CN115970883A - 一种赤铁矿强磁选工艺参数的优化方法 - Google Patents

Abstract

本发明涉及一种赤铁矿强磁选工艺参数的优化方法，通过在本发明的智能优化计算系统中建立强磁选作业尾矿品位和精矿产率与主要强磁选工艺参数(≥3，例如励磁电流、脉动冲次、给矿阀开度、尾矿阀开度和冲洗水阀开度)之间关系的两个优化模型，并将双目标优化转换成单目标优化，然后采用改进粒子群优化BP神经网络算法进行工艺参数寻优，实现强磁选工艺参数的智能调控，在获得尾矿品位和精矿产率综合效果最佳的情况下，将工艺参数的优化方案反馈到强磁选系统，调节控制生产处于最优状态。本发明的优点是：强化强磁选分选效果，增加抛弃合格尾矿的产率，减少后续选别作业的给矿量，且改善分选效果，节能降耗，提高选矿厂技术指标和经济效益。

Description

一种赤铁矿强磁选工艺参数的优化方法

技术领域

本发明属于矿物加工工程自动控制技术领域，具体涉及一种赤铁矿强磁选工艺参数的优化方法。

背景技术

对于处理弱磁性赤铁矿的选矿厂来讲，采用强磁机的主要作用在于强磁抛尾，即在尾矿品位合格的前提下，尽可能多的抛除尾矿，也就是说尾矿品位要低，精矿产率要少。立环强磁选机主要由给矿器、磁轭铁芯、磁系线圈、分选环、接矿槽、冲压水管和传动机构等部件构成。从分选原理上简单讲，强磁机工作时，赤铁矿矿浆给入进入磁轭铁芯间隙磁场区内分选环上的分选室(聚磁介质盒)内，在此处聚磁介质被磁系产生的磁场磁化，产生不均匀强磁场，将弱磁性矿粒吸附在聚磁介质上，而非磁性矿粒不受磁力随矿浆由聚磁介质之间缝隙迂迥流出进入尾矿槽，成为尾矿；被吸在聚磁介质上的弱磁性矿粒随分选环旋转，上升至顶部无磁场区，顶部的高压冲洗水把弱磁性矿粒冲出流入到精矿槽，成为精矿，从而实现精矿尾矿分离，完成选分过程。

强磁选作业的生产工艺参数包括给矿量、给矿浓度、磁感应强度、分选液位、脉动冲次、冲洗水量等参数。目前，虽然强磁选选别技术在工艺上已经比较成熟，但是实际生产中这些主要工艺参数的调节控制却不尽如人意，例如：

漂洗水流量控制，由于没有水流量检测装置，漂洗水流量的控制依靠操作员，眼睛观察水流来判断水流量，通过手动调节漂洗水阀开度来控制水流量大小，直到得到满意的水量，显然这种方式难以实现水流量的精确稳定控制。

给矿浓度控制，给矿浓度大小依靠人工采样化验得到，操作员根据化验数据，来调节给矿浓度调节阀开度，来控制给矿浓度，由于采样检测周期较长，因而给矿浓度的调节存在严重滞后的问题。

磁场强度控制，磁场强度的控制是通过PLC调整控制强磁机的励磁电流大小来实现的，而实际生产中操作员一般不改变励磁电流，即固定磁场强度，不进行调节。

给矿量的调节停留在手动控制给矿阀门，液位的条件目前没有实现自动控制，强磁选的给矿、精矿和尾矿品位检测还停留在采样人工化验检测阶段，也存在严重滞后的问题，没有实现智能精准感知。

综上所述，强磁选作业效果影响因素很多很复杂，各个工艺参数之间具有强耦合、强非线性、且工况变化频繁的特点，使得尾矿品位和精矿产率与工艺参数之间不能用精确数学模型描述，导致强磁选选别过程难以实现自动控制，尾矿品位和精矿产率波动较大，生产不稳定，常常出现尾矿品位偏高，金属流失严重的问题。

发明内容

本发明的目的在于提供一种赤铁矿强磁选工艺参数的优化方法，通过建立尾矿品位和精矿产率与主要强磁选工艺参数之间关系的两个优化模型，并将多目标优化转换成单目标优化，然后采用改进粒子群优化BP神经网络算法进行工艺参数寻优，实现强磁选工艺参数的智能调控，在获得尾矿品位和精矿产率综合效果最佳的情况下，将工艺参数的优化方案反馈到强磁选系统，强化分选效果，提高抛尾产率，实现选矿厂生产效益的最大化。

