计算新数据每层、每块的和指标；步骤4：检查底层、中层和上层各块的和指标是否超出统计控制限；如果从底层到上层各模块的两个指标均未超出统计控制限，则认为当前时刻数据为正常数据，返回步骤2；否则认为该数据是一个异常数据，监测程序报警提示异常工况的出现，利用贡献图方法分析诊断导致过程异常的原因变量；过程运行状态异常，可分为三类情况：（1）底层或底层及以上模块报警，则认为过程子工序出现异常工况；（2）底层模块不报警，中层或中层及以上模块报警，则认为过程子工序间出现匹配关系异常；（3）底层和中层模块不报警，仅上层模块报警，则认为过程工序间出现匹配关系异常。...

【技术特征摘要】
1.金湿法冶金全流程三层结构过程监测方法，其特征在于：对金湿法冶金全流程分层、分块建立监测模型；底层子工序级：以各主要工序中主要子工序为分析对象，实现对其运行状态监测和故障诊断的功能；中层工序级：将每个工序看作一个整体，从整体的角度分析每个工序中各个子工序之间的相关关系，实现对每个工序运行状态监测和故障诊断的功能；上层流程级：从全流程的角度，分析整个湿法冶金过程中各个工序之间的相关关系；该方法从底层到上层，从局部到整体对湿法冶金各个层面的运行状态进行监测，并对异常工况进行故障诊断；步骤1：建立金湿法冶金全流程三层结构监测离线模型(1)建立底层监测模型：对底层子工序正常工况下的过程数据进行标准化处理，处理后数据矩阵为X1(m×n1),X2(m×n2),…,Xp(m×np)，其中p为子工序的个数，m为数据样本的个数，ni，其中i＝1,2，…，p为各子工序过程变量的个数，对标准化后的子工序数据矩阵分别建立PCA监测模型，第i个子工序的监测模型为：式中，主成分矩阵Ti和负载矩阵Pi的维数分别为(m×Ai)和(ni×Ai)；Ai代表第i个子工序主成分模型中所保留的主成分个数；是由第i个子工序主成分模型反推得到的原始数据Xi的系统信息；Ei则为第i个子工序主成分模型的残差信息；(2)建立中层监测模型：针对每个工序建立离线监测模型，工序信息采用(1)中提取出来的表征构成该工序的子工序运行状态的潜变量信息，即工序信息Yj的维数为其中j＝1,2,…,q，q为中层工序个数，cj为表示第j个工序的子工序个数，按照(1)中方法建立各个工序的PCA监测模型，第j个工序的监测模型为：式中，主成分矩阵和负载矩阵的维数分别为和代表第j个工序主成分模型中所保留的主成分个数；是由第j个工序主成分模型反推得到的原始数据Yj的系统信息；则为第j个工序主成分模型的残差信息；(3)建立上层监测模型：根据(2)中提取出的表征各工序运行状态的潜变量信息构成上层全流程信息Z的维数为其中全流程监测模型为：式中，主成分矩阵和负载矩阵的维数分别为和代表全流程主成分模型中所保留的主成分个数；是由全流程主成分模型反推得到的原始数据Z的系统信息；则为全流程主成分模型的残差信息；步骤2：估计底层到上层各块的T2和SPE统计量的控制限，即分别估计子工序Xi，其中i＝1,2...

【专利技术属性】
技术研发人员：常玉清，王姝，王福利，谭帅，冯倩，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21