湿法冶金典型生产过程指标预测与自适应实时优化

In order to reduce the material and energy consumption of plant-wide hydrometallurgical process, improve the product quality, reduce the production cost to cope with the increasingly fierce market competition, it is necessary to conduct an in-depth study on the operation optimization and control of the typical production process. At present, the hydrometallurgical process optimization is mostly the deterministic optimization based on the simplified mechanism model. Due to the model uncertainty, the optimization results cannot guarantee the optimality or even the feasibility. Based on the idea of hybrid modeling, a two-stage adaptive real-time optimization method for the typical hydrometallurgical production process is proposed in this project. First of all, the hybrid modeling method is used to solve the problem of predicting the key production index. By studying the incremental identification strategy of the hybrid model, the accurate estimation of the kinetic parameters using wavelet denoising and regularization methods are obtained. By constructing the model performance evaluation index, hybrid model is intelligently updated online. Then, using the adaptive real-time optimization idea, the original optimization model is constantly modified based on the actual value, and the appropriate parameters are chosen to ensure that the optimization result converges to the actual optimal solution. For the process disturbance, the interval prediction technique is used to establish the index prediction interval in order to guide the production operation. The proposed methods and technologies are verified and improved in the existing hydrometallurgical semi-physical simulation platform, and then are gradually popularized and applied to 1-2 typical production processes.

为降低湿法冶金生产全流程的物耗、能耗，改善产品质量，降低生产成本以应对日益激烈的市场竞争，有必要对典型生产过程的运行优化控制进行深入研究。目前针对湿法冶金过程的优化大多是基于简化机理模型的确定性优化，由于模型存在不确定性，上述优化结果不能保证最优性甚至可行性。本项目基于混合建模思想，提出两阶段的湿法冶金典型生产过程自适应实时优化方法。首先，利用混合建模思想解决关键生产指标的预测问题：通过研究混合模型的增量辨识策略，提出利用小波去噪和正则化方法实现动力学参数的精确估计；通过构建模型性能评价指标指导混合模型的在线智能更新。然后，利用自适应实时优化思想基于实际值不断修正原始优化模型，并选择合适参数以保证解收敛到实际最优解。对于过程扰动，提出利用区间预测技术建立指标的预测区间指导生产操作。把所提出的相关方法和技术在已有的湿法冶金半实物仿真平台上进行验证与完善，并逐渐推广应用到1-2个典型生产过程。

为降低湿法冶金生产全流程的物耗、能耗，改善产品质量，降低生产成本以应对日益激烈的市场竞争，有必要对典型生产过程的运行优化控制进行深入研究。目前，制约湿法冶金典型生产过程运行优化控制的主要因素是关键生产工艺指标的在线检测问题，由于湿法冶金生产环境的复杂性，传统硬件传感器成本高，而且很难长时间可靠工作，后续的维护成本也高。本项目的主要研究内容如下：（1）采用软测量技术建立准确可靠的关键生产工艺指标预测模型，实现指标的在线预测；（2）利用过程含测量噪声的可测变量尽可能准确地估计未知的动力学反应速度，仔细对比研究了目前可能的估计策略（如：有限差分方法、多项式拟合方法、SG 滤波器、小波分解方法、Tikhonov 正则化方法），仿真结果表明，Tikhonov正则化方法无论是在无噪声还是有噪声时都能获得满意和可接受的估计效果，这为后续的模型辨识、生产指标预测、操作优化奠定了重要的基础；（3）利用区间预测技术预测过程输出所在区间的上、下界，解决了当实际生产过程存在过程扰动时，传统点预测模型的预测精度会大幅降低，而且无法提供任何有关扰动的有用信息的问题；（4）基于实际测量值建立有效的优化补偿机制，实现典型生产过程的自适应实时优化，以解决模型与实际过程的不匹配，更好地指导实际生产操作。此外，仍有一些相关的研究在持续开展中，如：（1）提出利用随机配置网络（SCN）来构建金氰化浸出过程关键生产指标浸出率的区间预测模型，有望解决上述RBF区间预测模型训练速度较慢和容易陷入局部最优点的缺陷，提高模型的训练效率；（2）提出利用正则化方法的思想，在实现上没有按其具体推导的实施步骤，而是利用神经网络（如：随机配置网络、RNN（考虑了时序关系，有望提升效果）等）去构建动力学反应速度的估计模型，避免了原始方法推导过程中采用的积分近似、二阶导数近似策略，有望提升动力学反应速度估计模型的估计精度。