本发明的目的是通过下述技术方案实现的：

本发明的一种赤铁矿强磁选工艺参数的优化方法，包括选矿厂强磁选系统、还包括与所述的强磁选系统电性相连或无线相连的数据感知系统、网络传输系统和智能优化计算系统，其特征在于，该优化方法包括以下步骤：

步骤1、数据感知系统采集信息数据，并通过网络传输系统将信息数据传送到智能优化计算系统；

所述的信息数据为强磁选系统运行过程中的信息数据，包括在线测量的信息数据；给矿流量、给矿浓度、给矿品位Ⅰ、给矿阀开度、尾矿品位Ⅰ、尾矿阀开度、精矿品位Ⅰ、冲洗水流量、冲洗水阀开度、卸矿水流量、卸矿水阀开度、溢流槽液位、励磁电流和脉动冲次，以及离线测量人工化验的给矿品位Ⅱ、尾矿品位Ⅱ和精矿品位Ⅱ。

步骤2、在所述的智能优化计算系统中对采集的信息数据进行归一化处理，然后选择尾矿品位为目标函数f₁(X)，选择精矿产率为目标函数f₂(X)，构建尾矿品位和精矿产率与强磁选主要工艺参数之间的优化模型，所述的主要工艺参数数目为m,m≥3，并将多目标函数优化模型转化为单目标函数优化模型，具体步骤如下：

S2.1、智能优化计算系统对采集的信息数据进行清洗融合，去除数据噪声和干扰，保留和增强有用信号，进行归一化处理，并将标准化和离散化的信息数据保存到数据存储模块；

S2.2分别选择尾矿品位和精矿产率为目标函数，分别构建尾矿品位和精矿产率与强磁选主要工艺参数之间的优化模型，并将多目标函数转化为单目标函数，具体过程如下：

S2.2.1以目标函数强磁选尾矿品位f₁(X)和目标函数强磁选精矿产率f₂(X)为优化目标，构建工艺参数的优化模型如下：

式中，X₁为工艺参数1，X₂为工艺参数2，……，X_m为工艺参数m；b_i和a_i分别为对应输入变量X_i(i＝1,2,...,m)的取值上下限；

强磁选尾矿品位f₁(X)的计算公式如下：

f₁(X)＝θ       (2)

强磁选精矿产率(f₂(X))的计算公式如下：

式中：α——强磁选给矿品位，％；β——强磁选精矿品位，％；θ——强磁选尾矿品位，％；

S2.2.2、将多目标函数转化为单目标函数

采用加权组合法对各目标函数赋予不同的权重值k_i，将多目标函数优化模型转化成统一的单目标函数优化模型，以消除不同量纲的影响，具体过程如下：

F(X)＝min[f₁(X),f₂(X)]＝k₁f₁(X)+k₂f₂(X)  (4)

式中k_i(i＝1,2)为单目标输出值的权重系数，由如下关系确定其取值；

k_i＝0.5×1/Δf_i ²(x)  (5)

其中Δf_i(X)＝(c-d)/2

式中c,d分别为单目标输出值f_i(x)的变化范围。

步骤3、采用改进粒子群优化BP神经网络算法对目标函数进行工艺参数智能寻优，获得尾矿品位和精矿产率综合效果最佳的工艺参数的优化方案，将工艺参数的优化方案反馈到强磁选系统，实现生产过程的闭环优化管理，具体步骤如下：

S3.1采用改进粒子群优化BP神经网络算法进行工艺参数寻优的计算过程如下：

所述粒子群PSO为：种群由D维搜索空间的N个粒子构成，第i个粒子的位置为X_i＝(x_i1,x_i2,...,x_iD)，其速度为V_i＝(v_i1,v_i2,...,v_iD)，粒子的个体极值为P_i＝(p_i1,p_i2,...,p_iD)，全局极值为P_g＝(p_g1,p_g2,...,p_gD)，其迭代关系如下：

式中c₁，c₂为学习因子，取c₁＝c₂＝2；t为迭代次数；r₁，r₂为[0,1]区间的独立随机数；ω为惯性权重，决定算法的探索能力；为了合理限制粒子的运动范围，设定粒子的速度区间为[V_min,V_max]，位置区间为[X_min,X_max]；对粒子速度v_ij按照阈值系数ρ的取值情况进行改进：

ρ＝(3×t+0.6×t_max)/t_max(8)

