CN109829177A - 一种多工况环境下球磨机溢流粒度分布软测量方法 - Google Patents

Abstract

本发明属于磨矿粒度测量技术领域，具体是一种多工况环境下球磨机溢流粒度分布软测量方法。包括以下步骤，S100：建立软测量模型，获取球磨机磨矿浓度、料球比、介质填充率和物料负荷作为辅助变量；S200:建立多工况环境下球磨机磨矿溢流粒度概率分布的基函数表示模型；S300：求取多工况环境下球磨机磨矿溢流粒度分布的权值向量；S400：建立多工况环境下球磨机溢流粒度分布预测模型，对下一时刻的球磨机溢流粒度分布完成预测。本发明测得的粒度数据是矿料生产过程中的粒度分布信息，适用于多工况环境下球磨机溢流粒度分布的实时在线预测，速度快，误差小。另外，采用软测量的方式，无需机器运作，降低了成本，减少了能源的消耗。

Description

一种多工况环境下球磨机溢流粒度分布软测量方法

技术领域

本发明属于磨矿粒度测量技术领域，具体是一种多工况环境下球磨机溢流粒度分布软测量方法。

背景技术

磨矿作业是整个选矿生产工艺流程中最关键的环节,它起着承上启下的作用。而磨矿作业的质量指标主要是由磨矿粒度来衡量的，研磨不充分，粒度太大，生产出的矿料不满足要求；粒度太小，矿料成泥状，不利于回收，容易产生污染。由于磨矿过程中的干扰因素非常复杂，常呈非高斯分布，采用常规的测量方法很难对球磨机磨矿过程中的粒度信息作出预测。

传统的粒度测量，主要是粒级测量，筛分某一粒度的矿料，但无法体现粒度数据的整体信息，故提出了对粒度分布的测量，来表征磨矿粒度的整体特征。现有的粒度分析仪可以精准的完成粒度分布的测量，但这些仪器造价昂贵，在线使用时需要不断校准，很难完成对粒度分布的在线实时快速测量。

实际中，磨矿系统受矿石硬度、粒径变化和钢球磨损等因素的影响。我们除了要考虑粒度分布的测量方案外，还要重点研究工况变化对软测量造成模型失配的影响。因此，实现对多工况环境下球磨机溢流粒度分布的预测十分重要。

发明内容

本发明为了解决上述技术问题，提供一种多工况环境下球磨机溢流粒度分布软测量方法。

本发明采取以下技术方案：一种多工况环境下球磨机溢流粒度分布软测量方法，包括以下步骤，

S100：建立软测量模型，获取球磨机磨矿浓度、料球比、介质填充率和物料负荷作为辅助变量；

S200:建立多工况环境下球磨机磨矿溢流粒度概率分布的基函数表示模型；

S300：求取多工况环境下球磨机磨矿溢流粒度分布的权值向量；

S400：建立多工况环境下球磨机溢流粒度分布预测模型，对下一时刻的球磨机溢流粒度分布完成预测。

所述S100包括以下步骤，

S101：采集球磨机筒体和轴座的振动信号以及筒体的振声信号,在球磨机筒体布置振动传感器，同时布置轴座振动传感器，在筒体下方布置振声传感器，获取球磨机振动信号S_v，振声信号S_n；

S102：将球磨机磨矿浓度、料球比、介质填充率和物料负荷这些负荷参数定义为标签，则记已知标签工况下的数据为源域，未知标签工况下的数据为目标域；

对振动信号S_v和振声信号S_n进行FFT预处理得到源域数据X_s＝[x₁,x₂,x₃...x_n]和目标域数据X_t＝[x₁,x₂,x₃...x_m]，n,m是源域和目标域的样本数量；

S103：多工况下源域数据与目标域数据的联合分布适配，通过联合分布适配算法，将已知标签工况下的源域数据X_s和未知标签工况下的目标域数据X_t进行适配，适配后得到新的源域数据X′_s；

