磷酸生产工艺的处理方法、装置和系统与流程
本发明涉及化工领域，具体而言，涉及一种磷酸生产工艺的处理方法、装置和系统。
背景技术：
在生产磷酸生产的过程中，在磷矿石磨制成粉后，将粉状的磷矿石放入反应槽中，然后经过一系列的化学反应，萃取出磷矿石中的磷，形成磷酸。而反应过程中的剩余物以磷石膏的形态运往矿渣场进行处理。在磷酸的生产过程中，磷的萃取率及磷石膏中的非水溶性残磷率(简称残磷率)是生产磷酸的关键指标。其中，磷的萃取率或残磷率取决对于多种因素，包括但不限于矿粉的品位、细度、料浆的液固比、反应温度、反应时间、反应过程的液相so3浓度、液相p2o5浓度等多种关键的工艺参数。
通常上述工艺参数是经过多年的生产试验及数据积累得到的，在现有的控制水平下，已经有一套较好的生产实践经验范围值。一般而言，只要使反应能控制在对应的区间内，就能保证良好的萃取率。为找出较好的工艺参数组合，现有技术一般采用实验设计(designofexperiments)的方式进行处理。考虑到实验成本，通常实验设计中主要验证单因素变量影响对萃取率的影响，无法短期内验证多因素的协同影响。进一步的，来料的粉矿品位，例如，mgo、p2o5、fe2o3、al2o3的含量一般取决于所开采的矿石质量。这部分的状态难以控制，但又影响甚至控制着最终磷的萃取率。目前在生产实践过程中，一般只是对来料的状况进行检测监控，避免来料的变化过大，然后用相同的工艺指标去实施，但无法根据来料状况来对相应的工艺进行优化调整。即使是有相应的优化意识，也无法确认优化的方向目标。
由上可知，由于影响萃取率及残磷率的变量数量较多，各个变量之间存在的一定的关联关系，因此对各个变量进行组合分析才能得到较好的萃取率。通过实验设计进行逐一验证的方式，无法同时对多个变量进行分析，并且验证周期较长，而磷矿石的品位随时间发生变化，往往不稳定，难以形成稳定有效的工艺方案。另外，在传统的工艺优化中，假定来料情况较为稳定，并未对不同的来料情况作出相应的优化。
针对上述由于无法同时对磷酸生产工艺中的多个工艺变量进行分析以确定最优的来料状况，导致磷转换效率低的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种磷酸生产工艺的处理方法、装置和系统，以至少解决由于无法同时对磷酸生产工艺中的多个工艺变量进行分析以确定最优的来料状况，导致磷转换效率低的技术问题。
根据本发明实施例的一个方面，提供了一种磷酸生产工艺的处理方法，包括：基于第一模型确定矿石品位数据中的至少一个关键因素；根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数；根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。
根据本发明实施例的另一方面，还提供了一种磷酸生产工艺的处理方法，包括：显示输入的矿石品位数据；显示根据矿石品位数据中的至少一个关键因素所确定的磷酸生产工艺的工艺推荐参数；输出根据工艺推荐参数对磷酸生产工艺中的工艺参数的调整结果。
根据本发明实施例的另一方面，还提供了一种磷酸生产工艺的处理方法，包括：获取多组数据，其中，多组数据中的每组数据均包括矿石品位数据以及矿石品位数据中的至少一个关键因素；基于机器学习使用矿石品位数据以及至少一个关键因素进行训练，得到第一模型，其中，第一模型输出矿石品位数据中的至少一个关键因素，至少一个关键因素用于确定磷酸生产工艺的工艺推荐参数，矿石品位数据至少包括矿石中有用组分的含量。
根据本发明实施例的另一方面，还提供了一种磷酸生产工艺的处理装置，包括：第一确定模块，用于基于第一模型确定矿石品位数据中的至少一个关键因素；第二确定模块，用于根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数；处理模块，用于根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。
根据本发明实施例的另一方面，还提供了一种磷酸生产工艺的处理系统，包括：输入装置，用于输入矿石品位数据；处理单元，用于基于第一模型确定矿石品位数据中的至少一个关键因素，并根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数，然后根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整，其中，第一模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量；输出装置，用于输出对工艺参数的调整结果。
根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行磷酸生产工艺的处理方法。
根据本发明实施例的另一方面，还提供了一种计算机终端，包括处理器和存储有程序指令的存储器，其中，程序指令被配置为适于由处理器执行，程序指令包括用于执行磷酸生产工艺的处理方法。
在本发明实施例中，采用根据来料情况自动确定工艺参数的方式，在获取矿石品位数据之后，基于第一模型确定矿石品位数据中的至少一个关键因素，然后根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数，并根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。其中，第一模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量。
在上述过程中，由于不同的矿石品位数据对应的关键因素可能不同，因此，在得到矿石品位数据之后，基于第一模型可得到该矿石品位数据对应的多个关键因素，进而根据多个关键因素确定对磷酸生产工艺的工艺参数进行调整的目标工艺参数。即本申请所提供的方案可以根据不同的矿石品位数据以及矿石品位数据中的多个因素同时进行分析，以确定最优的目标工艺参数，进而根据最优的目标工艺参数对磷酸生产工艺的工艺参数进行优化，提升萃取率，降低残磷率。
由此可见，本申请所提供的方案可以解决由于无法同时对磷酸生产工艺中的多个工艺变量进行分析以确定最优的来料状况，导致磷转换效率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种用于实现磷酸生产工艺的处理方法的计算机终端(或移动设备)的硬件结构框图；
图2是根据本发明实施例的一种磷酸生产工艺的处理方法的流程图；