式中，t为当前迭代次数，t_max为最大迭代次数；当ρ＞0.9时，由式(6)和(7)计算各粒子的速度与位置；当ρ＜0.9时，由式(8)和(6)计算各粒子的速度与位置；对惯性权重ω采用非线性递减方式增强其搜索能力，改进的惯性权重为：

采用BP神经网络算法时，根据输入和输出节点数选取5-N-2形式的3层模型结构，且隐含层节点数按式(11)进行初始化：

式中，N_h为隐含层节点数，N_i为输入层节点数，N_o为输出层节点数；

网络结构中隐含层计算值与输出层计算值分别为：

式中，f(X)为隐含层激励函数，δ_j为隐含层阈值，ε_k为输出层阈值。

所述隐含层激励函数选取sigmoid函数，在进行BP神经网络训练时，对数据进行归一化预处理，以消除量纲的影响并提高训练效率和数据的泛化能力，归一化关系如下：

式中，X',X分别为转换前后的值，X_max,X_min分别为样本的最大值和最小值；

S3.2、根据数据感知系统获取相关样本数据并应用公式(13)进行归一化预处理，然后将其中一部分作为BP神经网络的训练数据，剩余部分作为测试数据，同时初始化BP神经网络；确定隐含层数目为9时模型预测精度最优，从而选择神经网络结构为5-9-2，同时设置神经网络的训练步数为10³，目标误差为10^-6；

S3.3、粒子群参数初始化设置，并将BP神经网络的输出误差值作为粒子适应度，然后计算初始种群的个体最优值与全局最优值；确定粒子维数为：n＝n₁×n₂+n₂×n₃+θ_j+γ_k＝5×9+9×3+9+3＝84，种群数量m＝30，最大迭代次数t_max＝200，精度为10^-3，粒子速度和位置区间分别为[-0.2,0.2]和[-5,5]，惯性权值系数按公式(9)进行取值和修正；

S3.4、按照粒子速度和位置的更新计算公式(8)～公式(12)进行迭代运算，通过改进粒子群寻优获得种群的全局最优值，从而赋予BP神经网络的权值和阈值；

S3.5、BP神经网络以最优权值和阈值进行模型训练和预测处理，在获得尾矿品位和精矿产率综合效果最佳的情况下，获得励磁电流(X₁)、给矿阀开度(X₂)、尾矿阀开度(X₃)、脉动冲次(X₄)和冲洗水阀开度(X₅)的最佳组合预测结果，然后将该数据传输到强磁选系统中，实现生产过程工艺参数的智能闭环控制。

进一步地，所述的强磁选系统包括立环强磁机、浓缩机、给矿箱、渣浆泵、设置在立环强磁机给矿管上的给矿电动阀、设置在立环强磁机尾矿管上的尾矿电动阀、设置在立环强磁机冲洗水管上的冲洗水电动阀、设置在立环强磁机卸矿水管上的卸矿水电动阀、以及由PLC控制器调节控制的强磁机励磁电流和脉动机构的脉动冲次。

进一步地，所述的智能感知系统包括设置在强磁机给矿管上的给矿流量计、给矿浓度计、给矿品位仪，设置在立环强磁机尾矿管上的尾矿品位仪，设置在立环强磁机精矿管上的精矿品位仪，设置在立环强磁机冲洗水管上的冲洗水流量计，设置在立环强磁机卸矿水管上的卸矿水流量计和设置在立环强磁机溢流槽内的非接触式液位传感器。

进一步地，所述的网络传输系统包括生产车间传输网络及相应的网络路由器、数据通讯接口、人机交互接口和云数据库；网络传输支持局域网、LAN、WiFi、Zigbee、Bluetooth、5G、RFID和GPS。

进一步地，所述的智能优化计算系统由数据存储模块和智能优化模块组成，是集成CPU和智能芯片的系统，软件上包括一套面向开发者的智能计算编程环境。与现有技术相比，本发明的优点是：

本发明能够智能调控赤铁矿强磁选系统的主要工艺参数，强化强磁选分选效果，达到强磁选作业尾矿品位和精矿产率的综合效果最优，也就是增加抛弃合格尾矿的产率，减少后续选别作业的给矿量，且改善后续选别作业的分选效果，节能降耗，提高选矿厂技术经济效益。

