CN102169077B - 湿式磨矿过程溢流粒度指标混合智能软测量方法 - Google Patents

Abstract

一种湿式磨矿过程溢流粒度指标混合智能软测量方法，属于自动化测量技术领域。该装置包括球磨机、水力旋流器、泵池、底流泵、阀门、流量计、浓度计、压力计、磨机新给矿的皮带、给矿水管路、水力旋流器给料管、溢流管、数据采集器和计算机。混合智能软测量方法包括以下步骤：(1)辅助变量的选择，(2)样本数据的取得，(3)基于案例推理的磨矿粒度软测量，(4)基于神经网络的磨矿粒度软测量，(5)基于案例推理的可信度因子求解，(6)基于专家规则推理的磨矿粒度最终求解。本发明的优点：在磨矿过程正常运行期间，能够根据过程的实时数据估计出磨矿粒度值，相对误差小、可信度高，是具有很高实用价值、低成本的粒度计量手段。

Description

湿式磨矿过程溢流粒度指标混合智能软测量方法

技术领域

本发明属于自动化测量技术领域，特别涉及一种湿式磨矿过程溢流粒度指标混合智能软测量方法。

背景技术

在选矿行业中，由球磨机和水力旋流器组成的湿式磨矿过程广泛用于将矿石研磨至选矿工艺要求的粒度范围内，粒度过大或过小均对后续的选别作业都会产生不利影响，因此水力旋流器溢流粒度(也称磨矿粒度、溢流粒度)是衡量磨矿过程运行品质的重要指标。目前，常规的磨矿粒度的检测方法有两种：一是人工取样离线化验，在实验室人工测量；另一种是使用粒度的检测设备——粒度计进行在线测量，前一种方法的不足在于：1.人工操作时人为因素影响大，测量结果的客观性差；2.测量的时间间隔长，测量结果反馈的时间也长，因此得到的信息对操作人员缺乏指导意义；第二种方法不足之处在于虽然能够得到比较客观的测量结果，但粒度计价格昂贵，我国多数选矿厂难以配备，而且容易堵塞，现场维护的工作量很大。另外，粒度计分析的时间一般也得几分钟，因此也难以实现真正意义的粒度在线测量。目前实现粒度在线测量的最有效方法是采用软测量技术。现有的粒度软测量方法主要有基于神经网络(Neural Network，NN)的方法(球磨机磨矿过程溢流粒度指标软测量方法，发明专利，专利号：ZL 03133951.4)和基于案例推理(Case-Based Reasoning，CBR)的方法(基于案例推理的磨矿过程溢流粒度指标软测量方法，发明专利，专利号：ZL 200410021565.4)。采用NN进行粒度软测量算法复杂，模型难于训练和实现，模型校正困难且校正效果不明显。而基于CBR的粒度软测量方法具有实现简单，易于维护，具有较好的自学习能力，特别适合工况缓慢变化的工业对象。但是CBR模型逼近非线性函数的能力有限，而NN却能以任意精度逼近非线性函数，可实现更复杂的输入-输出非线性映射关系。因此以上粒度软测量方法各有优缺点和不同的适用范围。由于磨矿过程具有时变，多工况性，因此以上基于单一技术和模型的粒度软测量方法可信度不高，因而难以满足实际生产和过程控制与优化的要求。

发明内容

为了解决现有湿式磨矿过程溢流粒度测量方法的不足，本发明提供一种基于案例推理和神经网络的湿式磨矿过程溢流粒度指标混合智能软测量方法，通过常规在线测量仪表提供的辅助变量测量参数，给出当前水力旋流器溢流粒度的估计值，为磨矿生产过程的优化操作和优化运行提供关键指标。

本发明方法由硬件平台及测量软件组成，其中硬件平台核心包括球磨机、水力旋流器、泵池、底流泵、阀门、流量计、浓度计、压力计、磨机新给矿的皮带、给矿水管路、水力旋流器给料管、溢流管、数据采集器和计算机。其硬件的联接是球磨机的输入端与磨机新给矿的皮带、给矿水管路以及水力旋流器的沉砂入口相接，球磨机输出端与泵池相接，泵池连接底流泵和泵池加水管，底流泵通过水力旋流器给料管与水力旋流器相接，溢流管连接水力旋转器的出口，数据采集器连接流量计、压力计和密度计，数据采集器通过通信总线连接计算机，阀门安装在给矿水管路和泵池加水管的入口处，最终产品从水力旋流器溢流口排出。详细结构如图1所示。以球磨机和水力旋流器组成的闭路磨矿过程，其测量仪表包括：

一个流量计，用于在线测量水力旋流器给矿矿浆流量L_G，安装在水力旋流器给料管上；

一个压力计，用于在线测量水力旋流器给矿矿浆压力P_G，安装在水力旋流器的给料管上；

两个密度计，用于在线测量水力旋流器给矿矿浆浓度D_G和水力旋流器溢流矿浆浓度D_O，分别安装在水力旋流器给料管上和溢流管上。

该磨矿过程同时配置了控制计算机(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))或数据采集器、用以采集测量仪表的信号。

本发明的软测量软件既可以运行在计算机控制系统的监控计算机上，也可以运行于独立的计算机上，该软件通过与控制计算机或数据采集器进行通讯，获得实时的过程数据，并给出磨矿粒度的估计结果。

本发明的湿式磨矿过程溢流粒度混合智能软测量模型结构如图2所示，软测量流程如图3所示，方法包括以下步骤：(1)辅助变量的选择，(2)样本数据的取得，(3)基于案例推理的磨矿粒度软测量，(4)基于神经网络的磨矿粒度软测量，(5)基于案例推理的可信度因子求解，(6)基于专家规则推理的磨矿粒度最终求解。

