金湿法冶金全流程三层结构过程监测方法

摘要

金湿法冶金全流程三层结构过程监测及故障诊断方法，通过对金湿法冶金全流程分层、分块建立监测模型，实现从不同的视角——从底层到上层，从局部到整体对金湿法冶金各个层面的运行状态进行监测，并对异常工况进行故障诊断，为实际生产过程提供有价值的指导建议。算法包括建立全流程三层结构监测离线模型、估计子工序和全流程的统计量控制限、在线计算新数据的统计指标、实施监测及故障诊断等步骤。本发明提供了一种确保了生产过程安全运行的有效方法，对于提高生产安全性、提高生产效率、降低事故发生率、提高企业竞争力具有重要意义。

说明书

技术领域

本发明属于湿法冶金领域，特别提供一种基于多元统计方法的分层、分块过程监测及故障诊断方法，即提供一种实时监测金湿法冶金过程各层面运行状态并对异常工况进行故障诊断的方法。 

背景技术

湿法冶金工艺是逐渐成熟并且迫切需要工业化的新工艺，与传统的火法冶金相比，湿法冶金技术具有高效、清洁、适用于低品位复杂金属矿产资源回收等优势。特别是针对我国矿产资源贫矿多，复杂共生，杂质含量高的特点，湿法冶金工艺工业化对于提高矿产资源的综合利用率，降低固体废弃物产量，减少环境污染，都有重大的意义。 

金湿法冶金全流程采用了磨矿、浮选、脱水调浆、氰化浸出、压滤洗涤、置换等湿法冶炼的工艺流程。通过选矿工序，根据调浆后的矿浆中金品位及硫含量的高低，3种矿浆(低硫尾矿、高硫矿和高铜矿)分别进入不同的处理流程，低硫矿进入低品位碳吸附氰化浸出提金流程，高硫矿进入低品位氰化浸出置换流程，高铜矿进入高品位氰化浸出置换流程。 

近几年湿法冶金工艺、设备研究进展迅速。但是湿法冶金工艺流程复杂，设备类型多样，整个流程具有多变量、变量之间强耦合等综合复杂性、其特性随生产条件变化而变化、受到原料成分、工况、设备状态等多种不确定性因素干扰等特点，如有操作不当、疏于检测或因不可抗拒的自然因素引起设备故障而导致生产中断等事故，将会给生产带来巨大的浪费和损失。同时，金湿法冶金高腐蚀、高温甚至高毒的工艺条件使得对生产过程的监测变得尤为重要。此外，湿法冶金工艺流程由多个彼此密切关联的子过程构成，对于湿法冶金流程这样具有多个子过程的复杂生产过程而言，仅仅实现对各子过程运行状态的监测是远远不够的，需要在各个子过程运行状态监控的基础之上，根据各子过程间的内在及外在联系，进一步实现湿法冶金过程的整体监控，及时为各子过程间的协调提供依据。 

了解过程变量的正常异常状态信息，预测故障的发展趋势，及早发现导致异常工况的主 过程变量，并结合过程知识，针对具体情况做出决策，对于提高生产安全性、提高生产效率、降低事故发生率、提高企业竞争力具有重要意义。 

目前，金湿法冶金生产全流程缺乏对安全稳定、运行状态系统有效的监测技术，更无法为正常生产以及优化控制提供保障与决策依据。工厂所采用的方法是对与生产过程息息相关的过程变量信息进行人为或者仪表的记录，通过人为查看报表来获取过程运行状态信息。这种方法的缺陷是操作者依靠的是各自的经验判断过程的运行状态及发生异常的原因，很难保证判断结果的及时性及准确性。 

发明内容

本发明提供一种金湿法冶金全流程三层结构过程监测方法，通过对金湿法冶金全流程分层、分块建立监测模型，实现从不同的视角——从底层到上层，从局部到整体对湿法冶金各个层面的运行状态进行监测，并对异常工况进行故障诊断。 

本发明采用的装置包括湿法冶金过程监测与故障诊断系统、上位机、PLC、现场传感变送部分。其中现场传感变送部分包括浓度、压力、流量等检测仪表。在湿法冶金过程现场安装检测仪表，检测仪表将采集的信号通过Profibus-DP总线送到PLC，PLC通过以太网定时将采集信号传送到上位机，上位机把接受的数据传到湿法冶金过程监测与故障诊断系统，进行生产过程实时监测与诊断，并提供生产操作指导建议。 