附图说明

图1为本发明的结构框图

图2为本发明的检测控制流程示意图

图3为本发明的设备形象联系图

图4为本发明采用的神经网络结构组成示意图

图5为本发明优化工艺参数的IPSO-BP算法流程图

图3中：1-浓缩机；2-给矿箱雷达液位计；3-给矿箱；4-给矿流量计；5-给矿浓度计；6-给矿品位仪；7-给矿电动阀；8-冲洗水流量计；9-冲洗水电动阀；10-卸矿水流量计；11-卸矿水电动阀；12-溢流槽雷达液位计；13-立环强磁机；14-精矿品位仪；15-尾矿品位仪；16-尾矿电动阀；17-渣浆泵。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步说明：

实施例

如图3所示，某赤铁矿选矿厂强磁选系统包括立环强磁机13、浓缩机1、给矿箱3、给矿箱雷达液位计2、渣浆泵17、设置在立环强磁机13给矿管上的给矿电动阀7、设置在立环强磁机尾矿管上的尾矿电动阀16、设置在立环强磁机冲洗水管上的冲洗水电动阀9、设置在立环强磁机卸矿水管上的卸矿水电动阀11、以及由PLC控制器调节控制的强磁机励磁电流和脉动机构的脉动冲次。

智能感知系统包括设置在立环强磁机给矿管上的给矿流量计4、给矿浓度计5、给矿品位仪6，设置在立环强磁机尾矿管上的尾矿品位仪15，设置在立环强磁机精矿管上的精矿品位仪14，设置在立环强磁机冲洗水管上的冲洗水流量计8，设置在立环强磁机卸矿水管上的卸矿水流量计10和设置在立环强磁机溢流槽内的非接触式雷达液位计12。

网络传输系统包括生产车间传输网络及相应的网络路由器、数据通讯接口、人机交互接口和云数据库；网络传输支持局域网、LAN、WiFi、Zigbee、Bluetooth、5G、RFID和GPS。

智能优化计算系统由数据存储模块和智能优化模块组成，是集成CPU和智能芯片的系统，软件上包括一套面向开发者的智能计算编程环境。

以SLON2000系列立环强磁机的实际生产情况为例，立环强磁机13给矿粒度为-200目占82％，给矿品位为20％。

如图3所示，选矿厂赤铁矿强磁选系统的生产过程介绍如下：

强磁选前浓缩机1底流通过渣浆泵17将待分选矿浆给入强磁选前给矿箱3内，给矿箱3的返矿管位置布置给矿雷达液位计2，多余给矿矿浆通过返矿管给回强磁选前浓缩机1，给矿矿浆自流给入立环强磁机13，立环强磁机13给矿管上设置给矿流量计4、给矿浓度计5、给矿品位仪6和给矿电动阀门7。当立环强磁机13的励磁线圈给入大电流的直流电时，在分选空间内聚磁介质表面附近形成很高的磁场强度和磁场梯度，能够对通过聚磁介质周边矿浆中的磁性颗粒施加很大的磁场力。分选环由传动电机及减速机和一对齿轮带动顺时针方向转动，其下部通过上磁极和下磁极形成的弧形分选空间，分选环上的每一个分选小室都充满聚磁介质。矿浆由给矿斗均匀地进入分选空间，由于磁场力的作用，磁性矿物颗粒被吸附在聚磁介质表面上，调整脉冲机构使得脉冲频率和峰值较小，这样产生的流体动力很小，磁性极弱和非磁性颗粒受到的磁场力极小，它们受到矿浆的流体动力大于磁场力，不能被聚磁介质吸住而通过其空隙进入尾矿斗，尾矿管路设置尾矿品位仪15和尾矿电动阀门16。剩下吸附在聚磁介质表面上的颗粒群随分选环转动，调整脉动机构使得脉冲频率和峰值增大，这样产生的流体动力随之增强，此时其它磁性较弱的颗粒和连主体受到的磁场力小于流体动力，它们就会脱离聚磁介质表面通过其空隙进入尾矿斗也成为强磁选尾矿产品；而不脱落的磁性较强的颗粒群受到磁场力大于流体动力被牢牢地吸在聚磁介质表面上继续随同分选环转动，逐渐脱离磁场，进入磁性产品卸矿区，由于磁场在该区很弱，用精矿冲洗水将磁性物从聚磁介质表面冲洗下来并进入精矿斗中，即为磁性精矿产品，精矿管路位置设置精矿品位仪14检测精矿品位。

如图1～图5所示，本发明的一种赤铁矿强磁选工艺参数的优化方法，包括选矿厂强磁选系统、还包括与所述的强磁选系统电性相连或无线相连的数据感知系统、网络传输系统和智能优化计算系统，其特征在于，该优化方法包括以下步骤：

