CN116871015A - 一种磨矿工艺参数优化方法及系统 - Google Patents
一种磨矿工艺参数优化方法及系统 Download PDFInfo
- Publication number
- CN116871015A CN116871015A CN202311080661.5A CN202311080661A CN116871015A CN 116871015 A CN116871015 A CN 116871015A CN 202311080661 A CN202311080661 A CN 202311080661A CN 116871015 A CN116871015 A CN 116871015A
- Authority
- CN
- China
- Prior art keywords
- grinding
- neural network
- particle
- ore
- optimization
- 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.)
- Pending
Links
- 238000000227 grinding Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000005457 optimization Methods 0.000 title claims abstract description 71
- 230000008569 process Effects 0.000 title claims abstract description 40
- 239000002245 particle Substances 0.000 claims abstract description 118
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000001238 wet grinding Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000004576 sand Substances 0.000 claims abstract description 10
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 6
- 239000011707 mineral Substances 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 30
- 239000000463 material Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 13
- 238000000498 ball milling Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 239000011148 porous material Substances 0.000 claims description 5
- 238000007873 sieving Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 5
- 239000005995 Aluminium silicate Substances 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- SZVJSHCCFOBDDC-UHFFFAOYSA-N iron(II,III) oxide Inorganic materials O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 235000012211 aluminium silicate Nutrition 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 5
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 5
- 238000003801 milling Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009837 dry grinding Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C17/00—Disintegrating by tumbling mills, i.e. mills having a container charged with the material to be disintegrated with or without special disintegrating members such as pebbles or balls
- B02C17/18—Details
- B02C17/1805—Monitoring devices for tumbling mills
