CN103617456A - 一种选矿过程运行指标优化方法 - Google Patents

Abstract

一种选矿过程运行指标优化方法，属于选矿过程技术领域，采集选矿过程各工序运行指标；根据采集到的各运行指标和各运行指标边界约束，对选矿过程运行指标进行优化，从而将选矿过程质量指标和产量指标优化，优化过程包括设定选矿过程边界约束、质量指标目标值和产量指标目标值，对设定的质量指标目标值和产量指标目标值进行优化，对质量指标和产量指标进行预报，得到质量指标预报值和产量指标预报值，校正运行指标目标值的预设定值，得到运行指标优化值；根据各运行指标优化值下发控制指令至选矿过程各工序。本方法可实现通过设置相应工况参数将企业全流程日综合生产指标优化控制出不同工序对应的运行指标目标值，实现选矿过程各工序协调优化。

Description

一种选矿过程运行指标优化方法

技术领域

本发明属于选矿过程技术领域，涉及到一种选矿过程运行指标优化方法。

背景技术

矿业是历史最悠久的产业，同时又是国民经济发展的基础产业，涉及到农业、轻工、化工、冶金、机械、建筑、能源、交通、国防以及人们日常生活的多个领域，而且已经渗透到航空航天、信息等高科技产业之中。可见，矿业对经济的发展有着不可替代的重要作用。而选矿过程又是一个极其复杂的工业过程，涉及到竖炉、磨矿(强、弱磨矿)及磁选(强、弱磁选矿)等多选矿过程工序，同时各个工序之间交互耦合，涉及物理、化学等多个领域。此外，选矿过程中的工艺指标值不能及时在线获得，而是通过抽样的方式化验得到，对整个过程造成一定的滞后性。因此为了更好的实现综合生产指标，仅仅凭借人工设定及调整是难以满足越来越高的工艺指标要求，这就需要对选矿过程进行优化调控，即根据综合生产指标的信息，寻找出最佳的工艺指标设定值，然后将每个设定值下达给运行控制层转化成控制回路中的操作参数，使得每个工序都能实现每个工艺指标的要求，进而完成企业生产管理者下达的综合生产指标的要求。

另外由于选矿过程的原料性质波动、生产工况(工作状况)条件多变等因素，使得选矿过程设定模块给出的运行指标设定值并不能达到完全满足预期的综合生产指标目标值。为了解决这一问题，需要对各个工序的指标设定值进行调整，以使得将调整后的运行指标值下达给各个工序后，能够使综合生产指标满足预期的目标值。但是由于选矿过程的复杂性，当前的选矿生产作业中更多的是依赖于操作员的手动操作，也就是操作员根据现场工况条件完全凭借自己的工作经验进行调整，至于在何种情况下，对哪些运行指标进行调整，调整的幅度等并没有固定的方案，带有很强的人为主观性，这样的操作方式很容易使生产偏离正常操作点，影响生产流程。由以上分析，如何通过合理设定各个工序的运行指标使得综合生产指标达到目标范围内，同时又可以减少因为人工设定而造成的一些水电气及能源的消耗，提高企业的经济效益成为了企业越来越重视的环节。

现有的老式选矿过程运行指标优化控制系统的功能单一且技术较落后，不能很好的将最新的控制技术、软件技术、计算机技术等融入到控制系统中。针对这种情况，很多选矿厂都开始引进较先进的组态系统。这样虽然设备都比较先进了，但是这些系统往往不符合矿产资源的实际情况，很难满足提高矿产资源的产量的要求。此外由于这些系统操作流程一般都比较复杂，所以通常每年需要聘请知名技术专家对技术人员进行培训，这又提高了生产成本。

总的来讲，目前选矿过程优化控制系统存在的主要问题有：

1.未能实现基于全流程工艺指标的企业生产全流程多控制变量的整体优化运行。传统的优化控制系统大部分研究只是局限于对单个工序的局部优化，而没有同时把影响选矿流程工业生产过程的各种因素集中考虑在内。

2.研究的优化控制目标不够全面。比如只考虑效益或成本等单一指标，忽略资源消耗、能耗和产量等指标。

3.生产过程自动化信息、生产过程管理信息难以有效集成。如果大量的生产过程数据不能被充分利用，那么也必然不能有效的挖掘、使用其中隐含的信息来进一步提高企业生产效益。

