CN1285977C - 基于案例推理的磨矿系统智能优化设定方法 - Google Patents

Abstract

一种基于案例推理的磨矿系统智能优化设定方法，属于自动控制技术领域，具体地涉及对选矿厂磨矿工段中用于研磨矿石的由球磨机和螺旋分级机组成的湿式磨矿系统的基础控制回路进行智能优化设定的方法，该方法包括以下步骤：溢流粒度软测量、辅助变量的选择、主导变量的选择、边界条件的确定、案例表示、案例库初始案例的取得、案例推理、案例存储与维护，本发明根据磨矿粒度指标的目标，给出当前磨矿系统的新给矿量、溢流浓度、入口加水量等基础控制回路的优化设定值，使磨矿分级系统处于优化的工作状态，以获得由合格粒度组成的磨矿产物。

Description

基于案例推理的磨矿系统智能优化设定方法

技术领域

本发明属于自动控制技术领域，特别涉及对选矿厂磨矿工段中用于研磨矿石的由球磨机和螺旋分级机组成的湿式磨矿系统的基础控制回路进行智能优化设定的方法。

背景技术

就选矿领域而言，磨矿作业的基本任务就是使矿物原料粉碎到适宜的粒度，使有用矿物成分从脉石中单体解离，或不同有用矿物成分相互分离，为后续选矿过程提供原料。由球磨机和螺旋分级机组成的湿式磨矿回路广泛用于将矿石研磨至工艺要求的粒度范围内，粒度过大或过小均对后续的选别过程产生不利影响。由于每一种选矿方法和选矿工艺流程分选不同粒度组成的物料时的选矿效率不同，且都有不同的物料分选粒度下限，因此，对于给定的矿石和选矿流程，依据磨矿产生最适宜的粒度组成十分重要。目前，常规的磨矿控制方法仅能实现新给矿量、溢流浓度、入口加水量的基础回路控制，而无法根据磨矿粒度指标的目标给出基础控制回路的优化设定值。

发明内容

为了解决以上磨矿系统的控制方法之不足，本发明提供一种基于案例推理的智能优化设定方法，根据磨矿粒度指标的目标，给出当前磨矿系统基础控制回路的优化设定值，使磨矿分级系统处于最优的工作状态，以获得由合格粒度组成的磨矿产物。

本发明的智能优化设定方法依赖于磨矿系统硬件平台，由智能优化软件实现。

其硬件平台核心由球磨机、螺旋分级机以及相关设备组成，同时配备了测量仪表，执行机构以及进行软件计算的计算机系统。其硬件的联接是球磨机的输入端与皮带给料机、球磨机入口加水量管路及分级机返砂口相联接，球磨机输出端与出口补加水入口同时与螺旋分级机输入口相接，螺旋分级机返砂端与球磨机入口相接，详细结构如下(如图1所示)：

以球磨机和螺旋分级机为核心的磨矿系统，还包括以下测量仪表：

用于在线测量球磨机新给矿量Q_GKL的称重仪表(如核子秤或皮带秤)，安装在球磨机给料皮带上；

用于在线测量球磨机入口加水量W_F1的流量计，安装在球磨机入口加水管上；

用于在线测量分级机溢流浓度D_YLND的密度计，安装在分级机溢流管路上；

两个功率计或两个电流计，用于在线测量球磨机功率P_QM、螺旋分级机功率P_FJJ或球磨机电流和螺旋分级机电流，分别与球磨机及分级机的驱动电机相接，由于功率信号与电流信号等价，所以本说明书中P_QM和P_FJJ也可以用来表示球磨机和螺旋分级机电流信号。

其执行机构包括：

两个电动调节阀门，分别用于调节球磨机入口补加水和球磨机出口补加水，安装于球磨机入口补加水管和球磨机出口补加水管上；

一个变频器，用于调节给料机振动频率，与振动给料机相接；

该磨矿系统同时配置了分布式计算机控制系统(DCS)、或可编程逻辑控制器(PLC)、或工业控制计算机(IPC)，或分立式工业调节器，并按照如下对应关系组成基本控制回路：

