CN110706757A - 预测选矿回水中残留絮凝剂浓度的方法 - Google Patents

Abstract

本发明公开了一种预测选矿回水中残留絮凝剂浓度的方法，包括如下步骤：1)选择对选矿回水中残留絮凝剂浓度有影响的L个参数作为影响因素，取n组具体值分别进行选矿絮凝试验，得到每组取值对应的回水中残留絮凝剂浓度C_F；2)建立影响因素矩阵，采用熵权法确定各影响因素的权重，根据权重剔除无关影响因素，余下m个特征影响因素；3)进行拟合，得到回水中残留絮凝剂浓度C_F与各特征影响因素的拟合函数；4)将与该选矿回水对应的各特征影响因素代入所述拟合函数中，即可计算得到某选矿回水中残留絮凝剂浓度C_F。该方法预测结果准确可靠，便于进行智能化控制。

Description

预测选矿回水中残留絮凝剂浓度的方法

技术领域

本发明涉及一种絮凝剂浓度测定方法，特别是指一种预测选矿回水中残留絮凝剂浓度的方法。

背景技术

在铁矿、煤矿等的选矿过程中，为提升沉降效果，常常需要加入絮凝剂——例如聚丙烯酰胺。为保证絮凝效果，絮凝剂一般添加过量，导致选矿回水(尾矿浆中的澄清水)中难免残留一定量的絮凝剂。出于充分利用选矿流程资源考虑，选矿回水会作为循环水进入下个选矿流程，而回水中残留的絮凝剂会对选矿流程工艺产生影响，及时了解和掌握回水中残留絮凝剂的浓度对工艺的调整有极大的帮助。由于选矿过程中加入的絮凝剂的量较小，因而回水中残留的絮凝剂浓度也较低。以磁铁矿为例，其选矿回水中残留絮凝剂浓度往往低至4.5mg/L以下。

对于聚丙烯酰胺浓度，现有的检测方法来源于石油领域，常用的有淀粉-碘化镉比色法、浊度法、化学发光定氮法、氨电极法等。由于石油领域聚丙烯酰胺浓度普遍较高，导致上述检测方法的检测下限都比较高，淀粉-碘化镉比色法的检测下限为4.5mg/L，浊度法的检测下限为10mg/L，化学发光定氮法的检测下限为5mg/L，氨电极法的检测下限为6mg/L。由此可见，上述检测方法的最低下限为4.5mg/L，在针对更低浓度的时候误差就会显著增加。这对选矿回水中测量聚丙烯酰胺浓度以及工业参数的调整有着不小的难度。

为降低聚丙烯酰胺浓度的检测下限，近年来逐步发展出采用气象色谱、液相色谱及二者与质谱联用的测定方法。这些方法显著降低了絮凝剂浓度的测量下限，但是对设备的要求较高，测量过程也比较繁琐，限制了其在选矿中的应用。

也有根据沉降效果反推絮凝剂浓度的测定方法，如中国专利文献CN110082267A公开的测定选矿回水中残留絮凝剂浓度的方法，包括如下步骤，S1、矿样烘干；S2、配制絮凝剂溶液；S3、絮凝剂沉降试验；S4、残留絮凝剂沉降试验；S5、绘制絮凝曲线；S6、计算选矿回水中絮凝剂残留量。该方法通过设计一组沉降实验来获得不同浓度絮凝剂的沉降效果，从而推算出任意浓度的矿区回水中絮凝剂残留量。

此外，上述方法也无法根据絮凝剂投加浓度、矿浆浓度和矿物颗粒细度等初始条件推算回水中残留的絮凝剂浓度，因此难以在生产中指导絮凝剂的投加量，也不利于实现絮凝剂投加量的智能化控制。

发明内容

本发明的目的在于提供一种预测选矿回水中残留絮凝剂浓度的方法，可实现矿浆回水中残留絮凝剂浓度的准确预测。

为实现上述目的，本发明所提供的预测选矿回水中残留絮凝剂浓度的方法，包括如下步骤：

1)选择对选矿回水中残留絮凝剂浓度有影响的L个参数作为影响因素，取n组具体值分别进行选矿絮凝试验，对在各组影响因素取值下回水中残留絮凝剂的浓度进行测定，得到每组取值对应的回水中残留絮凝剂浓度C_F，试验中保持各影响因素以外的条件完全相同；

