鄒筱瑜 王福利 常玉清 王敏 蔡慶宏

過程運(yùn)行狀態(tài)評價指在過程安全、正常運(yùn)行的前提下,進(jìn)一步對過程運(yùn)行性能優(yōu)劣做出評價,并對非優(yōu)原因進(jìn)行追溯,為操作人員提供合理可靠的操作指導(dǎo)建議.過程運(yùn)行狀態(tài)優(yōu)劣評價指標(biāo)種類眾多,其中,綜合經(jīng)濟(jì)指標(biāo)(Comprehensive economic index,CEI)是最常用的評價指標(biāo)之一,CEI將物耗、能耗、產(chǎn)品質(zhì)量等指標(biāo)融合為經(jīng)濟(jì)效益的綜合指標(biāo).有效的運(yùn)行狀態(tài)評價方法有助于保證過程CEI最大化.因此,近年來對運(yùn)行狀態(tài)評價方法的研究越來越多.

性能評價方法已廣泛應(yīng)用于各個領(lǐng)域[1?4].層次分析法(Analytic hierarchy process,AHP)是一種研究初期盛行的方法,AHP以指標(biāo)的拓?fù)浣Y(jié)構(gòu)為基礎(chǔ),已廣泛應(yīng)用于環(huán)境和風(fēng)險評價中[5?7].過程危害分析法(Process hazards analysis,PHA)和專家系統(tǒng)是基于過程知識的方法,已應(yīng)用于風(fēng)險和狀態(tài)評價中[8?9].灰色關(guān)聯(lián)分析法(Grey relational analysis,GRA)是一種處理小樣本情況的方法,曾應(yīng)用于環(huán)境和經(jīng)濟(jì)效益的評價[10].作為人工智能方法發(fā)展的一個重要成果,人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network,ANN)擁有強(qiáng)大的學(xué)習(xí)能力和非線性處理能力.基于ANN的評價方法得到廣泛應(yīng)用,例如臨界狀態(tài)評估等[11?12].其他常用評價方法還包括信息理論、動態(tài)概率理論等,已應(yīng)用于結(jié)構(gòu)破壞評價[13]、空氣質(zhì)量評價[14]等領(lǐng)域.但上述典型評價方法并沒有針對過程運(yùn)行狀態(tài)優(yōu)劣程度在線評價進(jìn)行深入研究.

過程運(yùn)行狀態(tài)在線評價是近幾年誕生的一個新興研究方向.對于數(shù)據(jù)呈單峰分布的過程,Liu等針對線性和非線性的情況,分別提出了基于Total projection to latent structure(T-PLS)[15]和Kernel total projection to latent structure(KT-PLS)[16]的評價方法.對于數(shù)據(jù)呈多峰分布的過程,Liu等提出了基于高斯混合模型回歸(Gaussian mixture model regression,GMR)[17]的評價方法.此類方法雖能實(shí)現(xiàn)過程運(yùn)行狀態(tài)在線評價,卻過度依賴于數(shù)據(jù)質(zhì)量,要求數(shù)據(jù)測量準(zhǔn)確、實(shí)時,否則,會使評價準(zhǔn)確度和精度大大降低,甚至造成評價模型失效.

在實(shí)際生產(chǎn)過程中,存在大量無法準(zhǔn)確、實(shí)時測量的變量,變量取值可能來自于粗糙的測量、離線化驗(yàn)、專家定性估計等,即不確定信息在實(shí)際流程工業(yè)過程中廣泛存在.此類不確定性主要來源于惡劣的生產(chǎn)環(huán)境和落后的測量技術(shù).Pawlak提出的粗糙集(Rough set,RS)理論是一種在不確定性存在的前提下進(jìn)行推理的方法[18?19],現(xiàn)已廣泛應(yīng)用于安全性評價和風(fēng)險評價等領(lǐng)域[20?21],但還未有研究將RS應(yīng)用于含不確定性的過程運(yùn)行狀態(tài)最優(yōu)性在線評價中.

