湿法炼锌中性浸出过程pH值软测量方法和系统

摘要

本发明提供一种湿法炼锌中性浸出过程pH值软测量方法和系统，涉及pH值测量领域。包括以下步骤：获取反应槽数据；基于反应槽数据获取每种工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型；将所有工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型进行集成，得到中性浸出过程集成模型。本发明可以准确测量pH值。

权利要求

1.一种湿法炼锌中性浸出过程pH值软测量方法，其特征在于，所述测量方法由计算机执行，包括以下步骤：获取反应槽数据，所述反应槽数据包括：Fj#为进入第j个反应槽的溶液流量、cj#为进入第j个反应槽溶液的酸度、mj#为每小时进入第j个反应槽的锌焙砂质量、进入每个反应槽的每种溶剂的流量Fi、进入每个反应槽的每种溶剂的酸度ci和进入每个反应槽的锌焙砂流量mi；

基于Fj#和cj#获取H+的累积量；基于mj#获取H+的消耗量；基于所述H+的累积量和所述H+的+ +消耗量获取末尾反应槽出口的H浓度；基于所述H浓度获取化学反应衡算模型；基于预设的工况获取每种工况下的化学反应衡算模型；

基于Fi、ci和mi获取每个反应槽的反应动力学模型；将所有反应槽的反应动力学模型集成，得到反应动力学总模型；基于预设的工况获取每种工况下的反应动力学总模型；

基于Fj#和mj#获取中性浸出过程数据驱动模型，基于预设的工况获取每种工况下的中性浸出过程数据驱动模型；

将所有工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型进行集成，得到中性浸出过程集成模型；所述中性浸出过程集成模型用于pH值的软测量；

所述H+的累积量的获取方法包括：Tj＝20(n-j+1)

其中：

Tj为每个反应槽的累加时长；j＝1，...，n，n为反应槽的数量；

Fj#为进入第j个反应槽的溶液流量；

cj#为进入第j个反应槽溶液的酸度；

为第j个反应槽在Tj时间段内进入第j个反应槽的溶液流量Fj#与进入第j个反应槽溶液的酸度cj#乘积的累加；

所述H+的消耗量的获取方法包括：其中：

mj#为每小时进入第j个反应槽的锌焙砂质量；

θ为锌焙砂的溶解度，MAO为反应物的物质的量；

为第j个反应槽在Tj时间段内每小时进入第j个反应槽的锌焙砂质量mj#的累加；

所述H+浓度的获取方法包括：

为第j个反应槽在Tj时间段内进入第j个反应槽的溶液流量Fj#的累加；

所述化学反应衡算模型为：

其中：

Fj#为进入第j个反应槽的溶液流量；

cj#为进入第j个反应槽溶液的酸度；

mj#为每小时进入第j个反应槽的锌焙砂质量；

θ为锌焙砂的溶解度，MAO为反应物的物质的量；

所述预设的工况包括：极低酸工况、低酸工况、正常工况、高酸工况和极高酸工况；

所述预设的工况的具体划分方法包括：获取酸料比S，预设分界点p1、p2、p3和p4；

当S＜p1时，为极低酸工况；当p1≤S＜p2时，为低酸工况；当p2≤S＜p3时，为正常工况；当p3≤S＜p4时，为高酸工况；当p4≤S时，为极高酸工况；

所述每个反应槽的反应动力学模型为：pHj#＝-logcj#

其中：

为第j个反应槽出口流量，V为反应槽的体积，r0为锌焙砂颗粒半径，αj#为入j#反应槽锌焙砂中有效基质表面积所占的比例，mi为进入每个反应槽的锌焙砂流量， 为锰矿浆及j#反应槽其他溶液中固体有效基质表面积；

