DOC《doi:10》

doi:10.

3969/j.issn.1007-7545.2015.05.002 铜闪速熔炼过程操作参数预测模型及应用 谢锴,米沙,严兵,李启 (中南大学 能源科学与工程学院,长沙 410083) 摘要:基于某厂实际铜闪速熔炼工艺和控制过程,对神经网络模型在铜闪速熔炼过程在线控制进行了研究.在分析影响溶剂率、熔炼氧单耗、反应塔总风量操作参数因素的基础上,提出一种基于BP神经网络的操作参数的预测方法,分别建立了输入向量只包含主要元素和考虑杂质元素的BP神经网络模型.网络的训练和测试结果表明,两种神经网络的输出值与实际值的最大相对误差均小于1.0%,输出值与实际样本值吻合得较好,模型输入参数中包括杂质元素时具有更高的计算精度. 关键词:铜闪速熔炼;

在线控制;

改进型BP神经网络;

预测模型 中图分类号:TF811;

TP13 文献标志码:A 文章编号:1007-7545(2015)05-0000-00 Prediction Model of Operating Parameters of Copper Flash Smelting XIE Kai, MI Sha, YAN Bing, LI Qi (School of Science and Engineering, , 410083, ) Abstract: Based on practical copper flash smelting and control process, neural network model was studied in copper flash smelting process on-line control. Based on analysis of the effecting factors on solvent rate, oxygen consumption of melting, and air volume of reaction tower, a back propagation neural network prediction model was presented to predict the above parameters. BP neural network models with input vector containing only main elements and impurity elements in concern were established. The simulative results show that the maximum relative error between output value and actual value is less than 1.0%. Output value accords with practical data very well. The mode including impurity elements in input parameters has higher calculation accuracy. Key words: copper flash smelting;

on-line control;

back propagation neural network;

prediction model 铜闪速熔炼是一个复杂、非线性时变、强耦合和大滞后的连续工业过程,在反应塔内发生着激烈迅速的物理化学反应,各输入输出参数相互影响,变化频繁,控制的准确性对熔炼产品质量和设备寿命有重要影响.在人工操作模式下,要考虑若干因素间的相互关联并迅速反应使工艺参数稳定、准确是相当困难的.目前由于缺乏精确的模型计算,根据经验设定的操作参数值往往使工艺参数值达不到目标要求并且存在较大偏差,而且工艺参数值的检测存在滞后,当发现偏差时,闪速炉已经在非正常工况下生产一段时间.操作参数的前馈计算不准确和反馈修正不及时使闪速炉炉况波动频繁,难以达到稳定生产.为使闪速熔炼生产稳定,关键要控制铜锍温度、铜锍品位及渣中铁硅比,而这三大工艺参数的控制是通过分别控制富氧浓度、吨矿氧量、熔剂率操作参数来实现的[1-3].因而,智能模型对于闪速熔炼操作参数的计算成为关键. 彭晓波等[4-5]建立了闪速熔炼动态T-S递归模糊神经网络(DTRFNN)软测量模型.刘建华等[6-7]利用投影寻踪回归原理建立铜闪速熔炼过程工艺参数预测模型.万维汉等[8]以能耗成本为优化目标建立了镍闪速炉自适应模糊神经网络质量控制模型,对镍闪速炉操作参数进行了稳态优化.汪金良等[3]基于已建立的工艺参数神经网络预测模型,采用遗传算法对操作参数进行仿真优化计算.彭晓波[9]基于模式分解理论和弹性粒子群遗传算法(GARPSO)开发了铜闪速熔炼过程操作模式优化系统.GoTo等[10-11]基于物料衡算和热量衡算开发了完全符合热力学反应条件的操作参数优化模型.桂卫华等[12]提出了将模糊C均值聚类与混沌伪并行遗传算法相结合的匹配算法.文献中智能模型在铜闪速熔炼控制中的研究主要集中在针对三大工艺参数的预测计算,而智能模型用于铜闪速熔炼在线控制过程中对操作参数进行前馈计算的研究比较少,而且对于冶金控制模型的研究主要都是对只包含几种主要元素的模型研究,并未考虑杂质元素,由于杂质元素的含量对余热锅炉清灰、收尘及阳极板、阴极铜的质量、对熔炼反应热平衡都有较大影响.因此本文以工业数据为基础,在Matlab软件上进行仿真分析,采用智能模型对闪速熔炼过程操作参数进行前馈计算,分别建立了输入向量只包含主要元素和考虑杂质元素的神经网络模型,以对铜闪速熔炼过程在线控制的研究提供理论基础和技术支持. 收稿日期:2014-11-25 基金项目:国家高技术研究发展计划(863计划)重点项目(2009AA064603) 作者简介:谢锴(1971-),男,湖南人,副教授,博士.

1 操作参数的神经网络预测模型 1.1 模型的确定 在铜闪速熔炼在线控制过程中,引起操作参数变更的主要影响因素为工艺参数目标值改变、混合干精矿量和成分改变等.根据某冶炼厂的现场情况,用x表示影响操作参数的因素,y表示操作参数石英溶剂率、熔炼氧单耗、反应塔总风量,x和y的关系可表示为: (1) 其中:f是x和y的非线性映射函数,且x使y改变的比重是不同的.BP神经网络模型中各输入变量对输出变量的比重通过各神经元之间的权值反应,其自学习和自调整功能能够使模型实际输出不断逼近目标输出,具有稳定可靠的网络性能和较好的泛化能力.由于标准BP算法存在收敛速度慢、陷入局部极小值等缺点,因此采用引入动量项和自适应调整学习速率相结合的改进型BP神经网络算法建立铜闪速熔炼神经网络在线控制模型.图1示出了BP神经网络模型结构图. 图1 BP神经网络结构模型图 Fig.1 Structure figure of BP neural network BP学习算法包含正向传播和反向传播两个阶段.在正向传播过程中,输入信息从输入层经过隐含层处理后传向输出层,每一层神经元的状态只影响下一层神经元状态.当输出层没有达到期望输出时,根据网络输出值与生产实际输出值的差值,修改各层神经元的权值和阀值,通过方向传播学习算法实现[11]. 动量法降低了网络对于误差曲面局部细节的敏感性,能有效抑制网络陷入局部极小,改善了收敛性.采用动量法调整权值,其调整算法公式如式(2)所示. (2) 式中,ω(t)为神经元连接权值;

为t时刻的负梯度;

D(t-1)是t-1时刻的负梯度;

η为学习速率,η>0;

α为动量因子,0≤α