图3是根据本发明实施例的一种可选的决策树模型的示意图；
图4是根据本发明实施例的一种可选的关键因素的关键程度的示意图；
图5是根据本发明实施例的一种可选的关键因素的关键程度的示意图；
图6是根据本发明实施例的一种可选的数据积累要求的示意图；
图7是根据本发明实施例的一种可选的p2o5含量对残磷率的影响示意图；
图8是根据本发明实施例的一种可选的磷酸的生产过程示意图；
图9是根据本发明实施例的一种可选的查找最高特征重要程度的方法示意图；
图10是根据本发明实施例的一种可选的获取检测时间点以及时间范围的方法流程图；
图11是根据本发明实施例的一种可选的残磷率的曲线示意图；
图12是根据本发明实施例的一种获取检测时间点以及时间范围的方法流程图；
图13是根据本发明实施例的一种磷酸生产工艺的处理装置的结构示意图；
图14是根据本发明实施例的一种计算机终端的结构框图；以及
图15是根据本发明实施例的一种磷酸生产工艺的处理方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
湿法磷酸，指采用湿法生产的方式用硫酸、硝酸或盐酸分解磷矿所得到的磷酸。其中，湿法生产是用无机酸分解磷矿粉，分离出粗磷酸，再对分离出粗磷酸的磷矿粉进行净化处理，最终得到磷酸产品的过程。
磷石膏，指经过反应后剩余的矿石残渣。
非水溶残磷率，指经过反应后，不能被萃取从而残留在磷石膏中的磷比率。
萃取率，指经过反应后，提取的磷占原有磷矿石含磷的比率。
实验设计，是一系列试验及分析方法集，通过有目的地改变一个系统的输入来观察输出的改变情况的过程。在工业生产中主要依赖于实验设计进行生产问题定位以及工艺改进与提升。实验方案由经验丰富的生产工艺专家设计，用于发现可能存在问题的生产环节或者验证影响因素。
决策树，decisiontree，是一种分类算法和回归算法，每个决策或事件(即自然状态)都可能引出两个或多个事件，导致不同的结果，由这种决策分支形成的图形为决策树。在机器学习中，决策树为预测模型，用于表征对象属性与对象值之间的映射关系。
xgboost，extremegradientboosting的简称，即梯度提升决策树，其可通过集成的方式提高分类预测的准确度。
lightgbm:，一种基于直方图的决策树算法，其通过集成的方式提高分类预测的准确度。
实施例1
根据本发明实施例，还提供了一种磷酸生产工艺的处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现磷酸生产工艺的处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的磷酸生产工艺的处理方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的磷酸生产工艺的处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下，本申请提供了如图2所示的磷酸生产工艺的处理方法。其中，图2是根据本发明实施例一的磷酸生产工艺的处理方法的流程图，由图2可知，本申请所提供的磷酸生产工艺的处理方法可以包括如下步骤：
步骤s202，基于第一模型确定矿石品位数据中的至少一个关键因素，其中，第一模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量。
需要说明的是，步骤s202中的第一模型可以为决策树模型。其中，决策树模型呈树形结构，在分类问题中，决策树模型表示基于特征对实例进行分类的过程。决策树模型可以认为是if-then规则的集合，也可认为是定义在特征空间与类空间上的条件概率分布。相比朴素贝叶斯分类，决策树模型的构造过程不需要任何领域知识或参数设置，因此在实际应用中，决策树模型更加适用于探测式的知识发现方面。图3示出了一种决策树模型的示意图，其中，图3所示的决策树模型中的每个节点均包含了该节点的决策方式、该节点所包含的样本量以及该部分样本的目标值的平均值。例如，图3中，节点0的决策方式为“关键因素1≤74.05”，样本量为“samples＝100.0％”，平均值为“value＝0.719”，另外，节点0中还包含样本的均方差为“mse＝0.002”。如果“关键因素1≤74.05”为真，则执行节点1的决策方式，否则执行节点12中的决策方式。
另外，矿石品位表征了矿石的品质(即目标元素质量)，其中，矿石品位数据用于表征矿石中每个组分的含量，例如，mgo在矿石中的含量。
在一种可选的方案中，工作人员人工对矿石的质量进行检测，并将检测到的矿石品位数据输入至磷酸生产工艺的处理系统，磷酸生产工艺的处理系统在得到矿石品位数据之后，基于第一模型确定矿石品位数据中的关键因素。
在另一种可选的方案中，矿石品位检测设备可对矿石的质量进行自动检测，并将检测结果传输至磷酸生产工艺的处理系统，磷酸生产工艺的处理系统即可得到矿石品位数据，进而基于第一模型确定矿石品位数据中的关键因素。
此外，还需要说明的是，上述磷酸生产工艺可以为湿法磷酸工艺，上述磷酸生产过程中矿石品位数据中的关键因素为矿石品位数据中对磷酸生产工艺的萃取率和/或残磷率具有影响的元素，例如，矿石品位a越高，残磷率越小，因此，可将矿石品位a作为关键因素。
步骤s204，根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数。
需要说明的是，磷酸生产工艺的工艺推荐参数包括但不限于料浆的液固比、反应温度、反应时间、反应过程的液相so3浓度、液相p2o5浓度。
可选的，在得到矿石品位数据中的关键因素之后，磷酸生产工艺的处理系统根据预设模型来确定磷酸生产工艺的工艺推荐参数，其中，该预设模型可以是通过机器学习训练得到的模型，该预设模型的输入为关键因素在矿石中的含量，输出为工艺推荐参数。
步骤s206，根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。
需要说明的是，工艺推荐参数为磷酸生产工艺的处理系统根据矿石品位数据中的关键因素所得到的工艺参数，该工艺参数能够使得磷酸生产工艺的处理系统输出较高的萃取率和/或较低的残磷率。
此外，还需要说明的是，为了提高磷的转换效率，得到较高的萃取率，在得到工艺推荐参数之后，工作人员还可根据实际情况对工艺推荐参数进行适应调节，得到与实际情况相符的工艺推荐参数，并根据调整后的工艺推荐参数对磷酸生产工艺中的工艺参数进行调整，以得到较高的磷萃取率。