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C23/00—Auxiliary methods or auxiliary devices or accessories specially adapted for crushing or disintegrating not provided for in preceding groups or not specially adapted to apparatus covered by a single preceding group
- B02C23/08—Separating or sorting of material, associated with crushing or disintegrating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Crushing And Grinding (AREA)
Abstract
本发明公开了一种磨矿工艺参数优化方法及系统，应用于矿物加工技术领域：构建湿式磨矿功指数的目标函数；用改进粒子群优化BP神经网络算法对所述目标函数进行工艺参数寻优，在获得湿式磨矿功指数最低的情况下，获得工艺参数的优化方案。本发明通过建立磨矿浓度、介质充填率、料球比、返砂比、棒磨机/球磨机、开/闭路磨矿、磨机直径、过大给矿颗粒、磨矿细度、棒磨机破碎比、球磨机破碎比与湿式磨矿功指数之间关系的优化预测模型，采用改进粒子群优化BP神经网络算法进行湿式磨矿功指数的寻优，实现磨矿过程工艺参数的智能优化，在获得湿式磨矿功指数最低的情况下，将磨矿工艺参数的优化方案反馈到磨矿系统，强化磨矿效果，降低磨矿能耗。
Description
技术领域
本发明涉及矿物加工技术领域，更具体的说是涉及一种磨矿工艺参数优化方法及系统。
背景技术
功指数是指将理论上不限定的粒度破碎到80％可以通过100μm筛孔宽(或65％可以通过0.074μm筛孔宽)时所需的功，它在一定程度上反映物料粉碎的难易程度，即可碎性和可磨性。
在开发和设计选矿厂的过程中，对确定出矿石的粉磨技术方案、矿石的加工设备、计算碎磨设备负荷和选择最适宜的研磨方案，需要我们在实验室条件或半工业条件下进行矿石可磨性的初步研究。查阅相关资料，得知我国大多数铁矿床的矿石品位都相对较低，就需要对研磨过程进行强化，从而在进行选矿。
在20世纪50年代，由美国人弗雷德·邦德(Fred Bond)提出一种评价矿石磨碎难易程度的方法，被称作Bond球磨功指数。近几十年来，Bond球磨功指数被众多学者用于各类矿石的测定研究，其广泛应用于选矿厂碎磨流程设计的球磨机选型计算和现有磨矿流程的作业效率评价。在确定Bond球磨功指数时，需要一台标准的球磨机和进行标准的操作流程，且在测试过程中还要考虑多种条件，操作时间也比较长。为了减少确定邦德球磨功指数的人工成本和所需的样品质量，以便能够在没有标准化设备的情况下确定指数，许多研究人员试图寻找确定该指标的替代方法，但是针对湿法磨矿的球磨功指数没有进行实际的应用。
因此，如何实现磨矿过程工艺参数的智能调控，在获得湿式磨矿功指数最低的情况下，将磨矿工艺参数的优化方案反馈到磨矿系统，强化磨矿效果，降低磨矿能耗成为本领域技术人员急需解决的技术问题。
发明内容
有鉴于此，本发明提供了一种磨矿工艺参数优化方法及系统，以解决背景技术中的问题。
为了实现上述目的，本发明提供如下技术方案：
一方面，本发明公开了一种磨矿工艺参数优化方法，具体步骤如下：
构建湿式磨矿功指数的目标函数；
用改进粒子群优化BP神经网络算法对所述目标函数进行工艺参数寻优，在获得湿式球磨功指数最低的情况下，获得工艺参数的优化方案。
优选的，在上述的一种磨矿工艺参数优化方法中，所述湿式磨矿功指数的目标函数表示为：
式中：Wiw为湿式磨矿功指数，kW·h/t；P1为试验筛孔尺寸，即目标粒度，μm；Gqs为磨矿平衡时球磨机每秒新生成的试验筛孔以下粒级物料的质量，g/s；P80为产品中80％物料通过时的粒度，μm；F80为给料中80％物料通过时的粒度，μm，a、b、c用Matlab软件进行多元线性回归分析求出。
优选的，在上述的一种磨矿工艺参数优化方法中，湿式磨矿功指数的目标函数按以下步骤进行：
1、破碎：将弓长岭磁铁矿石用粗、中和细碎设备依次破碎至3.2mm以下；
2、原矿粒级筛析：用堆堆四分法从原矿中取样500g，再用2mm、1mm、0.6mm、0.45mm、0.25mm、0.2mm、0.15mm、0.125mm、0.1mm、0.074mm、0.045mm、0.038mm和0.025mm的标准试验筛对500g矿样进行筛析试验，其中0.074mm以下用湿筛法，确认原矿粒级中占80％的粒级F80；
3、矿样分级：将破碎完成的原矿粒级筛分为四个粒级，分别为+2mm、-2+0.6mm、-0.6+0.074mm和-0.074mm；
4、磨矿试验：将3中的四个粒级进行矿样配比，保证每次给矿总量M＝1750g，磨矿浓度70％，即每次加水量为750ml，进行闭路磨矿磨矿试验；
5、筛下产品粒级筛析：对最后达到平衡状态的筛下产品(取稳定后2～3个周期的筛下产品缩分)，用筛序由试验筛孔P和更细的粒级筛子组成的的标准试样筛依次进行筛析，确认筛下产品中占80％的粒级P80；