(1)辅助变量的选择

根据对球磨机-水力旋流器组成的磨矿过程机理进行分析，本发明选择磨矿粒度软测量的辅助变量包括：

水力旋流器给矿矿浆浓度D_G；

水力旋流器给矿矿浆压力P_G；

水力旋流器给矿矿浆流量L_G；

水力旋流器溢流矿浆浓度D_O。

(2)样本数据的取得

在设备承受能力之内，在覆盖正常操作范围并稍大于正常操作的范围内，给出一组独立变量(新给矿量O_F、磨机入口加水流量W_F、泵池加水流量W_B)的不同的设定值的组合，形成下面的设定值集合

S_setp＝{[O_F，i，W_F，i，W_B，i]|i＝1，…，m}

其中m为该集合内的元素数量，每个元素包含一个[O_F，i，W_F，i，W_B，i]的三元组。将该设定值集合的每一个元素依次施加于磨矿过程之上，每加一次元素[O_F，i，W_F，i，W_B，i]之后待磨矿过程进入稳态，在水力旋流器溢流处由人工采集样本，送实验室测量样本的粒度数值S_3，i，同时记录采样的时刻T_i，作为本次采样的时间变量，并同时记录水力旋流器给矿浓度D_G，i、水力旋流器给矿压力P_G，i、水力旋流器给矿流量L_G，i以及水力旋流器溢流矿浆浓度D_O，i。待本次采样及记录完成后，对磨矿过程施加下一元素。由此，可以得到如下的数据集合，即成为软测量样本数据的训练集

{[D_G，i，P_G，i，L_G，i，D_O，i]|i＝1，…，m}→{[S₃，i]|i＝1，…，m}

其中，→符号左边的变量为磨矿粒度软测量模型的输入变量(也就是辅助变量)，→符号右边的变量为软测量模型的主导变量即磨矿粒度值。

(3)基于案例推理的磨矿粒度软测量

采用发明人已有成果“基于案例推理的磨矿过程溢流粒度指标软测量方法”进行磨矿粒度软测量，得到磨矿粒度的估计值S₁。该方法已获得了国家发明专利，其专利号为：ZL200410021565.4。该方法包括：案例表示、案例库初始案例的取得、案例推理、案例存储与维护等实施步骤。

(4)基于神经网络的磨矿粒度软测量

采用发明人已有成果“球磨机磨矿过程溢流粒度指标软测量方法”进行磨矿粒度软测量，得到磨矿粒度的估计值S₂。该方法已获得国家发明专利，其专利号为：ZL 03133951.4。该方法包括：辅助变量的选择、训练数据的取得、神经网络软测量模型的学习和使用等步骤。

(5)基于案例推理的可信度因子求解

采用案例推理技术，根据案例推理粒度软测量的粒度估计值输出S₁和神经网络粒度软测量的粒度估计值输出S₂，并结合软测量模型的辅助变量信息O_C＝{D_G，P_G，L_G，D_O}，求解该工况下的粒度估计S₁，S₂的可信度因子u₁，u₂。基于案例推理的可信度因子u₁，u₂的具体求解步骤如下：

(A)案例表示

粒度软测量模型的可信度因子求解系统以一定的结构进行组织并以案例的形式存于案例数据库中。案例库中每条案例由案例工况描述和案例解组成，案例工况描述F即为软测量模型的辅助变量信息{D_G，P_G，L_G，D_O}以及软测量模型的粒度估计输出S₁，S₂。案例解J就是该工况下的粒度软测量估计值S₁，S₂的可信度因子J＝{u₁，u₂}。另外，为了便于案例检索与匹配及其它案例操作，在案例库表中再增加时间属性，其中时间为案例获得时间。所以对案例库中的案例进行如下案例表示：

为了运算方便，简记为

(B)案例库初始案例的取得

通过工业试验的方式按照如下数据配对获得样本数据建立初始案例库

{[T_i，D_G，i，P_G，i，F_G，i，D_O，i，S_C，i，S_N，i]|i＝1，…，m}→{[u_1，i，u_2，i]|i＝1，…，m}其中可信度因子定义如下：

$u_{j,i}=\left\{\begin{array}{cc}1-\frac{|S_j-S_3|}{S_3},& \mathrm{if}|S_j-S_3|<S_3\\ 0,& \mathrm{if}|S_j-S_3|\&GreaterEqual;S_3\end{array}\right.,j=\mathrm{1,2}---\left(1\right)$

显然0≤u_j，i≤1。

通常，磨矿分级作业要分期处理多种矿石，每一种矿石的硬度、可磨性是不同的，应该针对不同的矿石的可磨性差异分别建立其对应的案例数据库。

(C)案例推理

本发明可信度因子求解的案例推理采用可信度因子求解方法，其基本流程框图如图4所示。左列为案例检索与匹配及案例重用的流程，右列为案例评价与修正的流程。其详细步骤如下：

(a)初始化

进行所有变量的初始化。

(b)案例推理软测量模型和神经网络软测量模型是否以对粒度进行估计，如果否，等待；如果是，则转至(c)。

(c)是否进行可信度因子求解，如果是，则转至(d)，进行案例检索与匹配及案例重用的过程；如果否，则转至(k)，进行案例评价与修正的过程。

步骤(d)至(j)为案例检索与匹配及案例重用流程，采用案例检索策略中的最近相邻策略。

(d)选择矿石可磨性

不同的矿石具有不同的可磨性，其对应的案例数据库也是不同的，所以选择矿石可磨性也就是选择案例数据库。

(e)读取当前工况描述

也就是读取案例推理软测量模型和神经网络软测量模型各自的粒度估计输出S₁，S₂以及当前工况描述参数D_G，P_G，F_G，D_O。

(f)案例相似度计算

设磨矿过程当前运行工况为M_GK，定义M_GK的工况描述为F＝(f₁，f₂，f₃，f₄，f₅，f₆)，MGK的解为J_GK。定义案例库中案例为C₁，C₂…C_n，其中案例C_k(k＝1，…，n)的工况描述为F_k＝(f_1，k，f_2，k，f_3，k，f_4，k，f_5，k，f_6，k)，C_k的解为J_k。

