一种铝土矿浮选过程矿浆酸碱度的在线预测方法与流程

本发明涉及一种铝土矿浮选过程矿浆酸碱度的在线预测方法。

背景技术：

选矿拜耳法氧化铝生产通过铝土矿选矿使我国大量的低品位铝土矿得以用于拜耳法生产，大大节约了生产能耗、减少了排放。铝土矿选矿的目标是在保证精矿品位的前提下，尽量提高铝的回收率，而回收率直接决定了矿石的利用率。

铝土矿选矿采用泡沫浮选方法，通过在磨碎的矿物颗粒构成的矿浆中添加浮选药剂调节矿物颗粒的表面性质，并在矿浆中通入空气，形成气泡，使有用矿物颗粒附着在气泡表面随气泡上浮形成泡沫层，回收泡沫富集有用矿物，而脉石矿物留在水中从槽底排走。泡沫浮选过程涉及一系列复杂的物理化学反应，影响因素很多，其中，浮选矿浆的酸碱度(用pH值表示)是一个十分关键的变量，矿浆酸碱度直接影响矿浆离子的组成、浮选药剂的活性以及矿物的可浮性，决定着浮选药剂能否有效电离成所需的离子，因而任何一种矿物只有在适宜的酸碱度环境下才能得到最好的浮选效果。但是，在实际生产过程中，为了助磨，pH值调整剂(Na2CO3溶液)在磨机前加入矿石中，经磨矿和两级分级以及两个缓存罐之后才能到达pH值的检测点，且pH值的检测通过人工离线化验获得，并手动调节pH调整剂的加入量，这种滞后使得pH值的控制滞后、药剂消耗大、工况波动频繁，且工人工作量大劳动强度大。因此，对矿浆酸碱度进行实时且准确的预测，对提高铝土矿选矿过程的效率具有重要意义。

目前，神经网络、支持向量机等基于数据的建模方法、基于机理的建模方法，以及基于数据和机理的混合方法都被用于过程变量的预测，并取得了良好的效果。同时，pH值虽是众多生产过程中都很重要的量，但铝土矿选矿过程中，pH调整剂除了在水中发生水解外，还有一部分会与矿石发生反应而被消耗掉；同时，在磨矿过程中所用的水大部分为浮选的循环水，pH值本身即为强碱性，增加了浮选过程pH调节的复杂性。至今，对铝土矿浮选过程以及其他一些浮选过程，都尚无从pH值调整剂添加量、工况条件以及pH值调整剂与矿石和水的反应角度对pH值预测的研究。基于泡沫特征的pH值预测在本质上是pH值的软测量，无法用于解决因矿浆在磨矿分级过程中停留造成的pH值控制滞后问题。且浮选过程pH的控制仍完全依赖人工经验，没有有效的在线控制方法。

为此，如何根据实时工况对矿浆酸碱度进行预测，是基于预测控制解决pH值控制滞后问题的基础，对提高浮选过程的经济和技术指标、减轻工人劳动强度都有着十分重要的意义。

技术实现要素：

本发明的目的是提供一种铝土矿浮选过程矿浆酸碱度的在线预测方法。

本发明的原理是：浮选过程中决定矿浆酸碱度的过程主要包括碱在水中的水解和矿物与碱的反应。首先基于实验和工业生产数据采用多元线性拟合法建立矿石与pH值调整剂Na2CO3碱反应造成的矿石耗碱量的回归模型：

o＝b0+b1X1+b2X2+b3c+b4pHw (1)

式中，o(克/吨矿)表示碱与1吨矿物反应被消耗掉的碱量，X1为原矿中三氧化二铝的百分含量，X2为原矿中二氧化硅的百分含量，c(克/吨矿)为1吨矿物中碳酸钠的加入量，pHw为循环水的pH值,b0,...,b4为回归参数。

