CN115291519A - 一种磨矿过程智能优化控制方法 - Google Patents

Abstract

本发明公开了一种磨矿过程智能优化控制方法，包括：S1：获取过去H小时的磨音和磨机功率数据作为样本数据，运用改进的模糊‑C均值聚类算法计算样本数据聚类中心，并将当前时刻t初始化为0；S2：根据聚类中心更新模糊控制器输入变量的论域和隶属函数参数；S3：获取时刻t的磨音和功率数据，提取磨音趋势，计算磨音偏差；S4：将磨音偏差、磨音趋势、磨机功率输入模糊控制器，得到给矿量和给水量的设定值；S5：经过一个控制周期T后，t＝t+T；S6：判断t是否小于H；若是，则返回S3；若否，则返回S1。用实际生产数据进行测试，结果表明本发明比人工控制下磨矿过程平稳，矿石处理量提高了4.3％。

Description

一种磨矿过程智能优化控制方法

技术领域

本发明涉及矿物加工自动化领域，尤其涉及一种磨矿过程智能优化控制方法。

背景技术

在大型选矿厂中，磨矿流程是矿物加工自动化领域的重要一环，直接关系到整个选矿流程的产品质量。大部分选矿厂通常采用球磨机对矿物进行研磨。球磨机运行时具有非线性、多变量、大惯性、强滞后以及容易受原矿性质和矿石粒度分布变化扰动等特点，虽然采用传统的比例积分微分控制器基本可以达到控制要求，但是需要以较大的能源损耗和资源浪费作为牺牲。为了提高磨矿过程的工作效率，达到节能减耗的目的，将先进控制方法引入磨矿过程控制，实现全流程的优化控制和节能降耗是选矿企业亟待解决的问题。模型预测控制、模糊专家控制、自适应控制是常用的磨矿过程优化控制的方法。

针对磨矿分级过程本身的复杂特性，模糊控制是一种行之有效的方法。但是由于磨矿过程工况条件实时在波动，传统的模糊控制方法缺乏一定的鲁棒性。且磨矿过程的参数众多，使得模糊控制器在磨矿过程应用难以实现。在传统的模糊控制方法中，论域划分及隶属函数的确定一直是模糊控制领域最为棘手的问题。完整的自适应控制系统作为一个反馈环节，可以使具有动态性或者外界扰动的、经常变化的系统能够维持自身的系统处于最优的效果。在实际运行过程中能够准确测量整体系统的状态，同时有针对性地对控制进行变量补偿。在磨矿过程控制过程中，随着原矿石的性质以及磨机的充填率的变化，原磨机最佳负荷点就会发生漂移。这时就需要通过自适应的控制方法来自动的调整最佳的磨机负荷，使磨机负荷维持在最佳负荷区间内，保证磨机的磨矿效率。

因此，基于实际的工业生产过程的特点及过程控制中存在的问题，将自适应模糊控制应用于复杂的磨矿过程控制是目前一种可行的方法。

发明内容

本发明目的在于提供一种磨矿过程智能优化控制方法，该方法基于磨音和磨机功率优化控制球磨机给矿量，给水量依据球磨机给矿浓度要求按比例控制，运用改进的模糊-C均值算法实现模糊控制器的自适应。

为实现上述目的，本发明提供了一种磨矿过程智能优化控制方法，包括如下步骤：

S1：获取过去H小时的磨音和磨机功率数据作为样本数据，运用改进的模糊-C均值聚类算法按照变量的模糊子集数目计算样本数据聚类中心，并将当前时刻t初始化为0；

S2：根据聚类中心更新模糊控制器输入变量的论域和隶属函数参数；

S3：获取当前时刻t的磨音和功率数据，提取磨音趋势，计算磨音偏差；

S4：将磨音偏差、磨音趋势、磨机功率输入模糊控制器，进行模糊控制，得到给矿量和给水量的设定值，并下发到磨矿过程；

S5：经过一个控制周期T后，当前时刻t＝t+T；

S6：判断当前时刻t是否小于H；若是，则返回S3；若否，则返回S1。

进一步地，所述步骤S1中，改进的模糊-C均值聚类算法的目标函数为

其中，N代表数据总样本数；C代表簇数；v_i代表类别i的中心；||·||是衡量样本中第j个数据h_j到第i个聚类中心v_i相似度的规范，m是平滑因子，用于计算强制性分类的接受程度，并找到不同簇之间彼此重叠的程度；u_ij是样本第j条数据h_j隶属于聚类中心v_i的隶属度；θ为模型参数。

