CN102778843A - 一种强磁选别过程运行控制方法 - Google Patents

Abstract

一种强磁选别过程运行控制方法，属于自动控制技术领域，根据强磁选品位指标期望值以及基础控制回路的实际值，对强磁选别过程的基础控制回路的设定值进行优化控制，提高精矿品位，降低尾矿品位。本发明保证系统运行在精矿品位期望值与尾矿品位期望值对应的工作点上，使用神经网络对不可在线测量的精矿品位与尾矿品位进行实时预报，采用动态补偿方法有效抑制各种未知干扰对选别过程的不利影响，从而在有效提高精矿品位的同时降低尾矿品位，提高选矿最终产品的金属回收率。本方法可通过软件系统实现，软件系统实现软件功能模块与算法文件的分离、解耦度低、易于算法扩展与维护，为强磁选别过程运行控制方法研究及系统设计提供技术支撑与运行平台。

Description

一种强磁选别过程运行控制方法

技术领域

本发明属于自动控制技术领域，特别涉及一种强磁选别过程运行控制方法。

背景技术

磁选过程是赤铁矿选矿生产流程中的一个重要环节，是影响选矿产品质量的最后一道工序，直接决定最终产品质量，其主要任务是将经磨矿过程研磨后的矿浆选别为品位合格的精矿和尾矿。

其中，影响强磁选别工艺生产指标的最主要因素是基础控制回路的冲矿漂洗水流量(粗选漂洗水流量、一扫漂洗水流量、二扫漂洗水流量)、励磁电流(粗选励磁电流、扫选励磁电流)、扫选给矿浓度，此外，还受给矿品位、给矿粒度、矿石可选性、给矿量等因素的影响(工艺过程如图1所示)。由于品位指标与基础控制回路过程变量之间具有强非线性、时变性、边界条件变化频繁等复杂动态特性，难以用精确数学模型描述，并且品位粒度指标无法在线连续检测，目前实际现场仅能实现冲矿漂洗水流量、励磁电流和扫选给矿浓度的基础回路控制，而难以根据工艺指标精矿品位和尾矿品位的目标采用优化控制方法实时给出基础控制回路的设定值。现有技术中，强磁选别过程控制的研究大多假定可以获得理想的基础控制回路设定值，集中在提高反馈控制的效果，忽略偏离理想设定点的反馈控制不能实现系统的良好运行，近年来，众多研究者开始对强磁选别过程回路设定值优化控制系统进行研究，然而这些系统由于缺乏对指标的实时检测，难以及时有效地抑制各种未知干扰对工艺指标的不利影响，造成系统在相当长的时间内处于开环控制，很难或者根本不能使磁选过程在最佳的状态下运行，从而无法保证产品的质量，造成原料的浪费和生产效率的下降。

传统的优化控制软件大多属于专用或者封闭式系统，算法可扩展性差，且系统内嵌的算法模型与开发环境深度耦合，无法成为真正独立的和可以互相移植的行业公共资源。每次微小的修改都要重新编译、链接和调试整个系统，不利于系统的维护。

发明内容

针对现有技术存在的不足，本发明提供一种强磁选别过程运行控制方法，用于根据强磁选品位指标期望值，对强磁选别过程的基础控制回路的设定值进行优化，从而提高精矿品位，降低尾矿品位。所述强磁选别过程的基础控制回路的包括：冲矿漂洗水流量(粗选漂洗水流量q_rw、一扫漂洗水流量q_sw1、二扫漂洗水流量q_sw2)、励磁电流(粗选励磁电流i_r、扫选励磁电流i_s)、扫选给矿浓度d_sf的控制回路。

本发明的技术方案是这样实现的：

一种强磁选别过程运行控制方法所采用的系统，包括：一台分矿箱、一台粗选强磁机、一台扫选强磁机、一台浓密机，同时配备测量仪表，执行机构以及工业控制系统(分布式计算机控制系统（DCS）或可编程逻辑控制器（PLC）)，在此基础上构成回路控制系统，其中，测量仪表包括核子浓度计、电磁流量计和电流互感器，执行机构包括电动调节阀门、变频泵和励磁电流整流装置。在粗选强磁机的漂洗水加水管上安装第一电磁流量计和第一电动调节阀门；在浓密机底流管路上安装一台变频泵和一个核子浓度计；在扫选强磁机上下盘的漂洗水加水管上各安装第二电磁流量计和第三电磁流量计，并配套安装有第二电动调节阀门和第三电动调节阀门；粗强磁选机磁极处安装有第一电流互感器和第一励磁电流整流装置，扫选强磁机的磁极处安装第二电流互感器和第二励磁电流整流装置。

本发明方法根据强磁选别过程的品位指标期望值(精矿品位期望值γ^* _cg，尾矿品位期望值γ^* _tg、边界条件B(给矿品位B₁、给矿粒度B₂、矿石可选性B₃、给矿量B₄)，以及基础控制回路的实际值(粗选漂洗水流量q_rw、一扫漂洗水流量q_sw1、二扫漂洗水流量q_sw2、粗选励磁电流i_r、扫选励磁电流i_s、扫选给矿浓度d_sf)，对强磁选别过程的六个基础控制回路(粗选漂洗水流量控制回路、一扫漂洗水流量控制回路、二扫漂洗水流量控制回路、粗选励磁电流控制回路、扫选励磁电流控制回路、扫选给矿浓度控制回路)的设定值（q^* _rw、q^* _sw1、q^* _sw2、i^* _r、i^* _s、d^* _sf）进行控制，从而保证系统运行在与期望运行指标相对应的工作点上。

本发明的强磁选别过程运行控制方法，具体步骤如下：

步骤1：研磨后的矿浆通过分矿箱自流入粗选强磁机进行分选，第一电磁流量计采集粗选漂洗水流量q_rw，第一电流互感器采集粗选励磁电流i_r；

步骤2：粗选出的精矿进入精矿大井，尾矿进入中矿浓密机进行浓缩，矿浆由浓密机底流的变频泵打入扫选强磁机，核子浓度计采集扫选给矿浓度d_sf；

步骤3：矿浆进入扫选强磁机进行扫选，扫选强磁机上盘为一扫作业，一扫的尾矿进入下盘进行二扫，第二电磁流量计、第三电磁流量计分别采集扫选强磁机的上下盘漂洗水流量q_sw1和q_sw2，即一扫漂洗水流量和二扫漂洗水流量，第二电流互感器采集扫选励磁电流i_s；

步骤4：根据采集到的粗选漂洗水流量q_rw、粗选励磁电流i_r、扫选给矿浓度d_sf、扫选强磁机的上下盘漂洗水流量q_sw1和q_sw2实际值，对基础控制回路的设定值进行优化，实现强磁选别过程品位指标的控制；