再根据未与矿石反应的碱在水中产生水解使矿浆呈碱性，同时，考虑碱性循环水的加入影响碱的水解，依据水解反应机理写出氢氧根离子的平衡方程，建立酸碱度的机理预测模型。

浮选过程中pH值调整剂(Na2CO3溶液)的质量浓度记为w(g/L),流量记为L(L/min)；下料量流量记为F(吨/小时)；pH值调整剂加入点与pH值检测点之间循环水的流量记为Q1(L/min)，pH值用pHw表示，新水的流量记为Q2(L/min)，则循环水中氢氧根离子的浓度(mol/L)为：

在pH值检测点的氢氧根离子浓度用x(mol/L)表示,按照未与矿石反应的碱在水中产生一级水解，根据水解平衡有：

求解式(3)得：

式中，k1为Na2CO3的一级水解平衡常数，其值为1.8×10^-4，c1为未与矿物反应的碱溶于所有添加的水之后等价的碱浓度(mol/L)，其计算方法为：

式中，106是碳酸钠的摩尔质量(g/mol)，60用于将单位g/min换算为g/h。

根据溶液中总的氢氧根离子浓度，可求得矿浆酸碱度机理模型预测值表达式为：

pr＝14+lg(x+c2) (6)

式中，pr为机理模型预测值。

根据矿浆酸碱度实测值与机理模型预测值所构成的历史误差时间序列建立基于自回归滑动平均的误差补偿预测模型得到下一时刻的误差补偿值。

铝土矿浮选矿浆酸碱度的实测样本值记为rt(t＝1,2,...,n)，对应时刻的机理模型预测值为prt(t＝1,2,...,n)，二者相减得到误差et＝rt-prt，记其误差时间序列为{e1,e2,...,et,...,en}；根据误差时间序列{e1,e2,...,et,...,en}，建立基于自回归滑动平均的误差补偿预测模型：

式中，ε为模型的误差项，和θj(j＝1,2,...,q)为待定系数。采用单位根检验法对建模用的时间序列进行平稳性识别，不存在单位根则为平稳序列，存在单位根说明该序列非平稳，对非平稳序列先进行差分处理再用于建模；基于自相关函数(ACF)和偏自相关函数(PACF)的定阶方法对模型进行定阶，根据ACF和PACF的拖尾性和截尾性来确定模型阶次，即确定p和q的值，当时间序列的ACF和PACF分别具有p阶和q阶拖尾性时该序列为ARMA(p,q)序列；根据历史误差序列，采用最小二乘法对参数进行辨识得到和θj(j＝1,2,...,q)。

在矿石性质较稳定时，过程工况变化是造成pH值变化的主因，同时，因ARMA误差预测模型只与前几个时刻的误差值有关，不能反映工况的突然波动，使误差时间序列补偿可能存在与实际应补偿的方向相反的问题，而有经验的工人在工况条件变化较明显时总能准确判断pH值的变化方向。因此，在工况变化较大时，根据工况变化和经验知识建立专家规则判断误差补偿方向，专家规则补偿方向与方向一致时采用直接对机理模型进行补偿，不一致时以专家规则补偿方向为准，补偿值采用的绝对值，从而实现矿浆酸碱度的预测。

根据经验，Na2CO3流量增量，下料量增量，进水量增量，循环水pH值增量的波动对矿物耗碱量产生的影响较大，因此根据这些量的变化情况，建立专家规则来确定误差补偿方向，增量表示当前采样时刻某变量相对于前一小时采样时刻的变化量，用Δβt吨表示t时刻相对于前一采样时刻的下料量增量，Δpt表示t时刻相对于前一采样时刻的循环水pH值增量，Δmt克/吨矿表示t时刻的每吨矿物相对于前一采样时刻的每吨矿物中的Na2CO3加入量增量，Δωt吨表示t时刻相对于前一采样时刻的循环水和新水总增量，kt表示t时刻的专家规则输出，1和0分别对应pH值增和减，得到误差补偿规则为：

