一种浓密脱水工序智能协调优化方法

摘要

本发明提出一种浓密脱水工序智能协调优化方法，包括：建立对浓密脱水工序优化问题进行描述，具体包括：底流泵能耗经济指标、打矿泵能耗经济指标、浓密机压力约束、优化区间约束、不能进行压滤操作的约束、对每柜开泵时间进行约束、计算底流泵运行时间、计算打矿泵运行时间；将复杂的实际问题抽象出具体的数学公式，用数据处理的思想对该数学公式进行求解与预测，实现浓密脱水工序智能协调优化方法，具有通用性，从实验结果来看，预测准确，误差小。浓密机入矿存在波动，压力检测存在噪声，会造成优化结果不准确，因此采用滚动优化时序方法，随时间更新系统状态以及优化区间，提高优化结果准确性、优化模型的抗扰能力。

说明书

技术领域

本发明属于湿法冶金领域，具体涉及一种浓密脱水工序智能协调优化方法。

背景技术

随着国家的快速发展，工业化、城镇化进程的不断推进，对矿物资源的不断开发利用，高品位矿石正在逐步减少，金属资源日益枯竭。业界不得不越来越多地面临从贫、细、杂矿石中回收矿物资源的问题，矿产资源供给面临空前的压力。如何经济高效地利用低品位有色金属矿物资源生产金属产品，对我国的可持续发展具有重要意义。而湿法冶金工艺正具有可处理低品位复杂矿石、生产高效、低排放等优点，在有色金属冶炼领域有着越来越广泛的应用。提高湿法冶金生产流程的自动化水平，实现湿法冶金全流程优化控制已成为我国业界亟需解决的重要问题。

浓密脱水工序是湿法冶金过程中重要过程，起到了提高矿浆浓度，固体与液体分离，调节上游工序生产扰动对下游工序影响的作用。浓密脱水工序主要包括两个设备，浓密机和压滤机。浓密机是基于重力沉降作用提高矿浆浓度的设备，是该过程的关键设备，压滤机是基于压力进行固液分离，进一步提高矿浆浓度的设备。发明中使用的是30m直径的周遭传动浓密机和板框压滤机，下面介绍该浓密脱水工序的工艺流程：

浓密机入料为浮选过程选出的金精矿，浮选柱上面刮出精矿流入精矿泵池，再经过渣浆泵送到浓密机内。浓密机中心部位为给料井，浮选出的精矿送入中心给料井缓冲混合，再流到浓密机内，在重力的作用下进行沉降，行走电机由液压系统驱动，沿着浓密机外壁轨道带动耙架围绕中心转动，耙架下方的刮板搅动泥层，促进矿浆浓缩和向中心位置底流出矿口运动；浓密机上层有溢流槽，上层清水经过溢流槽流出返回上游工序，对清水进行重复利用。当底部浓度达到一定值时打开浓密机底流泵，经管道将浓密后的矿浆打到搅拌槽内，当搅拌槽内储存的矿量一定时再由压滤机的打矿泵将矿浆打到压滤机内进行压滤，压滤后的滤饼送入下一工序。

浓密脱水工序每天分三班，每班压滤N柜，N不是定值，会根据生产计划进行调整。目前浓密脱水工序为人工操作，工人根据每日压滤柜数压滤，由于上游浮选来料会有波动，且对浓密机内矿量未来变化不清楚，为了防止压耙工人不敢在浓密机内存储过多的矿，导致底流浓度过低，使得底流泵和打矿泵运行时间加长，导致浓密脱水工序时间增加，增加能耗，降低工作效率。浓密脱水工序是湿法冶金生产流程中的重要工序，该工序主要用于浓缩矿浆，提高矿浆浓度，并具有一定的调节上游工序生产扰动对下游工序影响的功能，这样不但不能有效发挥该工序的工艺功能，还会对上下游的生产产生干扰，更难以实现优化控制。

发明内容

基于以上技术问题，本申请提出一种浓密脱水工序智能协调优化方法，具体步骤包括：

步骤1：建立以下公式对浓密脱水工序优化问题进行描述：

其中，在公式(1)中包括：底流泵能耗经济指标和打矿泵能耗经济指标；

第i柜底流泵能耗经济指标为：

其中，E_UF为底流泵单位能耗，Pr(t)为阶梯电价，T_UFi为第i柜底流泵运行时间，U_UF为底流泵电压，I_UF为底流泵电流，运行时电机频率不变，底流泵电压U_UF和底流泵电流I_UF为常值，为底流泵功率因数；

