CN106485326B - 一种矿石破碎生产过程中的硬度检测方法 - Google Patents

Abstract

本发明提出一种矿石破碎生产过程中的硬度检测方法，属于选矿生产流程中生产破碎工艺领域，本发明采用构建模糊神经网络的方式描述破碎机电流、功率和衬板厚度磨损与矿石硬度之间的关系，通过实时数据对矿石硬度进行检测，给现场生产提供矿石硬度信息，避免了工人仅依据经验进行工艺参数调整的弊端，从而实现高效率高质量的生产，具有可观的经济价值和实用价值；本发明还可以推广到其他行业的产品设计过程。

Description

一种矿石破碎生产过程中的硬度检测方法

技术领域

本发明涉及选矿生产流程中生产破碎工艺，具体涉及一种矿石破碎生产过程中的硬度检测方法。

背景技术

矿石硬度是选矿生产中重要的指标之一，直接影响整个选矿生产，特别是破碎和磨矿环节，所以对矿石硬度的测量显得尤为重要。良好的破碎工艺参数设置，很大程度取决于矿石硬度的大小，一般情况下，矿石硬度越大设备的生产能力越小，进矿量也应该相应减少，不然会造成破碎效果不佳、循环负荷加大。另外，破碎机破碎的效果不仅会影响破碎工艺的产能，同样会影响下游磨矿生产的效率。目前选矿生产破碎环节无法对矿石硬度进行检测，而是工人通过经验判断来矿性质，对于工人的经验水平依赖程度较高。

发明内容

针对现有技术的不足，本发明提出一种矿石破碎生产过程中的硬度检测方法，以达到避免工人仅依据经验进行工艺参数调整的弊端，实现高效率高质量的生产目的。

一种矿石破碎生产过程中的硬度检测方法，包括以下步骤：

步骤1、采集破碎机的历史数据，包括电流、功率、衬板厚度磨损数据及所对应的矿石硬度，构建训练集和测试集；

步骤2、对训练集中的数据进行预处理；

步骤3、采用构建模糊神经网络的方式描述破碎机电流、功率和衬板厚度磨损与矿石硬度之间的关系，具体步骤如下：

步骤3.1、对预处理后的训练集数据进行聚类处理，获得模糊规则；

步骤3.2、根据所获模糊规则建立模糊神经网络结构，模糊神经网络模型包括前件网络和后件网络两部分；

步骤3.3、将训练集中的电流、功率、衬板厚度磨损数据作为神经网络的输入，将所对应的矿石硬度作为神经网络的输出，对模糊神经网络进行训练；

步骤3.4、采用测试集对训练完的模糊神经网络进行验证；

步骤4、按照设定的采样频率实时采集破碎机的数据，包括电流、功率、衬板厚度磨损数据，并进行预处理，将预处理后的电流、功率、衬板厚度磨损数据输入训练完的模糊神经网络中，获得破碎过程的矿石硬度。