步骤4.1：设定品位指标期望值和边界条件B，品位指标期望值包括精矿品位期望值γ^* _cg，尾矿品位期望值γ^* _tg，边界条件B包括给矿品位B₁、给矿粒度B₂、矿石可选性B₃、给矿量B₄；

步骤4.2：判断品位指标期望值或边界条件相对于上一时刻设定的品位指标期望值或边界条件是否发生改变，是，则执行步骤4.3，进行基础控制回路预设定值优化；否，则执行步骤4.4，进行品位指标软测量；

步骤4.3：基础控制回路预设定值优化；

基础控制回路预设定值是指未经动态补偿的基础控制回路设定值，本发明中将该基础回路预设定值与步骤4.5计算的补偿量求和后作为最终的基础控制回路设定值下载到工业控制系统(分布式计算机控制系统（DCS）或可编程逻辑控制器（PLC）)中；

基础控制回路预设定值优化是根据品位指标期望值、基础控制回路实际值以及边界条件信息，采用案例推理算法，对基础控制回路预设定值进行优化。

基础控制回路预设定值优化，其输入为精矿品位期望值γ^* _cg与尾矿品位期望值γ^* _tg、给矿品位B₁、给矿粒度B₂、矿石可选性B₃、给矿量B₄、基础控制回路的当前时刻粗选漂洗水流量实际值q_rw(t)，一扫漂洗水流量实际值q_sw1(t)，二扫漂洗水流量实际值q_sw2(t)，粗选励磁电流实际值i_r(t)，扫选励磁电流实际值i_s(t)，扫选给矿浓度实际值d_sf(t)以及上一时刻粗选漂洗水流量设定值q^* _rw(t-1)，一扫漂洗水流量q^* _sw1(t-1)，二扫漂洗水流量q^* _sw2(t-1)，粗选励磁电流i^* _r(t-1)，扫选励磁电流i^* _s(t-1)，扫选给矿浓度d^*(t-1)_sf；其输出为基础控制回路的预设定值 $Y_0^{*}={[q_{0\mathrm{rw}}^{*},q_{0\mathrm{sw}1}^{*},q_{0\mathrm{sw}2}^{*},i_{0r}^{*},i_{0s}^{*},d_{0\mathrm{sf}}^{*}]}^T;$

采用案例推理算法，对基础控制回路预设定值进行优化：将品位指标期望值、基础控制回路的实际值和基础控制回路的设定值，以案例形式进行描述，从案例库中检索与当前工况匹配的案例，根据检索的结果进行案例重用，得到基础控制回路的预设定值。具体步骤如下：

（一）案例描述：

基于案例推理技术的预设定模型描述如下：

式中：k＝1,…,m，m为历史案例库中案例数量，C_k表示历史案例库中的第k条案例，T_k表示第k条案例产生时间，F_k为第k条案例描述特征，Y_k为第k条案例解，y_1,k,…,y_6，k分别表示粗选漂洗水流量设定值q^* _rw，一扫漂洗水流量设定值q^* _sw1，二扫漂洗水流量设定值q^* _sw1，粗选励磁电流设定值i^* _r，扫选励磁电流设定值i^* _s，扫选给矿浓度设定值d^* _sf。f_1,k、f_2,k分别表示为精矿品位期望值γ^* _cg和尾矿品位期望值γ^* _tg；f_3,k～f_8,k分别表示当前时刻采集的粗选漂洗水流量q_rw(t)，一扫漂洗水流量q_sw1(t)，二扫漂洗水流量q_sw2(t)，粗选励磁电流i_r(t)，扫选励磁电流i_s(t)，扫选给矿浓度d_sf(t)；f_9，k～f_14，k分别表示上一时刻计算的粗选漂洗水流量设定值q^* _rw(t-1)，一扫漂洗水流量设定值q^* _sw1(t-1)，二扫漂洗水流量设定值q^* _sw2(t-1)，粗选励磁电流设定值i^* _r(t-1)，扫选励磁电流设定值i^* _s(t-1)，扫选给矿浓度设定值d^*(t-1)_sf；f_15，k～f_18，k分别对应边界条件：给矿品位B₁、给矿粒度B₂、矿石可选性B₃、给矿量B₄；f_17，k为枚举型变量，分别取值1，2，3表示矿石可选性的好、中、差，其余变量为数值型变量。

(二)案例检索与匹配：

设当前T时刻运行工况的案例描述特征为

定义以当前T时刻运行工况的案例描述特征F^T与历史案例库中的第k(1≤k≤m)条案例C_k：{(T_k，F_k)→Y_k}的相似度为SIM_k，由下式表示：

式中：

为F^T与F_k的特征相似度，其中，j＝1，…，18，其中系数ω_j表示各个案例属性的特征加权系数；

设SIM_max为所有上述求得的特征相似度的最大值，即

设θ表示相似度阈值，由下式确定：

其中，

为案例阈值；

历史案例库中所有满足条件SIM_k≥θ的案例都被检索出来作为匹配案例，并将其按SIM_k及T_k降序排列。

(三)案例重用：

设经过案例检索与匹配后共找到h条匹配案例，用

表示匹配案例集，其中，i＝1，…，h，M表征匹配案例特征。那么以F^T描述的当前T时刻基础控制回路预设定值的解Y^T可表示为：

计算出的解Y^T在保证属于正常工作范围内以后，作为基础控制回路预设定值

输出，将本次案例求解的时间、工况描述特征及解，即按（四）中的策略存入实时案例库，实时案例库用于存储系统运行后经过案例重用和修正所计算出的案例。

（四）案例修正与存储：

进入等待重新计算或人工化验值录入状态。

当化验值录入后采用如下策略对案例进行评价与修正：

在实时数据库中检索“时间”属性值与化验取样时间最接近的案例描述C^T：

若|化验得到的品位指标－C^T中记录的期望值|<0.5，则不需案例修正，C^T直接按照存储策略存入历史案例库中；否则重新进行案例检索与匹配及案例重用操作，进行步骤4.4，将本次案例的解替换为

并保持到实时案例库中。

案例存储策略：

计算当前案例与历史案例库中所有案例相似度，记录最大值为SIM_max，若SIM_max≤0.98，则将当前案例求解的时间、工况描述特征及解存入历史数据库；否则将与SIM_max对应的旧案例替换为当前案例，若对应的案例为多个，则替换时间最久远的案例。

