CN109190226A - 一种磨矿系统溢流粒度指标软测量方法 - Google Patents
一种磨矿系统溢流粒度指标软测量方法 Download PDFInfo
- Publication number
- CN109190226A CN109190226A CN201810971872.0A CN201810971872A CN109190226A CN 109190226 A CN109190226 A CN 109190226A CN 201810971872 A CN201810971872 A CN 201810971872A CN 109190226 A CN109190226 A CN 109190226A
- Authority
- CN
- China
- Prior art keywords
- model
- output
- hidden layer
- training
- root
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000227 grinding Methods 0.000 title claims abstract description 71
- 238000000691 measurement method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 239000002245 particle Substances 0.000 claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000003801 milling Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000011545 laboratory measurement Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000000498 ball milling Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007885 magnetic separation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000001238 wet grinding Methods 0.000 description 2
- 231100000807 Critical Body Residue (CBR) model Toxicity 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 229910000512 ankerite Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- TZCXTZWJZNENPQ-UHFFFAOYSA-L barium sulfate Chemical compound [Ba+2].[O-]S([O-])(=O)=O TZCXTZWJZNENPQ-UHFFFAOYSA-L 0.000 description 1
- 229910052601 baryte Inorganic materials 0.000 description 1
- 239000010428 baryte Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000010978 jasper Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种磨矿系统溢流粒度指标软测量方法,涉及磨矿系统自动化测量技术领域。该方法包括辅助变量的选择、训练数据的取得、改进正交增量型随机权神经网络软测量模型的学习和使用三个步骤,该方法利用常规计算机控制系统和常规的检测仪表提供的在线过程数据,通过少量的人工采样,建立了基于I‑OI‑RVFLNs的磨矿系统溢流粒度软测量模型,实现了磨矿系统螺旋分级机溢流粒度的软测量。本发明的方法模型结构简单,训练速度快,预测精度高,具有很强的泛化能力,在实际应用中,能够根据过程的实时数据估计出磨矿粒度值,而且相对误差较小、可信度高,是具有很高使用价值、低成本的粒度计量手段。
Description
技术领域
本发明涉及磨矿系统自动化测量技术领域,尤其涉及一种磨矿系统溢流粒度指标软测量方法。
背景技术
在选矿行业中,由球磨机和螺旋分级机组成的湿式磨矿系统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产生不利影响,因此螺旋分级机溢流粒度(也称磨矿粒度、溢流粒度)是衡量磨矿系统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准确客观及时的测量结果,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,所以也难以实现真正意义上的粒度在线测量。因此,为实现磨矿粒度的在线测量,最有效方法是建立准确、可靠的粒度软测量模型。
基于案例推理(Case-Based Reasoning,CBR)的磨矿粒度软测量方法(基于案例推理的磨矿过程溢流粒度指标软测量方法,专利号为ZL 200410021565.4)在实际应用过程中,具有实现简单,易于维护,自学习能力较好,适合工况缓慢变化的工业对象等特点。但由于磨矿过程具有时变,多工况性,而CBR模型逼近非线性函数的能力有限,因此基于CBR的粒度软测量模型难以满足实际生产过程的要求。