那么当前工况描述M_Gk的描述特征f_i(i＝1，…，6)与案例C_k(k＝1，…，n)的案例描述特征f_i，k的相似度函数为：

$\mathrm{sim}(f_i,f_{i,k})=1-\frac{|f_i-f_{i,k}|}{\mathrm{Max}(f_i,f_{i,k})},i=1,...,6,k=1,...,n---\left(2\right)$

当前工况描述M_GK和案例C_k(k＝1，…，n)的相似度函数为：

$\mathrm{SIM}(M_{\mathrm{GK}},C_k)=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i\mathrm{sim}(f_i,f_{i,k})---\left(3\right)$

其中ω_i为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，ω_i满足：

(g)确定相似度阈值

设SIM_max为所有上述求得的相似度的最大值，即：

那么阈值SIM_yz可通过下式确定：

${\mathrm{SIM}}_{\mathrm{yz}}=\left\{\begin{array}{cc}0.95,& \mathrm{ifSI}{M}_{\max }\&GreaterEqual;0.95\\ {\mathrm{SIM}}_{\max },& \mathrm{if}{\mathrm{SIM}}_{\max }<0.95\end{array}\right.---\left(4\right)$

(h)案例检索与匹配

从案例库中挑选出SIM(M_GK，C_k)≥SIM_yz的所有案例作为匹配案例并依次按“相似度”、“时间”(案例存储时间)值降序排序。

(i)案例重用

一般情况下案例库中不存在与当前工况描述完全匹配的案例，因而检索出的匹配工况的解并不能直接作为当前工况的解，这就需要对检索得到的相似案例进行重用，具体方法如下：

设匹配案例集为

其中m为匹配案例数，SIM_i为匹配案例与当前工况描述的案例相似度数值。则当前工况描述的解为

$J_{\mathrm{GK}}=\{u_{1,\mathrm{GK}},u_{2,\mathrm{GK}}\}=\left\{\begin{array}{c}{J}_1^M,\mathrm{if}{\mathrm{SIM}}_1=1\\ \frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}({\mathrm{SIM}}_i\&times;J_i^M)}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{SIM}}_i},\mathrm{if}{\mathrm{SIM}}_i<1\end{array}---\left(5\right)\right.$

(j)显示并保存可信度因子求解结果

案例重用后就可以把可信度因子求解结果显示在人机界面上，并把当前工况描述、时间、可信度因子等数据保存到相关历史数据库中，以供案例修正与评价及其它操作使用。

步骤(k)至(T)为案例评价与修正流程。

(k)选择矿石可磨性

(l)读取磨矿粒度化验值和化验取样时间：

记粒度化验值为S₃，化验取样时间为T_A。

(m)记录检索

在历史数据库中检索“时间”属性值T与化验取样时间T_A最接近的数据纪录，记检索到的数据纪录为C^T

(n)求取实际的粒度软测量可信度因子

分别根据下式求取工况M_GK下案例推理粒度软测量和神经网络粒度软测量的实际可信度因子u_1，A，u_2，A。

$u_{1,A}=\left\{\begin{array}{cc}1-\frac{|f_5^T-S_3|}{S_3},& \mathrm{if}|f_5^T-S_3|<S_3\\ 0,& \mathrm{if}|f_5^T-S_3|\&GreaterEqual;S_3\end{array}\right.,$ $u_{2,A}=\left\{\begin{array}{cc}1-\frac{|f_6^T-S_3|}{S_3},& \mathrm{if}|f_6^T-S_3|<S_3\\ 0,& \mathrm{if}|f_6^T-S_3|\&GreaterEqual;S_3\end{array}\right.$

(o)求估计可信度因子和实际可信度因子之差通过下式求取

$\mathrm{\&Delta;u}=[{\mathrm{\&Delta;u}}_1,{\mathrm{\&Delta;u}}_2]=\left[\right|u_{1,A}-u_1^T|,|u_{2,A}-u_2^T\left|\right]$

(p)是否满足精度要求

若max{Δu₁，Δu₂}≤u_Δ(u_Δ为精度合格标准，这里u_Δ＝0.04)，则说明案例推理可信度因子求解模型的精度合格，不需要进行案例修正；否则，若max{Δu₁，Δu₂}＞u_Δ，则说明精度不合格，需要进行案例修正来改善模型精度。

(q)输入与取样时间对应的工况描述

将

再次输入到可信度因子求解系统中，重新进行下述(r)～

(t)的操作。

(r)案例相似度计算

与步骤(f)一样

(s)确定相似度阈值：

与步骤(g)一样。

(t)案例检索与匹配

与步骤(h)一样。

(u)案例修正

从匹配案例中挑选出具有最大相似度SIM_max的案例并确定其个数Num。

若SIM_max＜0.95，则直接把下述案例C_new加入到案例库中。

$C_{\mathrm{new}}:\left\{\right[f_1^T,f_2^T,f_3^T,f_4^T,f_5^T,f_6^T]\&RightArrow;[u_{1,A},u_{2,A}\left]\right\}$

若SIM_max≥0.95，则将C_new取代原案例库中与

具有最大相似度SIM_max的案例。

(v)案例保存

把修正后的案例库中案例保存起来，以供后续案例推理运算使用。

(w)结束

(6)基于专家规则推理的磨矿粒度最终求解

可信度因子u₁，u₂求解完毕后，由粒度最终求解系统对u₁，u₂的数值进行分析，根据其相互之间的大小情况，给出最终的粒度软测量输出S_E。专家推理系统的知识表达方式选用广泛使用的产生式规则，即用如下的形式表示：前提为可信度因子u₁，u₂，结论就是所求解的最终的粒度软测量输出S_E，具体求解S_E的推理规则如下所示，共6条规则，即R₁，R₂，R₃，R₄，R₅，R₆：

$R_1:\left\{\begin{array}{c}\mathrm{IF}0.95>u_1\&GreaterEqual;0.8\mathrm{AND}{u}_2<0.6\\ \mathrm{THEN}{S}_E=\frac{S_1+S_2{u}_2}{1+u_2}\end{array}\right.$

