CN110362044B - 一种铜矿浮选装置的石灰石添加量预测控制系统及方法 - Google Patents
一种铜矿浮选装置的石灰石添加量预测控制系统及方法 Download PDFInfo
- Publication number
- CN110362044B CN110362044B CN201910474491.6A CN201910474491A CN110362044B CN 110362044 B CN110362044 B CN 110362044B CN 201910474491 A CN201910474491 A CN 201910474491A CN 110362044 B CN110362044 B CN 110362044B
- Authority
- CN
- China
- Prior art keywords
- addition amount
- limestone
- copper ore
- ore flotation
- production data
- 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.)
- Active
Links
- 235000019738 Limestone Nutrition 0.000 title claims abstract description 115
- 239000006028 limestone Substances 0.000 title claims abstract description 115
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 109
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 109
- 239000010949 copper Substances 0.000 title claims abstract description 109
- 238000005188 flotation Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 claims abstract description 93
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 25
- 238000005303 weighing Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000011958 production data acquisition Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 101100161752 Mus musculus Acot11 gene Proteins 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 24
- 239000006260 foam Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 238000007906 compression Methods 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005456 ore beneficiation Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
- B03D1/00—Flotation
- B03D1/14—Flotation machines
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biotechnology (AREA)
- Feedback Control In General (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明提出一种铜矿浮选装置的石灰石添加量预测控制系统及方法，其中，系统基于采集模块、预测控制模块、添加量控制模块的相互配合，实现了铜矿浮选装置的石灰石添加量的自动化、实时化、智能化控制，解决了传统的铜矿浮选过程中由人工操作确定石灰石添加量带来的生产操作调整滞后、生产波动大、产品质量稳定性差的问题，并极大的提高了铜矿浮选过程的操作效率。
Description
技术领域
本发明涉及铜矿浮选技术领域，具体涉及一种铜矿浮选装置的石灰石添加量预测控制系统及方法。
背景技术
浮选法是铜矿选矿工艺中应用最为普遍的工艺，铜矿浮选过程主要是在铜矿浮选装置内进行，该装置有四个区域即：混合区、运输区、分离区、泡沫区，用于分离矿浆的硫和铜，使矿物一步一步得到富集，保证泡沫层中的矿物不致脱落，泡沫能顺利地流入泡沫槽内。