基于神经网络(Neural Network,NN)的磨矿粒度软测量方法(球磨机磨矿过程溢流粒度指标软测量方法,专利号为ZL 03133951.4),由于NN具有能够以任意精度逼近连续函数的特性,特别适用于处理多因素、不精确的复杂信息,因此该方法很适合应用于磨矿系统的建模预测。但采用反向传播(Back Propagation,BP)等传统神经网络建立的磨矿粒度软测量模型通常存在训练时间长,收敛速度慢,易陷入局部极小值等问题,而且网络中的隐层节点数难以选择,模型易出现“过拟合”现象,因此难以满足实际生产和和过程控制与优化的要求。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种磨矿系统溢流粒度指标软测量方法,是对选矿厂磨矿工段中用于研磨矿石的由球磨机和螺旋分级机组成的湿式磨矿系统的最终产品——螺旋分级机溢流粒度指标进行软测量的方法,通过常规在线测量仪表提供的辅助变量的测量参数,给出当前的螺旋分级机溢流粒度的估计值,为磨矿生产过程的优化操作和优化运行提供关键指标。
为解决上述技术问题,本发明所采取的技术方案是:
一种磨矿系统溢流粒度指标软测量方法,包括以下步骤:
步骤1:选择磨矿粒度软测量的辅助变量,包括:新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO、球磨机功率或电流PB、螺旋分级机功率或电流PL、时间变量TV;其中,时间变量是从最近一次加球时刻开始计算,用于表征球磨机磨矿介质数量的影响;
步骤2:获取训练数据;
设定独立变量:新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO的不同设定值的组合,形成下面的设定值集合:
SSet={[WG,t,LG,t,DO,t]|t=1,…,k}
其中,k为该集合内的元素数量,每个元素包含一个[WG,t,LG,t,DO,t]的三元组;
将该设定值集合的每一个元素依次施加于磨矿系统上,每加一次元素[WG,t,LG,t,DO,t]之后待磨矿系统进入稳态,在螺旋分级机溢流处由人工采集样本,送实验室测量样本的粒度数值FO,t,同时记录采样时刻TV,t作为本次采样的时间变量,并同时记录球磨机功率或电流PB,t、螺旋分级机功率或电流PL,t;待本次采样及记录完成后,对磨矿系统施加下一个元素;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:
{[WG,t,LG,t,DO,t,PB,t,PL,t,TV,t]|t=1,…,k}→{[FO,t]|t=1,…,k}
其中,→符号左边的变量为磨矿粒度软测量模型的输入变量,即辅助变量,→符号右边的变量为磨矿粒度软测量模型进行训练学习的导师信号,即磨矿粒度值;
步骤3:改进正交增量型随机权神经网络(简称I-OI-RVFLNS)软测量模型的训练学习和使用,包括训练方法和测量方法,其流程具体为:
步骤3.1:进行所有变量的初始化;
步骤3.2:判断本次运行选择的为I-OI-RVFLNS软测量模型训练还是磨矿粒度指标软测量,如果本次运行为训练过程,则转至步骤3.3;如果神经网络已经训练好,本次运行过程为测量当前状态下的溢流浓度指标,则转至步骤3.8;
步骤3.3:从数据库中读取模型训练所需数据集D={(xi,yi)|xi∈Rn;yi=R;i=1,…,N},进行模型学习初始化;其中,N是样本集合(xi,yi)的个数,N≥L,L是改进正交增量型随机权神经网络中固定的隐含层节点数目,xi为输入数据集,yi为输出数据集,n为输入数据的维数;
步骤3.4:对训练数据进行归一化处理,并输入I-OI-RVFLNS软测量模型;
步骤3.5:模型相关待定参数确定;I-OI-RVFLNS模型需要预先设定的待定参数包括:激活函数类型G、网络中固定的隐含层节点数目L、最大迭代次数Mmax、均方根误差的设定值e0、相邻两次迭代的均方根误差差值的设定值ε0、正数γ=10-6,其中Mmax>L;
步骤3.6:I-OI-RVFLNS模型初始化训练及模型参数确定;
基于模型训练样本集以及预先设定的模型相关待定参数,进行模型的学习和训练,具体包括两个阶段,初始化阶段和增量学习阶段;
在初始化阶段,进行赋初值,网络中没有隐含层节点,即当前隐含层节点数j=0,当前迭代次数M=0,将残差初值设定为训练数据的输出E=Y,Y=[y1,y2,…,yN]∈R;
在增量学习阶段,当当前迭代次数M小于最大迭代次数Mmax,即M<Mmax,当前输出指标的均方根误差eM大于均方根误差的设定值e0,即eM>e0,并且当前相邻两次迭代的均方根误差差值εM大于相邻两次迭代的均方根误差差值的设定值ε0,即εM>ε0时,逐一增加当前隐含层节点数j和当前迭代次数M,即令j=j+1,M=M+1;随后在概率空间Sn(Ω,α)范围中随机为新增隐含层节点的输入权值wj和偏置bj赋值,并按下述公式计算新增的隐含层节点经正交后的输出向量Vj:
其中,Hj为新增隐含层节点的输出向量;
新增隐含层节点的输出权重βj为:
其中,Ej-1为新增隐含层节点加入前的残差;βj′为隐含层节点j的原始输出权值;Δβj为隐含层节点j的输出权值修正量,
新增隐含层节点加入后的残差Ej更新为:
当实际迭代次数M大于最大迭代次数Mmax或输出指标的均方根误差小于设定值e0或输出指标的相邻两次迭代的均方根误差差值小于设定值ε0时,训练过程结束;
步骤3.7:引入均方根误差RMSE作为建模误差,评估建模效果,均方根误差RMSE为:
如果建模误差符合实际工况标准,则保存I-OI-RVFLNS软测量模型,作为溢流粒度指标预报模型,该模型为若建模误差不符合预定标准,则继续训练,转至步骤3.5;
步骤3.8:读取I-OI-RVFLNS模型:调出步骤3.7训练好的溢流粒度指标预报模型;
步骤3.9:读取模型预报的过程数据;
步骤3.10:判断过程是否进入稳态,如果是,则开始进行软测量过程;否则返回步骤3.9等待进入稳态;
步骤3.11:对稳态过程数据进行归一化处理后输入I-OI-RVFLNS模型;
步骤3.12:计算I-OI-RVFLNS模型的输出,进行溢流粒度指标预报,并在人机界面上显示本次溢流粒度指标预报的结果;
步骤3.13:将本次软测量的相关输入输出数据保存到相应的历史数据库,供后续系统评估、修正以及查询所用;
步骤3.14:判断是否需要继续测量,如果需要继续测量,则返回至步骤3.9;如果不需要继续测量,则结束测量过程。
所述步骤3.6中模型的学习和训练具体步骤如下:
步骤(a):从给定的数据集Z={(xi,yi)|xi∈Rn,yi∈R,i=1,…}中选取训练数据集D={(xi,yi)|xi∈Rn,yi=R,i=1,…N},N≥L,其中包括输入数据X={xi|i=1,2,…,N}和输出数据Y={yi|i=1,2,…,N},初始化当前隐含层节点数j=0,当前迭代次数M=0,训练残差为输出数据E=Y;
