湿法炼锌中性浸出过程浸出率预测方法

技术领域

本申请涉及湿法炼锌技术领域，具体公开了一种湿法炼锌中性浸出过程浸出率预测方法。

背景技术

湿法炼锌是指将锌焙砂或其他硫化锌物料和硫化锌精矿中的锌溶解在水溶液中，从中提取金属锌或锌化合物的过程，为现代炼锌的主要方法。由锌浸出、从酸锌溶液净化、锌电解沉积三大环节组成。

浸出是湿法炼锌的关键工序，其作用是溶解锌焙砂中的锌。浸出工序中的浸出率由浸出溶液中的锌离子浓度决定，是评价原料中锌溶解情况的关键指标，表明了金属被浸出的程度，能直观地反映整个浸出过程的效果。建立浸出率预测模型对指导工业生产，提高企业经济效益有重大意义。

中性浸出过程是一个包含固、液相反应的复杂过程，主要通过向反应槽内添加酸液将来自上游焙烧工序的锌焙砂溶解，使固态锌化合物尽可能地溶解为锌离子进入溶液。中性浸出过程是在连续的反应器中进行，入口溶液流量的大小决定了溶液在反应器中的平均停留时间，即决定了浸出时间的长短。如图1所示，中性浸出包括5个浸出槽，由于溶液的酸度随着反应的进行在不断降低，锌焙砂的溶解在前三槽已基本完成，后两槽的主要作用是通过金属离子的水解反应沉淀杂质离子。中间浸出槽出口的浸出率是表征中性浸出过程反应状态的重要指标，直接反映了中性浸出过程的前段浸出效果，标志着中性浸出过程的经济效益。在实际生产现场中，并没有专门针对浸出率的在线检测方法和设备，因而浸出率需要通过人工进行测量，但较高的化验成本是重要的限制因素，因此工厂通过在3#槽出口安装pH计来观察生产状态，而pH值只能反映锌离子的溶解情况，不能代表生产过程的浸出率，在终点pH相同的情况下，投入的锌焙砂和酸液量不一定相同，进而无法判断浸出率的高低而达到控制生产成本和提高经济效益的目的，因此建立浸出率软测量模型对指导工业生产有重大意义。通过人工化验可以采集少量浸出率样本，但较少的样本数量导致预测模型性能显著降低，因此可以通过数据增强方法扩展样本以提高预测模型精度，这样即能通过有限的化验成本获得丰富的浸出率数据。

而在工业数据增强方面，现有的方法有基于克里金法的虚拟样本生成方法，其具体内容如下：首先，它在每个维度上施加了一个基于距离的标准，以确定具有较大信息差距的重要样本。类似于渔夫修补渔网的过程，某一个维度最初被固定在不同的量级。然后，使用克里金法寻找样本空间中的稀疏区域并进行插值得到新的虚拟样本。最后，结合极限学习机应用于预测高密度聚乙烯(HDPE)的熔融指数，但是湿法炼锌中，浸出过程机理复杂，而数据增强模型作为一个数据模型，其本质上是一个黑箱模型，其并不包含任何机理知识，当反应状态改变时，其效果也会明显下降。

而在中性浸出关键指标软测量方面，现有的方法有基于机理特征的半监督长短期记忆网络(MSSLSTM)在线pH估计方法，其具体内容如下：根据化学反应动力学、物料守恒等，建立中性浸过程氢离子浓度的动力学模型。将机理特征和生产数据集成为估计模型的输入，经栈式去噪自编码器进行时序降维后，引入至深度网络结构中。为了解决多采样率问题，在每个采样周期内将低采样频率的检测结果的保持值导入估计模型，实现半监督学习。最后基于现场生产数据，验证了其模型的精度，能基本满足工业需求，但是，这种方法是基于零阶保持器平衡高采样率和低采样率数据，而实际工业过程中无法保证低采样率数据在采样间隔内保持不变，所以这种处理方法对预测模型的精度存在影响。

综上，在目前湿法炼锌中性浸出过程中，仅靠人工对出口溶液的锌离子浓度化验来判断生产效果，存在浸出率的实时数据缺失的问题，导致浸出率软测量模型难以建立，因此，发明人有鉴于此，提供了一种湿法炼锌中性浸出过程浸出率预测方法，以便解决上述问题。