$R_2:\left\{\begin{array}{c}\mathrm{IF}{u}_1<0.6\mathrm{AND}{0.95>u}_2\&GreaterEqual;0.8\\ \mathrm{THEN}{S}_E=\frac{S_1{u}_1+S_2}{1+u_1}\end{array}\right.$

$R_3:\left\{\begin{array}{c}\mathrm{IF}{u}_1\&GreaterEqual;0.95\mathrm{AND}{u}_2<0.6\\ \mathrm{THEN}{S}_E=S_1\end{array}\right.$

$R_4:\left\{\begin{array}{c}\mathrm{IF}{u}_1<0.6\mathrm{AND}{u}_2\&GreaterEqual;0.95\\ \mathrm{THEN}{S}_E=S_2\end{array}\right.$

$R_5:\left\{\begin{array}{c}\mathrm{IF}{u}_1\&GreaterEqual;0.6\mathrm{AND}{u}_2\&GreaterEqual;0.6\\ \mathrm{THEN}{S}_E=\frac{S_1{u}_1+S_2{u}_2}{u_1+u_2}\end{array}\right.$

$R_6:\left\{\begin{array}{c}\mathrm{IF}{u}_1<0.6\mathrm{AND}{u}_2<0.6\\ \mathrm{THEN}{S}_E=\frac{S_1{u}_1+S_2{u}_2}{u_1+u_2}\end{array}\right.$

本发明的优点：在磨矿过程正常运行期间，能够根据过程的实时数据估计出磨矿粒度值，相对误差小、可信度高，是具有很高实用价值、低成本的粒度计量手段。

附图说明

图1磨矿过程的流程、测量仪表及计算机配置图；

图2本发明的湿式磨矿过程溢流粒度混合智能软测量模型结构图；

图3本发明湿式磨矿过程溢流粒度指标混合智能软测量方法流程框图；

图4本发明的基于案例推理的可信度因子求解流程框图；

图中：1球磨机，2水力旋流器，3泵池，4底流泵，5阀门，6浓度计，7压力计，8流量计，9数据采集器，10计算机。

具体实施方式

以某赤铁矿选矿厂的磨矿分级工段为实施案例，该选矿生产磨矿过程的具体工艺如图1所示，其中，实线箭头表示物流(原矿，水和矿浆)，虚线表示信号流，

水力旋流器给矿压力——P_G

水力旋流器给矿流量——L_G

水力旋流器给矿浓度——D_G

水力旋流器溢流浓度——D_O

水力旋流器溢流浓度——D_O

软测量模型的辅助变量信息集——O_C

案例推理软测量模型的粒度估计——S₁

神经网络软测量模型的粒度估计——S₂

磨矿粒度的实际化验值——S₃

磨矿粒度的(最终)软测量值——S_E

案例推理软测量模型粒度估计的可信度因子——u₁

神经网络软测量模型粒度估计的可信度因子——u₂

浓度计——DT

流量计——FT

压力计——PT

原矿石和一定比例的水送入磨机进行研磨，研磨后的矿浆排入泵池，同时在泵池入口补加一定量的水。泵池内的矿浆由底流泵打入水力旋流器进行分级，细粒级矿浆从水力旋流器溢流口排出进入选别工序，粗粒级矿浆返回磨机再磨。

该装置包括球磨机、水力旋流器、泵池、底流泵、阀门、流量计、浓度计、压力计、磨机新给矿的皮带、给矿水管路、水力旋流器给料管、溢流管、数据采集器和计算机；

球磨机型号为Φ3200mm×3500mm，有效容积25.3m³，筒体转速18.5r/min，最大装球量54吨。

水力旋流器为聚胺脂水力旋流器，筒体内径φ350mm，给矿口尺寸80×60mm，溢流管直径φ100mm，溢流管长度295mm，沉砂嘴直径φ45～55mm，锥角20度，入口压力0.05～0.31Mpa。

首先，按照本说明书的要求安装如下的测量仪表，包括：

核子密度计测量水力旋流器给矿矿浆浓度D_G和水力旋流器溢流矿浆浓度O_C；

电磁流量计测量水力旋流器给矿流量L_G；

电容式压力变送器测量水力旋流器给矿压力P_G。

该磨矿过程的正常工作范围为：

球磨机处理量——65±10吨/(台·小时)

磨机内矿浆浓度——70％～80％

水力旋流器溢流浓度——35％～40％

水力旋流器溢流粒度——72％～82％(-200目含量)

水力旋流器给矿压力——0.13MPa～0.17MPa

水力旋流器给矿浓度——40％～55％

介质填充率——38％～42％

球磨机的输入端与磨机新给矿的皮带、给矿水管路以及水力旋流器的沉砂入口相接，球磨机输出端与泵池相接，泵池连接底流泵和泵池加水管，底流泵通过水力旋流器给料管与水力旋流器相接，溢流管连接水力旋转器的出口，一个流量计和一个压力计均安装在水力旋流器给料管上；两个密度计分别安装在水力旋流器给料管上和溢流管上，数据采集器连接流量计、压力计和密度计，数据采集器通过通信总线连接计算机，阀门安装在给矿水管路和泵池加水管的入口处。

以美国Rockwell的Controllogix5K实现基础控制回路的自动控制，并读取上述的过程数据。在监控计算机中以Rockwell的RSView32软件实现监控人机界面。

本发明的湿式磨矿过程溢流粒度混合智能软测量模型结构如图2所示，软测量程序用RSView32提供的VBA应用软件编制。软测量软件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Controllogix5K系统和上位监控机进行数据通讯，RSLinx与软测量程序之间通过DDE方式进行双向通讯。粒度软测量的案例库和相关数据库采用MicrosoftAccess数据库实现，相关复杂计算通过VBA调用Matlab程序实现。

按照本说明书所述的实现方法选择辅助变量和样本选择，然后采用发明人已有成果，即基于案例推理的磨矿过程溢流粒度指标软测量方法(发明专利，专利号：ZL 200410021565.4)和球磨机磨矿过程溢流粒度指标软测量方法(发明专利，专利号：ZL 03133951.4)，分别对基于案例推理的磨矿粒度软测量模型和基于神经网络的磨矿粒度软测量模型进行软件实现。

