CN100401213C - 选矿过程综合生产指标智能优化控制方法 - Google Patents

Abstract

一种选矿过程综合生产指标智能优化控制方法，属于自动控制技术领域，包括工艺指标设定；控制回路设定；统计过程控制；工艺指标神经网络预报；反馈补偿；前馈补偿等步骤。本发明的优点在于：根据选矿过程综合生产指标精矿品位和金属回收率的要求，通过两层优化设定和前馈、反馈补偿给出当前磨矿工段的工艺指标磨矿粒度和选别工段的工艺指标选别品位的优化设定值，然后给出磨矿工段和选别工段的回路设定值，从而实现选矿过程综合生产指标精矿品位和金属回收率的优化。

Description

选矿过程综合生产指标智能优化控制方法

技术领域

本发明属于自动控制技术领域，特别涉及一种选矿过程综合生产指标智能优化控制方法。

背景技术

选矿过程是将矿石中有用矿物富集到可以直接处理的过程。一般包括磨矿过程和选别过程组成。磨矿作业的基本任务就是使矿物原料粉碎到适宜的粒度，使有用矿物成分从脉石中单体解离，或不同有用矿物成分相互分离。选别过程从单体解离的矿物中将有用的矿物分离出来。选矿过程最终的综合生产指标即金属回收率Rm和精矿品位Tf与磨矿过程的工艺指标磨矿粒度R和选别过程的工艺指标选别品位G密切相关。由于磨矿过程和选别过程具有多变量强耦合、强非线性，而且磨矿粒度R和选别品位G难以连续在线测量，难以用系统的输入与输出的精确数学模型来描述。因此难以采用常规的优化控制方法实现金属回收率Rm和精矿品位Tf的目标值。目前采用由人工根据试验和操作经验进行工艺指标磨矿粒度R和选别品位G以及各个控制回路的设定。

发明内容

针对现有选矿过程不能实现生产指标优化的问题，本发明提出一种选矿过程综合生产指标智能优化控制方法。

本方法提出由工艺指标设定层和回路控制设定层两层结构组成的综合生产指标智能优化控制系统，来保证工艺指标R和G在目标值范围内，从而实现综合生产指标——金属回收率Rm和精矿品位Tf——的优化。

本发明的综合生产指标智能优化控制方法依赖于选矿过程控制系统平台，由智能优化控制软件实现。选矿过程建立了基础自动化系统，配置了分布式计算机控制系统(DCS)、或可编程逻辑控制器(PLC)、或工业控制计算机(IPC)，或分立式工业调节器。

本发明方法依赖的选矿过程控制系统平台，包括：磨矿过程的一段球磨机、螺旋分级机、泵池、二段球磨机、水力旋流器，选别过程的磁选机以及相关设备组成，同时配备了测量仪表，执行机构以及在此基础上构成的过程参数的回路控制系统，一段球磨机的给料皮带上安装称重仪表，在球磨机入口加水管上安装一个流量计和一个电动调节阀门，在球磨机出口加水管上装一个电动调节阀门，在分级机溢流管路上安装密度计，在球磨机及分级机的驱动电机上分别安装功率计或电流计，在振动给料机上安装变频器，在泵池补加水管安装一个流量计和一个电动调节阀门，泵池胶泵上安装变频器，在水力旋流器入口管路上安装压力计和浓度计，球磨机上述测量仪表和执行机构构成磨矿过程回路控制系统，组成电振给料机频率控制新给矿量Q_GKL、球磨机入口补加水电动调节阀控制球磨机入口补加水流量W_F1、球磨机出口补加水电动调节阀调节球磨机控制螺旋分级机溢流浓度D_YLND、泵池胶泵频率控制水力旋流器给矿压力F和泵池补加水控制的水力旋流器给矿浓度D_XGND五个基础控制回路。选别过程的励磁电流I和冲矿水W_CK两个基础控制回路。控制回路的简化结构图如图1所示。

本发明的综合生产指标智能优化软件运行在独立的计算机上，该软件通过与控制计算机(分布式计算机控制系统(DCS)、或可编程逻辑控制器(PLC)、或工业控制计算机(IPC))进行通讯，获得实时的过程数据，并给出选矿过程基本控制回路的优化设定值。

本发明的方法包括以下步骤：(一)工艺指标设定、(二)控制回路设定、(三)统计过程控制(SPC)、(四)工艺指标神经网络预报、(五)反馈补偿、(六)前馈补偿。本发明的选矿过程综合生产指标智能优化控制方法结构图如图2所示。