6、计算球磨机现场磨矿能耗：对矿石现场的磨矿效果进行取样考查，获得球磨机给矿和一次分级旋流器的溢流产品粒度组成，确认给矿粒级中占80％的粒级F'80和溢流产品粒度中占80％的粒级P'80；根据Bond修正系数，反推对应的溢流型球磨机的磨矿功耗Wi；
7、计算其他粒度磨矿能耗：根据比对一次分级旋流器的溢流产品中-0.074mm所占筛下累积率与8组粒度中-0.074mm所占筛下累积率最接近的一组，将现场磨矿功耗Wi作为实验室其对应目标粒度的磨矿功耗W，建立对应目标粒度的磨矿功耗W与磨矿时间t的关系，反推出其他7组粒度的磨矿能耗W；
8、多元线性拟合回归分析：将得到的磨矿能耗W、原矿粒级中占80％的粒级F80、七组不同粒级闭路磨矿试验分别得到的Gqs和七组不同粒级筛下产品中占80％的粒级P80进行多元线性回归分析，确定公式中的a、b、c。
上述方法中当对原矿粒级进行筛析时，确定0.45mm、0.25mm、0.2mm、0.15mm、0.125mm、0.1mm和0.074mm的筛下累积量，记为Ei(i对应顺序取1、2、3、4、5、6、7)，便于计算给矿小于目标粒度的质量m1。
上述方法中当对原矿进行矿样分级时，需计算出+2mm、-2+0.6mm、-0.6+0.074mm和-0.074mm四个粒级分别在所取500g矿样中所占比例，其目的是为了后续补加矿样量的均衡，确保后续试验的顺利进行。
上述方法中当进行磨矿试验时，需分别进行8组不同目标粒度(0.45mm、0.25mm、0.2mm、0.15mm、0.125mm、0.1mm和0.074mm)的闭路湿式磨矿试验，步骤为第一次磨矿时间设置为t1 s，筛析球磨后的物料，保留筛上物料，记筛下物料为m2，计算第一次的球磨可磨度Gqs1＝(m2-m1)/t1；根据球磨给矿总量M和循环负荷C计算出测定产品中小于P的目标产量m＝M/(C+1)；称量与第一次磨矿中筛下下产品等质量m2的矿石(m2需按3中的四个粒级的比例进行矿样配比)，与第一次测定的筛上产品合并，即保持每次测定给矿的总量M不变，根据第一次磨矿流程获得的Gqs1计算出第二次试验的磨矿时间t2＝(m-m2·Ei))/Gqs1(其中i根据每次闭路磨矿产品筛析的顺序，每次固定一个值)；重复以上湿式球磨、补加矿样和磨后筛析的试验步骤，直至最后两至三次测定获得的Gqs逐渐趋于稳定，即每次补加矿样量接近500g时，闭路循环达到平衡，求出最后两至三次测定中Gqs的平均数作为最终计算湿式磨矿功指数Wiw所需的Gqs；将最后两次试验的筛下产品均匀混合后，进行粒度筛析试验，求出80％通过的筛孔尺寸P80。
上述方法中现场磨矿能耗式中：Wc为修正后磨机的单位功耗，kW·h/t；/>Pt为磨机需要的总功率，kW；qt为磨机需要处理的矿量，t/h；K1为式干湿式磨矿系数；K2为式开闭路球磨系数；K3为直径系数，/>D为衬板内侧直径，m；K4为给矿过大颗粒系数；K5为磨矿细度系数；K6为棒磨机破碎比修正系数；K7为球磨机破碎比修正系数；K8为棒磨机修正系数。
上述方法中对应目标粒度的磨矿功耗式中：ti为对应目标粒度平衡时的磨矿时间，t为其他目标粒度平衡时的磨矿时间。
上述方法中多元线性拟合回归分析，将试验给料粒度F80、七个不同粒径的磨矿能耗W(等于Wiw)、可磨度Gqs和产品粒度P80带入 中，再用Matlab软件进行多元线性回归分析求出a、b、c。
优选的，在上述的一种磨矿工艺参数优化方法中，用改进粒子群优化BP神经网络算法对所述目标函数进行工艺参数寻优，在获得湿式磨矿功指数最低的情况下，获得工艺参数的优化方案具体步骤如下：
构建BP神经网络和确定粒子群优化算法参数；
获取样本数据并进行归一化预处理，并划分训练数据和测试数据，同时初始化BP神经网络；
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；
按照粒子速度和位置的进行迭代运算，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；
BP神经网络以最优权值和阈值进行模型训练和预测处理，在获得湿式磨矿功指数最低的情况下，获得磨矿浓度X1、介质充填率X2、料球比X3、返砂比X4的最佳组合预测结果，然后将该数据反馈到磨矿系统中，实现磨矿生产过程的优化控制。
优选的，在上述的一种磨矿工艺参数优化方法中，确定粒子群优化算法参数具体步骤如下：
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Xi＝(xi1,xi2,...,xiD)，其速度为Vi＝(vi1,vi2,...,viD)，粒子的个体极值为Pi＝(pi1,pi2,...,piD)，全局极值为Pg＝(pg1,pg2,...,pgD)，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[Vmin,Vmax]，位置区间为[Xmin,Xmax]；对粒子速度vij按照阈值系数ρ的取值情况进行改进：
ρ＝(3×t+0.6×tmax)/tmax(8)