基于上述步骤s202至步骤s206所限定的方案，可以获知，采用根据来料情况自动确定工艺参数的方式，在获取矿石品位数据之后，基于第一模型确定矿石品位数据中的至少一个关键因素，然后根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数，并根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。其中，第一模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量。
容易注意到的是，由于不同的矿石品位数据对应的关键因素可能不同，因此，在得到矿石品位数据之后，基于第一模型可得到该矿石品位数据对应的多个关键因素，进而根据多个关键因素确定对磷酸生产工艺的工艺参数进行调整的目标工艺参数。即本申请所提供的方案可以根据不同的矿石品位数据以及矿石品位数据中的多个因素同时进行分析，以确定最优的目标工艺参数，进而根据最优的目标工艺参数对磷酸生产工艺的工艺参数进行优化，提升萃取率，降低残磷率。
由此可见，本申请所提供的方案可以解决由于无法同时对磷酸生产工艺中的多个工艺变量进行分析以确定最优的来料状况，导致磷转换效率低的技术问题。
在一种可选的方案中，在得到矿石品位数据之后，磷酸生产工艺的处理系统即可根据第一模型确定矿石品位数据中的至少一个关键因素，具体过程可以包括如下步骤：
步骤s2020，确定矿石品位数据对应的波动范围；
步骤s2022，从历史矿石品位数据中确定满足波动范围的目标矿石品位数据；
步骤s2024，基于第一模型对目标矿石品位数据进行关键因素识别，得到至少一个关键因素。
具体的，工作人员可通过矿石品位检测设备对每天的矿石品质进行检测，得到当日的矿石品位数据。然后磷酸生产工艺的处理系统根据当日的矿石品位数据以及历史品位数据的历史波动范围，进而确定当日的矿石品位数据的波动范围，例如，当日检测到磷矿石中关键因素1的含量为p，历史每天的关键因素1的标准差为σp，则当日的关键因素1的波动范围为[p-σp，p+σp]。在确定波动范围之后，磷酸生产工艺的处理系统从历史矿石品位数据中检索出满足波动范围的目标矿石品位数据，然后基于第一模型对目标矿石品位数据进行关键因素识别。
需要说明的是，品位数据的波动范围取决于磷酸生产工艺的更新频率，例如，以周为单位，则可将每周矿石品位数据中关键因素1含量的标准差作为当日关键因素1的波动数据值。另外，磷酸生产工艺的处理系统具有存储单元可对历史品位数据以及当日矿石品位数据的进行存储。可选的，存储单元可以为磷酸生产工艺的处理系统中的存储服务器。
此外，还需要说明的是，在基于第一模型对目标矿石品位数据进行关键因素识别，得到至少一个关键因素之前，需要构建第一模型。可选的，第一模型的构建方法可以包括如下步骤：
步骤s10，确定磷酸生产工艺的第一目标变量，其中，第一目标变量包括如下至少之一：矿石萃取率以及非水溶残磷率。
步骤s12，根据磷酸生产工艺的工艺阶段确定磷酸生产工艺的过程数据，其中，过程数据包括如下至少之一：料浆的液固比、反应温度、反应时间、反应过程的元素浓度(例如，液相so3的浓度)。
步骤s14，确定磷酸生产工艺的来料数据，其中，来料数据至少包括矿石中至少一个元素的含量。此外，来料数据还可包括粉矿的细度。
步骤s16，根据第一目标变量、过程数据以及来料数据构建第一模型。
需要说明的是，第一模型可以是由xgboost，随机森林或lightgbm等一系列模型所集成的决策树模型，该决策树模型可对关键因素进行识别。
可选的，可以基于以下步骤对对目标矿石品位数据进行关键因素识别：
步骤s20，基于第一模型对目标矿石品位数据进行关键因素识别，得到至少一个备选因素；
步骤s22，基于第一模型确定至少一个备选因素对应的关键程度；
步骤s24，依据关键程度对至少一个备选因素进行排序，得到第一排序结果；
步骤s26，根据第一排序结果从至少一个备选因素中确定至少一个关键因素。
需要说明的是，第一模型的输入数据为目标矿石品位数据，第一模型的数据出为备选因素以及备选因素的关键程度，其中，备选因素的关键程度表征了备选因素对第一目标变量(即萃取率和/或残磷率)的影响程度。可选的，备选因素的关键程度可以由小于1的正数表示，其中，数值越大，表明备选因素对第一目标变量的影响程度越大；数值越小，表明备选因素对第一目标变量的影响程度越小。
进一步的，在得到备选因素的关键程度之后，可基于备选因素的关键程度对备选因素进行排序，例如，将关键程度最大的备选因素置于第一位，将关键程度次之的备选因素置于第二位，以此类推。
可选的，在得到第一排序结果之后，磷酸生产工艺的处理系统根据第一排序结果选出关键程度大于预设关键程度的至少一个目标备选因素，并确定至少一个目标备选因素为至少一个关键因素。例如，磷酸生产工艺的处理系统从备选因素中选出关键程度大于0.1的因素作为关键因素。
还存在一种可选的方案，在得到第一排序结果之后，磷酸生产工艺的处理系统根据第一排序结果选出关键程度位于前n位的备选因素，如图4所示的一种可选的关键因素的关键程度的示意图，在图4中，通过第一模型得到了10个最为重要的备选因素作为关键因素，由图4可知，关键因素1的重要程度最大，其对第一目标变量的影响程度最大。其中，在图4所示的图中，横坐标为备选因素的关键程度，纵坐标为备选因素。
需要说明的是，通过基于关键程度对备选因素进行排序，截取关键程度较高的因素用于磷酸生产工艺的实施控制，可以有效提高磷酸生产工艺的控制效率，提升可执行度。
另外，在确定关键因素之后，进一步根据关键因素确定工艺推荐参数。详细步骤可以包括：
步骤s2040，确定磷酸生产工艺的第二目标变量；
步骤s2042，基于第二模型、第二目标变量以及至少一个关键因素确定工艺推荐参数，其中，第二模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括第二目标变量以及至少一个关键因素。
需要说明的是，第一目标变量与第二目标变量可以为同一个目标变量，其中，第二目标变量包括如下至少之一：矿石萃取率以及非水溶残磷率。另外，步骤s1042中的第二模型为工艺推荐参数模型，该模型也是通过决策树的方式实现的，其中，第二模型的输出与第一模型的输出相同，但第二模型的输入为关键因素，而非矿石品位数据。
此外，还需要说明的是，通过决策树的方式，可以寻找到在当前的来料情况下，满足一定的样本量要求的最优节点所在，从而确定出对应的工艺推荐参数。为使推荐的参数具备一定的普适性，在本申请中，决策树至少覆盖10％以上的样本量。