铜矿浮选过程是一个液态、固态、气态三相物质混合的复杂过程，其运行机理复杂，影响过程的因素较多。因此，须对铜矿浮选过程的重要工艺参数进行实时的检测，以便随时判断铜矿浮选工艺过程中各变量的变化情况，进行合理的调节和控制，保持各控制变量参数稳定在合理范围内，从而控制铜矿浮选过程在预定操作条件下正常进行。
石灰石对铜矿浮选过程的影响主要表现在对浮选泡沫性质的影响。当石灰石用量适当时，浮选泡沫可以保持一定的黏度和稳定性，而当石灰石严重过量时，会促使微细粒凝结于泡沫中，使泡沫黏结膨胀，甚至跑槽，从而影响铜精矿品位。传统的铜矿浮选生产操作，通常依据操作工肉眼观察泡沫的颜色、亮度、大小、流动速度，并结合操作工个人的经验积累，对铜矿浮选的生产状况作出判断，进而调整石灰石添加量。而这种传统的操作模式由于人工经验的差异性、发散性以及非实时性，往往导致生产操作的滞后调整，进而造成生产波动大、产品质量稳定性差等后果。
为解决上述问题，实现铜矿浮选装置的石灰石添加量的自动及稳定预测，本发明提出一种铜矿浮选装置的石灰石添加量预测控制系统及方法。
发明内容
针对现有技术的上述不足，本发明提供一种铜矿浮选装置的石灰石添加量预测控制系统及方法，以解决上述技术问题。
第一方面，本发明提供一种铜矿浮选装置的石灰石添加量预测控制系统，包括采集模块、预测控制模块、添加量控制模块；
所述采集模块，用于获取铜矿浮选装置DCS系统的多组历史生产数据以及实时生产数据，并将所述多组历史生产数据及实时生产数据发送至预测控制模块；
所述预测控制模块，用于依据采集模块发送的多组历史生产数据以及实时生产数据对铜矿浮选装置的石灰石添加量进行预测，并依据预测结果生成控制命令，并将控制命令发送至添加量控制模块；
所述添加量控制模块，用于依据预测控制模块发送的控制命令，控制石灰石添加量，使铜矿浮选装置的石灰石添加量处于合理范围内。
进一步的，所述采集模块包括DCS系统生产数据采集单元、现场采集单元；所述DCS系统生产数据采集单元，用于获取铜矿浮选装置DCS系统的多组历史生产数据以及实时生产数据；
所述现场采集单元包括称重传感器、流量传感器、图像传感器、PH数字传感器，
所述称重传感器用于采集铜矿浮选装置的给矿总量、石灰石添加总量，
所述流量传感器用于采集铜矿浮选装置的空气充气量的设定值，
所述图像传感器用于采集铜矿浮选装置中的大泡面积、中泡面积，
所述PH数字传感器用于采集铜矿浮选装置中的矿浆PH值。
进一步的，所述预测控制模块包括主控单元、初始化单元、通信单元、FLASH与SRAM单元、JTAG调试单元；
所述主控单元，用于协调各单元的运行，以及用于依据采集模块发送的多组历史生产数据训练得到GRNN神经网络石灰石添加量预测控制模型，并将实时生产数据输入GRNN神经网络石灰石添加量预测控制模型，得到铜矿浮选装置的石灰石添加量的预测结果，并依据预测结果生成控制命令；
所述初始化单元，用于加载初始化驱动程序，对所述石灰石添加量预测控制系统的硬件及软件执行初始化操作；
所述通信单元，用于接收采集模块发送的多组历史生产数据及实时生产数据并传输至主控单元，以及用于向添加量控制模块发送主控单元生成的控制命令；
所述FLASH与SRAM单元，用于存储系统初始化程序、系统所需数据；
所述JTAG调试单元，用于通过JTAG接口访问主控单元的内部寄存器，对主控单元及其外围设备进行调试。
进一步的，所述预测控制模块还包括显示单元；
所述显示单元，用于获取主控单元得到铜矿浮选装置的石灰石添加量的预测结果，并实时显示。
第二方面，本发明提供一种铜矿浮选装置的石灰石添加量预测控制方法，所述方法包括：
SS1、获取并存储铜矿浮选装置DCS系统的多组历史生产数据；
SS2、用K-means聚类算法从所述多组历史生产数据中选取多组优秀生产数据；
SS3、用NNG算法对所述多组优秀生产数据进行处理，获得GRNN神经网络石灰石添加量预测控制模型的训练数据集；
SS4、依据所述训练数据集，训练并修正获得GRNN神经网络石灰石添加量预测控制模型；
SS5、获取铜矿浮选装置DCS系统的实时生产数据，并将所述实时生产数据输入GRNN神经网络石灰石添加量预测控制模型，得到铜矿浮选装置中石灰石添加量的预测结果；
SS6、依据所述预测结果控制铜矿浮选装置中的石灰石添加量，从而使得铜矿浮选装置的石灰石添加量处于合理范围内。
进一步的，所述步骤SS2具体包括：
SS201、在所述多组历史数据中选取2个初始聚类中心，所述2个初始聚类中心分别为优秀历史数据点、不良历史数据点；
SS202、将所述多组历史数据依据最近邻规则分组，分别划分至优秀历史数据点所在的类簇、不良历史数据点所在的类簇；
SS203、重新调整优秀历史数据点所在的类簇、不良历史数据点所在的类簇的聚类中心，直至聚类中心不再发生变化；
SS204、选取优秀历史数据点所在类簇的生产数据作为优秀生产数据。
进一步的，所述步骤SS3具体包括：
SS301、获取所述多组优秀生产数据中的输入变量作为当前输入变量池x＝{x1，x2，...，xk)，获取所述多组优秀生产数据中的石灰石添加量作为当前输出变量y；
SS302、利用最小二乘法得到最小二乘法的系数估计为