S104：神经网络建模，将新的源域数据X′_s作为神经网络的输入，输出球磨机磨矿浓度M_pd、料球比M_br、介质填充率M_fr和物料负荷M_L这些参数信息。

所述S200包括以下步骤，

S201：记各个工况下球磨机磨矿浓度M_pd、料球比M_br、矿料性质M_p，磨机转速M_s、磨矿粘度M_gv、介质填充率M_fr以及物料负荷M_L的数据集合为N为工况总数，则K时刻数据集合表示为利用激光分析仪获取同一工况下相应时刻的球磨机溢流粒度分布曲线，得出该工况下对应时刻下的球磨机溢流粒度分布P_i ^K(U_i)；

S202：S201所获得的球磨机溢流粒度分布P_i ^K(U_i)由公式1来表示：

y(k)是k时刻输出的磨矿溢流粒度，y(k)∈[a,b]，a，b是所要测得溢流粒度的范围。为y(k)对应的概率密度函数；

通过一种基函数表示为：

其中B_i(y)和w_i(U_i(K))分别为基函数及其对应的权值，n为基函数的个数，α是概率密度函数相应的约束条件，即磨矿浓度和料球比，e₀(y,U_i(K))是相应的误差项，球磨机磨矿粒度概率分布函数由基函数以及对应的权值表示。

所述S300包括以下步骤，

S301：选择RBF神经网络来逼近输出的溢流粒度分布数据，函数模型如下：

式中y表示采集到的粒度分布信息，n为神经网络节点总数，θ_i和σ_i分别表示第i个网络节点函数的中心值和宽度；

S302：根据RBF神经网络逼近原理，k时刻相应工况下输出磨矿粒度的概率密度分布函数的均方根可以表示为：

式中G(y)＝[D₁(y),D₂(Y),........D_n-1(y)]，

V(k)＝[W₁(k),W₂(k),......W_n-1(k)]^T，W_n(k)为第n个基函数对应的权值，

S303：k时刻相应工况下权值向量V(k)及其非线性函数g(V(k))可以表示为：

其中 为非奇异矩阵。

利用上式可以求得k时刻不同工况下球磨机磨矿粒度的概率密度函数各个基函数对应的权值向量V(k)。

所述S400包括以下步骤，

S401：选择输入量，将不同工况下球磨机粒度分布模型的权值V(k)定义为标签，与矿料性质M_p，磨机转速M_v、磨矿粘度M_gv、磨矿浓度M_pd、料球比M_br、介质填充率M_fr以及物料负荷M_L组合成m个训练样本X，

S402：记录已知工况粒度分布权值标签下的辅助变量分布数据作为源域X_si，待测工况粒度分布权值标签下的辅助变量分布数据作为目标域X_ti，基于联合分布适配算法，来适配源域数据X_si与目标域数据X_ti作为新的源域X′_si；

S403：利用随机权神经网络进行回归建模，其模型为：

其中，ω_j＝[ω_j1,ω_j2,…,ω_jm]^T为神经网络中输入数据X′_si的m个输入节点连接第j个隐含单元的输入权重，β_j＝[β_j1,β_j2,…,β_j(n-1)]^T为对应第j个隐含层连接输出节点的输出权重，b_j是第j个隐含单元的偏置，对模型进行训练，使得模型输出f_PDF(X)与实际输出V_i之间的误差最小，即有：

当存在β_j,w_j,b_j使得：

此时，上式可由矩阵表示为：

其中，

则建立多工况条件下球磨机磨矿溢流粒度概率分布密度函数的基函数权值向量与输入变量之间的关系为：

即可完成对下一时刻多工况条件下磨机溢流粒度概率密度函数的预测：

S404：将求出的概率密度函数代入式1中即可求得对应时刻的球磨机磨矿溢流粒度分布。

与现有技术相比，本发明测得的粒度数据是矿料生产过程中的粒度分布信息，适用于多工况环境下球磨机溢流粒度分布的实时在线预测，速度快，误差小。另外，采用软测量的方式，无需机器运作，降低了成本，减少了能源的消耗。