2)建立影响因素矩阵，采用熵权法确定各影响因素的权重，根据权重剔除无关影响因素(即对回水中残留絮凝剂浓度无影响或影响可以忽略的影响因素)，余下的m个影响因素D₁，D₂，D₃，…，D_m作为选矿回水中残留絮凝剂浓度C_F的特征影响因素；

3)对步骤1)中试验得到的数据进行拟合，得到回水中残留絮凝剂浓度C_F与各特征影响因素D₁，D₂，D₃，…，D_m的拟合函数；

4)当需要对某选矿回水进行预测时，将与该选矿回水对应的各特征影响因素D₁，D₂，D₃，…，D_m代入所述拟合函数中，即可计算得到某选矿回水中残留絮凝剂浓度C_F。

优选地，所述步骤1)中，影响因素包括絮凝剂配置浓度(相对于矿浆的浓度)、矿浆浓度、矿物颗粒细度、回水放置时间(即絮凝剂在回水中的时间)和回水温度。

优选地，所述步骤2)中，采用熵权法剔除无关影响因素的步骤如下：

2.1)以回水中残留絮凝剂浓度C_F作为预估对象R，以L个影响因素作为评价指标，把L个评价指标看成是预估对象决策的L个目标函数；

2.2)用r_j表示第j个评价指标、ω_j表示第j个评价指标的权重，j＝1，2，…，L，则其指标矩阵为：

X＝{r₁,r₂,…,r_L}[ω₁,ω₂,…,ω_L]^T

2.3)构建n个预估对象，L个评估指标的判断矩阵R：

R＝(r_ij)_n×L，式中，n为选矿絮凝试验的总次数，r_ij表示第i个预估对象的第j个评价指标的取值，i＝1，2，…，n；

2.4)将判断矩阵R进行归一化处理，得到归一化的矩阵B，B的元素为：

式中：r_jmax、r_jmin分别为第j个评价指标下不同预估对象中最大值和最小值。

2.5)根据熵的定义，确定各评价指标的熵值：

式中：i＝1，2，…，n；j＝1，2，…，L；0≤H_j≤1；

当f_ij＝0时，lnf_ij无意义，此时需对f_ij加以修正，将其定义为：

2.6)利用熵值计算评估指标的熵权其中d_j＝1-H_j；

2.7)根据计算得到的各评估指标的熵权W_j，选择合适的限值，限值取决于单因素实验中各个指标与絮凝剂浓度的影响程度，从而剔除无关影响因素。所述限值优选为0.7，剔除W_j＞0.7的影响因素，保留W_j≤0.7的影响因素。

优选地，所述步骤3)中，基于贝叶斯理论模型进行数据分析，从而得到拟合函数。采用贝叶斯理论模型进行数据拟合的具体步骤如下：

3.1)将m个特征影响因素作为预测特征值，按照贝叶斯理论进行信息融合得到信息融合函数：

式中，C_F回水中絮凝剂浓度，m为特征影响因素的总数，j＝1,2，…，m，P(D_j|C_F)为第j项特征影响因素与回水中絮凝剂浓度的联合概率分布函数；

3.2)再根据最小错误率决策进行判断，得到回水中残留絮凝剂浓度与各预测特征值的拟合函数：

式中，m为特征影响因素的总数，j＝1,2，…，m。

优选地，所述步骤3.1)中，将步骤1)中选矿絮凝试验所得数据作为训练数据，将数据分为m个单一变量数组(每个特征影响因素一个数组)，在MATLAB中运用CURVE FITTING工具箱分别进行拟合，总结出它们的概率分布函数在代入到信息融合函数进行求解。

优选地，所述步骤1)中，选矿絮凝试验包括如下步骤：1.1)取矿样，按照矿物颗粒细度的取值调整颗粒细度，根据矿浆浓度的取值加适量水，搅拌均匀，得到矿浆；1.2)按照絮凝剂配置浓度的取值加入适量絮凝剂，搅拌均匀，调整除回水放置时间和前述影响因素以外的其他影响因素至选定值；1.3)按照回水放置时间的取值进行沉降后，取上清液并测量其中的絮凝剂浓度，即得到该组取值对应的回水中残留絮凝剂浓度C_F。