式中，t为当前迭代次数，tmax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4-N-1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，Nh为隐含层节点数，Ni为输入层节点数，No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，δj为隐含层阈值，εk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，Xmax,Xmin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4-9-1，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84，种群数量m＝30，最大迭代次数tmax＝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，在获得湿式磨矿功指数最低的情况下，获得磨矿浓度(X1)、介质充填率(X2)、料球比(X3)、返砂比(X4)的最佳组合预测结果，然后将该数据反馈到磨矿系统中，实现磨矿生产过程的优化控制。
另一方面，本发明公开了一种磨矿工艺参数优化系统，包括：
目标函数构建模块，构建湿式磨矿功指数的目标函数；
优化模块，利用改进粒子群优化BP神经网络算法对所述目标函数进行工艺参数寻优，在获得湿式磨矿功指数最低的情况下，获得工艺参数的优化方案。
优选的，在上述的一种磨矿工艺参数优化系统中，所述优化模块包括：
构建单元，构建BP神经网络和确定粒子群优化算法参数；
预处理单元，获取样本数据并进行归一化预处理，并划分训练数据和测试数据，同时初始化BP神经网络；
初始化单元，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；
更新单元按照粒子速度和位置的进行迭代运算，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；
输出单元，BP神经网络以最优权值和阈值进行模型训练和预测处理，在获得湿式磨矿功指数最低的情况下，获得磨矿浓度X1、介质充填率X2、料球比X3、返砂比X4的最佳组合预测结果，然后将该数据反馈到磨矿系统中，实现磨矿生产过程的优化控制。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种磨矿工艺参数优化方法及系统，通过建立磨矿浓度、介质充填率、料球比、返砂比、棒磨机/球磨机、开/闭路磨矿、磨机直径、过大给矿颗粒、磨矿细度、棒磨机破碎比、球磨机破碎比与湿式磨矿功指数之间关系的优化预测模型，采用改进粒子群优化BP神经网络算法进行湿式磨矿功指数的寻优，实现磨矿过程工艺参数的智能调控，在获得湿式磨矿功指数最低的情况下，将磨矿工艺参数的优化方案反馈到磨矿系统，强化磨矿效果，降低磨矿能耗。
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，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明的系统框图；
图3为本发明的神经网络模型结构示意图。
具体实施方式
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，都属于本发明保护的范围。
本发明实施例公开了一种磨矿工艺参数优化方法，如图1所示，具体步骤如下：
S101构建湿式磨矿功指数的目标函数；
S102利用改进粒子群优化BP神经网络算法对所述目标函数进行工艺参数寻优，在获得湿式磨矿功指数最低的情况下，获得工艺参数的优化方案。
为了进一步优化上述技术方案，在S101中，所述湿式磨矿功指数的目标函数表示为：
式中：Wiw为湿式磨矿功指数，kW·h/t；P1为试验筛孔尺寸，即目标粒度，μm；Gqs为磨矿平衡时球磨机每秒新生成的试验筛孔以下粒级物料的质量，g/s；P80为产品中80％物料通过时的粒度，μm；F80为给料中80％物料通过时的粒度，μm，a、b、c用Matlab软件进行多元线性回归分析求出。
为了进一步优化上述技术方案，本发明实施例中采用的矿样为弓长岭磁铁矿石，其使用为MQY5067球磨机，磨机功率为3000kW，处理的矿量275t/h。
将矿石破碎至3.2mm以下，取样500g其粒度组成如表1所示。
表1湿式磨矿功指数原矿粒度的分布
| 粒级/mm | 产率/％ | 累积产率/％ |
| +2 | 4.98 | 100 |
| -2+1 | 26.76 | 95.02 |
| -1+0.6 | 13.24 | 68.26 |
| -0.6+0.45 | 5.57 | 55.02 |
| -0.45+0.355 | 4.37 | 49.45 |
| -0.355+0.25 | 3.06 | 45.08 |
| -0.25+0.2 | 6.18 | 42.02 |
| -0.2+0.15 | 6.82 | 35.84 |
| -0.15+0.10 | 6.48 | 29.02 |
| -0.10+0.074 | 4.60 | 22.54 |
