高压溶出过程苛性比值与溶出率软测量计算机系统开发
|
摘要
氧化铝高压溶出过程是极其复杂的生产过程，其目的就是在高温、高压的工艺条件下，用苛性钠溶液把铝土矿中的氧化铝溶出。苛性比值与溶出率是高压溶出过程中两个非常重要的经济技术指标，它们不仅决定了氧化铝溶出效率和碱耗，而且对氧化铝的后续生产有着极大的影响。但是，这两个指标的检测在实际生产中存在严重滞后，为此，本文研究了高压溶出过程中苛性比值与溶出率的软测量技术，开发在线预测苛性比值与溶出率计算机系统，具有十分重要的意义。
论文阐述了高压溶出的机理过程，分析影响苛性比值和溶出率各因素之间的关系，利用主元分析找到主导变量，并且对其进行数据处理和误差校正，结合机理分析、神经网络等方法，建立苛性比值与溶出率的软测量模型。
系统的软件开发基于软测量模型的数据预处理、机理建模、神经网络、表格匹配等模块功能，应用Visual C++编写语言，采用面向对象的编程技术、通信技术、数据库技术，开发了数据获取和苛性比值与溶出率预测的核心软件模块以及预测值比较、曲线显示等辅助模块，实现了苛性比值与溶出率的在线预测。
系统通过现场调试运行，实现了上述模块功能，实际运行结果证实系统具有较好的可靠性和实用性，满足工艺要求精度。
Plenum melting process of Al2O3 is an extremely complex process, where to melt A12O3 out from aluminum-mine in caustic liquor on the technical condition of high-temperature and plenum. The caustic to alumna molar ratio and digester ratio are two important economic and technical indexes, where not only decide the melting efficiency of Al2O3 and soda consume, but also greatly affect the following producing of Al2O3. But the two indexes are lagging in actual producing severely. So it is very significant to make the research of the caustic to alumna molar ratio, digester ratio in the plenum melting process and soft sensing computer system and develop the computer system that forecasts the caustic to alumna molar ratio and digester ratio online for directing producing.
The paper analyzes the mechanics of the plenum melting process. Analyze the relationship between elements that affect the caustic to alumna molar ratio and digester ratio. Find the ruling variable using the principle component analyze, conduct data and rectify errors. Built the soft-sensing model of the caustic to alumna molar ratio and digester ratio combining the methods of mechanic analysis, neural network and so on.
Based on the data-preconditioning, mechanic module, neural network, table-match function of soft measure, Visual C++ 6.0 including programming technology that faces to the subject, communication technology and database technology developed the center module of data-deriving, the caustic to alumna molar ratio and digester ratio forecast as well as some auxiliary modules such as forecast-data comparison and curve display. It was able to forecast the caustic to alumna molar ratio and digester ratio on-line.
The system was debugging and operating on scene and succeeded to put the module function mentioned above into practice. The scene operating condition proved that the system was of reliability and availability and it was able to content the locale-required precision.
论文阐述了高压溶出的机理过程，分析影响苛性比值和溶出率各因素之间的关系，利用主元分析找到主导变量，并且对其进行数据处理和误差校正，结合机理分析、神经网络等方法，建立苛性比值与溶出率的软测量模型。
系统的软件开发基于软测量模型的数据预处理、机理建模、神经网络、表格匹配等模块功能，应用Visual C++编写语言，采用面向对象的编程技术、通信技术、数据库技术，开发了数据获取和苛性比值与溶出率预测的核心软件模块以及预测值比较、曲线显示等辅助模块，实现了苛性比值与溶出率的在线预测。
系统通过现场调试运行，实现了上述模块功能，实际运行结果证实系统具有较好的可靠性和实用性，满足工艺要求精度。
Plenum melting process of Al2O3 is an extremely complex process, where to melt A12O3 out from aluminum-mine in caustic liquor on the technical condition of high-temperature and plenum. The caustic to alumna molar ratio and digester ratio are two important economic and technical indexes, where not only decide the melting efficiency of Al2O3 and soda consume, but also greatly affect the following producing of Al2O3. But the two indexes are lagging in actual producing severely. So it is very significant to make the research of the caustic to alumna molar ratio, digester ratio in the plenum melting process and soft sensing computer system and develop the computer system that forecasts the caustic to alumna molar ratio and digester ratio online for directing producing.