电振给料机频率控制新给矿量P_GKL；

球磨机入口补加水电动调节阀控制球磨机入口补加水流量W_F1；

球磨机出口补加水电动调节阀控制螺旋分级机溢流浓度D_YLND。

本发明的智能优化设定软件即可以运行在计算机控制系统的监控计算机上，也可以运行于独立的优化设定计算机上，该软件通过与控制计算机(分布式计算机控制系统(DCS)、或可编程逻辑控制器(PLC)、或工业控制计算机(IPC))进行通讯，获得实时的过程数据，并给出基本控制回路的优化设定值。

本发明的实现方法包括，(1)溢流粒度软测量、(2)辅助变量的选择、(3)主导变量的选择、(4)边界条件的确定、(5)案例表示、(6)案例库初始案例的取得、(7)案例推理、(8)案例存储与维护。本发明的基于案例推理的智能优化设定方法模型结构图如图2所示。

(1)溢流粒度软测量。

采用“球磨机磨矿系统溢流粒度指标软测量方法”，该方法已申请专利，其专利申请号为03133951.4。该方法包括：辅助变量的选择、训练数据的取得、神经网络软测量模型的学习和使用步骤，根据过程的稳态实时数据估计出稳态的螺旋分级机溢流粒度。

(2)辅助变量的选择。

选择矿石可磨性M_KMX作为模型的一个辅助变量。但是矿石可磨性只能用比较模糊的文字性的语言描述，为了进行案例相关操作的方便，不把矿石可磨性M_KMX作为案例数据库的一个属性，而是根据不同的矿石可磨性的差异，建立其相应的案例数据库。

本发明所选择的辅助变量包括：

时间变量T_JQ；这里的T_JQ指的是在一个加球周期之内，从加球时刻开始到当前时刻的以小时为单位的时间长度。

分级机溢流粒度期望值LD_EXP；

分级机溢流粒度软测量值LD_RCL；

球磨机电流检测值P_QM；

分级机电流检测值P_FJJ；

(3)主导变量的选择。

根据底层的三个控制回路，选择如下三个变量作为模型的主导变量。

球磨机新给矿量Q_GKL；

球磨机入口加水量W_F1；

分级机溢流浓度D_YLND；

(4)边界条件的确定。

为了保证优化设定后的参数，在正常的工作范围内，必须对其进行边界条件约束，即确定球磨机给矿量的上下限、球磨机给矿水的上下限以及分级机溢流浓度的上下限。至于上下限的具体数值根据具体工艺确定。

(5)案例表示。

磨矿系统工况按照一定的结构进行组织并以案例的形式存于案例数据库中。每个案例由工况描述和解组成，案例的工况描述即选取的辅助变量——时间变量T_JQ、分级机溢流粒度期望值LD_EXP、分级机溢流粒度软测量值LD_RCL，球磨机电流检测值P_QM，分级机电流检测值P_FJJ案例的解为选取的主导变量——球磨机新给矿量Q_GKL、球磨机入口加水量W_F1、分级机溢流浓度D_YLND

另外，为了便于案例检索与匹配及其它案例操作的需要在案例数据库表中再增加两条属性：时间和相似度，其中时间为案例获得时间，相似度为当前工况描述与案例库中该条案例的相似度，案例数据库表中每条案例的该属性值只有在进行案例检索、匹配、重用时才有意义，因为相同案例库中的案例与不同工况描述的相似度是不同的。所以对数据库中的案例进行如下案例表示：

表1案例表示结构

时间	工况描述					解			相似度
										时间变量	分级机溢流粒度期望值	分级机溢流粒度软测量值	球磨机电流检测值	分级机电流检测值	球磨机给矿量	球磨机给矿水量	分级机溢流浓度
	T	f1	f2	f3	f4	f5	j1	j2										j3	SIM