步骤(b):令j=j+1,M=M+1;
步骤(c):若M≤L,则转置步骤(d),否则,转置步骤(j);
步骤(d):随机选取输入权值wj和隐层偏置bj;
步骤(e):计算新增隐含层节点的输出矩阵Hj:
其中,G为激活函数;
步骤(f):按下述公式计算新增隐含层节点j经正交化后的输出矩阵Vj:
步骤(g):如果||Vj||≥γ,则转置步骤(h);否则去掉该节点,令j=j-1,并转置步骤(b);
步骤(h):按下述公式计算新增隐含层节点后的输出权值βj:
其中,Ej-1为该新增隐含层节点加入前的残差;令新增隐含层节点的原始输出权值βj′为:βj′=βj;
步骤(i):计算新增隐含层节点加入后的残差Ej,然后转置步骤(n):
Ej=Ej-1-βj·Vj
步骤(j):计算当前隐层节点数j除以神经网络中固定的隐含层节点数目L的余数,若余数为0,则将L的值赋给j,即令j=L;否则将余数赋给j;
步骤(k):按下述公式计算隐含层节点j的输出权值修正量Δβj:
步骤(l):计算隐含层节点j修正后的输出权值βj:
βj=βj′+Δβj
将隐含层节点j的原始输出权值βj′清零,然后将βj的值赋给βj′,即令βj′=βj;
步骤(m):更新残差Ej:
Ej=Ej-1-Δβj·Vj
步骤(n):计算模型预测输出其中V为正交后的隐含层输出矩阵,β为输出权重;
步骤(o):计算当前输出指标的均方根误差eM:
其中,Y为实际的输出数据,为第M次迭代的模型预测输出;
步骤(p):计算当前相邻两次迭代的均方根误差差值εM:
其中,为M-1次迭代的模型预测输出;
步骤(q):当实际迭代次数M小于最大迭代次数Mmax,输出指标的均方根误差大于设定值e0且输出指标的相邻两次迭代的均方根误差差值大于设定值ε0时,返回到步骤(b),继续进行增量型学习,直至满足算法设定的终止条件为止,最终得到满足终止条件的输入权值w*、隐层偏置b*和输出权重β*。
为了使得溢流粒度软测量模型具有一定的自适应能力,适应磨矿系统的特性的慢性漂移和变化,需要溢流粒度软测量模型在必要时重新启动学习,其方法是:当按照选矿厂的运行规定定期人工测量分级机溢流粒度的时候,将采样值与软测量模型的输出值进行统计分析和精度评估,如果统计结果的均方根误差或方差超过一定范围,说明磨矿系统的特性已经出现显著漂移,于是启动学习过程,将新采集到的数据组成新的训练集,按照前述的学习算法对原来的软测量模型进行进一步训练,直至误差水平降至所要求的标准。
采用上述技术方案所产生的有益效果在于:本发明提供的基于增量型随机权神经网络的溢流粒度指标软测量方法,利用常规计算机控制系统和常规的检测仪表提供的在线过程数据,并结合时间变量以反映磨矿介质的变化,仅仅通过少量的人工采样,实现了磨矿系统分级机溢流粒度的软测量。与粒度计相比,降低了成本,并且不会发生取样管路堵塞的情况,降低了维护工作量,提高了可靠性;与人工测量相比,减少了操作人员的工作量,降低了人为操作引入的测量的不确定性,提高了测量的时效性。同时,本发明改进了传统增量型随机权神经网络的网络构造模式,并引入施密特正交化方法,将网络中隐含层的输出向量正交化。除此之外,本发明将输出指标相邻两次迭代的均方根误差差值考虑在终止条件内。相对于传统的增量型随机权神经网络,该模型解决了网络结构复杂,训练时间长,收敛速度慢等问题。基于所提I-OI-RVFLNs建立的溢流粒度指标估计模型具备适应过程动态时变特性的能力,而且预测精度高,速度快,具有很强的泛化能力。本发明所提出的方法有助于实现磨矿系统的优化控制和优化运行。
附图说明
图1为本发明实施例提供的磨矿系统的流程、测量仪表及计算机配置图;
图2为本发明实施例提供的基于改进正交增量型随机权神经网络的溢流粒度软测量模型结构图;
图3为本发明实施例提供的溢流粒度软测量软件的流程框图;
图4为本发明实施例提供的I-OI-RVFLNs的模型结构;
图5为本发明实施例提供的基于I-OI-RVFLNs的溢流粒度指标软测量效果图;
图6为本发明实施例提供的分级机溢流粒度指标预测误差概率密度分布曲线。
图中:1、球磨机,2、原矿仓,3、给料机,4、螺旋分级机,5、第一功率(或电流)计,6、流量计,7、浓度计,8、第二功率(或电流)计,9、质量计,10、变频器,11、皮带。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
以某大型铁矿选矿厂的强磁磨矿分级工段为例,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%,经分选后的弱磁矿经焙烧工序后输至弱磁选圆筒矿仓,磨矿系统的示意图如图1所示,包括球磨机1、螺旋分级机4、电动调节阀门、变频器10、流量计6、功率(或电流)计5和8、质量计9、浓度计7、原矿仓2、磨机新给矿的皮带给料机3、补加水管路、分级机反砂管路、溢流管路以及进行软件计算的计算机系统,计算机系统中存储软测量软件,用于实现本发明的基于增量型随机权神经网络的溢流粒度指标软测量方法。图1中,实线尖头表示物流(原矿,水和矿浆)或信号流;点虚线箭头表示基本控制回路的配对;划虚线表示传感器与变送器的连接。
弱磁选圆筒矿仓内的焙烧矿由电振给矿机排料,再由给矿皮带机送入球磨机内,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,螺旋分级机反砂返回一次球磨,与一次球磨形成闭路。螺旋分级机溢流进入泵池后被输送至后续工序。
磨矿系统硬件的连接是:球磨机的输入端与皮带给料机、球磨机入口加水量管路及分级机反砂口相连接,球磨机输出端与出口补加水入口同时与螺旋分级机输入口相连接,变频器与振动给料机相连接,两个电动调节阀门分别安装在球磨机入口补加水管路和出口补加水管路处,最终产品从螺旋分级机溢流口排出。
以球磨机和螺旋分级机构成的磨矿回路,其测量仪表包括:一个质量计,用于在线测量球磨机新给矿量WG,安装在给料皮带上,本实施例中为核子秤;一个电磁流量计,用于在线测量球磨机入口加水量LG,安装在球磨机入口补加水管路上;一个浓度计,用于在线测量螺旋分级机溢流浓度DO,安装在螺旋分级机溢流管路上;两个功率计或两个电流计,用于在线测量球磨机功率PB和螺旋分级机功率PL或球磨机电流和螺旋分级机电流,分别与球磨机和螺旋分级机的驱动电机相接,由于功率信号与电流信号等价,所以本实施例中PB和PL也可以用来表示球磨机电流和螺旋分级机的电流信号。