可选的，图5示出了一种磷酸生产工艺的处理方法的流程图，由图5可知，本申请所提供的磷酸生产工艺的处理方法主要由五个步骤组成，即矿石品位检测、历史数据检索、模型构建、关键因素识别以及工艺参数推荐。其中，模型构建包括第一模型和第二模型的构建。另外，上述五个步骤已在上述内容中进行说明，在此不再赘述。
另外，在基于第一模型确定矿石品位数据中的至少一个关键因素之前，磷酸生产工艺的处理系统需要对数据进行积累，其中，对数据积累的内容的要求包括但不限于图6所示的数据积累要求所包含的内容，其中，图6所示的数据积累数据包括来料数据、过程数据以及结果数据。
可选的，来料数据包括但不限于mgo、p2o5、fe2o3、al2o3的含量以及粉矿细度含水量等数据；过程数据包括但不限于料浆的液固比、反应温度、反应时间、反应过程的液相so3浓度、液相p2o5浓度等数据；结果数据包括但不限于磷矿石萃取率，非水溶残磷率等数据。
需要说明的是，在生产过程不发生变化的情况下，来料数据的变化对结果数据产生了一定的影响。以磷矿石的磷含量为例，不同的含磷量下的残磷率呈现了不同的分布，如图7所示的矿石元素a含量对残磷率的影响示意图，当矿石元素a含量较高时，整体的残磷分布越小，反之越大。其中，在图7中，横坐标表示残频率，纵坐标表矿石元素a含量对残磷率的影响程度。
此外，还需要说明的是，磷酸的的生产过程是典型的流程型生产过程，其中，生产过程是连续进行的，不能中断。另外，生产过程的加工顺序是固定不变的，生产设施按照工艺流程进行布置。最后，工作人员按照固定的工艺流程，连续不断地通过一系列的设备和装备，进而被加工处理成产品。如图8所示，磷酸的生产过程依次经过磨矿、调浆、萃取反应、过滤以及渣场等各个过程。在基于第一模型确定矿石品位数据中的至少一个关键因素之前，本申请所提供的磷酸生产工艺的处理方法还利用时间的方式对各个过程中的数据进行关联。具体步骤如下：
步骤s30，确定磷酸生产工艺的检测时间点以及检测时间点对应的磷酸生产工艺的第三目标变量；
步骤s32，根据检测时间点确定磷酸生产工艺的工艺阶段对应的时间范围；
步骤s34，计算在时间范围内的多个检测数据的平均值；
步骤s36，对多个检测数据的平均值与第三目标变量进行关联，得到关联关系。
具体的，以图8为例进行说明。在图8中，检测时间点为t0，则每个工艺阶段对应的检测时间点为t0-ti，其中，i表示第i个工艺阶段，例如，反应阶段对应的检测时间点是t0-t2，矿粉进入流程(即磨矿阶段)的检测时间点为t0-t4。
在一种可选的方案中，根据检测时间点确定磷酸生产工艺的工艺阶段对应的时间范围，可以包括：
步骤s40，根据检测时间点确定磷酸生产工艺的工艺阶段对应的时间点；
步骤s42，确定磷酸生产工艺的工艺阶段对应的消耗时长；
步骤s44，根据磷酸生产工艺的工艺阶段对应的时间点以及消耗时长确定工艺阶段对应的时间范围。
可选的，由于原材料在每个工艺阶段中都需要过程时间(即消耗时长)δti，例如，反应阶段的停留时间为δt2，调浆阶段的停留时间为δt3。为了能够更好的反应过程变化的情况，需要提取反应的过程平均量。即每个工艺阶段对一个的时间范围为[t0-ti-δti/2，t0-ti+δti/2]，则每个工艺阶段的过程平均量时间范围在[t0-ti-δti/2，t0-ti+δti/2]的数据的平均值。
对于第三目标变量yt0，工艺阶段的平均值
在一种可选的方案中，根据述检测时间点确定磷酸生产工艺的工艺阶段对应的时间点，可以包括：
步骤s50，确定磷酸生产工艺的第四目标变量；
步骤s52，基于决策树模型以及第四目标变量确定每个工艺阶段对应的多个平均值以及多个平均值对应的特征重要程度；
步骤s54，对每个工艺阶段对应的多个平均值对应的特征重要程度进行排序，得到第二排序结果；
步骤s56，根据第二排序结果确定每个工艺阶段的特征重要程度最高时的最高平均值；
步骤s58，将最高平均值所对应的时间点作为该工艺阶段所对应的时间点。
具体的，已知
针对确定的工艺阶段，将每个工艺阶段对应的时间范围分为个子时间范围，并重复执行步骤s30至步骤s36，得到多个ti，m及δti，n，并得到下式：
其中，ti，m∈[ti，min，ti，max]，δti，n∈[δti，min，δti，max]
通过上述方式可构建出
需要说明的是，基于图9所示的方法流程图，得到的ti，m与δti，n即为对目标变量产生影响的检测时间点以及时间范围。另外，图10示出了根据以上方法获取检测时间点以及时间范围的方法流程图，其中，构建不同变量的时间特征的步骤实现的是确定不同工艺阶段对应的检测时间点以及时间范围的过程，鉴于上文已对该内容进行说明，在此不再赘述。
此外，还需要说明的是，为了提高磷的转换效率，得到较高的萃取率，在得到工艺推荐参数之后，工作人员还可根据关联关系对工艺推荐参数进行调节，得到与实际情况相符的工艺推荐参数，进而根据调整后的工艺推荐参数对磷酸生产工艺中的工艺参数进行调整，以得到较高的磷萃取率。可选的，根据工艺推荐参数对磷酸生产工艺的工艺参数进行调节，可以包括如下步骤：
步骤s60，根据关联关系确定对第三目标变量产生影响的第一参数；
步骤s62，根据第一参数对工艺推荐参数进行调节，得到第二参数；
步骤s64，根据第二参数对磷酸生产工艺的工艺参数进行调节。
另外，在确定工艺推荐参数之后，可以估算出工艺推荐参数带来的萃取率的提升以及较差的工艺参数造成萃取率降低的程度。如图11所示，残磷率的数值越小，磷酸生产工艺越优，如图11中的较优工艺参数对应的残磷率要低于全局工艺参数对应的残磷率，而全局工艺参数对应的残磷率低于较差工艺参数对应的残磷率
需要说明的是，本申请所提供的方案利用关键因素识别方法及决策树的方式，同时考虑多变量对磷酸工艺的影响，实现磷酸生产工艺参数的优化。另外，本申请所提供的方案进一步考虑了来料数据的不同对生产结果的影响，针对不同的来料情况针对性的给出优化方案，提升磷酸的生产效率。最后，本申请所提供的方案可以面向流程型生产，自动关联结果数据与过程数据，寻找出每个工艺参数对结果造成影响的时间点及影响时间范围。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的磷酸生产工艺的处理方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例，还提供了一种磷酸生产工艺的处理方法，其中，图12示出了磷酸生产工艺的处理方法的流程图，如图12所示，该方法包括如下步骤：
步骤s1202，显示输入的矿石品位数据。
