本发明涉及锌浸出多工况控制，具体涉及基于回归deepred规则提取的锌浸出多工况控制方法，还涉及一种基于回归deepred规则提取的锌浸出多工况控制系统。
背景技术：
1、火法冶炼和湿法冶炼是当前锌冶炼的两种主要形式，而我国近85%的锌是通过湿法冶炼工艺进行提炼得到的。湿法炼锌流程依次由配料、焙烧、浸出、净化、电解以及熔铸等工序组成。其中，浸出工序是非常重要的生产环节，其将来自上游焙烧工序的锌焙砂进行转化得到硫酸锌溶液并去除溶液中的铁等杂质离子，并将溶液送往下游净化工序除钴、铜等杂质离子。
2、现有技术中，通常采用5个级联的呈高低阶次排布的浸出槽进行工业生产，其中，1#至3#浸出槽为主要的下料槽，其生产目标是在较高酸度的溶液中实现锌焙砂高效浸出；4#、5#浸出槽主要作为除杂槽，通过氧气的通入使得溶液中的亚铁离子氧化成铁离子，而铁离子在酸度较低的溶液中发生水解反应形成固体杂质，从而达到除杂的效果，3#浸出槽作为其中的中间浸出槽，同时关联了浸出前段的锌焙砂溶解与浸出后段的杂质离子去除。针对湿法炼锌的中性浸出过程，一般将其抽象为浸出槽级联的工业拓扑结构进行研究，并且在目前的研究中基本都采用1#-3#的结构，也就是说这种结构的确是一种常规的锌浸出结构。
3、在中性浸出过程中，中间浸出槽出口的ph值是表征中性浸出过程反应状态的重要参数，直接决定着中性浸出过程的前段浸出与后段除杂效果，工艺上对其范围有着严格的要求；若ph值过高，说明过程前段的锌焙砂浸出受到抑制，导致浸出率较低，同时造成原料的浪费；若ph值过低，则会导致过程后段fe3+水解沉淀不完全，影响后续净化与电解工序的稳定运行。
4、因此，及时准确地获取中间浸出槽出口的ph值，并将其控制在理想的范围内是实现中性浸出过程稳定高效运行的关键。
5、当前，中间浸出槽ph值的控制主要存在以下几个难点：
6、（1）现场以人工控制为主，现场工人根据物理测量装置测得的ph值来手动的进行废酸流量的调节，但现场的物理测量方式采样耗时长，这使得人工控制的实时性较差。此外，人工控制对于人力成本的消耗较大，并且大多依赖现场工人的操作经验，导致控制精度一般不高且控制效果不稳定。
7、（2）利用各类机器学习模型，强化学习和深度学习方法等现代先进工具进行中间浸出槽ph值的智能控制，能够在控制精度上得到保障，但这些方法往往都面临着可解释性不足的问题。在实际的工业现场中，出于生产安全的考虑，工人会对可解释性不足的模型产生信任危机，认为可解释性缺失可能会导致不可预知的重大错误。这极大地限制了高准确度的黑盒、灰盒模型在工业现场的应用。
8、（3）规则作为一种易于被人类理解的形式，是可解释性领域中的一个重要部分，但单纯将规则应用于控制问题之中，由于可解释性与控制精度之间相互矛盾，因此往往会面临控制精度不足的问题。
技术实现思路
1、有鉴于此，本发明提供了基于回归deepred规则提取的锌浸出多工况控制方法、系统，能够针对湿法炼锌的中性浸出过程，解决浸出过程运行状态多样，人工控制精度不足的问题，权衡控制精度与可解释性，实现对中间浸出槽的ph值的智能控制。
2、为了达到上述目的，本发明的基础方案提供基于回归deepred规则提取的锌浸出多工况控制方法，包括以下步骤：
3、步骤100，提取时空特征并用于工况分类；
4、步骤200，提取基于回归deepred的神经网络规则；
5、步骤300，构建基于机理误差补偿的数据模型；
6、步骤400，构建基于规则提取与机理误差补偿的数据模型的ph值控制框架以控制中间浸出槽ph值。
7、在可能的一个设计中，步骤100具体包括，通过划分时间窗口，选择一段时间内的多变量时间序列数据作为单个样本，进行训练和测试；针对多变量时间序列数据具有时空特性的特点，采用慢特征分析sfa的方法提取时间特征，然后采用图注意力网络gat的方法提取空间特征，在提取到时空特征之后，将它们一起作为高斯混合模型gmm的输入进行聚类，通过聚类指标来衡量不同工况数量下的聚类结果好坏，从而将中性浸出数据集分成不同工况。
8、在可能的一个设计中，步骤200具体为，计算每个入口变量时间序列与出口ph值时间序列之间的互信息值，并根据最大互信息值确定每一个入口变量与出口ph值之间的控制时滞，在对数据进行时序配准后，对连续的输入数据和输出数据进行模糊化，将连续的输入数据和输出数据转化为模糊语言子集，然后采用回归deepred的规则提取方法从训练好的神经网络中提取出形式为“if...... then......”的规则，其中规则的前件部分是中性浸出反应槽的焙砂添加量以及混合液、控制时滞时刻下的酸浸上清液的流量和当前时刻的出口ph值，后件部分是1#槽和2#槽的控制时滞时刻下的废酸流量。
9、在可能的一个设计中，步骤300包括，在中性浸出过程中，1#槽和2#槽的废酸流量作为被控量，对中间浸出槽的ph值进行控制，将机理模型与实际模型的偏差作为高精度数据模型的学习目标，以构建基于机理误差补偿的数据模型，该数据模型为全部入口变量关于ph值的模型，全部入口变量包含两个被控量。
10、在可能的一个设计中，所述步骤400包括，通过规则提取获得被控量，即1#槽废酸和2#槽废酸的流量值，然后将两个被控量的值作为输入送到机理误差补偿的数据模型之中，得到机理误差补偿的数据模型的预测值。