(一)工艺指标设定

工艺指标设定采用案例推理技术，将综合生产指标转化为工艺指标的磨矿粒度的设定值Rs和选别品位的设定值的Gs。其详细步骤如下：

(A)案例的构造

如表1所示，工况描述为矿石种类K，原矿品位TEr，矿石成分Er与性质Cr，矿石可磨性ζ，矿石可选性λ，金属回收率γ，精矿品位Tf，尾矿品位TE，分别用f1，f2，...f9表示，案例的解为磨矿粒度的目标值Rs，选别品位目标值Gs分别用fs1和fs2表示。

表1工艺指标设定的案例结构

(B)案例的检索

设当前运行工况为C，定义其工况描述为F，解为FS。库中已有案例为C_l(l＝1，…，m)，其工况描述为F_l，解为FS_l，F与F_l的相似度函数为：

$\mathrm{sim}(f_i,f_{l.i})=1-\frac{|f_i-f_{l,i}|}{\mathrm{Max}(f_i,f_{l,i})},(i=1,...,9;l=1,...,m)---\left(1\right)$

当前工况C与库中案例C_l(l＝1，…，m)的相似度函数为

$\mathrm{SIM}(C,C_l)=\frac{\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\×\mathrm{sim}\left(f_{i,}{f}_{l,i}\right)}{\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{\mathrm{\ω}}_i}---\left(2\right)$

${\mathrm{SIM}}_{\max }=\underset{l\∈\{1,...,m\}}{\mathrm{Max}}\left(\mathrm{SIM}(C,C_l)\right)---\left(3\right)$

其中，ω_i是工况描述特征的加权系数。可以根据具体工艺特征或经验确定。相似度阈值SIM_th选择如下：

如果SIM_max≥θ

则SIM_th＝θ

否则SIM_th＝SIM_max    (3’)

θ(0＜θ≤1)是相似度阈值拟取值，根据实际情况变化的。检索出相似度达到阈值SIM_th的库中r个案例作为匹配案例C_j(j＝1，…，r)。

(C)案例重用

Cj与当前工况C的相似度为SIM_j，其对应的案例解为：

FS_j＝(fs_j，1，fs_j，2)。

当前工况C的案例解：

${\mathrm{fs}}_i=\frac{\underset{j=1}{\overset{r}{\mathrm{\Σ}}}{w}_j\×{\mathrm{fs}}_{j,i}}{\underset{j=1}{\overset{r}{\mathrm{\Σ}}}{w}_j},(i=\mathrm{1,2})---\left(4\right)$

其中，w_j为检索出的r个案例的加权系数，按下式确定：

如果SIM_m＝1

则 $w_j=\left\{\begin{array}{cc}1& j=m\\ 0& j\≠m\end{array}\right\}$

否则w_j＝SIM_j

通过重用的案例解即为工艺指标的磨矿粒度的设定值Rs和选别品位的设定值的Gs。

(D)案例修正与存储

判断通过上述步骤得出的工艺指标的磨矿粒度的设定值Rs和选别品位的设定值的Gs是否在生产实际要求的工艺指标范围之内，若是，将其作为工艺指标设定值并将其存储到案例库中。否则，进行修正，直到工艺指标的磨矿粒度的设定值Rs和选别品位的设定值的Gs在生产实际要求的工艺指标范围之内。

(E)案例维护

随着时间的推移，案例库中的案例不断增加，如果不采取适当的措施，在一段时间后出现案例过多、重叠的问题，这样即加大了推理的时间，又使得案例缺乏典型性。为了使案例库控制在一定规模内，必须对加入案例库中的案例进行学习。这里的学习可看成是“合并”或者“泛化”过程。具体操作是这样的：

对准备加入案例库中的新案例C_new，按照前面的相似度计算公式，计算其与案例库中存储的所有旧案例的相似度。设这些相似度分别为：SIM₁，SIM₂…SIN_n(n为案例库中旧案例的个数，0≤SIM_i≤1)。

若求出的所有相似度都小于或者等于某一个给定的阈值ξ₁，0＜ξ₁＜1，则加入该新案例C_new；若至少存在一个相似度大于该阈值，则抛弃该新案例，不存储。

(二)控制回路设定

控制回路设定包括两部分，一是磨矿工段的控制回路设定，二是选别工段的回路设定，二者均采用案例推理技术。

(A)磨矿工段控制回路设定案例的构造

如表2所示，工况描述为矿石种类K，原矿品位TEr，矿石嵌布粒度粗细程度η，块粉比κ，可磨性ζ，磨矿粒度Rs，分别用f11，f12，...f16表示，案例的解为新给矿量Q_GKL，球磨机入口补加水流量W_F1，分级机溢流浓度D_YLND，水力旋流器给矿浓度D_XGND，水力旋流给矿压力F；分别用fs11，fs12......fs15表示。