4.企业生产过程中关键工艺指标往往由人工凭经验调整。由于频繁多变的生产工况条件和缺少过程实时数据的支持，这种方式常常难以实现工艺指标的优化。

5.现有的研究往往只进行孤立的工艺指标控制算法研究，没有通过复杂工业过程实际环境下的整体验证测试，难以变用于复杂多变的生产过程。

6.现有的算法封装方法只支持封装基于数学模型的算法而且不能根据环境参数的变化而动态变化。然而指标优化控制过程中每一种模型对应的优化算法许多都是基于数据的智能算法，并且指标优化控制系统需要多种算法交互执行，每一步计算环境参数是动态变化的，不能通过事先的文件预先定义好。因此这种封装方法难以有效解决实际指标优化的需求。

综上可见，设计一个综合性的选矿过程运行指标优化控制系统是非常有研究意义和实际应用价值的。

发明内容

针对现有技术存在的问题，本发明提供一种选矿过程运行指标优化控制方法。

本发明的选矿过程运行指标优化控制方法应用于选矿过程中，选矿过程的工艺流程为：原矿筛分、竖炉焙烧、磨矿、强磁磁选和弱磁磁选、尾矿处理；

本方法所采用的控制系统平台，包括破碎机、振动筛、传送带、竖炉、一段球磨机、一段分级机、二段球磨机、水利旋转器、强磁圆筒矿仓、弱磁圆筒矿仓、磁选机、浓缩系统，同时配备测量仪表、执行机构及工业控制系统(分布式计算机控制系统(DCS)或可编程逻辑控制器(PLC))；

所述破碎机、振动筛和传送带用于原矿区工段，将原矿石处理生成粒级较小的粉矿(0-15mm的矿石)和粒级较大的块矿(>15mm的矿石)，然后分别进行强磁磨矿和竖炉焙烧工序；

所述竖炉用于对进入竖炉的块矿进行焙烧作业，其焙烧过程包括预热、加热、还原、冷却和搬出环节，其中加热、还原为主要的工艺过程，由加热空气变频器、加热煤气电磁阀和还原煤气电磁阀完成。通过热辐射高温计检测炉内温度；由传送带速度确定给矿量；通过非接触式压力传感器检测压力；泵池水量控制由变频器控制底流变频泵；将检测的信号传递给执行机构(变频器和电磁阀)，以此来调节炉内温度、给矿量以及压力值，从而控制该工序运行在边界约束(废石品位)下，使其在有效范围内波动。竖炉工序处理过程的主要任务：

1)增加磁性，将弱磁性的赤铁矿(Fe₂O₃)还原为强磁性的磁铁矿(Fe₃O₄)；

2)通过焙烧进行粉碎，焙烧后的矿石经过磁滑轮进行磁选分为废石和有用矿石，废石经过皮带运输及卷扬系统运往废石山堆砌，有用的矿石再经过干洗机干洗，然后将焙烧矿送往弱磁圆筒仓作为弱磁磨矿工序的原料。竖炉工序边界约束包括：弱磁入磨品位、弱磁球磨机处理量、弱磁球磨机运行时间。

磨矿工序包括强磁磨矿工序和弱磁磨矿工序，均采用两段闭合回路工艺流程，一段磨矿闭合回路由一段球磨机与螺旋分级机构成，二段磨矿闭合回路由二段球磨机、泵池和水力旋流器构成。水力旋流器上安装有核子浓度计，用以检测矿浆浓度。磨矿工序的具体工艺流程如下：经处理过的原矿石和一定比例的水进入一段球磨机进行研磨，研磨后的矿浆(矿水混合物)排入螺旋分级机，同时为分级机补加水，分级机返砂再送入一段球磨机形成循环负荷，分级机溢流进入泵池，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旋流器，矿浆在旋流器内部离心力的作用下进行分级，符合要求的细粒级矿浆从溢流口排放以进入下段选别工序，粗粒级矿浆由旋流器沉砂口排入二段球磨机重磨。

粉矿直接进行强磁磨矿，本发明采集粉矿在强磁磨矿工序所产生的运行指标强磁粒度以及边界约束，边界约束包括强磁入磨品位、强磁磨矿球磨机处理量和强磁磨矿球磨机运行时间；块矿经过竖炉焙烧后进入磨矿工序，本发明采集块矿在弱磁磨矿工序产生的运行指标，该弱磁磨矿工序运行指标包括弱磁入磨品位和弱磁粒度，该弱磁磨矿工序的边界约束包括弱磁磨矿球磨机处理量和弱磁磨矿球磨机运行时间。

