CN114619334B - 磨机控制方法和磨机控制装置 - Google Patents

Abstract

本申请实施例提供了一种磨机控制方法和磨机控制装置，该磨机控制方法包括：获取磨机相关的当前工况数据；将当前工况数据输入预先训练的神经网络中，得到当前工况数据对应的矿物研磨粒度；其中，神经网络是根据各样本工况数据、以及各样本工况数据对应的矿物研磨粒度真值训练得到的；获取磨机的当前研磨速度和磨机的当前返砂量；根据当前工况数据对应的矿物研磨粒度、磨机的当前研磨速度和磨机的当前返砂量，生成磨机的目标研磨速度并基于目标研磨速度对磨机进行速度控制。基于上述方案，可以精确且可靠地确定当前工况数据对应的矿物研磨粒度，并且可以使得磨机在最优磨矿工况下运行，降低了磨机自身损耗和电力消耗，同时还提高了磨机的生产效率。

Description

磨机控制方法和磨机控制装置

技术领域

本发明涉及矿石加工领域，尤其涉及一种磨机控制方法和磨机控制装置。

背景技术

磨机是金属矿山选矿的核心设备之一，磨机运行好坏直接关系到整个选矿生产工艺稳定性及能源消耗量。目前，磨机控制基本上实现设备启停自动化控制，但是磨机磨矿工艺控制相对较弱。

例如，相关技术中主要依赖音频分析技术来检测输入至磨机的给矿量以及研磨得到的矿物研磨粒度，数据准确性比较差。基于这些数据来控制磨机，无法使磨机在最优工况下运行。此外，又例如，相关技术中磨机运行基本上还是定速运行，无法根据不同运行工况实现磨机运行速度控制。以上这些会导致磨机生产效率较低，且电力消耗较大。

发明内容

有鉴于此，本发明提供的磨机控制方法和磨机控制系统，用于至少部分地解决上述技术问题。

第一方面，本申请实施例提供了一种磨机控制方法，其包括：

获取磨机相关的当前工况数据；

将所述当前工况数据输入预先训练的神经网络中，得到所述当前工况数据对应的矿物研磨粒度；其中，所述神经网络是根据各样本工况数据、以及各样本工况数据对应的矿物研磨粒度真值训练得到的；

获取所述磨机的当前研磨速度和所述磨机的当前返砂量；

根据所述当前工况数据对应的矿物研磨粒度、所述磨机的当前研磨速度和所述磨机的当前返砂量，生成所述磨机的目标研磨速度并基于所述目标研磨速度对所述磨机进行速度控制。

在一种可能的实现方式中，所述方法还包括：

根据所述当前工况数据对应的矿物研磨粒度、所述磨机的当前研磨速度和所述磨机的当前返砂量，生成待输入所述磨机的新矿给矿量以及与所述磨机连接的旋流器的目标分级速度；

基于所述新矿给矿量和所述目标分级速度，对所述磨机的给矿量和所述旋流器的分级速度进行控制。

在一种可能的实现方式中，所述方法还包括：

检测所述磨机的负载力矩和磨矿角度；

根据所述负载力矩与力矩阈值的比较结果，控制所述磨机在可控磨矿角度范围内来回旋转，所述力矩阈值指示矿物发生板结时所述磨机的最小负载力矩。

在一种可能的实现方式中，所述根据所述负载力矩与力矩阈值的比较结果，控制所述磨机在可控磨矿角度范围内来回旋转，包括：

若所述负载力矩大于所述力矩阈值，则根据所述磨机的磨矿角度与所述可控磨矿角度范围的上限和下限的比较结果，向所述磨机输出用于控制所述磨机正向或反向转动的控制信号。

在一种可能的实现方式中，所述方法还包括：

记录所述磨机的最大负载力矩；

根据所述最大负载力矩更新所述力矩阈值。

在一种可能的实现方式中，所述当前工况数据包括输入到所述磨机的矿物的给矿量、输入到所述磨机的水的给水量、所述磨机的输出功率以及来自用于检测磨机音量的电耳的测量数据。

在一种可能的实现方式中，所述当前工况数据还包括以下中至少之一：与所述磨机连接的旋流器的当前分级速度、旋流控制阀的当前位置、与所述磨机连接的渣浆泵的当前输出功率、所述磨机的当前温度和研磨配方。

