[发明专利]氧气底吹炉铜吹炼过程参数在线预测方法

权利要求书

1.一种氧气底吹炉铜吹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，建立关于粗铜品位预测值、渣铁硅比预测值和渣温度预测值的底吹吹炼炉机理模型；

根据实际生产数据并基于目标参数和输入参数之间的粗铜品位神经网络模型、渣硅铁比神经网络模型及渣温度神经网络模型，建立关于粗铜品位预测值、渣硅铁比预测值和渣温度预测值的底吹吹炼炉数据驱动模型；

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，得到关于粗铜品位预测值、渣硅铁比预测值和渣温度预测值的底吹吹炼炉混合模型，利用所述混合模型输出铜底吹吹炼过程中粗铜品位、渣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粗铜品位预测值、渣硅铁比预测值、渣温度预测值与粗铜品位、渣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，输出粗铜品位、渣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吹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，所述粗铜品位神经网络、所述渣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吹炼过程中的铜锍品位、铜锍温度、氧锍比、熔剂率、电解残极率和富氧率。

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吹炼过程的工业生产大数据和粗铜品位神经网络、渣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。

5.根据权利要求1所述的在线预测方法，其特征在于，基于实际生产结果定期或实时对所述混合模型进行校正。

6.根据权利要求1所述的在线预测方法，其特征在于，对所述混合模型进行校正包括：将所述混合模型输出的粗铜品位、渣硅铁比和渣温度的最终预测值与实际测量值进行对比：

若误差在预期范围内，保持所述混合模型中所述加权系数不变；

若误差在预期范围外，将所述最终预测值返回至所述智能协调器并对所述加权系数进行调整，重复上述操作，直至误差降低至预期范围内。

7.根据权利要求1～6中任一项所述的在线预测方法，其特征在于，所述智能协调器采用模糊划分输入的变量区域并综合的方法计算所述机理模型和所述数据驱动模型预测方法的加权系数。

8.根据权利要求7所述的在线预测方法，其特征在于，利用f₁表示所述机理模型输出的预测结果，利用f₂表示所述数据驱动模型输出的预测结果，利用μ(x)表示所述数据驱动模型在所述混合模型中的加权系数，利用(1-μ(x))表示所述机理模型在所述混合模型中的加权系数，所述智能协调器的输出的预测结果为：

y＝f₂×μ(x)+f₁×(1-μ(x))，

其中，y代表预测结果，所述预测结果包括粗铜品位预测值、渣硅铁比预测值和渣温度预测值，所述数据驱动模型在所述混合模型中的加权系数μ(x)为：

x代表输入变量，所述输入变量的选择范围包括但不限于铜锍品位、铜锍温度、氧锍比、熔剂率、电解残极率和富氧率；a、b、c、d为根据实际工业生产的技术数据得到的与所述输入变量对应的特征参数，所述特征参数决定所述输入变量的隶属函数。

9.根据权利要求8所述的在线预测方法，其特征在于，所述数据驱动模型在所述混合模型中的加权系数μ(x)为：

其中，μ_i为输入变量i及其对应的特征参数a、b、c、d计算得到的隶属函数，λ_i为输入变量i在j个输入变量中所占的权重系数，λ_i由经验值确定。