步骤1所述的衬板厚度磨损数据，具体为衬板磨损厚度。

步骤2所述的预处理，具体为：采用均值替换法和min-max归一化方法；

转换函数如下：

式中，x为实际样本数据，x_min为样本数据的最小值，x_max为样本数据的最大值，x^*为归一化后的样本数据。

骤3.1所述的对预处理后的训练集数据进行聚类处理，具体采用模糊c均值聚类法进行聚类处理；具体步骤如下：

步骤3.1.1、采用[0，1]区间的随机数初始化隶属矩阵U，使其满足：

其中，u_ij表示隶属度，c表示聚类中心个数，n表示采样数据组数；

步骤3.1.2、获取聚类中心c_i：

其中，m为指数的权重；表示带指数权重m的隶属度；x_j表示c_i分类中的数据；

步骤3.1.3、获取价值函数：

其中，J表示价值函数，J_i表示第i类的价值函数，d_ij＝||c_i-x_j||；

步骤3.1.4、判断J是否小于设定阀值或相对上次价值函数值的改变量是否小于设定阀值，若是，则算法停止；否则执行步骤3.1.5；

步骤3.1.5、更新隶属矩阵U，并返回执行步骤3.1.2；

更新公式为：

其中，d_kj＝||c_k-x_j||。

步骤3.2所述的根据所获模糊规则建立模糊神经网络结构，模糊神经网络模型包括前件网络和后件网络两部分，具体如下：

所述的前件网络：用于匹配模糊规则的前件，即每条规则的适用度；

所述的后件网络：用于实现模糊规则的推理；

最终输出各条模糊规则后件的加权和，加权系数即为各条规则的适用度。

步骤3.3所述的将训练集中的电流、功率、衬板厚度磨损数据作为神经网络的输入，将所对应的矿石硬度作为神经网络的输出，对模糊神经网络进行训练；具体步骤如下：

步骤3.3.1、初始化模糊网络的训练参数；

包括：学习速率、最大迭代次数和误差限；

步骤3.3.2、输入[x₁，x₂，......，x_n]，确定各输入变量x_j的隶属度；

步骤3.3.3、将第i类聚类中心的变量值作为前件网络第二层的初始参数i＝1，...，c；

步骤3.3.4、根据模糊运算结果获取硬度输出值y_i；

步骤3.3.5、计算输出误差值，若小于预设值或达到最大迭代次数，则停止迭代，否则根据误差值采用梯度下降法继续更新网络权值和阈值。

本发明优点：

本发明的优点在于，通过实时数据对矿石硬度进行检测，给现场生产提供矿石硬度信息，避免了工人仅依据经验进行工艺参数调整的弊端，从而实现高效率高质量的生产，具有可观的经济价值和实用价值；本发明还可以推广到其他行业的产品设计过程。

附图说明

图1为本发明一种实施例的矿石破碎生产过程中的硬度检测方法流程图；

图2为本发明一种实施例的建立模糊神经网络的流程图；

图3为本发明一种实施例的选矿生产矿石硬度检测模型的网络结构图；

图4为本发明一种实施例的选矿生产矿石硬度检测模型的训练样本误差图；

图5为本发明一种实施例的选矿生产矿石硬度检测模型的测试样本误差图；

图6为本发明一种实施例的矿石硬度检测方法应用在某破碎车间的矿石等级图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。

本发明实施例中，矿石破碎生产过程中的硬度检测方法，方法流程图如图1所示，包括以下步骤：

步骤1、采集破碎机的历史数据，包括电流、功率、衬板磨损厚度及所对应的矿石硬度，构建训练集L_r和测试集L_e；

本发明实施例中，从管控一体化系统中按30分钟频率提取破碎机的电流、功率、衬板厚度磨损数据并转储到数据库，同时将离线检测的硬度等级数据按时间维度与上述数据进行关联，将这些数据组成训练集L_r和测试集L_e；

本发明实施例中，L_r＝{(x_i，z_i)，i＝1，2，…，r}、L_e＝{(x_i，z_i)，i＝1，2，…，e}分别表示包含r个采样的训练集和包含e个采样的测试集，其中表示第i个采样的输入向量，即与硬度测量相关的属性数据，z_i表示第i个观察的实际值，即硬度测量值；

步骤2、采用均值替换法和min-max归一化方法对训练集中的数据进行预处理；

本发明实施例中，先进行缺失值处理，具体使用均值替换法，根据该变量在其他所有对象的取值的平均值来填充该缺失的变量值；再使用min-max进行归一化处理，将数据归一化到[0，1]区间。