该算法包括以下步骤：

(1)将聚类数设置为对应输入变量的模糊子集数目，对隶属度收敛阈值、迭代次数和聚类中心进行初始化，然后计算样本数据的模糊隶属度，模糊隶属度计算公式如式(2)所示，

其中，d_ij为样本中第j个数据h_j到聚类中心v_i相似度的规范，d_ij＝||h_j-v_i||；d_ik为聚类中心v_k到聚类中心v_i相似度的规范，d_ik＝||v_k-v_i||；

为避免噪声点被划分为一类的情况出现，对隶属度公式进行非线性修正，使所计算出来的隶属度不会太大或者太小。对隶属度公式进行非线性修正，用l_ij表示样本中第j个数据h_j到聚类中心v_i的距离，修正后的模糊隶属度计算公式为：

(2)根据式(4)计算样本的聚类中心，判断阈值和迭代次数是否满足要求，不满足则继续进行迭代计算；

(3)阈值和迭代次数满足要求时，将聚类中心按从小到大的顺序排列，并通过式(5)对噪声点进行检测和剔除：

进一步地，所述步骤S2中根据聚类中心更新输入变量的论域和隶属函数参数的步骤如下：

(1)根据改进的模糊-C均值算法聚类结果得到输入量的模糊论域[ω+rv₁,ω+rv₅]，r为实数且r∈{y|0<y<1}，结合式(6)将聚类结果对应到各模糊子集的中点，

其中，LL、L、M、H、HH为涵盖输入量论域的五个模糊子集，v_i为步骤S1得到的样本数据聚类中心，i∈{1，2，3，4，5}；ω为聚类中心的中位数，ω＝v₃，是变量在正常工况下的期望值。

输出量的论域划分更依赖于实际生产过程操作人员及专家经验。总结实际操作人员各类工况下的操作经验数据，将输出量的模糊论域为[-νλ₃,νλ₃]，ν为实数且ν∈{x|1<x<2}，结合式(7)将输出变量的调整量对应到各模糊子集的中点

其中，NB、NM、NS、O、PS、PM、PB为涵盖输出量论域的七个模糊子集，λ_i为输出变量的调整量，i∈{0，1，2，3}。

(2)在实际设计过程中，远离系统状态平衡点即偏差较大时采用分辨率较低的隶属函数，分辨率低的隶属函数的曲线较为平缓，控制灵敏度比较低。偏差较小时，选用分辨率较高的隶属函数，灵敏度比较高。隶属函数这样分布可以提高平衡点附近的控制精度，又可以使系统从远离平衡点处快速趋向平衡点附近。Z型和S型隶属函数分辨率比较低，钟型和三角型隶属函数分辨率较高。输入变量的模糊子集LL和HH分别选取Z型和S型隶属函数，模糊子集L和H的隶属函数类型为三角型隶属函数或钟型隶属函数，模糊子集M选择钟型隶属函数有助于提高控制的稳定性。为保证模糊子集的隶属度函数具备一定交互性质，并且使两个相邻的隶属函数交叉点的隶属度值取得合适，结合式(8)计算各输入变量的模糊子集的隶属度函数参数。

其中，α,β,δ为钟型隶属函数的参数；a,b为Z型隶属函数的参数；c,d为S型隶属函数的参数；a,b,c为三角型隶属函数的参数；R_i为权重因子；v_i为聚类中心，i∈{1，2，3，4，5}；ω为聚类中心的中位数，ω＝v₃，是变量在正常工况下的期望值；δ为常数，取2.5或3；

输出变量的模糊子集NB和PB分别选取Z型和S型隶属函数，模糊子集NM、NS、O、PS、PM选择钟型隶属函数，通过式(9)计算输入变量的模糊子集的隶属函数参数，

式中，a₁,b₁为Z型隶属函数的参数；α₁,β₁,δ₁为钟型隶属函数的参数；c₁,d₁为S型隶属函数的参数；r_i为权重因子，i∈{0,1,2}；δ为常数，取2.5、3或3.5；

