氧气底吹炉铜熔炼过程参数在线预测方法技术

本发明专利技术公开了氧气底吹炉铜熔炼过程参数在线预测方法。该方法包括：根据原料输入条件并基于物料平衡模型、能量平衡模型及多相平衡模型建立底吹熔炼炉机理模型；根据实际生产数据并基于目标参数和输入参数之间的铜锍品位神经网络模型、硅铁比神经网络模型及渣温度神经网络模型建立底吹熔炼炉数据驱动模型；利用智能协调器对机理模型和数据驱动模型进行集成，得到关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉混合模型，利用所述混合模型输出铜底吹熔炼过程中铜锍品位、硅铁比和渣温度的最终预测值。该预测方法可以解决现有预测方法适应能力差、实际运行效果不理想的问题，显著提高预测结果的准确性。

【技术实现步骤摘要】
氧气底吹炉铜熔炼过程参数在线预测方法
本专利技术属于冶金领域，具体而言，涉及氧气底吹炉铜熔炼过程参数在线预测方法。
技术介绍
熔炼过程是铜冶炼过程中一个相对重要工序，它将含铜量较低的铜精矿等原料中的铁和硫进行氧化脱除，得到含铜量较高的铜锍，为后续吹炼过程提供原料。氧气底吹铜熔炼炉是该过程的核心装备。氧气底吹炉是目前国内普遍使用的铜熔炼过程的设备，其熔炼过程具有连续性、瞬时性的特点，需要有相应的控制技术能进一步发挥其工艺特点，并确保产品质量稳定、炉况处于优化状态。同时，该铜熔炼工艺是一个十分复杂的工艺过程，是一个多输入和多输出的系统，每个变量之间具有强耦合、时变、分布式参数和显著的不确定性等特点，随着铜熔炼强度的不断提升及炼铜指标的不断提高，企业对连续铜冶炼生产过程控制提出了更高的要求。其中，铜锍品位、渣中铁硅比及渣温度这三个参数是考察氧气底吹炉铜熔炼过程中的重要参数，是底吹熔炼过程中重要的检测指标，反映了氧气底吹铜熔炼过程中的冶炼状态。铜锍品位指的是铜锍当中铜元素的质量分数，炉渣铁硅比指的是炉渣当中铁元素和二氧化硅的质量比，它们的检测方法均采用放铜锍及放渣过程中取样，然后采用荧光分析仪对样品成分进行化验，计算得到炉渣铁硅比及铜锍品位值。氧气底吹铜熔炼过程中的关键参数有熔体温度，但是由于其恶劣的生产环境，熔体温度无法在线直接测量，生产中一般采用炉渣温度作为熔体温度的间接表征参数。也就是说，在底吹炉铜熔炼实际生产中是无法实时监测到产物铜锍品位及熔炼渣铁硅比及渣温度这三个关键参数。一般铜熔炼过程要求铜锍品位、熔炼渣中铁硅比及渣温度这三大重要参数保持在适宜的范围及波动尽可能小，因此，有必要通过建立相应且可靠的预测模型对底吹熔炼过程中三大重要参数进行预测，为现场工作人员的决策与操作提供指导意见。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出氧气底吹炉铜熔炼过程参数在线预测方法。该预测方法通过对机理模型和数据驱动模型进行集成，可以显著提高预测结果的准确性，有效解决单一运用一种预测方法建模造成的适应能力差，实际运行效果不理想的问题。本申请是专利技术人基于以下问题和发现提出的：目前对于氧气底吹铜熔炼过程参数预测模型的研究方法主要采用机理建模方法或是基于数据驱动的智能建模方法，但这两种方法各有其不足之处：机理建模能在本质上反映客观过程的规律，外推性好，可解释性较强，但存在以下不足：1)就模型的专用性来说，只要模型的对象不同，其机理模型的结构和参数都存在非常大的差别，模型的可移植性较差；2)机理模型的整个建模过程需花费的人力物力很大，无论是反应本质动力学的研究、各种设备模型的确定，还是实际应用中装置传热传质效果的表征、大量参数(包括试验设备和装置)的估计，每一个步骤都是十分困难的；3)机理模型一般都是由代数方程组、微分方程组，甚至是偏微分方程组组成，当模型结构较为庞大时，求解时将要面对大量的数学计算，收敛慢，很难达到满足在线的实时估计；4)机理模型的建立通常是基于一定的假设条件的，而这些假设条件与实际情况存在一定的差别，难以保证模型的精确性。