表2磨矿工段控制回路设定案例结构

(B)选别工段控制回路设定案例的构造

如表2所示，工况描述为矿石种类K，入选品位TEx，矿石可选性λ，给矿浓度D_GK，选别品位Gs，分别用f21，f22，...f25表示，案例的解为磁选机励磁电流I和冲矿水W_CK，分别用fs21和fs22表示。

表3选别工段控制回路设定案例结构

(C)案例的检索

与步骤(一)中的(B)一样

(D)案例重用

与步骤(一)中的(C)一样

(E)案例修正与存储

与步骤(一)中的(D)一样

(F)案例维护

与步骤(一)中的(E)一样

(三)统计过程控制(SPC)

操作员使用磨矿粒度R和选别品位G的化验值来评测工艺指标。采用统计过程控制SPC机制对这些变量的化验值进行处理：

$R=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\mathrm{Rb}\left(i\right)/K---\left(5\right)$

$G=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{Gb}\left(i\right)/K---\left(6\right)$

其中，Rb(i)和Gb(i)分别为磨矿粒度和选别品位的化验值，K为样本数。

(四)工艺指标神经网络预报

工艺指标磨矿粒度R和选别品位G预报模型采用神经网络预报模型，其中磨矿粒度R神经网络预报模型简化结构NN1如图3所示，选别品位G神经网络预报模型NN2如图4所示。

NN1的输入为新给矿量Q_GKL，球磨机入口补加水流量W_F1，分级机溢流浓度D_YLND，水力旋流器给矿浓度D_XGND，水力旋流给矿压力F，输出为磨矿粒度Rp。NN2的输入为磁选机励磁电流I和冲矿水流量W_CK，输出为选别品位Gp。训练算法的导师信号e_r(k)＝R(k)-Rp(K)，e_g(k)＝G(k)-Gp(K)。BP神经网络模型的学习算法采用传统的加权RLS方法。利用导师信号通过调整权值来消除预报误差。

(五)反馈补偿

反馈补偿器为：

N_b(k)＝N_b(k-1)+ΔN_b(k)                             (7)

ΔN_b(k)＝K_bpΔe_b(k)+K_bie_b(k)                       (8)

Δe_b(k)＝e_b(k)-e_b(k-1)，e_b(k)＝[e_b1(k)，e_b2(k)]    (9)

其中，N_b表示磨矿粒度和选别品位的补偿量，磨矿粒度的反馈误差e_b1(k)＝Rs(k)-R(k)，选别品位的反馈误差e_b2(k)＝Gs(k)-G(K)，Rs(k)，Gs(k)分别为磨矿粒度和选别品位的目标值，R(k)，G(k)分别为磨矿粒度和选别品位的实际值。

(六)前馈补偿

前馈补偿器为：

N_f(k)＝N_f(k-1)+ΔN_f(k)                             (10)

ΔN_f(k)＝K_fpΔe_f(k)+K_fie_f(k)                       (11)

Δe_f(k)＝e_f(k)-e_f(k-1)，e_f(k)＝[e_f1(k)，e_f2(k)]    (12)

其中，N_f表示磨矿粒度和选别品位的前馈补偿量，磨矿粒度的预报误差e_f1(k)＝Rs(k)-Rp(k)，选别品位的预报误差e_f2(k)＝Gs(k)-Gp(k)，Rs(k)，Gs(k)分别为磨矿粒度和选别品位的目标值，Rp(k)，Gp(k)分别为磨矿粒度和选别品位的预报值。

K_fp，K_fi，K_bp，K_bi分别是前馈与反馈PI控制器的比例积分参数。

本发明的方法由综合生产指标智能优化软件来实现，其流程框图如图5所示。详细步骤如下：

a)开始。

b)获取边界条件；从数据库中读取或输入边界条件包括矿石种类K，原矿品位TEr，矿石成分Er，与性质Cr，矿石嵌布粒度粗细程度η，块粉比κ，矿石可磨性ζ，矿石可选性λ。

c)设定优化目标；包括金属回收率γ，精矿品位Tf，尾矿品位TE。

d)读取当前工况信息；从系统中读取当前工况信息包括当前的入选品位TEx，给矿浓度D_GK。

e)工艺指标设定；采用(一)描述的案例推理方法给出工艺指标的目标值——磨矿粒度的目标值Rs，选别品位目标值Gs。

f)控制回路预设定；采用(二)描述的案例推理方法，根据磨矿粒度的目标值Rs，给出磨矿过程控制回路新给矿量Q_GKL，球磨机入口补加水流量W_F1，分级机溢流浓度D_YLND，水力旋流器给矿浓度D_XGND，水力旋流给矿压力F的预设定值；根据选别品位目标值Gs给出选别过程控制回路磁选机励磁电流I和冲矿水W_CK的预设定值。