當(dāng)過程運(yùn)行于非優(yōu)運(yùn)行狀態(tài)時,需進(jìn)行原因追溯.傳統(tǒng)的非優(yōu)原因追溯方法多基于確定性信息.基于指標(biāo)分解的非優(yōu)原因追溯方法是最常用的方法,Liu等[15]和Zou等[22]將優(yōu)性評價指標(biāo)分解為與變量相關(guān)的單項(xiàng)式和作為變量對優(yōu)性指標(biāo)的貢獻(xiàn)和.超出歷史最優(yōu)運(yùn)行狀態(tài)時貢獻(xiàn)范圍的變量,被認(rèn)定為非優(yōu)原因變量.只有優(yōu)性指標(biāo)可被分解為獨(dú)立的變量貢獻(xiàn)時,此方法才有效.Liu等[16?17]將優(yōu)性指標(biāo)對每個變量的偏導(dǎo)數(shù)值作為相應(yīng)變量的貢獻(xiàn),并將超出最優(yōu)運(yùn)行狀態(tài)時貢獻(xiàn)范圍的變量作為非優(yōu)原因變量.該方法僅適用于優(yōu)性評價指標(biāo)為連續(xù)可導(dǎo)函數(shù)的情況.當(dāng)過程存在不確定信息時,上述兩類方法都難以直接應(yīng)用.

本文旨在解決含不確定信息的流程工業(yè)過程運(yùn)行狀態(tài)優(yōu)性評價和非優(yōu)原因追溯問題.流程工業(yè)過程含有多生產(chǎn)單元、多變量等特點(diǎn),同一生產(chǎn)單元內(nèi)變量耦合程度高,單元間變量耦合程度低,整體變量規(guī)模龐大.若將傳統(tǒng)評價方法直接應(yīng)用于流程工業(yè)過程中,可能存在以下三個主要問題:1)問題規(guī)模龐大,模型復(fù)雜,難以準(zhǔn)確建立;2)過程變量并不直接影響最終評價指標(biāo),而是通過一系列中間工藝指標(biāo),逐步逐層影響綜合評價指標(biāo),因此,難以直接提取過程變量與最終評價指標(biāo)的相關(guān)性;3)在非優(yōu)情況下,非優(yōu)原因變量難以快速定位,模型解釋性差.考慮到實(shí)際復(fù)雜流程工業(yè)過程特點(diǎn)和數(shù)據(jù)特性,本文提出基于RS的分層分塊模型,應(yīng)用于過程運(yùn)行狀態(tài)最優(yōu)性在線評價和非優(yōu)原因追溯.根據(jù)流程工業(yè)過程管理方向和生產(chǎn)流程進(jìn)行縱向分層和橫向分塊,用RS對每一個子塊分別進(jìn)行建模.在分層分塊模型的基礎(chǔ)上,進(jìn)行評價和非優(yōu)原因追溯.本文所提方法考慮到不確定信息,合理簡化問題規(guī)模,兼顧子塊內(nèi)和子塊間的信息、不同層次指標(biāo)之間的關(guān)系,提高評價精度和解釋性.

1 分層分塊評價模型的建立

針對流程工業(yè)過程多變量、多生產(chǎn)單元、含不確定性、有不同層次指標(biāo)的特點(diǎn),提出一種基于RS的分層分塊模型(RS based hierarchical multi-block model,RSHMM),進(jìn)行運(yùn)行狀態(tài)評價,簡化問題規(guī)模,提高模型解釋性.