步骤1、数据感知系统采集信息数据，并通过网络传输系统将信息数据传送到智能优化计算系统；

所述的信息数据为强磁选系统运行过程中的信息数据，包括在线测量的信息数据：给矿流量、给矿浓度、给矿品位Ⅰ、给矿阀开度、尾矿品位Ⅰ、尾矿阀开度、精矿品位Ⅰ、冲洗水流量、冲洗水阀开度、卸矿水流量、卸矿水阀开度、溢流槽液位、励磁电流和脉动冲次，以及离线测量人工化验的给矿品位Ⅱ、尾矿品位Ⅱ和精矿品位Ⅱ；

其中给矿流量、冲洗水流量和卸矿水流量采用电磁流量计测量；给矿浓度采用超声波矿浆浓度仪测量，给矿品位Ⅰ、尾矿品位Ⅰ、精矿品位Ⅰ采用X荧光在线品位分析仪检测，溢流槽液位采用雷达液位计检测，给矿阀开度、尾矿阀开度、冲洗水阀开度、卸矿水阀开度采用电动执行器检测控制。

步骤2、在所述的智能优化计算系统中对采集的信息数据进行归一化处理，然后选择尾矿品位为目标函数f₁(X)，选择精矿产率为目标函数f₂(X)，构建尾矿品位和精矿产率与强磁选主要工艺参数之间的优化模型，并将多目标函数优化模型转化为单目标函数优化模型，具体步骤如下：

S2.1、智能优化计算系统对采集的信息数据进行清洗融合，去除数据噪声和干扰，保留和增强有用信号，进行归一化处理，并将标准化和离散化的信息数据保存到数据存储模块；

S2.2分别选择尾矿品位和精矿产率为目标函数，分别构建尾矿品位和精矿产率与强磁选工艺参数之间的优化模型，并将多目标函数优化模型转化为单目标函数优化模型。

首先，在步骤1获得的上述信息数据中选择对强磁选作业尾矿品位f₁(X)和精矿产率f₂(X)影响较大的五个工艺参数为自变量，分别为励磁电流、给矿阀开度、尾矿阀开度、脉动冲次和冲洗水阀开度，然后构建尾矿品位和精矿产率与强磁选作业五个工艺参数之间的优化模型，具体过程如下：

S2.2.1以目标函数强磁选尾矿品位f₁(X)和目标函数强磁选精矿产率f₂(X)为优化目标，构建工艺参数的优化模型如下：

式中，X₁为励磁电流，X₂为给矿阀开度，X₃为尾矿阀开度，X₄为脉动冲次，X₅为冲洗水阀开度；b_i和a_i分别为对应输入变量X_i(i＝1,2,...,5)的取值上下限；

强磁选尾矿品位f₁(X)的计算公式如下：

f₁(X)＝θ       (2)

强磁选精矿产率(f₂(X))的计算公式如下：

式中：α——强磁选给矿品位，％；β——强磁选精矿品位，％；θ——强磁选尾矿品位，％；

S2.2.2、将双目标函数优化模型转化为单目标函数优化模型

采用加权组合法对各目标函数赋予不同的权重值k_i，将双目标函数优化模型转化成统一的单目标函数优化模型，以消除不同量纲的影响，具体过程如下：

F(X)＝min[f₁(X),f₂(X)]＝k₁f₁(X)+k₂f₂(X)(4)

式中k_i(i＝1,2)为单目标输出值的权重系数，由如下关系确定其取值；

k_i＝0.5×1/Δfi2(x) (5)

其中Δf_i(X)＝(c-d)/2

式中c,d分别为单目标输出值f_i(x)的变化范围。

步骤3、采用改进粒子群优化BP神经网络算法对目标函数进行工艺参数智能寻优，在获得尾矿品位和精矿产率综合效果最佳的情况下，将工艺参数的优化方案反馈到强磁选系统，实现生产过程的闭环优化管理，具体步骤如下：

S3.1、采用改进粒子群优化BP神经网络算法进行工艺参数寻优的计算过程如下：

所述粒子群PSO为：种群由D维搜索空间的N个粒子构成，第i个粒子的位置为X_i＝(x_i1,x_i2,...,x_iD)，其速度为V_i＝(v_i1,v_i2,...,v_iD)，粒子的个体极值为P_i＝(p_i1,p_i2,...,p_iD)，全局极值为P_g＝(p_g1,p_g2,...,p_gD)，其迭代关系如下：