SS303、确定NNG算法参数s的取值范围；
SS304、利用V折交叉检验法确定最佳的NNG算法参数s的值；
SS305、利用公式
确定最终的惩罚参数
的值
SS306、将
作为新的预测系数，从而得到y的预测值
SS307、经过NNG算法压缩系数后得到的辅助变量为xq，以此q个变量作为输入变量，以石灰石的添加量作为输出变量，共同构成GRNN神经网络石灰石添加量预测控制模型的训练数据集。
进一步的，所述步骤SS4中的GRNN神经网络石灰石添加量预测控制模型具体包括输入层、模式层、求和层、输出层；
所述输入层神经元的数量与输入变量的维数相等，每个神经元均为简单的分布单元，将输入变量传递给模式层；
所述模式层的神经元数目等于训练数据集的样本数，并将高斯函数作为传递函数；
所述求和层的神经元包括第一类神经元、第二类神经元，所述第一类神经元用于对所有模式层的神经元的输出进行算数求和，第二类神经元用于对所有模式层的神经元的输出进行加权求和；
所述输出层神经元的数目等于训练数据集中输出变量的维数。
本发明的有益效果在于，
第一方面，本发明提出的铜矿浮选装置的石灰石添加量预测控制系统基于采集模块、预测控制模块、添加量控制模块的相互配合，实现了铜矿浮选装置的石灰石添加量的自动化、实时化、智能化控制，解决了传统的铜矿浮选过程中由人工操作确定石灰石添加量带来的生产操作调整滞后、生产波动大、产品质量稳定性差的问题，并极大的提高了铜矿浮选过程的操作效率。
第二方面，本发明提出的铜矿浮选装置的石灰石添加量预测控制方法，基于NNG-GRNN算法实现，该算法以贝叶斯准则作为模型的评价标准，以v-fold交叉验证法来确定最优的非负绞杀系数，该预测控制方法可用于铜矿浮选机装置的石灰石添加量的预测，从而实现铜矿浮选装置石灰石添加量的自动控制，提高了通过浮选过程中产品生产的稳定性以及生产效率。
此外，本发明设计原理可靠，具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
表1为铜矿浮选装置的可测输入变量表。
图1为根据一示例性实施例示出的铜矿浮选装置的石灰石添加量预测控制系统的结构示意图。
图2为根据一示例性实施例示出的采集模块中称重传感器的检测电路。
图3为根据一示例性实施例示出的采集模块中流量传感器的检测电路。
图4为根据一示例性实施例示出的采集模块中图像传感器的检测电路。
图5为根据一示例性实施例示出的预测控制模块的结构示意图。
图6为根据一示例性实施例示出的主控单元芯片最小系统及存储模块图。
图7为根据一示例性实施例示出的铜矿浮选装置的石灰石添加量预测控制方法流程示意图。
图8为根据一示例性实施例示出的GRNN神经网络石灰石添加量预测控制模型示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
为了使本技术领域的人员更好的理解本发明方案，下面结合附图和具体实施方式对本发明做进一步的详细说明。
浮选法是铜矿选矿工艺中应用最为普遍的工艺，铜矿浮选过程多在铜矿浮选装置内进行，该装置包括混合区、运输区、分离区、泡沫区四个区域，用于分离矿浆的硫和铜，使矿物一步一步得到富集，保证泡沫层中的矿物不致脱落，泡沫能顺利地流入泡沫槽内。
铜矿浮选过程涉及的主要参数变量包括如下述表1中记载的27个参数变量，本发明基于NNG-GRNN算法，依据铜矿浮选历史生产数据，筛选出辅助变量，依据辅助变量训练得到GRNN神经网络石灰石添加量预测控制模型，从而实现石灰石添加量的实时在线矫正。
表1铜矿浮选装置的可测输入变量表
图1为根据一示例性实施例示出的铜矿浮选装置的石灰石添加量预测控制系统的结构示意图，如图1所示的，石灰石添加量预测控制系统包括：采集模块10、预测控制模块20、添加量控制模块30；
采集模块10，用于获取铜矿浮选装置DCS系统的多组历史生产数据以及实时生产数据，并将所述多组历史生产数据及实时生产数据发送至预测控制模块；
预测控制模块20，用于依据采集模块发送的多组历史生产数据以及实时生产数据对铜矿浮选装置的石灰石添加量进行预测，并依据预测结果生成控制命令，并将控制命令发送至添加量控制模块；
添加量控制模块30，用于依据预测控制模块发送的控制命令，控制石灰石添加量，使铜矿浮选装置的石灰石添加量处于合理范围内。
对于图1所示的技术方案，需要特殊说明的是，上述石灰石添加量预测控制系统基于采集模块、预测控制模块、添加量控制模块的相互配合，实现了铜矿浮选装置的石灰石添加量的自动化、实时化、智能化控制，解决了传统的铜矿浮选过程中由人工操作确定石灰石添加量带来的生产操作调整滞后、生产波动大、产品质量稳定性差的问题，并极大的提高了铜矿浮选过程的操作效率。
对于图1所示的技术方案，其中的采集模块包括DCS系统生产数据采集单元、现场采集单元；
DCS系统生产数据采集单元，用于获取铜矿浮选装置DCS系统的多组历史生产数据以及实时生产数据；
现场采集单元包括称重传感器、流量传感器、图像传感器、PH数字传感器，
称重传感器用于采集铜矿浮选装置的给矿总量、石灰石添加总量，