磁选处理工序包括强磁处理和弱磁处理。磁选作用是将经磨矿工序磨好的粒度合格的矿浆选别为品位合格的精矿矿浆和尾矿矿浆，主要原理是利用不同矿物的磁性差异在磁选机受到不同的磁场力，导致运动途径不同，磁性矿粒被吸附在强磁机齿板上而形成精矿矿浆，非磁性矿粒被水流冲掉为尾矿矿浆。采集该强磁选别过程产生的运行指标，运行指标为强磁粒度，边界约束包括强磁入磨品位、强磁球磨机处理量、强磁球磨机运行时间；

选别出的精矿进入浓缩系统内浓缩，浓缩后的精矿进入精矿库。尾矿经浓缩后进入尾矿坝。

在以上选矿流程中每一步都会根据相应的指标来处理，本发明的功能就是根据上层的计划调度给予的生产指标期望值和约束条件来优化运行指标，然后将优化的运行指标下达给运行控制层(用来控制上述选矿过程的各个子流程)，运行控制层根据优化指标来完成竖炉、磨矿、磁选等工艺过程。

选矿过程既是将从地下开采出来的原矿石(简称原矿)中有用矿物进行富集的过程，通常由多个工序组成。工序之间的功能互相独立，完成各自的产品生产加工任务并使反应产品在加工过程的质量、效率、消耗等相关的工艺指标-运行指标在目标值范围内；这些工序又相互协作完成生产全流程的产品加工任务，保证选矿过程的产品质量、产量、消耗、成本等方面的生产指标在目标值范围内。

本发明主要解决对上述选矿过程中产生的性能指标进行优化，然后将结果下达给运行控制层，从而使综合生产指标满足预期的目标值。选矿过程涉及的性能指标包括各个工艺的运行指标、边界约束以及综合生产指标。其中工艺运行指标为磁选管回收率(D₁)、强磨粒度(强磁磨矿粒度D₂)、弱磨粒度(弱磁磨矿粒度D₃)、强精品位(强磁精矿品位D₄)、弱精品位(弱磁精矿品位D₅)、强尾品位(强磁尾矿品位D₆)、弱尾品位(弱磁尾矿品位D₇)七个指标；边界约束为弱磁入磨品位(C₁)、强磁入磨品位(C₂)、强磁球磨机处理量(C₃)、弱磁球磨机处理量(C₄)、废石品位(C₅)、强磁球磨机运行时间(C₆)、弱磁球磨机运行时间(C₇)七个指标；综合生产指标为综精产量(综合精矿产量P₁)和综精品位(综合精矿品位P₂)。

本发明的选矿过程运行指标优化方法，包括如下步骤：

步骤1：采集选矿过程各工序运行指标，包括弱磁磨矿产生的运行指标、弱磁选别产生的运行指标、强磁磨矿产生的运行指标和强磁选别产生的运行指标；

所述弱磁磨矿产生的运行指标为弱磨粒度；

所述弱磁选别产生的运行指标包括弱磁精矿品位和弱磁尾矿品位；

所述强磁磨矿产生的运行指标即强磨粒度；

所述强磁选别产生的运行指标包括强磁精矿品位和强磁尾矿品位；

步骤2：根据采集到的各运行指标和各运行指标边界约束，对选矿过程运行指标进行优化，从而将选矿过程质量指标和产量指标优化；

步骤2.1：用户根据实际工况条件自行设定选矿过程边界约束、质量指标目标值和产量指标目标值；

所述的选矿过程边界约束包括弱磁入磨品位、强磁入磨品位、强磁球磨机处理量、弱磁球磨机处理量、废石品位、强磁球磨机运行时间、弱磁球磨机运行时间；

所述的质量指标目标值为综合精矿品位目标值；

所述的产量指标目标值为综合精矿产量目标值；

步骤2.2：根据采集到的选矿过程运行指标对设定的质量指标目标值和产量指标目标值进行优化：在满足边界约束的条件下，以综合精矿品位最大化和综合精矿产量最大化为目标，采用建立多目标优化模型的方式优化得到运行指标目标值的预设定值；