| -0.074 | 17.94 | 17.94 |
根据表1的结果，求出原矿粒级中占80％的粒级F80＝1440mm，+2mm、-2+0.6mm、-0.6+0.074mm和-0.074mm四个粒级分别占比为4.98％、40％、37.08％、17.94％。
将矿样按照四个粒级进行配比到1750g，磨矿浓度70％，分别进行七组不同粒度(目标粒度分别为0.45，0.25，0.2，0.15，0.125和0.074mm)的闭路湿式磨矿试验，求得Gqs和P80如表2所示。
表2湿式磨矿功指数试验结果
对弓长岭磁铁矿石现场的磨矿效果进行取样考查，获得球磨机给矿和一次分级旋流器的溢流产品粒度组成，求得给矿粒级中占80％的粒级F'80和溢流产品粒度中占80％的粒级P'80，
结果如下表3和表4所示。
表3弓长岭磁铁矿石球磨机给矿粒度组成
| 粒级/mm | 产率/％ | 累积产率/％ |
| +12 | 7.06 | 100.00 |
| -12+10 | 5.94 | 92.94 |
| -10+8 | 7.83 | 87.00 |
| -8+5 | 20.25 | 79.17 |
| -5+3 | 13.02 | 58.92 |
| -3+1 | 23.87 | 45.90 |
| -1+0.280 | 8.06 | 22.03 |
| -0.280+0.154 | 3.06 | 13.97 |
| -0.154+0.100 | 2.69 | 10.90 |
| -0.100+0.074 | 1.87 | 8.22 |
| -0.074 | 6.34 | 6.34 |
表4弓长岭磁铁矿石一次分级旋流器的溢流产品粒度组成
根据表3和表4的结果，求出给矿粒级中占80％的粒级F'80＝8222.9μm，溢流产品粒度中占80％的粒级P'80＝168.7μm。
根据弓长岭磁铁矿石，其使用为5067球磨机，磨机功率为3000kW，处理的矿量275t/h，可知磨机的单位功耗其中Pt为磨机需要的总功率，kW；qt为磨机需要处理的矿量，t/h。
根据Bond修正系数，反推对应的溢流型球磨机的磨矿功耗Wi，式中：Wc为修正后磨机的单位功耗，kW·h/t；/>Pt为磨机需要的总功率，kW；qt为磨机需要处理的矿量，t/h；K1为式干湿式磨矿系数，K1＝1.0；K2为式开闭路球磨系数，K2＝1.0；K3为直径系数，D为衬板内侧直径，m；K4为给矿过大颗粒系数，K4＝1.0；K5为磨矿细度系数，K5＝1.0；K6为棒磨机破碎比修正系数，K6＝1.0；K7为球磨机破碎比修正系数，K7＝1.0；K8为棒磨机修正系数，K8＝1.0。
据比对一次分级旋流器的溢流产品中-0.074mm所占筛下累积率与7组粒度中-0.074mm所占筛下累积率最接近的一组可知闭路湿式磨矿目标粒度为125μm。由此可知当目标粒度为125μm时，磨矿功耗Wi为19.0897kW·h/t，磨矿平衡时间ti为174s，则其他目标粒度的磨矿功耗式中：ti为对应目标粒度平衡时的磨矿时间，t为其他目标粒度平衡时的磨矿时间，结果如表5所示。
表5球磨机现场不同粒度磨矿能耗
将试验给料粒度F80、七个不同粒径的磨矿能耗W、可磨度Gqs和产品粒度P80带入中，再用Matlab软件进行多元线性回归分析求出a、b、c，分别为205.0389、0.4309、0.8548，故获得公式为：/>
根据公式计算结果如表6所示：
表6不同目标粒度的湿式磨矿功指数计算结果
得出结论，与现场一次分级旋流器的溢流产品中-0.074mm所占筛下累积率相同的目标粒级125μm其磨矿能耗误差仅小于2％，而其他的目标粒级的磨矿能耗也仅小于3.3％，可以准确反映现场的磨矿功耗，通过计算可以获得现场能耗，同时通过湿式磨矿功指数试验可以优化磨矿过程，考查磨矿浓度、料球比、介质配比、介质充填率和返砂比等参数对磨矿能耗及磨矿产品特性的影响。
为了进一步优化上述技术方案，用改进粒子群优化BP神经网络算法对所述目标函数进行工艺参数寻优，在获得湿式磨矿功指数最低的情况下，获得工艺参数的优化方案具体步骤如下：
构建BP神经网络和确定粒子群优化算法参数；
获取样本数据并进行归一化预处理，并划分训练数据和测试数据，同时初始化BP神经网络；
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；
按照粒子速度和位置的进行迭代运算，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；
BP神经网络以最优权值和阈值进行模型训练和预测处理，在获得湿式磨矿功指数最低的情况下，获得磨矿浓度X1、介质充填率X2、料球比X3、返砂比X4的最佳组合预测结果，然后将该数据反馈到磨矿系统中，实现磨矿生产过程的优化控制。
为了进一步优化上述技术方案，确定粒子群优化算法参数具体步骤如下：
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Xi＝(xi1,xi2,...,xiD)，其速度为Vi＝(vi1,vi2,...,viD)，粒子的个体极值为Pi＝(pi1,pi2,...,piD)，全局极值为Pg＝(pg1,pg2,...,pgD)，其迭代关系如下：
