CN109446669B - 一种矿浆浓度的软测量方法 - Google Patents

Abstract

本发明涉及一种矿浆浓度的软测量方法，通过该方法得到的矿浆浓度不仅能适应选矿生产环境的变化，更能提高矿浆浓度的检测效果。方法包括：建立包括线性部分信息和非线性部分信息的矿浆密度辨识模型；基于矿浆流量信号的历史数据，从线性部分信息中选择变量个数，并获取线性模型的估计模型；基于矿浆差压和流量信号的历史数据，从非线性部分信息中选择变量个数，并获取非线性部分的估计模型；根据线性部分和非线性部分的估计模型，基于矿浆密度辨识模型，获取估计的矿浆密度；进而根据选矿厂的实际矿浆密度，在线更新线性部分和非线性部分的模型参数，依据原矿石的真密度，获取选矿厂的矿浆浓度的估计值。

Description

一种矿浆浓度的软测量方法

技术领域

本发明涉及选矿厂工艺参数的技术检测领域，尤其涉及一种矿浆浓度的软测量方法。

背景技术

在选矿生产过程中，合适的矿浆浓度是考量磨选系统、浓缩压滤系统和浮选系统的生产的关键因素，将直接影响分选效率，最终关乎选别后的产品品位。目前，实际的选矿工业现场，需要实时检测矿浆浓度指导生产，大多数采用人工用浓度壶进行手动检测，但是人工检测不能做到实时性，现场无法有效将浓度控制在工艺要求范围内。矿浆浓度在线检测方法主要包括伽马射线式浓度计、超声波浓度计和差压浓度计等检测方法。

伽马射线式浓度计的使用条件要求比较苛刻，被测矿浆不能分层、气泡，无法满足矿浆性质大范围变化的矿浆浓度精确检测。同时选矿厂采购和使用伽马射线式浓度计，必须经过卫生局的严格审批以及定期监控，必须严防射线的放散对生产人员身体健康危害。

由于超声波浓度计对选矿厂现场的标定要求和使用环境要求很高，维护成本是其它矿浆浓度计的好几倍，同时检测水平不太稳定，故选矿厂一般不选用超声波浓度计。

目前优先选用的是差压浓度计，其主要依据矿浆静压力与矿浆密度、取压点高度差成比例关系设计的浓度计，但是该浓度计设计的时候没有考虑矿浆流动的动态过程，未能对矿浆浓度误差进行补偿，导致差压浓度计精确度无法满足选矿工艺生产要求。

发明内容

(一)要解决的技术问题

为了克服现有选矿厂的浓度计不能对矿浆浓度进行有效的检测，本发明提供一种矿浆浓度的软测量方法，通过该方法得到的矿浆浓度不仅能适应生产环境的变化，更能提高矿浆浓度的检测效果。

(二)技术方案

为了达到上述目的，本发明提供一种矿浆浓度的软测量方法，包括：基于矿浆管道信息建立矿浆密度辨识模型；矿浆密度辨识模型包括线性部分信息和非线性部分信息；基于矿浆流量信号的历史数据，采用贝叶斯信息准则从线性部分信息中选择变量个数，采用递推最小二乘法对线性部分模型进行辨识，得到线性模型的估计模型；基于矿浆差压和流量信号的历史数据，采用互信息方法从非线性部分信息中选择变量个数，采用径向基神经网络对非线性部分模型进行辨识，得到非线性部分的估计模型；根据线性部分和非线性部分的估计模型，基于矿浆密度辨识模型，获取估计的矿浆密度；进而根据选矿厂的实际矿浆密度，在线更新线性部分和非线性部分的模型参数，依据原矿石的真密度，获取选矿厂的矿浆浓度的估计值。