进一步地，所述步骤S3中采用基于滑动窗口的定性趋势分析的方法提取磨音趋势，具体包括以下步骤：

(1)假设长度为l的磨音数据x₁,x₂...,x_l，对应的时间变量为t₁,t₂...,t_l，并令滑动的时间窗口初始宽度为D；

(2)由于数据在激励、传输和检测过程中，可能地受到随机噪声和粗大误差不同程度的污染，因此，在进行定性趋势分析前，对数据进行降噪处理；

(3)将滑动时间窗口宽度初始化为D，再用一个滑动的时间窗口对数据进行线性回归，获得组成整个趋势的各个片段；

(4)对拟合结果进行显著性F检验，验证拟合效果；

(5)对所有提取出来的片段进行识别，如果提取时，片段是没有变化的，即为工况稳定不变；否则，如果a>0，片段为上升趋势，a<0，片段为下降趋势。

进一步地，所述步骤S4中根据专家调节经验及操作员描述性回答得到经验：

若磨音偏低且保持不变，磨机功率越小，则给矿量设定值减小得越多；

若磨音偏低且保持不变，磨机功率越大，则给矿量设定值减小得越少；

若磨音偏高且保持不变，磨机功率越小，则给矿量设定值增大得越多；

若磨音偏高且保持不变，磨机功率越大，则给矿量设定值增大得越少；

若磨音偏高且越来越大，则增大给矿量设定值；反之，则减小给矿量设定值；

由上述经验，结合输入输出变量的模糊子集确定具体的模糊控制规则；模糊控制器的模糊逻辑推理的合成法则是取大-取小法，采用面积重心法作为去模糊化方法。

进一步地，所述步骤S5中的T为控制周期。控制周期T取为0.25小时，使得磨矿过程可以从一个稳态到达另一个稳态。

进一步地，所述步骤S1中的平滑因子m设为2。

进一步地，所述步骤S1中的H取为24，使得每24小时更新一次模糊控制器的参数，保证磨矿过程的智能优化控制。

本发明具有以下有益效果：

本发明提供一种磨矿过程智能优化控制方法，该方法基于磨音和磨机功率优化控制球磨机给矿量，给水量依据球磨机给矿浓度要求按比例控制，运用改进的模糊-C均值聚类算法实现自适应模糊控制器。首先获取过去H小时的磨音和磨机功率数据作为样本数据，运用改进的模糊-C均值聚类算法按照变量的模糊子集数目计算样本数据聚类中心，并将当前时刻t初始化为0；然后根据聚类中心更新模糊控制器输入的论域和隶属函数参数；之后获取当前时刻t的磨音和功率数据，提取磨音趋势，计算磨音偏差；再将磨音偏差、磨音趋势、磨机功率输入模糊控制器，进行模糊控制，得到给矿量和给水量的设定值，并下发到磨矿过程；然后经过一个控制周期T后，当前时刻t＝t+T，判断当前时刻t是否小于H；若是，则返回第三步；若否，则返回第一步。用实际生产数据进行测试，结果表明本发明比人工控制下磨矿过程更加平稳，可以提高矿石处理量，提高磨矿效率。本发明创造性地加入了对磨音趋势的控制，运用改进的模糊-C均值聚类算法实现了自适应模糊控制器，对提高磨矿过程的效率和技术指标、减轻工人的劳动强度具有重要意义，结果表明，矿石处理量提高了4.3％以上。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的整体步骤流程图；

图2是本发明实施例的改进的模糊-C均值算法流程；

图3是本发明实施例的自适应模糊控制器；

图4是本发明实施例的基于滑动窗口的趋势提取算法流程；

图5是本发明实施例的优化控制与人工控制下，日矿石处理量对比；

图6是本发明实施例的优化控制与人工控制下，月矿石处理量对比。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

实施例1

参见图1，本实施例公开一种磨矿过程智能优化控制方法，包括以下步骤：

S1：获取过去24小时的磨音和磨机功率数据作为样本数据，运用改进的模糊-C均值聚类算法按照变量的模糊子集数目计算样本数据聚类中心，并将当前时刻t初始化为0。

具体地，本实施例中改进的模糊-C均值聚类算法的目标函数为

其中，N代表数据总样本数；C代表簇数；v_i代表类别i的中心；||·||是衡量样本中第j个数据h_j到第i个聚类中心v_i相似度的规范，m是平滑因子，设为2，用于计算强制性分类的接受程度，并找到不同簇之间彼此重叠的程度；u_ij是样本第j条数据h_j隶属于聚类中心v_i的隶属度；θ为模型参数。