附图说明

图1是本发明的流程图；

图2是本发明的模块图；

图3是球磨机负荷参数软测量建模的流程图；

图4是球磨机磨矿溢流粒度分布软测量的建模流程图。

具体实施方式

如图1所示，一种多工况环境下球磨机溢流粒度分布软测量方法，包括以下步骤，

步骤S100：建立软测量模型，获取球磨机磨矿浓度、料球比、介质填充率和物料负荷作为辅助变量。

采集各个工况下球磨机磨矿浓度M_pd、料球比M_br、矿料性质M_p，磨机转速M_s、磨矿粘度M_gv、介质填充率M_fr以及物料负荷M_L这些参数作为辅助变量。其中，矿料性质M_p，磨机转速M_s、磨矿粘度M_gv这些过程变量容易测得，对于磨矿浓度M_pd、料球比M_br、介质填充率M_fr以及物料负荷M_L这些参数需要通过软测量建模进行采集，具体过程如下，如图3所示。

S101：采集球磨机筒体和轴座的振动信号以及筒体的振声信号，在球磨机筒体布置振动传感器，同时布置轴座振动传感器，在筒体下方布置振声传感器，获取球磨机振动信号S_v，振声信号S_n。

S102：将球磨机磨矿浓度、料球比、介质填充率和物料负荷这些负荷参数定义为标签，则记已知标签工况下的数据为源域，未知标签工况下的数据为目标域。对振动信号S_v和振声信号S_n进行FFT预处理得到源域数据X_s＝[x₁,x₂,x₃...x_n]和目标域数据X_t＝[x₁,x₂,x₃...x_m]，n,m是源域和目标域的样本数量。

S103：多工况下源域与目标域数据的联合分布适配，通过联合分布适配算法，将已知标签工况下的源域数据X_s和未知标签工况下的目标域数据X_t进行适配，适配后得到新的源域数据X′_s。

S104：神经网络建模，测得磨机磨矿浓度、料球比、介质填充率和物料负荷这些参数信息。将新的源域数据X′_s作为神经网络的输入，输出球磨机磨矿浓度M_pd、料球比M_br、介质填充率M_fr和物料负荷M_L这些参数信息。

步骤S200：建立多工况环境下球磨机磨矿溢流粒度概率分布的基函数表示模型。

记各个工况下球磨机磨矿浓度M_pd、料球比M_br、矿料性质M_p，磨机转速M_s、磨矿粘度M_gv、介质填充率M_fr以及物料负荷M_L的数据集合为N为工况总数，则K时刻数据集合表示为利用激光分析仪获取同一工况下相应时刻的球磨机溢流粒度分布曲线，得出该工况下对应时刻下的球磨机溢流粒度分布P_i ^K(U_i)。

S202：S201所获得的球磨机溢流粒度分布P_i ^K(U_i)可由公式(1)来表示：

y(k)是k时刻输出的磨矿溢流粒度，y(k)∈[a,b]，a,b是所要测得溢流粒度的范围。为y(k)对应的概率密度函数，与U_i(K)有关。

而可以通过一种基函数表示为：

其中B_i(y)和w_i(U_i(K))分别为基函数及其对应的权值，n为基函数的个数，α是概率密度函数相应的约束条件(磨矿浓度，料球比)，e₀(y,U_i(K))是相应的误差项。这样球磨机磨矿粒度概率分布函数就可以由基函数以及对应的权值表示。

步骤S300：求取多工况条件下球磨机磨矿溢流粒度分布的权值向量。

S301：本发明采用RBF神经网络作为基函数来逼近输出粒度的均方根，函数模型如下：

式中y表示采集到的粒度分布信息，n为神经网络节点总数，θ_i和σ_i分别表示第i个网络节点函数的中心值和宽度。

本发明给出初始的RBF基函数参数，结合实际输出PDF数据，通过式6可以获得初始的权值向量,并将此初始向量乘以相应的初始RBF基函数,便可获得近似的输出PDF。基于迭代学习控制原理，RBF基函数的中心值和宽度要根据上一迭代学习周期的逼近误差来调节,通过对RBF基函数参数的反复调节,最终使得将近似输出PDF与实际输出PDF之间误差最小。因此,所采用的性能指标主要考察近似输出PDF跟踪期望的输出PDF能力,用误差来迭代周期内的每一个采样点,采用如下性能指标：