具体地，本发明的矿浆浓度的软测量方法可包括：

S1、基于矿浆管道信息，建立矿浆密度辨识模型；所述矿浆密度辨识模型包括线性部分模型和非线性部分模型；

S2、基于矿浆差压信号的历史数据，采用贝叶斯信息准则从所述线性部分模型中选择线性部分变量个数，采用递推最小二乘法对线性部分模型进行辨识，得到线性部分的估计模型；

S3、基于矿浆差压和流量信号的历史数据，采用互信息方法从所述非线性部分模型中选择非线性部分变量个数，采用径向基神经网络对非线性部分模型进行辨识，得到非线性部分的估计模型；

S4、根据所述线性部分的估计模型和非线性部分的估计模型，基于所述矿浆密度辨识模型，获取估计的矿浆密度；

S5、基于所述估计的矿浆密度，根据选矿厂的实际矿浆密度，在线更新所述线性部分和非线性部分的估计模型的参数，再依据原矿石的真密度，获取选矿厂的矿浆浓度的估计值。

可选地，若矿浆管道中差压传感器和流量传感器采样周期为k秒，以当前时刻t为基准，矿浆流量信号的历史数据为：t-k、t-2k、……、t-nk时刻流量传感器采样得到采样信号；

矿浆差压信号的历史数据为：t-k、t-2k、……、t-nk时刻差压传感器采样得到采样信号；

和/或，

设k为单位1，历史数据时刻表示为t-1、t-2、……t-n。

可选地，所述步骤S1包括：

获取当前时刻t，沿程水头损失H_f(t)，

获取管道中，流体两点间的差压ΔP(t)，ΔP(t)＝ρ(t)gH-H_f(t)公式(2)

根据公式(1)和公式(2)，建立矿浆密度ρ(t)辨识模型；

矿浆密度辨识模型为：

其中，

为线性部分模型，

为非线性部分模型；λ＝f(Re,Δ/d)，Re为流体雷诺数，Δ为绝对粗糙度，Δ/d为相对粗糙度，d为管径，v(t)为矿浆平均流速，l为管道长度，g为当地重力加速度。

可选地，所述步骤S2包括：

选取t-n_a0时刻到某一时刻t的矿浆差压信号ΔP(t)的历史数据；

依据选取的历史数据，矿浆密度线性部分模型的估计值

表示为：

其中，

为矿浆密度的待辨识的线性部分模型的参数即变量个数；

设

因此，公式(4)转换为：

通过递推最小二乘法对公式(5)的参数进行在线辨识，如公式(6)：

其中，ρ₀(t)为矿浆密度线性部分模型的估计偏差值，I为单位矩阵，

N为矿浆差压信号的离线数据组。

可选地，所述步骤S3包括：

选取t-n_a1时刻到某一时刻t的矿浆差压信号ΔP(t)的历史数据，以及选取t-n_b1时刻到某一时刻t的矿浆流量信号F(t)的历史数据；

依据选取的ΔP(t)和F(t)历史数据，获取的矿浆密度非线性部分模型的估计值

的非线性函数f表示为：

通过径向基神经网络对公式(8)的

进行估计，得到非线性部分的估计模型，如公式(9)：

其中，H，σ，C_j，ω_j，b分别为径向基神经网络的隐含层节点个数、高斯函数宽度、高斯函数中心点、神经网络隐含层到输出层的权值、神经网络输出层偏置；

根据不同时刻的人工化验的真实的矿浆密度ρ(t)和对应的线性模型估计值

通过下式得到不同时刻的矿浆非线性部分的离线实际偏差值Δρ(t)，即：

通过公式(10)得到的离线数据，采用交叉验证、梯度下降的方法进行确定公式(9)的H，σ，C_j，ω_j，b的参数。

可选地，所述步骤S4包括：

基于公式(5)和(9)，根据公式(3)获取估计的矿浆密度为：

可选地，所述步骤S5包括：

S50、基于人工化验的某一时刻t的矿浆密度ρ(t)，以及与模型相关的矿浆差压信号和流量信号的离线历史数据；

S51、根据离线或者在线更新后得到的线性模型参数，作为再次更新的线性模型参数

S52、通过

参数和

获得与

相对应的导师信号

S53、基于导师信号

和公式(11)，采用梯度下降方法，更新径向基神经网络的σ，C_j，ω_j，b的参数，得到更新后的矿浆浓度非线性部分的估计值

S54、用导师信号

公式(8)和公式(9)，采用递推最小二乘算法估计线性模型参数

S55、通过公式(11)得到估计的矿浆密度；

S56、根据矿石的真密度δ和密度-浓度转换公式

计算得到当前时刻矿浆浓度的估计值。

可选地，其中步骤S53中的更新矿浆密度模型的参数是在线方式获取的。

另一方面，本发明还提供一种矿浆浓度的软测量装置，包括：存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项的方法步骤。

