李 鹏

（甘肃工业职业技术学院，甘肃 天水 741025）

在有色金属银湿法冶炼萃取的过程中，银的含量测定对于生产过程中的自动控制具有非常重要的作用，但由于现有的含量测定仪器普遍存在精度不高、连续运行可靠性差、投资大等缺点，难以在实际生产过程中进行应用，因此工作人员只能凭借经验、根据离线分析值去控制冶炼萃取的过程，无法保证产品的收率与纯度[1]。这种方法主要通过选取一些比较容易进行测量的辅助变量，并利用这些辅助变量构成一种数学上的变量关系来估计和推断暂时不能测量的或者难以进行测量的一些重要变量的值。

1 建立含量测定分析混合模型

首先建立一个混合模型，该混合模型的主要由先验机理模型与神经网络模型组成。在混合模型中，分别使3个独立的RBF神经网络来对各段的未知非线性函数关系进行拟合，这三个RBF神经网络分别是RBF1、RBF2与RBF3，其对应的三个未知非线性函数关系分别是fe、fw、fx。利用该混合模型中的先验机理模型与神经网络进行串联，从而对有色金属银湿法冶炼萃取过程中的银进行含量测量。

2 建立影响因素与浓度的未知函数关系

要想对混合模型中的先验机理模型与神经网络进行串联，首先要建立理想情况下也就是达到平衡时，各个影响因素与水相中银离子浓度的未知函数关系。从有机相储罐中提取出一些新鲜的有机相作为实验原料，然后分别配制银离子含量不同的水相与有机相，并利用分液漏斗作为实验工具来进行萃取平衡实验。将银离子含量不同的水相与有机相按一定的相比分别倒入分液漏斗中,然后振荡分液漏斗将溶液混合，混合完毕后将其静置一段时间进行分相处理，并对达到平衡后的水相pH值进行调节，最后对水相金属离子浓度进行分析并将用于辨识的实验数据仔细记录下来。

3 进行函数拟合

在萃取段、洗涤段和反萃段的平衡实验结束后，将这三组实验数据分别记录下来，然后利用RBF1、RBF2与RBF3这三个不同的神经网络对三个未知非线性函数关系fe、fw、fx进行拟合。在萃取段的第一级，神经网络的输入分别是萃取液的pH值pe(t)、相比(Fx,w(t)+Fx,m(t)/Fy(t)、有机相中银离子的浓度y0(t)以及混合前水相中银离子的浓度x2(t-t2)。而神经网络的输入在理想情况下也就是达到平衡时，水相中银离子的浓度为x＊1(t)。当神经网络中隐含层节点的个数为n时，RBF1的神经网络结构如图1所示。

图1 RBF 1的神经网络结构

在RBF1、RBF2与RBF3这三个不同的神经网络建立完成后，将萃取段、洗涤段和反萃段的平衡实验数据输入神经网络中，对这三个不同的神经网络进行训练，其目的是为了获取输出层与隐含层之间的连接权值与隐含层节点的中心。对这三个不同的神经网络进行训练首先要将平衡实验的样本数据处理为归一化状态，接着将平衡实验的样本数据与神经网络隐含层节点中心进行一一的对应与匹配并将神经网络隐含层节点中心与平衡实验样本数据的计算出来，然后根据实际情况选择适当的宽度参数并将活化矩阵计算出来，最后建立一个神经网络回归模型，利用该模型计算得出网络权值，完成对这三个不同的神经网络的训练。

4 实现含量测定分析

在由先验机理模型与神经网络模型组成的混合模型中，液位、pH值以及流量值都能够在线检测，平均大约10分钟进行一次采样工作，并通过离线分析获取其浓度值，平均大约6小时离线化验一次。当混合模型运行一段时间后，重新采样并再次进行萃取平衡实验来更新混合模型，然后将更新后的混合模型进行神经网络训练，最后将其应用在有色金属银湿法冶炼萃取中对银离子进行含量测定分析，并与最近的现场数据进行对比。

5 实验结果与分析

为了保证实验的有效性，使用传统含量测定分析方法与利用混合模型进行有色金属银湿法冶炼萃取过程中的含量测定分析进行比较，观察实验结果。将使用传统含量测定分析方法与利用混合模型进行有色金属银湿法冶炼萃取过程中的含量测定分析结果与离线含量测定分析结果进行比较，三者的比较结果如图2所示。

图2 含量测定分析比较结果

通过图2可知，利用混合模型进行有色金属银湿法冶炼萃取过程中的含量测定分析相比使用传统含量测定分析方法进行含量测定分析的结果与离线含量测定分析的结果更相近，也就是含量测定分析结果更加准确。

6 结语

利用混合模型进行有色金属银湿法冶炼萃取过程中的含量测定分析的方法也同样适用于其他有色金属湿法冶炼萃取过程中的含量测定分析，并为冶炼萃取过程中能够实施自动控制奠定了一定基础。