需要说明的是，矿石品位表征了矿石的品质(即质量)，其中，矿石品位数据用于表征矿石中每个组分的含量，例如，mgo在矿石中的含量。
在一种可选的方案中，工作人员人工对矿石的质量进行检测，并将检测到的矿石品位数据输入至磷酸生产工艺的处理系统，磷酸生产工艺的处理系统在得到矿石品位数据之后，显示输入的矿石品位数据。
在另一种可选的方案中，矿石品位检测设备可对矿石的质量进行自动检测，并将检测结果传输至磷酸生产工艺的处理系统，磷酸生产工艺的处理系统在接收到检测结果之后，显示矿石品位数据。
此外，还需要说明的是，磷酸生产工艺的处理系统显示矿石品位数据的显示形式可以为图表形式、文字形式，在本申请中不对具体的显示形式进行限定，对数据进行显示的方法均可应用在本申请中。
步骤s1204，显示根据矿石品位数据中的至少一个关键因素所确定的磷酸生产工艺的工艺推荐参数。
需要说明的是，磷酸生产工艺的工艺推荐参数包括但不限于料浆的液固比、反应温度、反应时间、反应过程的液相so3浓度、液相p2o5浓度。矿石品位数据中的关键因素为矿石品位数据中对磷酸生产工艺的萃取率和/或残磷率具有影响的元素，例如，矿石元素a的含量越高，残磷率越小，因此，可将矿石元素a的含量作为关键因素。
在一种可选的方案中，磷酸生产工艺的处理系统在得到矿石品位数据之后，可基于决策树模型确定矿石品位数据中的至少一个关键因素，并根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数。
步骤s1206，输出根据工艺推荐参数对磷酸生产工艺中的工艺参数的调整结果。
需要说明的是，工艺推荐参数为磷酸生产工艺的处理系统根据矿石品位数据中的关键因素所得到的工艺参数，该工艺参数能够使得磷酸生产工艺的处理系统输出较高的萃取率和/或较低的残磷率。
在一种可选的方案中，在得到工艺推荐参数之后，磷酸生产工艺的处理系统根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整，并显示调整后的工艺参数。然后，磷酸生产工艺的处理系统根据调整后的工艺参数进行磷酸提取，并显示磷酸的萃取率和/或残磷率。
在另一种可选的方案中，在得到工艺推荐参数之后，磷酸生产工艺的处理系统根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整，并显示调整后的工艺参数。工作人员对调整后的工艺参数进行分析，确定调整后的工艺参数是否与实际情况相符，如果不相符，工作人员可对工艺参数再次进行调整。在调整结束之后，磷酸生产工艺的处理系统根据调整后的工艺参数进行磷酸提取，并显示磷酸的萃取率和/或残磷率。
基于上述步骤s1202至步骤s1206所限定的方案，可以获知，采用根据来料情况自动确定工艺参数的方式，在获取矿石品位数据之后，基于决策树模型确定矿石品位数据中的至少一个关键因素，然后根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数，并根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。其中，决策树模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量。
容易注意到的是，由于不同的矿石品位数据对应的关键因素可能不同，因此，在得到矿石品位数据之后，基于决策树模型可得到该矿石品位数据对应的多个关键因素，进而根据多个关键因素确定对磷酸生产工艺的工艺参数进行调整的目标工艺参数。即本申请所提供的方案可以根据不同的矿石品位数据以及矿石品位数据中的多个因素同时进行分析，以确定最优的目标工艺参数，进而根据最优的目标工艺参数对磷酸生产工艺的工艺参数进行优化，提升萃取率，降低残磷率。
由此可见，本申请所提供的方案可以解决由于无法同时对磷酸生产工艺中的多个工艺变量进行分析以确定最优的来料状况，导致磷转换效率低的技术问题。
实施例3
根据本发明实施例，还提供了一种用于实施上述磷酸生产工艺的处理方法的磷酸生产工艺的处理装置，如图13所示，该装置130包括：第一确定模块1301、第二确定模块1303以及处理模块1305。
其中，第一确定模块1301，用于基于第一模型确定矿石品位数据中的至少一个关键因素，其中，第一模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量；第二确定模块1303，用于根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数；处理模块1305，用于根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。
此处需要说明的是，上述第一确定模块1301、第二确定模块1303以及处理模块1305对应于实施例1中的步骤s202至步骤s206，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
在一种可选的方案中，第一确定模块包括：第三确定模块、第四确定模块以及第一处理模块。其中，第三确定模块，用于确定矿石品位数据对应的波动范围；第四确定模块，用于从历史矿石品位数据中确定满足波动范围的目标矿石品位数据；第一处理模块，用于基于第一模型对目标矿石品位数据进行关键因素识别，得到至少一个关键因素。
此处需要说明的是，上述第三确定模块、第四确定模块以及第一处理模块对应于实施例1中的步骤s2020至步骤s2024，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
在一种可选的方案中，磷酸生产工艺的处理装置还包括：第五确定模块、第六确定模块、第七确定模块以及构建模块。其中，第五确定模块，用于确定磷酸生产工艺的第一目标变量，其中，第一目标变量包括如下至少之一：矿石萃取率以及非水溶残磷率；第六确定模块，用于根据磷酸生产工艺的工艺阶段确定磷酸生产工艺的过程数据，其中，过程数据包括如下至少之一：料浆的液固比、反应温度、反应时间、反应过程的元素浓度；第七确定模块，用于确定磷酸生产工艺的来料数据，其中，来料数据至少包括矿石中至少一个元素的含量；构建模块，用于根据第一目标变量、过程数据以及来料数据构建第一模型。
此处需要说明的是，上述第五确定模块、第六确定模块、第七确定模块以及构建模块对应于实施例1中的步骤s10至步骤s16，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