运用改进的模糊-C均值聚类算法计算聚类中心包括以下步骤，算法流程如图2所示：

(1)将聚类数设置为对应输入变量的模糊子集数目，对隶属度收敛阈值、迭代次数和聚类中心进行初始化，然后计算样本数据的模糊隶属度，模糊隶属度计算公式如式(2)所示，

其中，d_ij为样本中第j个数据h_j到聚类中心v_i相似度的规范，d_ij＝||h_j-v_i||；d_ik为聚类中心v_k到聚类中心v_i相似度的规范，d_ik＝||v_k-v_i||；

为避免噪声点被划分为一类的情况出现，对隶属度公式进行非线性修正，使所计算出来的隶属度不会太大或者太小。对隶属度公式进行非线性修正，用l_ij表示样本中第j个数据h_j到聚类中心v_i的距离，修正后的模糊隶属度计算公式为

(2)根据式(4)计算样本的聚类中心，判断阈值和迭代次数是否满足要求，不满足则继续进行迭代计算；

(3)阈值和迭代次数满足要求时，将聚类中心按从小到大的顺序排列，并通过式(5)对噪声点进行检测和剔除；

具体地，选取适当的模糊子集数目涵盖输入变量和输出变量的论域。由实际生产过程及专家经验，磨矿过程输入变量模糊子集一般选取5个或者7个。在本实施例中根据实际的工况，用五个模糊子集{LL,L,M,H,HH}＝{“很低”，“低”，“正常”，“高”，“很高”}涵盖输入变量的论域。为保证磨矿分过程的控制精度，输出量的模糊子集要选取的更加精细，选取七个模糊子集{NB,NM,NS,O,PS,PM,PB}＝{“负大”，“负中”，“负小”，“零”，“正小”，“正中”，“正大”}涵盖输出变量的论域。

采集现场过去24小时的磨音和功率数据作为样本数据。通过改进的模糊-C均值算法计算样本数据聚类中心，聚类数目c＝5，结果如表1所示，v_i为聚类中心，i∈{1，2，3，4，5}。

表1改进的模糊-C均值算法计算样本数据聚类中心的结果

S2：根据聚类中心更新模糊控制器输入的论域和隶属函数参数。

具体地，步骤S2中根据聚类中心更新模糊控制器输入的论域和隶属函数参数的步骤如下：

(1)根据表1的聚类结果得到输入量的模糊论域[ω+rv₁,ω+rv₅]，r为实数且r∈{y|0<y<1}，各输入变量的论域如表2所示，

表2输入变量论域

结合式(6)将聚类结果对应到各模糊子集的中点，

其中，LL、L、M、H、HH为涵盖输入量论域的五个模糊子集，v_i为步骤S1得到的样本数据聚类中心，i∈{1，2，3，4，5}；ω为聚类中心的中位数，ω＝v₃，是变量在正常工况下的期望值。

输出量的论域划分更依赖于实际生产过程操作人员及专家经验。总结实际操作人员各类工况下的操作经验数据，将输出量的论域划分为[-νλ₃,νλ₃]，ν为实数且ν∈{x|1<x<2}，结合式(7)将输出变量的调整量对应到各模糊子集的中点，如表3所示。

其中，NB、NM、NS、O、PS、PM、PB为涵盖输出量论域的七个模糊子集，λ_i为输出变量的调整量，i∈{0,1,2,3}。

表3输出变量论域划分

(2)在实际设计过程中，远离系统状态平衡点即偏差较大时采用分辨率较低的隶属函数，分辨率低的隶属函数的曲线较为平缓，控制灵敏度比较低。偏差较小时，选用分辨率较高的隶属函数，灵敏度比较高。隶属函数这样分布可以提高平衡点附近的控制精度，又可以使系统从远离平衡点处快速趋向平衡点附近。Z型和S型隶属函数分辨率比较低，钟型和三角型隶属函数分辨率较高。输入变量的模糊子集LL和HH分别选取Z型和S型隶属函数，模糊子集L和H的隶属函数类型为三角型隶属函数或钟型隶属函数，模糊子集M选择钟型隶属函数有助于提高控制的稳定性。这四种隶属函数的描述如下：