步骤4.4：进行品位指标软测量，对品位指标进行在线估计，得到品位指标预报值；

本发明采用神经网络算法，对品位指标进行在线估计（即对品位指标进行预报），对基础控制回路的实际值与边界条件进行主元特征提取，将提取的主元与前一时刻品位指标的预报值采用神经网络进行计算，得到品位指标的预报值；具体步骤如下：

步骤4.4.1：主元特征提取：

为提高神经网络模型的计算效率，本发明首先使用主元分析算法对数据进行主元特征提取。需要分析的数据包括当前时刻各实际值q_rw(t)，q_sw1(t)，q_sw2(t)，i_r(t)，i_s(t)，d_sf(t)以及边界条件B₁、B₂、B₃、B₄。提取的主成分与前一时刻预报值共同做为神经网络的输入。

同一时刻采集的数据为一组历史数据，将m组历史数据做样本，构成(m×n)维矩阵X_m×n，在分析前需要对其进行标准化处理以消除变量单位和测量范围的影响，标准化处理后用

表示：

$X_{m\&times;n}^{*}=(X_{m\&times;n}-{\stackrel{\&OverBar;}{X}}_{m\&times;n})/D_{\mathrm{\&sigma;}}^{0.5}---\left(5\right)$

其中

为对角矩阵，对角线上的元素

为x_i的方差，

为X_m×n的均值。相应协方差矩阵为∑^*，对∑^*进行特征分解：

∑^*=L^T∧L       （6）

其中L=(l₁,l₂,……，l₁₀)；l₁,l₂,……，l₁₀是对应的正规化特征向量；∧=diag(λ₁,λ₂,...λ₁₀)为对角矩阵，对角线上的元素λ₁,λ₂,...λ₁₀是∑^*特征值，且λ₁≥λ₂≥...≥λ₁₀≥0。

主元z_i可表示为：

$z_i=l_i^{T}X={\mathrm{\&Sigma;}}_{j=1}^n{l}_{\mathrm{ij}}\&CenterDot;x_j,i=1,...,10---\left(7\right)$

其中，X为需要进行主元分析的矩阵，x_j为矩阵X的列向量，表示向量l_i的转置，l_ij是矩阵L第i行第j列上的元素。

X的主元是以单位化正交特征向量为系数的X的线性组合，第i个主元z_i(i＝1,…，n)是与z₁，…,z_i-1都不相关的所有X的线性组合中方差达到最大者。前p个主元所反映原来变量包含信息的大小，可用前p个主元的累积方差贡献率η_p来评价。

${\mathrm{\&eta;}}_p=\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i,p\&le;n---\left(8\right)$

步骤4.4.2：采用神经网络进行品位指标预报，并利用指标预报误差采用误差反馈学习算法来实时调整神经网络权值。

步骤4.5：对基础控制回路设定值进行动态补偿：计算品位指标预报值与期望值之差，采用专家规则推理算法计算基础控制回路预设定值的补偿值ΔY^T=[Δq_rw、Δq_sw1、Δq_sw2、Δi_r、Δi_s、Δd_sf]^T；

步骤4.6：将补偿值ΔY^T与步骤4.3计算的基础控制回路预设定值

求和后作为基础控制回路的设定值下载到工业控制系统(分布式计算机控制系统（DCS）,或可编程逻辑控制器（PLC）)中；

步骤5：根据优化后的基础控制回路的设定值q^* _rw、q^* _sw1、q^* _sw2、i^* _r、i^* _s、d^* _sf，调节粗选漂洗水阀门的开度v_r，控制粗扫上下盘漂洗水流量q_rw，第一励磁电流整流装置通过调节i_r以改变磁场的强度。粗选出的精矿进入精矿大井，尾矿进入中矿浓密机进行浓缩，改变变频泵的转速s_d实现矿浆浓度d_sf调节，尾矿矿浆由浓密机底流的变频泵打入扫选强磁机，扫选强磁机上盘为一扫作业，一扫的尾矿给入下盘进行二扫，一扫漂洗水阀门的开度v_s1与二扫漂洗水阀门的开度v_s2分别控制扫选强磁机的上下盘漂洗水流量q_sw1和q_sw2，第二励磁电流整流装置通过调节i_s实现磁场强度的控制。

步骤6：粗选精矿和扫选精矿为强磁选精矿，扫选尾矿为强磁选尾矿，通过溜槽进入尾矿浓缩。

本发明方法可通过软件系统实现，软件系统由系统管理模块，变量库管理模块，算法库管理模块，算法组态模块，算法运行模块，数据通讯模块、数据监控模块及其相关数据组成，运行于任何安装有.NET Framework操作系统的计算机上，获得精矿与尾矿的品位指标期望值，通过使用OPC(OLE for Process Control，用于过程控制的OLE)技术与工业控制系统(分布式计算机控制系统（DCS）,或可编程逻辑控制器（PLC）)进行交互，获得实时的过程数据，然后根据输入的品位指标期望值以及边界条件启动智能优化设定控制算法，从而决策出基础控制回路的设定值，并实时监控各类数据。通过数据监控界面可由人工干预优化得出的设定值，调整后最终下载到底层回路控制系统中。

软件系统中各软件功能模块是这样实现的：

a)用户管理模块：用于建立用户，并对用户进行权限设置。用户权限设置有工程师权限和操作员权限两种。操作员权限用户只能完成系统参数设置、优化操作和数据显示查看功能；工程师权限用户可以使用平台的所有配置功能。

b)变量库管理模块：与算法有关的所有变量均保存在变量库管理模块中。该模块的主要功能是，一是对于软件所用变量统一管理，可以根据变量属性进行分类查询和修改；二是与第三方软件或控制器的数据访问接口，形成变量与具体工业控制系统(分布式计算机控制系统（DCS）,或可编程逻辑控制器（PLC）)中标签映射，使软件本身组态、配置、测试不依赖于具体基础控制回路标签。三是充当用于存储优化控制算法数据实时数据库，并定期将数据根据归档配置保存到历史数据库，提供结果查询与分析的数据源。

c)算法库管理模块：实现优化控制算法分组管理，算法注册封装与维护的功能。为满足特殊需求和算法的可维护与可扩展性，平台提供算法接口，允许使用封装功能将自定义的算法注册到系统中使用。算法自定义包括绘制表征图元，指定算法文件，定义数据接口。其中算法可使用选择Jscript脚本语言，VBScript脚本语言，Python脚本语言和Matlab脚本语言中的一种来定义，支持用高级编译语言C++，C#制作的动态链接库的调用。运行时分别通过不同的求解器实现运算；数据接口定义算法模块的输入/输出；平台为算法表征图元的绘制提供基本绘图工具，并支持bmp、png等多种格式的拷贝。