在一种可选的方案中，第一处理模块包括：识别模块、第八确定模块、第一排序模块以及第九确定模块。其中，识别模块，用于基于第一模型对目标矿石品位数据进行关键因素识别，得到至少一个备选因素；第八确定模块，用于基于第一模型确定至少一个备选因素对应的关键程度；第一排序模块，用于依据关键程度对至少一个备选因素进行排序，得到第一排序结果；第九确定模块，用于根据第一排序结果从至少一个备选因素中确定至少一个关键因素。
此处需要说明的是，上述识别模块、第八确定模块、第一排序模块以及第九确定模块对应于实施例1中的步骤s20至步骤s26，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
在一种可选的方案中，第九确定模块包括：选择模块以及第十确定模块。其中，选择模块，用于根据第一排序结果选出关键程度大于预设关键程度的至少一个目标备选因素；第十确定模块，用于确定至少一个目标备选因素为至少一个关键因素。
在一种可选的方案中，第二确定模块包括：第十一确定模块以及第十二确定模块。其中，第十一确定模块，用于确定磷酸生产工艺的第二目标变量；第十二确定模块，用于基于第二模型、第二目标变量以及至少一个关键因素确定工艺推荐参数，其中，第二模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括第二目标变量以及至少一个关键因素。
此处需要说明的是，上述第十一确定模块以及第十二确定模块对应于实施例1中的步骤s2040至步骤s2042，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
在一种可选的方案中，磷酸生产工艺的处理装置还包括：第十三确定模块、第十四确定模块、计算模块以及关联模块。其中，第十三确定模块，用于确定磷酸生产工艺的检测时间点以及检测时间点对应的磷酸生产工艺的第三目标变量；第十四确定模块，用于根据检测时间点确定磷酸生产工艺的工艺阶段对应的时间范围；计算模块，用于计算在时间范围内的多个检测数据的平均值；关联模块，用于对多个检测数据的平均值与第三目标变量进行关联，得到关联关系。
此处需要说明的是，上述第十三确定模块、第十四确定模块、计算模块以及关联模块对应于实施例1中的步骤s30至步骤s36，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
在一种可选的方案中，第十四确定模块包括：第十五确定模块、第十六确定模块以及第十七确定模块。其中，第十五确定模块，用于根据检测时间点确定磷酸生产工艺的工艺阶段对应的时间点；第十六确定模块，用于确定磷酸生产工艺的工艺阶段对应的消耗时长；第十七确定模块，用于根据磷酸生产工艺的工艺阶段对应的时间点以及消耗时长确定工艺阶段对应的时间范围。
此处需要说明的是，上述第十五确定模块、第十六确定模块以及第十七确定模块对应于实施例1中的步骤s40至步骤s44，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
在一种可选的方案中，第十五确定模块包括：第十八确定模块、第十九确定模块、第二排序模块、第二十确定模块以及第二处理模块。其中，第十八确定模块，用于确定第四目标变量；第十九确定模块，用于基于决策树模型以及第四目标变量确定每个工艺阶段对应的多个平均值以及多个平均值对应的特征重要程度；第二排序模块，用于对每个工艺阶段对应的多个平均值对应的特征重要程度进行排序，得到第二排序结果；第二十确定模块，用于根据第二排序结果确定每个工艺阶段的特征重要程度最高时的最高平均值；第二处理模块，用于将最高平均值所对应的时间点作为该工艺阶段所对应的时间点。
此处需要说明的是，上述第十八确定模块、第十九确定模块、第二排序模块、第二十确定模块以及第二处理模块对应于实施例1中的步骤s50至步骤s58，五个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
在一种可选的方案中，处理模块包括：第三处理模块、第一调节模块以及第二调节模块。其中，第三处理模块，用于根据关联关系确定对第三目标变量产生影响的第一参数；第一调节模块，用于根据第一参数对工艺推荐参数进行调节，得到第二参数；第二调节模块，用于根据第二参数对磷酸生产工艺的工艺参数进行调节。
此处需要说明的是，上述第三处理模块、第一调节模块以及第二调节模块对应于实施例1中的步骤s60至步骤s64，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
实施例4
根据本发明实施例，还提供了一种用于实施上述磷酸生产工艺的处理方法的磷酸生产工艺的处理系统，该系统包括：输入装置、处理单元以及输出装置。
其中，输入装置，用于输入矿石品位数据；处理单元，用于基于第一模型确定矿石品位数据中的至少一个关键因素，并根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数，然后根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整，其中，第一模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量；输出装置，用于输出对工艺参数的调整结果。
由上可知，采用根据来料情况自动确定工艺参数的方式，在获取矿石品位数据之后，基于第一模型确定矿石品位数据中的至少一个关键因素，然后根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数，并根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。其中，第一模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量。
容易注意到的是，由于不同的矿石品位数据对应的关键因素可能不同，因此，在得到矿石品位数据之后，基于第一模型可得到该矿石品位数据对应的多个关键因素，进而根据多个关键因素确定对磷酸生产工艺的工艺参数进行调整的目标工艺参数。即本申请所提供的方案可以根据不同的矿石品位数据以及矿石品位数据中的多个因素同时进行分析，以确定最优的目标工艺参数，进而根据最优的目标工艺参数对磷酸生产工艺的工艺参数进行优化，提升萃取率，降低残磷率。