优选地，所述步骤1.3)中，选矿絮凝试验按照下述方法测定回水中残留絮凝剂的浓度：

S1、取矿样，烘干研磨后，均分为多份；

S2、取适量步骤1.3)中所述上清液，将其与一份矿样均匀混合后加入沉降瓶中，继续加上清液至沉降瓶零刻度线处，盖紧沉降瓶并摇晃t₁时间，停止摇晃匀速沉降过程中计时，t₂时间后记录澄清层刻度；

S3、称取不同重量的一系列絮凝剂，加适量水溶解后分别与一份矿样均匀混合，再分别转入沉降瓶中，加水至沉降瓶零刻度线处，按步骤S2进行一系列沉降试验，记录每一次沉降试验的澄清层刻度，根据记录的澄清层刻度，拟合出澄清层刻度随絮凝剂浓度的变化曲线；

S4、将步骤S2中的澄清层刻度代入步骤S3所述的变化曲线中，得到所述步骤1.3)中所得上清液的絮凝剂浓度。

上述测定回水中残留絮凝剂浓度的方法基于公开的中国专利文献CN110082267A，但作了一定修改，使其测量结果更为稳定可靠。该方法的基本思路是将选矿回水(即上清液)当作一定浓度的絮凝剂溶液，与一系列已知浓度的絮凝剂溶液的沉降效果(澄清层刻度)进行比较，由于在较低浓度时絮凝剂的沉降效果与其加入时的浓度正相关(浓度过高时沉降效果可能变差，但本发明所针对的选矿回水显然不存在这种情况)，故通过比较可以得出选矿回水中残留的絮凝剂浓度。与现有方法相比，该方法测试设备简单，测量结果可靠，同时检测下限可低至5mg/L以下。

优选地，所述步骤S3中，配置的絮凝剂溶液浓度应使步骤S2中上清液的絮凝剂浓度在其上下限范围内。

与现有技术相比，本发明的有益效果在于：1)本发明通过参数和数值方法确定选矿回水中残留的絮凝剂浓度，同时考虑絮凝剂配置浓度、矿浆浓度和矿物颗粒细度等多种因素的影响，预测结果准确可靠。2)相对于公开的中国专利文献CN110082267A中采用人工实验对比的方法更加真实可效，不需要再次实验，避免了人为干扰。3)采用多因素参数的方法，方面选矿厂实现动态监测和智能化控制。

附图说明

图1为在沉降试验中澄清层刻度与絮凝剂浓度的变化曲线。

图2为按照本发明方法计算得到的选矿回水中残留絮凝剂浓度与测量值的数据散点图，其中横坐标为表1中的项目序号，纵坐标为对应的絮凝剂浓度计算值和测量值。

具体实施方式

下面通过具体实施例对本发明作进一步的详细说明。

本实施例针对所某选矿厂磁铁矿选矿回水，提供了一种预测选矿回水中残留聚丙烯酰胺絮凝剂浓度的方法，其步骤如下：

1)选择影响因素

目前已知对选矿回水中残留絮凝剂浓度有影响的因素有絮凝剂配置浓度C_PAM、矿浆浓度C、矿物颗粒细度N(0.074mm以下粒度占比)、回水放置时间T和回水温度T_em(单位见表1)。

根据选矿中确定的等级从高往低或者从低往高选取30组影响因素具体值(见表1)，按如下步骤分别进行选矿絮凝试验：

1.1)取矿样，按照矿物颗粒细度的取值调整颗粒细度，根据矿浆浓度的取值加适量水，搅拌均匀，得到矿浆；

1.2)按照絮凝剂配置浓度的取值加入适量絮凝剂，搅拌均匀，调整除回水放置时间和前述影响因素以外的其他影响因素至选定值；

1.3)按照回水放置时间的取值进行沉降后，取上清液并按照下述步骤进行沉降试验，以测量其中的絮凝剂浓度，即回水中残留絮凝剂浓度C_F。

在实施例中共进行30组选矿絮凝试验，故需测量30份上清液中絮凝剂浓度，具体测量步骤如下：

S1、取矿样，烘干研磨后，称取38份，每份50g；

S2、对于每一份上清液，取一份矿样与其均匀混合后加入250mL沉降瓶中，继续加上清液至沉降瓶零刻度线处，盖紧沉降瓶并摇晃2min，停止摇晃后匀速沉降过程中计时，30s后记录澄清层刻度；