i为溶剂种类；

t0为初始时刻；

为初始时刻第j个反应槽的出口溶液酸度；Fi表示进入第j个反应槽内第i种溶剂的流量；

所述中性浸出过程数据驱动模型的获取方法包括：以Fj#和mj#为输入量，pH值作为输出量，以径向基函数神经网络为基本结构，构建中性浸出过程数据驱动模型；

所述径向基函数神经网络的获取方法为：基于min-max归一化方法对所述输入量进行数据预处理，得到样本数据；

基于K-means聚类方法处理所述样本数据，得到径向基函数；

基于所述径向基函数构建径向基函数神经网络；

所述中性浸出过程集成模型为：

其中：

X代表各个模型的输入参数；

当j＝1时表示化学反应衡算模型，当j＝2时表示反应动力学总模型，当j＝3时表示中性浸出过程数据驱动模型；

gi(σji)为隶属于第j个模型的第i个工况的隶属度函数；

σji为隶属度函数参数；

ω1、ω2和ω3分别表示化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型的权重；

ξ为偏差项。

说明书

湿法炼锌中性浸出过程pH值软测量方法和系统

技术领域

[0001] 本发明涉及pH值测量技术领域，具体涉及一种湿法炼锌中性浸出过程pH值软测量方法和系统。

背景技术

[0002] 在湿法炼锌生产过程中，浸出是保证浸出率以及后续工序稳定的重要工序，而中性浸出过程则是浸出工序中最为重要的子工序。中性浸出过程是指以多个连续搅拌式反应釜为反应容器，向其中加入锌焙砂、废酸、酸浸上清液、混合液等反应物质，实现锌焙砂的高程度溶解的一个反应控制过程。

[0003] 中性浸出过程对末尾反应器出口的pH值要求很严格，因此在生产现场需要监测槽内pH值的变化。现有技术一般在反应槽出口安装可自动升降的pH检测装置，现场通过pH计示值以及人工手动利用pH试纸测得的pH值来调节进入前三个槽的废酸以及焙砂量。

[0004] 然而本申请的发明人发现，由于中性浸出生产条件恶劣，现场pH计检测值偏差大，同时一直使用人工利用pH试纸进行pH值的测量，使得测量精度不够高。即现有技术存在pH值软测量不准确的缺点。

发明内容

[0005] (一)解决的技术问题

[0006] 针对现有技术的不足，本发明提供了一种湿法炼锌中性浸出过程pH值软测量方法和系统，解决了现有技术软测量pH值时不准确的技术问题。

[0007] (二)技术方案

[0008] 为实现以上目的，本发明通过以下技术方案予以实现：

[0009] 本发明解决其技术问题所提供的一种湿法炼锌中性浸出过程pH值软测量方法，所述测量方法由计算机执行，包括以下步骤：

[0010] 获取反应槽数据，所述反应槽数据包括：Fj#为进入第j个反应槽的溶液流量、cj#为进入第j个反应槽溶液的酸度、mj#为每小时进入第j个反应槽的锌焙砂质量、进入每个反应槽的每种溶剂的流量Fi、进入每个反应槽的每种溶剂的酸度ci和进入每个反应槽的锌焙砂流量mi；

[0011] 基于Fj#和cj#获取H+的累积量；基于mj#获取H+的消耗量；基于所述H+的累积量和所述H+的消耗量获取末尾反应槽出口的H+浓度；基于所述H+浓度获取化学反应衡算模型；基于预设的工况获取每种工况下的化学反应衡算模型；

[0012] 基于Fi、ci和mi获取每个反应槽的反应动力学模型；将所有反应槽的反应动力学模型集成，得到反应动力学总模型；基于预设的工况获取每种工况下的反应动力学总模型；

[0013] 基于Fj#和mj#获取中性浸出过程数据驱动模型，基于预设的工况获取每种工况下的中性浸出过程数据驱动模型；

[0014] 将所有工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型进行集成，得到中性浸出过程集成模型；所述中性浸出过程集成模型用于pH值的软测量。

[0015] 所述H+的累积量的获取方法包括：

[0016]

[0017] Tj＝20(n-j+1)

[0018] 其中：

[0019] Tj为每个反应槽的累加时长；j＝1，...，n，n为反应槽的数量；

[0020] Fj#为进入第j个反应槽的溶液流量；

[0021] cj#为进入第j个反应槽溶液的酸度；

[0022] 为第j个反应槽在Tj时间段内进入第j个反应槽的溶液流量Fj#与进入第j个反应槽溶液的酸度cj#乘积的累加；

[0023] 优选地，所述H+的消耗量的获取方法包括：

[0024]

[0025] 其中：

[0026] mj#为每小时进入第j个反应槽的锌焙砂质量；

[0027] θ为锌焙砂的溶解度，MAO为反应物的物质的量；

[0028] 为第j个反应槽在Tj时间段内每小时进入第j个反应槽的锌焙砂质量mj#的累加；

[0029] 所述H+浓度的获取方法包括：

[0030]

[0031] 为第j个反应槽在Tj时间段内进入第j个反应槽的溶液流量Fj#的累加；

[0032] 所述化学反应衡算模型为：

[0033]