d)算法组态模块：此功能模块是为复杂控制算法提供组态，模块属性配置，模块连接的运行支撑环境。算法模块必须是本发明提供的方法或是在算法库管理模块中注册成功的完整模块才能以搭积木的方式添加到算法策略中。

e)算法运行模块：算法运行模式分为手动运行，顺序运行和定时运行三种。其中手动运行模式支持鼠标操作，算法的运行完全人工控制，由人来触发算法模块的运行指令，适合用于系统测试、调试以及维护。顺序运行模式下，算法模块的执行顺序由软件根据模块的连接关系利用计算得出。定时运行模式下，运行前需要为每个模块设置运算周期，无需手动干预。

f)数据通讯模块：包括控制系统通讯模块，数据库通讯模块以及消息中间件模块。控制系统通讯模块读取分布式计算机控制系统（DCS）、或可编程逻辑控制器（PLC）的服务器中的过程数据，并下载设定值数据。数据库通讯模块与消息中间件模块为指标数据读取接口，用于产生品位指标的应用程序可通过此接口与将品位指标期望值下载到本系统。

g)数据监控模块：以图表显示形式对数据进行查看与维护，包括工艺指标数据监控，边界条件数据监控，优化设定结果数据监控以及过程信息数据监控。

有益效果：

本发明提供了一种强磁选别过程运行控制方法，保证系统运行在精矿品位期望值与尾矿品位期望值所对应的工作点上，使用神经网络软测量技术对不可在线测量的精矿品位与尾矿品位进行实时预报，并采用动态补偿方法有效抑制各种未知干扰对选别过程的不利影响，从而在有效提高精矿品位的同时降低尾矿品位，并提高选矿最终产品的金属回收率。本发明可以通过软件系统实现，软件系统的功能模块同时满足了工艺工程师，运行工程师以及操作员等不同知识水平用户的需求，相对于以往的系统具有更好的可维护性与易用性。

附图说明

图1是本发明具体实施方式的强磁选别过程工艺流程图，其中，-T：检测仪表；-C：控制器；F-：流量；D-：浓度；E-：电流；

图2是本发明具体实施方式的强磁选别过程运行控制策略图；

图3是本发明具体实施方式的强磁选别过程运行控制方法流程图；

图4是本发明具体实施方式的强磁选别过程运行控制方法的软件系统体系结构图；

图5是本发明具体实施方式的强磁选别过程运行控制方法的软件系统运行操作流程图。

具体实施方式

下面结合附图对本发明的具体实施做进一步说明。

本发明的实施例为一个大型铁矿选矿厂的强磁选矿，该选矿厂的主要铁矿石为黄铁矿、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%。强磁选别过程工艺流程如图1所示，来自磨矿作业的溢流矿浆进入分矿箱后自流入粗选强磁机的分选区域，磁性较弱的矿粒直接被冲矿漂洗水冲掉成为尾矿，磁性较强的矿粒被卸矿水冲下成为精矿。粗选出的精矿进入精矿大井，尾矿进入浓密机进行浓缩。粗选强磁机的尾矿矿浆由浓密机底流变频泵打入扫选强磁机，扫选强磁机上盘为一扫作业，一扫的尾矿给入下盘进行二扫。粗选精矿和扫选精矿就是强磁选精矿；扫选尾矿为强磁选尾矿，通过溜槽入尾矿浓密机浓缩。

粗选强磁机和扫选强磁机为SHP-3200型湿式强磁选机，转盘直径3200mm，转盘转速3.3r/min，额定磁感应强度13500mT。

浓密机直径50m，深度4.503m，面积1963m2，耙架运转一周时间20min，处理能力160t/台·h，最大处理能力干矿363t/台·h，水980t/台·h。

按照要求安装设备及测量仪表，在粗选强磁机的漂洗水加水管上安装第一电磁流量计和第一电动调节阀门；在浓密机底流管路上安装一台变频泵和一个核子浓度计；在扫选强磁机上下盘的漂洗水加水管上各安装第二电磁流量计和第三电磁流量计，并配套安装有第二电动调节阀门和第三电动调节阀门；粗强磁选机磁极处安装有第一电流互感器和第一励磁电流整流装置，扫选强磁机的磁极处安装第二电流互感器和第二励磁电流整流装置；具体是：

采用AB公司的1336PLUS系列变频器控制底流变频泵的转速s_d；

第一励磁电流整流装置和第二励磁电流整流装置，采用SIEMENS公司的SIMOREG K6RA24系列励磁整流器，分别控制粗选励磁电流i_r与扫选励磁电流i_s；

第一电动调节阀门、第二电动调节阀门和第三电动调节阀门，采用ZDLS DN100系列电动角式调节阀，分别控制粗选漂洗水流量q_rw、一扫漂洗水流量q_sw1以及二扫漂洗水流量q_sw2；

第一电磁流量计、第二电磁流量计和第三电磁流量计，采用IFM4080K/F系列电磁流量计，分别测量粗选漂洗水流量q_rw，一扫漂洗水流量q_sw1以及二扫漂洗水流量q_sw2；

第一电流互感器和第二电流互感器，采用BLZ－C系列电流互感器，分别测量粗选强磁机励磁电流i_r与扫选强磁机励磁电流i_s；

浓密机底流管路上安装的核子浓度计采用NMF-216T系列核子浓度计，测量扫选给矿浓度d_sf；

本实施例的工业控制系统采用美国Rockwell公司ControlLogix系统平台。该分布式计算机控制系统的上位机（即监控计算机）是使用监控组态软件RSView32和通讯软件RSlink配合实现数据采集以及人机监控。

强磁选别过程的基础控制回路的设定值应在系统运行的正常工作范围内，所述正常工作范围为：

粗选强磁机漂洗水流量——40m3/h~20m3/h

粗选强磁机一扫漂洗水流量——15m3/h~8m3/h

粗选强磁机二扫漂洗水流量——13m3/h~5m3/h

粗选强磁机励磁电流——210A~145A

扫选强磁机励磁电流——210A~160A

扫选强磁机给矿浓度——42%~25%

本方法首先采集各测量仪表的数据，然后输入边界条件和精矿品位期望值和尾矿品位期望值，进而进行优化设定。本具体实施方式的控制策略如图2所示。

本实施方式强磁选别过程运行控制方法的流程如图3所示，具体实现过程如下：

步骤1：研磨后的矿浆通过分矿箱自流入粗选强磁机进行分选，第一电磁流量计采集粗选漂洗水流量q_rw，第一电流互感器采集粗选励磁电流i_r；

采集到的粗选漂洗水流量q_rw=30.1m³/h，粗选励磁电流i_r=195.1A；

步骤2：粗选出的精矿进入精矿大井，尾矿进入中矿浓密机进行浓缩，矿浆由浓密机底流的变频泵打入扫选强磁机，核子浓度计采集扫选给矿浓度d_sf；核子浓度计采集到的扫选给矿浓度d_sf＝40.8%；