转换函数如下：

式中，x为实际样本数据，x_min为样本数据的最小值，x_max为样本数据的最大值，x^*为归一化后的样本数据；

步骤3、采用构建模糊神经网络的方式描述破碎机电流、功率和衬板厚度磨损与矿石硬度之间的关系，流程图如图2所示，具体步骤如下：

步骤3.1、采用模糊c均值聚类法对预处理后的训练集数据进行聚类处理，获得模糊规则；

本发明实施例中，利用模糊C均值(FCM)聚类算法将采样数据进行分类；n组采样数据作为n个向量，FCM把这n个向量x_i(j＝1，2，...，n)分为c个模糊组，其中c的取值由经验确定，最终使得非相似性指标的价值函数J达到最小；

具体步骤如下：

步骤3.1.1、用值在[0，1]区间的随机数初始化隶属矩阵U，使其满足：

步骤3.1.2、计算c个聚类中心：

其中，m为指数的权重；

步骤3.1.3、计算价值函数：

其中，d_ij＝||c_i-x_j||；

若J小于某个确定的阀值或相对上次价值函数值的改变量小于某个阀值，则算法停止；否则执行步骤3.1.4；

步骤3.1.4、计算新的U矩阵，更新公式为：

并返回执行步骤3.1.2；

步骤3.2、根据所获模糊规则建立模糊神经网络结构，模糊神经网络模型包括前件网络和后件网络两部分；所述的前件网络：用于匹配模糊规则的前件，即每条规则的适用度；所述的后件网络：用于实现模糊规则的推理；最终输出各条模糊规则后件的加权和，加权系数即为各条规则的适用度；

本发明实施例中，如图3所示，从训练数据中总结出的c个类作为模糊神经网络模型的c条模糊规则，聚类中心就作为前件参数的初始值。前件网络中第一层输入层有3个节点，分别对应硬度的间接测量；破碎机的电流、功率、衬板厚度磨损；第二层用来计算每个输入对应的隶属度，而聚类得到了c条模糊规则，可知有c×3个节点；第三层是用来计算每条规则适用度的推理层，有c个节点；第四层对第三层输出作归一化处理，也为c个节点。后件网络的第一层是输入层，共3个节点；第二层与推理层相同为c×3个节点，第三层位输出层，只有矿石硬度一个输出，所以是1个节点。

步骤3.3、将训练集中的电流、功率、衬板厚度磨损数据作为神经网络的输入，将所对应的矿石硬度作为神经网络的输出，对模糊神经网络进行训练；

步骤3.3.1、初始化模糊网络的训练参数，例如：学习速率，最大迭代次数，误差限；

本发明实施例中，设定学习速率η＝0.2，最大迭代次数Max＝1000，误差预设值ε＝10^-4；

步骤3.3.2、输入[x₁，x₂，......，x_n]，根据公式(5)确定各输入变量x_j的隶属度；

步骤3.3.3、将第i类聚类中心的3个变量值作为前件网络第二层的初始参数i＝1，...，c；

步骤3.3.4、根据模糊运算结果计算硬度输出值y_i；

步骤3.3.5、计算输出误差值，若小于预设值ε或达到最大迭代次数Max则停止迭代，否则根据误差值继续更新，更新方法采用梯度下降法；

本发明实施例中，图4为训练样本误差图，输出结果准确率为95.3％，最大误差绝对值为0.1207；

步骤3.4、采用测试集对训练完的模糊神经网络进行验证；

对步骤3.3.5训练好的网络进行测试，确保检测精度；

本发明实施例中，图5为测试样本误差图，评价结果准确率为90.1％，误差波动范围较小，最大误差绝对值为0.2853。

步骤4、按照设定的采样频率实时采集破碎机的数据，包括电流、功率、衬板厚度磨损数据，并进行预处理，将预处理后的电流、功率、衬板厚度磨损数据输入训练完的模糊神经网络中，获得破碎过程的矿石硬度；

本发明实施例中，在某铁矿破碎车间3条破碎加工生产线上进行矿石硬度检测的结果如图6。

Claims (6)

