[发明专利]一种湿法冶金金氰化浸出过程浸出率预测方法

摘要

本发明公开了一种基于串行混合模型的金氰化浸出过程浸出率实时预测方法，即实现浸出率的在线预测方法。预测方法的特点是：（1）本发明建立了完整的金氰化浸出过程动态机理模型—金、氰离子物料守恒方程，并以此机理模型作为串行混合预测模型的核心，这样能够保证模型趋势的准确性；（2）本发明基于Tikhonov正则化方法估计金氰化浸出过程动力学反应速度，该方法可以有效抑制测量数据噪声对估计结果的影响。并采用BP神经网络数据模型以串行形式估计机理模型中的未知参数，提高了模型的精度及推广能力。本发明的预测方法有以下优点：采用了机理模型与数据模型相结合的串行混合建模方法，充分利用了已有的过程先验知识，提高了动态机理模型的预测精度以及泛化能力，具有结构简单、可靠性高、可解释性强、泛化能力好等优点。

主权项

一种湿法冶金金氰化浸出过程浸出率预测方法，采用已知的湿法冶金金氰化浸出工艺，本发明建立了串行混合模型预测金浸出率，串行混合模型是动态机理模型和神经网络数据模型串联组成的混合模型，其特征在于： 动态机理模型由研究金氰化浸出过程的动力学基理出发，逐步建立浸出过程物料平衡方程，单级金氰化浸出出过程方程的物料平衡方程用如下微分方程表述： 固相金守恒：……………………………①液相氰离子守恒方程：…………②液相金守恒：…………………………③金浸出率：…………………………………………………④其中：Qs为浸出槽矿浆固相流量；Ql为浸出槽矿浆液相流量；Qcn为浸出槽中氰化钠的添加量；Ms为浸出槽中滞留的固相质量；Ml为浸出槽中滞留的液相质量；cs0、cs分别为固相中的金初始品位、品位；ccn0、ccn分别为液相中的氰离子初始浓度、浓度；cl0、cl分别为液相中的金初始浓度、浓度；rAu为金的溶解速度；rcn为氰离子的消耗速度； 根据固相、液相中的质量守恒，得： 固相：Qsi＝Qsi‑1＝Qs……………………………………………⑤ 液相：Qli＝Qli‑1＝Ql………………………………………………⑥ 其中：Qsi为第i级浸出槽的矿浆固相流量；Qli为第i级浸出槽的矿浆液相流量。 假设浸出槽中的物料能够最大程度上混合，并且忽略浸出槽中的物料隔离，且浸出槽中滞留的固、液相质量恒定，得： …………………………………………………………⑦…………………………………………………………⑧………………………………………………………⑨其中：Cw为矿浆中固相所占的系数；V为浸出槽的有效体积；ρs为矿浆固相密度；ρl为矿浆液相密度； 因为忽略了浸出槽中的物料隔离，因此固相，液相和矿浆有相同的平均浸出时间τ： ……………………………………………………⑩金氰化浸出过程的动态机理模型由式①～式⑩及金溶解速度和氰离子消耗速度的动力学模型来表示；采用数值解法求解方程式式①～式⑩所组成的微分方程组，得到固相中的金品位cs、液相中的金浓度cl、液相中的氰离子浓度ccn，进而计算得到该浸出槽的浸出率a； 采用BP神经网络作为数据建模方法以预测机理模型中的未知参数rAu、rcn； 基于串行混合模型的金氰化浸出过程浸出率预测依如下步骤进行： 步骤一、机理模型参数选取； (1)现场已知参数； (2)查阅文献而得参数； (3)实验所得参数； 步骤二、采集现场数据：采集流量、浓度等实测数据； 步骤三、将步骤二所采集的数据利用Tikhonov正则化方法估计rAu、 rcn； 步骤四、rAu、rcn数据预测模型训练：假设浸出过程所通入的压缩空气充足，即溶液中的含氧量为常值，根据过程的先验知识，金的溶解速度rAu和氰根离子的消耗速度rcn只与固相中的金浓度cs和液相中的氰根离子浓度ccn有关；以cs和ccn为输入，以应用Tikhonov正则化方法估计的rAu和rcn为输出，对神经网络采用Levenberg‑Marquardt算法训练，用训练好的神经网络模型估计混合模型中的未知参数rAu和rcn； 步骤五、串行混合模型的预测：将动态机理模型与神经网络数据模型串联组成混合模型，并对浸出率进行实时预测； 过程数据采集选用的硬件装置，包括金氰化浸出过程浸出率预测系统、PLC、上位机和现场检测仪表； 检测仪表将采集到的现场实际数据通过Profibus‑DP总线传送到PLC，PLC再将采集的信号通过以太网传送到上位机，然后，上位机把现场实际运行数据传送到金氰化浸出过程浸出率预测系统，进行浸出率的实时预测，同时将结果同步显示在上位机组态界面中进行显示。