步骤3：矿浆进入扫选强磁机进行扫选，扫选强磁机上盘为一扫作业，一扫的尾矿进入下盘进行二扫，第二、三电磁流量计分别采集一扫漂洗水流量和二扫漂洗水流量，一扫漂洗水流量q_sw1=11.9m³/h，二扫漂洗水流量q_sw2=9.9m³/h，第二电流互感器采集扫选励磁电流i_s=209.6A；

步骤4：根据采集到的粗选漂洗水流量q_rw、粗选励磁电流i_r、扫选给矿浓度d_sf、扫选强磁机的上下盘漂洗水流量q_sw1和q_sw2实际值，对基础控制回路设定值进行优化，实现强磁选别过程品位指标的优化；

步骤4.1：设定品位指标期望值和边界条件B，品位指标期望值包括精矿品位期望值γ^* _cg=47.6%，尾矿品位期望值γ^* _tg=17.8%，边界条件B包括给矿品位B₁、给矿粒度B₂、矿石可选性B₃、给矿量B₄；给矿品位B₁=33.05%、给矿粒度B₂=81%、矿石可选性B₃=2(中)、给矿量B₄=40.5t/h；

步骤4.2：判断品位指标或边界条件是否发生变化，精矿品位指标期望值与上一时刻设定的精矿品位期望值46.8%不同，即品位指标发生变化，则执行步骤4.3，进行基础控制回路预设定值优化；

步骤4.3：基础控制回路预设定值优化；

基础控制回路预设定值优化是根据品位指标期望值、基础控制回路实际值以及边界条件信息，采用案例推理算法，对基础控制回路的预设定值进行性优化。

基础控制回路预设定值优化，其输入为精矿品位期望值γ^* _cg与尾矿品位期望值γ^* _tg、给矿品位B₁、给矿粒度B₂、矿石可选性B₃、给矿量B₄、基础控制回路被控量的当前时刻粗选漂洗水流量实际值q_rw(t)，一扫漂洗水流量实际值q_sw1(t)，二扫漂洗水流量实际值q_sw2(t)，粗选励磁电流实际值i_r(t)，扫选励磁电流实际值i_s(t)，扫选给矿浓度实际值d_sf(t)以及上一时刻粗选漂洗水流量设定值q^* _rw(t-1)，一扫漂洗水流量q^* _sw1(t-1)，二扫漂洗水流量q^* _sw2(t-1)，粗选励磁电流i^* _r(t-1)，扫选励磁电流i^* _s(t-1)，扫选给矿浓度d^*(t-1)_sf；其输出为基础控制回路的预设定值 $Y_0^{*}={[q_{0\mathrm{rw}}^{*},q_{0\mathrm{sw}1}^{*},q_{0\mathrm{sw}2}^{*},i_{0r}^{*},i_{0s}^{*},d_{0\mathrm{sf}}^{*}]}^T;$

采用案例推理算法，对基础控制回路的预设定值进行优化，具体步骤如下：

（一）案例描述：

基于案例推理技术的预设定模型描述如下：

式中：k＝1,…,m，m为历史案例库中案例数量，C_k表示历史案例库中的第k条案例，T_k表示第k条案例产生时间，F_k为第k条案例描述特征，Y_k为第k条案例解，y_1,k,…,y_6,k分别表示粗选漂洗水流量设定值q^* _rw，一扫漂洗水流量设定值q^* _sw1，二扫漂洗水流量设定值q^* _sw1，粗选励磁电流设定值i^* _r，扫选励磁电流设定值i^* _s，扫选给矿浓度设定值d^* _sf。f_1,k、f_2,k分别表示为精矿品位期望值γ^* _cg和尾矿品位期望值γ^* _tg；f_3,k～f_8,k分别表示当前时刻采集的粗选漂洗水流量q_rw(t)，一扫漂洗水流量q_sw1(t)，二扫漂洗水流量q_sw2(t)，粗选励磁电流i_r(t)，扫选励磁电流i_s(t)，扫选给矿浓度d_sf(t)；f_9,k～f_14,k分别表示上一时刻计算的粗选漂洗水流量设定值q^* _rw(t-1)，一扫漂洗水流量设定值q^* _sw1(t-1)，二扫漂洗水流量设定值q^* _sw2(t-1)，粗选励磁电流设定值i^* _r(t-1)，扫选励磁电流设定值i^* _s(t-1)，扫选给矿浓度设定值d^*(t-1)_sf；f_15,k～f_18,k分别对应边界条件：给矿品位B₁、给矿粒度B₂、矿石可选性B₃、给矿量B₄；f_17，k为枚举型变量，分别取值1，2，3表示矿石可选性的中、好、差，其余变量为数值型变量。

本实施例的案例工况描述即可表示为

C_2010-12-12:{2010-12-12，(47.6%，17.8%，30.1m³/h，11.9m³/h，9.9m³/h，195.1A，209.6A，40.8%，31.1m³/h，10.9m³/h，10.5m³/h，204.5A，194.1A，38.5%，33.05%，81%，2，40.5) $\&RightArrow;(Y_0^{*}=[y_{\mathrm{0,1}}^{*},...,y_{\mathrm{0,6}}^{*}\left]\right)$ }。

