基于智能集成模型的苛性比值與溶出率軟測量及應(yīng)用研究.pdf

1、作為拜耳法生產(chǎn)氧化鋁過程中的重要工序，高壓溶出是一個極其復(fù)雜的冶金工業(yè)過程。在高壓溶出過程中，苛性比值與溶出率決定了產(chǎn)品的產(chǎn)量、質(zhì)量及堿耗。要實(shí)現(xiàn)高壓溶出過程的優(yōu)化控制，關(guān)鍵是能夠在線檢測苛性比值與溶出率。然而，目前沒有任何測量儀表能夠直接檢測這兩個值，而只能通過化學(xué)分析獲得，因此存在很大的滯后，嚴(yán)重影響了高壓溶出過程的優(yōu)化控制。高壓溶出過程具有機(jī)理復(fù)雜、非線性度高、耦合嚴(yán)重、時變、大滯后、大干擾等特點(diǎn)，因此任何單一的建模方法都難以建立

2、精確的數(shù)學(xué)模型。本文在分析了高壓溶出工藝機(jī)理的基礎(chǔ)上，首次研究了苛性比值與溶出率的軟測量技術(shù)，提出了基于智能集成模型的軟測量方案，有效地實(shí)現(xiàn)了苛性比值與溶出率的在線檢測，并據(jù)此對原礦漿配料進(jìn)行了優(yōu)化指導(dǎo)。論文主要工作和研究成果體現(xiàn)在以下幾個方面： (1)基于對復(fù)雜工業(yè)過程特點(diǎn)及常用建模方法缺陷的分析，提出了智能集成軟測量模型的基本框架，即給出了智能集成軟測量模型的一般定義，總結(jié)了模型結(jié)構(gòu)及算法的基本集成形式，并給出了基于智能集成

3、模型的軟測量系統(tǒng)的形式化描述、設(shè)計原則及設(shè)計步驟。 (2)針對RPCL聚類算法速度慢、精度低的缺點(diǎn)，提出了基于樣本空間分布的改進(jìn)RPCL聚類算法(SDS-RPCL)。該算法在修正中心值過程中，根據(jù)樣本空間的分布情況選取數(shù)據(jù)，減少了中心值朝類邊緣移動的概率，因而能加快聚類速度，提高聚類精度。 (3)在詳盡分析高壓溶出機(jī)理并總結(jié)專家知識的基礎(chǔ)上，建立了苛性比值與溶出率的專家機(jī)理模型，該模型能夠直觀地反映各種因素對苛性比值與溶

4、出率的影響。 (4)為了修正專家機(jī)理模型的預(yù)測誤差，針對苛性比值與溶出率軟測量中輸入變量多、樣本分布廣的特點(diǎn)，提出了分布式復(fù)合神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)利用主元分析法將輸入變量重組，并按重組后的主元變量所包含原始信息的多少將其分成若干組，分別用多個并聯(lián)的復(fù)合神經(jīng)網(wǎng)絡(luò)逐步逼近苛性比值與溶出率；復(fù)合神經(jīng)網(wǎng)絡(luò)不僅簡化了模型，而且由于對輸入變量進(jìn)行了適當(dāng)?shù)姆纸M，因此能更合理地描述實(shí)際對象。另一方面，利用SDS-RPCL聚類算法將學(xué)習(xí)樣本進(jìn)行聚

5、類，分別用不同的復(fù)合神經(jīng)網(wǎng)絡(luò)來描述不同類別的樣本，然后利用模糊分類器確定輸入對每個復(fù)合神經(jīng)網(wǎng)絡(luò)的隸屬度，從而建立分布式復(fù)合神經(jīng)網(wǎng)絡(luò)。實(shí)際數(shù)據(jù)的仿真結(jié)果表明：當(dāng)輸入變量與訓(xùn)練樣本空間某個類相距較近時，其預(yù)測精度很高；反之，當(dāng)輸入變量與每個類都相距較遠(yuǎn)時，其預(yù)測精度則很低。 (5)針對分布式復(fù)合神經(jīng)網(wǎng)絡(luò)的上述不足，建立了苛性比值與溶出率的灰色模型。論文設(shè)計了智能協(xié)調(diào)單元以協(xié)調(diào)各子模型的預(yù)測結(jié)果，提高了預(yù)測精度；進(jìn)而對預(yù)測結(jié)果進(jìn)行誤差

6、修正以消除可能出現(xiàn)的大誤差，提高了模型的魯棒性；論文還給出了智能集成模型的在線校正方法，保證模型精度不會隨生產(chǎn)條件變化而降低。 (6)開發(fā)了基于軟測量的原礦漿配料優(yōu)化控制系統(tǒng)。該系統(tǒng)在PlantScape集散控制系統(tǒng)的基礎(chǔ)上，通過工業(yè)控制計算機(jī)、PLC、高速Ethernet網(wǎng)實(shí)現(xiàn)了高層的苛性比值與溶出率在線預(yù)測、原礦漿配料專家優(yōu)化指導(dǎo)及底層的配料系統(tǒng)自動化控制。系統(tǒng)的應(yīng)用提高了氧化鋁的溶出率及原礦漿配料的合格率，穩(wěn)定了氧化鋁生產(chǎn)