发明内容

本发明的目的在于提供一种湿法炼锌中性浸出过程浸出率预测方法，以解决湿法炼锌中性浸出过程浸出率数据缺失以及浸出率软测量建模难以建立的问题。

为了达到上述目的，本发明的基础方案提供一种湿法炼锌中性浸出过程浸出率预测方法，包括以下步骤：

步骤S1，获取锌离子浓度样本；

步骤S2，根据锌离子浓度样本建立浸出率机理模型；

步骤S3，将浸出率机理模型的输出结果加入至TimeGAN原有的损失函数，得到数据强化模型；

步骤S4，建立浸出率软测量模型，并将数据强化模型的输入数据、输出数据作为训练浸出率软测量模型的训练样本；

步骤S5，根据浸出率软测量模型得到湿法炼锌中性浸出过程浸出率预测结果。

进一步，在步骤S1中，对获得的锌离子浓度样本安装下式进行计算：

式中，

F

分别代表出、入口Zn

m表示锌焙砂的添加量，单位为kg/min；

η表示锌焙砂中Zn

进一步，所述浸出率机理模型表示如下：

式中，

t为时间；

表示第i号槽的H

m

x

进一步，所述浸出率软测量模型包括编码网络、解码网络、机理约束网络、生成网络、判别网络。

进一步，所述浸出率软测量模型按照以下步骤进行训练：

步骤S41，通过编码网络和解码网络将输入的真实数据映射到隐藏空间；

步骤S42，将随机向量矩阵输入生成网络，在其训练过程通过机理约束网络生成符合机理描述的虚拟样本，并通过判别网络生成近似于真实样本分布的数据；

步骤S43，生成的虚拟样本通过解码网络还原，得到贴合于原始数据的虚拟数据。

基于同一发明构思，本发明提供一种湿法炼锌中性浸出过程浸出率预测系统，所述浸出率预测系统用于实现上述的湿法炼锌中性浸出过程浸出率预测方法。

进一步，所述浸出率预测系统包括：

第一模块，所述第一模块用于获取锌离子浓度样本；

第二模块，所述第二模块获取第一模块的锌离子浓度样本，并根据锌离子浓度样本建立浸出率机理模型；

第三模块，所述第三模块接收第二模块中浸出率机理模型的输出结果，并将输出结果加入至TimeGAN原有的损失函数，得到数据强化模型；

第四模块，所述第四模块包含有浸出率软测量模型，所述第四模块接收数据强化模块的输入数据、输出数据并用于训练浸出率软测量模型；

第五模块，所述第五模块接收浸出率软测量模型的预测结果。

基于同一发明构思，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述的湿法炼锌中性浸出过程浸出率预测方法的各个步骤。

所述电子设备内设有上述的湿法炼锌中性浸出过程浸出率预测系统，以实现上述的湿法炼锌中性浸出过程浸出率预测方法的各个步骤。

本方案的原理及效果在于：

1、考虑到实际浸出过程浸出率数据的缺失，并且浸出率的化验成本较高，无法获取充足的数据建立可靠的预测模型，本发明基于人工化验的少量样本建立数据增强模型，为浸出率软测量模型提供丰富的训练样本，从而提高浸出率软测量模型的预测性能。

2、考虑到数据增强模型缺乏机理可解释性，在时间序列对抗生成网络的基础上，本发明在网络训练过程中引入了机理特征的损失函数，使生成的虚拟样本符合实际的生产特征，增强了生成数据的真实性和可解释性。

3、与现有技术相比，本发明能够更好的对湿法炼锌中性浸出过程中的浸出率进行预测，在预测性能上具有优越性，解决了湿法炼锌中性浸出过程浸出率数据缺失以及浸出率软测量建模难以建立的问题。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了湿法炼锌中性浸出过程的工艺流程图；

