基于深度学习的锌浸出率预测与工艺优化系统的制作方法

摘要: 本发明涉及湿法炼锌工艺优化,具体地说,涉及基于深度学习的锌浸出率预测与工艺优化系统。背景技术:1、在湿法炼锌的酸性浸出工序中,浸出率是衡量锌矿物溶解效率的核心指...
基于深度学习的锌浸出率预测与工艺优化系统的制作方法

本发明涉及湿法炼锌工艺优化,具体地说,涉及基于深度学习的锌浸出率预测与工艺优化系统。

背景技术:

1、在湿法炼锌的酸性浸出工序中,浸出率是衡量锌矿物溶解效率的核心指标,而原料中伴生的铁元素在浸出过程中的价态转化与黄钾铁矾沉淀反应,会通过消耗氢离子和氧化剂以及在锌矿物颗粒表面形成传质屏障抑制锌的浸出速率,因此铁干扰效应的精准量化是准确预测浸出率的关键;

2、现有锌浸出率预测方法大多基于原料元素成分与浸出率之间的统计建模,通过回归分析或浅层神经网络建立静态映射关系,这类方法虽能在原料和工艺相对稳定的条件下取得可接受的预测精度,但难以捕捉锌浸出与铁干扰两类反应之间的动态竞争关系,更难以将铁矾沉淀的时变累积效应对浸出进程的非线性抑制作用纳入预测框架,导致当原料中铁含量波动或浸出条件变化时,预测结果出现较大的系统性偏差,在工艺优化层面,现有方法多以锌浸出率最大化或能耗最小化为单一目标进行参数寻优,较少将铁溶出风险作为独立的安全约束条件纳入优化模型,使得优化后的工艺参数虽能提升浸出率,却可能因铁溶出量激增而增加后续除铁工序的负担,因此,如何在锌浸出率预测中显式分离和消除铁干扰效应,并在工艺优化中兼顾浸出效率提升与铁溶出风险控制,是实现湿法炼锌全流程协同优化的关键技术难点,为了解决这一技术问题,于是我们提供了基于深度学习的锌浸出率预测与工艺优化系统。

技术实现思路

1、本发明的目的在于提供基于深度学习的锌浸出率预测与工艺优化系统,以解决上述背景技术中提出的问题。

2、为实现上述目的,提供了基于深度学习的锌浸出率预测与工艺优化系统,包括:

3、参数解耦单元用于接收湿法炼锌浸出过程的原料元素分析数据,依据锌浸出与铁干扰的化学机制将原料元素分析数据划分为锌浸出驱动参数集和铁干扰驱动参数集,并基于原料中铁和锌的摩尔含量计算总活性氧摩尔比;

4、锌浸出时序编码单元采用第一门控循环网络,以锌浸出驱动参数集的时间序列为输入,提取锌浸出状态隐向量;

5、铁干扰时序编码单元采用第二门控循环网络,以铁干扰驱动参数集的时间序列为输入,提取铁干扰状态隐向量;

6、竞争抑制融合单元包括铁矾失活评估器和特征校正器,铁矾失活评估器以铁干扰状态隐向量和总活性氧摩尔比为输入,通过全连接网络生成锌浸出抑制因子,特征校正器利用锌浸出抑制因子对锌浸出状态隐向量进行逐元素衰减调制,输出已消除铁干扰效应的锌浸出特征向量;

7、浸出率预测单元对锌浸出特征向量进行回归映射,得到当前时刻的锌浸出率预测值;

8、工艺优化单元与浸出率预测单元和铁干扰时序编码单元连接,其内部设有铁溶出风险评估模块,用于根据铁干扰状态隐向量生成铁溶出风险指数,并在铁溶出风险指数低于安全阈值的条件下,以锌浸出率预测值最大化为目标,搜索并输出浸出工艺参数组合。

9、与现有技术相比,本发明的有益效果:

10、本发明依据锌浸出与铁干扰的化学机制将原料参数解耦为两类驱动集,采用双门控循环网络分别提取锌浸出状态和铁干扰状态的时序隐向量,通过铁矾失活评估器生成锌浸出抑制因子,对锌浸出特征进行逐元素衰减调制以显式消除铁干扰效应,采用混合专家回归网络实现浸出率精准预测,同时在工艺优化中引入铁溶出风险约束,通过多阶段递进式搜索在安全阈值内寻优,将湿法冶金化学机理与深度学习深度融合,可适应原料成分波动和工况变化,提升锌浸出率预测准确率。

1.基于深度学习的锌浸出率预测与工艺优化系统,其特征在于,包括:

2.根据权利要求1所述的基于深度学习的锌浸出率预测与工艺优化系统,其特征在于:所述依据锌浸出与铁干扰的化学机制将原料元素分析数据划分为锌浸出驱动参数集和铁干扰驱动参数集,具体包括:

3.根据权利要求2所述的基于深度学习的锌浸出率预测与工艺优化系统,其特征在于:所述基于原料中铁和锌的摩尔含量计算总活性氧摩尔比,具体包括:

4.根据权利要求2所述的基于深度学习的锌浸出率预测与工艺优化系统,其特征在于:所述锌浸出时序编码单元采用第一门控循环网络,以所述锌浸出驱动参数集的时间序列为输入,提取锌浸出状态隐向量,具体包括:

5.根据权利要求4所述的基于深度学习的锌浸出率预测与工艺优化系统,其特征在于:所述铁干扰时序编码单元采用第二门控循环网络,以所述铁干扰驱动参数集的时间序列为输入,提取铁干扰状态隐向量,具体包括:

6.根据权利要求5所述的基于深度学习的锌浸出率预测与工艺优化系统,其特征在于:铁矾失活评估器内的全连接网络采用双通道输入融合架构,其中一个通道接收铁干扰状态隐向量,另一个通道接收总活性氧摩尔比;

7.根据权利要求6所述的基于深度学习的锌浸出率预测与工艺优化系统,其特征在于:特征校正器采用基于注意力机制的逐元素衰减调制方法,逐元素衰减调制方法将锌浸出抑制因子复制扩展成与锌浸出状态隐向量相同维度的锌浸出抑制因子向量,计算锌浸出状态隐向量中每个元素与锌浸出抑制因子向量中对应元素的差值,差值的计算方式为:

8.根据权利要求7所述的基于深度学习的锌浸出率预测与工艺优化系统,其特征在于:浸出率预测单元采用混合专家回归网络,混合专家回归网络包含多个独立的回归专家和一个门控网络;

9.根据权利要求5所述的基于深度学习的锌浸出率预测与工艺优化系统,其特征在于:铁溶出风险评估模块采用多层感知机分类网络,多层感知机分类网络以铁干扰状态隐向量作为输入,通过多个全连接隐藏层对铁干扰状态隐向量进行非线性特征提取,提取出与铁溶出风险相关的关键特征,关键特征包括铁离子浓度的变化趋势、铁矾沉淀生成的速率以及铁离子价态转化的完成度;

10.根据权利要求9所述的基于深度学习的锌浸出率预测与工艺优化系统,其特征在于:工艺优化单元内部设有多阶段递进式搜索引擎,多阶段递进式搜索引擎从工艺优化单元的存储空间中读取预设的工艺参数初始值集合,工艺参数初始值集合包括浸出温度、浸出时间、硫酸浓度和氧化剂流量的可行范围;