流量传感器用于采集铜矿浮选装置的空气充气量的设定值，
图像传感器用于采集铜矿浮选装置中的大泡面积、中泡面积，
PH数字传感器用于采集铜矿浮选装置中的矿浆PH值。
需要特殊说明的是上述现场采集单元中的多个传感器为设置在铜矿浮选装置内部的传感器，上述多个传感器的采集结果传递至铜矿浮选装置DCS系统，并作为上述多组历史生产数据及实时生产数据中的一部分。
上述称重传感器选用CHH-1型板环式称重传感器，CHH-1板环式称重式传感器是利用电阻应变原理构成的一种高精度载荷传感器部件，弹性体采用板环式结构，它由4片电阻应变片计组成一全桥平衡电路。当传感器受到外力作用时，弹性体产生变形，电阻应变计阻值发生变化，使桥路失去平衡，在外界供桥电源作用下，电桥输出一不平衡直流电压信号，该信号的大小与传感器所受外力大小成正比，据此，可测定外载荷的大小。CHH-1型板环式称重传感器输出阻抗650Ω，输入阻抗650Ω，可工作的温度范围-10～+60℃，在各种工矿企业系统中作力的测量分析。本实施例中，采集模块选用的CHH-1型板环式称重传感器的检测电路如图2所示。
上述流量传感器选用SWINGWIRLⅡ电容式涡街流量传感器。WINGWIRLⅡ电容式涡街流量传感器是采用差动开关电容(DSC)作为检测元件来感测旋涡发生体产生的漩涡频率的一种器材，其优点是工作温度范围很宽，从-200℃～+400℃，抗振性能特别好。同时还具有以下特点:无可动件，测量范围可达40:1，压力损失小，测量准确度较高等。可用于测量封闭管道中气体、蒸汽和液体流量。本装置SWINGWIRLⅡ电容式涡街流量传感器所使用的公称通径为300mm，空气测量范围为1655m3/h～19330m3/h。本实施例中，采集模块选用的SWINGWIRLⅡ电容式涡街流量传感器的检测电路如图3所示。
上述图像传感器选用TCD142D-CCD图像传感器。TCD142D-CCD图像传感器是一种能进行光电转换存储信息及转换信息电荷功能的器件。PN结光敏二极管和CCD(电荷耦合器件)构成若干像素的一元光敏二极管阵列，物体通过光学镜头在这种阵列上形成实像。每个光敏元件(像素)呈现不同强度的弱电流，由扫描电路拾取图像信号，在经过处理可获得视频信号。TCD142D-CCD图像传感器可用于传真、图像扫描及光特性识别工业自动检测等多个领域，它具有寿命长、自扫描、高灵敏、低噪声、低消耗等优点，容易与计算机连接组成自动测量控制，有效像素数目1728，有效读取长度210mm。本实施例中，采集模块选用的TCD142D-CCD图像传感器的检测电路如图4所示。
上述PH数字传感器选用BPHDJT9501PH数字传感器。BPHDJT9501PH数字传感器可以直接接入到介质中，并且可以广泛用于化工、冶金、制药、环保水处理等各种复杂的工况环境。可测量的PH范围为0-14PH，可工作的温度范围为0～60℃，测量精度高，此传感器的防护等级为IP68，防水效果好。
图5为根据一示例性实施例示出的预测控制模块的结构示意图，如图5所示的，本实施例的预测控制模块包括主控单元201、初始化单元202、通信单元203、FLASH与SRAM单元204、JTAG调试单元205、显示单元206；
主控单元201，用于协调各单元的运行，以及用于依据采集模块发送的多组历史生产数据计算得到GRNN神经网络石灰石添加量预测控制模型，并将实时生产数据输入GRNN神经网络石灰石添加量预测控制模型，得到铜矿浮选装置的石灰石添加量的预测结果，并依据预测结果生成控制命令；
初始化单元202，用于加载初始化驱动程序，对所述石灰石添加量预测控制系统的硬件及软件执行初始化操作；
通信单元203，用于接收采集模块发送的多组历史生产数据及实时生产数据并传输至主控单元，以及用于向添加量控制模块发送主控单元生成的控制命令；
FLASH与SRAM单元204,用于存储系统初始化程序、系统所需数据；
JTAG调试单元205，用于通过JTAG接口访问主控单元的内部寄存器，对主控单元及其外围设备进行调试。
显示单元206，用于获取主控单元得到铜矿浮选装置的石灰石添加量的预测结果，并实时显示。
上述主控单元选用LPC2106作为主控芯片，该芯片是基于ARM7TDMI-S内核的处理器，具有实时仿真和嵌入式跟踪支持，以及128kb的嵌入式高速闪存等功能。128位宽内存接口和独特的加速器体系结构使32位代码能够以最高时钟速率执行，SP3232芯片用于串行口的电平变换，实现控制器与通信接口之间的通信。本实施例中主控单元选用的LPC2106芯片最小系统及存储模块图如图6所示。
本发明实施例提供的铜矿浮选装置的石灰石添加量预测控制系统，基于NNG-GRNN算法，依据历史生产数据筛选出辅助变量，并依据辅助变量训练得到GRNN神经网络石灰石添加量预测控制模型。本实施例系统中的，预测控制模块通过将实时生产数据输入GRNN神经网络石灰石添加量预测控制模型，从而得到铜矿浮选装置的石灰石添加量的预测结果，从而实现石灰石添加量的实时自动控制。