(三)有益效果

本发明的有益效果是：可以提高差压浓度计在选矿环境的适应性，能有效地提高矿浆浓度检测的精确度。

附图说明

图1为本发明提供的一种矿浆浓度的软测量方法的框架示意图；

图2为本发明的方法和实际的浓度化验值的比较示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

基于模型和数据驱动的软测量技术已经在工业软测量领域有着举足轻重的作用。因此本发明是采用基于选矿厂垂直管道中矿浆的差压信号和流量信号的历史数据，采用贝叶斯信息准则、互信息特征选择方法、在线交叉辨识方法对选矿厂的矿浆浓度进行在线实时测量。

在本实施例中，如图1所示，实现步骤如下：

第一步：首先采用理论建模技术分析出矿浆浓度的数学基本模型，即：线性部分模型和非线性部分模型。在矿浆实际流动的过程中，主要考虑矿浆管道的沿程水头损失。沿程水头损失是沿流动流程上单位重力的流体因与管壁发生摩擦(摩擦阻力)，以及流体之间的内摩擦而损失的能量，以H_f表示。由于矿浆流动的复杂性，不同材料的管，其管壁粗糙度又各不相同，所以矿浆流动的沿程阻力系数H_f值还不能从理论上来求得，只能根据对实验测得的数据进行整理归纳，建立经验公式。例如：

λ＝f(Re,Δ/d) (2a)

式中，Δ为绝对粗糙度，Δ/d为相对粗糙度，d为管径，v为矿浆平均流速，l为管道长度，g为当地重力加速度。

由于雷诺数

与流体的粘性ν，管径d，平均流速v有关，以及通过对流体的层流和紊流过程的分析以及考虑流速v与流量F有关系，故沿程水头损失H_f可以表示为关于流体的粘性μ，管径d，流量F和绝对粗糙度Δ的f₁函数，即

H_f＝f₁(μ,F,d,Δ) (3a)

因此，当前时刻t时，管道中流体两点间的压差ΔP(t)可以由下式表示：

ΔP(t)＝ρ(t)gH-H_f(t) (4a)

由上式，矿浆密度辨识模型为，

式中，

为线性部分信息即线性部分模型，

为非线性部分信息即非线性部分模型。

在图1所示实施例中，由于矿浆在管道中的差压信号Δp(t)和流量信号F(t)是动态变化的，设差压传感器和流量传感器的采样周期为k秒。故以当前时刻t为基准，二者的历史数据时刻为t-k、t-2k、t-3k等，为了表述简单，设k为单位1。故差压信号和流量信号的历史数据时刻表示为t-1、t-2、t-3等。

第二步：根据式(5a)得到的矿浆密度数学模型，线性部分ρ₀(t)与矿浆差压信号ΔP(t)的历史数据有关系。为此，本实施例中通过贝叶斯信息准则选择公式(5a)的线性部分有效的变量个数，即选取差压信号的历史数据阶次t-n_a0，则当前时刻t的矿浆密度线性部分表示为：

式中，

为矿浆密度的待辨识的线性参数即线性部分有效的变量个数。

设

因此

式(7a)可以通过递推最小二乘方法对线性参数进行在线辨识，具体实现公式如下：

式中，ρ₀(t)为矿浆密度线性模型估计偏差值，I为单位矩阵，

N为矿浆差压信号的离线数据组。

第三步：根据式(5a)得到的矿浆密度数学模型，非线性部分Δρ与矿浆的流速和压力的历史数据有关系。为此，本实施例中，采用互信息方法选择非线性部分有效的变量个数，首先，选取差压信号和矿浆流量信号历史数据的阶次，即为t-n_a1和t-n_b1。因此当前时刻t的矿浆密度非线性部分估计值

