一种面向节能的铜电解过程参数优化方法

技术领域

本发明涉及有色冶金技术领域，特别涉及一种面向节能的铜电解过程参数优化方法。

背景技术

铜电解生产过程中电能消耗占总能源消耗的60％以上，是电解铜生产的关键指标。现在工业上生产1吨电解铜大约消耗200～280kw/h电能。铜电解工艺流程长，影响因素复杂、工艺参数之间耦合严重，电解过程的能耗建模比较困难，导致铜电解生产过程中能耗的控制处于一种“盲目”的状态。如何协调铜电解过程各工艺参数，使得电解过程能耗最低，对进一步实现企业的节能降耗、降低生产成本具有十分重要的意义。实际生产中，影响能耗的可控因素主要是电流密度、电解液中铜离子浓度的浓度、硫酸的浓度和电解温度。因此，建立铜电解过程的能耗数学模型，实时控制电流密度、电解液中铜离子浓度、硫酸浓度和电解温度，保证最优的电解工艺条件，对铜电解生产节能降耗意义重大。

随机森林(Random Forest)算法能够处理高维的特征数据，并且可以很好地拟合输入和输出之间的非线性函数关系。此外，Random Forest算法对数据的缺失值和异常值不敏感，具有很强的抗干扰能力，不容易产生过拟合。由于铜电解过程能耗是一个多输入(具有高维特征)和单输出的函数模型，且在生产过程中所采集的数据受噪声的影响较大，人工采集的数据往往存在缺失值和异常值。

发明内容

本发明提供了一种面向节能的铜电解过程参数优化方法，其目的是为了解决现有技术由于铜电解过程的大时滞、影响因素复杂、工艺参数之间耦合严重，导致建模不精确，无法实现生产工艺参数的最优控制的技术问题，减少电解过程的直流电耗，降低生产成本。

为了达到上述目的，本发明提供了一种面向节能的铜电解过程参数优化方法，包括：

步骤1，通过随机森林算法构建铜电解过程生产工艺参数与电解能耗的RandomForest回归模型，计算得到在不同电流密度、铜离子浓度、硫酸浓度和电解温度下的电解能耗；

步骤2，通过Random Forest回归模型构建铜电解过程能耗优化模型；

步骤3，根据引入了邻域控制和自适应变异策略的竞争群优化算法对铜电解过程能耗优化模型进行优化求解，得到最优生产工艺参数；

步骤4，在Python 3.7环境下进行试验得到最优生产工艺参数。

其中，步骤1包括：

步骤11，输入样本集D＝(x

步骤12，随机选择训练数据集和样本特征进行n轮训练，对于n＝1,2,3…,n；

步骤13，在训练数据集所在的输入空间中，递归地将每个区域划分为两个子区域，并决定每个子区域上的输出值，构建第n个决策树模型G

步骤14，通过训练后，得到n个决策树的回归模型，将n个决策树回归模型的回归结果进行算术平均，得到RandomForest模型；

步骤15，构建铜电解过程生产工艺参数与电解能耗的Random Forest回归模型；

步骤16，通过训练好的Random Forest回归模型可以计算得到在不同电流密度、铜离子浓度、硫酸浓度和电解温度下的电解能耗。

铜电解过程生产工艺参数与电解能耗的Random Forest回归模型为：

W＝RandomForest(C

其中，D

其中，步骤2以铜电解过程的能耗最低为优化目标，以电流密度、硫酸密度、铜离子浓度和电解温度工艺参数为优化变量，以生产工艺参数的范围为约束条件构建铜电解过程能耗优化模型为：