步骤2.3：根据得到的运行指标预设定值对质量指标和产量指标进行预报，得到质量指标预报值和产量指标预报值：建立一个质量指标与产量指标预报模型，来描述当前运行指标预设定值、当前工况条件、前一时刻选矿过程的质量指标实际值与产量指标实际值之间的函数关系，目标为当前时刻质量指标预报值和产量指标预报值；

步骤2.4：根据质量指标预报值与质量指标目标值之差、产量指标预报值与产量指标目标值之差，来校正运行指标目标值的预设定值，得到运行指标优化值，具体步骤为：

步骤2.4.1：利用粗糙集理论，建立运行指标校正模型来描述运行指标校正值、综合精矿产量预报值、综合精矿品位预报值、运行指标预设定值之间的函数关系；

步骤2.4.2：对运行指标校正模型进行属性约简，确定相对核；

将运行指标设定为决策属性，质量指标预报值与质量指标目标值之差、产量指标预报值与产量指标目标值之差、边界约束设定为条件属性；

步骤2.4.3：根据步骤2.4.2确定的相对核，生成校正规则决策表，并通过校正规则决策表来对运行指标目标值的预设定值进行校正，得到选矿过程运行指标优化值；

步骤3：选矿过程运行指标进行优化后，工业控制系统根据选矿过程各运行指标优化值下发控制指令至选矿过程各工序。

有益效果：

利用本发明可以实现通过设置相应的工况参数将企业全流程日综合生产指标优化控制出不同工序对应的运行指标目标值，实现选矿过程各工序协调优化。可以在不断变化的工况条件和运行指标精度等级要求下大大提高选矿过程运行指标优化控制的建模、研究、测试效率和生产实践研发部署效率。非常适合于选矿过程的工业应用以及自动化相关学科的实验教学和课程设计等，有着非常广泛的应用前景。

附图说明

图1选矿过程工艺流程图；

图2本发明具体实施方式的选矿过程运行指标优化控制方法流程图；

图3本发明具体实施方式的根据采集到的各运行指标和各运行指标边界约束，对选矿过程运行指标进行优化流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

本发明的具体实施方式为某大型铁矿选矿厂的选矿过程。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%。选矿过程工艺流程如图1所示，原矿石经过破碎机破碎、筛分后，形成粉矿和块矿；然后粉矿和块矿分别进入缓冲矿仓，作为后续工序的原料。粉矿经过强磁磨矿和强磁选矿工序生成强磁精矿和强磁尾矿；块矿经过竖炉焙烧、弱磁磨矿和弱磁选矿工序生成弱磁精矿和弱磁尾矿。最后强磁精矿矿浆和弱磁精矿矿浆在精矿池中进行混合，形成精矿矿浆，在精矿处理工序中进行浓缩水处理后输送到精矿库中作为烧结厂原料；强磁尾矿矿浆和弱磁尾矿矿浆在尾矿池中行混合，形成综合尾矿矿浆，在尾矿处理工序进行浓缩水处理后输送到尾矿坝堆存。

本具体实施方式所采用的控制系统平台，包括破碎机、振动筛、传送带、竖炉、一段球磨机、一段分级机、二段球磨机、水利旋转器、强磁圆筒矿仓、弱磁圆筒矿仓、磁选机、浓缩系统及相关设备，同时配备测量仪表、执行机构及工业控制系统(分布式计算机控制系统(DCS)或可编程逻辑控制器(PLC))；

破碎机采用PE-800×1060型颚式破碎机，进料口尺寸为800mm×1060mm，最大给料粒为680mm，排料口调整范围为100mm-200mm，处理能力为85-143t/h，被破碎物料的最高抗压强度为320Mpa。

振动筛采用2YK1548型圆振筛，筛面规格为4800mm应1500mm，筛面层数为2，筛孔尺寸为3mm～100mm，进料粒度≤400mm，处理量为30～275m/h。

竖炉采用焙烧竖炉，有效容积为100m³，并配有一台流量为15500m³/h的鼓风机，一台流量为43900m³/h的抽烟机，竖炉两侧设有排除焙烧产品用的直径为600mm的辊式排矿机。

一段球磨机和二段球磨机均采用Φ1200×3000型中矿球磨机，筒体转速为36r/min，装球量为3.5t，进料粒度小于25mm，出料粒度范围为0.074mm-0.4mm，处理量为1.6-5t/h。