然后采用本说明书所述方法对可信度因子求解模型进行软件实现。采用工业实验的方法建立可信度因子求解模型的案例库，共86组案例。根据专家经验，案例工况描述特征的权值确定为：

水力旋流器给矿浓度特征权值——ω₁＝0.15

水力旋流器给矿压力特征权值——ω₂＝0.05

水力旋流器给矿流量特征权值——ω₃＝0.05

水力旋流器溢流浓度特征权值——ω₄＝0.15

案例推理模型的粒度估计输出特征权值——ω₅＝0.3

神经网络模型的粒度估计输出特征权值——ω₆＝0.3进行案例修正时，为可信度因子的精度合格标准u_Δ确定为0.04，即u_Δ＝0.04。

最后采用本说明书所述方法对基于规则推理的磨矿粒度最终求解模型进行软件实现。

本实施例在下位DCS系统中设置有定时器，每隔10分钟触发一次上位RSView32中的相关标签，从而调用一次磨矿粒度软测量程序，进行一次该时间工况下的粒度软测量，并及时把磨矿粒度软测量结果输出到优化控制计算机的系统管理画面，为操作者或相关技术工人进行参数优化和监督操作提供一个很好的参考、指导作用，同时把软测量结果保存到相关历史数据库中。

湿式磨矿过程溢流粒度指标混合智能软测量装置的测量方法，按如下步骤进行：如图3所示，

步骤一、辅助变量的选择

根据对球磨机-水力旋流器组成的磨矿过程机理进行分析，本发明所选择磨矿粒度软测量的辅助变量包括：

水力旋流器给矿矿浆浓度D_G；

水力旋流器给矿矿浆压力P_G；

水力旋流器给矿矿浆流量L_G；

水力旋流器溢流矿浆浓度D_O；

步骤二、样本数据的取得

设定独立变量：新给矿量O_F、磨机入口加水流量W_F、泵池加水流量W_B的设定值组合，形成下面的设定值集合

S_setp＝{[O_F，i，W_F，i，W_B，i]|i＝1，…，m}

其中m为该集合内的元素数量，每个元素包含一个[O_F，i，W_F，i，W_B，i]的三元组，将该设定值集合的每一个元素依次施加于磨矿过程之上，每加一次元素[O_F，i，W_F，i，W_B，i]之后待磨矿过程进入稳态，在水力旋流器溢流处由人工采集样本，送实验室测量样本的粒度数值S_3，i，同时记录采样的时刻T_i，作为本次采样的时间变量，并同时记录水力旋流器给矿浓度D_G，i、水力旋流器给矿压力P_G，i、水力旋流器给矿流量L_G，i以及水力旋流器溢流矿浆浓度D_O，i，待本次采样及记录完成后，对磨矿过程施加下一元素，由此，得到如下的数据集合，即成为软测量样本数据的训练集

{[D_G，i，P_G，i，L_G，i，D_O，i]|i＝1，…，m}→{[S_3，i]|i＝1，…，m}

其中，→符号左边的变量为磨矿粒度软测量模型的输入变量也就是辅助变量，→符号右边的变量为软测量模型的主导变量即磨矿粒度值；

步骤三、基于案例推理的磨矿粒度软测量

采用基于案例推理的磨矿过程溢流粒度指标软测量方法进行磨矿粒度软测量，得到磨矿粒度的估计值S₁，该方法包括：案例表示、案例库初始案例的取得、案例推理、案例存储与维护；

步骤四、基于神经网络的磨矿粒度软测量

采用球磨机磨矿过程溢流粒度指标软测量方法进行磨矿粒度软测量，得到磨矿粒度的估计值S₂，该方法包括：辅助变量的选择、训练数据的取得、神经网络软测量模型的学习和使用；

步骤五、基于案例推理的可信度因子求解

采用案例推理技术，根据案例推理粒度软测量的粒度估计值输出S₁和神经网络粒度软测量的粒度估计值输出S₂，并结合软测量模型的辅助变量信息O_C＝{D_G，P_G，L_G，D_O}，求解该工况下的粒度估计S₁，S₂的可信度因子u₁，u₂；

步骤六、基于专家规则推理的磨矿粒度最终求解

可信度因子求解完毕后，由粒度最终求解系统对u₁，u₂的数值进行分析，根据u₁，u₂相互之间的大小情况，给出最终的粒度软测量输出S_E，专家推理系统的知识表达方式选用广泛使用的产生式规则，即用如下的形式表示：前提为可信度因子u₁，u₂，结论就是所求解的最终的粒度软测量输出S_E，具体求解S_E的推理规则如下所示，共6条规则，即R₁，R₂，R₃，R₄，R₅，R₆：

$R_1:\left\{\begin{array}{c}\mathrm{IF}0.95>u_1\&GreaterEqual;0.8\mathrm{AND}{u}_2<0.6\\ \mathrm{THEN}{S}_E=\frac{S_1+S_2{u}_2}{1+u_2}\end{array}\right.$

$R_2:\left\{\begin{array}{c}\mathrm{IF}{u}_1<0.6\mathrm{AND}{0.95>u}_2\&GreaterEqual;0.8\\ \mathrm{THEN}{S}_E=\frac{S_1{u}_1+S_2}{1+u_1}\end{array}\right.$

$R_3:\left\{\begin{array}{c}\mathrm{IF}{u}_1\&GreaterEqual;0.95\mathrm{AND}{u}_2<0.6\\ \mathrm{THEN}{S}_E=S_1\end{array}\right.$

$R_4:\left\{\begin{array}{c}\mathrm{IF}{u}_1<0.6\mathrm{AND}{u}_2\&GreaterEqual;0.95\\ \mathrm{THEN}{S}_E=S_2\end{array}\right.$