The paper analyzes the mechanics of the plenum melting process. Analyze the relationship between elements that affect the caustic to alumna molar ratio and digester ratio. Find the ruling variable using the principle component analyze, conduct data and rectify errors. Built the soft-sensing model of the caustic to alumna molar ratio and digester ratio combining the methods of mechanic analysis, neural network and so on.
Based on the data-preconditioning, mechanic module, neural network, table-match function of soft measure, Visual C++ 6.0 including programming technology that faces to the subject, communication technology and database technology developed the center module of data-deriving, the caustic to alumna molar ratio and digester ratio forecast as well as some auxiliary modules such as forecast-data comparison and curve display. It was able to forecast the caustic to alumna molar ratio and digester ratio on-line.
The system was debugging and operating on scene and succeeded to put the module function mentioned above into practice. The scene operating condition proved that the system was of reliability and availability and it was able to content the locale-required precision.
引文
[1] H．N．叶列明等著 王延明，扬重愚等译 氧化铝生产过程与设备，北京：冶金工业出版社，1987，4：178-187
[2] 《联合法生产氧化铝》编写组，联合法生产氧化铝—基础知识，北京：冶金工业出版社，1975，6：66-80
[3] 《联合法生产氧化铝》编写组，联合法生产氧化铝—高压溶出，北京：冶金工业出版社，1975，6：56-60
[4] Mejdell.T.and Skogestad. S. Output Estimation Using Multiple Secondary Measurement: High-Purity Distillation, AICHEJ, 1993, 39(10): 1641-1653
[5] 熊刚，许晓鸣，张钟俊，邵惠鹤．流程工业综合自动化中的理论与技术问题，信息与控制，1996，10，25(5)：287-294
[6] 胡雄，佟德纯，陈兆能．流程工业设备诊断系统的开发，振动与冲击，1995，2，总54 40-43
[7] 方千山，王永初．软测量技术在发酵过程中的应用，厦门大学学，2001，11，40(6)：1324-1327
[8] 郭小萍，臧春华．基于神经网络改进的软测量技术，沈阳化工学院学报，2000，6，14(2)：81-86
[9] 于静江，周春晖．过程控制中的软测量技术，控制理论与应用，1996，13(2)：137-144
[10] 蒋慰孙．2000年化工自动化展望，化工自动化仪表，1994，21(1)：1-9
[11] 蒋慰孙，蒋敏伟．过程控制21世纪展望，世界仪表和自动化，1999，3(4)：10-14
[12] 金以慧，王诗宓，王桂增．过程控制的发展和展望，控制理论与应用，1997，14(2)：145-151
[13] 古勇，苏宏业，王朝晖．FCCU软测量综述，化工自动化及仪表，1998，增刊2(4)：6-10
[14] 张明君，皮道应，孙优贤．基于工程观点的软仪表开发策略，化工自动化及仪表，1996，23(6)：34-36
[15] 骆晨钟，邵惠鹤．软仪表技术及其工业应用，仪表技术与传感，1999，(1)：32-39
[16] 俞金寿，刘爱伦．软测量技术及应用，世界仪表和自动化，1998，1(2)：18-20
[17] 徐敏，俞金寿．软测量技术，石油化工自动化，1998，(2)：1-3
[18] 荣冈，金晓明，王树青．先进控制技术及应用，第三讲软测量技术及应用，化工自动化及仪表，1999，26(4)：70-72
[19] 孙欣，王金春．过程软测量，自动化仪表，1995，16(8)：1-5
[20] Van den Bos A. Application of statistical parameter estimation methods to physical measurement. J Phys E: Sci Instrum. 1997, 10: 753-760