式中c₁，c₂为学习因子，取c₁＝c₂＝2；t为迭代次数；r₁，r₂为[0,1]区间的独立随机数；ω为惯性权重，决定算法的探索能力；为了合理限制粒子的运动范围，设定粒子的速度区间为[v_min,v_max]，位置区间为[X_min,X_max]；对粒子速度v_ij按照阈值系数ρ的取值情况进行改进：

ρ＝(3×t+0.6×t_max)/t_max(8)

式中，t为当前迭代次数，t_max为最大迭代次数；当ρ＞0.9时，由式(6)和(7)计算各粒子的速度与位置；当ρ＜0.9时，由式(8)和(6)计算各粒子的速度与位置；对惯性权重ω采用非线性递减方式增强其搜索能力，改进的惯性权重为：

采用BP神经网络算法时，根据输入和输出节点数选取5-N-2形式的3层模型结构，且隐含层节点数按式(11)进行初始化：

式中，N_h为隐含层节点数，N_i为输入层节点数，N_o为输出层节点数；

网络结构中隐含层计算值与输出层计算值分别为：

式中，f(X)为隐含层激励函数，δ_j为隐含层阈值，ε_k为输出层阈值。

所述隐含层激励函数选取sigmoid函数，在进行BP神经网络训练时，对数据进行归一化预处理，以消除量纲的影响并提高训练效率和数据的泛化能力，归一化关系如下：

式中，X',X分别为转换前后的值，X_max,X_min分别为样本的最大值和最小值；

S3.2、根据数据感知系统获取相关样本数据并应用公式(13)进行归一化预处理，然后将其中一部分作为BP神经网络的训练数据，剩余部分作为测试数据，同时初始化BP神经网络；确定隐含层数目为9时模型预测精度最优，从而选择神经网络结构为5-9-2，同时设置神经网络的训练步数为10³，目标误差为10^-6；

S3.3、粒子群参数初始化设置，并将BP神经网络的输出误差值作为粒子适应度，然后计算初始种群的个体最优值与全局最优值；确定粒子维数为：n＝n₁×n₂+n₂×n₃+θ_j+γ_k＝5×9+9×3+9+3＝84，种群数量m＝30，最大迭代次数t_max＝200，精度为10^-3，粒子速度和位置区间分别为[-0.2,0.2]和[-5,5]，惯性权值系数按公式(9)进行取值和修正；

S3.4、按照粒子速度和位置的更新计算公式(8)～公式(12)进行迭代运算，通过改进粒子群寻优获得种群的全局最优值，从而赋予BP神经网络的权值和阈值；

S3.5、BP神经网络以最优权值和阈值进行模型训练和预测处理，在获得尾矿品位和精矿产率综合效果最佳的情况下，获得励磁电流(X₁)、给矿阀开度(X₂)、尾矿阀开度(X₃)、脉动冲次(X₄)和冲洗水阀开度(X₅)的最佳组合预测结果，然后将该数据传输到强磁选系统中，实现生产过程工艺参数的智能闭环控制。

如表1～表2所示，X₁,X₂,…,X₅表示5个实际参数输入；Y₁,Y₂表示2个期望目标输出，F为Y₁,Y₂综合后的期望目标输出，目标使得F值达到最小。

表1为本发明实施例中赤铁矿强磁选工艺参数的取值范围；

表1：本发明的赤铁矿强磁选工艺参数的取值范围

表2为本发明实施例中赤铁矿强磁选工艺参数的优化结果

表2：本发明的赤铁矿强磁选工艺参数的优化结果

由表2可知，优化后的平均尾矿品位为7.835％，平均精矿产率为26.24％。

表3为赤铁矿强磁选工艺参数不采用本发明方法的对比试验结果；

表3：不采用本发明方法的对比试验结果

由表3可知，平均尾矿品位为9.795％，平均精矿产率为29.83％。

由表2和表3的数据对比可以看出，采用本发明的优化方法，试验结果比优化前的平均尾矿品位和平均精矿产率分别降低1.96％和3.59％；也就是说，优化后的抛尾品位要比优化前的抛尾品位平均低1.96％，优化后的抛尾产率要比优化前的抛尾产率平均高3.59％，技术指标进步显著。

Claims (8)

1.一种赤铁矿强磁选工艺参数的优化方法，包括选矿厂强磁选系统、还包括与所述的强磁选系统电性相连或无线相连的数据感知系统、网络传输系统和智能优化计算系统，其特征在于，该优化方法包括以下步骤：