本实施例中,球磨机型号为Φ3200×3500,有效容积25.3m3,筒体转速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。
该磨矿回路同时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,并按对应关系组成基本控制回路:电振给料机频率控制新给矿量WG,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LG,出口补加水电动调节阀控制螺旋分级机溢流浓度DO。
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。
本实施例以可编程控制器(PLC)实现基础控制回路的自动控制,并读取过程数据。在监控计算机中以RSView32软件实现监控人机界面。该磨矿系统的正常工作范围为:新给矿量为75±5吨/小时;一次磨矿浓度为78%~85%;螺旋分级机溢流浓度为45%~50%;螺旋分级机溢流浓度为55%~60%(-200目含量);介质填充率为38%~42%。
本实施例中,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PLC和上位机进行数据通讯,RSLinx与软测量程序之间通过DDE方式进行双向通讯。
本实施例提供的一种磨矿系统溢流粒度指标软测量方法,具体实现步骤如下所述。
步骤1:选择磨矿粒度软测量的辅助变量,包括:新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO、球磨机功率或电流PB、螺旋分级机功率或电流PL、时间变量TV;其中,时间变量是从最近一次加球时刻开始计算,用于表征球磨机磨矿介质数量的影响。
步骤2:获取训练数据;
设定独立变量:新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO的不同设定值的组合,形成下面的设定值集合:
SSet={[WG,t,LG,t,DO,t]|t=1,…,k}
其中,k为该集合内的元素数量,每个元素包含一个[WG,t,LG,t,DO,t]的三元组;
将该设定值集合的每一个元素依次施加于磨矿系统上,每加一次元素[WG,t,LG,t,DO,t]之后待磨矿系统进入稳态,在螺旋分级机溢流处由人工采集样本,送实验室测量样本的粒度数值FO,t,同时记录采样时刻TV,t作为本次采样的时间变量,并同时记录球磨机功率或电流PB,t,螺旋分级机功率或电流PL,t;待本次采样及记录完成后,对磨矿系统施加下一个元素;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:
{[WG,t,LG,t,DO,t,PB,t,PL,t,TV,t]|t=1,…,k}→{[FO,t]|t=1,…,k}
其中,→符号左边的变量为磨矿粒度软测量模型的输入变量,即辅助变量,→符号右边的变量为磨矿粒度软测量模型进行训练学习的导师信号,即磨矿粒度值。该软测量模型的输入输出变量关系及训练方式如图2所示。
步骤3:改进正交增量型随机权神经网络(简称I-OI-RVFLNS)软测量模型的训练学习和使用。
本实施例的软测量方法是以软测量软件的方式实现的,其流程框图如图3所示,包括训练方法和测量方法,其流程具体如下。
步骤3.1:进行所有变量的初始化。
步骤3.2:判断本次运行选择的为I-OI-RVFLNS软测量模型训练还是磨矿粒度指标软测量,如果本次运行为训练过程,则转至步骤3.3;如果神经网络已经训练好,本次运行过程为测量当前状态下的溢流浓度指标,则转至步骤3.8。
步骤3.3:从数据库中读取模型训练所需数据集D={(xi,yi)|xi∈Rn;yi=R;i=1,…,N},进行模型学习初始化;其中,N是样本集合(xi,yi)的个数,N≥L,L是改进正交增量型随机权神经网络中固定的隐含层节点数目,xi为输入数据集,yi为输出数据集,n为输入数据的维数,本实施例中,n=6;
步骤3.4:对训练数据进行归一化处理,并输入I-OI-RVFLNS软测量模型;
步骤3.5:模型相关待定参数确定;I-OI-RVFLNS模型需要预先设定的待定参数包括:激活函数类型G、网络中固定的隐含层节点数目L、最大迭代次数Mmax、均方根误差的设定值e0、相邻两次迭代的均方根误差差值的设定值ε0、正数γ=10-6,其中Mmax>L;
步骤3.6:I-OI-RVFLNS模型初始化训练及模型参数确定;
基于模型训练样本集以及预先设定的模型相关待定参数,进行模型的学习和训练,具体包括两个阶段,初始化阶段和增量学习阶段;
在初始化阶段,进行赋初值,网络中没有隐含层节点,即当前隐含层节点数j=0,当前迭代次数M=0,将残差初值设定为训练数据的输出E=Y,Y=[y1,y2,…,yN]∈R;
在增量学习阶段,当当前迭代次数M小于最大迭代次数Mmax,即M<Mmax,当前输出指标的均方根误差eM大于均方根误差的设定值e0,即eM>e0,并且当前相邻两次迭代的均方根误差差值εM大于相邻两次迭代的均方根误差差值的设定值ε0,即εM>ε0时,逐一增加当前隐含层节点数j和当前迭代次数M,即令j=j+1,M=M+1;随后在概率空间Sn(Ω,α)范围中随机为新增隐含层节点的输入权值wj和偏置bj赋值,并计算新增的隐含层节点经正交后的输出向量Vj、新增隐含层节点的输出权重βj、新增隐含层节点加入后的残差Ej;当实际迭代次数M大于最大迭代次数Mmax或输出指标的均方根误差小于设定值e0或输出指标的相邻两次迭代的均方根误差差值小于设定值ε0时,训练过程结束。具体方法为:
步骤(a):从给定的数据集Z={(xi,yi)|xi∈Rn,yi∈R,i=1,…}中选取训练数据集D={(xi,yi)|xi∈Rn,yi=R,i=1,…N},N≥L,其中包括输入数据X={xi|i=1,2,…,N}和输出数据Y={yi|i=1,2,…,N},初始化当前隐含层节点数j=0,当前迭代次数M=0,训练残差为输出数据E=Y;