[21] Adilson Jose de Assis, Rubens Maciel Filho. Soft sensors development for on-line bioreactor state estimation, Computers and Chemical Engineering, 2000, 24: 1099～1103
[22] Riviere J-M Bayart M, Thiriet J-M. Intelligent instruments: some modeling approaches, Measurement+control, 1996, 29: 179-186
[23] Ven den Bos A and Eykhoff P.Model building and parameter estimation as means for intelligent measurement.Measurement. 1998, 6(1): 25-32
[24] Braake H A B, Can H J L van, Verbruggen H B. Semi-mechanistic modeling of chemical processes with neural networks, Engineering Applications of Artificial Intelligence, 1998, 11(4): 507～515
[25] 李海青，黄志尧编著．特种检测技术及应用，杭州：浙江大学出版社，2000
[26] 李海青，乔贺堂编．多相流检测技术进展，北京：石油工业出版社，1996
[27] 蒙建波，朱林章．检测理论的现状及发展展望，化工自动化及仪表，1994，31(3)：40-41
[28] 赵新民，陈海军．模型化测量的发展与现状，计量学报，1992，13(4)：314-319
[29] Weber R and Brosilow C.The use of secondary measurement to improve control.AIChE J. 1972, 18(3): 614-623
[30] 于乃功，韩秀荣．通用软测量技术研究，潍坊高等专科学校学报，2000，1：51-54
[31] 吴晓汉，王金春等．基于神经网络的软测量技术应用，自动化仪器与仪表，1998，2：16-19
[32] 陈耀，王文海，孙优贤．基于动态主元分析的统计过程监视．化工学报，2000，51(5)：666～670
[33] Morari.M.and Alexander, K.W.Fung. Nonlinear Inferential Control Computer. Chem.Eng, 1982, 6(4): 271-281
[34] Parrish, J.R. and Brosilow, C.B.. Nonlinear Infertial Control.AICHEJ, J.. 1988,
34(4): 633-644
[35] Zhou, L et al.. Modelling and control for Nonlinear Time-Delay System via Pattern Recognition Approach. Preprints of 2nd IFAC Workshop on artificial Intelligence in Real Time Control, 1989, 7-12
[36] 叶楠，吕勇哉． 模式识别在状态估计中的应用—一类软测量技术，仪器仪表学报，1988，9(4)：368-374
[37] 穆罕穆德．阿塔，蒋蔚孙．精馏塔板效率的在线模式识别，信息与控制，1993，22(1)：47-49
[38] 罗荣浮，邵惠鹤．模糊神经网络方法及其在推断控制中的应用，第一届全球华人智能控制与智能自动化大会论文集，北京：科学出版社，1993，763-769
[39] 于静江，周春晖．原油塔控制中的智能控制，第一届全球华人智能控制与智能自动化大会论文集，北京：科学出版社，1993，471-475
[40] Hunt, K.J. et al.. Neural Networks for Control System—A Survery Automatica, 1992, 28(6): 1083-1112
[41] 张鸿滨，训练多层网络的样本数问题，自动化学报，1993，19(1)：739-741
[42] Drucker, H. and Cun, Y. Le Improved Generalization Performance Using Double Backpropagation, IEEE Trans on Neural Network, 1992, 3(6): 991-997
[43] Homcomb, T. and Morad, M.. Local Training for Radial Basis Function Network: Towards Solving the Hidden Unit Problem, Preprints of 1991 ACC, 2331-2336
[44] 罗荣富，邵惠鹤．分布式网络局部学习方法及其在推断控制中的应用，自动化学报，1994，20(6)：739-741
[45] 杨斌，田永青，朱仲英．智能建模方法中的数据预处理，信息与控制，2002，32(4)：380～384
[46] Lai X P. Short-term Load Forecasting Using Hybrid Model Neural Networks. Proceedings of the 3rd Asian Control Conference, Shanghai, 2000: 2122-2125