g)需校正否？前馈还是反馈校正？可选择“否”，即不进行校正，直接进入下一步1)；可选择“是，前馈校正”，即进入i)前馈校正；也可选择“是，反馈校正”，即进入k)反馈校正。

h)工艺指标预报；采用(四)描述的方法，利用BP神经网络对工艺指标磨矿粒度Rp和选别品位Gp进行预报，神经网络学习训练算法采用传统的加权RLS方法。

i)前馈校正；采用式(10)-(12)计算磨矿粒度和选别品位的前馈补偿量N_f，对步骤(f)给出的控制回路预设定值进行修正。

j)工艺指标统计；采用式(5)(6)得出磨矿粒度R和选别品位G的化验值。

k)反馈校正；采用式(7)-(9)计算磨矿粒度和选别品位的反馈补偿量N_b，对步骤(f)给出的控制回路预设定值进行修正。

l)控制回路设定值下载；将控制回路预设定值下载到控制器。

m)是否继续进行优化？“是”则返回步骤b)；“否”则结束。

n)结束。

其中步骤e)的流程图如图6。详细过程如下：

I.开始。

II.计算当前工况的相似度；利用式(1)和(2)计算当前工况与案例库中案例的相似度。

III.确定最大相似度；确定当前工况和案例库中案例相似度的最大值SIM_max。

IV.确定相似度阈值；由(3’)确定相似度的阈值SIM_th。

V.检索出匹配案例；从案例库中选择出相似度大于阈值SIM_th的所有案例，作为匹配案例。

VI.案例重用，得出案例解；利用式(4)对检索出的匹配案例进行重用，得出案例解，即工艺指标目标值。

VII.案例解是否满足工艺要求？判断f)得出的案例解是否满足工艺要求。若“是”进入步i)，若“否”则进入步h)。

VIII.案例修正；如果案例解大于工艺指标的上限，则案例解取工艺指标的上限值；如果案例解小于工艺指标的下限，则案例解取工艺指标的下限值。修正完之后进入步i)。

IX.案例存储；将新案例存储到案例库中。

X.结束。

本发明的优点在于：根据选矿过程综合生产指标精矿品位和金属回收率的要求，通过两层优化设定和前馈、反馈补偿给出当前磨矿工段的工艺指标磨矿粒度和选别工段的工艺指标选别品位的优化设定值，然后给出磨矿工段和选别工段的回路设定值，从而实现选矿过程综合生产指标精矿品位和金属回收率的优化。

附图说明

图1本发明所依赖的控制回路示意图，

图1中*C为控制器，*T为检测装置，*E为执行机构

图2选矿过程综合生产指标智能优化控制方法结构图，

图3磨矿粒度R神经网络预报模型简化结构图，

图4选别品位G神经网络预报模型简化结构图，

图5综合生产指标智能优化程序流程图，

图6工艺指标设定程序流程图

图2至图4中所用标记符号如下：

金属回收率目标值——Rm

精矿品位目标值——Tf

磨矿粒度目标值——Rs

磨矿粒度实际值——R

磨矿粒度预报值——Rp

选别品位目标值——Gs

选别品位实际值——G

选别品位预报值——Gp

磨矿粒度和选别品位的反馈误差——e_b(k)

磨矿粒度和选别品位的前馈误差——e_f(k)

磨矿粒度和选别品位的反馈补偿量——N_b(k)

磨矿粒度和选别品位的前馈补偿量——N_p(k)

磨矿粒度预报模型训练信号——e_r(k)

选别品位预报模型训练信号——e_g(k)

新给矿量——Q_GKL

球磨机入口补加水流量——W_F1

分级机溢流浓度——D_YLND

水力旋流器给矿浓度——D_XGND

水力旋流给矿压力——F

磨矿粒度统计值——R(k)

磨矿粒度统计值与预报值之间的误差——e_r(k)

磁选机励磁电流——I

冲矿水流量——W_CK

选别品位统计值——G(k)

选别品位统计值与预报值之间的误差——e_g(k)

具体实施方式

本发明的实施例为一个大型铁矿选矿厂。该选矿厂的原矿石主要为黄铁矿、褐铁矿，脉石以重晶石、石英、碧玉及铁白云石为主，矿石实际含铁品位33％。原矿石经预处理之后(筛分、磁化焙烧等)输至圆筒矿仓，圆筒矿仓内的矿石由电振给矿机排料，再由给矿皮带机送入磨矿过程。磨矿过程由两段磨矿回路组成，一段磨矿由球磨机和螺旋分级机组成。圆筒矿仓内的矿石给矿皮带机送入一段球磨机，与球磨机入口补加水混合在球磨机内被研磨成矿浆，该段磨矿采用格子型球磨机，球磨机排矿与球磨机出口补加水回合进入螺旋分级机，螺旋分级机返砂返回一次球磨，与一次球磨形成闭路。螺旋分级机溢流(即本道工序之最终产品)进入泵池后被输送至二段球磨机进行二次磨矿，二段磨矿回路由球磨机和水力旋流器组成。研磨后的矿浆进入磁选过程进行选别，通过磁选机将精矿和尾矿分选出来。