磁选机采用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。

按照要求安装相关设备及测量仪表，具体如下：

在竖炉焙烧过程安装有热辐射高温计、非接触式压力传感器用来检测温度和压力；

在破碎筛选过程以及磨矿过程安装有PSM-400线粒度计用于检测粒度(D₂,D₃)；

在磁选过程中，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，测量给矿浓度；

采用AB公司的1336PLUS系列变频器控制底流变频泵的转速从而可以控制给矿量；

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。

本方法首先采集各测量仪表的数据，然后企业计划调度的综精产量和综精品位目标值进行优化设定。本发明具体实施方式的选矿过程运行指标优化控制策略如图2所示。

本实施方式的选矿过程运行指标优化方法，如图2所示，包括如下步骤：

步骤1：采集选矿过程各工序运行指标，包括弱磁磨矿产生的运行指标、弱磁选别产生的运行指标、强磁磨矿产生的运行指标和强磁选别产生的运行指标；

弱磁磨矿产生的运行指标为弱磨粒度；

弱磁选别产生的运行指标包括弱磁精矿品位和弱磁尾矿品位；

强磁磨矿产生的运行指标即强磨粒度；

强磁选别产生的运行指标包括强磁精矿品位和强磁尾矿品位；

步骤2：根据采集到的各运行指标和各运行指标边界约束，对选矿过程运行指标进行优化，从而将选矿过程质量指标和产量指标优化；

步骤2.1：用户根据实际工况条件自行设定选矿过程边界约束、质量指标目标值和产量指标目标值；

选矿过程边界约束包括弱磁入磨品位(C₁)、强磁入磨品位(C₂)、强磁球磨机处理量(C₃)、弱磁球磨机处理量(C₄)、废石品位(C₅)、强磁球磨机运行时间(C₆)、弱磁球磨机运行时间(C₇)；

质量指标目标值为综合精矿品位P₂目标值；

产量指标目标值为综合精矿产量P₁目标值；

本实施方式的运行指标上下限值取值如下表所示

本实施方式的边界约束上下限值取值如下表所示

本实施方式设定的企业计划调度的综精产量和综精品位目标值分别为P₁=8800吨，P₂=52.5%。

步骤2.2：根据采集到的选矿过程运行指标对设定的质量指标目标值和产量指标目标值进行优化：在满足边界约束的条件下，以综合精矿品位最大化和综合精矿产量最大化为目标，采用建立多目标优化模型的方式优化得到运行指标目标值的预设定值；

根据企业综合生产指标目标值可以选择目标函数为综精产量P₁(t)与综精产量设定值的下限P_1set之差，且该差值越高越好，综精品位P₂(t)与综精品位设定值的下限P_2set之差，且该差值越高越好。同时，根据各运行指标的边界约束可以将原始指标优化问题概括为如下多目标优化模型：

$J=\left\{\begin{array}{c}\max (P_1\left(t\right)-P_{1\mathrm{set}})\\ \max (P_2\left(t\right)-P_{2\mathrm{set}})\end{array}\right.$

$s.t.\left\{\begin{array}{c}{P}_1\left(t\right)=\frac{C_4(C_1-D_7)}{D_5-D_7}+\frac{C_3(C_2-D_6)}{D_4-D_6}\\ P_2\left(t\right)=[\frac{D_5{C}_4(C_1-D_7)}{D_5-D_7}+\frac{D_4{C}_3(C_2-D_6)}{D_4-D_6}]/P_1\left(t\right)\\ D_{i\_\min }\≤D_i\≤D_{i\_\max },i=\mathrm{1,2},...,7\\ C_{i\_\min }\≤C_i\≤C_{i\_\max },i=\mathrm{1,2},...,7\end{array}\right.---\left(1\right)$

其中，s.t.为当前多目标优化模型的边界约束集合；D_{i_min}与D_{i_max}分别为运行指标下限值与运行指标上限值；C_{i_min}与C_{i_max}分别为边界约束下限值与边界约束上限值；

采用NSGA-Ⅱ(改进的非劣分类遗传算法)方法来求解建立的多目标优化模型，通过研究系统的输入和输出情况，建立与研究对象假定相似的模型，从而实现质量指标优化和产量指标优化的目的。

