引用本文

高愫婷, 柴天佑. 端边云协同的氧化铝生产过程苛性碱浓度智能预报方法. 自动化学报, 2023, 49(5): 964−973 doi: 10.16383/j.aas.c220227

Gao Su-Ting, Chai Tian-You. Intelligent forecasting method of caustic concentration in alumina production process based on end-edge-cloud coordination. Acta Automatica Sinica, 2023, 49(5): 964−973 doi: 10.16383/j.aas.c220227

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c220227

关键词

苛性碱浓度，未知非线性动态系统，端边云，自适应深度学习，长短周期记忆 

摘要

苛性碱溶液浓度是氧化铝生产过程中的重要运行指标, 由于苛性碱溶液的温度和浓度频繁波动, 导致目前的浓度检测仪表检测精度低, 只能采用人工化验获得苛性碱浓度值, 化验结果的严重滞后导致无法实现苛性碱浓度的自动控制, 影响氧化铝产品质量. 在分析苛性碱溶液浓度控制过程动态特性的基础上建立了由线性模型和未知非线性动态系统描述的苛性碱浓度预报模型, 将参数辨识与自适应深度学习相结合, 提出端边云协同的氧化铝生产过程苛性碱浓度智能预报方法, 并采用氧化铝生产企业的实际生产数据对本文所提方法进行应用验证. 应用结果表明, 所提的苛性碱浓度智能预报方法可以实时、准确预报苛性碱浓度, 为实现苛性碱浓度的闭环运行优化控制创造了条件.

文章导读

氧化铝是金属铝的生产原料, 目前全球绝大多数氧化铝工厂采用拜耳法从铝土矿中提取氧化铝[1-2]. 苛性碱溶液在拜耳法氧化铝生产流程中具有重要作用, 一方面, 磨矿过程根据设定的配比将氧化铝生产原料即铝土矿、石灰和苛性碱溶液磨配成化学组分和物理性能都符合拜耳法工艺要求的矿浆; 另一方面, 溶出过程利用苛性碱溶液在高温、高压条件下将矿浆中的氧化铝水合物充分溶解转化为铝酸钠进入溶液中[3]. 苛性碱溶液浓度(一般用NK表示)过低会导致铝土矿的溶出率降低和溶出速度下降, 影响最终的氧化铝产品质量; 而苛性碱浓度过高会增大蒸发过程的汽耗和碱耗, 还会导致蒸发器罐体结疤严重甚至腐蚀. 因此, 苛性碱溶液的浓度对氧化铝生产过程具有重要意义[4-7].

目前, 苛性碱浓度的在线检测主要采用折光度温度法, 利用光的折射中的全反射现象进行溶液浓度测量[8-10]. 研究表明, 溶液的折光度不仅受溶液的浓度影响, 还与溶液的温度、压力和入射光的波长有关. 在绝大多数情况下, 可以保证使用特定波长的光源在稳定的气压下进行折光度检测, 排除压力和光源波长对溶液折光度的影响, 因此, 在静态条件下, 影响溶液折光度的因素主要是溶液的浓度和温度[7].

文献[11]通过配置不同质量分数的溶液并使用AHC5-2WAJ阿贝折光度测量仪测量并记录溶液的折光度, 研究溶液折光度与浓度和温度的相关性, 数据分析结果显示, 在电解质溶液、极性溶液和非极性溶液的浓度和温度波动较小的情况下, 溶液的浓度与折光度和温度之间基本呈线性关系. 文献[12]在实验室可控条件下配置出多种浓度的常见溶液并使用WAY型阿贝折光度测量仪表测量每份溶液的折光度, 通过数据分析发现被测溶液的折光度与浓度在实验室条件下基本呈线性关系. 文献[13]考虑了溶液温度变化对折光度的影响, 在实验室可控条件下通过单一变量法实验得出乳化液的浓度、温度和折光度三者之间的关系, 实验结果显示在保持温度不变的情况下, 乳化液的折光度随浓度的增大而增大且近似呈线性关系, 在保持浓度不变的情况下, 乳化液的折光度随温度的升高而降低.

美国ELectron Machine Corporation (EMC)公司基于折光度温度法的检测机理, 结合数据分析技术, 研发并生产出MPR E-Scan型溶液浓度检测仪[14], 该检测仪不仅参数校正算法保密, 而且不适合我国氧化铝生产过程的苛性碱浓度在线测量. 因为国内氧化铝生产过程的苛性碱溶液是通过采用多效蒸发生产工艺的蒸发过程和碱液调配过程获得的, 造成苛性碱溶液的温度和浓度频繁波动, 无法保证苛性碱浓度的检测精度, 只能采用人工化验的方法获得, 而化验结果严重滞后, 只能采取人工控制方式进行苛性碱浓度的运行控制. 苛性碱浓度化验结果的严重滞后使运行人员难以及时准确地决策蒸发进料控制系统以及补碱控制系统的指令, 从而难以将苛性碱浓度控制在生产工艺规定的目标范围内, 影响氧化铝产品质量. 因此, 苛性碱浓度的在线预报对于实现氧化铝生产过程的运行优化控制具有重要意义[15].

本文将系统辨识与深度学习相结合, 采用端边云协同的方式, 提出了氧化铝生产过程苛性碱浓度智能预报方法, 采用某大型拜耳法氧化铝生产企业的实际生产数据进行了所提方法的实验, 验证了所提方法的有效性.

图 1  苛性碱浓度运行控制流程图

图 2  端边云协同的苛性碱浓度智能预报结构

图 4  验证误差MAE与n的曲线

本文利用氧化铝苛性碱浓度运行控制过程的特点, 建立了由折光度和温度为输入的线性模型和未知非线性动态系统组成的苛性碱浓度预报模型, 提出了由在线深度学习模型, 自校正深度学习模型和自校正机制组成的未知非线性动态系统的智能预报方法. 采用端边云协同方式提出了由苛性碱浓度在线智能预报模型和自校正深度学习模型组成的智能预报方法. 实验结果表明所提方法的预报精度满足生产工艺对苛性碱浓度检测精度要求, 为实现氧化铝苛性碱浓度的闭环运行优化控制创造了条件.

作者简介

高愫婷

东北大学流程工业综合自动化国家重点实验室博士研究生. 主要研究方向为复杂工业过程关键生产指标测量方法. E-mail: 2110266@stu.neu.edu.cn

柴天佑

中国工程院院士, 东北大学教授. IEEE Life Fellow, IFAC Fel-low, 欧亚科学院院士. 主要研究方向为自适应控制, 智能解耦控制, 流程工业综合自动化与智能化系统理论、方法与技术. 本文通信作者. E-mail: tychai@mail.neu.edu.cn