K_l(i)表示第l个迭代周期后第i个采样时刻RBF神经网络近似输出概率密度分布函数的均方根与期望输出概率密度分布函数η(y)的均方根之间的逼近性能指标。

这样通过迭代学习不断逼近就可以得到基函数的中心值和宽度的参数信息。

S302：根据RBF神经网络逼近原理，k时刻相应工况下输出磨矿粒度的概率密度分布函数的均方根可以表示为：

式中G(y)＝[D₁(y),D₂(Y),........D_n-1(y)]，

V(k)＝[W₁(k),W₂(k),......W_n-1(k)]^T，W_n(k)为第n个基函数对应的权值。

S303：进一步，k时刻相应工况下的权值向量V(k)及其非线性函数g(V(k))可以表示为：

其中 为非奇异矩阵。

利用上式可以求得k时刻不同工况下球磨机磨矿粒度的概率密度函数各个基函数对应的权值向量V(k)。

步骤S400：建立多工况环境下球磨机溢流粒度分布预测模型。

S401：选择输入量，将不同工况下球磨机粒度分布模型的权值V(k)定义为标签，与矿料性质M_p，磨机转速M_v、磨矿粘度M_gv、磨矿浓度M_pd、料球比M_br、介质填充率M_fr以及物料负荷M_L组合成m个训练样本X，

S402：记录已知工况粒度分布权值标签下的辅助变量分布数据作为源域X_si，待测工况粒度分布权值标签下的辅助变量分布数据作为目标域X_ti。基于联合分布适配算法，来适配源域数据X_si与目标域数据X_ti作为新的源域X′_si。

S403：利用随机权神经网络进行回归建模，其模型为：

其中，ω_j＝[ω_j1,ω_j2,…,ω_jm]^T为m个输入节点连接第j个隐含单元的输入权重，β_j＝[β_j1,β_j2,…,β_j(n-1)]^T为第j个隐含层连接输出节点的输出权重，b_j是第j个隐含单元的偏置。对模型进行训练，使得模型输出f_PDF(X)与实际输出V_i之间的误差最小，即有：

当存在β_j,w_j,b_j使得：

此时，上式可由矩阵表示为：

其中，

则建立多工况条件下球磨机磨矿溢流粒度概率分布密度函数的基函数权值向量与输入变量之间的关系为：

即可完成对下一时刻多工况条件下磨机溢流粒度概率密度函数的预测：

最后，将求出的概率密度函数代入式1中即可求得对应时刻的球磨机磨矿溢流粒度分布。

Claims (5)

1.一种多工况环境下球磨机溢流粒度分布软测量方法，其特征在于：包括以下步骤，

S100：建立软测量模型，获取球磨机磨矿浓度、料球比、介质填充率和物料负荷作为辅助变量；

S200:建立多工况环境下球磨机磨矿溢流粒度概率分布的基函数表示模型；

S300：求取多工况环境下球磨机磨矿溢流粒度分布的权值向量；

S400：建立多工况环境下球磨机溢流粒度分布预测模型，对下一时刻的球磨机溢流粒度分布完成预测。

2.根据权利要求1所述的多工况环境下球磨机溢流粒度分布软测量方法，其特征在于：所述S100包括以下步骤，

S101：采集球磨机筒体和轴座的振动信号以及筒体的振声信号,在球磨机筒体布置振动传感器，同时布置轴座振动传感器，在筒体下方布置振声传感器，获取球磨机振动信号S_v，振声信号S_n；

S102：将球磨机磨矿浓度、料球比、介质填充率和物料负荷这些负荷参数定义为标签，则记已知标签工况下的数据为源域，未知标签工况下的数据为目标域；对振动信号S_v和振声信号S_n进行FFT预处理得到源域数据X_s＝[x₁,x₂,x₃...x_n]和目标域数据X_t＝[x₁,x₂,x₃...x_m]，n,m是源域和目标域的样本数量；

S103：多工况下源域数据与目标域数据的联合分布适配，通过联合分布适配算法，将已知标签工况下的源域数据X_s和未知标签工况下的目标域数据X_t进行适配，适配后得到新的源域数据X′_s；