步骤(b):令j=j+1,M=M+1;
步骤(c):若M≤L,则转置步骤(d),否则,转置步骤(j);
步骤(d):随机选取输入权值wj和隐层偏置bj;
步骤(e):计算新增隐含层节点的输出矩阵Hj:
其中,G为激活函数;
步骤(f):按下述公式计算新增隐含层节点j经正交化后的输出矩阵Vj:
步骤(g):如果||Vj||≥γ,则转置步骤(h);否则去掉该节点,令j=j-1,并转置步骤(b);
步骤(h):按下述公式计算新增隐含层节点后的输出权值βj:
其中,Ej-1为该新增隐含层节点加入前的残差;令新增隐含层节点的原始输出权值βj′为:βj′=βj;
步骤(i):计算新增隐含层节点加入后的残差Ej,然后转置步骤(n):
Ej=Ej-1-βj·Vj
步骤(j):计算当前隐层节点数j除以神经网络中固定的隐含层节点数目L的余数,若余数为0,则将L的值赋给j,即令j=L;否则将余数赋给j;
步骤(k):按下述公式计算隐含层节点j的输出权值修正量Δβj:
步骤(l):计算隐含层节点j修正后的输出权值βj:
βj=βj′与Δβj
将隐含层节点j的原始输出权值βj′清零,然后将βj的值赋给βj′,即令βj′=βj;
步骤(m):更新残差Ej:
Ej=Ej-1-Δβj·Vj
步骤(n):计算模型预测输出其中V为正交后的隐含层输出矩阵,β为输出权重;
步骤(o):计算当前输出指标的均方根误差eM:
其中,Y为实际的输出数据.为第M次迭代的模型预测输出;
步骤(p):计算当前相邻两次迭代的均方根误差差值εM:
其中,为M-1次迭代的模型预测输出;
步骤(q):当实际迭代次数M小于最大迭代次数Mmax,输出指标的均方根误差大于设定值e0且输出指标的相邻两次迭代的均方根误差差值大于设定值ε0时,返回到步骤(b),继续进行增量型学习,直至满足算法设定的终止条件为止,最终得到满足终止条件的输入权值w*、隐层偏置b*和输出权重β*。
步骤3.7:引入均方根误差RMSE作为建模误差,评估建模效果,均方根误差RMSE为:
如果建模误差符合实际工况标准,则保存I-OI-RVFLNS软测量模型,作为溢流粒度指标预报模型,该模型为若建模误差不符合预定标准,则继续训练,转至步骤3.5;
步骤3.8:读取I-OI-RVFLNS模型:调出步骤3.7训练好的溢流粒度指标预报模型;
步骤3.9:读取模型预报的过程数据;
步骤3.10:判断过程是否进入稳态,如果是,则开始进行软测量过程;否则返回步骤3.9等待进入稳态;
步骤3.11:对稳态过程数据进行与训练过程相同的归一化处理后输入I-OI-RVFLNS模型;
步骤3.12:计算I-OI-RVFLNS模型的输出,进行溢流粒度指标预报,并在人机界面上显示本次溢流粒度指标预报的结果;
步骤3.13:将本次软测量的相关输入输出数据保存到相应的历史数据库,供后续系统评估、修正以及查询所用;
步骤3.14:判断是否需要继续测量,如果需要继续测量,则返回至步骤3.9;如果不需要继续测量,则结束测量过程。
为了使得溢流粒度软测量模型具有一定的自适应能力,适应磨矿系统的特性的慢性漂移和变化,需要溢流粒度软测量模型在必要时重新启动学习,其方法是:当按照选矿厂的运行规定定期人工测量分级机溢流粒度的时候,将采样值与软测量模型的输出值进行统计分析和精度评估,如果统计结果的均方根误差或方差超过一定范围,说明磨矿系统的特性已经出现显著漂移,于是启动学习过程,将新采集到的数据组成新的训练集,按照前述的学习算法对原来的软测量模型进行进一步训练,直至误差水平降至所要求的标准。
本实施例中,I-OI-RVFLNs模型采用6输入1输出的结构,如图4所示。6个输入分别为:新给矿量WG、入口补加水流量LG、分级机溢流浓度DO、球磨机电流PB、螺旋分级机电流PL、时间变量TV。1个输出为:螺旋分级机溢流粒度FO。I-OI-RVFLNs模型相关待定参数确定如下:设定模型初始化所用训练数据的样本集合个数N为1500;激活函数G采用Sigmoid函数;网络中固定的隐含层节点数目L=40;最大迭代次数Mmax=1000,输出指标的均方根误差设定值e0=0.001,相邻两次迭代的均方根误差差值的设定值ε0=10-12;正数γ=10-6;隐含层节点的输入权值wj和偏置bj,j=1,…,L,通过系统在[-1,1]范围内随机产生。
本实施例在下位PLC程序中设置有定时器,每隔10分钟触发一次上位RSView32中的相关标签,从而调用一次分级机溢流粒度软测量程序,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的参考、指导作用,同时把软测量结果保存到分级机溢流粒度软测量实时数据库中。
图5为磨矿系统溢流粒度软测量系统的粒度指标预报效果,可以看出溢流粒度指标预报值与其实际值基本一致,误差比较小,且变化趋势基本一致。此外,本发明改进了传统增量型随机权神经网络的构造模式,并对网络中的隐层输出矩阵进行正交化处理,而且设定了符合磨矿系统实际背景的算法终止条件,相对于基本随机权神经网络和传统增量型随机权神经网络,该模型解决了网络结构复杂,模型收敛速度慢、测试时间长,最优隐层节点数难以选择的问题,并克服了“过拟合”情况。本发明是一种具有很高实用价值、低成本的磨矿过程溢流粒度指标计量手段。
图6为分级机溢流粒度指标估计误差的概率密度函数(Probability densityfunction,PDF)曲线,可以看出,基于I-OI-RVFLNs的溢流粒度指标预测模型的PDF曲线分布规则,偏移零纵轴较小,即模型预测的结果较为准确。
本发明基于改进正交增量型随机权神经网络的分级机溢流粒度软测量模型在磨矿系统正常运行期间,能够根据过程的实时数据估计出螺旋分级机溢流粒度,相对误差不超过3%,成为一个具有很高实用价值的、低成本的粒度计量手段。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (3)
1.一种磨矿系统溢流粒度指标软测量方法,其特征在于:包括以下步骤:
步骤1:选择磨矿粒度软测量的辅助变量,包括:新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO、球磨机功率或电流PB、螺旋分级机功率或电流PL、时间变量TV;其中,时间变量是从最近一次加球时刻开始计算,用于表征球磨机磨矿介质数量的影响;