式中c1，c2为学习因子；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[Vmin,Vmax]，位置区间为[Xmin,Xmax]；对粒子速度vij按照阈值系数ρ的取值情况进行改进：
ρ＝(3×t+0.6×tmax)/tmax(8)
式中，t为当前迭代次数，tmax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：
为了进一步优化上述技术方案，构建BP神经网络具体步骤如下：
根据输入和输出节点数选取4-N-1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，Nh为隐含层节点数，Ni为输入层节点数，No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，δj为隐含层阈值，εk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，Xmax,Xmin分别为样本的最大值和最小值。
表7为本发明实施例中磨矿工艺参数的取值范围。
表7本发明的磨矿工艺参数的取值范围
表8为本发明实施例中磨矿工艺参数的试验结果。
表8本发明的磨矿工艺参数的试验结果
由表8可知，平均湿式磨矿功指数为20.04kW·h/t。
表9为本发明实施例中磨矿工艺参数的优化试验结果。
表9本发明的磨矿工艺参数的优化试验结果
由表9可知，优化后的平均湿式磨矿功指数为17.68kW·h/t。比优化前的平均湿式磨矿功指数降低2.36kW·h/t。
本发明另一实施例公开了一种磨矿工艺参数优化系统，如图2所示，包括：
目标函数构建模块，构建湿式磨矿功指数的目标函数；
优化模块，利用改进粒子群优化BP神经网络算法对所述目标函数进行工艺参数寻优，在获得湿式磨矿功指数最低的情况下，获得工艺参数的优化方案。
为了进一步优化上述技术方案，所述优化模块包括：
构建单元，构建BP神经网络和确定粒子群优化算法参数；
预处理单元，获取样本数据并进行归一化预处理，并划分训练数据和测试数据，同时初始化BP神经网络；
初始化单元，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；
更新单元按照粒子速度和位置的进行迭代运算，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；
输出单元，BP神经网络以最优权值和阈值进行模型训练和预测处理，在获得湿式磨矿功指数最低的情况下，获得磨矿浓度X1、介质充填率X2、料球比X3、返砂比X4的最佳组合预测结果，然后将该数据反馈到磨矿系统中，实现磨矿生产过程的优化控制。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种磨矿工艺参数优化方法，其特征在于，具体步骤如下：
构建湿式磨矿功指数的目标函数；
用改进粒子群优化BP神经网络算法对所述目标函数进行工艺参数寻优，在获得湿式磨矿功指数最低的情况下，获得工艺参数的优化方案。
2.根据权利要求1所述的一种磨矿工艺参数优化方法，其特征在于，所述湿式磨矿功指数的目标函数表示为：
式中：Wiw为湿式磨矿功指数，kW·h/t；P1为试验筛孔尺寸，即目标粒度，μm；Gqs为磨矿平衡时球磨机每秒新生成的试验筛孔以下粒级物料的质量，g/s；P80为产品中80％物料通过时的粒度，μm；F80为给料中80％物料通过时的粒度，μm，a、b、c用Matlab软件进行多元线性回归分析求出。
3.根据权利要求2所述的一种磨矿工艺参数优化方法，其特征在于，进行磨矿试验时，分别进行8组不同目标粒度的闭路湿式磨矿试验，步骤为第一次磨矿时间设置为t1s，筛析球磨后的物料，保留筛上物料，记筛下物料为m2，计算第一次的球磨可磨度Gqs1＝(m2-m1)/t1；根据球磨给矿总量M和循环负荷C计算出测定产品中小于P的目标产量m＝M/(C+1)；称量与第一次磨矿中筛下下产品等质量m2的矿石，与第一次测定的筛上产品合并，即保持每次测定给矿的总量M不变，根据第一次磨矿流程获得的Gqs1计算出第二次试验的磨矿时间t2＝(m-m2·Ei))/Gqs1，其中i根据每次闭路磨矿产品筛析的顺序，每次固定一个值；重复以上湿式球磨、补加矿样和磨后筛析的试验步骤，直至最后两至三次测定获得的Gqs逐渐趋于稳定，即每次补加矿样量接近500g时，闭路循环达到平衡，求出最后两至三次测定中Gqs的平均数作为最终计算湿式磨矿功指数Wiw所需的Gqs；将最后两次试验的筛下产品均匀混合后，进行粒度筛析试验，求出80％通过的筛孔尺寸P80。
4.根据权利要求1所述的一种磨矿工艺参数优化方法，其特征在于，用改进粒子群优化BP神经网络算法对所述目标函数进行工艺参数寻优，在获得湿式磨矿功指数最低的情况下，获得工艺参数的优化方案具体步骤如下：
构建BP神经网络和确定粒子群优化算法参数；
获取样本数据并进行归一化预处理，并划分训练数据和测试数据，同时初始化BP神经网络；
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；