基于与前述实施例相同的发明构思，本发明实施例还提出一种铜矿浮选装置的石灰石添加量预测控制方法，如图7所示的，方法包括：
SS1、获取并存储铜矿浮选装置DCS系统的多组历史生产数据；
SS2、用K-means聚类算法从所述多组历史生产数据中选取多组优秀生产数据；
SS3、用NNG算法对所述多组优秀生产数据进行处理，获得GRNN神经网络石灰石添加量预测控制模型的训练数据集；
SS4、依据所述训练数据集，训练并修正获得GRNN神经网络石灰石添加量预测控制模型；
SS5、获取铜矿浮选装置DCS系统的实时生产数据，并将所述实时生产数据输入GRNN神经网络石灰石添加量预测控制模型，得到铜矿浮选装置中石灰石添加量的预测结果；
SS6、依据所述预测结果控制铜矿浮选装置中的石灰石添加量，从而使得铜矿浮选装置的石灰石添加量处于合理范围内。
针对图7所示的技术方案，需要特殊说明的是，本实施例提供的铜矿浮选装置的石灰石添加量预测控制方法通过K-means聚类算法筛选优秀生产数据，依据上述优秀生产数据，并基于NNG算法选取铜矿浮选过程中影响石灰石添加量的辅助变量，最后通过筛选的辅助变量训练得到GRNN神经网络石灰石添加量预测控制模型，通过GRNN神经网络石灰石添加量预测控制模型实现石灰石添加量的实时预测。本实施例中通过NNG算法选择辅助变量从而训练得到神经网络模型的方法能够提高神经网络模型的预测精度，提高石灰石添加量预测的精确度。
针对图7所示的技术方案，其中的步骤SS2具体包括：
SS201、在所述多组历史数据中选取2个初始聚类中心，所述2个初始聚类中心分别为优秀历史数据点、不良历史数据点；
SS202、将所述多组历史数据依据最近邻规则分组，分别划分至优秀历史数据点所在的类簇、不良历史数据点所在的类簇；
SS203、重新调整优秀历史数据点所在的类簇、不良历史数据点所在的类簇的聚类中心，直至聚类中心不再发生变化；
SS204、选取优秀历史数据点所在类簇的生产数据作为优秀生产数据。
需要具体说明的是，K-means聚类算法是一种基于划分的聚类分析算法，通过K-means聚类算法选取多组历史生产数据中的优秀生产数据有利于后续GRNN神经网络石灰石添加量预测控制模型建立的精确性。
针对图7所示的技术方案，其中的步骤SS3具体包括：
SS301、获取所述多组优秀生产数据中的输入变量作为当前输入变量池x＝{x1，x2，...，xk}，获取所述多组优秀生产数据中的石灰石添加量作为当前输出变量y；
SS302、利用最小二乘法得到最小二乘法的系数估计为
SS303、确定NNG算法参数s的取值范围；其中s为NNG算法关键参数，s的取值范围为0≤s≤k，当s＝0时，则所有变量将会删除，当s＝k时，则所有的变量被保留了下来，当0＜s＜k时，则对应的变量的系数
得到压缩；
SS304、利用V折交叉检验法确定最佳的NNG算法参数s的值；
SS305、利用公式
确定最终的惩罚参数
的值
具体的，若
则对应的变量xk对预测模型没有任何影响，从而xk就会被删除，若
则对应的变量无变化的保留下来，若
则说明相应的变量系数被压缩，通过减小s，使更多的
变为零，从而达到变量压缩的目的；
SS306、将
作为新的预测系数，从而得到y的预测值
SS307、经过NNG算法压缩系数后得到的辅助变量为xq，以此q个变量作为输入变量，以石灰石的添加量作为输出变量，共同构成GRNN神经网络石灰石添加量预测控制模型的训练数据集。
需要具体说明的是，NNG算法是一种稳定性好，又能对候选变量进行筛选和系数压缩的变量选择方法，它不仅可以压缩候选变量的个数，还可以压缩响应变量的系数。NNG算法系数压缩的实质就是在使用最优函数建模时，加入额外的惩罚函数。在约束条件
ck≥0，∑k cx≤s
下解式(1)
其中，
是最小二乘法的系数估计，并将
作为新的预测系数。
的大小取决于s，s被认为是额外加入的参数，NNG算法相比于传统的最小二乘法回归，拥有较小的预测误差。
还需要特殊说明的是，上述V折交叉检验法，具体是指把数据集平均分成v份，每次从v份数据集中拿出一份数据集作为验证集，剩下的v-1份数据集作为训练集，重复进行v次，最后平均v次的结果作为最后泛化误差的估计。通常v的取值为5到10时能得到较好的结果。
图8为根据一示例性实施例示出的GRNN神经网络石灰石添加量预测控制模型示意图，如图8所示的，上述实施例中步骤SS4中GRNN神经网络石灰石添加量预测控制模型具体包括输入层、模式层、求和层、输出层；
输入层神经元的数量与输入变量的维数相等，每个神经元均为简单的分布单元，将输入变量传递给模式层；
模式层的神经元数目等于训练数据集的样本数，并将高斯函数作为传递函数；
求和层的神经元包括第一类神经元、第二类神经元，所述第一类神经元用于对所有模式层的神经元的输出进行算数求和，第二类神经元用于对所有模式层的神经元的输出进行加权求和；
输出层神经元的数目等于训练数据集中输出变量的维数。
需要特殊说明的是，本发明提出的石灰石添加量预测控制模型是基于GRNN神经网络建立。GRNN神经网络是RBF神经网络(即径向基神经网络)的分支，是建立在径向基函数网络和非参数回归基础上的，常用于函数逼近。将输入向量由一定的函数运算，映射到隐含层中，在隐含层中确立中心点，确定映射关系，仅有线性映射传到输出空间。