[0034] 其中：

[0035] Fj#为进入第j个反应槽的溶液流量；

[0036] cj#为进入第j个反应槽溶液的酸度；

[0037] mj#为每小时进入第j个反应槽的锌焙砂质量；

[0038] θ为锌焙砂的溶解度，MAO为反应物的物质的量；

[0039] 所述预设的工况包括：极低酸工况、低酸工况、正常工况、高酸工况和极高酸工况；

[0040] 所述预设的工况的具体划分方法包括：

[0041] 获取酸料比S，预设分界点p1、p2、p3和p4；

[0042]

[0043] 当S＜p1时，为极低酸工况；当p1≤S＜p2时，为低酸工况；当p2≤S＜p3时，为正常工况；当p3≤S＜p4时，为高酸工况；当p4≤S时，为极高酸工况；

[0044] 所述每个反应槽的反应动力学模型为：

[0045] pHj#＝-logcj#

[0046]

[0047] 其中：

[0048] 为第j个反应槽出口流量，V为反应槽的体积， r0为锌焙砂颗粒半径，αj#为入j#反应槽锌焙砂中有效基质表面积
所占的比例，mi为进入每个反应槽的锌焙砂流量， 为锰矿浆及j#
反应槽其他溶液中固体有效基质表面积；

[0049] i为溶剂种类；

[0050] t0为初始时刻；

[0051] 为初始时刻第j个反应槽的出口溶液酸度；Fi表示进入第j个反应槽内第i种溶剂的流量；

[0052] 所述中性浸出过程数据驱动模型的获取方法包括：

[0053] 以Fj#和mj#为输入量，pH值作为输出量，以径向基函数神经网络为基本结构，构建中性浸出过程数据驱动模型；

[0054] 所述径向基函数神经网络的获取方法为：

[0055] 基于min-max归一化方法对所述输入量进行数据预处理，得到样本数据；

[0056] 基于K-means聚类方法处理所述样本数据，得到径向基函数；

[0057] 基于所述径向基函数构建径向基函数神经网络；

[0058] 所述中性浸出过程集成模型为：

[0059]

[0060] 其中：

[0061] X代表各个模型的输入参数；

[0062] 当j＝1时表示化学反应衡算模型，当j＝2时表示反应动力学总模型，当j＝3时表示中性浸出过程数据驱动模型；

[0063] gi(σji)为隶属于第j个模型的第i个工况的隶属度函数；

[0064] σji为隶属度函数参数；

[0065] ω1、ω2和ω3分别表示化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型的权重；

[0066] ξ为偏差项。

[0067] 本发明解决其技术问题所提供的一种湿法炼锌中性浸出过程pH值软测量系统，所述系统包括计算机，所述计算机包括：

[0068] 至少一个存储单元；

[0069] 至少一个处理单元；

[0070] 其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：

[0071] 获取反应槽数据，所述反应槽数据包括：Fj#为进入第j个反应槽的溶液流量、cj#为进入第j个反应槽溶液的酸度、mj#为每小时进入第j个反应槽的锌焙砂质量、进入每个反应槽的每种溶剂的流量Fi、进入每个反应槽的每种溶剂的酸度ci和进入每个反应槽的锌焙砂流量mi；

[0072] 基于Fj#和cj#获取H+的累积量；基于mj#获取H+的消耗量；基于所述H+的累积量和所述H+的消耗量获取末尾反应槽出口的H+浓度；基于所述H+浓度获取化学反应衡算模型；基于预设的工况获取每种工况下的化学反应衡算模型；

[0073] 基于Fi、ci和mi获取每个反应槽的反应动力学模型；将所有反应槽的反应动力学模型集成，得到反应动力学总模型；基于预设的工况获取每种工况下的反应动力学总模型；

[0074] 基于Fj#和mj#获取中性浸出过程数据驱动模型，基于预设的工况获取每种工况下的中性浸出过程数据驱动模型；

[0075] 将所有工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型进行集成，得到中性浸出过程集成模型；所述中性浸出过程集成模型用于pH值的软测量。

[0076] 优选的，所述H+的累积量的获取方法包括：

[0077]

[0078] Tj＝20(n-j+1)

[0079] 其中：

[0080] Tj为每个反应槽的累加时长；j＝1，...，n，n为反应槽的数量；

[0081] Fj#为进入第j个反应槽的溶液流量；

[0082] cj#为进入第j个反应槽溶液的酸度；

[0083] 为第j个反应槽在Tj时间段内进入第j个反应槽的溶液流量Fj#与进入第j个反应槽溶液的酸度cj#乘积的累加；

[0084] 所述H+的消耗量的获取方法包括：

[0085]