1.1 分層分塊結(jié)構(gòu)的提出

為了簡化運(yùn)行狀態(tài)評價問題的規(guī)模,使得運(yùn)行狀態(tài)評價模型具有更強(qiáng)的物理意義,根據(jù)工業(yè)過程流程、工藝特性和工藝指標(biāo)等級的分布,將一個流程工業(yè)過程劃分為不同層次,每一層劃分為不同子塊.管理層次的細(xì)致程度決定了層次的數(shù)目,過程規(guī)模和工藝特性決定了子塊的數(shù)目.本文采用的單元層、功能區(qū)層和全流程層的劃分方法是一種常見的流程工業(yè)過程劃分方法,但不是唯一的劃分方法.一個流程工業(yè)過程的層次和子塊的劃分如圖1所示.縱向,劃分為全流程層、功能區(qū)層和單元層;橫向,功能區(qū)層劃分為M個功能區(qū),第m個功能區(qū)劃分為Nm個運(yùn)行單元.全流程包含整個流程工業(yè)生產(chǎn)過程;一個功能區(qū)包含獨(dú)立完成一個生產(chǎn)功能的所有生產(chǎn)單元;一個生產(chǎn)單元包含聯(lián)系緊密的一系列設(shè)備,同一生產(chǎn)單元內(nèi)變量強(qiáng)耦合.一個單元模型的輸入為過程變量,輸出為單元層工藝指標(biāo);在建立單元指標(biāo)與單元內(nèi)過程變量的模型時,提取了與單元指標(biāo)有關(guān)的變量相關(guān)性特征.一個功能區(qū)模型的輸入為體現(xiàn)單元特性的所有單元層工藝指標(biāo),輸出為功能區(qū)層工藝指標(biāo).在建立功能區(qū)指標(biāo)與單元指標(biāo)的模型時,提取了與相應(yīng)功能區(qū)指標(biāo)有關(guān)的單元指標(biāo)之間的相關(guān)特征、耦合關(guān)系.同理,全流程模型的輸入為各個功能區(qū)層工藝指標(biāo),輸出為全流程評價指標(biāo).在建立全流程評價指標(biāo)與功能區(qū)層工藝指標(biāo)的關(guān)系時,提取了與全流程評價指標(biāo)有關(guān)的功能區(qū)指標(biāo)之間的相關(guān)特征、耦合關(guān)系.同時,也相當(dāng)于提取了與全流程指標(biāo)相關(guān)的單元子塊間的相關(guān)關(guān)系.工藝指標(biāo)一般包括質(zhì)量指標(biāo)和消耗指標(biāo).在評價過程中,不能單獨(dú)通過一個子塊的工藝指標(biāo)判斷該子塊的優(yōu)劣程度,但可建立低一層工藝指標(biāo)狀態(tài)與高一層指標(biāo)狀態(tài)的關(guān)系,最終得到全流程指標(biāo)和相關(guān)工藝指標(biāo)的關(guān)系.同一模型內(nèi)變量/指標(biāo)之間相關(guān)性相對較強(qiáng),不同模型間變量/指標(biāo)之間相關(guān)性相對較弱.

1.2 基于RSHMM的離線建模

在完成分層分塊結(jié)構(gòu)的建立之后,由于不確定信息的存在,采用RS對每一個子模型進(jìn)行建模,建立輸入與輸出之間的對應(yīng)關(guān)系.

1.2.1 RS理論簡介

RS是Pawlak提出的一種在信息系統(tǒng)內(nèi)表達(dá)不確定信息的方法[18?19,23].假設(shè)U為目標(biāo)的非空有限集合,稱為論域,X為論域的一個子集(概念),A是一個有限的屬性集合,R是A的一個子集.對于論域中的一個元素x,令[x]R是一個包含x的集合,其中,[x]R中的元素在關(guān)系R上都相同.[x]R稱為x在關(guān)系R上的等價類.對于論域的任何子集X,X的上、下近似分別定義為

其中,R(X)包含U中所有可以確定屬于X的元素,(X)包含U中所有可能屬于X的元素.X的R-邊界域定義為

如果X的邊界域?yàn)榭?即BNR(X)=?,則稱X是R可定義的,否則稱X是R不可定義的.R可定義集稱作R-精確集,R不可定義集也稱作RRough集,在不發(fā)生混淆的情況下,簡稱Rough集.

RS的約簡和推理在決策表的基礎(chǔ)上進(jìn)行.決策表的每一列表示一個屬性,每個屬性的取值被劃分為若干離散狀態(tài).通常,屬性可分為條件屬性和決策屬性.決策表每一行代表論域中的一個元素和一種推理規(guī)則.規(guī)則以IF(條件),THEN(決策)的形式表達(dá),來實(shí)現(xiàn)推理決策.RS理論參見文獻(xiàn)[23].