其中，α为钟型隶属函数的中心点；β为隶属函数的振幅；δ为常数，通常取正数。

其中，a为Z型隶属函数左端点；b为Z型隶属函数的右端点。

其中，c为S型隶属函数左端点；d为S型隶属函数的右端点。

其中，b为三角型隶属函数中心点；a，c分别为三角型隶属函数左右端点。

(3)为保证模糊子集的隶属度函数具备一定交互性质，并且使两个相邻的隶属函数交叉点的隶属度值取得合适，结合式(12)计算各输入变量隶属度函数的参数。

其中，α,β,δ为钟型隶属函数的参数；a,b为Z型隶属函数的参数；c,d为S型隶属函数的参数；a,b,c为三角型隶属函数的参数；R_i为权重因子；v_i为聚类中心，i∈{1，2，3，4，5}；ω为聚类中心的中位数，ω＝v₃，是变量在正常工况下的期望值；δ为常数，取2.5或3。

输出变量的模糊子集NB和PB分别选取Z型和S型隶属函数，模糊子集NM、NS、O、PS、PM选择钟型隶属函数，通过式(13)计算输入变量的模糊子集的隶属函数参数，

式中，a₁,b₁为Z型隶属函数的参数；α₁,β₁,δ₁为钟型隶属函数的参数；c₁,d₁为S型隶属函数的参数；r_i为权重因子，i∈{0,1,2}；δ为常数，取2.5、3或3.5；

本实施例中，结合式(12)、式(13)和表1、表2、表3中变量论域划分结果计算变量的隶属函数参数，表4和表5展示了各个变量的各个模糊子集的隶属函数类型和参数。

表4输入变量隶属函数表

表5输出变量隶属函数表

S3：获取当前时刻t的磨音和功率数据，提取磨音趋势，计算磨音偏差。

具体地，在使用传统电耳法检测磨机的磨音时，由于工艺过程受环境及其他设备的噪声干扰，所检测的磨音会涵盖大量的噪声信号。在实际的磨矿工艺过程中，操作员也极少关注磨音趋势的变化。磨音趋势变化信息能够反映磨机负荷状态的变化，对调控给矿量起到关键性的指导作用。通过调节给矿量，避免磨机出现“饱磨”或者是“空磨”现象，从而保证整个磨矿过程的磨矿效率。

具体地，步骤S3中采用基于滑动窗口的定性趋势分析的方法提取磨音趋势，步骤流程如图4所示，具体包括以下步骤：

(1)假设长度为l的磨音数据x₁,x₂...，x_l，对应的时间变量为t₁,t₂...，t_l，并令滑动的时间窗口初始宽度为D；

(2)由于数据在激励、传输和检测过程中，可能受到随机噪声和粗大误差不同程度的污染，因此，在进行定性趋势分析前，对数据进行降噪处理；

(3)将时间窗口宽度初始化为D，再用一个滑动的时间窗口对数据进行线性回归，获得组成整个趋势的各个片段；

(4)对拟合结果进行显著性F检验，验证拟合效果；

(5)对所有提取出来的片段进行识别，如果提取时，片段是没有变化的，即为工况稳定不变；否则，如果a>0，片段为上升趋势，a<0，片段为下降趋势。

S4：将磨音偏差、磨音趋势、磨机功率输入模糊控制器，其结构如图3所示，进行模糊控制，得到给矿量和给水量的设定值，并下发到磨矿过程。

具体地，步骤S4中根据专家调节经验及操作员描述性回答得到经验：

若磨音偏低且保持不变，磨机功率越小，则给矿量设定值减小得越多；

若磨音偏低且保持不变，磨机功率越大，则给矿量设定值减小得越少；

若磨音偏高且保持不变，磨机功率越小，则给矿量设定值增大得越多；

若磨音偏高且保持不变，磨机功率越大，则给矿量设定值增大得越少；

若磨音偏高且越来越大，则增大给矿量设定值；反之，则减小给矿量设定值；

由上述经验，结合输入输出变量的模糊子集确定具体的模糊控制规则，如表6所示，模糊控制器的模糊逻辑推理的合成法则是取大-取小法，采用面积重心法作为去模糊化方法。

表6给矿量控制规则表

结合磨音趋势变化信息，如果磨音趋势保持稳定则按照上表所示控制规则表控制，其他情况按下述规则进行优化控制。

IF(趋势值is LL or L)and(磨音偏差is L or LL)Then(给矿量is NB)；

IF(趋势值is LL or L)and(磨音偏差is M)Then(给矿量is NS)；

IF(趋势值is LL or L)and(磨音偏差is H or HH)and(功率is LL or L)Then(给矿量is PM)；

IF(趋势值is LL or L)and(磨音偏差is L or LL)and(功率is H or HH)Then(给矿量is NM)；

IF(趋势值is H)and(磨音偏差is L or LL)Then(给矿量is NM)；

IF(趋势值is HH)and(磨音偏差is L or LL)Then(给矿量is NS)；

IF(趋势值is H or HH)and(磨音偏差is M)and(功率is LL or L)Then(给矿量isPS)；IF(趋势值is H or HH)and(磨音偏差is H or HH)Then(给矿量is PB)。

