[發明專利]一種基于模型和數據的金氰化浸出過程混合優化方法

在審

• 申請號: 202010037800.6
• 申請日: 2020-01-14
• 公開（公告）號: CN111274734A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 袁青云;劉潭;王永剛;張楠楠
• 申請（專利權）人: 沈陽農業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27
• 代理公司: 北京國坤專利代理事務所(普通合伙) 11491
• 代理人: 趙紅霞

1.一種基于模型和數據的金氰化浸出過程混合優化方法，其特征在于，首先基于金氰化浸出過程優化模型獲得最優設定點，再利用數據方法在該最優設定點附近建立設定點偏差與過程物料消耗下降量相關模型，通過優化求解獲取該設定點下使物料消耗下降量最大的設定點偏差，進而實現對基于模型優化獲得的設定點的修正，該過程一直迭代進行直至收斂于實際最優設定點，以降低物料消耗。

2.根據權利要求1所述的一種基于模型和數據的金氰化浸出過程混合優化方法，其特征在于，主要包括基于過程模型的優化模型建立及求解、設定點偏差與過程物料消耗下降量相關模型的建立、物料消耗下降量最大化下設定點偏差的獲取及設定點修正等內容；

(1)基于過程模型的優化模型建立及求解

在一定浸出率的條件下，為了減少金氰化浸出過程的物料消耗，氰化鈉的消耗越少越好，選取金氰化浸出過程的7個槽的氰化鈉添加量Q_1,cn、Q_2,cn、…、Q_7,cn為決策變量，建立如下的過程優化模型：

其中：Q_s為原礦處理量，P_s為原礦價格，P_cn為NaCN價格,Q_e為空壓機的耗電量，P_e為當前電的價格，y^*為給定的金浸出率指標，f為金氰化浸出過程模型，θ為工況條件，其包括原礦處理量、礦漿濃度以及原礦品位等，Q_cn,max、Q_cn,min分別為氰化鈉添加量的上下限；

將式A優化問題轉換成標準形式

其中：g為不等式約束，h為等式約束，u＝[Q_1,cn,Q_2,cn,…,Q_7,cn]^T，y為金浸出率預測值；

式B表示的問題是含有復雜約束的優化問題，考慮采用具有較強搜索能力的二階振蕩PSO算法對上式進行優化求解，獲得氰化鈉添加的最優設定值u^*，由此可得過程的物料消耗W(u^*)；

(2)設定點偏差與過程物料消耗下降量相關模型的建立

而對于金氰化浸出過程，由于工況變化等不確定性因素的普遍存在，導致上述基于模型優化獲得的氰化鈉添加量的最優設定值u^*不是實際氰化鈉添加量的最優設定點因此相應的W(u^*)也不等于但可展開成在u^*處的泰勒級數，為：

取上式可轉變為：

其中：o((Δu)²)為泰勒公式的余項，是(Δu)²的高階無窮小，ΔW與Δu之間的非線性關系，在u^*的較小鄰域內，建立ΔW和Δu的關系模型ΔW＝H(Δu)，通過優化求解可獲得物料消耗下降量ΔW最大時的設定點偏差Δu，進而實現對設定點的修正，使其接近

當將u^*作用于實際過程時，可得當前過程數據(u_a,W(u_a))，在獲取建模數據時采用即時學習思想從大量歷史過程數據(u_i,W_i),i＝1,2,…,n中選取與(u_a,W(u_a))相似程度較強的數據，并對它們作差可獲得相應的建模數據，數據之間的相似程度由s_i來度量，其表示為：

其中：λ∈[0,1]為權重系數，

由式E可知，s_i的值越大表明兩組數據間的相似程度越強，通過s_i從過程數據中選取和(u_a,W(u_a))相關的m組數據(u_i,W_i),i＝1,2,…,m，建立ΔW與Δu的關系模型，將選取的數據與(u_a,W(u_a))作差，得到建模數據(Δu_i,ΔW_i),i＝1,2,…,m，然后，采用三層BP神經網絡建立ΔW＝H(Δu)的模型；

(3)物料消耗下降量最大化下設定點偏差的獲取及設定點修正

基于建立ΔW＝H(Δu)的模型，通過求解如下優化問題可獲取過程物料消耗下降量ΔW最大時的設定點偏差Δu，

將Δu代入ΔW＝H(Δu)，獲得ΔW(Δu)，

若滿足：

將u_a-|Δu|作為新的設定點，作用到實際過程，過程運行在新的設定點之后，再在新的設定點附近進行數據建模，重新優化求解獲得設定點偏差，若仍滿足式I，則再次將修正后的設定點作用于實際過程，過程運行在新的設定點之后，再在新的設定點附近進行數據建模，重新優化求解獲得設定點偏差，該過程迭代進行，直至不滿足式I，迭代結束。