1.2.2 離線建模

在實(shí)際生產(chǎn)中,一部分變量可以實(shí)時、定量測量,還有一部分變量無法準(zhǔn)確、實(shí)時測量,變量取值可能來自于粗糙的測量、離線化驗(yàn)、專家定性估計等.本文旨在解決存在大量不確定信息的流程工業(yè)過程運(yùn)行狀態(tài)評價問題.

在建立如圖1的分層分塊結(jié)構(gòu)基礎(chǔ)上,用RS建立每個子模型的輸入和輸出之間的關(guān)系.采集充足的、覆蓋所有運(yùn)行狀態(tài)等級的歷史數(shù)據(jù),以分層分塊結(jié)構(gòu)為基礎(chǔ),自頂向下,確定各子模型的決策屬性和條件屬性,組織決策表.每個子模型的輸入輸出,如圖2所示.離線建模數(shù)據(jù)包括全流程評價指標(biāo)CEI、功能區(qū)層評價指標(biāo)、單元層評價指標(biāo)、各單元內(nèi)過程變量和表征生產(chǎn)工況的變量.在全流程層,以全流程運(yùn)行狀態(tài)綜合評價指標(biāo)CEI為決策屬性,以功能區(qū)層工藝指標(biāo)=[Z1, Z2,···, ZM]和代表過程生產(chǎn)工況的變量C為條件屬性,組織決策表,其中,(m=1,2,···,M)為功能區(qū)m的Im個指標(biāo),為第i個指標(biāo)的取值,D為歷史樣本數(shù)目.過程運(yùn)行狀態(tài)可根據(jù)CEI的水平劃分為不同等級,CEI越高,反映出運(yùn)行狀態(tài)等級越好.在功能區(qū)層,針對第m個功能區(qū),以該功能區(qū)工藝指標(biāo)分別為決策屬性,以單元層工藝指標(biāo)和C為條件屬性,組織第m個功能區(qū)的決策表,其中,為第m個功能區(qū)第n個單元的Im,n個指標(biāo),為第i個指標(biāo)的取值.在單元層,針對第m個功能區(qū)第n個單元,分別以該單元工藝指標(biāo)為決策屬性,以該單元內(nèi)過程變量m,n和C為條件屬性,組織該單元的決策表,其中,,Jm,n為第m個功能區(qū)第n個單元包含的過程變量個數(shù).不同生產(chǎn)工況下,過程對同樣操作的響應(yīng)特性不同,運(yùn)行狀態(tài)性能的評價指標(biāo)所能達(dá)到的水平不同,性能評價標(biāo)準(zhǔn)也不同.因此,需要在每一層次每一子塊的輸入中加入反應(yīng)過程生產(chǎn)工況的信息C.如果過程運(yùn)行于單一工況,那么不需要進(jìn)行工況區(qū)分,C為空.建立各子模型的決策表之后,將過程變量、工藝指標(biāo)和評價指標(biāo)進(jìn)行離散化,即把無限空間中無限的個體映射到有限的空間中去,以此提高算法的時空效率.變量和指標(biāo)的狀態(tài)劃分可采用傳統(tǒng)的等距離離散化方法[23]或聚類方法[24],也可借助專家經(jīng)驗(yàn)[25]進(jìn)行劃分.基于分層分塊結(jié)構(gòu)的評價模型,自頂向下進(jìn)行離散化.離散化是應(yīng)對過程信息不確定性的有效手段.針對定量測量的變量,將變量取值離散化為不同狀態(tài)等級,并用一系列正整數(shù)對不同等級進(jìn)行順次編號.針對定性估計的變量,將每一種定性狀態(tài)作為一個變量狀態(tài)等級,并進(jìn)行編號.值得注意的是,本文所指變量狀態(tài)等級只與變量幅值大小有關(guān),與變量優(yōu)劣無關(guān),只有全流程運(yùn)行狀態(tài)等級才與性能優(yōu)劣有關(guān);后文中,假設(shè)所有變量均已合理離散化.