图2示出了本申请实施例提出的湿法炼锌中性浸出过程浸出率预测方法中数据增强模型结构图；

图3示出了本申请实施例提出的湿法炼锌中性浸出过程浸出率预测方法中浸出率计算时间轴；

图4示出了本申请实施例提出的湿法炼锌中性浸出过程浸出率预测方法中虚拟样本与真实样本的t-SNE分布；

图5示出了湿法炼锌中性浸出过程1#槽出口浸出率预测效果(其中红色为实际浸出率，蓝线为所提模型预测的浸出率)；

图6示出了湿法炼锌中性浸出过程2#槽出口浸出率预测效果(其中红色为实际浸出率，蓝线为所提模型预测的浸出率)；

图7示出了湿法炼锌中性浸出过程3#槽出口浸出率预测效果(其中红色为实际浸出率，蓝线为所提模型预测的浸出率)。

具体实施方式

为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。

以某冶炼厂湿法炼锌浸出过程为例，中性浸出过程以稀硫酸(如废酸、混合液等)为溶剂，将锌焙砂中的锌元素浸出到溶液中，而其余不溶性固体将进入到残渣中，后续经过浓缩和过滤操作可分离残渣并将浸出液送入下一道工序。中性浸出过程前段(前三槽)已经完成锌焙砂的溶解工作，工序后段(后两槽)的生产目的主要是沉淀铁离子，浸出率基本稳定。因而，本实施例主要针对的是前三槽的浸出率预测。中性浸出工艺流程如图1所示，主要在5个连续搅拌反应器中进行，包括5个锌焙砂下料口。锌焙砂主要在前三个槽添加，其添加量根据生产计划给定，后两个槽起辅助下料作用，根据实时生产状况进行调整。每个反应釜底部充入热蒸汽，以维持生产所需的的环境温度。为使锌焙砂尽可能地溶解，混合液、亚热酸和酸浸上清液等溶液添加在1#浸出槽中，废酸添加至1#、2#浸出槽；为将亚铁离子氧化为易于发生水解反应的铁离子，以便沉淀除杂，1#反应釜会添加锰矿浆，4#、5#反应釜则会通入过量的氧气。由于现场没有浸出率检测装置，仅靠人工对出口溶液的锌离子浓度化验(一天2次)来判断生产效果，浸出率的实时数据缺失，导致浸出率软测量模型难以建立。

由此，本实施例提出一种湿法炼锌中性浸出过程浸出率预测方法，包括以下步骤：

步骤S1，锌离子浓度样本的获取与数据处理，具体如下：

浸出率是评估湿法炼锌中性浸出过程效果的重要指标，它反映了锌从锌焙砂中被有效提取的程度。浸出率的高低直接影响到提取过程的效率和成本。在现场生产过程中，缺乏对浸出率的实时检测，操作人员通过3#槽出口pH值判断浸出反应状态，而在终点pH相同的情况下，投入的锌焙砂和酸液量不一定相同，进而无法判断浸出率的高低而达到控制生产成本和提高经济效益的目的。

为解决工业现场浸出率实时数据缺失的问题，通过人工连续采集和化验的方法得到少量真实锌离子浓度样本，每槽入口与出口化验时间相隔30分钟，通过下式进行计算：

式中，

F

分别代表出、入口Zn

m表示锌焙砂的添加量，单位为kg/min；

η表示锌焙砂中Zn

步骤S2，建立浸出率机理模型，具体如下：

中性浸出过程满足化学反应控制的收缩核模型。本实施例设定该过程的反应为一级不可逆反应，固体颗粒为球形，对于单位颗粒的锌焙砂来说，由反应动力学可得：

式中，

N

k表示化学反应速率常数；

S

表示t时刻浸出液中H

而N

S

式中，

M分别表示锌焙砂中ZnO的质量和物质的量；

r

ρ表示ZnO的密度。

联立上式可得：

本实施例中，定义x为单位颗粒锌焙砂的浸出率，N

联立得：

对上式求积分得：

联立可得：

式中，

表示第i号槽的H

r

r

对于第一个槽而言，槽内的锌焙砂只有最开始投入的。对于后两个槽而言，槽内的锌焙砂有两大来源，不仅有新加入到该槽的，还有前面槽剩下来没有浸出的。对于前者来说，投入到各槽的锌焙砂初始半径都为r

上述的分析都是针对单位颗粒锌焙砂而言，对于各槽来说，由于每粒锌焙砂都是一个颗粒，因此将槽内的所有锌焙砂颗粒视作一个整球体，通过该球体减少的平均半径计算浸出率，具体如下：

式中，

n

x

V

联立方程，得到各槽的浸出率机理模型：

步骤S3，建立数据增强模型，具体如下：

在建立完浸出率机理模型后，基于对抗生成网络和浸出率机理模型得到融合机理特征与对抗生成网络的数据增强模型。对抗生成网络的模型有很多，本实施例中采用TimeGAN网络，TimeGAN是在GAN的基础上诞生的，专门适用于时间序列小样本问题。