第i柜打矿泵能耗经济指标为：

其中，E_ST为打矿泵单位能耗，Pr(t)为阶梯电价，T_STi为第i柜打矿泵运行时间；

公式式(1)中，Pr(t)为工厂的阶梯电价：

引入一个阶跃连续化函数，使阶梯电价转换为连续函数；

公式(1)中，N表示压滤的第N柜，T表示开始优化的时间，T_i是第i柜开始压滤的时间；

公式(2)～公式(5)为浓密脱水工序优化问题约束条件：

公式(2)为浓密机压力约束：其中，i＝1,…,N，N表示压滤的第N柜，P₃为压力下限，压力上限，P₃(T_i)第i柜底流泵开泵时压力传感器3的压力值；

公式(3)为优化区间约束：其中，i＝1,…,N，N表示压滤的第N柜，T_i是第i柜开始压滤的时间，T_UFi第i柜底流泵总开泵时间，T_Range优化区间长度；

公式(4)为不能进行压滤操作的约束：其中，T_i是第i柜开始压滤的时间，T_UFi第i柜底流泵运行时间，T_No-upper为不能进行压滤操作时间段的上限，T_No-lower为不能进行压滤操作时间段的下限；

公式(5)对每柜开泵时间进行约束：其中，i＝1,…,N，N表示压滤的第N柜，T_i-1为第i-1柜开始压滤时间，T_UFi-1为第i-1柜底流泵开泵时间，T_i-1+T_UFi-1表示第i-1柜压滤结束的时间，为压力上限，P₃(T_i-1+T_UFi-1)为第i-1柜压滤完成时压力传感器3压力值，△P_3i为第i柜单位时间压力传感器3压力变化，当i＝1时，

步骤2：计算底流泵运行时间T_UFi，包括步骤2.1～步骤2.5：

步骤2.1：建立三个压力传感器的压力预测模型，包括步骤2.1.1～步骤2.1.4：

步骤2.1.1：三个压力传感器用来测量浓密机中不同高度待测试矿浆的压力，压力传感器1在待测试矿浆泥水分界面上，压力传感器3位于出矿口，压力传感器2在压力传感器1与压力传感器3中间位置；

步骤2.1.2：根据历史数据分析可知压力传感器1的值基本不变，为一定值P₁：

P₁＝P_w>

步骤2.1.3：拟合压力传感器3与压力传感器2的关系：

P₂(t)＝b₁(P₃(t))²+b₂P₃(t)+b₃>

其中，b₁,b₂,b₃为拟合参数，P₃(t)为压力传感器3压力值，P₂(t)为计算的压力传感器2压力值；

步骤2.1.4：压力传感器3压力预测模型：

P₃(t)＝△P₃t+P₃>

△P₃＝kX+c₃>

其中，△P₃为单位时间压力变化，单位时间可根据优化尺度进行选择，例如1分钟，5分钟，10分钟等，P₃(t)为t时间后压力，t为预测时间，P₃为传感器3的初始压力；X＝[ΔmP₃]，与c₃为拟合预测参数；△m为单位时间内浓密机矿量变化,△m采用滚动优化时序方法进行求解。

当底流泵关闭时，建立压力上升模型，即取其中，M_总为当班总需入矿量，M_已为当班已经入矿量，t_s为剩余优化时间，采用滚动优化方法进行优化，优化时间随时间减少；

当底流泵打开时，建立压力下降模型，即取其中，m_out为底流泵单位时间出矿量；

步骤2.2：建立底流浓度预测模型：

C_UF(t)＝a₁+a₂C₁₂(t)+a₃C₂₃(t)+a₄(C₂₃(t))²+a₅C₁₂(t)C₂₃(t)>

其中，C_UF(t)为t时间后底流浓度预测值，ρ₁₂(t)为压力传感器1与压力传感器2间的平均密度，C₁₂(t)压力传感器1与压力传感器2间的平均浓度，ρ₂₃为压力传感器2与压力传感器3间的平均密度，C₂₃(t)压力传感器2与压力传感器3间的平均浓度，P₁为通过公式(10)计算得到的传感器1预测值，P₂(t)为公式(11)计算得到的传感器2预测值，P₃(t)为公式(12)计算得到压力传感器3预测值，a₁,a₂,a₃,a₄,a₅为拟合参数，ρ₀为干矿密度、g＝9.8N/kg，△h为两压力传感器间距离，为常数；