本发明装置的各部分功能： 

①现场传感变送部分：包括浓度、压力、流量等检测仪表由传感器组成，负责过程数据的 

采集与传送； 

②PLC：负责把采集的信号A/D转换，并通过以太网把信号传送给上位机； 

③上位机：收集本地PLC数据，传送给湿法冶金过程监测与故障诊断系统，并提供生产 

操作指导建议； 

④全流程过程监测及故障诊断系统对湿法冶金各个层面的运行状态进行监测，并对异常工况进行故障诊断； 

本发明的技术方案实现方法为三层结构过程监测方法，如图1所示。底层子工序级：以各主要工序中主要子工序为分析对象，实现对其运行状态监测和故障诊断的功能；中层工序 级：将每个工序看作一个整体，从整体的角度分析每个工序中各个子工序之间的相关关系，实现对每个工序运行状态监测和故障诊断的功能；上层流程级：从全流程的角度，分析整个湿法冶金过程中各个工序之间的相关关系，实现对全流程运行状态监测和故障诊断的功能。 

主成分分析(PCA)是一种多变量统计分析方法，其主要思想是通过线性空间变换求取主成分变量，将高维数据空间投影到低维主成分空间。由于低维主成分空间可以保留原始数据空间的大部分方差信息，并且主成分变量之间具有正交性，可以去除原数据空间的冗余信息，因此主成分分析逐渐成为一种有效的数据压缩和信息提取方法，已在过程监测领域得到了越来越广泛的应用。 

本发明利用PCA多元统计方法来实现金湿法冶金的三层结构监测及故障诊断，底层子工序级：根据可以在线测量的过程数据信息提取出表征子工序运行状态的潜变量，并根据相关统计信息实现对每个子工序运行状态的监测和异常情况下的故障诊断；中层工序级：根据底层子工序提取的潜变量信息进一步提取表征各工序运行状态的潜变量，并根据相关统计信息实现对每个工序运行状态的监测和异常情况下的故障诊断；上层流程级：根据中层各工序提取的潜变量信息进一步提取表征全流程运行状态的潜变量，并根据相关统计信息实现对全流程运行状态的监测和异常情况下的故障诊断。 

基于PCA的湿法冶金金三层结构过程监测及故障诊断方法包括以下步骤： 

步骤1：建立湿法冶金金全流程三层结构监测离线模型，离线建模原理如图2所示。 

(1)建立底层监测模型。对底层子工序正常工况下的过程数据进行标准化处理，处理后数据矩阵为X₁(m×n₁),X₂(m×n₂),…,X_p(m×n_p)，其中p为子工序的个数，m为数据样本的个数，n_i(i＝1,2,…,p)为各子工序过程变量的个数。对标准化后的子工序数据矩阵分别建立PCA监测模型，第i个子工序的监测模型为： 

$\left(\begin{array}{c}{T}_i=X_i{P}_i\\ {\hat{X}}_i=T_i{P}_i^T\\ E_i=X_i-{\hat{X}}_i\end{array}\right)---\left(1\right)$

式中，主成分矩阵T_i和负载矩阵P_i的维数分别为(m×A_i)和(n_i×A_i)；A_i代表第i个子工序主成分模型中所保留的主成分个数；是由第i个子工序主成分模型反推得到的原始数据X_i的系 统信息；E_i则为第i个子工序主成分模型的残差信息。 

(2)建立中层监测模型。针对每个工序建立离线监测模型，工序信息采用(1)中提取出来的表征构成该工序的子工序运行状态的潜变量信息，即工序信息Y_j的维数为其中j＝1,2,…,q，q为中层工序个数，cj为表示第j个工序的子工序个数， 按照步骤(1)中方法建立各个工序的PCA监测模型，第j个工序的监测模型为： 

$\left(\begin{array}{c}{\tilde{T}}_j=Y_j{\tilde{P}}_j\\ {\hat{Y}}_j={\tilde{T}}_j{\tilde{P}}_j^T\\ {\tilde{E}}_j=Y_j-{\hat{Y}}_j\end{array}\right)---\left(2\right)$

式中，主成分矩阵和负载矩阵的维数分别为和代表第j个工序主成分模型中所保留的主成分个数；是由第j个工序主成分模型反推得到的原始数据Y_j的系统信息；则为第j个工序主成分模型的残差信息。 