$R_5:\left\{\begin{array}{c}\mathrm{IF}{u}_1\&GreaterEqual;0.6\mathrm{AND}{u}_2\&GreaterEqual;0.6\\ \mathrm{THEN}{S}_E=\frac{S_1{u}_1+S_2{u}_2}{u_1+u_2}\end{array}\right.$

$R_6:\left\{\begin{array}{c}\mathrm{IF}{u}_1<0.6\mathrm{AND}{u}_2<0.6\\ \mathrm{THEN}{S}_E=\frac{S_1{u}_1+S_2{u}_2}{u_1+u_2}\end{array}\right..$

所述的步骤五中基于案例推理的可信度因子u₁，u₂的具体求解步骤如下：

(A)案例表示

粒度软测量模型的可信度因子求解系统以一定的结构进行组织并以案例的形式存于案例数据库中，案例库中每条案例由案例工况描述和案例解组成，案例工况描述F即为软测量模型的辅助变量信息{D_G，P_G，L_G，D_O}以及软测量模型的粒度估计输出S₁，S₂；案例解J就是该工况下的粒度软测量估计值S₁，S₂的可信度因子J＝{u₁，u₂}，在案例库表中再增加时间属性，其中时间为案例获得时间，所以对案例库中的案例进行如下案例表示：

简记为

(B)案例库初始案例的取得

通过工业试验的方式按照如下数据配对获得样本数据建立初始案例库

{[T_i，D_G，i，P_G，i，F_G，i，D_O，i，S_C，i，S_N，i]|i＝1，…，m}→{[u_1，i，u_2，i]|i＝1，…，m}其中可信度因子定义如下：

$u_{j,i}=\left\{\begin{array}{cc}1-\frac{|S_j-S_3|}{S_3},& \mathrm{if}|S_j-S_3|<S_3\\ 0,& \mathrm{if}|S_j-S_3|\&GreaterEqual;S_3\end{array}\right.,j=\mathrm{1,2}---\left(1\right)$

针对矿石的可磨性差异分别建立案例数据库；

(C)案例推理

可信度因子求解的案例推理采用可信度因子求解方法实现。

步骤C所述的可信度因子求解方法，按如下步骤进行：

(a)初始化

进行所有变量的初始化；

(b)案例推理软测量模型和神经网络软测量模型是否以对粒度进行估计，如果否，等待；如果是，则转至(c)；

(c)是否进行可信度因子求解，如果是，则转至(d)，进行案例检索与匹配及案例重用的过程；如果否，则转至(k)，进行案例评价与修正的过程；

步骤(d)至(j)为案例的检索与匹配及案例重用流程，采用案例检索策略中的最近相邻策略；

(d)选择矿石可磨性

按照不同的矿石的可磨性，选择矿石可磨性的案例数据库；

(e)读取当前工况描述

读取案例推理软测量模型和神经网络软测量模型各自的粒度估计输出S₁，S₂以及当前工况描述参数D_G，P_G，F_G，D_O；

(f)案例相似度计算

设磨矿过程当前运行工况为M_GK，定义M_GK的工况描述为F＝(f₁，f₂，f₃，f₄，f₅，f₆)，MGK的解为J_GK，定义案例库中案例为C₁，C₂…C_n，其中案例C_k(k＝1，…，n)的工况描述为F_k＝(f_1，k，f_2，k，f_3，k，f_4，k，f_5，k，f_6，k)，C_k的解为J_k；

那么当前工况描述M_GK的描述特征f_i(i＝1，…，6)与案例C_k(k＝1，…，n)的案例描述特征f_i，k的相似度函数为：

$\mathrm{sim}(f_i,f_{i,k})=1-\frac{|f_i-f_{i,k}|}{\mathrm{Max}(f_i,f_{i,k})},i=1,...,6,k=1,...,n---\left(2\right)$

当前工况描述M_GK和案例C_k(k＝1，…，n)的相似度函数为：

$\mathrm{SIM}(M_{\mathrm{GK}},C_k)=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i\mathrm{sim}(f_i,f_{i,k})---\left(3\right)$

其中ω_i为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，ω_i满足：

(g)确定相似度阈值

设SIM_max为所有上述求得的相似度的最大值，即：

阈值SI_Myz可通过下式确定：

${\mathrm{SIM}}_{\mathrm{yz}}=\left\{\begin{array}{cc}0.95,& \mathrm{ifSI}{M}_{\max }\&GreaterEqual;0.95\\ {\mathrm{SIM}}_{\max },& \mathrm{if}{\mathrm{SIM}}_{\max }<0.95\end{array}\right.---\left(4\right)$

(h)案例检索与匹配

从案例库中挑选出SIM(M_GK，C_k)≥SIM_yz的所有案例作为匹配案例并依次按“相似度”、“时间”(案例存储时间)值降序排序；

(i)案例重用

对检索得到的相似案例进行重用，具体方法如下：

设匹配案例集为

其中m为匹配案例数，SIM_i为匹配案例与当前工况描述的案例相似度数值，则当前工况描述的解为

$J_{\mathrm{GK}}=\{u_{1,\mathrm{GK}},u_{2,\mathrm{GK}}\}=\left\{\begin{array}{c}{J}_1^M,\mathrm{if}{\mathrm{SIM}}_1=1\\ \frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}({\mathrm{SIM}}_i\&times;J_i^M)}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{SIM}}_i},\mathrm{if}{\mathrm{SIM}}_i<1\end{array}---\left(5\right)\right.$