圖2 離線模型輸入輸出示意圖Fig.2The diagram of input and output for the offline model

在組織決策表并離散化之后,需要對每一張決策表進(jìn)行約簡,即在保持分類能力不變的前提下,刪除對決策沒有影響的條件屬性[26?27].常用的屬性約簡方法有一般約簡算法、基于差別矩陣和邏輯運(yùn)算的屬性約簡算法、歸納屬性約簡算法等.

離線建模最后的操作是提取決策規(guī)則.規(guī)則庫中決策規(guī)則為IF(條件),THEN(決策)的形式,即啟發(fā)式規(guī)則.條件為各條件屬性狀態(tài)取邏輯和的形式,決策為相應(yīng)決策屬性的狀態(tài).決策規(guī)則是進(jìn)行分層分塊評價和追溯的基礎(chǔ).

2 基于RSHMM的流程工業(yè)過程運(yùn)行狀態(tài)評價

2.1 在線評價

通常,流程工業(yè)過程中間工藝指標(biāo)和綜合評價指標(biāo)難以直接在線獲得.因此,本文利用建立的分層分塊模型,自底向上逐步推理出工藝指標(biāo)和綜合評價指標(biāo)的狀態(tài).1)通過過程變量的測量值,利用單元層各RS模型推理出單元層各工藝指標(biāo)的狀態(tài);2)以單元層工藝指標(biāo)狀態(tài)為基礎(chǔ),用功能區(qū)層RS模型推理出功能區(qū)層各工藝指標(biāo)的狀態(tài);3)以功能區(qū)層工藝指標(biāo)狀態(tài)為基礎(chǔ),用全流程層RS模型推理全流程綜合評價指標(biāo)CEI的狀態(tài).最終運(yùn)行狀態(tài)等級評價策略以CEI在一定時間窗口內(nèi)的狀態(tài)為基礎(chǔ),進(jìn)行進(jìn)一步判斷.

獲得時刻t的在線數(shù)據(jù)后,用與離線建模相同的離散化方法,得到離散化后的數(shù)據(jù),其中,ct表示過程生產(chǎn)工況,表示各子塊內(nèi)包含的變量,J為變量維數(shù).

為降低評價對噪聲的敏感度,時刻t的等級判斷不能以單個時刻的CEIt為標(biāo)準(zhǔn).引入長度為H的滑動窗口,以t時刻滑動窗口{CEIt?H+1,CEIt?H+2,···,CEIt}內(nèi),出現(xiàn)頻率最高的 CEI狀態(tài)等級作為此時運(yùn)行狀態(tài)等級的評價結(jié)果,記為Gdt.若出現(xiàn)頻率最高的CEI狀態(tài)等級不止一個,則保持前一時刻評價結(jié)果不變.運(yùn)用此評價規(guī)則,針對一個存在L個運(yùn)行狀態(tài)等級的過程,其初始狀態(tài)的確定,最多需要λ個時刻的評價,其中,λ=max{L+1,H}.

在確定初始運(yùn)行狀態(tài)等級后,具體在線評價步驟總結(jié)如下:

步驟1.獲取t時刻在線數(shù)據(jù)并離散化得xt=;

步驟2.構(gòu)造推理第m個功能區(qū)中第n個單元工藝指標(biāo)的基礎(chǔ);

步驟 3.根據(jù)單元層工藝指標(biāo)的RS模型,由推理

步驟4.構(gòu)造推理第m個功能區(qū)工藝指標(biāo)的基礎(chǔ),其中,;

步驟5.根據(jù)功能區(qū)層工藝指標(biāo)的RS模型,由推理;

步驟6.構(gòu)造推理全流程綜合評價指標(biāo)CEI的基礎(chǔ),其中,;

步驟 7.根據(jù)全流程RS評價模型,由zt推理出CEIt;

步驟 8.以t時刻滑動窗口{CEIt?H+1,CEIt?H+2,···,CEIt}內(nèi),出現(xiàn)頻率最高的 CEI狀態(tài)等級作為此時運(yùn)行狀態(tài)等級的評價結(jié)果,記為Gdt.若出現(xiàn)頻率最高的CEI狀態(tài)等級不止一個,則保持前一時刻評價結(jié)果不變.