为了进行案例修正与评价，本发明建立了智能优化设定实时数据库(以下简记为实时数据库)，记录每一次智能优化设定的时间、工况描述及其给出的解，另外，为了进行比较实时数据库还设有“分级机溢流粒度化验值”属性。智能优化设定实时数据库表示结构如下：

表2智能优化实时数据库表示结构

时间	工况描述					解			分级机溢流粒度化验值
										时间变量	分级机溢流粒度期望值	分级机溢流粒度软测量值	球磨机电流检测值	分级机电流检测值	球磨机给矿量	球磨机给矿水量	分级机溢流浓度
	T	f1	f2	f3	f4	f5	j1	j2										j3	LDREAL

(6)案例库初始案例的取得。

每隔一定时间间隔对分级机溢流进行人工采样一次，以化验分级机溢流粒度。对应每一次的采样时间，可以找到计算机控制系统中储存的对应的过程变量值及分级机溢流粒度软测量值。这样就可以得到一组案例，其数据包括测量样本的分级机溢流粒度期望值LD_EXP(用化验值代替)、时间变量T_JQ、分级机溢流粒度软测量值LD_RCL、球磨机电流检测值P_QM、分级机电流检测值P_FJJ、球磨机新给矿量Q_GKL、球磨机入口加水量W_F1和分级机溢流浓度D_YLND以及采样时间T。待m组数据收集后，可以得到如下的数据集合

    M_r＝{[T_i，T_JQ，LD_EXP，LD_RCL，P_QM，P_FJJ，.Q_GKL，W_F1，D_YLND，]|i＝1，…，m}以上述数据集合按照下述规则配对，即成为案例：

{[T_i，T_JQ，LD_EXP，LD_RCL，P_QM，P_FJJ]|i＝1，…，m}→{Q_GKL，W_F1，D_YLND|i＝1，…，m}

通常，磨矿分级作业要分期处理多种矿石，每一种矿石的硬度、可磨性是不同的，应该针对不同的矿石的可磨性差异分别建立其对应的案例数据库。

(7)案例推理

本发明的案例推理采用软件实现，其基本流程框图如图3所示。左列为案例检索与匹配及案例重用的流程，右列为案例评价与修正的流程。其详细步骤如下：

(A)初始化：进行所有变量的初始化。

(B)是否进行智能优化设定？如果是，则转至(C)，进行案例检索与匹配及案例重用的过程；如果否，则转至(K)，进行案例评价与修正的过程。

步骤(C)至(J)为案例的检索与匹配及案例重用流程，采用案例检索策略中的最近相邻策略。

(C)选择矿石可磨性；

不同的矿石具有不同的可磨性，其对应的用于智能优化设定的案例数据库也是不同的，所以选择矿石可磨性也就是选择案例数据库。

(D)读取当前工况描述：

也就是读取需要进行智能优化设定的工况描述参数或者在线实时自动读取当前工况描述参数。

(E)相似度计算：

设磨矿分级过程当前运行工况为M_GK，定义M_GK的工况描述为F＝(f₁，f₂，f₃，f₄，f₅)，M_GK的解为J_GK＝(j₁，j₂，j₃)。定义案例库中案例为C₁，C₂…C_n，其中案例C_k(k＝1，2…n)的工况描述为F_k＝((f_1，k，f_2，k，f_3，k，f_4，k，f_5，k)，C_k的解为J_k＝(j_1，k，j_2，k，j_3，k)。

那么当前工况描述M_GK的描述特征f_i(i＝1，2，3，4，5)与案例C_k(k＝1，2…n)的描述特征f_1，k的相似度函数为：

$\mathrm{sim}(f_i,f_{i,k})=1-\frac{|f_i-f_{i,k}|}{\mathrm{Max}(f_i,f_{i,k})},i=\mathrm{1,2,3,4,5},k=\mathrm{1,2},\·\·\·n$

当前工况描述M_GK和案例C_k(k＝1，2…n)的相似度函数为：

$\mathrm{SIM}(M_{\mathrm{GK}},C_k)=\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{sim}(f_i,f_{i,k}),k=\mathrm{1,2}\·\·\·n$