由此可见，本申请所提供的方案可以解决由于无法同时对磷酸生产工艺中的多个工艺变量进行分析以确定最优的来料状况，导致磷转换效率低的技术问题。
实施例5
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行磷酸生产工艺的处理方法中以下步骤的程序代码：基于第一模型确定矿石品位数据中的至少一个关键因素，其中，第一模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量；根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数；根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。
可选地，图14是根据本发明实施例的一种计算机终端的结构框图。如图14所示，该计算机终端a可以包括：一个或多个(图中仅示出一个)处理器1402、存储器1404、以及传输装置1406。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的磷酸生产工艺的处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的磷酸生产工艺的处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端a。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：基于第一模型确定矿石品位数据中的至少一个关键因素，其中，第一模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量；根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数；根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。
可选的，上述处理器还可以执行如下步骤的程序代码：确定矿石品位数据对应的波动范围；从历史矿石品位数据中确定满足波动范围的目标矿石品位数据；基于第一模型对目标矿石品位数据进行关键因素识别，得到至少一个关键因素。
可选的，上述处理器还可以执行如下步骤的程序代码：确定磷酸生产工艺的第一目标变量，其中，第一目标变量包括如下至少之一：矿石萃取率以及非水溶残磷率；根据磷酸生产工艺的工艺阶段确定磷酸生产工艺的过程数据，其中，过程数据包括如下至少之一：料浆的液固比、反应温度、反应时间、反应过程的元素浓度；确定磷酸生产工艺的来料数据，其中，来料数据至少包括矿石中至少一个元素的含量；根据第一目标变量、过程数据以及来料数据构建第一模型。
可选的，上述处理器还可以执行如下步骤的程序代码：基于第一模型对目标矿石品位数据进行关键因素识别，得到至少一个备选因素；基于第一模型确定至少一个备选因素对应的关键程度；依据关键程度对至少一个备选因素进行排序，得到第一排序结果；根据第一排序结果从至少一个备选因素中确定至少一个关键因素。
可选的，上述处理器还可以执行如下步骤的程序代码：根据第一排序结果选出关键程度大于预设关键程度的至少一个目标备选因素；确定至少一个目标备选因素为至少一个关键因素。
可选的，上述处理器还可以执行如下步骤的程序代码：确定磷酸生产工艺的第二目标变量；基于第二模型、第二目标变量以及至少一个关键因素确定工艺推荐参数，其中，第二模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括第二目标变量以及至少一个关键因素。
可选的，上述处理器还可以执行如下步骤的程序代码：确定磷酸生产工艺的检测时间点以及检测时间点对应的磷酸生产工艺的第三目标变量；根据检测时间点确定磷酸生产工艺的工艺阶段对应的时间范围；计算在时间范围内的多个检测数据的平均值；对多个检测数据的平均值与第三目标变量进行关联，得到关联关系。
可选的，上述处理器还可以执行如下步骤的程序代码：根据检测时间点确定磷酸生产工艺的工艺阶段对应的时间点；确定磷酸生产工艺的工艺阶段对应的消耗时长；根据磷酸生产工艺的工艺阶段对应的时间点以及消耗时长确定工艺阶段对应的时间范围。
可选的，上述处理器还可以执行如下步骤的程序代码：确定第四目标变量；基于决策树模型以及第四目标变量确定每个工艺阶段对应的多个平均值以及多个平均值对应的特征重要程度；对每个工艺阶段对应的多个平均值对应的特征重要程度进行排序，得到第二排序结果；根据第二排序结果确定每个工艺阶段的特征重要程度最高时的最高平均值；将最高平均值所对应的时间点作为该工艺阶段所对应的时间点。
可选的，上述处理器还可以执行如下步骤的程序代码：根据关联关系确定对第三目标变量产生影响的第一参数；根据第一参数对工艺推荐参数进行调节，得到第二参数；根据第二参数对磷酸生产工艺的工艺参数进行调节。
本领域普通技术人员可以理解，图14所示的结构仅为示意，计算机终端也可以是智能手机(如android手机、ios手机等)、平板电脑、掌声电脑以及移动互联网设备(mobileinternetdevices，mid)、pad等终端设备。图14其并不对上述电子装置的结构造成限定。例如，计算机终端a还可包括比图14中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图14所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-onlymemory，rom)、随机存取器(randomaccessmemory，ram)、磁盘或光盘等。
实施例6