球磨机型号为Φ3200×3500，有效容积25.3m³，简体转速18.5r/min，最大装球量54吨。

螺旋分级机为2FLG-2400型双螺旋分级机。螺旋转速3.5r/min，水槽坡度17度。

水力旋流器为Φ350mm聚胺酯水力旋流器，给矿口尺寸80×60mm，锥角20度。

磁选机为SHP-3200型强磁选机，转盘直径3200mm，转盘转速3.3r/min，额定磁感应强度13500mT。

选矿过程控制系统平台，包括：磨矿过程的一段球磨机、螺旋分级机、泵池、二段球磨机、水力旋流器，选别过程的磁选机以及相关设备组成，同时配备了测量仪表，执行机构以及在此基础上构成的过程参数的回路控制系统，一段球磨机的给料皮带上安装核子秤测量新给矿量Q_GKL，在球磨机入口加水管上安装一个电磁流量计(测量入口补加水流量W_F1)和一个电动调节阀门，在球磨机出口加水管上装一个电动调节阀门，在分级机溢流管路上安装密度计测量螺旋分级机溢流浓度D_YLND，在球磨机及分级机的驱动电机上分别安装电流计测量一段球磨机电流P_QM，在振动给料机上安装变频器，一段磨机出口泵池安装液位计测量液位L，在泵池补加水管安装一个电磁流量计(测量泵池加水量W_FB)和一个电动调节阀门，泵池胶泵上安装变频器，在水力旋流器入口管路上安装压力计和核子密度计，压力计测量水力旋流器给矿压力F，核子密度计测量水力旋流器给矿浓度D_XGND。磁选机安装电流计测量磁选机的励磁电流I和电磁流量计测量冲矿水流量W_CK。

以可编程控制器(PLC)实现基础控制回路的自动控制。在下位机中，使用PLC中的单回路调节器组态成如下的基础控制回路：

电振给料机频率控制新给矿量Q_GKL

球磨机入口补加水电动调节阀控制球磨机入口补加水流量W_F1

球磨机出口补加水电动调节阀控制螺旋分级机溢流浓度D_YLND

一个电动调节阀控制泵池加水量W_FB

泵池加水量控制水力旋流器给矿浓度D_XGND

变频器控制磨机出口泵池泵速

泵池泵速水力旋流器给矿压力和泵池液位L

电流计测量磁选机的励磁电流I

一个电动调节阀控制冲矿水流量W_CK

在上位机(监控计算机)以RSView32软件实现监控人机界面。该选矿过程的正常工作范围为：

新给矿量——75±5吨/小时

一段磨矿浓度——78％～85％

螺旋分级机溢流浓度——45％～50％

螺旋分级机溢流粒度——55％～60％(-200目)

一段介质填充率——38％～42％

二段磨矿浓度——70±5％

二段溢流浓度——20％～30％

二段介质填充率——38％～42％

沉砂嘴尺寸——45～55mm

磁选机给矿量——65±5t/h·台(以磨机给矿量来推算)

磁选机给矿浓度——35±5％(以旋溢浓度来推算)

磁选机给矿粒度大于——75％(-200目)

磁选机给矿品位——31±1％

工艺指标设定软件由.Net平台C#语言编制，在单独计算机上运行，通过关系数据库SQLServer同MES系统进行通讯，交换数据。磨矿过程和磁选过程的智能优化控制软件程序用RSView32提供的VBA应用软件编制，在单独的优化计算机上运行，该计算机上装有RSLinx通讯程序负责与PLC和上位机进行数据通讯，RSLinx与优化设定程序之间通过DDE方式进行双向通讯，通过DDE方式同工艺指标设定软件进行通讯。

首先按照本说明书所述的方法选择矿石种类K，原矿品位TEr，矿石成分Er，与性质Cr，矿石可磨性ζ，矿石可选性λ，金属回收率γ，精矿品位Tf，尾矿品位TE，磨矿粒度的目标值Rs，选别品位目标值Gs建立工艺指标设定模型的案例数据库表；选择矿石种类K，原矿品位TEr，矿石嵌布粒度粗细程度η，块粉比κ，可磨性ζ，磨矿粒度的目标值Rs，新给矿量Q_GKL，球磨机入口补加水流量W_F1，分级机溢流浓度D_YLND，水力旋流器给矿浓度D_XGND，水力旋流给矿压力F建立磨矿工段控制回路设定模型的案例数据库表；选择矿石种类K，入选品位TEx，矿石可选性λ，给矿浓度D_GK，选别品位目标值Gs，磁选机励磁电流I和冲矿水W_CK建立选别工段控制回路设定模型的案例数据库表。然后用一个月内的运行数据建立案例库的初始案例。进行案例检索与匹配及案例重用时所涉及到的加权系数或相关阈值根据具体工艺特征和经验具体确定如下：