(j)显示并保存可信度因子求解结果

案例重用后把可信度因子求解结果显示在人机界面上，并把当前工况描述、时间、可信度因子等数据保存到相关历史数据库中，以供案例修正与评价及其它操作使用；

步骤(k)至(T)为案例评价与修正流程；

(k)选择矿石可磨性

(l)读取磨矿粒度化验值和化验取样时间：

记粒度化验值为S₃，化验取样时间为T_A；

(m)记录检索

在历史数据库中检索“时间”属性值T与化验取样时间T_A最接近的数据纪录，记检索到的数据纪录为C^T

(n)求取实际的粒度软测量可信度因子

分别根据下式求取工况M_GK下案例推理粒度软测量和神经网络粒度软测量的实际可信度因子u_1，A，u_2，A；

$u_{1,A}=\left\{\begin{array}{cc}1-\frac{|f_5^T-S_3|}{S_3},& \mathrm{if}|f_5^T-S_3|<S_3\\ 0,& \mathrm{if}|f_5^T-S_3|\&GreaterEqual;S_3\end{array}\right.,$ $u_{2,A}=\left\{\begin{array}{cc}1-\frac{|f_6^T-S_3|}{S_3},& \mathrm{if}|f_6^T-S_3|<S_3\\ 0,& \mathrm{if}|f_6^T-S_3|\&GreaterEqual;S_3\end{array}\right.$

(o)求估计可信度因子和实际可信度因子之差

通过下式求取

$\mathrm{\&Delta;u}=[{\mathrm{\&Delta;u}}_1,{\mathrm{\&Delta;u}}_2]=\left[\right|u_{1,A}-u_1^T|,|u_{2,A}-u_2^T\left|\right]$

(p)是否满足精度要求

若max{Δu₁，Δu₂}≤u_Δ(u_Δ为精度合格标准，这里u_Δ＝0.04)，则说明案例推理可信度因子求解模型的精度合格，不需要进行案例修正；否则，若max{Δu₁，Δu₂}＞u_Δ，则说明精度不合格，需要进行案例修正来改善模型精度；

(q)输入与取样时间对应的工况描述

将

再次输入到可信度因子求解模型中，重新进行下述(r)～(t)的操作；

(r)案例相似度计算

与步骤(f)一样；

(s)确定相似度阈值：

与步骤(g)一样；

(t)案例检索与匹配

与步骤(h)一样；

(u)案例修正

从匹配案例中挑选出具有最大相似度SIM_max的案例并确定其个数Num；

若SIM_max＜0.95，则直接把下述案例C_new加入到案例库中；

$C_{\mathrm{new}}:\left\{\right[f_1^T,f_2^T,f_3^T,f_4^T,f_5^T,f_6^T]\&RightArrow;[u_{1,A},u_{2,A}\left]\right\}$

若SIM_max≥0.95，则将C_new取代原案例库中与

具有最大相似度SIM_max的案例；

(v)案例保存

把修正后的案例库中案例保存起来，以供以后案例推理运算使用；

(w)结束。

本发明即湿式磨矿过程溢流粒度软测量方法在磨矿过程正常运行期间，能够根据过程的实时数据估计出磨矿粒度值，相对误差不超过2.5％，成为一个具有很高实用价值、低成本的粒度计量手段。

Claims (1)

1.一种湿式磨矿过程溢流粒度指标混合智能软测量方法，采用的湿式磨矿过程溢流粒度指标混合智能软测量装置包括球磨机、水力旋流器、泵池、底流泵、阀门、流量计、密度计、压力计、磨机新给矿的皮带、给矿水管路、水力旋流器给料管、溢流管、数据采集器和计算机；球磨机的输入端与磨机新给矿的皮带、给矿水管路以及水力旋流器的沉砂入口相接，球磨机输出端与泵池相接，泵池连接底流泵和泵池加水管，底流泵通过水力旋流器给料管与水力旋流器相接，溢流管连接水力旋转器的出口，一个流量计和一个压力计均安装在水力旋流器给料管上；两个密度计分别安装在水力旋流器给料管上和溢流管上，数据采集器连接流量计、压力计和密度计，数据采集器通过通信总线连接计算机，阀门安装在给矿水管路和泵池加水管的入口处，其特征在于：按如下步骤进行：

步骤一、辅助变量的选择

水力旋流器给矿矿浆浓度D_G，

水力旋流器给矿矿浆压力P_G，

水力旋流器给矿矿浆流量L_G，

水力旋流器溢流矿浆浓度D_O，

步骤二、样本数据的取得

设定独立变量：新给矿量O_F、磨机入口加水流量W_F、泵池加水流量W_B的设定值组合，形成下面的设定值集合

S_setp＝{[O_F，i，W_F，i，W_B，i]|i＝1，…，m}

其中m为该集合内的元素数量，每个元素包含一个[O_F，i，W_F，i，W_B，i]的三元组，将该设定值集合的每一个元素依次施加于磨矿过程之上，每加一次元素[O_F，i，W_F，i，W_B，i]之后待磨矿过程进入稳态，在水力旋流器溢流处由人工采集样本，送实验室测量样本的粒度数值S_3，i，同时记录采样的时刻T_i，作为本次采样的时间变量，并同时记录水力旋流器给矿矿浆浓度D_G，i、水力旋流器给矿矿浆压力P_G，i、水力旋流器给矿矿浆流量L_G，i以及水力旋流器溢流矿浆浓度D_O，i，待本次采样及记录完成后，对磨矿过程施加下一元素，由此，得到如下的数据集合，即成为软测量样本数据的训练集

{[D_G，i，P_G，i，L_G，i，D_O，i]|i＝1，…，m}→{[S_3，i]|i＝1，…，m} 

其中，→符号左边的变量为磨矿粒度软测量模型的输入变量也就是辅助变量，→符号右边的变量为软测量模型的主导变量即磨矿粒度值；

步骤三、基于案例推理的磨矿粒度软测量

采用基于案例推理的磨矿过程溢流粒度指标软测量方法进行磨矿粒度软测量，得到磨矿粒度的估计值S₁，该方法包括：案例表示、案例库初始案例的取得、案例推理、案例存储与维护；

步骤四、基于神经网络的磨矿粒度软测量

采用球磨机磨矿过程溢流粒度指标软测量方法进行磨矿粒度软测量，得到磨矿粒度的估计值S₂，该方法包括：辅助变量的选择、训练数据的取得、神经网络软测量模型的学习和使用；

步骤五、基于案例推理的可信度因子求解

采用案例推理技术，根据案例推理粒度软测量的粒度估计值输出S₁和神经网络粒度软测量的粒度估计值输出S₂，并结合软测量模型的辅助变量信息O_C＝{D_G，P_G，L_G，D_O}，求解该案例工况描述下的粒度估计S₁，S₂的可信度因子u₁，u₂；