步骤2:获取训练数据;
设定独立变量:新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO的不同设定值的组合,形成下面的设定值集合:
SSet={[WG,t,LG,t,DO,t]|t=1,…,k}
其中,k为该集合内的元素数量,每个元素包含一个[WG,t,LG,t,DO,t]的三元组;
将该设定值集合的每一个元素依次施加于磨矿系统上,每加一次元素[WG,t,LG,t,DO,t]之后待磨矿系统进入稳态,在螺旋分级机溢流处由人工采集样本,送实验室测量样本的粒度数值FO,t,同时记录采样时刻TV,t作为本次采样的时间变量,并同时记录球磨机功率或电流PB,t、螺旋分级机功率或电流PL,t;待本次采样及记录完成后,对磨矿系统施加下一个元素;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:
{[WG,t,LG,t,DO,t,PB,t,PL,t,TV,t]|t=1,…,k}→{[FO,t]|t=1,…,k}
其中,→符号左边的变量为磨矿粒度软测量模型的输入变量,即辅助变量,→符号右边的变量为磨矿粒度软测量模型进行训练学习的导师信号,即磨矿粒度值;
步骤3:改进正交增量型随机权神经网络(简称I-OI-RVFLNS)软测量模型的训练学习和使用,包括训练方法和测量方法,其流程具体为:
步骤3.1:进行所有变量的初始化;
步骤3.2:判断本次运行选择的为I-OI-RVFLNS软测量模型训练还是磨矿粒度指标软测量,如果本次运行为训练过程,则转至步骤3.3;如果神经网络已经训练好,本次运行过程为测量当前状态下的溢流浓度指标,则转至步骤3.8;
步骤3.3:从数据库中读取模型训练所需数据集D={(xi,yi)|xi∈Rn;yi=R;i=1,…,N},进行模型学习初始化;其中,N是样本集合(xi,yi)的个数,N≥L,L是改进正交增量型随机权神经网络中固定的隐含层节点数目,xi为输入数据集,yi为输出数据集,n为输入数据的维数;
步骤3.4:对训练数据进行归一化处理,并输入I-OI-RVFLNS软测量模型;
步骤3.5:模型相关待定参数确定;I-OI-RVFLNS模型需要预先设定的待定参数包括:激活函数类型G、网络中固定的隐含层节点数目L、最大迭代次数Mmax、均方根误差的设定值e0、相邻两次迭代的均方根误差差值的设定值ε0、正数γ=10-6,其中Mmax>L;
步骤3.6:I-OI-RVFLNS模型初始化训练及模型参数确定;
基于模型训练样本集以及预先设定的模型相关待定参数,进行模型的学习和训练,具体包括两个阶段,初始化阶段和增量学习阶段;
在初始化阶段,进行赋初值,网络中没有隐含层节点,即当前隐含层节点数j=0,当前迭代次数M=0,将残差初值设定为训练数据的输出E=Y,Y=[y1,y2,…,yN]∈R;
在增量学习阶段,当当前迭代次数M小于最大迭代次数Mmax,即M<Mmax,当前输出指标的均方根误差eM大于均方根误差的设定值e0,即eM>e0,并且当前相邻两次迭代的均方根误差差值εM大于相邻两次迭代的均方根误差差值的设定值ε0,即εM>ε0时,逐一增加当前隐含层节点数j和当前迭代次数M,即令j=j+1,M=M+1;随后在概率空间Sn(Ω,α)范围中随机为新增隐含层节点的输入权值wj和偏置bj赋值,并按相应的公式计算新增的隐含层节点经正交后的输出向量Vj、新增隐含层节点的输出权重βj以及新增隐含层节点加入后的残差Ej;
当实际迭代次数M大于最大迭代次数Mmax或输出指标的均方根误差小于设定值e0或输出指标的相邻两次迭代的均方根误差差值小于设定值ε0时,训练过程结束;
步骤3.7:引入均方根误差RMSE作为建模误差,评估建模效果,均方根误差RMSE为:
如果建模误差符合实际工况标准,则保存I-OI-RVFLNS软测量模型,作为溢流粒度指标预报模型,该模型为若建模误差不符合预定标准,则继续训练,转至步骤3.5:
步骤3.8:读取I-OI-RVFLNS模型:调出步骤3.7训练好的溢流粒度指标预报模型;
步骤3.9:读取模型预报的过程数据;
步骤3.10:判断过程是否进入稳态,如果是,则开始进行软测量过程;否则返回步骤3.9等待进入稳态;
步骤3.11:对稳态过程数据进行归一化处理后输入I-OI-RVFLNS模型;
步骤3.12:计算I-OI-RVFLNS模型的输出,进行溢流粒度指标预报,并在人机界面上显示本次溢流粒度指标预报的结果;
步骤3.13:将本次软测量的相关输入输出数据保存到相应的历史数据库,供后续系统评估、修正以及查询所用;
步骤3.14:判断是否需要继续测量,如果需要继续测量,则返回至步骤3.9;如果不需要继续测量,则结束测量过程。
2.根据权利要求1所述的一种磨矿系统溢流粒度指标软测量方法,其特征在于:所述步骤3.6中模型的学习和训练具体步骤如下:
步骤(a):从给定的数据集Z={(xi,yi)|xi∈Rn,yi∈R,i=1,…}中选取训练数据集D={(xi,yi)|xi∈Rn,yi=R,i=1,…N},N≥L,其中包括输入数据X={xi|i=1,2,…,N}和输出数据Y={yi|i=1,2,…,N},初始化当前隐含层节点数j=0,当前迭代次数M=0,训练残差为输出数据E=Y;
步骤(b):令j=j+1,M=M+1;
步骤(c):若M≤L,则转置步骤(d),否则,转置步骤(j);
步骤(d):随机选取输入权值wj和隐层偏置bj;
步骤(e):计算新增隐含层节点的输出矩阵Hj:
其中,G为激活函数;
步骤(f):按下述公式计算新增隐含层节点j经正交化后的输出矩阵Vj:
步骤(g):如果||Vj||≥γ,则转置步骤(h);否则去掉该节点,令j=j-1,并转置步骤(b);
步骤(h):按下述公式计算新增隐含层节点后的输出权值βj:
其中,Ej-1为该新增隐含层节点加入前的残差;令新增隐含层节点的原始输出权值βj′为:βj′=βj;
步骤(i):计算新增隐含层节点加入后的残差Ej,然后转置步骤(n):
Ej=Ej-1-βj·Vj
步骤(j):计算当前隐层节点数j除以神经网络中固定的隐含层节点数目L的余数,若余数为0,则将L的值赋给j,即令j=L;否则将余数赋给j;