工艺指标设定软件工况描述特征的加权系数：

矿石种类K的加权系数ω₁＝0.08

原矿品位TEr的加权系数ω₂＝0.15

矿石成分Er的加权系数ω₃＝0.02

矿石性质Cr的加权系数ω₄＝0.1

矿石可磨性ζ的加权系数ω₅＝0.1

矿石可选性λ的加权系数ω₆＝0.15

金属回收率γ的加权系数ω₇＝0.15

精矿品位Tf的加权系数ω₈＝0.15

尾矿品位TE的加权系数ω₉＝0.1

磨矿过程智能优化控制软件工况描述特征的加权系数：

矿石种类K的加权系数ω₁＝0.1

原矿品位TEr的加权系数ω₂＝0.15

矿石嵌布粒度粗细程度η的加权系数ω₃＝0.2

块粉比κ的加权系数ω₄＝0.05

可磨性ζ的加权系数ω₅＝0.2

磨矿粒度的目标值Rs的加权系数ω₆＝0.3

磁选过程的智能优化控制软件工况描述特征的加权系数：

矿石种类K的加权系数ω₁＝0.1

入选品位TEx的加权系数ω₂＝0.4

矿石可选性λ的加权系数ω₃＝0.15

给矿浓度D_GK的加权系数ω₄＝0.15

选别品位目标值Gs的加权系数ω₅＝0.2

在进行案例检索与匹配及案例重用中的“确定阈值”步骤时用到的阈值SIM_th确定为0.9，即SIM_th＝0.9。

在进行案例重用时，设有l，(l＞1，l∈Z)个具有相同最大相似度的案例，假设这些案例C_i，i＝1…l按“时间”(案例存储时间)属性值降序排列为：C₁，C₂…C_l，那么它们的时间加权系数分别确定为：10+l，10+(l-1)，…，10+[l-(l-1)]。

在进行案例存储与维护时，阈值ξ₁确定为0.9，即ξ₁＝0.9。

在统计过程控制(SPC)中，K为样本数取10，即K＝10。

在工艺指标神经网络预报中，神经网络为BP网络，训练算法为加权RLS方法。神经网络NN1输入节点为5个，隐层节点为14个，输出节点为1个，最大训练误差为SSE＝0.001。神经网络NN2输入节点为2个，隐层节点为5个，输出节点为1个，最大训练误差为SSE＝0.001。

在反馈和前馈补偿中，K_fp，K_fi，K_bp，K_bi分别取0.2，0.15，0.3，0.1。

边界条件确定及其调整方法如下：

分级机溢流浓度D_YLND上限50％，下限为45％

球磨机新给矿量Q_GKL上限80吨/小时，下限为70吨/小时

球磨机给矿水量W_F1上限为16吨/小时，下限为10吨/小时

磁选机最高励磁电流250A

磁选机最高励磁电压380V

磁选机最高冲矿水量上限为0.2立方米/分，下限0.1立方米/分

若优化设定后某一参数超出了边界条件，那么就令这个参数值等于该边界条件。

该选矿厂制定的综合生产指标金属回收率Rm和精矿品位Tf的标准分别为Rm≥76％和52.2％≤Tf≤52.8％。按照上述方法对其进行优化控制，采集72小时的数据表明，精矿品位全部在制定的标准范围之内，金属回收率从人工操作时的77.24％提高到到79.25％，提高了2.01个百分点。

选矿过程综合生产指标智能优化系统在选矿过程运行期间，能够根据过程的计划数据和生产实时数据给出最优的磨矿工段和选别工段的工艺指标，然后在根据工艺指标给出各个工段的基础控制回路设定值，使综合生产指标的实际值和期望值之间相对误差不超过5％，成为一个具有工程应用价值的、低成本的选矿过程综合生产指标智能优化方法。

Claims (3)

1.一种选矿过程综合生产指标智能优化控制方法，其特征在于包括以下步骤：

(一)工艺指标设定

工艺指标设定采用案例推理技术，包括：案例的构造，采用工况描述和解表示；案例的检索，设当前运行工况为C，定义其工况描述为F，解为FS；库中已有案例为C_l(l＝1，…，m)，其工况描述为F_l，解为FS_l，F与F_l的相似度函数为：