S5：经过一个控制周期T后，当前时刻t＝t+T。

具体地，步骤S5中控制周期T取为0.25小时，使得磨矿过程可以从一个稳态到达另一个稳态。

S6：判断当前时刻t是否小于24；若是，则返回S3；若否，则返回S1。

在某选矿厂对本发明提出的磨矿过程智能优化控制方法进行测试。根据该选矿厂2022年1到5月份的实际生产数据，重复上述步骤对本发明提出的磨矿过程智能优化控制方法进行测试。为与人工控制做比较，记录每个控制周期内工人依据经验得出的给矿量设定值。

该选矿厂2022年1到5月份的正常生产时间有152天，其中有12天因故停机时间超过4小时。为了合理对比本发明提出的磨矿过程智能优化控制和人工控制，剔除这12天的数据。对比其余140天的优化控制下矿石处理量和人工控制下矿石处理量，对比效果如图5所示。在140天内，优化控制下日均矿石处理量比人工控制下日均矿石处理量多149.5t，矿石处理量提高了4.3％。优化控制下矿石处理量大于人工控制下矿石处理量的天数为97天。优化控制下的矿石处理量波动性比人工控制小，说明优化控制下磨矿过程更加平稳。所以，优化控制保证日矿石处理量稳定性的能力较好，更有助于保证平稳生产。按月份对人工控制结果和优化控制结果对比如图6所示。

基于上述分析可知，本发明提出的磨矿过程智能优化控制方法可以保证磨矿过程平稳和提高矿石处理量，提高磨矿效率。

Claims (7)

1.一种磨矿过程智能优化控制方法，其特征在于，包括：

S1：获取过去H小时的磨音和磨机功率数据作为样本数据，运用改进的模糊-C均值聚类算法按照变量的模糊子集数目计算样本数据聚类中心，并将当前时刻t初始化为0；所述改进的模糊-C均值算法按照变量的模糊子集数目计算样本数据聚类中心，其目标函数为

其中，N代表数据总样本数；C代表簇数；v_i代表类别i的聚类中心；||·||是衡量样本第j条数据h_j与聚类中心v_i相似度的规范，m是平滑因子，用于计算强制性分类的接受程度，并找到不同簇之间彼此重叠的程度；u_ij是样本第j条数据h_j隶属于聚类中心v_i的隶属度；θ为模型参数；

改进的模糊-C均值算法包括以下步骤：

(1)将聚类数设置为输入变量的模糊子集数目，对隶属度收敛阈值、迭代次数和聚类中心进行初始化，然后计算样本数据的模糊隶属度，模糊隶属度计算公式如式(2)所示，

其中，d_ij为样本中第j个数据h_j到聚类中心v_i相似度的规范，d_ij＝||h_j-v_i||；d_ik为聚类中心v_k到聚类中心v_i相似度的规范，d_ik＝||v_k-v_i||；

对隶属度公式进行非线性修正，用l_ij表示样本中第j个数据h_j到聚类中心v_i的距离，修正后的模糊隶属度计算公式为：

(2)根据式(4)计算样本的聚类中心，判断阈值和迭代次数是否满足要求，不满足则继续进行迭代计算：

(3)阈值和迭代次数满足要求时，将聚类中心按从小到大的顺序排列，并通过式(5)对噪声点进行检测和剔除：

S2：根据聚类中心更新模糊控制器输入变量的论域和隶属度函数参数；

S3：获取当前时刻t的磨音和功率数据，计算磨音期望值与实际磨音值的偏差，运用基于滑动窗口的定性趋势分析方法提取磨音趋势；

S4：将磨音偏差、磨音趋势、磨机功率输入模糊控制器，进行模糊控制，得到给矿量和给水量的设定值，并下发到磨矿过程；

S5：经过一个控制周期T后，当前时刻t＝t+T；

S6：判断当前时刻t是否小于H；若是，则返回S3；若否，则返回S1。

2.根据权利要求1所述的磨矿过程智能优化控制方法，其特征在于，所述步骤S2中根据聚类中心更新模糊控制器输入的论域和隶属函数参数的步骤如下：

(1)根据改进的模糊-C均值算法聚类结果得到输入量的论域[ω+rv₁,ω+rv₅]，r为实数且r∈{y|0<y<1}，结合式(6)将聚类结果对应到各模糊子集的中点，

