张　璞

(西安航空职业技术学院，陕西 西安　710089)

随着我国工业化进程的加剧，金属成为当前需求量最大的矿物资源。在此背景下，矿产资源的供给问题正面临前所未有的压力，金属资源正随着人们毫无节制的开发滥用而迅速减少，我国具有一定价值的高品位金属矿石已经为数不多。在这种严峻形式的逼迫下，人们逐渐将目标转向大量的低品位有色金属资源中，期望从这些具有贫、细、杂特征的矿石中获取金属矿物资源。由此看出，工业发展当务之急在于如何更加有效的利用这些低品位有色金属矿物资源。对此，结合相关的算法和技术，通过构建基于PCA的湿法冶金全过程监控平台，并通过仿真对生产过程进行模拟，从而为当前低品位有色金属矿物资源的利用提供参考。

湿法冶金实则就是借助酸性介质或是碱性介质的水溶液，对金属矿物原料进行处理，使该金属原料中各项杂质与金属分离。湿法冶金流程主由许多工序所组成，如矿石原料的预处理、矿石浸出、固液分离等。具体湿法冶金流程如图1所示：

由图1看出，在整个工艺过程中，主要包含浸出工艺和压滤洗涤工艺两个工艺流程。其中，浸出工艺流程主要是将粒度大小为0.038 mm(400目)的金矿矿石加入到贫液当中，然后调成一定浓度的矿浆，并在矿浆中加入氰化钠和充入氧气，让氰化钠与矿石中的金反应[1]。具体反应过程为：

图1　高铜矿湿法冶金全流程

(1)

而在高铜矿中，其中的铜容易与氰化钠反应，从而形成铜氰络合物，消耗掉大量的氰化物，因此在图1的全流程图中，加入了两次浸出工艺。而在完成上述的化学反应后，要得到其中的黄金，通常则采用置换反应的原理，将金置换。在置换中通常采用锌与其进行反应。

(2)

由于图1所示的湿法冶金过程极具复杂性和多变性，相关操作人员很难掌握冶金过程的故障规律，从而给当前湿法冶金带来极大的问题[1]。为了使相关工作人员掌握整个流程运行的状态，加强对整个过程的掌控，有必要对湿法冶金全流程进行监测和故障追溯。由此，提出一种基于计算机仿真的湿法冶金监测方法。

对PCA主成分分析来讲，其是一种多变量进行统计的方法。这种方法的主要思想是经线性空间的变换，求得主成分的向量，进而将原来的高维数据空间直接投影低维主成分空间当中。研究认为，在通过低维主成分空间，可以保留传统高维数据空间当中的方差信息，所以主成分分析法又被看成是一种数据压缩和对信息进行提取的方法，被广泛用数据处理、过程监控等方面[2]。

主成分分析是将二维矩阵X(m×n)分解为m个子空间的外积和，也就是：

(3)

其中，tj和Pj分别表示主成分在不同n维下的得分向量和负载矩阵，也可以把前者称为主成分向量，后者称为投影向量。

在公式(3)等号两侧同时乘以 ，那么可以得到主成分的投影。

tj=Xpj

T=XP

(4)

通过上述的变换可以看出，主成分向量tj其本质就是矩阵X在负载向量pj方向的投影。而在实际的求取过程中，主成分向量tj的内积‖tj‖其对应着矩阵X的协方差的特征值λi。由于主成分的得分，必须要满足特征值递减的约束，所以在前面的几个主成分中，就已经包含了大量得分方差信息，而以后的方差大部分是以为造成引起，所以可以忽略后面的几个主成分。

对过程进行监控，其基本的原理是建立统计量的建设检验，进而判断过程数据是否偏离了主成分模型。而为了实现该目标，引入T2统计量和SPE统计量。其中T2反映每个主成分与主成分模型之间在变化趋势和幅值上的偏离程度；SPE则反映出输入变量对主成分模型的偏离度。

T2=tS-1tT

对PCA故障诊断来讲，通常采用贡献图的方法对故障进行诊断，这也是当前最为直观的一种方法。这种方法通常是将每个过程变量对T2和SPE统计量的贡献计算出来，然后通过贡献图分析出上述各个过程变量的贡献大小，进而确定那个贡献最大，以判断过程的诊断[3]。在这里通常分为两种情况，一种是通过离线样本数据来确定过程变量的贡献率；一种是通过在线数据分析过程变量的贡献率。以在线数据为例，其具体的贡献率计算为：

T2在线贡献：

SPE在线贡献：

结合上述的基本原理，本文将高铜矿湿法冶金全过程监控的思路构建为如图2所示。

图2　全流程监测与故障诊断思路

在图2中可以看出，结合图1的工艺流程后，将工艺流程进行划分，整体分为三层完成对工艺流程的监控。其中，一浸和二浸作为全流程监测的底层；在这个过程中提取出的潜变量则构成了氰化浸出的中层，并且连通置换过程和压滤洗涤过程都作为中层；而在中层提取的潜在变量则作为上层。

根据上述的分析，将高铜矿湿法冶金全过程监测的流程设计为如图3所示。

图3　高铜矿湿法冶金全过程监测与诊断

图4　浸出工艺在线监测与故障诊断流程

图3对全过程监测和故障诊断进行整体设计，在实际的设计中，还需要对一浸、二浸、置换和洗涤等进行监测和故障诊断。以浸出工艺过程监测为例，其具体的执行流程如图4所示。

由此通过整体和部分流程的设计，进而将PCA主成分分析模型应用到高铜矿湿法冶金监测中。

对上述的流程图来讲，其故障诊断的效果与变量的选取有很大的关系。以浸出部分为例，在浸出变量的选取中，通常选择对浸出过程运行影响较大，并且对金的浸出率有影响的变量[4]。而通过实践，笔者借鉴东北大学王若飞的研究成果[5]，选择表1和表2的浸出变量。

表1　一浸过程变量选取

表2　二浸过程变量选取

通过上述的表格看出，在过程变量的选取中，选择了26个变量进行监测，并结合这些变量完成对故障的诊断。

为验证上述在线监测方案的可行性，以SQL Sever2008作为相关数据的存储和基础来源，以一浸槽1溶氧仪漂移故障作为实际研究对象，选择150组试验数据，同时建立T2统计量和SPE平方预测误差统计量作为假设检验，以判断偏离程度。由此通过以上的设计，可以得到如图5和图6的在线监测结果。

图5　异常工况下的一浸过程监测结果

图6　一浸子过程在第63采样的故障诊断

通过上述图5结果看出，从第60采样开始，T2和SPE的统计结果都超出了统计控制限，从而说明在第63采样开始出现了故障。而通过图6看出，是第9个变量超过控制限。而该结果与上表1中的一浸槽1溶氧仪漂移一致，说明本文构建的方法可很好的完成故障诊断。

湿法冶金是一种能从低品位有色金属矿物资源冶炼出金属物质的方法，对提高矿产资源冶炼具有重要的作用。因此，研究对低品位有色金属冶炼的监控具有很大的现实价值。本文结合相关的智能技术，构建了一个基于PCA的高铜矿湿法冶金监测与诊断方法。通过构建对湿法冶金生产过程进行监控，以此便于相关操作人员及时掌握生产过程中的异常状态，从而进行相关的改进及调整，促进黄金产量的提升。

中国锰业2018年3期