[0086] 其中：

[0087] mj#为每小时进入第j个反应槽的锌焙砂质量；

[0088] θ为锌焙砂的溶解度，MAO为反应物的物质的量；

[0089] 为第j个反应槽在Tj时间段内每小时进入第j个反应槽的锌焙砂质量mj#的累加；

[0090] 所述H+浓度的获取方法包括：

[0091]

[0092] 为第j个反应槽在Tj时间段内进入第j个反应槽的溶液流量Fj#的累加；

[0093] 优选的，所述化学反应衡算模型为：

[0094]

[0095] 其中：

[0096] Fj#为进入第j个反应槽的溶液流量；

[0097] cj#为进入第j个反应槽溶液的酸度；

[0098] mj#为每小时进入第j个反应槽的锌焙砂质量；

[0099] θ为锌焙砂的溶解度，MAO为反应物的物质的量。

[0100] (三)有益效果

[0101] 本发明提供了一种湿法炼锌中性浸出过程pH值软测量方法和系统。与现有技术相比，具备以下有益效果：

[0102] 本发明通过获取反应槽数据；基于反应槽数据获取H+的累积量和H+的消耗量；基于H+的累积量和H+的消耗量获取末尾反应槽出口的H+浓度；基于H+浓度获取化学反应衡算模型；基于预设的工况获取每种工况下的化学反应衡算模型；基于反应槽数据获取每个反应槽的反应动力学模型；将所有反应槽的反应动力学模型集成，得到每种工况下的反应动力学总模型；基于反应槽数据获取每种工况下的中性浸出过程数据驱动模型；将所有工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型进行集成，得到中性浸出过程集成模型。本发明根据反应槽内的相关数据分别构建了不同工况下的三种pH值软测量模型，将三种模型进行集成得到最终的中性浸出过程集成模型，可以有效实现对pH值的实时测量或者预测，相比于现有技术人工测量的方式，提高了测量精度，降低了测量成本，并且有效提高现场的自动化水平，保证生产过程的稳定。

附图说明

[0103] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，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。

[0104] 图1为本发明实施例提供的湿法炼锌中性浸出过程pH值软测量方法的整体流程图。

具体实施方式

[0105] 为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，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作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。

[0106] 本申请实施例通过提供一种湿法炼锌中性浸出过程pH值软测量方法和系统，解决了现有技术软测量pH值时不准确的技术问题，提高了软测量pH值的准确度。

[0107] 本申请实施例的技术方案为解决上述技术问题，总体思路如下：

[0108] 本发明实施例通过获取反应槽数据；基于反应槽数据获取H+的累积量和H+的消耗+ + + +量；基于H的累积量和H的消耗量获取末尾反应槽出口的H浓度；基于H浓度获取化学反应衡算模型；基于预设的工况获取每种工况下的化学反应衡算模型；基于反应槽数据获取每个反应槽的反应动力学模型；将所有反应槽的反应动力学模型集成，得到每种工况下的反应动力学总模型；基于反应槽数据获取每种工况下的中性浸出过程数据驱动模型；将所有工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型进行集成，得到中性浸出过程集成模型。本发明实施例根据反应槽内的相关数据分别构建了不同工况下的三种pH值软测量模型，将三种模型进行集成得到最终的中性浸出过程集成模型，可以有效实现对pH值的实时测量或者预测，相比于现有技术人工测量的方式，提高了测量精度，降低了测量成本，并且有效提高现场的自动化水平，保证生产过程的稳定。

[0109] 为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

[0110] 中性浸出反应槽内影响pH值变化的主要反应可以总结如下：

[0111] ZnO+2H+＝Zn2++H2O

[0112] 2FeO+4H+＝2Fe2++2H2O

[0113] 2Fe2++MnO2+4H+＝2Fe3++Mn2++2H2O

[0114] Fe2O3+6H+＝2Fe3++3H2O

[0115] 需要说明的是，后两个化学反应式在反应槽内发生的比例很小，可以忽略不计。

[0116] 因此，对于1mol固体基质平均约消耗2molH+，即上述反应可总结为：

[0117] AO+2H+＝A2++H2O          反应方程(1)