其中ω₁为工况描述特征的加权系数，可以根据具体工艺特征或经验确定，ω₁满足：

$\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{\mathrm{\ω}}_i=1$

案例库中每个案例与当前工况描述的相似度计算完毕后，使案例库中相应案例的“相似度”属性值等于其相应的相似度值。

(F)确定阈值：

设SIM_max为所有上述求得的相似度的最大值，即： ${\mathrm{SIM}}_{\max }=\underset{k=\mathrm{1,2}\·\·\·n}{\mathrm{Max}}\left(\mathrm{SIM}(M_{\mathrm{GK}},C_k)\right),$ 那么阈值SIM_yz可通过下式确定：

${\mathrm{SIM}}_{\mathrm{yz}}=\left\{\begin{array}{c}{X}_{\mathrm{YZ}},{\mathrm{SIM}}_{\max }\&GreaterEqual;X_{\mathrm{YZ}}\\ {\mathrm{SIM}}_{\max },{\mathrm{SIM}}_{\max }<X_{\mathrm{YZ}}\end{array}\right.$

其中阈值X_YZ由具体工艺或经验确定。

(G)案例检索与匹配：

从案例库中挑选出案例“相似度”属性值SIM≥阈值SIM_yz的所有案例作为匹配案例并依次按“相似度”、“时间”(案例存储时间)属性值降序排序。

(H)案例重用：

一般情况下案例库中不存在与当前工况描述完全匹配的案例，因而检索出的匹配工况的解并不能直接作为当前工况的解，这就需要对检索得到的相似案例进行重用。具体方法如下：

从匹配案例中挑选出具有最大相似度SIM_max的案例并确定其个数Num。

若Num＝1，即具有最大相似度的案例只有一个，设这个案例为C_m，1≤m≤n，记匹配案例数据表中案例C_m的下一个案例为C_k，1≤k≤n，由于匹配案例检索出来的时候按“相似度”、“时间”(案例存储时间)属性值降序排序，所以C_k应具有第二大相似度并且是时间最新的一个。记案例C_m的解为J_m、相似度为SIM_m，案例C_k的解为J_k、相似度为SIM_k，那么当前工况描述M_GK的解J_GK为：

$J_{\mathrm{GK}}=\frac{{\mathrm{SIM}}_m\&times;J_m+{\mathrm{SIM}}_k\&times;J_k}{{\mathrm{SIM}}_m+{\mathrm{SIM}}_k}$

若Num＞1，即具有相同最大相似度的案例有多个，不妨设有l，(l＞1，l∈Z)个，假设这些案例C_i，i＝1…l按“时间”(案例存储时间)属性值降序排列为：C₁，C₂…C_l，J₁，J₂…J_l为其相应的解，那么当前工况描述的解J_GK为：

$J_{\mathrm{GK}}=\frac{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_i\&times;J_i}{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_i}$

其中θ_i为本次案例重用的时间加权系数，满足θ₁≥θ₂≥…≥θ_l，可根据具体情况或经验确定。

(1)边界条件约束

为了保证优化设定后的参数不超出正常的工作范围，必须对案例重用后当前工况描述的解进行各自边界条件的约束，边界条件约束及其调整算法根据具体工艺确定。

(J)下装并保存智能优化设定结果：

边界条件约束后就可以把当前工况的解即球磨机新给矿量Q_GKL、球磨机入口加水量W_F1、分级机溢流浓度D_YLND下装到下位机回路控制当中，如果必要的话在下装之前还可以凭人工经验进行适当修改。同时把智能优化设定的结果以及当前工矿描述、时间等数据保存到相关数据库中，以供案例修正与评价及其它操作使用。

步骤(K)至(U)为案例评价与修正流程。

(K)选择矿石可磨性

对应不同的矿石可磨性，建立了不同的案例数据库，对应不同的案例数据库，应建立不同的智能优化设定实时数据库。在这里选择矿石可磨性，就是选择其对应的优化设定实时数据库。