本发明实施例提出的铜矿浮选装置的石灰石添加量预测控制方法基于NNG-GRNN算法实现。该算法以贝叶斯准则作为模型的评价标准，以v-fold交叉验证法来确定最优的非负绞杀系数，该预测控制方法可用于铜矿浮选机装置的石灰石添加量的预测，从而实现铜矿浮选装置石灰石添加量的自动控制。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种铜矿浮选装置的石灰石添加量预测控制系统，其特征在于，所述石灰石添加量预测控制系统包括采集模块、预测控制模块、添加量控制模块；
所述采集模块，用于获取铜矿浮选装置DCS系统的多组历史生产数据以及实时生产数据，并将所述多组历史生产数据及实时生产数据发送至预测控制模块；
所述预测控制模块，用于依据采集模块发送的多组历史生产数据以及实时生产数据对铜矿浮选装置的石灰石添加量进行预测，并依据预测结果生成控制命令，并将控制命令发送至添加量控制模块；
所述添加量控制模块，用于依据预测控制模块发送的控制命令，控制石灰石添加量，使铜矿浮选装置的石灰石添加量处于合理范围内；所述预测控制模块包括主控单元、初始化单元、通信单元、FLASH与SRAM单元、JTAG调试单元；
所述主控单元，用于协调各单元的运行，以及用于依据采集模块发送的多组历史生产数据训练得到GRNN神经网络石灰石添加量预测控制模型，并将实时生产数据输入GRNN神经网络石灰石添加量预测控制模型，得到铜矿浮选装置的石灰石添加量的预测结果，并依据预测结果生成控制命令；
所述初始化单元，用于加载初始化驱动程序，对所述石灰石添加量预测控制系统的硬件及软件执行初始化操作；
所述通信单元，用于接收采集模块发送的多组历史生产数据及实时生产数据并传输至主控单元，以及用于向添加量控制模块发送主控单元生成的控制命令；
所述FLASH与SRAM单元，用于存储系统初始化程序、系统所需数据；
所述JTAG调试单元，用于通过JTAG接口访问主控单元的内部寄存器，对主控单元及其外围设备进行调试。
2.根据权利要求1所述的铜矿浮选装置的石灰石添加量预测控制系统，其特征在于，所述采集模块包括DCS系统生产数据采集单元、现场采集单元；
所述DCS系统生产数据采集单元，用于获取铜矿浮选装置DCS系统的多组历史生产数据以及实时生产数据；
所述现场采集单元包括称重传感器、流量传感器、图像传感器、PH数字传感器，
所述称重传感器用于采集铜矿浮选装置的给矿总量、石灰石添加总量，
所述流量传感器用于采集铜矿浮选装置的空气充气量的设定值，
所述图像传感器用于采集铜矿浮选装置中的大泡面积、中泡面积，
所述PH数字传感器用于采集铜矿浮选装置中的矿浆PH值。
3.根据权利要求1所述的铜矿浮选装置的石灰石添加量预测控制系统，其特征在于，所述预测控制模块还包括显示单元；
所述显示单元，用于获取主控单元得到铜矿浮选装置的石灰石添加量的预测结果，并实时显示。
4.一种铜矿浮选装置的石灰石添加量预测控制方法，其特征在于，所述方法包括：
SS1、获取并存储铜矿浮选装置DCS系统的多组历史生产数据；
SS2、用K-means聚类算法从所述多组历史生产数据中选取多组优秀生产数据；
SS3、用NNG算法对所述多组优秀生产数据进行处理，获得GRNN神经网络石灰石添加量预测控制模型的训练数据集；
SS4、依据所述训练数据集，训练并修正获得GRNN神经网络石灰石添加量预测控制模型；
SS5、获取铜矿浮选装置DCS系统的实时生产数据，并将所述实时生产数据输入GRNN神经网络石灰石添加量预测控制模型，得到铜矿浮选装置中石灰石添加量的预测结果；
SS6、依据所述预测结果控制铜矿浮选装置中的石灰石添加量，从而使得铜矿浮选装置的石灰石添加量处于合理范围内。
5.根据权利要求4所述的铜矿浮选装置的石灰石添加量预测控制方法，其特征在于，所述步骤SS2具体包括：
SS201、在所述多组历史数据中选取2个初始聚类中心，所述2个初始聚类中心分别为优秀历史数据点、不良历史数据点；
SS202、将所述多组历史数据依据最近邻规则分组，分别划分至优秀历史数据点所在的类簇、不良历史数据点所在的类簇；
SS203、重新调整优秀历史数据点所在的类簇、不良历史数据点所在的类簇的聚类中心，直至聚类中心不再发生变化；
SS204、选取优秀历史数据点所在类簇的生产数据作为优秀生产数据。
6.根据权利要求4所述的铜矿浮选装置的石灰石添加量预测控制方法，其特征在于，所述步骤SS3具体包括：
SS301、获取所述多组优秀生产数据中的输入变量作为当前输入变量池
，获取所述多组优秀生产数据中的石灰石添加量作为当前输出变量
；
SS302、利用最小二乘法得到最小二乘法的系数估计为
；
SS303、确定NNG算法参数s的取值范围；
SS304、利用V折交叉检验法确定最佳的NNG算法参数s的值；
SS305、利用公式 
确定最终的惩罚参数
的值
；
SS306、将
作为新的预测系数，从而得到
的预测值