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的磷酸生产工艺的处理方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于第一模型确定矿石品位数据中的至少一个关键因素，其中，第一模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量；根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数；根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：确定矿石品位数据对应的波动范围；从历史矿石品位数据中确定满足波动范围的目标矿石品位数据；基于第一模型对目标矿石品位数据进行关键因素识别，得到至少一个关键因素。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：确定磷酸生产工艺的第一目标变量，其中，第一目标变量包括如下至少之一：矿石萃取率以及非水溶残磷率；根据磷酸生产工艺的工艺阶段确定磷酸生产工艺的过程数据，其中，过程数据包括如下至少之一：料浆的液固比、反应温度、反应时间、反应过程的元素浓度；确定磷酸生产工艺的来料数据，其中，来料数据至少包括矿石中至少一个元素的含量；根据第一目标变量、过程数据以及来料数据构建第一模型。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于第一模型对目标矿石品位数据进行关键因素识别，得到至少一个备选因素；基于第一模型确定至少一个备选因素对应的关键程度；依据关键程度对至少一个备选因素进行排序，得到第一排序结果；根据第一排序结果从至少一个备选因素中确定至少一个关键因素。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据第一排序结果选出关键程度大于预设关键程度的至少一个目标备选因素；确定至少一个目标备选因素为至少一个关键因素。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：确定磷酸生产工艺的第二目标变量；基于第二模型、第二目标变量以及至少一个关键因素确定工艺推荐参数，其中，第二模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括第二目标变量以及至少一个关键因素。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：确定磷酸生产工艺的检测时间点以及检测时间点对应的磷酸生产工艺的第三目标变量；根据检测时间点确定磷酸生产工艺的工艺阶段对应的时间范围；计算在时间范围内的多个检测数据的平均值；对多个检测数据的平均值与第三目标变量进行关联，得到关联关系。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据检测时间点确定磷酸生产工艺的工艺阶段对应的时间点；确定磷酸生产工艺的工艺阶段对应的消耗时长；根据磷酸生产工艺的工艺阶段对应的时间点以及消耗时长确定工艺阶段对应的时间范围。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：确定第四目标变量；基于决策树模型以及第四目标变量确定每个工艺阶段对应的多个平均值以及多个平均值对应的特征重要程度；对每个工艺阶段对应的多个平均值对应的特征重要程度进行排序，得到第二排序结果；根据第二排序结果确定每个工艺阶段的特征重要程度最高时的最高平均值；将最高平均值所对应的时间点作为该工艺阶段所对应的时间点。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据关联关系确定对第三目标变量产生影响的第一参数；根据第一参数对工艺推荐参数进行调节，得到第二参数；根据第二参数对磷酸生产工艺的工艺参数进行调节。
实施例7
根据本发明实施例，还提供了一种磷酸生产工艺的处理方法，其中，图15示出了磷酸生产工艺的处理方法的流程图，如图15所示，该方法包括如下步骤：
步骤s1502，获取多组数据，其中，多组数据中的每组数据均包括矿石品位数据以及矿石品位数据中的至少一个关键因素；
步骤s1504，基于机器学习使用矿石品位数据以及至少一个关键因素进行训练，得到第一模型，其中，第一模型输出矿石品位数据中的至少一个关键因素，至少一个关键因素用于确定磷酸生产工艺的工艺推荐参数，矿石品位数据至少包括矿石中有用组分的含量。
需要说明的是，上述第一模型可以为决策树模型。矿石品位表征了矿石的品质(即目标元素质量)，其中，矿石品位数据用于表征矿石中每个组分的含量，例如，mgo在矿石中的含量。上述磷酸生产工艺可以为湿法磷酸工艺，上述磷酸生产过程中矿石品位数据中的关键因素为矿石品位数据中对磷酸生产工艺的萃取率和/或残磷率具有影响的元素，例如，矿石品位a越高，残磷率越小，因此，可将矿石品位a作为关键因素。
此外，还需要说明的是，磷酸生产工艺的工艺推荐参数包括但不限于料浆的液固比、反应温度、反应时间、反应过程的液相so3浓度、液相p2o5浓度。
可选的，在得到第一模型之后，基于第一模型可得到矿石品位数据中的关键因素，进一步地，磷酸生产工艺的处理系统根据预设模型来确定磷酸生产工艺的工艺推荐参数，其中，该预设模型可以是通过机器学习训练得到的模型，该预设模型的输入为关键因素在矿石中的含量，输出为工艺推荐参数。在得到工艺推荐参数之后，磷酸生产工艺的处理系统还根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整，
需要说明的是，为了提高磷的转换效率，得到较高的萃取率，在得到工艺推荐参数之后，工作人员还可根据实际情况对工艺推荐参数进行适应调节，得到与实际情况相符的工艺推荐参数，并根据调整后的工艺推荐参数对磷酸生产工艺中的工艺参数进行调整，以得到较高的磷萃取率。
基于上述步骤s1502至步骤s1504所限定的方案，可以获知，采用根据来料情况自动确定工艺参数的方式，在获取矿石品位数据之后，基于第一模型确定矿石品位数据中的至少一个关键因素，然后根据至少一个关键因素确定磷酸生产工艺的工艺推荐参数，并根据工艺推荐参数对磷酸生产工艺中的工艺参数进行调整。其中，第一模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括矿石品位数据以及至少一个关键因素，矿石品位数据至少包括矿石中有用组分的含量。
容易注意到的是，由于不同的矿石品位数据对应的关键因素可能不同，因此，在得到矿石品位数据之后，基于第一模型可得到该矿石品位数据对应的多个关键因素，进而根据多个关键因素确定对磷酸生产工艺的工艺参数进行调整的目标工艺参数。即本申请所提供的方案可以根据不同的矿石品位数据以及矿石品位数据中的多个因素同时进行分析，以确定最优的目标工艺参数，进而根据最优的目标工艺参数对磷酸生产工艺的工艺参数进行优化，提升萃取率，降低残磷率。
由此可见，本申请所提供的方案可以解决由于无法同时对磷酸生产工艺中的多个工艺变量进行分析以确定最优的来料状况，导致磷转换效率低的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！