按照粒子速度和位置的进行迭代运算，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；
BP神经网络以最优权值和阈值进行模型训练和预测处理，在获得湿式磨矿功指数最低的情况下，获得磨矿浓度X1、介质充填率X2、料球比X3、返砂比X4的最佳组合预测结果，然后将该数据反馈到磨矿系统中，实现磨矿生产过程的优化控制。
5.根据权利要求4所述的一种磨矿工艺参数优化方法，其特征在于，确定粒子群优化算法参数具体步骤如下：
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Xi＝(xi1,
xi2,...,xiD)，其速度为Vi＝(vi1,vi2,...,viD)，粒子的个体极值为Pi＝(pi1,pi2,...,piD)，全局极值为Pg＝(pg1,pg2,...,pgD)，其迭代关系如下：
式中c1，c2为学习因子；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[Vmin,Vmax]，位置区间为[Xmin,Xmax]；对粒子速度vij按照阈值系数ρ的取值情况进行改进：
ρ＝(3×t+0.6×tmax)/tmax(8)
式中，t为当前迭代次数，tmax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：
6.根据权利要求4所述的一种磨矿工艺参数优化方法，其特征在于，构建BP神经网络具体步骤如下：
根据输入和输出节点数选取4-N-1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，Nh为隐含层节点数，Ni为输入层节点数，No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，δj为隐含层阈值，εk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，Xmax,Xmin分别为样本的最大值和最小值。
7.一种磨矿工艺参数优化系统，其特征在于，包括：
目标函数构建模块，构建湿式磨矿功指数的目标函数；
优化模块，利用改进粒子群优化BP神经网络算法对所述目标函数进行工艺参数寻优，在获得湿式磨矿功指数最低的情况下，获得工艺参数的优化方案。
8.根据权利要求7所述的一种磨矿工艺参数优化系统，其特征在于，所述优化模块包括：
构建单元，构建BP神经网络和确定粒子群优化算法参数；
预处理单元，获取样本数据并进行归一化预处理，并划分训练数据和测试数据，同时初始化BP神经网络；
初始化单元，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；
更新单元按照粒子速度和位置的进行迭代运算，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；
输出单元，BP神经网络以最优权值和阈值进行模型训练和预测处理，在获得湿式磨矿功指数最低的情况下，获得磨矿浓度X1、介质充填率X2、料球比X3、返砂比X4的最佳组合预测结果，然后将该数据反馈到磨矿系统中，实现磨矿生产过程的优化控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311080661.5A CN116871015A (zh) | 2023-08-25 | 2023-08-25 | 一种磨矿工艺参数优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311080661.5A CN116871015A (zh) | 2023-08-25 | 2023-08-25 | 一种磨矿工艺参数优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116871015A true CN116871015A (zh) | 2023-10-13 |
Family
ID=88268379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311080661.5A Pending CN116871015A (zh) | 2023-08-25 | 2023-08-25 | 一种磨矿工艺参数优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116871015A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117174899A (zh) * | 2023-11-01 | 2023-12-05 | 南通江海储能技术有限公司 | 一种氟化碳正极材料制备方法 |
-
2023
- 2023-08-25 CN CN202311080661.5A patent/CN116871015A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117174899A (zh) * | 2023-11-01 | 2023-12-05 | 南通江海储能技术有限公司 | 一种氟化碳正极材料制备方法 |