S104：神经网络建模，将新的源域数据X′_s作为神经网络的输入，输出球磨机磨矿浓度M_pd、料球比M_br、介质填充率M_fr和物料负荷M_L这些参数信息。

3.根据权利要求2所述的多工况环境下球磨机溢流粒度分布软测量方法，其特征在于：所述S200包括以下步骤，

S201：记各个工况下球磨机磨矿浓度M_pd、料球比M_br、矿料性质M_p，磨机转速M_s、磨矿粘度M_gv、介质填充率M_fr以及物料负荷M_L的数据集合为i＝1,2......N,N为工况总数，则K时刻数据集合表示为利用激光分析仪获取同一工况下相应时刻的球磨机溢流粒度分布曲线，得出该工况下对应时刻下的球磨机溢流粒度分布P_i ^K(U_i)；

S202：S201所获得的球磨机溢流粒度分布P_i ^K(U_i)由公式1来表示：

y(k)是k时刻输出的磨矿溢流粒度，y(k)∈[a,b]，a，b是所要测得溢流粒度的范围，为y(k)对应的概率密度函数；通过一种基函数表示为：

其中B_i(y)和w_i(U_i(K))分别为基函数及其对应的权值，n为基函数的个数，α是概率密度函数相应的约束条件，即磨矿浓度和料球比，e₀(y,U_i(K))是相应的误差项，球磨机磨矿粒度概率分布函数由基函数以及对应的权值表示。

4.根据权利要求3所述的多工况环境下球磨机溢流粒度分布软测量方法，其特征在于：所述S300包括以下步骤，

S301：选择RBF神经网络来逼近输出的溢流粒度分布数据，函数模型如下：

式中y表示采集到的粒度分布信息，n为神经网络节点总数，θ_i和σ_i分别表示第i个网络节点函数的中心值和宽度；

S302：根据RBF神经网络逼近原理，k时刻相应工况下输出磨矿粒度的概率密度分布函数的均方根可以表示为：

式中G(y)＝[D₁(y),D₂(Y),........D_n-1(y)]，

V(k)＝[W₁(k),W₂(k),......W_n-1(k)]^T，W_n(k)为第n个基函数对应的权值，

S303：k时刻相应工况下权值向量V(k)及其非线性函数g(V(k))可以表示为：

其中

为非奇异矩阵，

利用上式可以求得k时刻不同工况下球磨机磨矿粒度的概率密度函数各个基函数对应的权值向量V(k)。

5.根据权利要求4所述的多工况环境下球磨机溢流粒度分布软测量方法，其特征在于：所述S400包括以下步骤，

S401：选择输入量，将不同工况下球磨机粒度分布模型的权值V(k)定义为标签，与矿料性质M_p，磨机转速M_v、磨矿粘度M_gv、磨矿浓度M_pd、料球比M_br、介质填充率M_fr以及物料负荷M_L组合成m个训练样本X，

S402：记录已知工况粒度分布权值标签下的辅助变量分布数据作为源域X_si，待测工况粒度分布权值标签下的辅助变量分布数据作为目标域X_ti，基于联合分布适配算法，来适配源域数据X_si与目标域数据X_ti作为新的源域X′_si；

S403：利用随机权神经网络进行回归建模，其模型为：

其中，ω_j＝[ω_j1,ω_j2,…,ω_jm]^T为神经网络中输入数据X′_si的m个输入节点连接第j个隐含单元的输入权重，β_j＝[β_j1,β_j2,…,β_j(n-1)]^T为对应第j个隐含层连接输出节点的输出权重，b_j是第j个隐含单元的偏置，对模型进行训练，使得模型输出f_PDF(X)与实际输出V_i之间的误差最小，即有：

当存在β_j,w_j,b_j使得：

此时，上式可由矩阵表示为：

其中，

则建立多工况条件下球磨机磨矿溢流粒度概率分布密度函数的基函数权值向量与输入变量之间的关系为：

即可完成对下一时刻多工况条件下磨机溢流粒度概率密度函数的预测：

S404：将求出的概率密度函数代入式1中即可求得对应时刻的球磨机磨矿溢流粒度分布。