其中，D

其中，竞争群优化算法包括：

随机初始化竞争群优化算法的参数：种群数量m，迭代次数t、搜索的最大维度d

根据适应度函数计算种群中每个粒子的适应度函数值；

构造集合U、I，使得U＝P(t)，P(T+1)＝I；

当集合U≠I时，从集合U中随机选择两个粒子进行竞争，比较两个粒子的适应度函数值大小，获胜粒子直接加入下一次迭代种群P(t+1)中；

失败粒子通过学习规则更新学习后的速度，重新加入到下一次迭代种群P(T+1)中；

根据失败粒子学习后的速度更新其位置重新加入到下一次迭代种群P(T+1)中；

从集合U中删除上述操作过程中选择过的两个粒子，并重复上述操作，直至种群P(t)中的所有粒子两两竞争完成；

重复上述操作，当达到迭代次数时，停止搜索，返回最优解。步骤5中实验的终止条件为达到规定的最大迭代次数。

其中，步骤12包括：

对样本集D进行n次的有放回随机采样，并采集n个包含M个样本的训练数据集D

用采集的训练数据集D

其中，步骤13包括：

将输入空间划分为M个区域R

采用启发式的方法，选择第j个变量x

R

选择最优切分变量j与切分点s：遍历变量j，对固定的切分变量扫描切分点s，选择使下式最小的(j,s)：

其中，c

本发明的上述方案有如下的有益效果：

解决了现有技术由于铜电解过程的大时滞、影响因素复杂、工艺参数之间耦合严重，导致铜电解建模不精确，无法实现铜电解过程生产工艺参数的最优控制的问题；保证了求解优化问题的快速性和准确性，解决了铜电解过程工艺参数综合优化的难题，有效地优化了铜电解过程中电流密度、硫酸浓度、铜离子浓度和电解温度的最佳匹配，减少了电解过程的直流电耗，降低了生产成本。

本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。

附图说明

图1为本发明实施例的流程示意图；

图2为本发明电解能耗的Random Forest回归模型图；

图3为本发明实施例基于随机森林能耗回归模型的训练效果图；

图4为本发明实施例基于随机森林能耗回归模型的测试效果图；

图5为本发明实施例的控制流程图；

图6为本发明实施例的对电解能耗的优化结果示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是锁定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本发明针对现有的问题，提供了一种面向节能的铜电解过程参数优化方法。

如图1所示，本发明的实施例提供了一种面向节能的铜电解过程参数优化方法，包括如下步骤：

步骤1，通过随机森林算法构建铜电解过程生产工艺参数与电解能耗的RandomForest回归模型，如图2所示，计算得到在不同电流密度、铜离子浓度、硫酸浓度和电解温度下的电解能耗；

步骤1具体还包括：

步骤11，输入样本集D＝(x

步骤12，随机选择训练数据集和样本特征进行n轮训练，对于n＝1,2,3…,n；

具体来说，对样本集D进行n次的有放回随机采样，并采集n个包含M个样本的训练数据集D

用采集的训练数据集D

步骤13，在训练数据集所在的输入空间中，递归地将每个区域划分为两个子区域，并决定每个子区域上的输出值，构建第n个决策树模型G

具体来说，(a)将输入空间划分为M个区域R

(b)采用启发式的方法，选择第j个变量x

R

(c)选择最优切分变量j与切分点s：遍历变量j，对固定的切分变量扫描切分点s，选择使下式最小的(j,s)：

其中，c

继续对两个子区域重复步骤(b)和(c)，直到满足停止条件。

步骤14，通过训练后，得到n个决策树的回归模型，将n个决策树回归模型的回归结果进行算术平均，得到RandomForest模型；

步骤15，构建铜电解过程生产工艺参数与电解能耗的Random Forest回归模型；

具体来说，铜电解过程生产工艺参数与电解能耗的Random Forest回归模型为：

W＝RandomForest(C

其中，D

步骤16，通过训练好的RandomForest回归模型可以计算得到在不同电流密度、铜离子浓度、硫酸浓度和电解温度下的电解能耗。

本发明实施例选取217组实验数据作为训练样本，23组实验数据作为测试数据，训练效果和测试效果如图3和图4所示。对于训练数据，Random Forest回归模型的准确率达到了99.98％，对于测试数据，RandomForest回归模型的准确率达到了96.32％。结果表明，本发明建立的表征电解能耗的Random Forest回归模型具有较好的拟合精度，其泛化能力(未知数据的拟合能力)较强。

步骤2，通过Random Forest回归模型构建铜电解过程能耗优化模型；

具体根据图5所示，铜电解过程能耗优化模型是在铜电解过程参数模型的基础上，以电流密度D

在铜电解过程中，当硫酸浓度增加时，电解液的导电性能增加，比电阻下降，会降低电耗，但硫酸浓度过高时，槽压不稳定，硫酸铜的溶解度也迅速下降，析出并沉积在阳极板表面和电解槽底部；铜离子浓度过低时，杂质容易在阴极放电，会降低电解铜质量和电流效率，铜离子浓度过高时，槽压会升高，使电耗增大；温度的升高使得氢的超电位降低，容易在阴极析出氢气，会降低电流效率，而温度的降低，增大了电解液的比电阻，使槽压升高，电耗增大；随着电流密度的增加，氢的超电位增大，对电流效率有利，但过高的电流密度会使槽压升高，电耗增大。因此生产过程中需要对电流密度、铜浓度、酸浓度边界范围进行约束。