2.2 非優(yōu)原因追溯

非優(yōu)原因追溯的目的是在過程運(yùn)行狀態(tài)處于非優(yōu)等級時,找到導(dǎo)致非優(yōu)狀態(tài)的原因,為操作人員提供生產(chǎn)指導(dǎo).為查找真正的非優(yōu)原因變量,提供使生產(chǎn)調(diào)整代價最小的最優(yōu)生產(chǎn)條件作為參考,本文提出一種基于匹配度的非優(yōu)原因追溯方法,查找非優(yōu)原因,提供調(diào)整方向,保證調(diào)整的有效性和可行性.所提方法考慮到了最優(yōu)生產(chǎn)狀態(tài)與當(dāng)前生產(chǎn)情況的差異度、變量調(diào)整的幅度、變量調(diào)整的難易程度等.

在分層分塊的基礎(chǔ)上,自頂向下,進(jìn)行查找.本文通過衡量當(dāng)前非優(yōu)數(shù)據(jù)與最優(yōu)運(yùn)行狀態(tài)規(guī)則庫中數(shù)據(jù)的匹配程度,選取與當(dāng)前非優(yōu)數(shù)據(jù)匹配度最大的優(yōu)規(guī)則作為參考,與此優(yōu)參考數(shù)據(jù)差異度較大的屬性為非優(yōu)的屬性.對于一個非優(yōu)的指標(biāo),需要繼續(xù)以相同方法向下查找更深層次的非優(yōu)原因.直到查找到單元層非優(yōu)的過程變量為止,得到非優(yōu)原因.

一次查找中,規(guī)則匹配的過程如圖3所示,其中,a1a2a3···aJ′和分別表示當(dāng)前的非優(yōu)數(shù)據(jù)在各屬性的狀態(tài)取值和與之匹配度最大的優(yōu)規(guī)則在各屬性的狀態(tài)取值,J′為條件屬性個數(shù).用匹配度公式衡量當(dāng)前數(shù)據(jù)與優(yōu)規(guī)則的匹配情況.匹配度選取的準(zhǔn)則為:1)兩個數(shù)據(jù)中相同的屬性越多,匹配度越大;2)兩個數(shù)據(jù)中屬性等級的級差越大,匹配度越小;3)兩個數(shù)據(jù)中不同的屬性調(diào)整越容易,匹配度越大.

其中,|aj?ak,j|為aj和ak,j的等級差,Aj為屬性j的等級總數(shù),βj為屬性j的權(quán)重,權(quán)重越小,相應(yīng)屬性可操作性越強(qiáng),且滿足,利用式(3),可在最優(yōu)規(guī)則庫中選取與a匹配度最高的規(guī)則,記為a?.然后利用差異度,確定a確定a中非優(yōu)的屬性.定義a和a?中第j個屬性的差異度為

基于RSHMM的非優(yōu)原因追溯如圖4所示.在全流程層,需要查找zt中導(dǎo)致非優(yōu)的功能區(qū)層指標(biāo).以全流程層RS模型為基礎(chǔ),將決策屬性CEI為優(yōu)的數(shù)據(jù)構(gòu)成全流程層的最優(yōu)規(guī)則庫.計算zt與最優(yōu)規(guī)則庫中每條規(guī)則的匹配度,得到與之匹配度最大的優(yōu)參考規(guī)則,記為.對比zt和中的每個屬性狀態(tài)取值的差異,差異度大的為非優(yōu)的屬性,需要進(jìn)一步查找其非優(yōu)原因.在獲得的同時,對應(yīng)的單元層指標(biāo)和過程變量也可以相應(yīng)獲得,這些數(shù)據(jù)構(gòu)成新的優(yōu)規(guī)則庫,是下一層追溯的基礎(chǔ).