其中，LL、L、M、H、HH为涵盖输入量论域的五个模糊子集；v_i为步骤S1得到的聚类中心，i∈{1，2，3，4，5}；ω为聚类中心的中位数，ω＝v₃，是变量在正常工况下的期望值；

输出量的论域为[-νλ₃,νλ₃]，ν为实数且ν∈{x|1<x<2}，结合式(7)将输出变量的调整量对应到各模糊子集的中点，

其中，NB、NM、NS、O、PS、PM、PB为涵盖输出量论域的七个模糊子集，λ_i为输出变量的调整量，i∈{0，1，2，3}，且λ₀＝0；

(2)输入变量的模糊子集LL和HH分别选取Z型和S型隶属函数，模糊子集L和H的隶属函数类型为三角型隶属函数或钟型隶属函数，模糊子集M选择钟型隶属函数，结合式(8)计算各输入变量的模糊子集的隶属度函数参数，

其中，α,β,δ为钟型隶属函数的参数；a,b为Z型隶属函数的参数；c,d为S型隶属函数的参数；a,b,c为三角型隶属函数的参数；R_i为权重因子，v_i为聚类中心，i∈{1，2，3，4，5}；ω为聚类中心的中位数，ω＝v₃，是变量在正常工况下的期望值；δ为常数，取2.5或3；

输出变量的模糊子集NB和PB分别选取Z型和S型隶属函数，模糊子集NM、NS、O、PS、PM选择钟型隶属函数，通过式(9)计算输入变量的模糊子集的隶属函数参数，

其中，a₁,b₁为Z型隶属函数的参数；α₁,β₁,δ₁为钟型隶属函数的参数；c₁,d₁为S型隶属函数的参数；r_i为权重因子，i∈{0,1,2}；δ为常数，取2.5、3或3.5；λ_i是由实际操作经验数据得到的输出变量的调整量，i∈{0,1,2,3}。

3.根据权利要求1所述的磨矿过程智能优化控制方法，其特征在于，所述步骤S3中采用基于滑动窗口的定性趋势分析的方法提取磨音趋势，具体包括以下步骤：

(1)假设长度为l的磨音数据x₁,x₂...,x_l，对应的时间变量为t₁,t₂...,t_l，并令滑动的时间窗口初始宽度为D；

(2)在进行定性趋势分析前，对数据进行降噪处理；

(3)将滑动时间窗口的宽度初始化D，再用一个滑动的时间窗口对数据进行线性回归，获得组成整个趋势的各个片段；

(4)对拟合结果进行显著性F检验，验证拟合效果；

(5)对所有提取出来的片段进行识别，如果提取时，片段是没有变化的，即为工况稳定不变；否则，如果a>0，片段为上升趋势，a<0，片段为下降趋势。

4.根据权利要求1所述的磨矿过程智能优化控制方法，其特征在于，所述步骤S4中根据专家调节经验及操作员描述性回答得到经验：

若磨音偏低且保持不变，磨机功率越小，则给矿量设定值减小得越多；

若磨音偏低且保持不变，磨机功率越大，则给矿量设定值减小得越少；

若磨音偏高且保持不变，磨机功率越小，则给矿量设定值增大得越多；

若磨音偏高且保持不变，磨机功率越大，则给矿量设定值增大得越少；

若磨音偏高且越来越大，则增大给矿量设定值；反之，则减小给矿量设定值；

由上述经验，结合输入输出变量的模糊子集确定具体的模糊控制规则；模糊控制器的模糊逻辑推理的合成法则是取大-取小法，采用面积重心法作为去模糊化方法。

5.根据权利要求1所述的磨矿过程智能优化控制方法，其特征在于，所述步骤S5中的T为控制周期，T使得磨矿过程从一个稳态到达另一个稳态。

6.根据权利要求1所述的磨矿过程智能优化控制方法，其特征在于，所述步骤S1中的平滑因子m设为2。

7.根据权利要求1所述的磨矿过程智能优化控制方法，其特征在于，所述步骤S1中的H为大于0的整数。

Images