而基于数据驱动所构建的智能建模方法，例如神经网络，其性能不但受训练样本的质量、空间分布和训练算法的影响，且其外推性能较差，这种模型具有不可解释性。而对于底吹炉熔炼而言，针对原燃料条件等参数对铜锍品位、渣铁硅比、渣温度具有显著影响，因此需通过采取配料制度优化及操作制度优化来减少原料波动对熔炼三大重要参数影响。专利技术人设想，可以将机理模型与数据驱动模型结合起来，开发出一种集成模型对炼铜熔炼中的三大重要参数进行预测，以便通过输入投料物及熔炼过程中的参数预测产物的重要参数，并与产物的实际检测结果对比修正预测模型，提高预测精度，使得集成模型的预测准确度能够满足指导实际生产。为此，根据本专利技术的一个方面，本专利技术提出了一种氧气底吹炉铜熔炼过程参数在线预测方法。根据本专利技术的实施例，该预测方法包括：根据原料输入条件并基于物料平衡模型、能量平衡模型及多相平衡模型，建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉机理模型；根据实际生产数据并基于目标参数和输入参数之间的铜锍品位神经网络模型、硅铁比神经网络模型及渣温度神经网络模型，建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉数据驱动模型；利用智能协调器对所述机理模型和所述数据驱动模型进行集成，得到关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉混合模型，利用所述混合模型输出铜底吹熔炼过程中铜锍品位、硅铁比和渣温度的最终预测值，其中，所述智能协调器适于基于所述机理模型和所述数据驱动模型各自输出的铜锍品位预测值、硅铁比预测值、渣温度预测值与铜锍品位、硅铁比和渣温度的实际测量值之间的偏差，计算所述机理模型和所述数据驱动模型在所述混合模型中的加权系数，并根据所述加权系数、所述机理模型预测值和所述数据驱动模型预测值，输出铜锍品位、硅铁比和渣温度的最终预测值。根据本专利技术上述实施例的氧气底吹炉铜熔炼过程参数在线预测方法，通过重点考察底吹熔炼过程中铜锍品位、熔炼渣中铁硅比及渣温度这三大重要参数，分别建立底吹熔炼炉机理模型和数据驱动模型对三个重要参数进行预测，在此基础上设计适宜的智能协调器对二者进行集成，并将集成后混合模型的预测结果与实际生产结果对比修正，不断完善机理模型模型与数据驱动模型，并修正智能协调器参数，使其预测结果更加满足实际生产结果，从而显著提高其对氧气底吹炉铜熔炼过程中三大参数的预测精度。综上，该预测方法可以充分结合机理模型和数据驱动模型的优点，扬长避短，显著提高预测结果的准确性，有效解决单一运用一种预测方法建模造成的适应能力差、实际运行效果不理想的问题，在理论与实际应用上都具有重大意义与价值。另外，根据本专利技术上述实施例的氧气底吹炉铜熔炼过程参数在线预测方法还可以具有如下附加的技术特征：在本专利技术的一些实施例中，所述物料平衡模型是基于物料平衡方程建立的，所述能量平衡模型是基于能量平衡方程建立的，所述多相平衡模型是基于多相平衡方程建立的，采用METCAL软件或METSIM软件对所述物料平衡方程、所述能量平衡方程和所述多相平衡方程进行联立求解并结合铜底吹熔炼过程的工艺特征建立所述机理模型。在本专利技术的一些实施例中，所述铜锍品位神经网络、所述硅铁比神经网络和所述渣温度神经网络分别独立地包括多个人工神经元，所述人工神经元包括但不限于铜底吹熔炼过程中的富氧率、配煤率、氧料比、熔剂率、入炉Cu量、入炉Fe量、入炉S量、入炉CaO量和入炉SiO2量。在本专利技术的一些实施例中，利用BP神经网络的建模机理并结合铜底吹熔炼过程的工业生产大数据和铜锍品位神经网络、硅铁比神经网络及渣温度神经网络建立所述数据驱动模型。在本专利技术的一些实施例中，基于实际生产结果定期或实时对所述混合模型进行校正。在本专利技术的一些实施例中，对所述混合模型进行校正包括：将所述混合模型输出的铜锍品位、硅铁比和渣温度的最终预测值与实际测量值进行对比：本文档来自技高网...