的非线性函数f表示为：

式(10a)可以通过径向基神经网络对

在线估计，具体实现公式如下：

式中，H，σ，C_j，ω_j，b分别为径向基神经网络的隐含层节点个数、高斯函数宽度、高斯函数中心点、神经网络隐含层到输出层的权值、神经网络输出层偏置。

第四步：根据不同时刻的人工化验的真实的矿浆密度ρ(t)和对应的线性模型估计值

通过下式(12a)得到不同时刻的矿浆非线性部分的离线实际偏差值Δρ(t)，即：

通过式(12a)得到的数据，采用交叉验证、梯度下降的方法进行确定式(11a)的σ，C_j，ω_j，b的参数。

根据式(7a)和式(11a)估计值，故当前时刻的矿浆密度为：

第五步：然后通过交替辨识算法，在线实时更新式(7a)的线性模型参数和式(11a)的σ，C_j，ω_j，b参数，实时估计矿浆密度

通过密度-浓度转换公式，得到矿浆浓度的估计值，具体步骤如下：

A1)根据离线或者在线更新后得到的线性模型参数，作为再次更新的线性模型参数

A2)通过

参数和

获得与

相对应的导师信号

A3)用导师信号

和式(11)，采用梯度下降方法，在线更新径向基神经网络的σ，C_j，ω_j，b的参数，得到更新后的矿浆浓度非线性部分的估计值

A4)用导师信号

式(8)和式(9)，采用递推最小二乘算法估计线性模型参数

A5)通过式(13a)得到估计的矿浆密度。

A6)根据矿石的真密度δ和密度-浓度转换公式

计算得到矿浆浓度的估计值。

实验例

某选矿厂的矿浆浓度离线数据为500组，在线数据为100组，线性模型变量个数n_a0为6，非线性部分的差压信号和矿浆流量信号历史数据的阶次n_a1、n_b1分别为4和5，径向基神经网络的隐含层个数H为10。图2为矿浆浓度的在线估计值和人工实际的浓度化验值比较图，X轴：样本数，Y轴：矿浆浓度值，单位是％。结果表明本发明方法，矿浆浓度测量误差小，具有很好的矿浆浓度测量性能，可以应用于实际的选矿厂的矿浆浓度检测。

在具体实现过程中，本实施例的方法均是在计算机上通过计算机程序自动实现的。例如，本实施例还提供一种矿浆浓度的软测量装置，其包括：存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意实施例的方法步骤。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

最后应说明的是：以上所述的各实施例仅用于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，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种矿浆浓度的软测量方法，其特征在于，包括：

S1、基于矿浆管道信息，建立矿浆密度辨识模型；所述矿浆密度辨识模型包括线性部分模型和非线性部分模型；

S2、基于矿浆差压信号的历史数据，采用贝叶斯信息准则从所述线性部分模型中选择线性部分变量个数，采用递推最小二乘法对线性部分模型进行辨识，得到线性部分的估计模型；

S3、基于矿浆差压和流量信号的历史数据，采用互信息方法从所述非线性部分模型中选择非线性部分变量个数，采用径向基神经网络对非线性部分模型进行辨识，得到非线性部分的估计模型；