在一种可能的实现方式中，所述神经网络的训练过程包括：

构建初始神经网络；

获取样本工况数据和样本工况数据对应的矿物研磨粒度真值；

将所述样本工况数据、以及所述样本工况数据对应的矿物研磨粒度真值输入所述初始神经网络，训练得到所述神经网络。

在一种可能的实现方式中，所述获取样本工况数据和样本工况数据对应的矿物研磨粒度真值，包括：

在所述磨机中对所述样本矿物进行研磨，直到所述样本矿物的矿物研磨粒度达到第一研磨粒度，其中，在所述第一研磨粒度下所述样本矿物的金属回收率达到目标回收率；

将所述样本矿物的矿物研磨粒度达到第一研磨粒度时所述磨机相关的工况数据作为样本工况数据，并且将所述第一研磨粒度作为所述样本工况数据对应的矿物研磨粒度真值。

第二方面，本申请实施例提供了一种磨机控制系统，其包括：

第一获取模块，用于获取磨机相关的当前工况数据；

粒度测量模块，用于将所述当前工况数据输入预先训练的神经网络中，得到所述当前工况数据对应的矿物研磨粒度；其中，所述神经网络是根据各样本工况数据、以及各样本工况数据对应的矿物研磨粒度真值训练得到的；

第二获取模块，用于获取所述磨机的当前研磨速度和所述磨机的当前返砂量；

模型预估控制器，用于根据所述当前工况数据对应的矿物研磨粒度、所述磨机的当前研磨速度和所述磨机的当前返砂量，生成所述磨机的目标研磨速度，并基于所述目标研磨速度对所述磨机进行速度控制。

在一种可能的实现方式中，所述模型预估控制器，还用于：

根据所述当前工况数据对应的矿物研磨粒度、所述磨机的当前研磨速度和所述磨机的当前返砂量，生成待输入所述磨机的新矿给矿量以及与所述磨机连接的旋流器的目标分级速度；

基于所述新矿给矿量和所述目标分级速度，对所述磨机的给矿量和所述旋流器的分级速度进行控制。

在一种可能的实现方式中，所述磨机控制系统还包括：

闭环控制器，用于检测所述磨机的负载力矩和磨矿角度；

比较器，用于根据所述负载力矩与力矩阈值的比较结果，控制所述磨机在可控磨矿角度范围内来回旋转，所述力矩阈值指示矿物发生板结时所述磨机的最小负载力矩。

在一种可能的实现方式中，所述比较器，具体用于若所述负载力矩大于所述力矩阈值，则根据所述磨机的磨矿角度与所述可控磨矿角度范围的上限和下限的比较结果，向所述磨机输出用于控制所述磨机正向或反向转动的控制信号。

在一种可能的实现方式中，所述磨机控制系统还包括：

最大值记录器，用于记录所述磨机的最大负载力矩；

更新模块，用于根据最大负载力矩更新所述力矩阈值。

本申请实施例提供的磨机控制方法和磨机控制系统中，通过获取磨机相关的当前工况数据，并将当前工况数据输入预先训练的神经网络中，得到当前工况数据对应的矿物研磨粒度。由于神经网路具有高度自学习和自适应能力，利用根据各样本工况数据、以及各样本工况数据对应的矿物研磨粒度真值训练的神经网络，可以精确且可靠地确定当前工况数据对应的矿物研磨粒度。此后，通过获取磨机的当前研磨速度和磨机的当前返砂量，并根据当前工况数据对应的矿物研磨粒度、磨机的当前研磨速度和磨机的当前返砂量，生成磨机的目标研磨速度并基于目标研磨速度对磨机进行速度控制，这使得磨机可以在最优磨矿工况下运行，降低了磨机自身损耗和电力消耗，同时还提高了磨机的生产效率。