步骤(k):按下述公式计算隐含层节点j的输出权值修正量Δβj:
步骤(1):计算隐含层节点j修正后的输出权值βj:
βj=βj′与Δβj
将隐含层节点j的原始输出权值βj′清零,然后将βj的值赋给βj′,即令βj′=βj;
步骤(m):更新残差Ej:
Ej=Ej1-Δβj·Vj
步骤(n):计算模型预测输出其中V为正交后的隐含层输出矩阵,β为输出权重;
步骤(o):计算当前输出指标的均方根误差eM:
其中,Y为实际的输出数据,为第M次迭代的模型预测输出;
步骤(p):计算当前相邻两次迭代的均方根误差差值εM:
其中,为M-1次迭代的模型预测输出;
步骤(q):当实际迭代次数M小于最大迭代次数Mmax,输出指标的均方根误差大于设定值e0且输出指标的相邻两次迭代的均方根误差差值大于设定值ε0时,返回到步骤(b),继续进行增量型学习,直至满足算法设定的终止条件为止,最终得到满足终止条件的输入权值w*、隐层偏置b*和输出权重β*。
3.根据权利要求1所述的一种磨矿系统溢流粒度指标软测量方法,其特征在于:所述溢流粒度指标预报模型在必要时需要重新启动学习,其方法是:当按照选矿厂的运行规定定期人工测量分级机溢流粒度的时候,将采样值与软测量模型的输出值进行统计分析和精度评估,如果统计结果的均方根误差或方差超过一定范围,说明磨矿系统的特性已经出现显著漂移,需要启动学习过程,将新采集到的数据组成新的训练集,按照前述的学习算法对原来的软测量模型进行进一步训练,直至误差水平降至所要求的标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810971872.0A CN109190226B (zh) | 2018-08-24 | 2018-08-24 | 一种磨矿系统溢流粒度指标软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810971872.0A CN109190226B (zh) | 2018-08-24 | 2018-08-24 | 一种磨矿系统溢流粒度指标软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190226A true CN109190226A (zh) | 2019-01-11 |
CN109190226B CN109190226B (zh) | 2023-01-31 |
Family
ID=64919514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810971872.0A Active CN109190226B (zh) | 2018-08-24 | 2018-08-24 | 一种磨矿系统溢流粒度指标软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190226B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109847921A (zh) * | 2019-03-29 | 2019-06-07 | 东北大学 | 面向盘磨系统粉体粒度的随机分布控制实验装置及方法 |
CN110090727A (zh) * | 2019-04-26 | 2019-08-06 | 北矿智云科技(北京)有限公司 | 一种磨矿生产中操作数据的处理方法、装置、设备及介质 |
CN110270414A (zh) * | 2019-05-30 | 2019-09-24 | 宜春钽铌矿有限公司 | 一种磨矿过程中矿石性质在线实时检测的方法 |
CN110909502A (zh) * | 2019-11-20 | 2020-03-24 | 王宪玉 | 基于误差迭代的时空分组流量软测量方法及系统 |
CN114112819A (zh) * | 2022-01-25 | 2022-03-01 | 北矿智云科技(北京)有限公司 | 一种测量磨矿粒度的方法及装置 |
CN114870988A (zh) * | 2022-05-11 | 2022-08-09 | 内蒙古大中矿业股份有限公司 | 一种自动化选矿监控方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1525153A (zh) * | 2003-09-12 | 2004-09-01 | 东北大学 | 球磨机磨矿系统溢流粒度指标软测量方法 |
CN102169077A (zh) * | 2010-12-28 | 2011-08-31 | 东北大学 | 湿式磨矿过程溢流粒度指标混合智能软测量方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
-
2018
- 2018-08-24 CN CN201810971872.0A patent/CN109190226B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1525153A (zh) * | 2003-09-12 | 2004-09-01 | 东北大学 | 球磨机磨矿系统溢流粒度指标软测量方法 |
CN102169077A (zh) * | 2010-12-28 | 2011-08-31 | 东北大学 | 湿式磨矿过程溢流粒度指标混合智能软测量方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109847921A (zh) * | 2019-03-29 | 2019-06-07 | 东北大学 | 面向盘磨系统粉体粒度的随机分布控制实验装置及方法 |
CN110090727A (zh) * | 2019-04-26 | 2019-08-06 | 北矿智云科技(北京)有限公司 | 一种磨矿生产中操作数据的处理方法、装置、设备及介质 |
CN110090727B (zh) * | 2019-04-26 | 2020-12-22 | 北矿智云科技(北京)有限公司 | 一种磨矿生产中操作数据的处理方法、装置、设备及介质 |
CN110270414A (zh) * | 2019-05-30 | 2019-09-24 | 宜春钽铌矿有限公司 | 一种磨矿过程中矿石性质在线实时检测的方法 |