步骤2.3：根据压力传感器预测模型和底流浓度预测模型，计算底流泵运行时间T_UF：

T_UF＝g(C_UF(t))>

其中，M为压滤机压滤一柜所需要的干矿量，Q_UF为浓密机底流流量，ρ₀为精矿干矿密度，均为定值；C_UF(t)为底流泵运行t时刻底流浓度；ρ_UF(t)为底流泵运行t时刻底流矿浆密度；

步骤3：计算打矿泵运行时间T_ST：

搅拌槽浓度与打矿泵运行时间的关系如下：

其中，为搅拌槽矿浆平均浓度；T_ST为打矿泵开泵时间，a_ST,b_ST为线性拟合参数。

所述引入一个阶跃连续化函数为反正切函数：

将电价不连续优化问题转换为连续优化问题，阶梯电价可以重新写为：

Pr(t)＝pr₁P(t)+(pr₂-pr₁)P(t-420)+(pr₃-pr₂)P(t-510)+(pr₄-pr₃)P(t-630)-

(pr₄-pr₂)P(t-690)+(pr₃-pr₂)P(t-960)+(pr₄-pr₃)P(t-1140)-

(pr₄-pr₂)P(t-1260)-(pr₂-pr₁)P(t-1380)>

所述滚动优化时序方法如下：将计划时序时长分成n等分，每段时序时间为t_r，设当前时刻为T，零点班T∈[0，480)，八点班T∈[480，960)，十六点班T∈[960,1440)，当前控制时序为j，j＝1,…,n，已经完成时序为：T+j-1，每隔t_r时间进行一次优化，优化出预测时序内底流泵开泵时间序列，若t_r时间内需打开底流泵，则对下一柜进行操作，操作结束后，j+1时序内重新进行优化；若t_r时间内无需操作，则下个j+1时序再进行优化，优化出底流泵开泵时间序列。

有益技术效果：

(1)一种浓密脱水工序智能协调优化方法的总体思路为：根据压力预测模型、底流浓度模型、底流泵和打矿泵运行时间模型、该班所需压滤的柜数及阶梯电价，决策每一柜放矿开始时间，使得该班的能耗经济指标最小，优化区间为当前优化时刻到该班结束。浓密机入矿存在波动，压力检测存在噪声，会造成优化结果不准确，因此采用滚动优化思想，随时间更新系统状态以及优化区间，提高优化结果准确性、优化模型的抗扰能力。

(2)将复杂的实际问题抽象出具体的数学公式，用数据处理的思想对该数学公式进行求解与预测，实现浓密脱水工序智能协调优化方法，具有通用性，从实验结果来看，预测准确，误差小，抗干扰能力强，为浓密脱水工序优化提供可靠的理论依据。

附图说明

图1为本发明实施例的一种浓密脱水工序智能协调优化方法框图；

图2为本发明实施例的压力传感器2计算值与实际值对比；

图3为本发明实施例的压力上升模型测试数据与预测数据对比；

图4为本发明实施例的压力下降模型测试数据与预测数据对比；

图5为本发明实施例的底流浓度预测模型的验证；

图6为本发明实施例的底流泵放矿时间预测的验证；

图7为本发明实施例的搅拌槽浓度与打矿泵运行时长关系；

图8为本发明实施例的打矿泵运行时长模型验证；

图9为本发明实施例的阶梯电价与连续电价对比；

图10为本发明实施例的滚动优化时序说明；

图11为本发明实施例的一种浓密脱水工序智能协调优化方法过程图。

具体实施方式

下面结合附图和具体实施实例对一种浓密脱水工序智能协调优化方法进行详细描述：

浓密脱水工序每班需压滤柜数是不同的，一般为5到10柜，这里以需压滤8柜为例进行说明，一种浓密脱水工序智能协调优化方法框图如图1所示：

步骤1：建立以下公式对浓密脱水工序优化问题进行描述：

其中，在公式(1)中包括：底流泵能耗经济指标和打矿泵能耗经济指标；

第i柜底流泵能耗经济指标为：

其中，E_UF为底流泵单位能耗，Pr(t)为阶梯电价，底流泵运行时间T_UF通过步骤2求出，底流泵电压U_UF和底流泵电流I_UF为常值，底流泵电机电压U_UF＝320V，底流泵电机电流I_UF＝20A，底流泵电机功率因数为