附图说明

图1是本申请实施例适用的一种磨矿工艺流程示意图；

图2是本申请实施例提供的磨机控制方法的流程示意图；

图3是本申请实施例提供的磨机控制系统的结构示意图；

图4是本申请实施例提供的矿物板结脱落过程的示意图；

图5是本申请实施例提供的磨机控制方法的流程示意图；

图6是本申请实施例提供的负载力矩与磨矿角度之间的关系的示意图；

图7是本申请实施例提供的磨机控制系统中的除板结控制模块的结构示意图。

附图标记列表：

10：粉矿仓 20：磨机 30：泵池

40：渣浆泵 50：旋流器 601：第一获取模块

602：粒度测量模块 603：第二获取模块 604：模型预估模块

70：第一变频器 80：第二变频器 90：给矿装置

701：第一曲线 702：第二曲线 605：闭环控制器

606：比较器 607：最大值记录器

S201：获取磨机相关的当前工况数据

S202：将当前工况数据输入预先训练的神经网络中，得到当前工况数据对应的矿物研磨粒度

S203、获取磨机的当前研磨速度和磨机的当前返砂量

S204、根据当前工况数据对应的矿物研磨粒度、磨机的当前研磨速度和磨机的当前返砂量，生成磨机的目标研磨速度并基于目标研磨速度对磨机进行速度控制

S501：检测磨机的负载力矩和磨矿角度

S502：根据负载力矩与力矩阈值的比较结果，控制磨机在可控磨矿角度范围内来回旋转

具体实施方式

为使本申请的目的、技术方案、及优点更加清楚明白，以下参照附图和实施例，对本申请进一步详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他技术方案，都属于本申请保护的范围。

对于磨矿作业而言，通常通过由磨机20、渣浆泵40和旋流器50等组成磨矿系统进行磨矿。图1是本申请实施例适用的一种磨矿工艺流程示意图。如图1所示，可以从粉矿仓10获取原矿物，将原矿物和一定比例的水输送进磨机20，磨机20对原矿物进行研磨，研磨后得到矿浆。矿浆进入泵池30，同时，在泵池30的入口加入一定量的水，泵池30内的矿浆通过渣浆泵40以一定的压力和浓度输送至旋流器50。矿浆在旋流器50的作用下进行分级，粒度符合要求的细粒级矿浆从溢流口流出，粒度不符合要求的粗粒级矿浆由旋流器50的沉沙口回流至球磨机20，重新进行研磨。

相关技术中，通常为磨机20设置有磨音测量仪(例如，电耳)，利用电耳检测磨机20运行过程中所产生的噪声信号，根据该噪声信号判断磨机20的当前运行状态，确定磨机20的负荷，从而实现对输入至磨机20的给矿量以及研磨得到的矿物研磨粒度的检测。然而，磨音受磨机20的结构、速度以及磨机20内的衬板的材料和布置方式等影响较大，因此依赖音频分析技术得到的这些数据的准确性比较差。基于这些数据来对磨机20的运行过程进行控制，无法使磨机20在最优工况下运行。此外，又例如，相关技术中磨机20运行基本上还是定速运行，即使有变频驱动，变频器也仅是作为软件启动器来使用，无法根据不同运行工况实现磨机20运行速度控制。以上这些会导致磨机20无法实现最佳抛料曲线控制，生产效率较低，且电力消耗较大。

为了至少部分地解决上述技术问题，本申请实施例通过利用神经网络来实现更为准确的矿物研磨粒度检测。另外通过根据当前工况数据对应的矿物研磨粒度、磨机20的当前研磨速度和磨机20的当前返砂量，生成磨机20的目标研磨速度，并基于目标研磨速度对磨机20进行速度控制，使磨机20在最优研磨工况下运行，降低自身损耗和电力消耗，同时还提高了磨机20的生产效率。

下面结合附图对本申请实施例的具体实现进行详细说明。

图2是本申请实施例提供的一种磨机控制方法的流程示意图，该磨机控制方法可以由磨机控制系统60执行。如图2所示，该磨机控制方法包括S201至S204。

S201、获取磨机相关的当前工况数据。

其中，磨机可以是球磨机，也可以是棒磨机、滚磨机等，本申请实施例对此不做限定。

磨机相关的当前工况数据可以包括磨机本身的当前工况数据，例如，磨机的输出功率、磨机的温度、输入到磨机的矿物的给矿量、输入到所述磨机的水的给水量、或研磨配方等。磨机相关的当前工况数据还可以包括与磨机相关联的设备的当前工况数据，例如，来自安装于磨机上、用于检测磨机的噪声信号(即，磨机音量)的电耳的测量数据、与磨机连接的旋流器的当前分级速度、旋流控制阀的当前位置或与磨机连接的渣浆泵的当前输出功率等。