综合上述，最终建立以铜电解过程的能耗W最低为优化目标，以电流密度D

其中，D

由上式可以得出电解过程能耗优化模型是一个典型的包含等式和不等式约束的非线性多变量优化问题。

步骤3，根据引入了邻域控制和自适应变异策略的竞争群优化算法使改进后的竞争群优化算法适用于解决铜电解过程能耗优化问题，对铜电解过程能耗优化模型进行优化求解，得到最优生产工艺参数；

具体来说，在竞争群算法的每一次迭代中，P(t)中的粒子被随机分成m/2对(假设群体大小m为偶数)，每对粒子间进行竞争比赛，具有更好适应度的粒子(获胜者)将被直接传递给下一代种群P(t+1)，而失败的粒子(失败者)将通过向获胜者学习来更新其位置和速度。向获胜者学习后，失败者也会被传到下一代种群P(t+1)。

在本发明实施例中以一个大小为m的种群为例，每次迭代将发生m/2个竞争，且每个粒子只参与一次竞争，分别用X

X

其中R

对于

研究表明，邻域控制通过保持更高程度的群体多样性来提高粒子群优化算法在多峰函数上的性能。在

式中，i表示第i个失败粒子，i-1和i+1分别表示距离i最近的两个粒子

引入了邻域控制的竞争群优化算法虽擅长利用，但不擅长探索。邻域控制策略虽然可以增强探索性，但仍有陷入局部最优的可能。为了弥补这一不足，本发明实施例将自适应变异策略集成到竞争群优化算法中，丰富了种群的多样性。在每次迭代中，迭代次数决定变异的概率，变异概率p

p

变异的概率随着当前迭代以非线性方式呈指数变化，并随着迭代的进行而降低。前期需要更大的p

V

其中，rand(k,t)是[0,1]之间的随机数,s是常数值,V

电解过程能耗优化模型是一个带等式约束和边界条件约束的多变量非线性单目标优化问题。采用基于改进的竞争群优化算对处理后的电解过程能耗优化模型进行优化求解，首先将各个变量的约束限制在可控范围内，然后采用改进后的竞争群优化算法在有效的搜索空间中对目标函数进行优化求解，具体流程如下所述：

随机初始化竞争群优化算法的参数：种群数量m，迭代次数t、搜索的最大维度d

根据适应度函数计算种群中每个粒子的适应度函数值；

构造集合U、I，使得U＝P(t)，P(t+1)＝I；

当集合U≠I时，从集合U中随机选择两个粒子X

失败粒子通过学习规则更新学习后的速度，重新加入到下一次迭代种群P(t+1)中，其学习规则为：对于失败粒子的每个维度，如果产生的随机数rand1(k，t)小于变异概率p

根据上述计算出的失败粒子学习后的速度，通过上式(7)更新其位置，将学习后的失败粒子重新加入到下一次迭代种群P(t+1)中；

从集合U中删除上述操作过程中选择过的X

重复上述操作，当达到迭代次数或满足一定要求时，停止搜索，返回最优解。

步骤4，在Python 3.7环境下进行试验得到最优生产工艺参数，实验终止条件为达到规定的最大迭代次数。

具体操作如下：

在竞争群优化算法中随机产生初始参数，包括铜电解过程的电流密度D

根据实际生产，采集大量的数据进行优化设计，最终的寻优结果如图6所示，此时最优的生产工艺参数电流密度D

优化结果表明，铜箔生产的铜电解过程能耗从优化前5700KW·h/t降低到4850KW·h/t，大大降低了企业的生产成本，提高了企业的生产效益。

本发明实施例解决了现有技术由于铜电解过程的大时滞、影响因素复杂、工艺参数之间耦合严重，导致铜电解建模不精确，无法实现铜电解过程生产工艺参数的最优控制的问题；保证了求解优化问题的快速性和准确性，解决了铜电解过程工艺参数综合优化的难题，有效地优化了铜电解过程中电流密度、硫酸浓度、铜离子浓度和电解温度的最佳匹配，减少了电解过程的直流电耗，降低了生产成本。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。