S3、称取絮凝剂，加水溶解并配置成一系列浓度(0.5、0.75、1、1.5、2、3、4、5mg/L)的絮凝剂标准溶液，对于每一浓度的絮凝剂标准溶液，取一份矿样加适量絮凝剂标准溶液，均匀混合后转入250mL沉降瓶中，继续加该絮凝剂标准溶液至沉降瓶零刻度线处，盖紧沉降瓶并摇晃2min，停止摇晃后静置沉降，30s后记录澄清层刻度；重复多次，记录加入每一浓度的絮凝剂标准溶液沉降后的澄清层刻度，根据记录的澄清层刻度，绘制出澄清层刻度随絮凝剂浓度的变化曲线并进行拟合，如图1所示；

S4、将步骤S2中的澄清层刻度代入步骤S3所述的变化曲线中，得到上清液的絮凝剂浓度。

按照上述步骤测定每一组影响因素取值所对应的回水中残留絮凝剂浓度C_F(表1中测定值)，结果列于表1。

表1 30组选矿絮凝试验参数及结果对照表

2)剔除无关因素

建立影响因素矩阵，采用熵权法确定各影响因素的权重，根据权重剔除无关影响因素；具体方法如下：

2.1)以回水中残留絮凝剂浓度C_F作为预估对象R，以L(此处L＝5)个影响因素作为评价指标，把L个评价指标看成是预估对象决策的L个目标函数；

2.2)用r_j表示第j个评价指标、ω_j表示第j个评价指标的权重，j＝1，2，…，L，则其指标矩阵为：

X＝{r₁,r₂,…,r_L}[ω₁,ω₂,…,ω_L]^T

2.3)构建n个预估对象，L个评估指标的判断矩阵R：

R＝(r_ij)_n×L，式中，n为选矿絮凝试验的总次数，即n＝30，r_ij表示第i个预估对象的第j个评价指标的取值，i＝1，2，…，n；

2.4)将判断矩阵R进行归一化处理，得到归一化的矩阵B，B的元素为：

式中：r_jmax、r_jmin分别为第j个评价指标下不同预估对象中最理想值和最不理想值，即越大越优或者越小越优。

2.5)根据熵的定义，确定各评价指标的熵值：

式中：i＝1，2，…，n；j＝1，2，…，L；0≤H_j≤1；

显然，当f_ij＝0时，lnf_ij无意义，因此需对f_ij加以修正(仅f_ij＝0时)，将其定义为：

2.6)利用熵值计算评估指标的熵权

其中d_j＝1-H_j；

2.7)根据计算得到的各评估指标的熵权W_j，结果见下表2：

表2 影响回水中残留絮凝剂浓度的熵权大小

选择限值为0.7，剔除W_j＞0.7的影响因素，即温度为无关影响因素；保留W_j≤0.7的影响因素，即絮凝剂配置浓度C_PAM、矿浆浓度C、矿物颗粒细度N、回水放置时间T为特征影响因素。

3)确定拟合函数

基于贝叶斯理论模型对步骤1)中试验得到的数据进行拟合，具体步骤如下：

3.1)将絮凝剂配置浓度C_PAM、矿浆浓度C、矿物颗粒细度N、回水放置时间T作为预测特征值，令C_F＝F_n，C_RAM＝X，C＝Y，N＝Z，T＝K。

按照贝叶斯理论进行信息融合得到信息融合函数：

式中，i＝1,2，…，n，n＝30，P(X_i|F_n)为聚丙烯酰胺配置浓度与残留聚丙烯酰胺浓度的联合概率分布函数，P(Y_i|F_n)为矿浆浓度与残留聚丙烯酰胺浓度的联合概率分布函数，P(Z_i|F_n)为矿物颗粒细度与残留聚丙烯酰胺浓度的联合概率分布函数，P(K_i|F_n)为回水放置时间与残留聚丙烯酰胺浓度的联合概率分布函数；