(3)建立上层监测模型。与步骤(2)中建立中层监测模型类似，根据步骤(2)中提取出的表征各工序运行状态的潜变量信息构成上层全流程信息Z的维数为 其中全流程监测模型为： 

式中，主成分矩阵和负载矩阵的维数分别为和代表全流程主成分模型中所保留的主成分个数；是由全流程主成分模型反推得到的原始数据Z的系统信息；则为全流程主成分模型的残差信息。 

步骤2：根据下式(4)和(5)分别估计底层到上层各块的T²和SPE统计量的控制限，即分别估计子工序X_i(i＝1,2,…,p)、工序Y_j(j＝1,2,…,q)和全流程Z的T²和SPE统计量的控制限。 

T²统计量服从F分布，其控制限为： 

$T^2=\frac{A(m-1)}{m-A}{F}_{A,m-A,\alpha }---\left(4\right)$

其中，m为建模样本数据的个数，A为主成分模型中保留的主成分个数，α为显著性水平。Q统计量服从χ²分布，其控制限为： 

$\mathrm{SPE}=g{\chi }_{h,\alpha }^2---\left(5\right)$

其中，g＝ρ²/2μ，h＝2μ²/ρ²，μ和ρ²分别对应样本Q统计量的均值和方差。 

步骤3：对于在线采集的过程数据x_new1(1×n₁),x_new2(1×n₂),…,x_newp(1×n_p)，根据下式(6)分别计算其底层、中层和上层各块的主成分和残差，并计算新数据每层、每块的T²和SPE指标。 

新数据x(1×n)的主成分和残差量由下式可得： 

$\left(\begin{array}{c}t=\mathrm{xP}\\ \hat{x}=t{P}^T=x{\mathrm{PP}}^T\\ e=x-\hat{x}\end{array}\right)---\left(6\right)$

式中，t＝[t₁,t₂,…,t_A]为新数据计算得到的主成分向量，A为保留主成分的个数，P为负载矩阵，e为残差向量。 

新数据的T²和SPE指标由式(7)和式(8)计算： 

$T^2=t{S}^{-1}{t}^T=\underset{a=1}{\overset{A}{\Sigma }}\frac{t_a^2}{{\lambda }_a}---\left(7\right)$

$\mathrm{SPE}={\mathrm{ee}}^T=\underset{j=1}{\overset{n}{\Sigma }}{(x_j-{\hat{x}}_j)}^2---\left(8\right)$

式中，t为新数据计算得到的主成分向量，对角矩阵S＝diag(λ₁,λ₂,…,λ_A)为建模数据集协方差矩阵的前A个特征值构成。 

步骤4：检查底层、中层和上层各块的T2和SPE指标是否超出统计控制限。如果从底层到上层各模块的两个指标均未超出统计控制限，则认为当前时刻数据为正常数据，返回步骤2；否则认为该数据是一个异常数据，监测程序报警提示异常工况的出现，利用贡献图方法分析诊断导致过程异常的原因变量。过程运行状态异常，可分为三类情况： 