IF Δβt>＝3.4,THEN kt＝1；

IF Δβt<＝-4.7,THEN kt＝0；

IF -4.7<Δβt<3.4AND Δpt<＝-0.21,THEN kt＝1；

IF -4.7<Δβt<3.4AND Δpt>＝0.23,THEN kt＝0；

IF -4.7<Δβt<3.4AND -0.21<Δpt<0.23AND Δmt<＝-100,THEN kt＝1；

IF -4.7<Δβt<3.4AND -0.21<Δpt<0.23AND Δmt>＝100,THEN kt＝0；

IF -4.7<Δβt<3.4AND 0.21<Δpt<0.23AND -100<Δmt<100AND

Δωt>＝12,

THEN kt＝1；

IF -4.7<Δβt<3.4AND 0.21<Δpt<0.23AND -100<Δmt<100AND

Δωt<＝-6,THEN kt＝0；

ELSE kt与方向一致。

用修正后的误差预测值对机理模型预测值进行补偿得到矿浆酸碱度的预测值，计算公式为：

采用本方案对矿浆酸碱度预测时，实时监测铝土矿磨矿分级过程加新水量、循环水量、碱量以及给矿量信息，实时分析原矿石成分信息，根据式(1)求得矿石耗碱量，根据式(8)求得矿浆酸碱度机理模型预测值，根据式(7)计算误差补偿值，并根据专家规则确定误差补偿方向，由式(8)获得模型最终预测值，实现矿浆酸碱度的在线预测。本发明的有益效果是：本发明对矿石与碱反应造成的碱消耗通过设计一种简单的实验进行定量化并建模，进而利用基于自回归滑动平均的误差补偿预测模型和基于专家规则的误差补偿方向修正方法对机理模型进行在线补偿，预测矿浆溶液的酸碱度，能适应工况条件的变化，可有效地应用于实际生产过程，利用该方法预测得到的均方根误差为0.0935，最大相对误差为2.83％。

附图说明

图1为矿浆酸碱度的预测模型结构；

图2为机理建模对矿浆酸碱度的预测结果；

图3为基于自回归滑动平均模型和专家规则的误差补偿预测结果；

图4为矿浆酸碱度的最终预测结果。

下面结合附图和具体实施方式对本发明做进一步的详细说明。

具体实施方式

如图1所示，本发明利用基于工业生产数据的矿石耗碱量回归模型、基于浮选溶液化学原理的机理模型以及基于自回归滑动平均的误差补偿预测模型实现对浮选矿浆酸碱度的预测。此处采用某铝土矿选矿厂285组连续生产数据做案例进行分析(不包含非正常工况下的数据)，其中前215组数据用于参数辨识，后70组数据用于效果验证。

1.矿石耗碱量回归模型

矿石与碱反应会消耗掉一部分碱，从而使加入矿浆中的碱不能全部用于调节矿浆的pH值；同时，因为一水硬铝石矿中包含一水硬铝石、绿泥石、铁矿石、钛矿石、伊利石等多种矿物，成分十分复杂，矿石与碱的作用也十分复杂，设计与磨矿分级实际生产过程条件(包括矿浆细度、浓度和温度)尽量接近的实验确定矿石与碱反应消耗的碱量。实验过程为：采集实际生产用矿石先破碎，然后研磨至与实际生产中进入浮选的矿浆细度相同(-200目含量为85％以上)，称量一定量的矿石(500g)，在矿石中加水形成矿浆(浓度45％)，同时加入不同的碱量(2200g/t矿，2500g/t矿，2800g/t矿)，并保持溶液温度与实际生产矿浆温度接近(38℃),每隔5分钟检测1次pH值，直至碱加入后1个小时，记pH值为Pn(n＝1,2,...,12)。

按照实际生产滞后时间为20分钟，根据下式计算反应20分钟时的pH值所需的碱量o2(克/吨矿)：

式中，k1为碱的一级水解平衡常数，其值为1.8×10^-4，根据矿浆浓度计算得V水为0.61升。

记初始加入的碱量为o1(克/吨矿)，则得矿石与碱反应消耗掉的碱量为：

oh＝o1-o2 (2)