3.2)以表1中的30组数据作为训练数据，将各预测特征值分别看作一个单一变量数组，在MATLAB中运用CURVE FITTING工具箱分别进行拟合，总结出它们的概率分布函数代入前述信息融合函数中，再根据最小错误率决策进行判断，得到回水中残留絮凝剂浓度与各预测特征值的拟合函数：

F_n＝arg max P(X_i|F_n)P(Y_i|F_n)P(Z_i|F_n)P(K_i|F_n)P(F_n)。

式中，m为特征影响因素的总数，j＝1,2，…，m。

4)选矿实际应用

当需要对选矿回水进行预测时，将与该选矿回水对应的各特征影响因素絮凝剂配置浓度C_PAM、矿浆浓度C、矿物颗粒细度N、回水放置时间T代入步骤3)所得拟合函数中，即可计算得到某选矿回水中残留絮凝剂浓度C_F。

为便于比较，我们计算了表1中各组影响因素条件下回水中残留絮凝剂浓度的计算值，结果见表1中残留絮凝剂浓度(计算值)一列。进一步将计算结果与测量结果在同一坐标下绘制成曲线图，如图2所示。可以看出，本发明计算结果与实际测量相对误差为2.98％，预测准确率为96.67％。

Claims (10)

1.一种预测选矿回水中残留絮凝剂浓度的方法，其特征在于：包括如下步骤：

1)选择对选矿回水中残留絮凝剂浓度有影响的L个参数作为影响因素，取n组具体值分别进行选矿絮凝试验，对在各组影响因素取值下回水中残留絮凝剂的浓度进行测定，得到每组取值对应的回水中残留絮凝剂浓度C_F，试验中保持各影响因素以外的条件完全相同；

2)建立影响因素矩阵，采用熵权法确定各影响因素的权重，根据权重剔除无关影响因素，余下的m个影响因素D₁，D₂，D₃，…，D_m作为选矿回水中残留絮凝剂浓度C_F的特征影响因素；

3)对步骤1)中试验得到的数据进行拟合，得到回水中残留絮凝剂浓度C_F与各特征影响因素D₁，D₂，D₃，…，D_m的拟合函数；

4)当需要对某选矿回水进行预测时，将与该选矿回水对应的各特征影响因素D₁，D₂，D₃，…，D_m代入所述拟合函数中，即可计算得到某选矿回水中残留絮凝剂浓度C_F。

2.根据权利要求1所述的预测选矿回水中残留絮凝剂浓度的方法，其特征在于：所述步骤1)中，影响因素包括絮凝剂配置浓度、矿浆浓度、矿物颗粒细度、回水放置时间和回水温度。

3.根据权利要求1所述的预测选矿回水中残留絮凝剂浓度的方法，其特征在于：所述步骤2)中，采用熵权法剔除无关影响因素的步骤如下：

2.1)以回水中残留絮凝剂浓度C_F作为预估对象R，以L个影响因素作为评价指标，把L个评价指标看成是预估对象决策的L个目标函数；

2.2)用r_j表示第j个评价指标、ω_j表示第j个评价指标的权重，j＝1，2，…，L，则其指标矩阵为：

X＝{r₁,r₂,…,r_L}[ω₁,ω₂,…,ω_L]^T

2.3)构建n个预估对象，L个评估指标的判断矩阵R：

R＝(r_ij)_n×L，式中，n为选矿絮凝试验的总次数，r_ij表示第i个预估对象的第j个评价指标的取值，i＝1，2，…，n；

2.4)将判断矩阵R进行归一化处理，得到归一化的矩阵B，B的元素为：

式中：r_jmax、r_jmin分别为第j个评价指标下不同预估对象中最大值和最小值；

2.5)根据熵的定义，确定各评价指标的熵值：

式中：i＝1，2，…，n；j＝1，2，…，L；0≤H_j≤1；

当f_ij＝0时，lnf_ij无意义，此时需对f_ij加以修正，将其定义为：

2.6)利用熵值计算评估指标的熵权

其中d_j＝1-H_j；

2.7)根据计算得到的各评估指标的熵权W_j，选择合适的限值，剔除无关影响因素。

4.根据权利要求3所述的预测选矿回水中残留絮凝剂浓度的方法，其特征在于：所述步骤2.7)中，选择限值为0.7，剔除W_j＞0.7的影响因素，保留W_j≤0.7的影响因素。