(L)读取分级机溢流粒度化验值和化验取样时间：

记分级机溢流粒度化验值为LD_real，化验取样时间为T_QY。

(M)记录检索：

在实时数据库中检索“时间”属性值T与化验取样时间T_QY最接近的数据纪录，记检索到的数据纪录为C_T，其对应的工况描述：时间变量、分级机溢流粒度期望值、分级机溢流粒度软测量值、球磨机电流检测值、分级机电流检测值分别记为 $F^T=(f_1^T,f_2^T,f_3^T,f_4^T,f_5^T),$ 并记C_T的分级机溢流粒度期望值为LD_EXP。

(N)求粒度期望值和化验值之差：

记分级机溢流粒度期望值和化验值之差为ΔLD，那么ΔLD＝|LD_EXP-LD_real|。

(O)是否满足精度要求：

若ΔLD≤LD_HG(LD_HG为粒度合格标准)，则说明粒度精度合格，不需要进行案例修正；若ΔLD＞LD_HG，则说明粒度精度不合格，需要进行案例修正。

(P)输入与取样时间对应的工况描述：

把实时数据库中与取样时间T_QY对应的记录C_T的工况描述属性值 $F^T=(f_1^T,f_2^T,f_3^T,f_4^T,f_5^T)$ 再次输入智能优化设定模型中，重新进行下述(P)～(R)的操作。

(Q)相似度计算：

与图3中步骤(E)一样。

(R)确定阈值：

与图3中步骤(F)一样。

(S)案例检索与匹配

与图3中步骤(G)一样。

(T)案例修正

从匹配案例中挑选出具有最大相似度SIM_max的案例并确定其个数Num。

若SIM_max＜X_XZYZ，则直接把案例C_T加入到案例库中。其中阈值X_XZYZ根据具体工艺和实际情况确定。

若SIM_max≥X_XZYZ，并且Num＝1，设这个案例为C_m，1≤m≤n，那么把案例C_m对应的工况描述F_m＝(f_1，m，f_2，m，f_3，m，f_4，m，f_5，m)用 $F^T=(f_1^T,f_2^T,f_3^T,f_4^T,f_5^T)$ 取代，案例C_m的解J_m＝(j_1，m，j_2，m，j_3，m)用C_T的解 $J_T=(j_1^T,j_2^T,j_3^T)$ 代替，而其“时间”属性值设为T_QY。

若SIM_max≥X_XZYZ，并且Num＞1，不妨设Num＝l(l＞1，l∈Z)个，假设这些案例为C_i，i＝1…l，其对应的解为J_i，i＝1…l，设J_j，1≤j≤l为使|J_i-J_real|最大的一个，那么把J_j所在案例C_j对应的工况描述F_j＝(f_1，j，f_2，j，f_3，j，f_4，j，f_5，j)用 $F^T=(f_1^T,f_2^T,f_3^T,f_4^T,f_5^T)$ 取代，案例C_j的解用C_T的解 $J_T=(j_1^T,j_2^T,j_3^T)$ 取代，而其“时间”属性值设为T_QY。

(U)案例保存

把修正后的案例保存到案例库中。

(V)结束

(8)案例存储与维护。

随着时间的推移，案例库中的案例不断增加，如果不采取适当的措施，很有可能在一段时间后出现案例重叠大的问题，这样即加大了推理的时间，又使得案例缺乏典型性。为了使案例库控制在一定规模内，必须对加入案例库中的案例进行学习。这里的学习可看成是“合并”或者“泛化”过程。具体操作是这样的：

对准备加入案例库中的新案例C_new，按照前面的相似度计算公式，计算其与案例库中存储的所有旧案例的相似度。设这些相似度分别为：SIM₁，SIM₂…SIM_n(n为案例库中旧案例的个数，0≤SIM_i≤1)。

