基于智能集成模型的苛性比值与溶出率软测量及应用研究

摘要

作为拜耳法生产氧化铝过程中的重要工序，高压溶出是一个极其复杂的冶金工业过程。在高压溶出过程中，苛性比值与溶出率决定了产品的产量、质量及碱耗。要实现高压溶出过程的优化控制，关键是能够在线检测苛性比值与溶出率。然而，目前没有任何测量仪表能够直接检测这两个值，而只能通过化学分析获得，因此存在很大的滞后，严重影响了高压溶出过程的优化控制。高压溶出过程具有机理复杂、非线性度高、耦合严重、时变、大滞后、大干扰等特点，因此任何单一的建模方法都难以建立精确的数学模型。本文在分析了高压溶出工艺机理的基础上，首次研究了苛性比值与溶出率的软测量技术，提出了基于智能集成模型的软测量方案，有效地实现了苛性比值与溶出率的在线检测，并据此对原矿浆配料进行了优化指导。论文主要工作和研究成果体现在以下几个方面： (1)基于对复杂工业过程特点及常用建模方法缺陷的分析，提出了智能集成软测量模型的基本框架，即给出了智能集成软测量模型的一般定义，总结了模型结构及算法的基本集成形式，并给出了基于智能集成模型的软测量系统的形式化描述、设计原则及设计步骤。 (2)针对RPCL聚类算法速度慢、精度低的缺点，提出了基于样本空间分布的改进RPCL聚类算法(SDS-RPCL)。该算法在修正中心值过程中，根据样本空间的分布情况选取数据，减少了中心值朝类边缘移动的概率，因而能加快聚类速度，提高聚类精度。 (3)在详尽分析高压溶出机理并总结专家知识的基础上，建立了苛性比值与溶出率的专家机理模型，该模型能够直观地反映各种因素对苛性比值与溶出率的影响。 (4)为了修正专家机理模型的预测误差，针对苛性比值与溶出率软测量中输入变量多、样本分布广的特点，提出了分布式复合神经网络。该神经网络利用主元分析法将输入变量重组，并按重组后的主元变量所包含原始信息的多少将其分成若干组，分别用多个并联的复合神经网络逐步逼近苛性比值与溶出率；复合神经网络不仅简化了模型，而且由于对输入变量进行了适当的分组，因此能更合理地描述实际对象。另一方面，利用SDS-RPCL聚类算法将学习样本进行聚类，分别用不同的复合神经网络来描述不同类别的样本，然后利用模糊分类器确定输入对每个复合神经网络的隶属度，从而建立分布式复合神经网络。实际数据的仿真结果表明：当输入变量与训练样本空间某个类相距较近时，其预测精度很高；反之，当输入变量与每个类都相距较远时，其预测精度则很低。 (5)针对分布式复合神经网络的上述不足，建立了苛性比值与溶出率的灰色模型。论文设计了智能协调单元以协调各子模型的预测结果，提高了预测精度；进而对预测结果进行误差修正以消除可能出现的大误差，提高了模型的鲁棒性；论文还给出了智能集成模型的在线校正方法，保证模型精度不会随生产条件变化而降低。 (6)开发了基于软测量的原矿浆配料优化控制系统。该系统在PlantScape集散控制系统的基础上，通过工业控制计算机、PLC、高速Ethernet网实现了高层的苛性比值与溶出率在线预测、原矿浆配料专家优化指导及底层的配料系统自动化控制。系统的应用提高了氧化铝的溶出率及原矿浆配料的合格率，稳定了氧化铝生产过程，为企业的信息化作出了贡献，取得了显著的经济效益和社会效益。同时本文取得的成果对其它复杂工业过程也具有积极的借鉴意义。

目录

文摘

英文文摘

原创性声明和关于学位论文使用授权说明

第一章绪论

1.1软测量及其研究现状

1.1.1软测量的意义

1.1.2软测量研究的主要内容

1.1.3软测量的研究现状

1.2苛性比值与溶出率检测现状及其软测量

1.2.1苛性比值与溶出率的重要意义

1.2.2苛性比值与溶出率的检测现状

1.2.3苛性比值与溶出率的软测量及其技术难点

1.3论文研究内容及结构

第二章智能集成软测量模型

2.1智能集成软测量模型的提出

2.2智能集成软测量模型基本框架

2.2.1基本概念

2.2.2智能集成软测量模型研究重点

2.2.3基于智能集成模型的软测量系统及其设计

2.3小结

第三章高压溶出工艺及基于专家知识的机理模型

3.1氧化铝高压溶出工艺概述

3.2氧化铝高压溶出机理分析

3.2.1苛性比值与溶出率

3.2.2氧化铝高压溶出过程中的化学反应

3.2.3影响苛性比值与溶出率的因素分析

3.3基于物料平衡及专家知识的苛性比值与溶出率机理模型

3.3.1基于物料平衡的苛性比值与溶出率机理模型

3.3.2基于专家知识的理模型修正

3.3.3基于机理模型的实际预测结果

3.4小结

第四章数据的降维、聚类及校正

4.1基于主元分析的输入数据集降维处理

4.1.1主元分析及其基本算法

4.1.2基于级联递推最小二乘(CRLS)的主元分析算法

4.2输入数据集的聚类分析

4.2.1竞争学习及其存在的问题

4.2.2 RPCL聚类算法

4.2.3基于样本空间分布的RPCL聚类算法(SDS-RPCL)

4.2.4仿真研究与实际应用

4.3数据校正

4.3.1数据协调

4.3.2显著误差检测

4.4小结

第五章苛性比值与溶出率智能集成建模

5.1苛性比值与溶出率智能集成模型整体框架

5.2专家知识机理模型与神经网络的集成模型MI

5.2.1模型MI的提出及基本结构

5.2.2基于主元分析法的复合神经网络

5.2.3基于SDS-RPCL聚类算法的分布式神经网络

5.3灰色模型MII

5.3.1灰色系统理论及其研究现状

5.3.2灰色建模基本原理

5.3.3基于改进灰色模型的溶出率预测

5.4智能协调与误差修正单元

5.4.1模型的智能协调

5.4.2预测结果的误差修正

5.4.3智能集成模型的预测结果

5.5小结

第六章苛性比值与溶出率智能集成模型的在线校正

6.1智能集成模型校正概述

6.2基于证据理论的新样本选择

6.3模型何时需要校正

6.4分布式复合神经网络的校正

6.4.1样本子空间的校正

6.4.2神经网络参数的校正

6.5小结

第七章软测量及原矿浆配料优化系统的开发

7.1基于软测量及专家知识的原矿浆配料优化

7.1.1原矿浆配料的工艺机理

7.1.2基于软测量的原矿浆专家配料优化指导

7.2软测量及原矿浆配料优化系统结构与应用软件

7.2.1系统总体结构

7.2.2系统应用软件开发

7.3系统的工业应用

7.4小结

第八章结论与展望

参考文献

附录一攻博期间发表的论文

附录二攻博期间从事的科研情况

附录三科研成果与获奖情况

致谢