1.一种矿石破碎生产过程中的硬度检测方法，其特征在于，包括以下步骤：

步骤1、采集破碎机的历史数据，包括电流、功率、衬板厚度磨损数据及所对应的矿石硬度，构建训练集和测试集；

步骤2、对训练集中的数据进行预处理；

步骤3、采用构建模糊神经网络的方式描述破碎机电流、功率和衬板厚度磨损与矿石硬度之间的关系，具体步骤如下：

步骤3.1、对预处理后的训练集数据进行聚类处理，获得模糊规则；

步骤3.2、根据所获模糊规则建立模糊神经网络结构，模糊神经网络模型包括前件网络和后件网络两部分；

步骤3.3、将训练集中的电流、功率、衬板厚度磨损数据作为神经网络的输入，将所对应的矿石硬度作为神经网络的输出，对模糊神经网络进行训练；

步骤3.4、采用测试集对训练完的模糊神经网络进行验证；

步骤4、按照设定的采样频率实时采集破碎机的数据，包括电流、功率、衬板厚度磨损数据，并进行预处理，将预处理后的电流、功率、衬板厚度磨损数据输入训练完的模糊神经网络中，获得破碎过程的矿石硬度。

2.根据权利要求1所述的矿石破碎生产过程中的硬度检测方法，其特征在于，步骤1所述的衬板厚度磨损数据，具体为衬板磨损厚度。

3.根据权利要求1所述的矿石破碎生产过程中的硬度检测方法，其特征在于，步骤2所述的预处理，具体为：采用均值替换法和min-max归一化方法；

转换函数如下：

式中，x为实际样本数据，x_min为样本数据的最小值，x_max为样本数据的最大值，x^*为归一化后的样本数据。

4.根据权利要求1所述的矿石破碎生产过程中的硬度检测方法，其特征在于，步骤3.1所述的对预处理后的训练集数据进行聚类处理，具体采用模糊c均值聚类法进行聚类处理；具体步骤如下：

步骤3.1.1、采用[0，1]区间的随机数初始化隶属矩阵U，使其满足：

其中，u_ij表示隶属度，c表示聚类中心个数，n表示采样数据组数；

步骤3.1.2、获取聚类中心c_i：

其中，m为指数的权重；表示带指数权重m的隶属度；x_j表示c_i分类中的数据；

步骤3.1.3、获取价值函数：

其中，J表示价值函数，J_i表示第i类的价值函数，d_ij＝||c_i-x_j||；

步骤3.1.4、判断J是否小于设定阀值或相对上次价值函数值的改变量是否小于设定阀值，若是，则算法停止；否则执行步骤3.1.5；

步骤3.1.5、更新隶属矩阵U，并返回执行步骤3.1.2；

更新公式为：

其中，d_kj＝||c_k-x_j||。

5.根据权利要求1所述的矿石破碎生产过程中的硬度检测方法，其特征在于，步骤3.2所述的根据所获模糊规则建立模糊神经网络结构，模糊神经网络模型包括前件网络和后件网络两部分，具体如下：

所述的前件网络：用于匹配模糊规则的前件，即每条规则的适用度；

所述的后件网络：用于实现模糊规则的推理；

最终输出各条模糊规则后件的加权和，加权系数即为各条规则的适用度。

6.根据权利要求1所述的矿石破碎生产过程中的硬度检测方法，其特征在于，步骤3.3所述的将训练集中的电流、功率、衬板厚度磨损数据作为神经网络的输入，将所对应的矿石硬度作为神经网络的输出，对模糊神经网络进行训练；具体步骤如下：

步骤3.3.1、初始化模糊网络的训练参数；

包括：学习速率、最大迭代次数和误差限；

步骤3.3.2、输入[x₁，x₂，......，x_n]，确定各输入变量x_j的隶属度；

步骤3.3.3、将第i类聚类中心的变量值作为前件网络第二层的初始参数

步骤3.3.4、根据模糊运算结果获取硬度输出值y_i；

步骤3.3.5、计算输出误差值，若小于预设值或达到最大迭代次数，则停止迭代，否则根据误差值采用梯度下降法继续更新网络权值和阈值。