若求出的所有相似度都小于或者等于某一个给定的阈值ξ₁，0＜ξ₁＜1，则加入该新案例C_new；若至少存在一个相似度大于该阈值，则抛弃该新案例，不存储。

本发明的优点在于：根据磨矿粒度指标的目标，通过案例推理技术给出当前磨矿系统的新给矿量、溢流浓度、入口加水量等基础控制回路的优化设定值，使磨矿分级系统处于优化的工作状态，以获得由合格粒度组成的磨矿产物。

附图说明

图1磨矿回路的流程及测量仪表、执行机构、基础回路配置和计算机配置图

图2基于案例推理的智能优化设定模型结构图

图3本发明的智能优化设定软件的流程框图

图1至图2中所用标记符号如下：

球磨机功率(或电流)——P_QM

球磨机新给矿量——Q_GKL

球磨机给矿水量——W_F1

分级机电流——P_FJJ

分级机溢流浓度——D_YLND

分级机溢流粒度化验值——LD_REAL

分级机溢流粒度软测量值——LD_RCL

分级机溢流粒度期望值——LD_EXP

时间变量——T_JQ

功率(或电流)变送器——PT

浓度变送器——DT

流量变送器——FT

质量变送器——WT

实线箭头表示物流(原矿，水和矿浆)或信号流；

虚线表示传感器与变送器的连接。

具体实施方式

本发明的实施例为一个大型铁矿选矿厂的弱磁焙烧矿的一段磨矿系列。该选矿厂的主要铁矿石为黄铁矿、褐铁矿，脉石以重晶石、石英、碧玉及铁白云石为主，矿石实际含铁品位33％，经分选后的弱磁矿经焙烧工序后输至弱磁选圆筒矿仓，磨矿系统的示意图如图1所示，弱磁选圆筒矿仓内的焙烧矿由电振给矿机排料，再由给矿皮带机送入球磨机内，与球磨机入口补加水混合在球磨机内被研磨成矿浆，该段磨矿采用格子型球磨机，球磨机排矿与球磨机出口补加水回合进入螺旋分级机，螺旋分级机返砂返回一次球磨，与一次球磨形成闭路。螺旋分级机溢流(即本道工序之最终产品)进入泵池后被输送至后续工序。

球磨机型号为Ф3200×3500，有效容积25.3m³，筒体转速18.5r/min，最大装球量54吨。

螺旋分级机为2FLG-2400型双螺旋分级机。螺旋转速3.5r/min，水槽坡度17度。

首先在按照本说明书的要求安装如下的测量仪表，包括：

核子秤测量新给矿量Q_GKL

电磁流量计测量球磨机入口补加水流量W_F1

核子密度计测量螺旋分级机溢流浓度D_YLND

电流计测量球磨机电流P_QM

电流计测量螺旋分级机电流P_FJJ

变频器控制电振给料机频率

两个电动调节阀控制球磨机入口补加水和球磨机出口补加水

以可编程控制器(PLC)实现基础控制回路的自动控制。在下位机中，使用PLC中的单回路调节器组态成如下的基础控制回路：

电振给料机频率控制新给矿量Q_GKL

球磨机入口补加水电动调节阀控制球磨机入口补加水流量W_F1

球磨机出口补加水电动调节阀控制螺旋分级机溢流浓度D_YLND

在上位机(监控计算机)以RSView32软件实现监控人机界面。该磨矿系统的正常工作范围为：

新给矿量——75±5吨/小时

一次磨矿浓度——78％～85％

螺旋分级机溢流浓度——45％～50％

螺旋分级机溢流粒度——55％～60％(-200目)

介质填充率——38％～42％

智能优化设定程序和分级机溢流粒度软测量程序用RSView32提供的VBA应用软件编制。优化设定软件在单独的优化计算机上运行，该计算机上装有RSLinx通讯程序负责与PLC和上位机进行数据通讯，RSLinx与优化设定程序之间通过DDE方式进行双向通讯。