（二）案例检索与匹配：

设当前T时刻运行工况的案例描述特征为

定义以当前T时刻运行工况的案例描述特征F^T与历史案例库中的第k(1≤k≤m)条案例C_k:{(T_k,F_k)→Y_k}的相似度为SIM_k，由下式表示。

式中：

为F^T与F_k的特征相似度，j=1,…,18，其中系数ω_j表示各个案例属性的特征加权系数；

设SIM_max为所有上述求得的特征相似度的最大值，即设θ表示相似度阈值，由下式确定：

其中，

为案例阈值；

取各个案例属性的特征加权系数：

精矿品位加权系数——ω₁＝0.1；

尾矿品位加权系数——ω₂＝0.1；

粗选漂洗水流量实际值加权系数——ω₃＝0.1；

一扫选漂洗水流量实际值加权系数——ω₄＝0.07；

二扫选漂洗水流量实际值加权系数——ω₅＝0.07；

粗选励磁电流实际值加权系数——ω₆＝0.06；

扫选励磁电流实际值加权系数——ω₇＝0.06；

扫选给矿浓度实际值加权系数——ω₈＝0.03。

粗选漂洗水流量上一时刻优化值加权系数——ω₉＝0.04；

一扫选漂洗水流量上一时刻优化值加权系数——ω₁₀＝0.04；

二扫选漂洗水流量上一时刻优化值加权系数——ω₁₁＝0.04；

粗选励磁电流上一时刻优化值加权系数——ω₁₂＝0.025；

扫选励磁电流上一时刻优化值加权系数——ω₁₃＝0.025；

扫选给矿浓度上一时刻优化值加权系数——ω₁₄＝0.02。

给矿品位加权系数——ω₁₅＝0.04；

给矿粒度加权系数——ω₁₆＝0.025；

矿石可选性加权系数——ω₁₇＝0.025；

给矿量加权系数——ω₁₈＝0.02。

历史案例库中所有满足条件SIM_k≥θ的案例都被检索出来作为匹配案例，并将其按SIM_k及T_k降序排列。

本实施例中，案例阈值

取0.8；

根据(2)(3)两式算得，历史案例库中满足条件SIM_k≥θ的案例有26个。

（三）案例重用：

设经过案例检索与匹配后共找到h条匹配案例，用

表示匹配案例集，其中，i＝1,…,h，M表征匹配案例特征。那么以F^T描述的当前T时刻基础控制回路预设定值解Y^T可表示为：

计算出的解Y^T在保证在正常工作范围内以后，作为回路预设定值

输出，根据(4)式计算后得到 $Y_0^{*}=[30.6m^3/h,12.4m^3/h,11.2m^3/h,196.7A,191.2A,40.9\%].$

将C_2010-12-12:{2010-12-12,(47.6%,17.8%,30.1m³/h,11.9m³/h,9.9m³/h,195.1A,209.6A,40.8%,31.1m³/h,10.9m³/h,10.5m³/h,204.5A,194.1A,38.5%,33.05%,81%,2,40.5)→(30.6m³/h,12.4m³/h,9.2m³/h,196.7A,191.2A,40.9%)按（四）中的策略存入实时案例库；

（四）案例修正与存储：

在实时数据库中检索“时间”属性值与化验取样时间最接近的案例描述C^T：

若|化验得到的品位指标－C^T中记录的期望值|<0.5，则不需案例修正，C^T直接按照存储策略存入历史案例库中；否则重新进行案例检索与匹配及案例重用操作，进行步骤4.4。

案例存储策略：

计算当前案例与历史案例库中所有案例相似度，记录最大值为SIM_max，若SIM_max≤0.98，则将当前案例求解的时间、工况描述特征及解存入历史数据库；否则将与SIM_max对应的旧案例替换为当前案例，若对应的案例为多个，则替换时间最久远的案例。

本实施例中，录入精矿品位化验值48.1%和尾矿品位化验值18.2%后，由于|47.6－48.1|<0.5且|17.8－18.2|<0.5，因此不需要修正。又因为历史案例库中与案例C_2010-12-12的最大相似度为SIM_max=0.95，小于0.98，因此将案例C_2010-12-12从实时数据库保存到历史数据库。

步骤4.4：进行品位指标软测量对品位指标进行在线估计（即对品位指标实际值进行预报），得到品位指标预报值；

步骤4.4.1：主元特征提取：

为提高神经网络模型的计算效率，本发明首先使用主元分析算法对数据进行主元特征提取。需要分析的数据有基础控制回路被控量的当前时刻实际值q_rw(t)，q_sw1(t)，q_sw2(t)，i_r(t)，i_s(t)，d_sf(t)，以边界条件B₁、B₂、B₃、B₄。提出的主成分与前一时刻预报值共同做为神经网络的输入。

取m=300组历史数据做样本，构成(m×n=300×10)维矩阵X_300×10，在分析前需要对变量X进行标准化处理以消除变量单位和测量范围的影响。

$X_{m\&times;n}^{*}=(X_{m\&times;n}-{\stackrel{\&OverBar;}{X}}_{m\&times;n})/D_{\mathrm{\&sigma;}}^{0.5}---\left(5\right)$

其中

为X_m×n的均值，

为x_i的方差。

X的主元是以单位化正交特征向量为系数的X的线性组合。

相应协方差矩阵为∑^*，对∑^*进行特征分解：

∑^*=L^T∧L      （6）

其中L=(l₁,l₂,……，l₁₀)；l₁,l₂,……，l₁₀是对应的正规化特征向量；∧=diag(λ₁,λ₂,...λ₁₀)为对角矩阵，对角线上的元素λ₁,λ₂,..λ₁₀是∑^*特征值，且λ₁≥λ₂≥...≥λ₁₀≥0。

主元z_i可表示为：

$z_i=l_i^{T}X={\mathrm{\&Sigma;}}_{j=1}^n{l}_{\mathrm{ij}}\&CenterDot;x_j,i=1,...,10---\left(7\right)$

其中，X为需要进行主元分析的矩阵，x_j为矩阵X的列向量，

表示向量l_i的转置，l_ij是矩阵L第i行第j列上的元素。

X的主元是以单位化正交特征向量为系数的X的线性组合，第i个主元z_i(i＝1,…，n)是与z₁，…,z_i-1都不相关的所有X的线性组合中方差达到最大者。前p个主元所反映原来变量包含信息的大小，可用前p个主元的累积方差贡献率η_p来评价。

${\mathrm{\&eta;}}_p=\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i,p\&le;n---\left(8\right)$

取η_p>0.85，根据(5)(6)(8)式计算得p=5，即共有5个主成分。

将当前时刻基础回路的实际值以及边界条件归一化处理并经过(7)式计算后与加上前一时刻预报值49.4%和尾矿品位化验值17.1%共同作为神经网络的输入。

步骤4.4.2：采用RBF神经网络进行品位指标预报，并利用指标预报误差采用误差反馈学习算法来实时调整神经网络权值。

RBF神经网络采用7-17-2网络结构，经神经网络计算后得到精矿品位预报值48.2%，尾矿品位预报值18.4%。

步骤4.5：对基础控制回路设定值进行动态补偿：计算品位指标预报值与期望值之差，采用专家规则推理算法计算基础控制回路预设定值的补偿值ΔY^T，ΔY^T=[-2,-2,-1.5,2,2,1.5]^T。