；
SS307、经过NNG算法压缩系数后得到的辅助变量为
，以此
个变量作为输入变量，以石灰石的添加量作为输出变量，共同构成GRNN神经网络石灰石添加量预测控制模型的训练数据集。
7.根据权利要求4所述的铜矿浮选装置的石灰石添加量预测控制方法，其特征在于，所述步骤SS4中的GRNN神经网络石灰石添加量预测控制模型具体包括输入层、模式层、求和层、输出层；
所述输入层神经元的数量与输入变量的维数相等，每个神经元均为简单的分布单元，将输入变量传递给模式层；
所述模式层的神经元数目等于训练数据集的样本数，并将高斯函数作为传递函数；
所述求和层的神经元包括第一类神经元、第二类神经元，所述第一类神经元用于对所有模式层的神经元的输出进行算数求和，第二类神经元用于对所有模式层的神经元的输出进行加权求和；
所述输出层神经元的数目等于训练数据集中输出变量的维数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910474491.6A CN110362044B (zh) | 2019-06-03 | 2019-06-03 | 一种铜矿浮选装置的石灰石添加量预测控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910474491.6A CN110362044B (zh) | 2019-06-03 | 2019-06-03 | 一种铜矿浮选装置的石灰石添加量预测控制系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110362044A CN110362044A (zh) | 2019-10-22 |
| CN110362044B true CN110362044B (zh) | 2022-09-06 |
Family
ID=68214980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910474491.6A Active CN110362044B (zh) | 2019-06-03 | 2019-06-03 | 一种铜矿浮选装置的石灰石添加量预测控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110362044B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111408480A (zh) * | 2020-03-20 | 2020-07-14 | 天津美腾科技股份有限公司 | 物料浮选方法、装置及电子设备 |
| CN113362903B (zh) * | 2021-06-02 | 2022-05-20 | 邯郸钢铁集团有限责任公司 | 一种大型转炉tsc阶段智能添加石灰的方法 |
| CN114383664A (zh) * | 2022-01-18 | 2022-04-22 | 北矿机电科技有限责任公司 | 一种浮选气泡负载自动测量系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
| CN201226006Y (zh) * | 2008-06-05 | 2009-04-22 | 华北电力大学 | 湿法脱硫系统中烟气速度、小液滴分布、浓度的测量仪 |
| CN106119458A (zh) * | 2016-06-21 | 2016-11-16 | 重庆科技学院 | 基于bp神经网络的转炉炼钢工艺成本控制方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MY141254A (en) * | 2003-01-24 | 2010-03-31 | Handy Chemicals Ltd | Sacrificial agents for fly ash concrete |
| CN103530653B (zh) * | 2013-10-28 | 2017-05-03 | 中国矿业大学(北京) | 一种浮选泡沫追踪方法及装置 |
| CN106731628A (zh) * | 2016-11-25 | 2017-05-31 | 昆明理工大学 | 一种改进型石灰石‑石灰烟气脱硫方法 |
| CN109420424A (zh) * | 2017-08-22 | 2019-03-05 | 邢台国泰发电有限责任公司 | 一种石灰石-石膏湿法烟气脱硫系统节能优化方法 |
-
2019
- 2019-06-03 CN CN201910474491.6A patent/CN110362044B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201226006Y (zh) * | 2008-06-05 | 2009-04-22 | 华北电力大学 | 湿法脱硫系统中烟气速度、小液滴分布、浓度的测量仪 |
| CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
| CN106119458A (zh) * | 2016-06-21 | 2016-11-16 | 重庆科技学院 | 基于bp神经网络的转炉炼钢工艺成本控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110362044A (zh) | 2019-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110362044B (zh) | 一种铜矿浮选装置的石灰石添加量预测控制系统及方法 | |
| CN109002862B (zh) | 一种面向铜矿浮选机的基于神经网络的软测量方法及系统 | |
| 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 | |
| Tang et al. | Vibration and acoustic frequency spectra for industrial process modeling using selective fusion multi-condition samples and multi-source features | |
| CN103743452B (zh) | 非接触式液位测量系统 | |
| CN103810497A (zh) | 一种基于忆阻器的图像识别系统及方法 | |
| CN106874935A (zh) | 基于多核函数自适应融合的支持向量机参数选择方法 | |
| CN102693452A (zh) | 基于半监督回归学习的多模型软测量方法 | |
| CN110400231B (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
| CN109002792B (zh) | 基于分层多模型度量学习的sar图像变化检测方法 | |
| CN101464172A (zh) | 电站锅炉煤粉浓度质量流量软测量方法 | |
| CN104680151B (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | |
| CN104318241A (zh) | 基于Self-tuning的局部密度谱聚类相似度量算法 | |
| CN116295752B (zh) | 用于smt上料设备的测试力度控制方法及系统 | |
| CN111461354A (zh) | 一种面向高维数据的机器学习集成分类方法及软件系统 | |
| Wang et al. | Features Extraction of Flotation Froth Images and BP Neural Network Soft‐Sensor Model of Concentrate Grade Optimized by Shuffled Cuckoo Searching Algorithm | |
| CN111753461A (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
| CN115600044A (zh) | 一种河流断面流量计算方法、装置、设备及存储介质 | |
| CN117974969A (zh) | 基于改进的YOLOv7草莓病叶检测识别方法 | |
| Labati et al. | Computational intelligence for industrial and environmental applications | |
| CN107437112B (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
| CN109034497A (zh) | 多晶硅还原工序能耗值的预测方法、系统、介质及设备 | |
| CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
| CN109816155A (zh) | 一种考虑温度因素的神经网络机器学习负荷预测方法 | |
| CN112001388B (zh) | 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501 Patentee after: Qilu University of Technology (Shandong Academy of Sciences) Country or region after: China Address before: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501 Patentee before: Qilu University of Technology Country or region before: China |