CN110270414B (zh) * | 2019-05-30 | 2021-02-09 | 宜春钽铌矿有限公司 | 一种磨矿过程中矿石性质在线实时检测的方法 |
CN110909502A (zh) * | 2019-11-20 | 2020-03-24 | 王宪玉 | 基于误差迭代的时空分组流量软测量方法及系统 |
CN110909502B (zh) * | 2019-11-20 | 2023-06-02 | 王宪玉 | 基于误差迭代的时空分组流量软测量方法及系统 |
CN114112819A (zh) * | 2022-01-25 | 2022-03-01 | 北矿智云科技(北京)有限公司 | 一种测量磨矿粒度的方法及装置 |
CN114870988A (zh) * | 2022-05-11 | 2022-08-09 | 内蒙古大中矿业股份有限公司 | 一种自动化选矿监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109190226B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190226A (zh) | 一种磨矿系统溢流粒度指标软测量方法 | |
Yuan et al. | Prediction of concrete compressive strength: Research on hybrid models genetic based algorithms and ANFIS | |
CN102169077B (zh) | 湿式磨矿过程溢流粒度指标混合智能软测量方法 | |
CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
CN105676814B (zh) | 基于sfla‑svm的数字化水岛在线加药控制方法 | |
CN100394163C (zh) | 球磨机磨矿系统溢流粒度指标软测量方法 | |
Emamgholizadeh et al. | Prediction of soil cation exchange capacity using enhanced machine learning approaches in the southern region of the Caspian Sea | |
CN106650102A (zh) | 一种基于灰色关联的海洋混凝土耐久性能预测模型参数确定方法 | |
Zhang et al. | Study on water quality prediction of urban reservoir by coupled CEEMDAN decomposition and LSTM neural network model | |
Zhang et al. | Multi-source data fusion method for structural safety assessment of water diversion structures | |
CN108877224A (zh) | 一种可进行置信区间估计的短时交通流预测方法 | |
CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
CN104978484B (zh) | 基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法 | |
CN114065639A (zh) | 一种挖泥船施工参数的闭环实时反演方法 | |
Zhang et al. | Online optimization of heated-oil pipeline operation based on neural network system identification | |
Han et al. | Intelligent short-term forecasting for mud concentration in CSD dredging construction | |
Velasco et al. | Performance analysis of artificial neural networks training algorithms and transfer functions for medium-term water consumption forecasting | |
Trung et al. | Virtual multiphase flowmetering using adaptive neuro-fuzzy inference system (ANFIS): A case study of Hai Thach-Moc Tinh field, offshore Vietnam | |
CN109142167B (zh) | 一种磨矿粒度的在线鲁棒正则软测量模型的建立方法 | |
CN116090696A (zh) | 适用于山区铁路沿线的滑坡地质灾害风险分类预测方法 | |
Hao et al. | Research on stage–discharge relationship model based on information entropy | |
CN114871000A (zh) | 一种浮选加药自适应调控方法 | |
Qiang et al. | The combination prediction of BTP in sintering process based on Bayesian framework and LS-SVM | |
Vlah et al. | Solving bilevel optimal bidding problems using deep convolutional neural networks | |
CN105300473B (zh) | 一种少量标定的基于深度信念网络的球磨机料位测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |