本发明专利技术提供一种磷酸萃取过程的预测方法及预测装置，所述预测方法融合实际生产数据对机理模型的校正以及神经网络代理模型对数据的实时预测，实现了湿法磷酸萃取过程的准确模拟，正确预测了产物流量和物性随原料流量和性质及操作条件的变化情况，从而为实现生产过程在线优化与控制提供模型基础，对指导实际生产具有重要意义。具有重要意义。具有重要意义。
【技术实现步骤摘要】
一种磷酸萃取过程的预测方法和预测装置
[0001]本专利技术涉及矿物萃取
，尤其涉及一种磷酸萃取过程的预测方法和预测装置。
技术介绍
[0002]生产的经济性密切相关，对磷产品从工业级向食品级、医药级等高值化、多元化发展有重要影响，也直接关系磷化工清洁生产。磷酸萃取过程是伴有放热、吸热，多种物质存在的多元、复杂的化学反应过程，受到诸如温度、压力、矿粉的细度、搅拌强度及固态膜等多种因素的影响。同时，大部分磷酸萃取系统包括众多单元(多级溶解槽、结晶槽、消化槽、真空冷却器等)，单元之间存在大量的回流与耦合，属于高度非线性系统。正是因为这种多种因素相互干扰、耦合以及强非线性的存在，使得对湿法磷酸生产的建模和控制变得异常困难。
[0003]目前，国内外研究学者对于磷矿酸解
‑
结晶过程机理进行了许多开拓性工作，并取得了较大的成果，主要包括基于流
‑
固相非催化反应机理的粒径不变收缩未反应芯模型(缩芯模型)、基于扩散机理的磷矿酸解宏观动力学方程和基于粒数衡算方法的硫酸钙结晶动力学模型。然而这些模型大多数以实验数据为建模的依据，即从实验模拟装置上获取大量数据，通过回归得到动力学参数，部分采用有限工业数据进行校正。由于工业现场情况复杂，完全依赖实验装置的传统机理建模方法，不可避免存在自适应能力差、工程实用性弱等缺点。并且，加上机理模型本身结构复杂，存在计算耗时长、模型难收敛、难以在线实时预测等缺点。
[0004]因此，需要建立一个与实际工艺相符合、计算量小、能准确描述整个工艺流程的模型，实时在线获得磷矿酸解过程的磷浸取率、产物物性等关键性能指标，为实现生产过程在线优化与控制提供模型基础，对指导实际工业生产具有重要意义。
技术实现思路
[0005]鉴于现有技术中存在的问题，本专利技术提供磷酸萃取过程的预测方法，所述方法是对磷矿酸解
‑
结晶生产过程的整体描述与关键性能指标软测量建模，可以用于湿法磷酸生产中萃取过程的建模仿真和实时预测，以及生产操作优化模型的实时构建，具有与实际工艺相符合、计算量小、能准确描述整个萃取过程的优势，对指导实际生产具有重要意义。
[0006]为达此目的，本专利技术采用以下技术方案：
[0007]第一方面，本专利技术提供一种磷酸萃取过程的预测方法，所述预测方法包括如下步骤：
[0008](1)根据磷酸萃取的工艺数据和工艺指标，对磷酸萃取的机理模型进行校正，得到校正后机理模型；
[0009](2)采用校正后机理模型对不同工艺数据进行预测，得到校正后模型预测的工艺指标；
[0010](3)以不同工艺数据下校正后模型预测的工艺指标为数据库进行训练，构建神经网络代理模型；
[0011](4)根据工艺数据，结合神经网络模块中的神经网络代理模型，实时预测磷酸萃取过程的工艺指标。
[0012]本专利技术提供的磷酸萃取过程的预测方法通过实时采集获取萃取装置稳定运行时的进料信息，通过机理模型和神经网络代理模型进行萃取过程的实时预测，克服了纯机理模型计算求解困难，计算难度大，且与实际数据有较大差距的难题，具有计算速度快，结果更准确的优势。
[0013]优选地，步骤(1)中所述工艺数据包括原料数据、设备参数、操作参数和产品参数。
[0014]优选地，所述原料数据包括原料流量、原料组成和原料性质。
[0015]优选地，所述原料性质包括磷矿粒径和磷矿密度。
[0016]优选地，所述设备参数包括设备流程、设备结构和设备特性参数。
[0017]优选地，所述设备特性参数包括反应装置尺寸参数和搅拌装置尺寸参数。
[0018]优选地，所述操作参数包括不同原料配比、循环流股流量占比、搅拌速度、操作温度和操作时间。
[0019]优选地，所述操作参数还包括操作过程中物料组成和操作过程中物料性质。
[0020]优选地，所述产品参数包括产品产量和产品组成。
[0021]优选地，所述产品产量包括成品酸产量。
[0022]优选地，所述产品组成包括成品酸组成和磷石膏组成。
[0023]优选地，所述成品酸组成包括成品酸中二氧化二磷浓度和成品酸中硫酸浓度。
[0024]优选地，所述磷石膏组成包括磷石膏中残磷含量、磷石膏中水溶磷含量和磷石膏中游离水含量。
[0025]优选地，步骤(1)中所述机理模型包括物料平衡模型、能量平衡模型、磷矿酸解动力学模型和硫酸钙结晶动力学模型。
[0026]优选地，所述校正包括：以工艺指标预测值与实际值差的平方最小为优化目标，对机理模型优化求解，获得机理模型校正参数。
[0027]优选地，所述工艺指标包括转化率和反应料浆中晶体含量。
[0028]本专利技术中所述工艺指标优选包括转化率和反应料浆中晶体含量，还可包括反应料浆的组成等其他关键参数，对此不作限制。
[0029]优选地，所述机理模型优化求解为对两个单目标无约束优化问题进行求解。
[0030]优选地，所述校正采用差分进化算法进行优化求解。
[0031]所述差分算法包括如下步骤：
[0032](4.1)采用差分算法随机产生工艺数据的初始种群，所述初始种群包括磷矿粒径、磷矿密度、进料流量、搅拌速度、操作温度和料浆液相组分含量；
[0033](4.2)根据工艺数据的初始种群，利用校正后机理模型计算得到工艺指标的预测值；
[0034](4.3)根据工艺数据集中实际反应单元出料数据，根据物料平衡模型和能量平衡模型，获得工艺指标的实际值；
[0035](4.4)计算目标函数值，即以工艺指标中机理模型预测值和实际值差的平方作为
目标函数值，进行优化计算；
[0036](4.5)进行差分变异、交叉和选择操作，产生新的子代种群，重复代入步骤(4.2)～(4.4)中进行计算，判断当目标函数值最小时，输出此时的机理模型参数，计算结束。
[0037]优选地，步骤(1)中还包括：对实际生产中磷酸萃取的工艺数据的预处理。
[0038]优选地，所述预处理包括剔除异常点、均值化、物料和能量平衡校正、缺省插值或未知点推测中的任意一种方式或至少两种方式的组合。
[0039]优选地，步骤(2)中还包括：根据校正后模型预测的工艺指标构建不同工艺数据下工艺指标数据库。
[0040]优选地，步骤(3)中所述神经网络代理模型为磷矿酸解动力学模型和硫酸钙结晶动力学模型的神经网络代理模型。
[0041]优选地，所述神经网络代理模型的构建包括：标准化校正后模型预测的工艺指标数据，并进行训练。
[0042]优选地，所述训练采用交叉验证法。
[0043]优选地，所述神经网络代理模型的输入量包括磷矿粒径、磷矿密度、原料流量、搅拌速度、操作温度或操作过程中物料组成中的任意一种或至少两种的组合。
[0044]优选地，所述神经网络代理模型的输出量包括转化率和反应料浆中晶体含量。
[0045]优选地本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种磷酸萃取过程的预测方法，其特征在于，所述预测方法包括如下步骤：(1)根据磷酸萃取的工艺数据和工艺指标，对磷酸萃取的机理模型进行校正，得到校正后机理模型；(2)采用校正后机理模型对不同工艺数据进行预测，得到校正后模型预测的工艺指标；(3)以不同工艺数据下校正后模型预测的工艺指标为数据库进行训练，构建神经网络代理模型；(4)根据工艺数据，结合神经网络模块中的神经网络代理模型，实时预测磷酸萃取过程的工艺指标。2.根据权利要求1所述的预测方法，其特征在于，步骤(1)中所述工艺数据包括原料数据、设备参数、操作参数和产品参数；优选地，所述原料数据包括原料流量、原料组成和原料性质；优选地，所述原料性质包括磷矿粒径和磷矿密度；优选地，所述设备参数包括设备流程、设备结构和设备特性参数；优选地，所述设备特性参数包括反应装置尺寸参数和搅拌装置尺寸参数；优选地，所述操作参数包括不同原料配比、循环流股流量占比、搅拌速度、操作温度和操作时间；优选地，所述操作参数还包括操作过程中物料组成和操作过程中物料性质；优选地，所述产品参数包括产品产量和产品组成。3.根据权利要求1或2所述的预测方法，其特征在于，步骤(1)中所述机理模型包括物料平衡模型、能量平衡模型、磷矿酸解动力学模型和硫酸钙结晶动力学模型。4.根据权利要求1～3任一项所述的预测方法，其特征在于，所述校正包括：以工艺指标预测值与实际值差的平方最小为优化目标，对机理模型优化求解，获得机理模型校正参数；优选地，所述工艺指标包括转化率和反应料浆中晶体含量；优选地，所述校正采用差分进化算法进行优化求解。5.根据权利要求1～4任一项所述的预测方法，其特征在于，步骤(1)中还包括：对实际生产中磷酸萃取的工艺数据的预处理；优选地，所述预处理包括剔除异常点、均值化、物料和能量平衡校正、缺省插值或未知点推测中的任意一种方式或至少两种方式的组合。6.根据权利要求1～5任一项所述的预测方法，其特征在于，...
【专利技术属性】
技术研发人员：肖炘，曾玉娇，杨刚，陆冬云，聂亚玲，朱闽，耿爱东，
申请(专利权)人：中国科学院过程工程研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。