将多目标优化模型结构采用混合建模结构进行描述，包括线性模型部分和非线性模型部分，该混合建模结构模型表达形式为

$\begin{array}{c}\hat{y}\left(k\right)={\hat{y}}_L\left(k\right)+{\hat{e}}_L\left(k\right)\\ {\hat{y}}_L\left(k\right)=f_L(X(k-1),\mathrm{\θ})={\mathrm{\θ}}^{T}X(k-1)\end{array}---\left(2\right)$

其中，

是上一时刻的综合生产指标预报模型的输出，

是线性模型，

是线性模型的误差估计值，θ是模型的系数矩阵，θ^T是模型的系数矩阵的转置，X(k-1)为线性约束(由k-1时刻的运行指标优化值、运行指标边界约束所构成的矩阵)。

然后建立线性模型部分的函数表达形式为

y_i=β₀+β₁D₁+β₂D₂+...+β₇D₇+β₈C₁+β₉C₂+...+β₁₄C₇+ε,i=1,2    (3)

其中，β₀,β₁,...,β₁₄是需要估计的系统参数，y₁,y₂为综合精矿产量和综合精矿品位，ε为估计误差。

最后选取在边界约束下七个运行指标产生的随机数，对该七个随机数进行二进制编码，作为初始种群，利用NSGA-Ⅱ来求解上述多目标优化模型，求解得到满足边界约束的运行指标解集，根据工艺要求选取一组解作为运行指标预设定值，进而确定质量指标预设定值和产量指标预设定值。

本实施方式中，现场共有475组数据，采用其中的前400组作为建模数据，其余作为测试数据，由此估计求得的参数为

β₀=16.660258

β₁～β₁₄=[0.089059 0.189561 0.061615 0.035075 0.09722 0.217848-0.01516 0.000722

0.000295 0.021645 0.015975 0.012867-0.00904 0.006536]^T

步骤2.3：根据得到的运行指标预设定值对质量指标和产量指标进行预报，得到质量指标预报值和产量指标预报值：建立质量指标/产量指标预报模型，来描述当前运行指标预设定值、当前工况条件、前一时刻选矿过程的质量指标实际值与产量指标实际值之间的函数关系，目标为当前时刻质量指标预报值和产量指标预报值；

质量指标/产量指标预报模型表达形式如下

P_j(t)=f_j(D_i(t),C_i(t),P_j(t-1)),j=1,2,i=1,2...7            (4)

其中，f₁(D_i(t),C_i(t),P₁(t-1))表示t时刻的综精产量与运行指标、边界约束以及t-1时刻的综精产量之间的函数关系。

质量指标/产量指标预报模型结构同样包括线性模型部分和非线性模型部分，其表达形式为

$\left\{\begin{array}{c}\hat{y}\left(k\right)={\hat{y}}_L\left(k\right)+{\hat{e}}_L\left(k\right)\\ {\hat{y}}_L\left(k\right)=f_L(X(k-1),y(k-1),\mathrm{\θ})={\mathrm{\θ}}^T\mathrm{\φ}(X(k-1),y(k-1))\end{array}\right.---\left(5\right)$

其中是质量指标/产量指标预报模型的输出，

是线性模型，

是线性模型的误差估计值，θ是模型的系数矩阵，θ^T是模型的系数矩阵的转置，φ(X,y)是线性约束(是由k-1时刻的运行指标优化值、运行指标边界约束以及综精品位和综精产量构成的矩阵)。

采用NSGA-Ⅱ求解该质量指标/产量指标预报模型，得质量指标/产量指标预报模型的输出，即质量指标预报值和产量指标预报值。

预报过程是在线实时预报的，数据量比较大，本实施方式中取前8次预报值，具体如下表所示

步骤2.4：根据质量指标预报值与质量指标目标值之差、产量指标预报值与产量指标目标值之差，来校正运行指标目标值的预设定值，得到运行指标优化值；

经过步骤2.2可以得到运行指标预设定值，但是由于多目标优化模型的不确定性、各个工序生产工况的变动、原料成分的波动、生产设备的磨损等，并不能保证满足在要求误差内跟踪综合生产指标设定值。因此还需要采用校正的方法来改善生产运行指标的跟踪效果。