11、在可能的一个设计中，步骤400中，机理模型为，
12、对于1#槽：
13、；
14、对于2#槽：
15、；
16、对于3#槽：
17、；
18、假设进出口的液体流量不变，那么有：
19、f1#out=f1#acid+f1#mixed+f1#thermal；
20、f2#out=f1#out+f2#acid；
21、f3#out=f2#out；
22、其中，c1#，c2#，c3#分别表示1#槽、2#槽、3#槽的出口氢离子浓度，f1#acid，f1#mixed，f1#thermal分别表示加入1#槽的废酸，混合液和酸浸上清液的流量值，c1#acid，c1#mixed，c1#thermal分别表示加入1#槽的废酸，混合液和酸浸上清液的浓度，c2#acid，c2#mixed，c2#thermal分别表示加入
23、2#槽的废酸，混合液和酸浸上清液的浓度，f2#acid和c2#acid分别表示加入2#槽的废酸的流量值和浓度，k表示反应速率常数，a1#，a2#，a3#分别表示加入1#槽、2#槽、3#槽的锌焙砂反应固体的有效表面积，f1#out，f2#out，f3#out分别表示1#槽、2#槽、3#槽的出口流量值，v是单反应槽的体积（一般认为3个槽的反应槽体积相等）。且加入1#槽和2#槽的废酸均来源于下游电解工序产生的废电解液，从而有c1#acid=c2#acid。
24、本发明还提供一种基于回归deepred规则提取的锌浸出多工况控制系统，包括存储器、控制处理器及存储在所述存储器上并可在所述控制处理器上运行的计算机程序，所述控制处理器执行所述程序，以实现如前所述的基于回归deepred规则提取的锌浸出多工况控制方法。
25、与现有技术相比，本发明的有益效果为：
26、（1）考虑到中性浸出反应槽内部具有运行状态多样、参数波动大、时空特性明显的特点，本发明提出了一种融合时空特征提取的工况分类方法，在考虑中性浸出过程数据的时空特点的情况下，提取时空特征并用于工况分类，从而提高工况分类的精度，也能够更好的分析浸出反应槽内部的运行特点。
27、（2）考虑到工业控制中对于控制精度与可解释性的平衡性要求，本发明提出了一种基于规则提取与机理误差补偿的数据模型的ph值控制框架，其中规则提取的部分采用了回归deepred方法，能够从高精度的神经网络中提取出高可解释性的if-then规则，并将if-then规则的输出作为被控量加入到机理误差补偿的数据模型中，利用机理误差补偿的数据模型的输出与控制设定值进行反馈，使得整个控制框架能够完整运行，实现中间浸出槽ph值的稳定控制。
1.基于回归deepred规则提取的锌浸出多工况控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于回归deepred规则提取的锌浸出多工况控制方法，其特征在于，步骤100具体包括，通过划分时间窗口，选择一段时间内的多变量时间序列数据作为单个样本，进行训练和测试；针对多变量时间序列数据具有时空特性的特点，采用慢特征分析sfa的方法提取时间特征，然后采用图注意力网络gat的方法提取空间特征，在提取到时空特征之后，将它们一起作为高斯混合模型gmm的输入进行聚类，通过聚类指标来衡量不同工况数量下的聚类结果好坏，从而将中性浸出数据集分成不同工况。
3.根据权利要求1或2所述的基于回归deepred规则提取的锌浸出多工况控制方法，其特征在于，步骤200具体为，计算每个入口变量时间序列与出口ph值时间序列之间的互信息值，并根据最大互信息值确定每一个入口变量与出口ph值之间的控制时滞，在对数据进行时序配准后，对连续的输入数据和输出数据进行模糊化，将连续的输入数据和输出数据转化为模糊语言子集，然后采用回归deepred的规则提取方法从训练好的神经网络中提取出形式为“if...... then......”的规则，其中规则的前件部分是控制时滞配准后的中性浸出反应槽的焙砂添加量以及混合液、酸浸上清液的流量和当前时刻的出口ph值，后件部分是1#槽和2#槽的控制时滞时刻下的废酸流量。
4.根据权利要求3所述的基于回归deepred规则提取的锌浸出多工况控制方法，其特征在于，步骤300包括，在中性浸出过程中，1#槽和2#槽的废酸流量作为被控量，对中间浸出槽的ph值进行控制，将机理模型与实际模型的偏差作为高精度数据模型的学习目标，以构建基于机理误差补偿的数据模型，该数据模型为全部入口变量关于ph值的模型，全部入口变量包含两个被控量。
5.根据权利要求4所述的基于回归deepred规则提取的锌浸出多工况控制方法，其特征在于，所述步骤400包括，通过规则提取获得被控量，即1#槽废酸和2#槽废酸的流量值，然后将两个被控量的值作为输入送到机理误差补偿的数据模型之中，得到机理误差补偿的数据模型的预测值。
6.根据权利要求1、2、4或5任一项所述的基于回归deepred规则提取的锌浸出多工况控制方法，其特征在于，步骤400中，机理模型为，
7.一种基于回归deepred规则提取的锌浸出多工况控制系统，其特征在于，包括存储器、控制处理器及存储在所述存储器上并可在所述控制处理器上运行的计算机程序，所述控制处理器执行所述程序，以实现如权利要求1-6任一项所述的基于回归deepred规则提取的锌浸出多工况控制方法。