所述的专家规则中，“+”表示提高，“-”表示减少，具体规则如下：

1）0.3%>=精矿品位预报值与精矿品位期望值之差>=-0.3%，且1.5%>=尾矿品位预报值与尾矿品位期望值之差>0.3%，则：

2）0.3%>=精矿品位预报值与精矿品位期望值之差>=-0.3%，且尾矿品位预报值与尾矿品位期望值之差>1.5%，则：

3）1.5%>=精矿品位预报值与精矿品位期望值之差>0.3%，且1.5%>=尾矿品位预报值与尾矿品位期望值之差>0.3%，则：

4）1.5%>=精矿品位预报值与精矿品位期望值之差>0.3%，且尾矿品位预报值与尾矿品位期望值之差>1.5%，则：

5）精矿品位预报值与精矿品位期望值之差>1.5%，且1.5%>=尾矿品位预报值与尾矿品位期望值之差>0.3%，则：

6）精矿品位预报值与精矿品位期望值之差>1.5%，尾矿品位预报值与尾矿品位期望值之差>1.5%，则：

7）-0.3%>精矿品位预报值与精矿品位期望值之差>=-1.5%，0.3%>=尾矿品位预报值与尾矿品位期望值之差>-0.3%，则：

8）-1.5%>精矿品位预报值与精矿品位期望值之差，0.3%>=尾矿品位预报值与尾矿品位期望值之差>-0.3%，则：

9）-0.3%>精矿品位预报值与精矿品位期望值之差>=-1.5%，-0.3%>尾矿品位预报值与尾矿品位期望值之差>=-1.5%，则：

10）-1.5%>精矿品位预报值与精矿品位期望值之差，-0.3%>尾矿品位预报值与尾矿品位期望值之差>=-1.5%，则：

11）-0.3%>精矿品位预报值与精矿品位期望值之差>=-1.5%，-1.5%>尾矿品位预报值与尾矿品位期望值之差，则：

12）-1.5%>精矿品位预报值与精矿品位期望值之差，-1.5%>尾矿品位预报值与尾矿品位期望值之差，则：

13）-0.3%>精矿品位预报值与精矿品位期望值之差>=-1.5%，且1.5%>=尾矿品位预报值与尾矿品位期望值之差>0.3%，则：

14）-0.3%>精矿品位预报值与精矿品位期望值之差>=-1.5%，且尾矿品位预报值与尾矿品位期望值之差>1.5%，则：

15）-1.5%>精矿品位预报值与精矿品位期望值之差，且1.5%>=尾矿品位预报值与尾矿品位期望值之差>0.3%，则：

16）-1.5%>精矿品位预报值与精矿品位期望值之差，且尾矿品位预报值与尾矿品位期望值之差>1.5%，则：

步骤4.6：将补偿值ΔY^T与步骤4.3计算的回路预设定值求和，即 $Y^{*}=\mathrm{\&Delta;Y}+Y_0^{*}=\left[\mathrm{28.6,10.4,7.7,198.7,193.2,42.4}\right],$ 将Y^*下载到ControlLogix控制系统中；

步骤5：ControlLogix控制系统的控制器根据基础控制回路的设定值调节粗选漂洗水阀门，一扫漂洗水阀门，二扫漂洗水阀门，粗选励磁电流，扫选励磁电流以及底流变频泵转速。经过一段时间的调节作用，粗选漂洗水阀门开度稳定在27.5%左右，一扫漂洗水阀门开度稳定在15.9%，二扫漂洗水阀门开度稳定在11.5%左右，变频泵转速稳定在2350r/min左右，粗选与扫选励磁电流分别在198.7A、193.2A附近上下波动。

步骤6：矿浆经过粗选强磁机和扫选强磁机的分选作用后精矿进入精矿大井，尾矿通过溜槽进入尾矿浓缩，经化验得到精矿品位为47.9%，尾矿品位为18.2%。

本发明实施方式在强磁选别系统正常运行期间，年处理赤铁矿粉22万吨，运行系统对其主要工艺参数进行优化设定，在精矿品位的化验值得到提高的同时，有效降低了尾矿品位，使得金属回收率得到很大提高，成为一个具有低投入高回报特点的强磁选别运行控制方法。

本实施例在WPF框架下开发了集成用户管理模块，变量库管理模块，算法库管理模块，算法组态模块，算法运行模块，数据通讯模块以及数据监控模块的强磁选智能运行控制软件系统，如图4所示，实现本发明强磁选别过程运行参数优化控制方法。

为了便于强磁选别过程运行参数优化控制的维护与扩展，本发明实施方式提供了基本数学运算工具箱以及Python，Matlab，Jscript，VBScript算法接口，其中为Python语言提供对numpy与Scipy科学计算函数库的支持。算法组态模块提供算法组态编辑器，本发明步骤四中使用的优化方法使用matlab语言编程实现三个算法函数（基础控制回路预设定值优化函数，品位指标预报函数，基础控制回路设定值动态补偿函数），然后通过算法封装嵌入到平台中作为算法功能块存在，最后利用图形化语言实现各模块的数据连接，建立优化算法，并使用LinQ技术将优化算法保存为XML文件，使优化算法具有良好的可读性与跨平台性。系统运行时，根据优化算法的数据连接关系对各功能模块逐个求解后得到基础控制回路的优化设定值(q^* _rw、q^* _sw1、q^* _sw2、i^* _r、i^* _s、d^* _sf)。

各个算法模块功能如下：

用户管理模块：用于建立用户，并对用户进行权限设置。用户权限设置有工程师权限和操作员权限两种。操作员权限用户只能完成系统参数设置、优化操作和数据显示查看功能；工程师权限用户可以使用平台的所有配置功能。

变量库管理模块：与算法有关的所有变量均保存在变量库管理模块中。该模块的主要功能是，一是对于软件所用变量统一管理，可以根据变量属性进行分类查询和修改；二是与第三方软件或控制器的数据访问接口，形成变量与具体工业控制系统(分布式计算机控制系统（DCS）,或可编程逻辑控制器（PLC）)中标签映射，使软件本身组态、配置、测试不依赖于具体基础控制回路标签。三是充当用于存储优化控制算法数据实时数据库，并定期将数据根据归档配置保存到历史数据库，提供结果查询与分析的数据源。

算法库管理模块：实现优化控制算法分组管理，算法注册封装与维护的功能。为满足特殊需求和算法的可维护与可扩展性，平台提供算法接口，允许使用封装功能将自定义的注册到系统中使用。算法自定义包括绘制表征图元，指定算法文件，定义数据接口。其中算法可使用选择Jscript脚本语言，VBScript脚本语言，Python脚本语言和Matlab脚本语言中的一种来定义，支持用高级编译语言C++，C#制作的动态链接库的调用，。运行时分别通过不同的求解器实现运算；数据接口定义算法模块的输入/输出；平台为算法表征图元的绘制提供基本绘图工具，并支持bmp、png等多种格式的拷贝。