本实施方式采用粗糙集理论提取校正规则，实现以质量指标预报值与质量指标目标值之差、产量指标预报值与产量指标目标值之差以及当前运行指标实际值为依据来校正当前运行指标预设定值，从而可以使得质量指标预报值与质量指标目标值差值偏小，产量指标预报值与产量指标目标值差值偏小，达到很好的跟踪效果。

校正运行指标目标值的预设定值的具体步骤为：

步骤2.4.1：利用粗糙集理论，建立运行指标校正模型来描述运行指标校正值、综合精矿产量预报值、综合精矿品位预报值、运行指标预设定值之间的函数关系；

运行指标校正模型形式如下

$\mathrm{\ΔD}\left(t\right)=g({\hat{P}}_1\left(t\right),P_{1\mathrm{set}},{\hat{P}}_2\left(t\right),P_{2\mathrm{set}},D\left(t\right))$

其中，ΔD(t)表示七个运行指标的校正值，

为综合精矿产量预报值，

综合精矿品位预报值，D(t)为七个运行指标预报值。

在粗糙集理论中，式(6)所表达的含义为：

if P_k(t)=v(P_k(t))andΔP_k(t)=v(ΔP_k(t))and D_i(t)=v(D_i(t))

         (6)

thenΔD_i(t)=v(ΔD_i(t))，k=1,2;i=1,2,...,7

公式(7)表示校正规则，是公式(6)的另一种表述形式，其中，v(*)表示属性值*在论域U(所有对象的有限集合)中的离散值。为了使运算简便，通常在获取规则前都会进行属性约简，继而使得式(6)简化。

论域U中的原始数据量比较大，本实施方式仅仅列出前7次数据以及第9999次数据，但并不是代表该论域中仅有9999组数据，而是实时产生的。

经过离散化后，得到离散论域U为

由上述数据表可以看出属性值较多，数据量较大，为了使运算简便，通常在获取规则前都会进行属性约简，继而使得式(6)简化，得到更简化的规则决策表。

步骤2.4.2：对运行指标校正模型进行属性约简，确定相对核；

将运行指标设定为决策属性D={D₁,...,D₇}，质量指标预报值与质量指标目标值之差、产量指标预报值与产量指标目标值之差、边界约束设定为条件属性；对整个相对核(条件属性C对决策属性D的相对重要性)进行合并处理。

(1)由公式(8)计算决策属性D关于条件属性C的依赖度γ_C(D)

${\mathrm{\γ}}_C\left(D\right)=\frac{\mathrm{card}\left({\mathrm{POS}}_C\left(D\right)\right)}{\mathrm{card}\left(U\right)}---\left(7\right)$

其中，POS_C(D)表示论域U中所有由条件属性C能够准确划入决策属性D的等价类的对象集合；card(*)表示集合*的势；γ_⊙(·)表示属性⊙对属性·的依赖度。

(2)由公式(9)计算每个属性c∈C在条件属性C中对决策属性D的重要性

${\mathrm{sig}}_{C-\left\{c\right\}}^D\left(c\right)={\mathrm{\γ}}_C\left(D\right)-{\mathrm{\γ}}_{C-\left\{c\right\}}\left(D\right)---\left(8\right)$

并且令相对核

若则core_D(C)=core_D(C)U{c}，最后得到条件属性C对决策属性D的相对核core_D(C)；若则终止计算(此时core_D(C)为C的一个约简)；否则继续第(3)步。

(3)取E=core_D(C)，对属性C-E重复执行如下步骤

a)公式(8)计算每个属性c∈C-E在属性C中对D的重要性

b)选择属性c使其满足 ${\mathrm{sig}}_{C-E}^D\left(c\right)=\underset{c\∈C-E}{\max }{\mathrm{sig}}_E^D\left(c\right),E=E\∪\left\{c\right\};$

c)若γ_E(D)=γ_C(D)则终止计算(此时E为C的一个约简)，否则执行a)。

进行属性约简后最终确定的相对核为综精产量P₁、综精品位P₂、综精产量差值ΔP₁(︱综精产量预报值-综精产量目标值︱)、综精品位差值ΔP₂(︱综精品位预报值-综精品位目标值︱)、磁选管回收率D₁、强磨粒度差值ΔD₂(︱强磨粒度实际值-强磨粒度预设定值︱)。