在本申请的一种实现方式中，磨机相关的当前工况数据包括：输入到磨机的矿物的给矿量、输入到磨机的水的给水量、磨机的输出功率以及来自用于检测磨机音量的电耳的测量数据。

其中，来自电耳的测量数据可以是电耳检测到的磨音数据本身，也可以是对磨音数据进行分析处理后的其他数据，本实施例对此不做限定。

在本申请的另一种实现方式中，当前工况数据还包括以下中至少之一：与磨机连接的旋流器的当前分级速度、旋流控制阀的当前位置、与磨机连接的渣浆泵的当前输出功率、磨机的当前温度和研磨配方。当前工况数据包括更多类型的测量数据，这与通过采用对应样本工况数据训练的神经网络进行配合，由神经网络进行模糊分析，可以使得神经网络输出的矿物研磨粒度更为准确，因此更具有工业应用参考价值，例如，有利于磨机控制系统根据该矿物研磨粒度更好地控制磨机的运行过程。

此外，本申请实施例中提到的这些工况数据可以通过磨机控制系统中的第一获取模块601(例如，设置对应的检测装置(例如，传感器))来获取，或者可以采用本领域技术人员已知的方式计算得到，本申请实施例对此不做限定。

S202、将当前工况数据输入预先训练的神经网络中，得到当前工况数据对应的矿物研磨粒度。

其中，预先训练的神经网络作为磨机控制系统的粒度测量模块602使用。该神经网络是根据各样本工况数据、以及各样本工况数据对应的矿物研磨粒度真值训练得到的。在本申请的一种实现方式中，神经网路为BP神经网络。

在本申请实施例中，为了确保矿物研磨粒度判断的准确性和可靠性，磨机控制系统可以根据预定数量的样本工况数据、以及各样本工况数据对应的矿物研磨粒度真值训练得到神经网络。使用该神经网络，当输入磨机的当前工况数据，该神经网络可以输出与当前工况数据对应的矿物研磨粒度。

各样本工况数据的类型与当前工况数据的类型相同。在本申请的一种实现方式中，可以通过以下方式获取样本工况数据和样本工况数据对应的矿物研磨粒度真值：

在磨机中对样本矿物进行研磨，直到样本矿物的矿物研磨粒度达到第一研磨粒度，其中，在第一研磨粒度下样本矿物的金属回收率达到目标回收率；

将样本矿物的矿物研磨粒度达到第一研磨粒度时磨机相关的工况数据作为样本工况数据，并且将第一研磨粒度作为样本工况数据对应的矿物研磨粒度真值。

其中，样本矿物的金属回收率是指样本矿物的精矿中所含的金属重量与原矿中该金属重量的比值，常用百分数来表示。本申请实施例中的目标回收率可以根据具体的应用场景进行设置，例如可以在大于或等于70％的范围内。

在进行神经网络的训练时，可以构建初始神经网络，神经网络可以包括一个输入层、至少一个隐藏层和至少一个输出层。其中，层与层之间的连接是全连接。如图3所示，在本申请的一种实现方式中，用作粒度测量模块602的神经网络包括一个输入层、两个隐藏层和一个输出层。输入层、隐藏层和输出层可以均包括多个神经元。如图3所示出的各个层的神经元的数量仅是一种示例，在实际应用中，输入层的神经元数量等于待处理数据中输入变量的数量，即样本工况数据中包括的参数的数量，输出层的神经元数量等于输出分类的数量，即矿物研磨粒度真值的数量。

在构建的初始神经网络中，其参数为初始值，通过训练来优化参数。例如，首先输入样本工况数据，确定神经网络的实际输出的矿物研磨粒度与该样本工况数据对应的矿物研磨粒度真值是否相符，基于二者之间的误差自动调整神经网络的参数，迭代进行这一过程，直到误差达到预设精度或者学习次数大于设计的最大次数。

也就是说，神经网络训练完成后，各样本工况数据、以及各样本工况数据对应的矿物研磨粒度真值构成的训练集在该神经网络上的预测准确率大于预设精度。由此，在获取到磨机的当前工况数据之后，将该当前工况数据输入神经网络，即可准确地且可靠地得到当前工况数据对应的矿物研磨粒度。

S203、获取磨机的当前研磨速度和磨机的当前返砂量；

本申请实施例中，磨机的当前研磨速度和磨机的当前返砂量可以由磨机控制系统中的第二获取模块603获取或计算得到。例如可以从用于驱动磨机的第一电机的编码器获取磨机的当前研磨速度。并且，可以根据旋流器分级出的、矿物研磨粒度不合格的矿物的重量计算得到磨机的当前返砂量。应理解，磨机的当前研磨速度和磨机的当前返砂量也可以采用本领域已知的其他方式获取，本实施例对此不做限定。