步骤1、数据感知系统采集信息数据，并通过网络传输系统将信息数据传送到智能优化计算系统；

步骤2、在所述的智能优化计算系统中对采集的信息数据进行归一化处理，选择尾矿品位和精矿产率为目标函数，构建尾矿品位和精矿产率与强磁选主要工艺参数之间的优化模型，并将多目标函数转化为单目标函数；

步骤3、采用改进粒子群优化BP神经网络算法对单目标函数进行工艺参数智能寻优，获得尾矿品位和精矿产率综合效果最佳的工艺参数优化方案，将工艺参数优化方案反馈到强磁选系统，实现生产过程的闭环优化管理。

2.根据权利要求1所述的优化方法，其特征在于，在步骤1中，所述的信息数据为强磁选系统运行过程中的信息数据，包括在线测量的信息数据；给矿流量、给矿浓度、给矿品位Ⅰ、给矿阀开度、尾矿品位Ⅰ、尾矿阀开度、精矿品位Ⅰ、冲洗水流量、冲洗水阀开度、卸矿水流量、卸矿水阀开度、溢流槽液位、励磁电流和脉动冲次，以及离线测量人工化验的给矿品位Ⅱ、尾矿品位Ⅱ和精矿品位Ⅱ。

3.根据权利要求1所述的优化方法，其特征在于，在步骤2中，所述的智能优化计算系统对采集的信息数据进行归一化处理，然后选择尾矿品位为目标函数f₁(X)，选择精矿产率为目标函数f₂(X)，构建尾矿品位和精矿产率与强磁选主要工艺参数之间的优化模型，所述的主要工艺参数数目为m,m≥3，并将多目标函数优化模型转化为单目标函数优化模型，具体步骤如下：

S2.1、智能优化计算系统对采集的信息数据进行清洗融合，去除数据噪声和干扰，保留和增强有用信号，进行归一化处理，并将标准化和离散化的信息数据保存到数据存储模块；

S2.2分别选择尾矿品位和精矿产率为目标函数，分别构建尾矿品位和精矿产率与强磁选主要工艺参数之间的优化模型，并将多目标函数优化模型转化为单目标函数优化模型，具体过程如下：

S2.2.1以目标函数强磁选尾矿品位f₁(X)和目标函数强磁选精矿产率f₂(X)为优化目标，构建工艺参数的优化模型如下：

式中，X₁为工艺参数1，X₂为工艺参数2，……，X_m为工艺参数m；b_i和a_i分别为对应输入变量X_i(i＝1,2,...,m)的取值上下限；

强磁选尾矿品位f₁(X)的计算公式如下：

f₁(X)＝θ       (2)

强磁选精矿产率(f₂(X))的计算公式如下：

式中：α——强磁选给矿品位，％；β——强磁选精矿品位，％；θ——强磁选尾矿品位，％；

S2.2.2、将多目标函数优化模型转化为单目标函数优化模型

采用加权组合法对各目标函数赋予不同的权重值k_i，将多目标函数优化模型转化成统一的单目标函数优化模型，以消除不同量纲的影响，具体过程如下：

F(X)＝min[f₁(X),f₂(X)]＝k₁f₁(X)+k₂f₂(X)    (4)

式中k_i(i＝1,2)为单目标输出值的权重系数，由如下关系确定其取值；

k_i＝0.5×1/Δf_i ²(x)     (5)

其中Δf_i(X)＝(c-d)/2

式中c，d分别为单目标输出值f_i(x)的变化范围。

4.根据权利要求1所述的优化方法，其特征在于，在步骤3中，所述的采用改进粒子群优化BP神经网络算法对单目标函数进行工艺参数智能寻优，获得尾矿品位和精矿产率综合效果最佳的工艺参数的优化方案，将工艺参数的优化方案反馈到强磁选系统，实现生产过程的闭环优化管理，具体步骤如下：

S3.1采用改进粒子群优化BP神经网络算法进行工艺参数寻优的计算过程；

所述粒子群PSO为：种群由D维搜索空间的N个粒子构成，第i个粒子的位置为X_i＝(x_i1,x_i2,...,x_iD)，其速度为V_i＝(v_i1,v_i2,...,v_iD)，粒子的个体极值为P_i＝(p_i1,p_i2,...,p_iD)，全局极值为P_g＝(p_g1,p_g2,...,p_gD)，其迭代关系如下：