第i柜打矿泵能耗经济指标为：

其中，E_ST为打矿泵单位能耗，Pr(t)为阶梯电价，打矿泵运行时间T_ST用步骤3计算出，打矿泵电机电压U_ST＝380V，打矿泵电机电流I_ST＝125A，打矿泵电机功率因数为

公式式(1)中，Pr(t)为工厂的阶梯电价：

由于阶梯电价是不连续的，导致该优化问题是不连续的，为避免由于模型不连续而得不到最优解，引入一个阶跃连续化函数，即反正切函数：

将该不连续优化问题转换为连续优化问题，如图9所示，阶梯电价可以重新写为：

Price＝0.46×P(t)+0.29×P(t-420)+0.29×P(t-510)+0.12×P(t-630)-

0.41×P(t-690)+0.29×P(t-960)+0.12×P(t-1140)-

0.41×P(t-1260)-0.29×P(t-1380)>

公式(2)～公式(5)为浓密脱水工序优化问题约束条件：

公式(2)为浓密机压力约束，其中，i＝1,…,8，P₃＝0.045Mpa为压力下限，压力上限，P₃(T+T_i)第i柜底流泵开泵时压力传感器3的压力值；

公式(3)为优化区间约束，其中，i＝1,…,8，T_i为第i柜开始压滤的时间，T_UFi第i柜底流泵总开泵时间，T_Range为优化区间长度，零点班T_Range＝480-T，八点班T_Range＝960-T，十六点班T_Range＝1440-T；

公式(4)不能进行压滤操作的约束，其中，T_i为第i柜开始压滤的时间，T_UFi第i柜底流泵运行时间，T_No-upper为不能进行压滤操作时间段的上限，T_No-lower为不能进行压滤操作时间段的下限，零点班T_No-upper＝140，T_No-lower＝260，八点班T_No-upper＝630，T_No-lower＝700，十六点班T_No-upper＝1100，T_No-lower＝1260；

公式(5)对每柜开泵时间进行约束，其中，i＝1,…,8，当i＝1时，T₀＝0,T_UF0＝0，为压力上限，P₃(T_i-1+T_UFi-1)为第i-1柜压滤完成时压力传感器3压力值，△P_3i为第i柜单位时间压力传感器3压力变化；

如图11所示，一种浓密脱水工序智能协调优化方法过程图，对公式(1)～公式(5)描述如下：图中T为优化时刻，N为当班需要压滤柜数。开泵时间T₁,T₂,…,T_N不同，开始压滤时各柜底流浓度不同，进而使底流泵运行时间T_UF1,T_UF2,…,T_UFN和打矿泵运行时间不同T_ST1,T_ST2,…,T_STN，同时不同时间阶梯电价不同，进而使底流泵和打矿泵总能耗经济指标不同，即式(1)。优化的目的就是决策开泵时间T₁,T₂,…,T_N，使该班总的能耗经济指标最小。但开泵时压力不能超过上下限，即式(2)；需压滤柜数要在当班生产完，不能超过优化区间，即式(3)；压滤生产不能在尖峰电价生产，工人吃饭时间也不能进行生产，所以优化时应避过不能生产的时间，即式(4)；第i柜开泵时间T_i应大于第i-1柜结束时间，小于压力达到上限的时间，即式(5)。

步骤2：计算底流泵运行时间T_UFi，包括步骤2.1～步骤2.5：

步骤2.1：建立三个压力传感器的压力预测模型，包括步骤2.1.1～步骤2.1.4：

步骤2.1.1：3个压力传感器用来测量浓密机中不同高度待测试矿浆的压力，压力传感器1在待测试矿浆泥水分界面上，压力传感器3位于出矿口，压力传感器2在压力传感器1与压力传感器3中间位置；