圖3 非優(yōu)原因追溯中的規(guī)則匹配示意圖Fig.3 Schematic diagram of the rule matching in non-optimal cause identification

圖4 基于RSHMM的非優(yōu)原因追溯示意圖Fig.4 Schematic diagram of non-optimal cause identification based on RSHMM

3 仿真分析

圖5 金濕法冶金工藝流程示意圖Fig.5 The flow chart of the gold hydrometallurgy process production

金濕法冶金過程是一個典型的流程工業(yè)過程.與傳統(tǒng)火法冶金不同,金濕法冶金將礦石中固態(tài)的金轉(zhuǎn)換為礦漿中液態(tài)的金,再用鋅粉進(jìn)行置換,在冶金效率和環(huán)境保護(hù)方面有較大優(yōu)勢.但是,金濕法冶金過程含有大量不確定性,很多變量只能定性估計,而不能定量測量.因此,本章以國內(nèi)某金濕法冶金過程為背景,驗(yàn)證所提方法的有效性和可行性.該金濕法冶金工藝流程如圖5所示,過程包含三個功能區(qū):浸出功能區(qū)、洗滌功能區(qū)和置換功能區(qū).浸出功能區(qū)包含一次浸出單元和二次浸出單元.浸出單元用適當(dāng)?shù)娜軇┨幚淼V石或精礦,使黃金以金氰絡(luò)合物離子形態(tài)進(jìn)入溶液,而脈石及其他雜質(zhì)不溶解.因此,黃金和原礦物雜質(zhì)以固–液相的形式區(qū)分開來.洗滌功能區(qū)包含一次洗滌單元和二次洗滌單元.壓濾洗滌單元起到固液分離的作用,將富含金氰絡(luò)合物離子的貴液輸送到置換功能區(qū),將固體雜質(zhì)進(jìn)行回收利用.兩浸兩洗的工藝設(shè)置保證了黃金浸出率.置換功能區(qū)利用鋅粉與金氰絡(luò)合物離子發(fā)生的置換反應(yīng),將液相的黃金重新變?yōu)楣滔?此功能區(qū)規(guī)模不大,變量相關(guān)性強(qiáng),不需再細(xì)分為不同生產(chǎn)單元.因此,金濕法冶金過程的分層分塊結(jié)構(gòu)為:全流程層是金濕法冶金全流程;功能區(qū)層包含浸出、洗滌和置換功能區(qū);單元層包括浸出功能區(qū)中的第一次浸出和第二次浸出單元,以及洗滌功能區(qū)中的第一次洗滌和第二次洗滌單元.

本節(jié)將所提方法應(yīng)用于我們課題組開發(fā)的金濕法冶金半實(shí)物仿真平臺中.此仿真平臺模擬了所研究的金濕法冶金生產(chǎn)過程.經(jīng)過長時間的實(shí)踐、修正和完善,可以較為準(zhǔn)確地模擬該濕法冶金生產(chǎn)過程,為實(shí)際生產(chǎn)決策提供參考.經(jīng)過深入研究,選取與CEI密切相關(guān)的15個工藝指標(biāo)和34個過程變量用于實(shí)現(xiàn)該過程的分層分塊結(jié)構(gòu)運(yùn)行狀態(tài)評價,分別列于表1和表2中.過程運(yùn)行狀態(tài)劃分為優(yōu)、中、差三個等級,分別對應(yīng)CEI高、中、低三個狀態(tài).從半實(shí)物仿真平臺采集三個等級的數(shù)據(jù)各2000組作為建模數(shù)據(jù),每組數(shù)據(jù)包含生產(chǎn)條件、過程變量、單元層指標(biāo)、功能區(qū)層指標(biāo)和全流程評價指標(biāo)CEI的變量狀態(tài).采集300組數(shù)據(jù)作為測試數(shù)據(jù),每組數(shù)據(jù)包括生產(chǎn)條件、單元層各子塊所含變量的狀態(tài).這300組測試數(shù)據(jù)模擬了運(yùn)行狀態(tài)等級從優(yōu)變?yōu)橹械纳a(chǎn)過程:前150組測試數(shù)據(jù)運(yùn)行于優(yōu)運(yùn)行狀態(tài);從第151組測試數(shù)據(jù)開始,模擬礦漿來料量增多時,未能及時增加二浸NaCN添加量,導(dǎo)致運(yùn)行狀態(tài)從優(yōu)變?yōu)橹械倪^程.選取滑動窗口長度H=5,用本文所提RSHMM方法分別進(jìn)行運(yùn)行狀態(tài)評價和非優(yōu)原因追溯.