S204、根据当前工况数据对应的矿物研磨粒度、磨机的当前研磨速度和磨机的当前返砂量，生成磨机的目标研磨速度并基于目标研磨速度对磨机进行速度控制。

例如，如图3所示，可以将当前工况数据对应的矿物研磨粒度、磨机的当前研磨速度和磨机的当前返砂量输入至预先设计的模型预估控制器604，由模型预估控制器604生成磨机的目标研磨速度。模型预估控制器604可以与驱动第一电机的第一变频器70电连接，以将目标研磨速度提供至该第一变频器70，由第一变频器70基于该目标研磨速度控制第一电机转动，由第一电机带动磨机以该目标研磨速度操作。由此，可以实现根据不同运行工况进行磨机运行速度控制，这改变了传统定速研磨生产方式，引入了变频生产方式，使得磨机始终在最优磨矿工况下运行，实现最佳抛料曲线控制，由此降低磨机自身损耗和电力消耗，提高了磨机的生产效率。

本申请实施例中，模型预估控制器604可以是本领域已知合适的建模算法设计的多输入多输出控制模型，本申请实施例对此不做限定。

本申请实施例提供的磨机控制方法中，通过获取磨机相关的当前工况数据，并将当前工况数据输入预先训练的神经网络中，得到当前工况数据对应的矿物研磨粒度。由于神经网路具有高度自学习和自适应能力，利用根据各样本工况数据、以及各样本工况数据对应的矿物研磨粒度真值训练的神经网络，可以精确且可靠地确定当前工况数据对应的矿物研磨粒度。此后，通过获取磨机的当前研磨速度和磨机的当前返砂量，并根据当前工况数据对应的矿物研磨粒度、磨机的当前研磨速度和磨机的当前返砂量，生成磨机的目标研磨速度并基于目标研磨速度对磨机进行速度控制，这使得磨机可以在最优磨矿工况下运行，实现最佳抛料曲线控制，降低了磨机自身损耗和电力消耗，同时还提高了磨机的生产效率。

在本申请的另一种实施例中，磨机控制方法还包括：根据当前工况数据对应的矿物研磨粒度、磨机的当前研磨速度和磨机的当前返砂量，生成待输入磨机的新矿给矿量以及与磨机连接的旋流器的目标分级速度；以及基于新矿给矿量和目标分级速度，对磨机的给矿量和旋流器的分级速度进行控制。

具体地，如图3所示，可以将当前工况数据对应的矿物研磨粒度、磨机的当前研磨速度和磨机的当前返砂量输入至预先设计的模型预估控制器604，由模型预估控制器604生成磨机的目标研磨速度、待输入磨机的新矿给矿量以及旋流器的目标分级速度。模型预估控制器604可以与驱动第一电机的第一变频器70电连接，以将目标研磨速度提供至该第一变频器70，由第一变频器70基于该目标研磨速度控制第一电机转动，由第一电机带动磨机以该目标研磨速度操作。并且，模型预估控制器604还可以与第二变频器80电连接，第二变频器80与用于驱动旋流器的第二电机电连接，由此模型预估控制器604可以该目标分级速度提供至该第二变频器80，由第二变频器80基于该目标分级速度控制第二电机转动，由第二电机带动旋流器以该目标分级速度操作。此外，模型预估控制器604还可以与用于向磨机输送矿物的给矿装置90电连接，以将生成的待输入磨机的新矿给矿量提供至给矿装置90，由给矿装置90根据该新矿给矿量向磨机输送矿物。

也就是说，本实施例中，可以采用一个3x3模型预估控制器604。当前工况数据对应的矿物研磨粒度、磨机的当前研磨速度和磨机的当前返砂量，作为3x3模型预估控制器604的输入，3x3模型预估控制器604计算并输出目标研磨速度、新矿给矿量以及目标分级速度，以分别对磨机的速度、给矿设备的新矿给矿量和旋流器的旋流分级速度进行控制，从而使得整个磨矿运行在最优磨矿工况，这使得可以降低整个磨矿电力消耗，同时可以降低返砂量，增加每次的给矿量，提高生产效率以及精矿回收率。

此外，在磨机长时间停机时，例如，在对磨机进行维修期间，磨机内的矿物可能会发生板结。因此，在磨机长时间停止之后启动以执行磨矿作业的情况下，随着磨机转动达到一定角度，矿物板结可能坠落，砸坏磨机内部的钢球、衬板或轴承等。例如，如图4所示，在磨机启动时，磨机内的矿物处于第一状态A，随着磨机转动，磨机内的矿物经由第二状态B达到第三状态C。在第三状态C下，若磨机内存在矿物板结，则矿物板结可能会直接坠落，砸在磨机内部的钢球、衬板或轴承上，造成设备损坏，进而可能会造成生产长时间停车损失。