首先应用专利——《球磨机磨矿系统溢流粒度指标软测量方法(专利号：03133951.4)》进行分级机溢流粒度的软测量：粒度软测量神经网络采用七输入一输出单隐层BP网络。七个输入分别为：新给矿量Q_GKL、入口补加水流量W_F1、分级机溢流浓度D_YLND、球磨机电流P_QM、螺旋分级机电流P_FJJ、时间变量T_JQ、恒定的阈值(-1)。将上述七个变量连同对应时刻的溢流粒度的化验值组成训练集合。神经网络的隐元数目选择为60个，网络的结构以矩阵的形式表示为：

                     y＝NN(x)

                      ＝W₁·sig(W₂·x)

其中，y为网络的输出，x为含有阈值在内的增广输入向量，激活函数选择为Sigmoid函数，其表达式为：

$\mathrm{sig}\left(z\right)=\frac{e^z-e^{-z}}{e^z+e^{-z}}$

输出变量与输出层权值W₁之间为线性关系，采用梯度下降法进行训练，学习速率η取0.0001。当相对误差下降至2％以下时停止训练。

按照本说明书所述的实现方法选择时间变量T_JQ、分级机溢流粒度期望值LD_EXP、分级机溢流粒度软测量值LD_RCL、球磨机电流检测值P_QM、分级机电流检测值P_FJJ为辅助变量、选择球磨机新给矿量Q_GKL、球磨机入口加水量W_F1、分级机溢流浓度D_YLND为主导变量，建立案例数据库表后，用20天内的运行数据建立案例库的初始案例。进行案例检索与匹配及案例重用时所涉及到的加权系数或相关阈值根据具体工艺特征和经验具体确定如下：

工况描述特征的加权系数：

时间变量加权系数——ω₁＝0.2

分级机溢流粒度期望值加权系数——ω₂＝0.3

分级机溢流粒度软测量值加权系数——ω₃＝0.2

球磨机电流检测值加权系数——ω₄＝0.15

分级机电流检测值加权系数——ω₅＝0.15

在进行案例检索与匹配及案例重用中的“确定阈值”步骤时用到的阈值X_YZ确定为0.9，即X_YZ＝0.9。

在进行案例重用时，设有l，(l＞1，l ∈Z)个具有相同最大相似度的案例，假设这些案例C_i，i＝1…l按“时间”(案例存储时间)属性值降序排列为：C₁，C₂…C_l，那么它们的时间加权系数分别确定为：10+l，10+(l-1)，…，10+[l-(l-1)]。

在进行案例评价与修正时，精度合格标准LD_HG确定为2，即J_HG＝2，阈值X_XZYZ确定为0.9，即X_XZYZ＝0.9。

在进行案例存储与维护时，阈值ξ₁确定为0.9，即ξ₁＝0.9。

边界条件确定及其调整方法如下：

分级机溢流浓度D_YLND上限50％，下限为45％。

球磨机新给矿量Q_GKL上限80吨/小时，下限为70吨/小时。

球磨机给矿水量W_F1上限为16吨/小时，下限为10吨/小时。

若优化设定后某一参数超出了边界条件，那么就令这个参数值等于该边界条件。

基于案例推理的磨矿系统智能优化设定模型在磨矿系统运行期间，能够根据过程的实时数据给出最优的基础控制回路设定值，使分级机溢流粒度实际值和期望值之间相对误差不超过2％，成为一个具有很高实用价值的、低成本的磨矿系统优化设定方法。

Claims (2)

1、一种基于案例推理的磨矿系统智能优化设定方法，其特征在于该方法依赖于磨矿系统硬件平台，由智能优化设定软件实现，包括以下步骤：

(1)溢流粒度软测量；

(2)辅助变量的选择，辅助变量包括，时间变量T_JQ，分级机溢流粒度期望值LD_EXP，分级机溢流粒度软测量值LD_RCL，球磨机电流检测值P_QM，分级机电流检测值P_FJJ；

(3)主导变量的选择，主导变量包括，球磨机新给矿量Q_GKL，球磨机入口加水量W_F1，分级机溢流浓度D_YLND；

(4)边界条件的确定，即确定球磨机给矿量的上下限、球磨机给矿水的上下限以及分级机溢流浓度的上下限；

(5)案例表示，对数据库中的案例进行如下案例表示：   -----时间                     工况描述               解 相似度 时间变量 分级机溢流粒度期望值 分级机溢流粒度软测量值 球磨机电流检测值 分级机电流检测值 球磨机给矿量 球磨机给矿水量 分级机溢流浓度 T f₁ f₂ f₃ f₄ f₅ j₁ j₂ j₃ SIM