$\mathrm{sim}(f_i,f_{l,i})=1-\frac{|f_i-f_{l,i}|}{\mathrm{Max}(f_i,f_{l,i})},(i=1,...,9;l=1,...,m)---\left(1\right)$

当前工况C与库中案例C_l(l＝1，…，m)的相似度函数为

$\mathrm{SIM}(C,C_l)=\frac{\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\×\mathrm{sim}(f_i,f_{l,i})}{\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{\mathrm{\ω}}_i}---\left(2\right)$

${\mathrm{SIM}}_{\max }=\underset{l\∈\{1,...,m\}}{\mathrm{Max}}\left(\mathrm{SIM}(C,C_l)\right)---\left(3\right)$

其中，ω_l是工况描述特征的加权系数；可以根据具体工艺特征或经验确定，相似度阈值SIM_th选择如下：

如果SIM_max≥θ

则SIM_th＝θ

否则SIM_th＝SIM_max                                (3’)

θ(0＜θ≤1)是相似度阈值拟取值，根据实际情况变化的，检索出相似度达到阈值SIM_th的库中r个案例作为匹配案例C_j(j＝1，…，r)；案例的重用，C_j与当前工况C的相似度为SIM_j，其对应的案例解为：

FS_j＝(fs_j，1，fs_j，2)

当前工况C的案例解：

${\mathrm{fs}}_i=\frac{\underset{j=1}{\overset{r}{\mathrm{\Σ}}}{w}_j\×{\mathrm{fs}}_{j,i}}{\underset{j=1}{\overset{r}{\mathrm{\Σ}}}{w}_j},(i=\mathrm{1,2})---\left(4\right)$

其中，w_j为检索出的r个案例的加权系数，按下式确定：

如果SIM_m＝1

则 $w_j=\left\{\begin{array}{cc}1& j=m\\ 0& j\≠m\end{array}\right\}$

否则w_j＝SIM_j

通过重用的案例解即为工艺指标的磨矿粒度的设定值Rs和选别品位的设定值的Gs；案例修正与存储，判断通过上述步骤得出的工艺指标的磨矿粒度的设定值Rs和选别品位的设定值的Gs是否在生产实际要求的工艺指标范围之内，若是，将其作为工艺指标设定值并将其存储到案例库中；否则，进行修正，直到磨矿粒度的设定值Rs和选别品位的设定值的Gs在生产实际要求的工艺指标范围之内；案例维护；

(二)控制回路设定

控制回路设定包括：磨矿工段的控制回路设定和选别工段的回路设定；磨矿工段的控制回路包括电振给料机频率控制新给矿量Q_GKL、球磨机入口补加水电动调节阀控制球磨机入口补加水流量W_F1、球磨机出口补加水电动调节阀调节球磨机控制螺旋分级机溢流浓度D_YLND、泵池胶泵频率控制水力旋流器给矿压力F和泵池补加水控制的水力旋流器给矿浓度D_XGND五个基础控制回路；选别工段的控制回路包括：选别过程的励磁电流I和冲矿水W_CK两个基础控制回路；

(三)统计过程控制

统计过程控制是操作员使用磨矿粒度R和选别品位G的化验值来评测工艺指标，采用统计过程控制SPC机制对这些变量的化验值进行处理：

$R=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\mathrm{Rb}\left(i\right)/K---\left(5\right)$

$G=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{Gb}\left(i\right)/K---\left(6\right)$

其中，Rb(i)和Gb(i)分别为磨矿粒度和选别品位的化验值，K为样本数；

(四)工艺指标神经网络预报

工艺指标磨矿粒度R和选别品位G预报模型采用神经网络预报模型，其中磨矿粒度R神经网络预报模型简化结构NN1，选别品位G神经网络预报模型NN2；

NN1的输入为新给矿量Q_GKL，球磨机入口补加水流量W_F1，分级机溢流浓度D_YLND，水力旋流器给矿浓度D_XGND，水力旋流给矿压力F，输出为磨矿粒度Rp；

NN2的输入为磁选机励磁电流I和冲矿水流量W_CK，输出为选别品位Gp；

训练算法的导师信号e_r(k)＝R(k)-Rp(k)，e_g(k)＝G(k)-Gp(k)；BP神经网络模型的学习算法采用传统的加权RLS方法，利用导师信号通过调整权值来消除预报误差；

(五)反馈补偿

其反馈补偿器为：

N_b(k)＝N_b(k-1)+ΔN_b(k)                                    (7)

ΔN_b(k)＝K_bpΔe_b(k)+K_bie_b(k)                              (8)

Δe_b(k)＝e_b(k)-e_b(k-1)，e_b(k)＝[e_b1(k)，e_b2(k)]           (9)