为了避免类似问题的发生，基于上述实施例，如图5所示，在本申请的另一种实施例中，磨机控制方法还包括S501至S502。在S502之后执行上述实施例中的S201至S204。S501至S502可以由磨机控制系统中的除板结控制模块执行，该除板结控制模块包括闭环控制器605和比较器606。

S501、检测磨机的负载力矩和磨矿角度。

其中，磨矿角度可以是指磨机的转动角度。

在磨机内而发生矿物板结的情况下，随着磨机转动会发生抛料，磨机的负载力矩不会一直持续增加，而如图6的第一曲线701所示，在磨机内发生板结的情况下，磨机从0°转动到90°时，磨机的负载力矩持续增加至较大负载力矩。因此，通过在磨机启动时对磨机的负载力矩和磨矿角度进行检测，可以确定磨机内是否发生矿物板结。

在本申请的一种实现方式中，如图6所示，闭环控制器605可以获取用于驱动磨机的第一电机的旋转角度、速度和功率，并根据第一电机的旋转角度、速度和功率，生成磨机的负载力矩和磨矿角度。

S502、根据负载力矩与力矩阈值的比较结果，控制磨机在可控磨矿角度范围内来回旋转。

其中，力矩阈值指示矿物发生板结时磨机的最小负载力矩。该力矩阈值可以是在磨机出厂之前通过试验确定，也可以是在磨机使用过程中确定，本申请实施例对此不做限定。

由于力矩阈值指示矿物发生板结时磨机的最小负载力矩，当若负载力矩大于力矩阈值，可以确定磨机内存在矿物板结。此时，可以控制在可控磨矿角度范围内来回旋转，依靠矿物自身重力挤压达到消除矿物板结目标。在矿物板结消除之后按照上述实施例中S201至S203的步骤对磨机进行速度控制，使得磨机在最优磨矿工况下工作。

在本申请的一种实现方式中，可控磨矿角度范围为45°～90°。在可控磨矿角度范围为45°～90°时，采用本申请提供的磨机控制方法时负载力矩与磨矿角度之间的关系如图6中的第二曲线702所示。

在本申请的一种实现方式中，根据负载力矩与力矩阈值的比较结果，控制磨机在可控磨矿角度范围内来回旋转，可以包括：

若负载力矩大于力矩阈值，则根据磨机的磨矿角度与可控磨矿角度范围的上限和下限的比较结果，向磨机输出用于控制磨机正向或反向转动的控制信号。

具体地，在磨机启动之后，若负载力矩大于力矩阈值，可以确定磨机内存在矿物板结。此时，若磨机正向转动，且当磨机的磨矿角度达到可控磨矿角度范围的上限时，则向第一变频器70发出磨机反向旋转指令，第一变频器70根据该磨机反向旋转指令控制第一电机反向转动，由此使第一电机带动磨机反向转动，避免磨机继续正向转动，矿物板结坠落砸坏磨机内部的钢球、衬板或轴承等，造成设备损坏。

随着磨机反向转动至可控磨矿角度范围的下限，则向第一变频器70发出磨机正向旋转指令，第一变频器70根据该磨机正向旋转指令控制第一电机正向转动，由此使第二电机带动磨机正向转动。这进而磨机能够在可控磨矿角度范围内来回旋转，保证矿物能够依靠自身重力挤压来消除矿物板结。

本申请实施例中，可以通过在磨机控制系统中设置比较器606，由比较器606执行负载力矩与力矩阈值以及磨机的磨矿角度与可控磨矿角度范围的上限和下限的比较操作。

本申请实施例中，通过检测磨机的负载力矩和磨矿角度，进而根据负载力矩与力矩阈值的比较结果，控制磨机在可控磨矿角度范围内来回旋转，避免矿物板结直接坠落，砸在磨机内部的钢球、衬板或轴承上，造成设备损坏，进而造成生产长时间停车损失。同时，通过使磨机在可控磨矿角度范围内来回旋转，可以使得矿物能够依靠自身重力挤压来消除矿物板结，避免使用人力来消除板结，降低了工人的劳动强度。