算法组态模块：此功能模块是为复杂控制算法提供组态，模块属性配置，模块连接的运行支撑环境。算法模块必须是本发明提供的方法或是在算法库管理模块中注册成功的完整模块才能以搭积木的方式添加到算法策略中。

算法运行模块：算法运行模式分为手动运行，顺序运行和定时运行三种。其中手动运行模式支持鼠标操作，算法的运行完全人工控制，由人来触发算法模块的运行指令，适合用于系统测试、调试以及维护。顺序运行模式下，算法模块的执行顺序由软件根据模块的连接关系利用计算得出。定时运行模式下，运行前需要为每个模块设置运算周期，无需手动干预。

数据通讯模块：包括控制系统通讯模块，数据库通讯模块以及消息中间件模块。控制系统通讯模块读取分布式计算机控制系统（DCS）、或可编程逻辑控制器（PLC）的服务器中的过程数据，并下载设定值数据。数据库通讯模块与消息中间件模块为指标数据读取接口，用于产生工艺指标的应用程序可通过此接口与将指标数据下载到本系统。

数据监控模块：以图表显示形式对数据进行查看与维护，包括工艺指标数据监控，边界条件数据监控，优化设定结果数据监控以及过程信息数据监控。

上述强磁选智能运行控制软件系统的操作流程，如图5所示，具体如下：

(a)启动程序，用户登陆；

(b)需要修改强磁选智能运行控制软件系统。不需要修改跳转到(f)；

(c)在算法编辑器中修改各算法模块以及连接信息。不需要修改跳转到(d)；

(d)修改通讯配置，随时调整与指标决策系统以及回路控制系统的通讯标签。不需要修改跳转到(e)；

(e)修改监控数据，包括指标，边界条件等信息的更改。不需要修改跳转到(f)；

(f)启动算法运行，并选择运行模式；

(g)接受停止命令，没有停止命令直接跳转到下一步；

(h)从其他系统(指标决策)中指标数据读取或从数据监控模块录入指标期望值；

(i)从数据监控模块更改边界条件，不需要更改直接跳转到下一步；

(j)手动模式下，等待人工选择运算模块，没有选择事件则返回(g)，接受到事件后跳转到(m)；非手动模式转到(k)；

(k)顺序运行模式下，自动搜索下一运算算法模块，并跳转到(m)，非顺序运行模式转到(i)；

(l)定时运行模式下，等待各算法模块的事件触发，没有触发的模块则返回(g)，反之跳转到(m)；

(m)读取算法运算所需的变量数据；

(n)调用求解引擎求解本次算法模块；

(o)更新变量数据，并将结果通过数据监控模块显示运行结果；

(p)整个算法求解完成后可通过数据监控模块对优化设定结果进行调整，如未完成则跳转到(g)；

(q)将优化设定值结果下载到回路控制器中。

Claims (1)

1.一种强磁选别过程运行控制方法，其特征在于：包括如下步骤：

步骤1：研磨后的矿浆通过分矿箱自流入粗选强磁机进行分选，第一电磁流量计采集粗选漂洗水流量q_rw，第一电流互感器采集粗选励磁电流i_r；

步骤2：，粗选出的精矿进入精矿大井，尾矿进入中矿浓密机进行浓缩，矿浆由浓密机底流的变频泵打入扫选强磁机，核子浓度计采集扫选给矿浓度d_sf；

步骤3：矿浆进入扫选强磁机进行扫选，扫选强磁机上盘为一扫作业，一扫的尾矿进入下盘进行二扫，第二电磁流量计、第三电磁流量计分别采集扫选强磁机的上下盘漂洗水流量q_sw1和q_sw2，即一扫漂洗水流量和二扫漂洗水流量，第二电流互感器采集扫选励磁电流i_s；

步骤4：根据采集到的粗选漂洗水流量q_rw、粗选励磁电流i_r、扫选给矿浓度d_sf、扫选强磁机的上下盘漂洗水流量q_sw1和q_sw2实际值，对基础控制回路的设定值进行优化，实现强磁选别过程品位指标的优化，具体步骤如下；

步骤4.1：设定品位指标期望值和边界条件B，品位指标期望值包括精矿品位期望值γ^* _cg，尾矿品位期望值γ^* _tg，边界条件B包括给矿品位B₁、给矿粒度B₂、矿石可选性B₃、给矿量B₄；

步骤4.2：判断品位指标期望值或边界条件相对于上一时刻设定的品位指标期望值或边界条件是否发生改变，是，则执行步骤4.3，进行基础控制回路预设定值优化；否，则执行步骤4.4，进行品位指标软测量；

步骤4.3：采用案例推理算法，对基础控制回路预设定值进行优化：将品位指标期望值、基础控制回路的实际值和基础控制回路的设定值，以案例形式进行描述，从案例库中检索与当前工况匹配的案例，根据检索的结果进行案例重用，得到基础控制回路的预设定值；

步骤4.4：进行品位指标软测量：采用神经网络算法，对品位指标进行预报，得到品位指标预报值，具体为：对基础控制回路的实际值与边界条件进行主元特征提取，将提取的主元与前一时刻品位指标的预报值采用神经网络进行计算，得到品位指标的预报值；

步骤4.5：对基础控制回路设定值进行动态补偿：计算品位指标预报值与品位指标期望值之差，即基础控制回路预设定值的补偿值ΔY^T；

步骤4.6：将补偿值ΔY^T与基础控制回路预设定值

求和后下载到分布式计算机控制系统DCS；

步骤5：根据优化后的基础控制回路的设定值q^* _rw、q^* _sw1、q^* _sw2、i^* _r、i^* _s、d^* _sf，调节粗选漂洗水阀门的开度v_r控制粗扫上下盘漂洗水流量q_rw，第一励磁电流整流装置通过调节i_r以改变磁场的强度；粗选出的精矿进入精矿大井，尾矿进入浓密机进行浓缩，改变变频泵的转速s_d实现矿浆浓度d_sf调节，尾矿矿浆由浓密机底流的变频泵打入扫选强磁机，扫选强磁机上盘为一扫作业，一扫的尾矿给入下盘进行二扫，一扫漂洗水阀门的开度v_s1与二扫漂洗水阀门的开度v_s2分别控制扫选强磁机的上下盘漂洗水流量q_sw1和q_sw2，第二励磁电流整流装置通过调节i_s实现磁场强度的控制；

步骤6：粗选精矿和扫选精矿为强磁选精矿，扫选尾矿为强磁选尾矿，通过溜槽进入尾矿浓缩。

Images