从而根据上述实验获得与实际生产磨矿分级条件对应下的矿石与碱反应造成的碱消耗量数据。

采集与实验矿石对应的实际生产加水、加碱和矿石成分数据，基于这些实验及工业生产数据拟合求得矿石耗碱量回归模型。

对矿浆的化学成分进行检测，并与原矿化学成分进行对比发现，铝土矿的主要成分中，磨矿分级前后一些成分会产生变化，而有一些成分不变，其中氧化铝、氧化硅及水会和碱反应，有部分的氧化钾和氧化钠会溶解于水，但氧化钾和氧化钠的含量非常小，所以可以不考虑，另可认为三氧化二铁、氧化钛与氧化镁不溶于水也不与碱反应，氧化钙溶于水生成氢氧化钙沉淀。同时，加碱量越多，矿石消耗掉的碱量也越多，且呈碱性的循环水的加入相当于更多碱的加入；因此，在不考虑其它化学反应的情况下，根据实验及实际生产数据得到矿石耗碱量的回归式为：

o＝25.917+0.0947X1-0.107X2+0.36c-1.91pHw(R²＝0.867) (3)

式中o(克/吨矿)表示碱与1吨矿物反应被消耗的碱量，X1为原矿中三氧化二铝的百分含量，X2为原矿中二氧化硅的百分含量，c(克/吨矿)为1吨矿物中碳酸钠的加入量，pHw为循环水的酸碱度。

2.矿浆酸碱度机理预测模型

碱加入矿浆之后，一部分与铝土矿中的某些成分发生化学反应，按照另一部分全部在水中产生一级水解进行计算。并由于循环水的加入使矿浆呈碱性，影响碱的水解，由此水解平衡建立酸碱度的机理预测模型。

记浮选过程中pH值调整剂(Na2CO3溶液)的质量浓度为w(g/L),流量为L(L/min)；短时间内(20分钟)的平均下料量流量为F(吨/小时)；pH值调整剂加入点与pH值检测点之间循环水的流量为Q1(L/min)，其pH值用pHw表示，新水的流量为Q2(L/min)，循环水中氢氧根离子的浓度(mol/L)为：

按照未与矿石反应的碱在水中全部产生一级水解，记在pH值检测点氢氧根离子浓度为x(mol/L),根据水解平衡有：

求解式(5)可得：

式中，k1为碱的一级水解平衡常数，其值为1.8×10^-4,c1为未与矿物反应的碱溶于所有添加的水之后的等价浓度(mol/L)，其计算方法为：

式中，106是碳酸钠的摩尔质量(g/mol)，60用于将单位g/min换算为g/h.

根据溶液中总的氢氧根离子浓度，可求得矿浆酸碱度机理模型预测值表达式为：

pr＝14+lg(x+c2) (8)

式中，pr为机理模型预测值。

矿浆酸碱度机理模型预测效果如图2所示,其中，均方根误差为0.1488，最大相对误差为3.28％。

3.基于自回归滑动平均模型的误差时间序列预测补偿

矿浆酸碱度实测值与机理模型预测值所构成的误差时间序列具有一定的相关性，为此采用自回归滑动平均模型对误差时间序列进行预测。采用前215组数据的误差时间序列进行建模，其中矿浆酸碱度的实测值所对应时间序列为rt(t＝1,2,...,n)，各时间点所对应的机理模型预测值为二者相减得到对应的误差为记其误差时间序列为{e1,e2,...,et,...,en}。

根据误差时间序列{e1,e2,...,et,...,en}，建立基于自回归滑动平均的误差补偿预测模型：

式中，ε为模型的误差项，和θj(j＝1,2,...,q)为待定系数。采用单位根检验法对误差时间序列进行平稳性检验得到误差时间序列中不存在单位根，该时间序列满足序列的平稳性条件；采用基于自相关函数(ACF)和偏自相关函数(PACF)的定阶方法对模型进行定阶，误差时间序列的自相关函数为6阶拖尾，偏自相关函数为1阶拖尾，故自回归阶数为6，滑动平均阶数为1，即p＝6，q＝1。采用最小二乘法对参数进行辨识得到和θj(j＝1,...,q)，最后得到误差补偿预测模型为：