基于案例推理的可信度因子u₁，u₂的具体求解步骤如下：

(A)案例表示

粒度软测量模型的可信度因子求解系统以一定的结构进行组织并以案例的形式存于案例数据库中，案例库中每条案例由案例工况描述和案例解组成，案例工况描述F即为软测量模型的辅助变量信息{D_G，P_G，L_G，D_O}以及软测量模型的粒度估计输出S₁，S₂；案例解J就是该案例工况描述下的粒度软测量估计值S₁，S₂的可信度因子J＝{u₁，u₂}，在案例库表中再增加时间属性，其中时间为案例获得时间，所以对案例库中的案例进行如下案例表示：

简记为

(B)案例库初始案例的取得

通过工业试验的方式按照如下数据配对获得样本数据建立初始案例库 

{[T_i，D_G，i，P_G，i，F_G，i，D_O，i，S_1，i，S_2，i]|i＝1，…，m}→{[u_1，i，u_2，i]|i＝1，…，m}

其中可信度因子定义如下：

针对矿石的可磨性差异分别建立案例数据库；

(C)案例推理

可信度因子求解的案例推理采用可信度因子求解方法实现；

步骤C所述的可信度因子求解方法，按如下步骤进行：

(a)初始化

进行所有变量的初始化；

(b)案例推理软测量模型和神经网络软测量模型是否已对粒度进行估计，如果否，等待；如果是，则转至(c)；

(c)是否进行可信度因子求解，如果是，则转至(d)，进行案例检索与匹配及案例重用的过程；如果否，则转至(k)，进行案例评价与修正的过程；

步骤(d)至(j)为案例的检索与匹配及案例重用流程，采用案例检索策略中的最近相邻策略；

(d)选择矿石可磨性

按照不同的矿石的可磨性，选择矿石可磨性的案例数据库；

(e)读取当前工况描述

读取案例推理软测量模型和神经网络软测量模型各自的粒度估计输出S₁，S₂以及当前工况描述参数D_G，P_G，F_G，D_O；

(f)案例相似度计算

设磨矿过程当前运行工况为M_GK，定义M_GK的工况描述为F＝(f₁，f₂，f₃，f₄，f₅，f₆)，M_GK的解为J_GK，定义案例库中案例为C₁，C₂…C_n，其中案例C_k(k＝1，…，n)的工况描述为F_k＝(f_1，k，f_2，k，f_3，k，f_4，k，f_5，k，f_6，k)，C_k的解为J_k；

那么当前工况描述M_GK的描述特征f_i(i＝1，…，6)与案例C_k(k＝1，…，n)的案例描述特征f_i，k的相似度函数为： 

当前工况描述M_GK和案例C_k(k＝1，…，n)的相似度函数为：

其中ω_i为工况描述特征的加权系数，根据具体工艺特征或经验确定，ω_i满足： 

(g)确定相似度阈值

设SIM_max为所有上述求得的相似度的最大值，即： 阈值SIM_yz通过下式确定：

(h)案例检索与匹配

从案例库中挑选出SIM(M_GK，C_k)≥SIM_yz的所有案例作为匹配案例并依次按“相似度”、“时间”值降序排序，其中，“时间”即案例存储时间；

(i)案例重用

对检索得到的相似案例进行重用，具体方法如下：

设匹配案例集为

其中m为匹配案例数，SIM_i为匹配案例与当前工况描述的案例相似度数值，则当前工况描述的解为

(j)显示并保存可信度因子求解结果

案例重用后把可信度因子求解结果显示在人机界面上，并把当前工况描述、时间、可信度因子数据保存到相关历史数据库中，以供案例修正与评价操作使用； 

步骤(k)至(T)为案例评价与修正流程；

(k)选择矿石可磨性

(l)读取磨矿粒度化验值和化验取样时间：

记粒度化验值为S₃，化验取样时间为T_A；

(m)记录检索

在历史数据库中检索“时间”属性值T与化验取样时间T_A最接近的数据纪录，记检索到的数据纪录为C^T

(n)求取实际的粒度软测量可信度因子

分别根据下式求取工况M_GK下案例推理粒度软测量和神经网络粒度软测量的实际可信度因子u_1，A，u_2，A；

(o)求估计可信度因子和实际可信度因子之差

通过下式求取

(p)是否满足精度要求

若max{Δu₁，Δu₂}≤u_Δ，u_Δ为精度合格标准，则说明案例推理可信度因子求解模型的精度合格，不需要进行案例修正；否则，若max{Δu₁，Δu₂}＞u_Δ，则说明精度不合格，需要进行案例修正来改善模型精度；

(q)输入与取样时间对应的工况描述

将 

再次输入到可信度因子求解模型中，重新进行下述(r)～(t)的操作；

(r)案例相似度计算

与步骤(f)一样；

(s)确定相似度阈值： 

与步骤(g)一样；

(t)案例检索与匹配

与步骤(h)一样；

(u)案例修正

从匹配案例中挑选出具有最大相似度SIM_max的案例并确定其个数Num；

若SIM_max＜0.95，则直接把下述案例C_new加入到案例库中；

若SIM_max≥0.95，则将C_new取代原案例库中与 具有最大相似度SIM_max的案例；

(v)案例保存

把修正后的案例库中案例保存起来，以供以后案例推理运算使用；

(w)结束；

步骤六、基于专家规则推理的磨矿粒度最终求解

可信度因子求解完毕后，由粒度最终求解系统对u₁，u₂的数值进行分析，根据u₁，u₂相互之间的大小情况，给出最终的粒度软测量输出S_E，专家推理系统的知识表达方式选用产生式规则，即用如下的形式表示：前提为可信度因子u₁，u₂，结论就是所求解的最终的粒度软测量输出S_E，具体求解S_E的推理规则如下所示，共6条规则，即R₁，R₂，R₃，R₄，R₅，R₆：

Images