步骤2.1.2：根据历史数据分析可知压力传感器1的值基本不变，为一定值P₁：

P₁＝0.03245Mpa>

步骤2.1.3：拟合压力传感器3与压力传感器2的关系，模型输入为压力传感器3压力值P₃(t)，输出为压力传感器2压力值P₂(t)，共有100组建模数据，下面举例列出其中10组数据：

表1压力传感器2与压力传感器3数据值：

利用非线性方法拟合模型如下：

P₂(t)＝32.41(P₃(t))²-2.682P₃(t)+0.0923>

其中，P₃(t)为压力传感器3压力值，P₂(t)为计算的压力传感器2压力值。

图2为压力传感器2实际值与通过式(11)计算值的对比，圆线为计算值，三角线为实际值，从图2中可以看到，实际值与预测值非常接近，平均相对误差为0.23％，最大相对误差为1.48％。共1440组数据作为对比。

步骤2.1.4：压力传感器3压力预测模型：

P₃(t)＝△P₃t+P₃>

△P₃＝kX+c₃>

其中，△P₃为1分钟内压力变化，P₃(t)为t时间后压力，X＝[Δm>3]，P₃为初始压力，t为预测时间，c₃为拟合预测参数；△m为1分钟内浓密机矿量变化，△m采用滚动优化时序方法进行求解。当底流泵关闭时，其中，M_总为当班总入矿量，M_已为当班已经入矿量，t_s为剩余优化时间，即T_Range，当底流泵打开时，滚动优化的实例为：在调度的每一步完成整个预测时序的静态调度，但在更大时间尺度的计划时序范围内，随时间推移动态更新未来时段的控制动作，从而最大限度地避免系统状态预测误差的影响，使系统输出接近最优，如图10。对该优化问题，每天分3班生产，每班8小时，所以计划时序时长8小时；预测时序为可变时序，为从预测时刻开始到当班结束；较短控制时序可以保证控制的精度，将计划时序时长分成48等份，控制时序为10分钟。每10分钟进行一次优化，优化出预测时序内底流泵开泵时间序列，若10分钟内需打开底流泵，则对第一柜进行操作，操作结束后，下个10分钟内重新进行优化；若10分钟内无需操作，则10分钟后再进行优化，优化出第二柜的底流泵开泵时间，进而得到底流泵开泵时间序列。

当底流泵关闭时，建立压力上升模型，即取△m＝m_in；

当底流泵打开时，建立压力下降模型，即取△m＝m_in-m_out；

当底流泵关闭时，建立压力上升模型，即取△m＝m_in，c₁＝0.00304,c₂＝0.00046,c₃＝0.0011；

当底流泵打开时，建立压力下降模型，即取△m＝m_in-m_out，c₁＝0.0005,c₂＝-0.00045,c₃＝-0.0013；

压力上升模型预测实验结果：

根据历史数据，统计了浓密机入料量、当前压力、预测压力数据用于建模，并用18组数据为测试数据用于验证模型的准确性。

图3为预测压力与测试数据的对比，圆线为测试数据，星线为预测的压力，图3验证了压力上升模型的准确性、泛化能力。平均相对误差为0.46％，相对误差最大值为1.58％；

压力下降模型预测实验结果

当开始压滤时，打开底流泵，浓密机出料量大于入料量，压力下降，统计入料量、出料量、当前压力、预测压力数据建立压力下降模型，并选择18组数据作为测试数据。

图4为压力下降模型的预测数据与测试数据的对比，圆线为测试数据的压力，星线为压力预测数据的压力。图4验证了压力下降模型的准确性。平均相对误差为0.43％，最大相对误差为1.28％。