步骤2.4.3：根据步骤2.4.2确定的相对核，生成校正规则决策表，并通过校正规则决策表来对运行指标目标值的预设定值进行校正，得到选矿过程运行指标优化值；

在属性约简完毕后，还需要对决策表进行行约简，约简以属性值不同为依据。最后生成校正规则决策表，通过校正规则决策表来对运行指标预报值进行校正，得到运行指标优化值，从而实现质量指标和产量指标达到当前目标值。

最终得到的校正规则决策表如下表所示：

调用规则的方法为

    if P₁=4and P₂=2andΔP₁=3andΔP₂=3and D₁=3thenΔD₂=3

else if P₁=4and P₂=2andΔP₁=3andΔP₂=4and D₁=3thenΔD₂=3

else if P₁=4and P₂=4andΔP₁=3andΔP₂=4and D₁=3thenΔD₂=3

else if P₁=3and P₂=4andΔP₁=3andΔP₂=2and D₁=4thenΔD₂=4

.

.

.

else P₁=2and P₂=4andΔP₁=4andΔP₂=3and D₁=4thenΔD₂=4

根据校正规则决策表中的综精产量P₁、综精品位P₂、综精产量差值ΔP₁、综精品位差值ΔP₂、磁选管回收率D₁和强磨粒度差值ΔD₂，确定运行指标优化值。

步骤3：选矿过程运行指标进行优化后，工业控制系统根据选矿过程各运行指标优化值下发控制指令至选矿过程各工序。

控制指令下发到竖炉焙烧、磨矿、磁选工序作为各工序的控制输入。

Claims (1)

1.一种选矿过程运行指标优化方法，其特征在于：包括如下步骤：

步骤1：采集选矿过程各工序运行指标，包括弱磁磨矿产生的运行指标、弱磁选别产生的运行指标、强磁磨矿产生的运行指标和强磁选别产生的运行指标；

所述弱磁磨矿产生的运行指标为弱磨粒度；

所述弱磁选别产生的运行指标包括弱磁精矿品位和弱磁尾矿品位；

所述强磁磨矿产生的运行指标即强磨粒度；

所述强磁选别产生的运行指标包括强磁精矿品位和强磁尾矿品位；

步骤2：根据采集到的各运行指标和各运行指标边界约束，对选矿过程运行指标进行优化，从而将选矿过程质量指标和产量指标优化；

步骤2.1：用户根据实际工况条件自行设定选矿过程边界约束、质量指标目标值和产量指标目标值；

所述的选矿过程边界约束包括弱磁入磨品位、强磁入磨品位、强磁球磨机处理量、弱磁球磨机处理量、废石品位、强磁球磨机运行时间、弱磁球磨机运行时间；

所述的质量指标目标值为综合精矿品位目标值；

所述的产量指标目标值为综合精矿产量目标值；

步骤2.2：根据采集到的选矿过程运行指标对设定的质量指标目标值和产量指标目标值进行优化：在满足边界约束的条件下，以综合精矿品位最大化和综合精矿产量最大化为目标，采用建立多目标优化模型的方式优化得到运行指标目标值的预设定值；

步骤2.3：根据得到的运行指标预设定值对质量指标和产量指标进行预报，得到质量指标预报值和产量指标预报值：建立质量指标/产量指标预报模型，来描述当前运行指标预设定值、当前工况条件、前一时刻选矿过程的质量指标实际值与产量指标实际值之间的函数关系，目标为当前时刻质量指标预报值和产量指标预报值；

步骤2.4：根据质量指标预报值与质量指标目标值之差、产量指标预报值与产量指标目标值之差，来校正运行指标目标值的预设定值，得到运行指标优化值，具体步骤为：

步骤2.4.1：利用粗糙集理论，建立运行指标校正模型来描述运行指标校正值、综合精矿产量预报值、综合精矿品位预报值、运行指标预设定值之间的函数关系；

步骤2.4.2：对运行指标校正模型进行属性约简，确定相对核；

将运行指标设定为决策属性，质量指标预报值与质量指标目标值之差、产量指标预报值与产量指标目标值之差、边界约束设定为条件属性；

步骤2.4.3：根据步骤2.4.2确定的相对核，生成校正规则决策表，并通过校正规则决策表来对运行指标目标值的预设定值进行校正，得到选矿过程运行指标优化值；

步骤3：选矿过程运行指标进行优化后，工业控制系统根据选矿过程各运行指标优化值下发控制指令至选矿过程各工序。

Images