[0118] 其中：AO表示固体反应物。

[0119] 下面为本发明的一个实施例。

[0120] 本发明实施例提供了一种湿法炼锌中性浸出过程pH值软测量方法，该方法由计算机执行，如图1所示，包括以下步骤：

[0121] S1、获取反应槽数据，上述反应槽数据包括：Fj#为进入第j个反应槽的溶液流量、cj#为进入第j个反应槽溶液的酸度、mj#为每小时进入第j个反应槽的锌焙砂质量、进入每个反应槽的每种溶剂的流量Fi、进入每个反应槽的每种溶剂的酸度ci和进入每个反应槽的锌焙砂流量mi；

[0122] S2、基于Fj#和cj#获取H+的累积量；基于mj#获取H+的消耗量；基于上述H+的累积量和上述H+的消耗量获取末尾反应槽出口的H+浓度；基于上述H+浓度获取化学反应衡算模型；基于预设的工况获取每种工况下的化学反应衡算模型；

[0123] S3、基于Fi、ci和mi获取每个反应槽的反应动力学模型；将所有反应槽的反应动力学模型集成，得到反应动力学总模型；基于预设的工况获取每种工况下的反应动力学总模型；

[0124] S4、基于Fj#和mj#获取中性浸出过程数据驱动模型，基于预设的工况获取每种工况下的中性浸出过程数据驱动模型；

[0125] S5、将所有工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型进行集成，得到中性浸出过程集成模型；上述中性浸出过程集成模型用于pH值的软测量。

[0126] 本发明实施例通过获取反应槽数据；基于反应槽数据获取H+的累积量和H+的消耗+ + + +量；基于H的累积量和H的消耗量获取末尾反应槽出口的H浓度；基于H浓度获取化学反应衡算模型；基于预设的工况获取每种工况下的化学反应衡算模型；基于反应槽数据获取每个反应槽的反应动力学模型；将所有反应槽的反应动力学模型集成，得到每种工况下的反应动力学总模型；基于反应槽数据获取每种工况下的中性浸出过程数据驱动模型；将所有工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型进行集成，得到中性浸出过程集成模型。本发明实施例根据反应槽内的相关数据分别构建了不同工况下的三种pH值软测量模型，将三种模型进行集成得到最终的中性浸出过程集成模型，可以有效实现对pH值的实时测量或者预测，相比于现有技术人工测量的方式，提高了测量精度，降低了测量成本，并且有效提高现场的自动化水平，保证生产过程的稳定。

[0127] 下面对各步骤进行具体分析。

[0128] 在步骤S1中，获取反应槽数据，所述反应槽数据包括：Fj#为进入第j个反应槽的溶液流量、cj#为进入第j个反应槽溶液的酸度、mj#为每小时进入第j个反应槽的锌焙砂质量、进入每个反应槽的每种溶剂的流量Fi、进入每个反应槽的每种溶剂的酸度ci和进入每个反应槽的锌焙砂流量mi。

[0129] 在步骤S2中，基于Fj#和cj#获取H+的累积量；基于mj#获取H+的消耗量；基于所述H+的累积量和所述H+的消耗量获取末尾反应槽出口的H+浓度；基于所述H+浓度获取化学反应衡算模型；基于预设的工况获取每种工况下的化学反应衡算模型。

[0130] 具体的，包括以下步骤：

[0131] 设中性浸出过程软测量为第n个反应槽出口，数据采样间隔为1分钟，则进入反应槽的过去一段时间H+的累积量(单位：mol)为：

[0132]

[0133] 其中：

[0134] Tj为每个反应槽的累加时长；j＝1，...，n，n为反应槽的数量；

[0135] Fj#为进入第j个反应槽的溶液流量(单位：m3/h)；

[0136] cj#为进入第j个反应槽溶液的酸度(单位：g/L)；

[0137] 为第j个反应槽在Tj时间段内进入第j个反应槽的溶液流量Fj#与进入第j个反应槽溶液的酸度cj#乘积的累加。

[0138] 其中Tj的求解方法如下：

[0139] Tj＝20(n-j+1)

[0140] 从j＝1开始依次求解即可得各个Tj。

[0141] 进入反应槽的过去一段时间锌焙砂的累积量(单位：g)为：

[0142]

[0143] 其中：

[0144] mj#为每小时进入第j个反应槽的锌焙砂质量(单位：t/h)。

[0145] 反应掉的锌焙砂即AO累计量(单位：mol)为：

[0146]