(1)底层或底层及以上模块报警，则认为过程子工序出现异常工况； 

(2)底层模块不报警，中层或中层及以上模块报警，则认为过程子工序间出现匹配关系异常； 

(3)底层和中层模块不报警，仅上层模块报警，则认为过程工序间出现匹配关系异常。 

本发明能有效实现从不同的视角——从底层到上层，从局部到整体对金湿法冶金生产过程各个层面运行状态进行监测，并对异常工况进行监测。 

附图说明

图1为本发明三层结构过程监测及故障诊断示意图； 

图2为本发明三层结构过程监测离线建模原理示意图； 

图3为高铜矿氰化浸出置换工艺流程示意图； 

图4为高铜矿三层结构过程监测示意图； 

图5为高铜矿三层结构过程监测示意图； 

图6为高铜矿全流程在线监测及故障诊断方法示意图； 

图7为正常工况的高铜矿一浸子过程在线监测图； 

图8为正常工况的高铜矿二浸子过程在线监测图； 

图9为正常工况的高铜矿压滤洗涤过程在线监测图； 

图10为正常工况的高铜矿置换过程在线监测图； 

图11为正常工况的高铜矿氰化浸出中层在线监测图； 

图12为正常工况的高铜矿全流程在线监测图； 

图13为故障1情况下高铜矿一浸子过程在线监测图； 

图14为故障1情况下高铜矿二浸子过程在线监测图； 

图15为故障1情况下高铜矿二浸子过程故障诊断图； 

图16为故障1情况下高铜矿氰化浸出中层在线监测图； 

图17为故障1情况下高铜矿氰化浸出中层故障诊断图； 

图18为故障1情况下高铜矿压滤洗涤过程在线监测图； 

图19为故障1情况下高铜矿置换过程在线监测图； 

图20为故障1情况下高铜矿全流程在线监测图； 

图21为故障1情况下高铜矿全流程故障诊断图； 

图22为故障2情况下高铜矿一浸子过程在线监测图； 

图23为故障2情况下高铜矿二浸子过程在线监测图； 

图24为故障2情况下高铜矿氰化浸出中层在线监测图； 

图25为故障2情况下高铜矿氰化浸出中层故障诊断图； 

图26为故障2情况下高铜矿压滤洗涤过程在线监测图； 

图27为故障2情况下高铜矿置换过程在线监测图； 

图28为故障2情况下高铜矿全流程在线监测图； 

图29为故障3情况下高铜矿一浸子过程在线监测图； 

图30为故障3情况下高铜矿二浸子过程在线监测图； 

图31为故障3情况下高铜矿压滤洗涤过程在线监测图； 

图32为故障3情况下高铜矿置换过程在线监测图； 

图33为故障3情况下高铜矿氰化浸出中层在线监测图； 

图34为故障3情况下高铜矿全流程在线监测图； 

图35为故障3情况下高铜矿全流程故障诊断图。 

具体实施方式

本发明在在金湿法冶金高铜矿生产过程里得到了实际应用，并取得了显著的效果。 

下面结合附图和实施案例对本发明作进一步详细说明。 

高铜矿氰化浸出置换工艺流程如图3所示，分离浮选精矿经调浆后进入氰化浸出工序，浸出后的矿浆通过压滤洗涤，洗涤后的滤饼经过调浆后进入置换流程；贵液经过净化脱氧后进行锌粉置换，产生金泥。湿法冶金过程检测系统主要由浓度检测、压力检测、流量检测等构成。 

PLC控制器采用Simens 400系列的CPU 414-2，具有Profibus DP口连接分布式IO。为PLC配备以太网通讯模块，用于上位机访问PLC数据。PLC控制器和以太网通讯模块放置在中央控制室中的PLC柜中。 

上位机选用i7联想计算机，采用WINDOW XP操作系统。 

全流程过程监测及故障诊断系统在i7联想计算机上，采用C#2008编程软件，全流程过程监测及故障诊断算法采用Matlab 2010a编程软件。 

PLC与过程监测及故障诊断系统的信号传送软件是采用C#2008编程软件。 

在湿法冶金过程现场安装检测仪表，检测仪表将采集的信号通过Profibus-DP传送到PLC中，PLC定时将采集信号通过以太网传送给上位机，上位机把接受的数据传给过程监测及故障诊断系统进行实时监测与诊断，并提供操作指导建议。 

本发明以高铜矿为例的三层结构过程监测如图4所示。基于多元统计分析的湿法冶金(高铜矿)全流程过程监测及故障诊断方法包括以下步骤： 

步骤1：采集数据,在湿法冶金金的工业过程中，用于监测与故障诊断的过程变量共计35个，其中一浸过程和二浸过程监测变量各12个，压滤洗涤过程监测变量3个，置换过程监测变量8个，过程监测变量选取如表1-表3所示，对采集的正常工况下的500组数据进行标准化处理； 

表1.一浸(二浸)过程监测变量 

序号>变量名称>单位>1>矿浆浓度>％>2>第一个槽氰化钠流量>mg/h>3>第二个槽氰化钠流量>mg/h>4>第四个槽氰化钠流量>mg/h>5>第一个槽空气流量>m3/h>6>第二个槽空气流量>m3/h>7>第三个槽空气流量>m3/h>8>第四个槽空气流量>m3/h>9>第一个槽溶解氧浓度>mg/kg>10>第一个槽氰离子浓度>mg/kg>11>第四个槽氰离子浓度>mg/kg>12>矿浆流量>kg/h>

表2.压滤洗涤过程监测变量 

序号>变量名称>单位>1>一洗双叶轮矿浆搅拌槽2内矿浆浓度>％>

[0098] 