| CN117174899B (zh) * | 2023-11-01 | 2024-01-26 | 南通江海储能技术有限公司 | 一种氟化碳正极材料制备方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106802977B (zh) | 一种用于烧结矿性能指标预测及综合质量评价方法 | |
| CN116871015A (zh) | 一种磨矿工艺参数优化方法及系统 | |
| Campbell et al. | On predicting roller milling performance VI: Effect of kernel hardness and shape on the particle size distribution from first break milling of wheat | |
| US8271236B2 (en) | Method of predicting breakage properties of a particulate material when subjected to impact | |
| CN108629091B (zh) | 一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法 | |
| CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
| CN109342279B (zh) | 基于粉磨机理和神经网络的混合软测量方法 | |
| Valerevich Lvov et al. | Comparison of the different ways of the ball Bond work index determining | |
| Benzer | Modeling and simulation of a fully air swept ball mill in a raw material grinding circuit | |
| CN111932391B (zh) | 一种碎矿或磨矿流程考察粒度分布数据一致性修正的计算方法 | |
| Lewis et al. | Computer simulation of the Bond grindability test | |
| CN115808378B (zh) | 一种海砂粗细程度的分类方法 | |
| CN107213956A (zh) | 一种二段磨矿设备及其优化控制方法 | |
| CN115487924B (zh) | 由石英粉制备高纯超细硅微粉的方法 | |
| CN111144051A (zh) | 一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法 | |
| Cepuritis et al. | Possibilities of improving crushed sand performance in fresh concrete by washing: A case study | |
| CN112199906A (zh) | 一种磨矿分级流程返砂比在线软测量方法 | |
| Gupta | An appraisal of the energy-size reduction relationships for mill scale-up design | |
| Gupta et al. | Genetic algorithms—A novel technique to optimize coal preparation plants | |
| CN115291519A (zh) | 一种磨矿过程智能优化控制方法 | |
| Deniz | A new model between the Bond and Hardgrove grindability based on volumetric powder filling by using limestones | |
| Lira et al. | Applications of a new model-based method of ball mill simulation and design | |
| Özer et al. | Modeling of the classification behavior of the diaphragms used in multi-chamber cement mills | |
| CN108918356B (zh) | 一种混合物料挤压粉碎后的粒度预测方法及系统 | |
| Swamy Naga Ratna Giri et al. | Enhancing concrete strength prediction models with advanced machine learning regressors |
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 |