4.基于专家规则的误差补偿方向修正

机理模型反映了浮选过程中碱的水解和循环水的加入引起的OH^-变化对pH值的影响。其前提是浮选化学环境稳定。但整个浮选过程非常复杂，加入到矿浆中的碱一部分与矿石反应，另一部分产生水解，碱的加入量和矿石的下料量直接影响产生水解的碱量，新水和循环水的加入量以及循环水中的OH^-浓度都能影响矿浆pH值。在矿石性质较稳定时，过程工况变化是造成pH值变化的主因，同时，因ARMA误差预测模型只与前几个时刻的误差值有关，不能反映工况的突然波动，使误差时间序列补偿可能存在与实际应补偿的方向相反的问题，而有经验的工人在工况条件变化较明显时总能准确判断pH值的变化方向。因此，根据工况变化和经验知识建立专家规则判断误差补偿方向，专家规则补偿方向与方向一致时直接对机理模型进行补偿，不一致时以专家规则补偿方向为准，补偿值采用的绝对值，从而实现矿浆酸碱度的预测。

根据经验，Na2CO3增量，下料量增量，进水量增量，循环水pH值增量的波动对矿物耗碱量产生的影响较大，因此根据这些量的变化情况，建立专家规则来确定误差补偿方向，增量表示当前采样时刻某变量相对于前一小时采样时刻的变化量，用Δβt吨表示t时刻相对于前一采样时刻的下料量增量，Δpt表示t时刻相对于前一采样时刻的循环水pH值增量，Δmt克/吨矿表示t时刻的每吨矿物相对于前一采样时刻的每吨矿物中的Na2CO3加入量增量，Δωt吨表示t时刻相对于前一采样时刻的循环水和新水总增量，kt表示t时刻的专家规则输出，1和0分别对应pH值增和减，得到误差补偿规则为：

IF Δβt>＝3.4,THEN kt＝1；

IF Δβt<＝-4.7,THEN kt＝0；

IF -4.7<Δβt<3.4AND Δpt<＝-0.21,THEN kt＝1；

IF -4.7<Δβt<3.4AND Δpt>＝0.23,THEN kt＝0；

IF -4.7<Δβt<3.4AND -0.21<Δpt<0.23AND Δmt<＝-100,THEN kt＝1；

IF -4.7<Δβt<3.4AND -0.21<Δpt<0.23AND Δmt>＝100,THEN kt＝0；

IF -4.7<Δβt<3.4AND 0.21<Δpt<0.23AND -100<Δmt<100AND

Δωt>＝12,

THEN kt＝1；

IF -4.7<Δβt<3.4AND 0.21<Δpt<0.23AND -100<Δmt<100AND

Δωt<＝-6,THEN kt＝0；

ELSE kt与方向一致。

用修正后的误差预测值对机理模型进行补偿得到矿浆酸碱度的预测值为：

采用本方案对矿浆酸碱度预测时，根据式(3)求得矿石耗碱量，再根据未与矿石反应的碱在水中发生水解，按式(8)求得矿浆酸碱度机理模型预测值，根据矿浆酸碱度的实测值与机理模型值所构成的历史误差时间序列建立误差补偿预测模型得到误差补偿值如式(10)所示，基于专家规则修正误差补偿方向，两者方向一致时直接对机理模型进行补偿，不一致时以专家规则补偿方向为准，即按式(11)对机理模型预测值进行补偿得到矿浆酸碱度的预测值。

对工厂连续生产3天的矿浆酸碱度预测结果如图4所示。其中，均方根误差为0.0935，90％的测试样本相对误差在±2％内，表明预测模型具有较高精度，能够满足实际生产需求。为生产提供了在线检测结果，提高了检测的实时性并减轻了工人的劳动强度。