(6)案例库初始案例的取得，对应每一次对分级机溢流进行的人工采样，可以找到计算机控制系统中储存的对应的过程变量值及分级机溢流粒度软测量值，由此得到一组案例，其数据包括所有主导变量、所有辅助变量以及采样时间T，待m组数据收集后，可以得到如下的数据集合：

M_V＝{[T_i，T_JQ，LD_EXP，LD_RCL，P_QM，P_FJJ，Q_GKL，W_F1，D_YLND，]|i＝1，…，m}

以上述数据集合按照下述规则配对，即成为案例：

{[T_i，，T_JQ，LD_EXP，LD_RCL，P_QM，P_FJJ]|i＝1，…，m}→{Q_GKL，W_F1，D_YLND|i＝1，…，m}；

(7)案例推理，案例推理包括案例的检索与匹配及案例重用、案例评价与修正，其流程为：(A)初始化：进行所有变量的初始化；(B)是否进行智能优化设定，如果是，则转至(C)，进行案例检索与匹配及案例重用的过程；如果否，则转至(K)，进行案例评价与修正的过程；(C)选择矿石可磨性；(D)读取当前工况描述；(E)相似度计算；(F)确定阈值；(G)案例检索与匹配；(H)案例重用；(I)边界条件约束；(J)下装并保存智能优化设定结果；(K)选择矿石可磨性；(L)读取分级机溢流粒度化验值和化验取样时间；(M)记录检索；(N)求粒度期望值和化验值之差；(O)是否满足精度要求，若粒度精度合格，不需要进行案例修正，否则需要进行案例修正；(P)输入与取样时间对应的工况描述；(Q)相似度计算；(R)确定阈值；(S)案例检索与匹配；(T)案例修正；(U)案例保存；(V)结束；

(8)案例存储与维护，对准备加入案例库中的新案例C_new，按照相似度计算公式，

$\mathrm{sim}(f_i,f_{i,k})=1-\frac{|f_i-f_{i,k}|}{\mathrm{Max}(f_i,f_{i,k})},$ i＝1，2，3，4，5，k＝1，2，…n计算其与案例库中存储的所有旧案例的相似度，设这些相似度分别为：SIM₁，SIM₂…SIM_n，n为案例库中旧案例的个数，0≤SIM_i≤1；若求出的所有相似度都小于或者等于某一个给定的阈值ξ₁，0＜ξ₁＜1，则加入该新案例C_new；若至少存在一个相似度大于该阈值，则抛弃该新案例，不存储。

2、如权利要求1所述的基于案例推理的磨矿系统智能优化设定方法，其特征在于该方法依赖的磨矿系统硬件平台，包括：球磨机、螺旋分级机以及相关设备组成，同时配备了测量仪表，执行机构以及进行软件计算的计算机系统，球磨机的输入端与皮带给料机、球磨机入口加水量管路及分级机返砂口相联接，球磨机输出端与出口补加水入口同时与螺旋分级机输入口相接，螺旋分级机返砂端与球磨机入口相接，球磨机给料皮带上安装称重仪表，在球磨机入口加水管上安装一个流量计和一个电动调节阀门，在球磨机出口加水管上一个电动调节阀门，在分级机溢流管路上安装密度计，在球磨机及分级机的驱动电机上分别安装功率计或电流计，在振动给料机上安装变频器，上述测量仪表和执行机构连接至控制计算机，并组成电振给料机频率控制新给矿量Q_GKL、球磨机入口补加水电动调节阀控制球磨机入口补加水流量W_F1、球磨机出口补加水电动调节阀调节球磨机控制螺旋分级机溢流浓度D_YLND三个基础控制回路。

Images