[0147] 其中：

[0148] θ为锌焙砂的溶解度，MAO为固体反应物的物质的量。

[0149] 由化学反应方程(1)、公式(4)可求得反应掉的H+的量(单位：mol)为：

[0150]

[0151] 再结合公式(2)可得末尾反应器出口H+浓度(单位：mol/L)为：

[0152]

[0153] 为第j个反应槽在Tj时间段内进入第j个反应槽的溶液流量Fj#的累加；

[0154] 根据H+浓度与pH值的关系可得末尾反应器pH值为：

[0155]

[0156] 根据以上格式，可得到化学反应衡算模型为：

[0157]

[0158] 其中：

[0159] Fj#为进入第j个反应槽的溶液流量；

[0160] cj#为进入第j个反应槽溶液的酸度；

[0161] mj#为每小时进入第j个反应槽的锌焙砂质量；

[0162] θ为锌焙砂的溶解度，MAO为反应物的物质的量。

[0163] 上述化学反应衡算模型可表示为：

[0164] pH＝f(θ,MAO)             公式(7)

[0165] 其中：

[0166] f为模型所示的函数关系，(θ,MAO)为模型中需要辨识的参数。

[0167] 参数的具体获取方法如下：

[0168] 在本发明实施例中，预先设定以下几种工况：极低酸工况、低酸工况、正常工况、高酸工况和极高酸工况。

[0169] 预设的工况的具体划分方法包括：

[0170] 获取酸料比S，预设分界点p1、p1、p3和p4；

[0171]

[0172] 当S＜p1时，为极低酸工况；当p1≤S＜p2时，为低酸工况；当p2≤S＜p3时，为正常工况；当p3≤S＜p4时，为高酸工况；当p4≤S时，为极高酸工况。具体的，p1、p2、p3和p4可分别选取为10％、40％、60％、90％。

[0173] 基于最小二乘法，辨识公式(7)中未知参数，即目标函数如下：

[0174]

[0175] 其中：

[0176] L为数据组数， 为实际pH测量值。

[0177] 根据上述步骤，最终可得到五种不同工况下的化学反应衡算模型。

[0178] 在步骤S3中，基于Fi、ci和mi获取每个反应槽的反应动力学模型；将所有反应槽的反应动力学模型集成，得到反应动力学总模型；基于预设的工况获取每种工况下的反应动力学总模型。

[0179] 具体的，本发明实施例以中性浸出过程的第一个反应槽为例，说明反应动力学模型的获取方法。

[0180] 进入1#槽的溶剂有n种，每种溶剂流量为Fi(m3/h)，酸度为ci(g/L)，进入1#槽的焙砂流量为m1(t/h)。1#槽浸出过程反应的表面积为A1#，对于氢离子而言，有如下物料平衡式：

[0181]

[0182] 其中氢离子反应速度方程为：

[0183]

[0184] 由阿伦尼乌斯公式有：

[0185]

[0186] 同时，进入反应器的固体主要有锌焙砂以及其他溶液中的固体物质，则有：

[0187]

[0188] 其中：

[0189] 为锌焙砂的有效基质表面积，ρ为锌焙砂密度，r0为锌焙砂颗粒半径，α1#为入1#槽锌焙砂中有效基质表面积所占的比例。

[0190] 设锰矿浆及1#槽其他溶液中固体有效基质表面积为 则

[0191]

[0192] 根据上述化学反应衡算模型和公式(5)(6)可知：

[0193]

[0194] 在本发明实施例中，令：

[0195]

[0196]

[0197] 其中需要辨识的参数如下：

[0198]

[0199] 故公式(9)可化为：

[0200]

[0201] 求解此一阶线性非齐次微分方程得到1#反应槽的反应动力学模型：

[0202]

[0203] 由pH值与氢离子浓度关系可得：pH1#＝-logc1#。

[0204] 根据上述步骤可得到每个反应槽的反应动力学模型：

[0205]

[0206] 其中：

[0207] 为第j个反应槽出口流量，V为反应槽的体积， r0为锌焙砂颗粒半径，αj#为入j#反应槽锌焙砂中有效基质表面积
所占的比例，mi为进入每个反应槽的锌焙砂流量， 为锰矿浆及j#
反应槽其他溶液中固体有效基质表面积；