通常，力矩阈值可以在磨机出厂之前磨机的生产厂家会通过试验确定，以作为后续工业应用的参考。然而，磨机出厂之后会在各种应用场景中使用，例如，对不同的矿物进行研磨，在不同的气候环境中对矿物进行研磨，或者随着磨机在使用过程中的不断磨损、老化等，矿物发生板结时磨机的最小负载力矩可能会与力矩阈值有所偏差。

基于上述实施例，在本申请的另一种实施例中，磨机控制方法还包括：记录磨机的最大负载力矩；根据最大负载力矩更新力矩阈值。

如图6所示，可以设置除板结控制模块中设置最大值记录器607，由该最大值记录器接收闭环控制器605检测到的负载力矩，由此记录磨机的最大负载力矩。在确定之前的力矩阈值存在偏差时，将记录的最大负载力矩作为力矩阈值，以实现对负载力矩的更新。由此，确保根据力矩阈值，始终可以准确地确定磨机的内部是否发生板结。

本申请实施例还提供的一种磨机控制系统。该磨机控制系统可以是如图7所示的磨机控制系统，具体地，该磨机控制系统包括：

第一获取模块601，用于获取磨机相关的当前工况数据；

粒度测量模块602，用于将当前工况数据输入预先训练的神经网络中，得到当前工况数据对应的矿物研磨粒度；其中，神经网络是根据各样本工况数据、以及各样本工况数据对应的矿物研磨粒度真值训练得到的；

第二获取模块603，用于获取磨机的当前研磨速度和磨机的当前返砂量；

模型预估控制器604，用于根据当前工况数据对应的矿物研磨粒度、磨机的当前研磨速度和磨机的当前返砂量，生成磨机的目标研磨速度，并基于目标研磨速度对磨机进行速度控制。

在本申请的一种实施例中，模型预估控制器604，还用于：

根据当前工况数据对应的矿物研磨粒度、磨机的当前研磨速度和磨机的当前返砂量，生成待输入磨机的新矿给矿量以及与磨机连接的旋流器的目标分级速度；

基于新矿给矿量和目标分级速度，对磨机的给矿量和旋流器的分级速度进行控制。

在本申请的一种实施例中，磨机控制系统还包括除板结控制模块，该除板结控制模块包括:

闭环控制器605，用于检测磨机的负载力矩和磨矿角度；

比较器606，用于根据负载力矩与力矩阈值的比较结果，控制磨机在可控磨矿角度范围内来回旋转，力矩阈值指示矿物发生板结时磨机的最小负载力矩。

在本申请的一种实施例中，比较器具体用于若负载力矩大于力矩阈值，则根据磨机的磨矿角度与可控磨矿角度范围的上限和下限的比较结果，向磨机输出用于控制磨机正向或反向转动的控制信号。

在本申请的一种实施例中，该除板结控制模块还包括：

最大值记录器607，用于记录磨机的最大负载力矩；

更新模块(未示出)，用于根据最大负载力矩更新力矩阈值。

本实施例提供的磨机控制系统用于实现前述多个方法实施例中相应的磨机控制方法，并具有相应的方法实施例的有益效果，在此不再赘述。此外，本实施例的磨机控制系统中的各个模块的功能实现均可以参考前述方法实施例中的相应部分的描述，在此不再赘述。

上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。

Claims (14)

1.一种磨机控制方法，其特征在于，包括：

获取磨机相关的当前工况数据；

将所述当前工况数据输入预先训练的神经网络中，得到所述当前工况数据对应的矿物研磨粒度；其中，所述神经网络是根据各样本工况数据、以及各样本工况数据对应的矿物研磨粒度真值训练得到的；