表1 各層評價指標(biāo)列表Table 1 The assessment indices for each level

表2 濕法冶金過程變量表Table 2 The variables of the gold hydrometallurgy process

圖6是基于本文所提RSHMM方法的全流程評價結(jié)果,能較為準(zhǔn)確地判斷出運(yùn)行狀態(tài)等級的變化,幾個時刻的判斷延遲主要來源于離散化步驟的信息損失.RSHMM方法不僅能夠得到全流程運(yùn)行狀態(tài)等級的評價結(jié)果,還能得到各級過程指標(biāo)的狀態(tài),利于提高解釋性,快速定位導(dǎo)致非優(yōu)運(yùn)行狀態(tài)的原因變量,對生產(chǎn)調(diào)整提供清晰的指導(dǎo).非優(yōu)原因追溯結(jié)果如圖7所示,所提方法能夠準(zhǔn)確定位非優(yōu)原因變量,并且深入展示非優(yōu)運(yùn)行狀態(tài)產(chǎn)生的原因.

圖6 基于RSHMM的在線評價結(jié)果Fig.6 RSHMM based online assessment result

表3 RSHMM和RS評價正確率對比(%)Table 3 The assessment accuracy rate comparison of RSHMM and RS(%)

圖7 基于RSHMM的非優(yōu)原因追溯結(jié)果Fig.7 RSHMM based non-optimal cause identification result

同時,將該過程用傳統(tǒng)RS方法進(jìn)行評價.經(jīng)過反復(fù)實(shí)驗(yàn)證明,基于RSHMM和RS評價方法的正確率與建模數(shù)據(jù)量有較大關(guān)系.表3是在不同的建模數(shù)據(jù)量下,RSHMM和RS評價的正確率.可見,當(dāng)建模數(shù)據(jù)量少時,RSHMM的正確率遠(yuǎn)大于RS.而當(dāng)建模數(shù)據(jù)量大到一定程度時,兩種方法正確率差距較小.用基于RS的方法進(jìn)行追溯,追溯結(jié)果雖然包含了正確的非優(yōu)原因,但同時也包含了其他因素,追溯結(jié)果解釋性差.

綜上所述,相比于傳統(tǒng)的不分層評價方法,本文所提方法有如下優(yōu)勢:1)對建模數(shù)據(jù)量的要求更低;2)解釋性強(qiáng),展示各層次指標(biāo)和變量的狀態(tài),利于深入分析過程運(yùn)行狀態(tài)產(chǎn)生的原因;3)候選非優(yōu)原因變量范圍小,更符合實(shí)際生產(chǎn)需求;4)可以清晰、準(zhǔn)確、快速定位非優(yōu)原因變量,指導(dǎo)生產(chǎn)調(diào)整.

4 結(jié)論

針對含不確定信息的流程工業(yè)過程運(yùn)行狀態(tài)評價問題,本文考慮到流程工業(yè)特點(diǎn)和數(shù)據(jù)特性,提出一種基于分層分塊結(jié)構(gòu)的流程工業(yè)過程運(yùn)行狀態(tài)評價和非優(yōu)原因追溯方法.所提方法清晰直觀地表達(dá)了流程工業(yè)工藝特性,以及變量、指標(biāo)之間的層次關(guān)系.因此,可以通過過程變量,逐步推算綜合評價指標(biāo)的狀態(tài),實(shí)現(xiàn)全流程的評價.對于非優(yōu)運(yùn)行狀態(tài),在分層分塊結(jié)構(gòu)的基礎(chǔ)上,利用匹配度公式,逐步查找非優(yōu)的指標(biāo)和過程變量,最終確定導(dǎo)致非優(yōu)的原因變量,提供生成指導(dǎo).最后,將所提方法應(yīng)用于某金濕法冶金過程,取得了良好效果,證明了所提方法的有效性、準(zhǔn)確性和可解釋性.考慮到不確定信息,各子塊分別用RS建模,但RS離散化過程中存在信息損失,評價精度有限.后續(xù)研究將會集中于提高運(yùn)行狀態(tài)評價精度.