[发明专利]一种基于工况判断的智能集成建模方法

说明书

技术领域

本发明涉及复杂过程关键参数预测模型建模方法，尤其是铜闪速熔炼过程冰铜品位预测模型的建立。

背景技术

闪速熔炼是当今世界上最主要的铜熔炼方法。实际生产中，操作工人依据熔炼产品——冰铜的品位来调节闪速熔炼过程的工艺参数，以实现闪速熔炼过程的在线控制，从而保证产量及质量。然而，由于闪速炉结构与操作都十分复杂，炉内温度高达1300℃，因此很难实时在线检测冰铜品位。目前，冰铜品位是通过化学分析获得的，一般是5-8小时分析一次，因此存在很大的滞后，不能满足实时控制的要求。如何通过闪速熔炼过程中的可测参数，分析这些参数与冰铜品位之间的关系，建立冰铜品位合理、有效的预测模型，实现其在线检测，对实现闪速熔炼过程优化控制、提高冰铜品位及产量具有十分重要的意义。

发明内容

本发明提出了一种基于工况判断的智能集成建模方法，建立铜闪速熔炼过程冰铜品位的软测量模型。冰铜品位预测模型由机理模型、模糊神经网络模型、基于工况判断的智能协调等单元组成。首先建立冰铜品位与入炉物料及熔炼工况之间的机理模型，该模型主要反映了铜闪速熔炼过程的物料平衡及热平衡，是一种理想的线性模型；然后根据大量的样本建立了冰铜品位与入炉物料及熔炼工况之间的模糊神经网络模型，该模型能反映冰铜品位与各种数据之间不确定的非线性关系；智能协调单元首先判断工况的稳定情况，在此基础上，对机理模型与模糊神经网络模型的输出结果进行协调，从而得出最终的预测结果。在工况比较稳定的情况下，冰铜品位也会在稳定的范围内，那么冰铜品位的的预测值主要依赖于模糊神经网络的输出；当工况波动比较大时，即生产出现了异常时，模糊神经网络的输出误差较大，此时冰铜品位的预测值主要依赖机理模型的输出。

本发明主要包括以下步骤：

(1)分析闪速熔炼过程影响冰铜品位的相关因素，确定可以根据入闪速炉物料主要成分含量、闪速熔炼过程中的风量及氧量建立冰铜品位的预测模型，获得冰铜品位的在线检测值。

(2)依据物料平衡及热平衡原理，建立冰铜品位机理模型。

(3)针对冰铜品位与影响因素之间的非线性关系，建立冰铜品位的模糊神经网络模型。

(4)根据工况的实际情况判断其稳定性，根据工况的稳定情况对机理模型及模糊神经网络模型进行协调，建立冰铜品位的智能集成预测模型。

附图说明

图1为冰铜品位预测模型结构总体框图；

图2为基于机理模型的冰铜品位预测结果图；

图3为冰铜品位模糊神经网络模型结构图；

图4为基于模糊神经网络模型的冰铜品位预测结果图；

图5为基于工况判断的冰铜模糊神经网络的加权系数；

图6为基于工况判断的智能集成模型的预测结果图；

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

实施例1

建立冰铜品位预测模型具体步骤如下：

Step 1：相关数据的获取

为了预测冰铜品位，需要选取一些对冰铜品位有较大影响且能实时获得的数据作为输入，通过模型计算得到冰铜品位。通过分析铜闪速熔炼过程的工艺机理知，影响冰铜品位的主要因素包括入炉物料的化学成分、熔炼过程中的风量及氧量。

入炉物料包括：精矿、渣精矿、不定物料、硅酸矿、转炉烟灰、转炉锅炉烟灰、干燥烟灰、锅炉烟灰、电收尘烟灰；其主要成分为铁、铜、硫、氧及二氧化硅，每四个小时通过化学分析获得。一般情况下，这些物料的成分波动不大，因此当前的成分可以采用时间序列的方法利用以前的化学分析结果获得：

u_i(k)＝a_1iu_i(k-1)+…+a_jiu_i(k-j)+…+a_niu_i(k-n)    (1)

其中u_i(k)是当前成分，而u_i(k-j)是前4*j小时前的成分值，a_1i，...，a_ni为相关系数，可以利用最小二乘法辨识获得，n＝6。

熔炼过程中的风量及氧量则通过仪表在线检测。

Step 2：建立冰铜品位机理模型