获取所述磨机的当前研磨速度和所述磨机的当前返砂量；

根据所述当前工况数据对应的矿物研磨粒度、所述磨机的当前研磨速度和所述磨机的当前返砂量，生成所述磨机的目标研磨速度并基于所述目标研磨速度对所述磨机进行速度控制。

2.根据权利要求1所述的磨机控制方法，还包括：

根据所述当前工况数据对应的矿物研磨粒度、所述磨机的当前研磨速度和所述磨机的当前返砂量，生成待输入所述磨机的新矿给矿量以及与所述磨机连接的旋流器的目标分级速度；

基于所述新矿给矿量和所述目标分级速度，对所述磨机的给矿量和所述旋流器的分级速度进行控制。

3.根据权利要求1所述的磨机控制方法，还包括：

检测所述磨机的负载力矩和磨矿角度；

根据所述负载力矩与力矩阈值的比较结果，控制所述磨机在可控磨矿角度范围内来回旋转，所述力矩阈值指示矿物发生板结时所述磨机的最小负载力矩。

4.根据权利要求3所述的磨机控制方法，其特征在于，所述根据所述负载力矩与力矩阈值的比较结果，控制所述磨机在可控磨矿角度范围内来回旋转，包括：

若所述负载力矩大于所述力矩阈值，则根据所述磨机的磨矿角度与所述可控磨矿角度范围的上限和下限的比较结果，向所述磨机输出用于控制所述磨机正向或反向转动的控制信号。

5.根据权利要求3所述的磨机控制方法，还包括：

记录所述磨机的最大负载力矩；

根据所述最大负载力矩更新所述力矩阈值。

6.根据权利要求1所述的磨机控制方法，其中，所述当前工况数据包括输入到所述磨机的矿物的给矿量、输入到所述磨机的水的给水量、所述磨机的输出功率以及来自用于检测磨机音量的电耳的测量数据。

7.根据权利要求1所述的磨机控制方法，其特征在于，所述当前工况数据还包括以下中至少之一：与所述磨机连接的旋流器的当前分级速度、旋流控制阀的当前位置、与所述磨机连接的渣浆泵的当前输出功率、所述磨机的当前温度和研磨配方。

8.根据权利要求1所述的磨机控制方法，其特征在于，所述神经网络的训练过程包括：

构建初始神经网络；

获取样本工况数据和样本工况数据对应的矿物研磨粒度真值；

将所述样本工况数据、以及所述样本工况数据对应的矿物研磨粒度真值输入所述初始神经网络，训练得到所述神经网络。

9.根据权利要求8所述的磨机控制方法，其特征在于，所述获取样本工况数据和样本工况数据对应的矿物研磨粒度真值，包括：

在所述磨机中对所述样本矿物进行研磨，直到所述样本矿物的矿物研磨粒度达到第一研磨粒度，其中，在所述第一研磨粒度下所述样本矿物的金属回收率达到目标回收率；

将所述样本矿物的矿物研磨粒度达到第一研磨粒度时所述磨机相关的工况数据作为样本工况数据，并且将所述第一研磨粒度作为所述样本工况数据对应的矿物研磨粒度真值。

10.一种磨机控制系统，其特征在于，包括：

第一获取模块，用于获取磨机相关的当前工况数据；

粒度测量模块，用于将所述当前工况数据输入预先训练的神经网络中，得到所述当前工况数据对应的矿物研磨粒度；其中，所述神经网络是根据各样本工况数据、以及各样本工况数据对应的矿物研磨粒度真值训练得到的；

第二获取模块，用于获取所述磨机的当前研磨速度和所述磨机的当前返砂量；

模型预估控制器，用于根据所述当前工况数据对应的矿物研磨粒度、所述磨机的当前研磨速度和所述磨机的当前返砂量，生成所述磨机的目标研磨速度，并基于所述目标研磨速度对所述磨机进行速度控制。

11.根据权利要求10所述的磨机控制系统，其特征在于，所述模型预估控制器，还用于：

根据所述当前工况数据对应的矿物研磨粒度、所述磨机的当前研磨速度和所述磨机的当前返砂量，生成待输入所述磨机的新矿给矿量以及与所述磨机连接的旋流器的目标分级速度；

基于所述新矿给矿量和所述目标分级速度，对所述磨机的给矿量和所述旋流器的分级速度进行控制。

12.根据权利要求10所述的磨机控制系统，还包括：

闭环控制器，用于检测所述磨机的负载力矩和磨矿角度；

比较器，用于根据所述负载力矩与力矩阈值的比较结果，控制所述磨机在可控磨矿角度范围内来回旋转，所述力矩阈值指示矿物发生板结时所述磨机的最小负载力矩。

13.根据权利要求12所述的磨机控制系统，其特征在于，所述比较器，具体用于若所述负载力矩大于所述力矩阈值，则根据所述磨机的磨矿角度与所述可控磨矿角度范围的上限和下限的比较结果，向所述磨机输出用于控制所述磨机正向或反向转动的控制信号。

14.根据权利要求13所述的磨机控制系统，还包括：

最大值记录器，用于记录所述磨机的最大负载力矩；

更新模块，用于根据最大负载力矩更新所述力矩阈值。

Images