草酸钴粒度分布的RBFNN混合建模与优化

论文摘要

本文以“863”国家高科技攻关项目—湿法冶金优化控制软件系统开发为依托,研究湿法冶金草酸钴合成过程粒度分布的建模与优化。湿法冶金是利用某种溶剂,借助化学反应,对原料中的金属提取和分离的冶金过程。钴是一种战略金属,是硬质合金的主要原料之一。随着超细硬质合金工业的发展,不仅对钴粉的化学成分提出了更高的要求,而且对钴粉的物理性能如粒度、粒度分布等也提出了要求,不但要求粒径大小符合要求,而且要求分布集中。钴粉一般由草酸钴分解得到,草酸钴的形貌与粒度决定钴粉的形貌与粒度。目前国内对钴粉、草酸钴的粒度一直沿用前苏联的控制方法,采用松装密度来表示,但此法不能满足日益增长的硬质合金发展的需要。为此,研究钴粉、草酸钴的粒度变化规律成了新的课题。而目前国内尚未出现关于草酸钴粒度分布的模型化与优化研究,大多采用实验方法获取不同操作条件下的松装密度,成本较高,且不易获得。草酸钴是在湿法冶炼钴的合成过程中沉淀析出的。本文首先在深入了解草酸钴合成工艺的基础上,结合现场的实际生产情况,确立了草酸钴合成过程的关键工艺参数与操作变量：关键工艺参数为草酸钴的粒度分布,操作变量为结晶温度、搅拌速率、草酸铵的浓度与流速。本文在深入了解草酸钴合成过程机理的基础上,将反应动力学、结晶动力学、粒数衡算、物料衡算的原理应用到草酸钴沉淀结晶的过程中,建立了草酸钴粒度分布与操作变量的机理模型。该模型中操作变量为结晶温度、搅拌速率、草酸铵的浓度与流速；状态方程为粒数衡算方程与物料衡算方程；输出为平均粒径与粒径相对体积方差。该模型描述的过程是一动态过程,但最终会趋向于稳态,而且在实际的生产中很难得到中间过程输出,仿真时只取其稳态值。运用粒度分级思想将物料衡算方程、粒数衡算方程转化为普通微分方程,并进行了肪真,模拟了各操作变量对草酸钴粒度分布的影响,得到了各操作变量的影响趋势,并得到现场实际生产的验证。由于结晶过程的复杂性,结晶动力学参数的不完备性,所建的机理模型是在很多假设与简化的基础上得到的模型,精度难以满足实际生产的要求。故本文在机理模型的基础上,采用RBF神经网络,建立了更为实用的机理—RBFNN的并联混合模型,RBFNN中心的选取采用动态自适应聚类方法,基函数的宽度取各类的标准差,输出线性权值由最小二乘法获得,对最后得到的RBFNN采用删除策略简化网络结构,并进行了仿真。结果表明,机理—RBFNN的并联混合模型比单纯的机理模型与“黑箱“模型的预测精度都高。本文在混合模型的基础上,通过深入了解合成过程工艺,确定了草酸钴粒度分布的优化目标与约束(模型约束、生产工艺与能力约束、质量与产率的约束),建立了草酸钴粒度分布的优化模型,利用罚函数思想对优化模型进行了转换,并采用自适应遗传算法对草酸钴粒度分布进行优化。优化结果表明,本文所建立的优化模型可以较好的实现对草酸钻粒度分布的优化,得到平均粒径符合要求的产品,同时又降低了相对体积方差,提高了产品的质量,对指导草酸钴的工业生产有重要意义。

论文目录

• 摘要
• ABSTRACT
• 符号说明
• 第1章 绪论
• 1.1 选题工业背景
• 1.2 研究的目的和意义
• 1.3 研究现状
• 1.4 本文主要工作
• 第2章 湿法冶金草酸钴合成工艺
• 2.1 湿法冶金概述
• 2.2 草酸钴合成过程简介
• 2.2.1 合成过程相关概念
• 2.2.2 工艺过程
• 2.2.3 草酸钴合成釜
• 2.3 草酸钴合成过程的关键工艺参数和影响因素
• 2.4 基础自动化的配备
• 2.5 本章小结
• 第3章 RBF神经网络混合建模方法
• 3.1 系统建模方法
• 3.2 混合建模方法简介
• 3.2.1 并联混合建模
• 3.2.2 串联混合建模
• 3.2.3 串并联混合建模
• 3.3 RBF神经网络建模
• 3.3.1 神经网络简介
• 3.3.2 RBF神经网络结构
• 3.3.3 RBF神经网络的特点
• 3.3.4 RBF神经网络存在的问题
• 3.3.5 RBF神经网络算法
• 3.4 基于RBFNN的并联混合建模
• 3.4.1 模型结构
• 3.4.2 并联混合建模优点
• 3.5 本章小结
• 第4章 草酸钴粒度分布机理建模及仿真
• 4.1 建模依据
• 4.2 草酸钴粒度分布的影响因素
• 4.2.1 沉淀结晶过程
• 4.2.2 影响因素
• 4.3 机理模型的建立
• 4.3.1 建模过程
• 4.3.2 机理模型
• 4.4 机理模型仿真及分析
• 4.4.1 仿真过程
• 4.4.2 仿真分析
• 4.4.3 平均粒径与相对体积方差的关系
• 4.5 本章小结
• 第5章 草酸钴粒度分布混合建模及仿真
• 5.1 混合模型的建立
• 5.1.1 混合建模的必要性
• 5.1.2 混合模型的结构框架
• 5.1.3 混合模型的算法流程
• 5.1.4 机理模型简化
• 5.1.5 参数辨识模块
• 5.1.6 RBFNN补偿模型
• 5.2 混合模型仿真及分析
• 5.2.1 基于动态聚类的RBFNN混合模型仿真
• 5.2.2 基于动态聚类与删除策略的RBFNN混合模型仿真
• 5.3 本章小结
• 第6章 草酸钴粒度分布优化
• 6.1 优化模型的建立
• 6.2 优化过程
• 6.3 优化结果及分析
• 6.4 本章小结
• 第7章 总结与展望
• 7.1 总结
• 7.2 展望
• 参考文献
• 致谢