[0208] i为溶剂种类；

[0209] t0为初始时刻；

[0210] 为初始时刻第j个反应槽的出口溶液酸度。

[0211] Fi表示进入第j个反应槽内第i种溶剂的流量；

[0212] ci表示进入第j个反应槽内第i种溶剂的酸度。

[0213] 将各个反应槽模型集成，得到反应动力学总模型：

[0214] pH＝f(θ,input)+ξ

[0215] 其中：

[0216] θ为待辨识参数，input为输入变量，ξ为偏差修正项。利用离线数据求解最小二乘问题可以得到未知参数。具体方法可参照公式(8)。

[0217] 获取五种工况下的反应动力学总模型。

[0218] 在步骤S4中，基于Fj#和mj#获取中性浸出过程数据驱动模型，基于预设的工况获取每种工况下的中性浸出过程数据驱动模型。

[0219] 具体的，以Fj#和mj#为输入量，pH值作为输出量，以径向基函数神经网络为基本结构，构建中性浸出过程数据驱动模型。

[0220] 数据模型的输入量为： 输出量即为pH值。设

[0221] 具体的，径向基函数神经网络是一种静态前向型神经网络，为现有技术。径向基函数神经网络的获取方法如下：

[0222] S401、基于min-max归一化方法对输入量进行数据预处理，得到样本数据。

[0223] 进行训练前，首先需对数值进行归一化处理。采用min-max归一化方法，以其中一个输入变量为例，公式如下：

[0224]

[0225] 其中 表示第一维输入数据的某一个数据， 表示这一维数据中的最大值和最小值， 表示归一化后的值。

[0226] 其次，为得到更为精确的径向基神经网络逼近模型，基于上述工况划分方法，将训练数据分为五类，即极低酸工况、低酸工况、正常工况、高酸工况和极高酸工况，以便进行后面的训练操作。

[0227] S402、基于K-means聚类方法处理样本数据，得到径向基函数。

[0228] 采用K-means聚类算法对样本数据进行聚类，利用轮廓系数来判断聚类结果的好坏。首先令初始化聚类个数为2，任意选取两个样本点作为初始聚类中心。分别计算
每个样本点到两个聚类中心的欧氏距离：

[0229] dj1(2)＝||zj-μ1(2)||2

[0230] 样本点到哪个聚类中心距离短就归为哪一类。对于上述聚类结果，求样本的轮廓系数，来判断聚类的合理性。对于单个样本zj轮廓系数计算公式如下：

[0231]

[0232] 其中：a(j)为样本j的簇内不相似度，数值上是样本j到所有他所在类的点的距离的平均值，b(j)为样本j的簇间不相似度，数值上等于样本j到与其所在类最近的一个类的所有所属点的距离的最小值。对所有样本点的轮廓系数取平均值，即得该聚类结果的总轮廓系数。

[0233] 再令聚类个数为3，重复以上聚类操作及轮廓系数计算操作，直至聚类数达到设定的最大上限M为止。比较各个聚类个数下的总轮廓系数，轮廓系数最大即分类效果最优，将此分类个数作为径向基神经网络的隐层节点个数。

[0234] 选取高斯函数作为径向基函数，即：

[0235]

[0236] 其中Ci是第i个隐层节点的中心，X是输入向量，σi是第i个隐层节点的宽度。以聚类结果的聚类中心点作为隐层节点的中心，聚类中心之间距离的最小值作为隐层节点的宽度。

[0237] S403、基于径向基函数构建径向基函数神经网络。

[0238] 设模型输入为2n×L矩阵，实际测量值为1×L矩阵向量，即

[0239]

[0240] 其中：n为反应槽数量，L为训练样本数据量，X, 分别代表输入及输出的测量值。设隐含层有P个节点，则对于第l个训练样本 第p个节点输出为：

[0241]

[0242] 故隐含层节点输出矩阵为

[0243] 隐含层到输出层权值矩阵为

[0244] 径向基函数神经网络输出为Y＝HW。通过求解最小二乘问题 即可得到完整的径向基函数神经网络结构。基于五种工况划分结果及对应参数，便可得到五种不同工况下的中性浸出过程数据驱动模型。

[0245] 在步骤S5中，将所有工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型进行集成，得到中性浸出过程集成模型；上述中性浸出过程集成模型用于pH值的软测量。

[0246] 具体的，设上述步骤得到的三个模型分别为f1(i)(X),f2(i)(X),f3(i)(X)，其中i＝5为工况个数。本发明实施例以隶属度函数表示当前状态属于某一工况或某一模型的隶属度，通过历史数据训练隶属度函数参数，得到最终的集成模型如下：

[0247]