5.根据权利要求1～4中任一项所述的预测选矿回水中残留絮凝剂浓度的方法，其特征在于：所述步骤3)中，基于贝叶斯理论模型进行数据分析，从而得到拟合函数。

6.根据权利要求5所述的预测选矿回水中残留絮凝剂浓度的方法，其特征在于：采用贝叶斯理论模型进行数据拟合的具体步骤如下：

3.1)将m个特征影响因素作为预测特征值，按照贝叶斯理论进行信息融合得到信息融合函数：

式中，C_F回水中絮凝剂浓度，m为特征影响因素的总数，j＝1,2，…，m，P(D_j|C_F)为第j项特征影响因素与回水中絮凝剂浓度的联合概率分布函数；

3.2)再根据最小错误率决策进行判断，得到回水中残留絮凝剂浓度与各预测特征值的拟合函数：

式中，m为特征影响因素的总数，j＝1,2，…，m。

7.根据权利要求6所述的预测选矿回水中残留絮凝剂浓度的方法，其特征在于：所述步骤3.1)中，将步骤1)中选矿絮凝试验所得数据作为训练数据，将数据分为m个单一变量数组，在MATLAB中运用CURVE FITTING工具箱分别进行拟合，总结出它们的概率分布函数在代入到信息融合函数进行求解。

8.根据权利要求2所述的预测选矿回水中残留絮凝剂浓度的方法，其特征在于：所述步骤1)中，选矿絮凝试验包括如下步骤：1.1)取矿样，按照矿物颗粒细度的取值调整颗粒细度，根据矿浆浓度的取值加适量水，搅拌均匀，得到矿浆；1.2)按照絮凝剂配置浓度的取值加入适量絮凝剂，搅拌均匀，调整除回水放置时间和前述影响因素以外的其他影响因素至选定值；1.3)按照回水放置时间的取值进行沉降后，取上清液并测量其中的絮凝剂浓度，即得到该组取值对应的回水中残留絮凝剂浓度C_F。

9.根据权利要求8所述的预测选矿回水中残留絮凝剂浓度的方法，其特征在于：所述步骤1.3)中，选矿絮凝试验按照下述方法测定回水中残留絮凝剂的浓度：

S1、取矿样，烘干研磨后，称取相同质量的多份；

S2、对于每一组影响因素取值对应的所述上清液，将其与一份矿样均匀混合后加入沉降瓶中，继续加上清液至沉降瓶零刻度线处，盖紧沉降瓶并摇晃t₁时间，停止摇晃后静置沉降，t₂时间后记录澄清层刻度；

S3、称取絮凝剂，加水溶解并配置成一系列浓度的絮凝剂标准溶液，对于每一浓度的絮凝剂标准溶液，取一份矿样适量絮凝剂标准溶液均匀混合后转入沉降瓶中，继续加该浓度的絮凝剂标准溶液至沉降瓶零刻度线处，盖紧沉降瓶并摇晃t₁时间，停止摇晃后静置沉降，t₂时间后记录澄清层刻度；重复多次，记录加入每一浓度的絮凝剂标准溶液沉降后的澄清层刻度，根据记录的澄清层刻度，绘制出澄清层刻度随絮凝剂浓度的变化曲线；

S4、将步骤S2中的澄清层刻度代入步骤S3所述的变化曲线中，得到所述步骤1.3)中所得上清液的絮凝剂浓度。

10.根据权利要求9所述的预测选矿回水中残留絮凝剂浓度的方法，其特征在于：所述步骤S3中，配置的絮凝剂溶液浓度应使步骤S2中上清液的絮凝剂浓度在其上下限范围内。

Images