在TimeGAN原有的损失函数上，加入浸出率机理模型产生的预测值作为新的损失函数，以引导样本中输入与输出的对应关系，生成符合生产特征的样本，即得到数据增强模型。数据增强模型充分吸收了机理模型和时序对抗生成网络的优点。一方面，数据增强模型充分利用了中性浸出过程的机理分析，通过约束虚拟样本生成的整体趋势，减少了模型在训练过程中产生的数据偏差，避免生成的样本脱离实际生产情况。另一方面，数据增强模型利用了TimeGAN在对时序数据增强方面所表现出的优越性能，考虑到了多维特征数据在时间维度上的相关性。

具体的，整体模型(M-TimeGAN)结构如图2所示，由编码网络(E)、解码网络(R)、机理约束网络(M)、生成网络(G)和判别网络构成(D)。首先，通过编码解码网络将输入的人工测量的真实数据映射到隐藏空间，一方面减少网络计算的维度，同时也提取其静态与动态特征。然后，将随机向量矩阵输入生成网络，在其训练过程通过机理约束网络生成符合机理描述的虚拟样本，并通过判别网络生成近似于真实样本分布的数据。最后，生成的虚拟样本通过解码网络还原，得到贴合于原始数据的虚拟数据。其详细过程如下：

编码和解码网络在特征空间和隐藏空间之间建立了映射关系，促进对抗网络通过低维表征学习数据的内在时间动态。给出输入空间X，让

反之，解码网络将时间编码映射回其相应的特征表示。在恢复过程的每一步使用前馈神经网络来实现这一功能。

为了确保生成的虚拟样本输入和输出符合工业生产中的映射关系，本实施例引入了一个机制特征函数。首先，根据原始小样数据确定机制模型的参数，然后通过浸出率机理模型将生成网络生成的虚拟样输入转化为机制层次输出。

生成网络将随机时间向量转化为虚拟数据

判别网络以时间编码为输入，并返回相应的真假分类

嵌入和恢复函数的第一个目标是在特征空间和隐藏空间之间建立一个可逆映射，使原始数据能够从它们的潜在表征

在M-TimeGAN的训练过程中，生成网络会受到两种输入类型的影响。在开环模式下，生成网络接收编码网络的输出

M-TimeGAN中的生成网络接收真实数据

生成网络产生的虚拟样本输入

让θ

其中λ≥0平衡两种损失的超参数。接下来，生成网络和判别网络进行对抗性训练，具体如下：

其中，μ≥0,η≥0是平衡三种损失的超参数。M-TimeGAN以这种方式结合目标函数。

步骤S4，选择LSTM深度学习网络作为预测模型，将M-TimeGAN与LSTM结合形成浸出率软测量模型，生成的虚拟数据和真实数据作为模型的输入，浸出率为输出，以实现预测功能。

步骤S5，根据浸出率软测量模型得到湿法炼锌中性浸出过程浸出率预测结果。

预测模型的有效性通过虚拟样本生成质量以及预测效果来进行衡量，通过t-SNE方法对虚拟样本和真实样本进行降维可视化，通过观察虚拟样本和真实样本之间的分布差异来衡量虚拟样本的生成质量。本实施例中将383组真实数据作为训练集，生成383组虚拟样本，经过可视化后如图4所示。经过观察图4，蓝色的点表示真实数据，黄色的点表示虚拟生成的样本，可以发现改进后的M-TimeGAN生成的数据对于原始数据的分布都能较好的拟合，说明改进后的M-TimeGAN可以生成符合原来真实数据分布的样本，验证了该方法在虚拟样本生成的有效性。

预测效果评价指标采用均方误差(MAE)、平均绝对误差百分比(MAPE)。相关公式如下所示：

将766组虚拟生成样本和原始真实的样本作为预测模型的训练集，选取78组真实样本作为预测模型的验证集进行仿真验证。浸出过程1-3#反应器的浸出率预测效果图如图5-7所示。通过图5-7，我们可以发现，本文提出的基于M-TimeGAN的预测方法能够较好的预测1-3#反应器的浸出率。将本文提出方法与LSTM方法、基于TimeGAN的数据增强的LSTM预测方法进行对比，各性能指标对比如下表所示。

预测效果对比

通过对比发现，在1-3#反应器浸出率预测上，本实施例提出的M-TimeGAN的预测方法在MAE指标和RMSE指标上均比其它方法低，说明了本实施例在预测性能的优越性。还可以发现，TimeGAN的预测方法的预测指标相较于LSTM方法更高，说明了单纯生成的数据缺乏机理特征，在预测模型中往往会起到反效果导致预测性能下降，同时也间接说明了通过加入机理特征，使生成的数据符合反应机理，验证了其虚拟样本生成的有效性。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。