[0248] 其中：X代表各个模型的输入参数；当j＝1时表示化学反应衡算模型，当j＝2时表示反应动力学总模型，当j＝3时表示中性浸出过程数据驱动模型；

[0249] gi(σji)为隶属于第j个模型的第i个工况的隶属度函数；

[0250] σji为隶属度函数参数；

[0251] ω1、ω2和ω3分别表示化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型的权重；ξ为偏差项。

[0252] 将上述集成模型总结为如下回归形式：

[0253] f(X)＝wTy+ξ              公式(10)

[0254] 其中：

[0255] wT＝(ω1g1(σ11),...,ω1g5(σ15),ω2g1(σ21),...,ω2g5(σ25),ω3g1(σ31),...ω3g5(σ35))

[0256] y＝(f1(1)(X),...,f1(5)(X),f2(1)(X),...,f2(5)(X),f3(1)(X),...,f3(5)(X))[0257] 选取均方误差为代价函数，引入L2范数正则化，目标函数如下：

[0258]

[0259] 其中：m为样本个数； 为实际测量值；λ为正则化参数；待求解参数为{ω1,ω2,σ1,σ2...,σ5}。

[0260] 设 B为1×m的行向量，则对于形如式(10)的回归式，有：

[0261]

[0262] 其中：A(λ)＝B(BTB+mλI)-1BT，可知：

[0263]

[0264] 对式(11)(12)进行求解即可得到λ，再带入式(10)即可求得集成模型的参数，至此可得到中性浸出过程集成模型。

[0265] 本发明实施例还提供了一种湿法炼锌中性浸出过程pH值软测量系统，上述系统包括计算机，上述计算机包括：

[0266] 至少一个存储单元；

[0267] 至少一个处理单元；

[0268] 其中，上述至少一个存储单元中存储有至少一条指令，上述至少一条指令由上述至少一个处理单元加载并执行以实现以下步骤：

[0269] S1、获取反应槽数据，上述反应槽数据包括：Fj#为进入第j个反应槽的溶液流量、cj#为进入第j个反应槽溶液的酸度、mj#为每小时进入第j个反应槽的锌焙砂质量、进入每个反应槽的每种溶剂的流量Fi、进入每个反应槽的每种溶剂的酸度ci和进入每个反应槽的锌焙砂流量mi；

[0270] S2、基于Fj#和cj#获取H+的累积量；基于mj#获取H+的消耗量；基于上述H+的累积量和上述H+的消耗量获取末尾反应槽出口的H+浓度；基于上述H+浓度获取化学反应衡算模型；基于预设的工况获取每种工况下的化学反应衡算模型；

[0271] S3、基于Fi、ci和mi获取每个反应槽的反应动力学模型；将所有反应槽的反应动力学模型集成，得到反应动力学总模型；基于预设的工况获取每种工况下的反应动力学总模型；

[0272] S4、基于Fj#和mj#获取中性浸出过程数据驱动模型，基于预设的工况获取每种工况下的中性浸出过程数据驱动模型；

[0273] S5、将所有工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型进行集成，得到中性浸出过程集成模型；上述中性浸出过程集成模型用于pH值的软测量。

[0274] 可理解的是，本发明实施例提供的上述测量系统与上述测量方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于湿法炼锌中性浸出过程pH值软测量方法中的相应内容，此处不再赘述。

[0275] 综上所述，与现有技术相比，具备以下有益效果：

[0276] 本发明实施例通过获取反应槽数据；基于反应槽数据获取H+的累积量和H+的消耗+ + + +量；基于H的累积量和H的消耗量获取末尾反应槽出口的H浓度；基于H浓度获取化学反应衡算模型；基于预设的工况获取每种工况下的化学反应衡算模型；基于反应槽数据获取每个反应槽的反应动力学模型；将所有反应槽的反应动力学模型集成，得到每种工况下的反应动力学总模型；基于反应槽数据获取每种工况下的中性浸出过程数据驱动模型；将所有工况下的化学反应衡算模型、反应动力学总模型和中性浸出过程数据驱动模型进行集成，得到中性浸出过程集成模型。本发明实施例根据反应槽内的相关数据分别构建了不同工况下的三种pH值软测量模型，将三种模型进行集成得到最终的中性浸出过程集成模型，可以有效实现对pH值的实时测量或者预测，相比于现有技术人工测量的方式，提高了测量精度，降低了测量成本，并且有效提高现场的自动化水平，保证生产过程的稳定。

[0277] 需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

[0278] 在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0279] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。