步骤2.2：建立底流浓度预测模型：

这里为了模型准确取200组数据，采用多项式拟合方法，得：

C_UF(t)＝-0.2332-0.7917C₁₂(t)+2.91C₂₃(t)+1.45C₁₂(t)C₂₃(t)-2.484C₂₃(t)C₂₃(t)>

其中，C_UF(t)为t时间后底流浓度预测值，ρ₁₂(t)为压力传感器1与压力传感器2间的平均密度，C₁₂(t)压力传感器1与压力传感器2间的平均浓度，ρ₂₃为压力传感器2与压力传感器3间的平均密度，C₂₃(t)压力传感器2与压力传感器3间的平均浓度，P₁为通过公式(10)计算得到的传感器1预测值，P₂(t)为公式(11)计算得到的传感器2预测值，P₃(t)公式(12)计算得到压力传感器3预测值，ρ₀＝4.27kg/m³为干矿密度、g＝9.8N/kg，△h＝0.5m为两压力传感器间距离，为常数。

如图5所示，圆线为实际浓度变化，星线为预测底流浓度，预测平均误差为2％，证明所建立的底流浓度预测模型的准确性。

步骤2.3：根据压力传感器预测模型和底流浓度预测模型，计算底流泵运行时间T_UF：

T_UF＝g(C_UF(t))>

其中，其中，M＝20为压滤机压滤一柜所需要的干矿量，Q_UF＝36为浓密机底流流量，ρ₀＝4.27为精矿干矿密度，均为定值；C_UF(t)为底流泵运行t时刻底流浓度；ρ_UF(t)为底流泵运行t时刻底流矿浆密度。

图6中，横坐标为放矿时的底流浓度，纵坐标为运行时长，圆圈为底流泵实际运行时长，星形为底流泵预测运行时长，平均误差为6.3％，17组测试数据。

步骤3：计算打矿泵运行时间T_ST：

搅拌槽浓度与打矿泵运行时间的关系如下：

其中，为搅拌槽矿浆平均浓度(给出公式)；T_ST为打矿泵开泵时间，Q_UF＝36。

图7搅拌槽浓度与打矿泵运行时长关系，从图中可以看出，两者是线性关系。

a_ST,b_ST为线性拟合参数，根据系统历史运行数据，统计搅拌槽浓度与打矿泵时长数据,共有建模数据85组，列举其中的10组数据:

表格2：搅拌槽浓度与打矿泵运行时间离线建模数据举例

采用最小二乘方法拟合公式(23)参数a_ST,b_ST,a_ST＝-40,b_ST＝44.67。

如图8所示，圆圈是实际打矿时间，星形是预测打矿时间，二者数值非常近似，误差为：4.24％，符合实际需求。

以上时所有参数计算与预测过程的描述，以下以某天八点班为例说明一种浓密脱水工序智能协调优化方法试验运用结果的有效性：

以某天八点班为例该班开始初始压力为P₃＝0.0496，需压滤6柜，结果如表格3和表格4所示：

表格3：实际生产过程:

表格4：一种浓密脱水工序智能协调优化方法优化结果

上面两表分别为8点班实际生产结果和优化结果，包括开始压滤时间、底流泵运行时间、打矿泵运行时间、能耗经济指标。从设备运行时间上，优化结果比实际生产降低了22.3％；从能耗经济指标上，优化结果比实际生产降低了30.1％。

表格5中所示，分别给出了应用该优化方法前试验结果和应用该优化方法后试验结果分别从生产指标、设备用时、设备处理能力等角度分析应用效果；

表格5：优化前与优化后效果对比

浓密脱水过程最重要的生产指标为底流浓度，通过上表应用后浓密机底流浓度比应用前相对值提升了20.3％；

由于现场没有针对单个设备的电量表，通过公式统计长时间电量会存在较大误差，所以用平均每柜设备用电时间、峰谷比例来衡量用电情况，这也是现场采用的间接衡量电量的方法，在每柜设备用电时间上，应用后比应用前用时减少31.3％，现场的电价为阶梯电价，分峰段与谷段，为了节能减排，减少损耗，现场要求减少峰段用时，每柜峰谷比例应用后比应用前下降了14.6％；

一种浓密脱水工序智能协调优化方法给出的规划进行浓密脱水操作能够提高底流浓度，进而提高设备的处理能力，分别从处理100吨矿的设备用时和处理100吨矿需用多少柜两个指标来说明，通过设备用时/100吨指标，设备处理能力应用后比应用前提高了40.7％，这里的设备包括底流泵和打矿泵；通过柜数/100吨指标，压滤机处理能力应用后比应用前提高了14.6％。