S4、根据所述线性部分的估计模型和非线性部分的估计模型，基于所述矿浆密度辨识模型，获取估计的矿浆密度；

S5、基于所述估计的矿浆密度，根据选矿厂的实际矿浆密度，在线更新所述线性部分和非线性部分的估计模型的参数，再依据原矿石的真密度，获取选矿厂的矿浆浓度的估计值。

2.根据权利要求1所述的方法，其特征在于，

若矿浆管道中差压传感器和流量传感器采样周期为k秒，以当前时刻t为基准，矿浆流量信号的历史数据为：t-k、t-2k、……、t-nk时刻流量传感器采样得到采样信号；

矿浆差压信号的历史数据为：t-k、t-2k、……、t-nk时刻差压传感器采样得到采样信号；

和/或，

设k为单位1，历史数据时刻表示为t-1、t-2、……t-n。

3.根据权利要求2所述的方法，其特征在于，所述步骤S1包括：

获取当前时刻t，沿程水头损失H_f(t)，

获取管道中，流体两点间的差压ΔP(t)，ΔP(t)＝ρ(t)gH-H_f(t) 公式(2)

根据公式(1)和公式(2)，建立矿浆密度ρ(t)辨识模型；

矿浆密度辨识模型为：

其中，

为线性部分模型，

为非线性部分模型；λ＝f(Re,Δ/d)，Re为流体雷诺数，Δ为绝对粗糙度，Δ/d为相对粗糙度，d为管径，v(t)为矿浆平均流速，l为管道长度，g为当地重力加速度。

4.根据权利要求2所述的方法，其特征在于，所述步骤S2包括：

选取t-n_a0时刻到某一时刻t的矿浆差压信号ΔP(t)的历史数据；

依据选取的历史数据，矿浆密度线性部分模型的估计值

表示为：

其中，

为矿浆密度的待辨识的线性部分模型的参数即变量个数；

设

因此，公式(4)转换为：

通过递推最小二乘法对公式(5)的参数进行在线辨识，如公式(6)：

其中，ρ₀(t)为矿浆密度线性部分模型的估计偏差值，I为单位矩阵，

N为矿浆差压信号的离线数据组。

5.根据权利要求3所述的方法，其特征在于，所述步骤S3包括：

选取t-n_a1时刻到某一时刻t的矿浆差压信号ΔP(t)的历史数据，以及选取t-n_b1时刻到某一时刻t的矿浆流量信号F(t)的历史数据；

依据选取的ΔP(t)和F(t)历史数据，获取的矿浆密度非线性部分模型的估计值

的非线性函数f表示为：

通过径向基神经网络对公式(8)的

进行估计，得到非线性部分的估计模型，如公式(9)：

其中，H，σ，C_j，∈_j，b分别为径向基神经网络的隐含层节点个数、高斯函数宽度、高斯函数中心点、神经网络隐含层到输出层的权值、神经网络输出层偏置；

根据不同时刻的人工化验的真实的矿浆密度ρ(t)和对应的线性模型估计值

通过下式得到不同时刻的矿浆非线性部分的离线实际偏差值Δρ(t)，即：

通过公式(10)得到的离线数据，采用交叉验证、梯度下降的方法进行确定公式(9)的H，σ，C_j，ω_j，b的参数。

6.根据权利要求5所述的方法，其特征在于，所述步骤S4包括：

基于公式(5)和(9)，根据公式(3)获取估计的矿浆密度为：

7.根据权利要求6所述的方法，其特征在于，所述步骤S5包括：

S50、基于人工化验的某一时刻t的矿浆密度ρ(t)，以及与模型相关的矿浆差压信号和流量信号的离线历史数据；

S51、根据离线或者在线更新后得到的线性模型参数，作为再次更新的线性模型参数

S52、通过

参数和

获得与

相对应的导师信号

S53、基于导师信号

和公式(11)，采用梯度下降方法，更新径向基神经网络的σ，C_j，ω_j，b的参数，得到更新后的矿浆浓度非线性部分的估计值

S54、用导师信号

公式(8)和公式(9)，采用递推最小二乘算法估计线性模型参数

S55、通过公式(11)得到估计的矿浆密度；

S56、根据矿石的真密度δ和密度-浓度转换公式

计算得到当前时刻矿浆浓度的估计值。

8.根据权利要求6所述的方法，其特征在于，其中步骤S53中的更新矿浆密度模型的参数是在线方式获取的。

9.一种矿浆浓度的软测量装置，其特征在于，包括：存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-8任意一项的步骤。

Images