[47] Schlang M, Feldkeller B, Lnag B, et al. Neural Computation in Steel Industry. Proc. European Control Conference'99, Karlsruhe, Germany, 1999, Session BP-1
[48] Xu Lei. BY-Y harmony learning, structural RPCL, and topological elf-organizing on mixture models, Neural Networks, 2002, 15(9): 1125-1151
[49] 王旭东，邵惠鹤．基于神经网络的通用软测量技术，自动化学报，1998，24(5)：702～706
[50] 郑震宇，周立等．Windows平台上过程监控软件的设计，工业控制计算机，1999，12(6)：42～54
[51] 陈曦，姚普光．工业控制软件的面向对象开发技术，河北工业大学学报，1998，27(2)：107～113
[52] David J．Kruglinski，Scot Wingo，George Shepherd．Visual C++6.0技术内幕，北京：北京希望电子出版社，2000
[53] 施伯乐，丁宝康等．数据库系统导论，北京：高等教育出版社，1994
[54] 郑城荣．Microsoft Access2.0开发指南[M]，北京：人民邮电出版社1999
[55] 吴彬，舒立春等．绝缘子高电压测试数据库管理技术，高电压技术，2001，27(2)：42～46
[2] 《联合法生产氧化铝》编写组，联合法生产氧化铝—基础知识，北京：冶金工业出版社，1975，6：66-80
[3] 《联合法生产氧化铝》编写组，联合法生产氧化铝—高压溶出，北京：冶金工业出版社，1975，6：56-60
[4] Mejdell.T.and Skogestad. S. Output Estimation Using Multiple Secondary Measurement: High-Purity Distillation, AICHEJ, 1993, 39(10): 1641-1653
[5] 熊刚，许晓鸣，张钟俊，邵惠鹤．流程工业综合自动化中的理论与技术问题，信息与控制，1996，10，25(5)：287-294
[6] 胡雄，佟德纯，陈兆能．流程工业设备诊断系统的开发，振动与冲击，1995，2，总54 40-43
[7] 方千山，王永初．软测量技术在发酵过程中的应用，厦门大学学，2001，11，40(6)：1324-1327
[8] 郭小萍，臧春华．基于神经网络改进的软测量技术，沈阳化工学院学报，2000，6，14(2)：81-86
[9] 于静江，周春晖．过程控制中的软测量技术，控制理论与应用，1996，13(2)：137-144
[10] 蒋慰孙．2000年化工自动化展望，化工自动化仪表，1994，21(1)：1-9
[11] 蒋慰孙，蒋敏伟．过程控制21世纪展望，世界仪表和自动化，1999，3(4)：10-14
[12] 金以慧，王诗宓，王桂增．过程控制的发展和展望，控制理论与应用，1997，14(2)：145-151
[13] 古勇，苏宏业，王朝晖．FCCU软测量综述，化工自动化及仪表，1998，增刊2(4)：6-10
[14] 张明君，皮道应，孙优贤．基于工程观点的软仪表开发策略，化工自动化及仪表，1996，23(6)：34-36
[15] 骆晨钟，邵惠鹤．软仪表技术及其工业应用，仪表技术与传感，1999，(1)：32-39
[16] 俞金寿，刘爱伦．软测量技术及应用，世界仪表和自动化，1998，1(2)：18-20
[17] 徐敏，俞金寿．软测量技术，石油化工自动化，1998，(2)：1-3
[18] 荣冈，金晓明，王树青．先进控制技术及应用，第三讲软测量技术及应用，化工自动化及仪表，1999，26(4)：70-72
[19] 孙欣，王金春．过程软测量，自动化仪表，1995，16(8)：1-5
[20] Van den Bos A. Application of statistical parameter estimation methods to physical measurement. J Phys E: Sci Instrum. 1997, 10: 753-760
[21] Adilson Jose de Assis, Rubens Maciel Filho. Soft sensors development for on-line bioreactor state estimation, Computers and Chemical Engineering, 2000, 24: 1099～1103
[22] Riviere J-M Bayart M, Thiriet J-M. Intelligent instruments: some modeling approaches, Measurement+control, 1996, 29: 179-186
[23] Ven den Bos A and Eykhoff P.Model building and parameter estimation as means for intelligent measurement.Measurement. 1998, 6(1): 25-32
[24] Braake H A B, Can H J L van, Verbruggen H B. Semi-mechanistic modeling of chemical processes with neural networks, Engineering Applications of Artificial Intelligence, 1998, 11(4): 507～515
[25] 李海青，黄志尧编著．特种检测技术及应用，杭州：浙江大学出版社，2000
[26] 李海青，乔贺堂编．多相流检测技术进展，北京：石油工业出版社，1996
[27] 蒙建波，朱林章．检测理论的现状及发展展望，化工自动化及仪表，1994，31(3)：40-41
[28] 赵新民，陈海军．模型化测量的发展与现状，计量学报，1992，13(4)：314-319
[29] Weber R and Brosilow C.The use of secondary measurement to improve control.AIChE J. 1972, 18(3): 614-623
[30] 于乃功，韩秀荣．通用软测量技术研究，潍坊高等专科学校学报，2000，1：51-54
[31] 吴晓汉，王金春等．基于神经网络的软测量技术应用，自动化仪器与仪表，1998，2：16-19
[32] 陈耀，王文海，孙优贤．基于动态主元分析的统计过程监视．化工学报，2000，51(5)：666～670
[33] Morari.M.and Alexander, K.W.Fung. Nonlinear Inferential Control Computer. Chem.Eng, 1982, 6(4): 271-281
[34] Parrish, J.R. and Brosilow, C.B.. Nonlinear Infertial Control.AICHEJ, J.. 1988,
34(4): 633-644
[35] Zhou, L et al.. Modelling and control for Nonlinear Time-Delay System via Pattern Recognition Approach. Preprints of 2nd IFAC Workshop on artificial Intelligence in Real Time Control, 1989, 7-12
[36] 叶楠，吕勇哉． 模式识别在状态估计中的应用—一类软测量技术，仪器仪表学报，1988，9(4)：368-374
[37] 穆罕穆德．阿塔，蒋蔚孙．精馏塔板效率的在线模式识别，信息与控制，1993，22(1)：47-49
[38] 罗荣浮，邵惠鹤．模糊神经网络方法及其在推断控制中的应用，第一届全球华人智能控制与智能自动化大会论文集，北京：科学出版社，1993，763-769
[39] 于静江，周春晖．原油塔控制中的智能控制，第一届全球华人智能控制与智能自动化大会论文集，北京：科学出版社，1993，471-475
[40] Hunt, K.J. et al.. Neural Networks for Control System—A Survery Automatica, 1992, 28(6): 1083-1112
[41] 张鸿滨，训练多层网络的样本数问题，自动化学报，1993，19(1)：739-741
[42] Drucker, H. and Cun, Y. Le Improved Generalization Performance Using Double Backpropagation, IEEE Trans on Neural Network, 1992, 3(6): 991-997
[43] Homcomb, T. and Morad, M.. Local Training for Radial Basis Function Network: Towards Solving the Hidden Unit Problem, Preprints of 1991 ACC, 2331-2336
[44] 罗荣富，邵惠鹤．分布式网络局部学习方法及其在推断控制中的应用，自动化学报，1994，20(6)：739-741
[45] 杨斌，田永青，朱仲英．智能建模方法中的数据预处理，信息与控制，2002，32(4)：380～384
[46] Lai X P. Short-term Load Forecasting Using Hybrid Model Neural Networks. Proceedings of the 3rd Asian Control Conference, Shanghai, 2000: 2122-2125
[47] Schlang M, Feldkeller B, Lnag B, et al. Neural Computation in Steel Industry. Proc. European Control Conference'99, Karlsruhe, Germany, 1999, Session BP-1
[48] Xu Lei. BY-Y harmony learning, structural RPCL, and topological elf-organizing on mixture models, Neural Networks, 2002, 15(9): 1125-1151
[49] 王旭东，邵惠鹤．基于神经网络的通用软测量技术，自动化学报，1998，24(5)：702～706
[50] 郑震宇，周立等．Windows平台上过程监控软件的设计，工业控制计算机，1999，12(6)：42～54
[51] 陈曦，姚普光．工业控制软件的面向对象开发技术，河北工业大学学报，1998，27(2)：107～113
[52] David J．Kruglinski，Scot Wingo，George Shepherd．Visual C++6.0技术内幕，北京：北京希望电子出版社，2000
[53] 施伯乐，丁宝康等．数据库系统导论，北京：高等教育出版社，1994
[54] 郑城荣．Microsoft Access2.0开发指南[M]，北京：人民邮电出版社1999
[55] 吴彬，舒立春等．绝缘子高电压测试数据库管理技术，高电压技术，2001，27(2)：42～46