其中，N_b表示磨矿粒度和选别品位的补偿量，磨矿粒度的反馈误差e_b1(k)＝Rs(k)-R(k)，选别品位的反馈误差e_b2(k)＝Gs(k)-G(k)，Rs(k)，Gs(k)分别为磨矿粒度和选别品位的目标值，R(k)，G(k)分别为磨矿粒度和选别品位的实际值；

(六)前馈补偿

其前馈补偿器为：

N_f(k)＝N_f(k-1)+ΔN_f(k)                                (10)

ΔN_f(k)＝K_fpΔe_f(k)+K_fie_f(k)                          (11)

Δe_f(k)＝e_f(k)-e_f(k-1)，e_f(k)＝[e_f1(k)，e_f2(k)]       (12)

其中，N_f表示磨矿粒度和选别品位的前馈补偿量，磨矿粒度的预报误差e_f1(k)＝Rs(k)-Rp(k)，选别品位的预报误差e_f2(k)＝Gs(k)-Gp(k)，Rs(k)，Gs(k)分别为磨矿粒度和选别品位的目标值，Rp(k)，Gp(k)分别为磨矿粒度和选别品位的预报值；K_fp，K_fi，K_bp，K_bi分别是前馈与反馈PI控制器得比例积分参数。

2.如权利要求1所述的选矿过程综合生产指标智能优化控制方法，其特征在于进行选矿过程综合生产指标智能优化过程按以下步骤执行：

a)开始，

b)获取边界条件；从数据库中读取或输入边界条件包括矿石种类K，原矿品位TEr，矿石成分Er，与性质Cr，矿石嵌布粒度粗细程度η，块粉比κ，可磨性ζ，矿石可选性，

c)设定优化目标；包括金属回收率γ，精矿品位Tf，尾矿品位TE，

d)读取当前工况信息；从系统中读取当前工况信息包括当前的入选品位TEx，给矿浓度D_GK，

e)工艺指标设定；采用步骤(一)描述的案例推理方法给出工艺指标的目标值——磨矿粒度的目标值Rs，选别品位目标值Gs，

f)控制回路预设定；采用步骤(二)描述的案例推理方法，根据磨矿粒度的目标值Rs，给出磨矿过程控制回路新给矿量Q_GKL，球磨机入口补加水流量W_F1，分级机溢流浓度D_YLND，水力旋流器给矿浓度D_XGND，水力旋流给矿压力F的预设定值；根据选别品位目标值Gs给出选别过程控制回路磁选机励磁电流I和冲矿水W_CK的预设定值，

g)需校正否？前馈还是反馈校正？可选择“否”，即不进行校正，直接进入下一步1)；可选择“是，前馈校正”，即进入i)前馈校正；也可选择“是，反馈校正”，即进入k)反馈校正，

h)工艺指标预报；采用步骤(四)描述的方法，利用BP神经网络对工艺指标磨矿粒度Rp和选别品位Gp进行预报，神经网络学习训练算法采用传统的加权RLS方法，

i)前馈校正；采用式(10)-(12)计算磨矿粒度和选别品位的前馈补偿量N_f，对步骤f)给出的控制回路预设定值进行修正，

j)工艺指标统计；采用式(5)(6)得出磨矿粒度R和选别品位G的化验值，

k)反馈校正；采用式(7)-(9)计算磨矿粒度和选别品位的反馈补偿量N_b，对步骤f)给出的控制回路预设定值进行修正，

1)控制回路设定值下载；将控制回路预设定值下载到控制器，

m)是否继续进行优化？“是”则返回步骤b)；“否”则结束，

n)结束。

3.如权利要求2所述的选矿过程综合生产指标智能优化控制方法，其特征在于所述步骤e)工艺指标设定按以下步骤执行：

I.开始，

II.计算当前工况的相似度；利用式(1)和(2)计算当前工况与案例库中案例的相似度，

III.确定最大相似度；确定当前工况和案例库中案例相似度的最大值SIM_max，

IV.确定相似度阈值；由(3’)确定相似度的阈值SIM_th，

V.检索出匹配案例；从案例库中选择出相似度大于阈值SIM_th的所有案例，作为匹配案例，

VI.案例重用，得出案例解；利用式(4)对检索出的匹配案例进行重用，得出案例解，即工艺指标目标值，

VII.案例解是否满足工艺要求？判断f)得出的案例解是否满足工艺要求；若“是”进入步骤i)，若“否”则进入步骤h)，

VIII.案例修正；如果案例解大于工艺指标的上限，则案例解取工艺指标的上限值；如果案例解小于工艺指标的下限，则案例解取工艺指标的下限值；修正完之后进入步骤i)，

IX.案例存储；将新案例存储到案例库中，

X.结束。

Images