2>二洗双叶轮矿浆搅拌槽2内矿浆浓度>％>3>二洗浊度>NTU>

表3.置换过程监测变量 

序号>变量名称>单位>1>贫液金浓度>mg/l>2>脱氧塔入口贵液流量>m³/h>3>脱氧塔内压力>MPa>4>贵液金浓度>mg/l>5>卧式化工泵出口压力>MPa>6>锌粉混合器出口压力>MPa>7>添加锌粉的速度>t/h>8>流入压滤机贵液的流速>m/h>

步骤2：建立离线监测模型，高铜矿离线监测模型建立原理如图5所示，根据式(1)、(2)、(3)分别建立高铜矿全局监测三层结构离线模型，取95％的置信限，根据式(4)、(5)估计底层到上层各块的T²和SPE统计量的控制限。 

步骤3：在线运行，高铜矿全流程在线监测及故障诊断步骤如图6所示。 

1)在线监测，选取正常工况下的150组数据进行在线监测，在线监测结果如图7-图12所示。由图可知：第1-150时刻除了个别时刻因噪声干扰导致T²和SPE统计量超出统计控制限之外，其他时刻统计量的值均在统计控制限之下，说明各层各模块的主成分和监测变量都未偏离PCA监测模型，整个过程未出现警报，故认为生产运行状态正常。 

2)故障1：底层设备级故障——二浸氰化钠流量1传感器断路故障。 

第51-100采样时刻内人为将二浸氰化钠流量1传感器断路，此时显示的值为0，在线监测及故障诊断结果如图13-图21。由图可知：图13一浸子过程在线监测图、图18压滤洗涤过程在线监测图和图19置换过程在线监测图中T²和SPE统计量在第51-100采样时刻内均没有显著的超限情况，说明生产运行正常；图14二浸子过程在线监测图中T²和SPE统计量在第51-100采样时刻内超出统计控制限，在图15故障诊断图中显示诊断到发生故障的是第2个过程变量，即二浸氰化钠流量1，与实际设定相符合；图16氰化浸出中层在线监测图中T²和SPE统计量在同样采样时间内也都超出了统计控制限，且在图17故障诊断图中出现故障提 示；图20全流程在线监测图中SPE统计量在同样的采样时刻内超出统计控制限，且在图21故障诊断图中出现故障提示。 

3)故障2：中层工序级故障——一浸、二浸子过程匹配关系异常。 

在第51-100采样时刻内人为轻微减少二浸矿浆流量模拟矿浆输送管道发生微小泄漏，在线监测及故障诊断结果如图22-图28所示。由图可知：图22一浸子过程在线监测图、图23二浸子过程在线监测图、图26压滤洗涤过程在线监测图和图27置换过程在线监测图中T2和SPE统计量在第51-100采样时刻内均未显著超出统计控制限，说明生产运行正常；图24氰化浸出中层在线监测图中SPE统计量在第51-100采样时刻内超出统计控制限，并在图25的故障诊断图中显示诊断结果，说明通往二浸子过程的矿浆输送管道发生微小泄漏，导致一浸和二浸子过程匹配关系异常，与实际设定相符合；图28全流程在线监测图中T2和SPE统计量在同样采样时刻内均未显著超出统计控制限，未监测到异常，说明该匹配异常不影响全流程过程。 

4)故障3：上层流程级故障——压滤洗涤过程、置换过程匹配异常。 

第51-100采样时刻内人为轻微减少通往置换过程的贵液流量模拟贵液输送管道轻微泄漏，在线监测及故障诊断结果如图29-图35所示。由图可知：图29一浸子过程在线监测图、图30二浸子过程在线监测图、图31压滤洗涤过程在线监测图、图32置换过程在线监测图和图33氰化浸出中层在线监测图中T²和SPE统计量在第51-100采样时刻均未显著超出统计控制限，说明生产运行正常；图34全流程在线监测图中SPE统计量在第51-100采样时刻内超出统计控制限，并在图35的故障诊断图中显示诊断结果，置换过程的主元得分对故障的贡献较大，而浸出和压滤洗涤过程主成分对故障的贡献为零，由于压滤洗涤过程与置换过程紧密相连，因此可以确定是置换和洗涤过程匹配关系出现异常，与实际设定相符合。 

通过上面的实例，表明了本发明――基于多元统计分析的湿法冶金(金)过程监测及故障诊断方法的有效性，实现了从不同的视角，从底层到上层，从局部到整体对湿法冶金各个层面的运行状态进行监测，并对异常工况进行故障诊断。