【技术保护点】
1.一种氧气底吹炉铜熔炼过程参数在线预测方法，其特征在于，包括：/n根据原料输入条件并基于物料平衡模型、能量平衡模型及多相平衡模型，建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉机理模型；/n根据实际生产数据并基于目标参数和输入参数之间的铜锍品位神经网络模型、硅铁比神经网络模型及渣温度神经网络模型，建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉数据驱动模型；/n利用智能协调器对所述机理模型和所述数据驱动模型进行集成，得到关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉混合模型，利用所述混合模型输出铜底吹熔炼过程中铜锍品位、硅铁比和渣温度的最终预测值，/n其中，所述智能协调器适于基于所述机理模型和所述数据驱动模型各自输出的铜锍品位预测值、硅铁比预测值、渣温度预测值与铜锍品位、硅铁比和渣温度的实际测量值之间的偏差，计算所述机理模型和所述数据驱动模型在所述混合模型中的加权系数，并根据所述加权系数、所述机理模型预测值和所述数据驱动模型预测值，输出铜锍品位、硅铁比和渣温度的最终预测值。/n

【技术特征摘要】
1.一种氧气底吹炉铜熔炼过程参数在线预测方法，其特征在于，包括：
根据原料输入条件并基于物料平衡模型、能量平衡模型及多相平衡模型，建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉机理模型；
根据实际生产数据并基于目标参数和输入参数之间的铜锍品位神经网络模型、硅铁比神经网络模型及渣温度神经网络模型，建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉数据驱动模型；
利用智能协调器对所述机理模型和所述数据驱动模型进行集成，得到关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉混合模型，利用所述混合模型输出铜底吹熔炼过程中铜锍品位、硅铁比和渣温度的最终预测值，
其中，所述智能协调器适于基于所述机理模型和所述数据驱动模型各自输出的铜锍品位预测值、硅铁比预测值、渣温度预测值与铜锍品位、硅铁比和渣温度的实际测量值之间的偏差，计算所述机理模型和所述数据驱动模型在所述混合模型中的加权系数，并根据所述加权系数、所述机理模型预测值和所述数据驱动模型预测值，输出铜锍品位、硅铁比和渣温度的最终预测值。


2.根据权利要求1所述的在线预测方法，其特征在于，所述物料平衡模型是基于物料平衡方程建立的，所述能量平衡模型是基于能量平衡方程建立的，所述多相平衡模型是基于多相平衡方程建立的，采用METCAL软件或METSIM软件对所述物料平衡方程、所述能量平衡方程和所述多相平衡方程进行联立求解并结合铜底吹熔炼过程的工艺特征建立所述机理模型。


3.根据权利要求1所述的在线预测方法，其特征在于，所述铜锍品位神经网络、所述硅铁比神经网络和所述渣温度神经网络分别独立地包括多个人工神经元，所述人工神经元包括但不限于铜底吹熔炼过程中的富氧率、配煤率、氧料比、熔剂率、入炉Cu量、入炉Fe量、入炉S量、入炉CaO量和入炉SiO2量。


4.根据权利要求1所述的在线预测方法，其特征在于，利用BP神经网络的建模机理并结合铜底吹熔炼过程的工业生产大数据和铜锍品位神经网络、硅铁比神经网络及渣温度神经网络建立所述数据驱动...

【专利技术属性】
技术研发人员：张哲铠，黎敏，李兵，吴金财，
申请(专利权)人：中国恩菲工程技术有限公司，
类型：发明
国别省市：北京;11