式中c₁，c₂为学习因子，取c₁＝c₂＝2；t为迭代次数；r₁，r₂为[0,1]区间的独立随机数；ω为惯性权重，决定算法的探索能力；为了合理限制粒子的运动范围，设定粒子的速度区间为[v_min,v_max]，位置区间为[x_min,x_max]；对粒子速度v_ij按照阈值系数ρ的取值情况进行改进：

ρ＝(3×t+0.6×t_max)/t_max(8)

式中，t为当前迭代次数，t_max为最大迭代次数；当ρ＞0.9时，由式(6)和(7)计算各粒子的速度与位置；当ρ＜0.9时，由式(8)和(6)计算各粒子的速度与位置；对惯性权重ω采用非线性递减方式增强其搜索能力，改进的惯性权重为：

采用BP神经网络算法时，根据输入和输出节点数选取5-N-2形式的3层模型结构，且隐含层节点数按式(11)进行初始化：

式中，N_h为隐含层节点数，N_i为输入层节点数，N_o为输出层节点数；

网络结构中隐含层计算值与输出层计算值分别为：

式中，f(x)为隐含层激励函数，δ_j为隐含层阈值，ε_k为输出层阈值。

所述隐含层激励函数选取sigmoid函数，在进行BP神经网络训练时，对数据进行归一化预处理，以消除量纲的影响并提高训练效率和数据的泛化能力，归一化关系如下：

式中，X',X分别为转换前后的值，X_max,X_min分别为样本的最大值和最小值；

S3.2、根据数据感知系统获取相关样本数据并应用公式(13)进行归一化预处理，然后将其中一部分作为BP神经网络的训练数据，剩余部分作为测试数据，同时初始化BP神经网络；确定隐含层数目为9时模型预测精度最优，从而选择神经网络结构为5-9-2，同时设置神经网络的训练步数为10³，目标误差为10^-6；

S3.3、粒子群参数初始化设置，并将BP神经网络的输出误差值作为粒子适应度，然后计算初始种群的个体最优值与全局最优值；确定粒子维数为：n＝n₁×n₂+n₂×n₃+θ_j+γ_k＝5×9+9×3+9+3＝84，种群数量m＝30，最大迭代次数t_max＝200，精度为10^-3，粒子速度和位置区间分别为[-0.2,0.2]和[-5,5]，惯性权值系数按公式(9)进行取值和修正；

S3.4、按照粒子速度和位置的更新计算公式(8)～公式(12)进行迭代运算，通过改进粒子群寻优获得种群的全局最优值，从而赋予BP神经网络的权值和阈值；

S3.5、BP神经网络以最优权值和阈值进行模型训练和预测处理，在获得尾矿品位和精矿产率综合效果最佳的情况下，获得励磁电流(X₁)、给矿阀开度(X₂)、尾矿阀开度(X₃)、脉动冲次(X₄)和冲洗水阀开度(X₅)的最佳组合预测结果，然后将该数据传输到强磁选系统中，实现生产过程工艺参数的智能闭环控制。

5.根据权利要求1所述的优化方法，其特征在于，所述的强磁选系统包括强磁机、浓缩机、给矿箱、渣浆泵、设置在强磁机给矿管上的给矿电动阀、设置在强磁机尾矿管上的尾矿电动阀、设置在强磁机冲洗水管上的冲洗水电动阀、设置在强磁机卸矿水管上的卸矿水电动阀、以及由PLC控制器调节控制的强磁机励磁电流和脉动机构的脉动冲次。

6.根据权利要求1所述的优化方法，其特征在于，所述的智能感知系统包括设置在强磁机给矿管上的给矿流量计、给矿浓度计、给矿品位仪，设置在强磁机尾矿管上的尾矿品位仪，设置在强磁机精矿管上的精矿品位仪，设置在强磁机冲洗水管上的冲洗水流量计，设置在强磁机卸矿水管上的卸矿水流量计和设置在强磁机溢流槽内的非接触式液位传感器。

7.根据权利要求1所述的优化方法，其特征在于，所述的网络传输系统包括生产车间传输网络及相应的网络路由器、数据通讯接口、人机交互接口和云数据库；网络传输支持局域网、LAN、WiFi、Zigbee、Bluetooth、5G、RFID和GPS。

8.根据权利要求1所述的一种强磁选工艺参数的优化方法，其特征在于，所述的智能优化计算系统由数据存储模块和智能优化模块组成，是集成CPU和智能芯片的系统，软件上包括一套面向开发者的智能计算编程环境。

Images