矿山浮选药剂量控制模型研究.docVIP

矿山浮选药剂量控制模型研究 　　摘 要：在采矿中，浮选是选矿过程很重要的一个环节。在浮选工艺中，浮选药剂添加量是一个很重要的控制指标。在研究了国内外浮选过程控制现状的基础上提出了基于RBF神经网络技术的浮选药剂量控制模型和基于模糊控制技术的浮选槽液位控制方法。 中国论文网 /4/view-7187212.htm 　　关键词：神经网络；过程控制；模糊控制 　　我国矿石“贫、细、杂”，矿石成分复杂，性质波动严重，因而造成了我国浮选过程控制水平不高，浮选药剂消耗量大，产品质量波动大，精矿回收率低，经济效益差的现状，严重影响了我国钢铁工业的国际竞争力。因此急需能够满足我国浮选工艺现状的检测设备及先进控制算法，以提高我国浮选过程控制水平，以稳定产品质量，为后序炼铁工序提供更好的原料。 　　对于浮选工艺过程控制，药剂控制是根本性的。以反浮选为例，如果给药量过少，无用矿物成分就不能充分浮选，则会导致精矿品位降低，不能满足产品质量要；如果药剂量过多，不但药剂费用大，而且会导致返回的中矿量增加和尾矿品位增高，回收率降低，经济效益不理想。 　　本文根据影响浮选药剂用量的因素确定了RBF神经网络模型的结构。针对RBF神经网络参数难以确定的缺点，提出一种基于蚁群算法RBF神经网络优化方法。并通过仿真结果证明了该算法的有效性。 　　1 药剂量控制模型结构确定 　　目前传统的药剂添加方法是以给矿流量为参考，在应用比例控制的方法的基础上根据操作工经验来控制药剂流量。但由于浮选过程的严重非线性、干扰因素众多且系统存在大滞后。这种简单的控制方法难以保证浮选最终精矿品位的稳定，同时影响了精矿回收率。即使在浮选槽出口安装上价值昂贵的在线精矿品位检测仪表，由于浮选过程的大滞后特性，常规的闭环控制方法也难以达到目的。所以本章主要通过应用浮选生产过程中积累的大量生产数据，根据相应的浮选工艺参数，使用RBF神经网络技术对浮选过程进行建模。然后根据初始生产条件，应用建立好的数学模型预测所需的药剂用量，从而克服系统的大滞后、非线性特性，稳定浮选生产过程。 　　通过现场调研，我们知道原矿性质和药剂用量与浮选槽出口精矿品位有直接关系。最后我们依据工艺机理和现场操作工经验知识，最终确定给矿品位、给矿流量、给矿粒度、给矿浓度、精矿品位5个变量对药剂流量影响最大。 　　因此本文将给矿品位、给矿流量、给矿粒度、给矿浓度和精矿品位5个变量作为浮选药剂量控制模型的输入变量，将浮选药剂流量作为模型输出变量，从而建立一个5输入、1输出的RBF神经网络模型，模型结构如图1所示。 　　 　　图1 浮选药剂量控制模型结构图 　　2 基于蚁群算法的网络泛化能力优化 　　我们应用处理后的样本数据对网络性能进行了测试（这里我们使用了700组样本数据作为网络训练数据，50组数据作为网络性能测试数据，网络训练停止条件是网络训练误差小于网络训练停止误差或者超过最大训练次数。我们把网络最大训练次数规定为5000次），测试中发现了两个问题。一是值得大小对网络测试误差的影响很大；二是网络的训练停止误差（训练次数）大小也影响测试误差的大小。有时网络训练停止误差越小，反而网络的性能越差。下面给出了仿真测试曲线： 　　 　　图2 不同r值下的模型预测曲线 　　3 蚁群算法优化RBF神经网络参数 　　从网络性能测试结果和上面关于神经网络泛化能力的相关知识我们可以知道，要提高本文RBF神经网络模型的泛化能力。在网络训练过程中，我们所能做的就是在确定一个合适的r值（确定合理网络结构），并且判定合理的网络训练停止误差（也可以是学习次数）。 　　[图3 蚁群算法优化RBF神经网络参数流程图] 　　但是由于r值和网络训练停止误差是两个参数，只有在两个参数都合适的情况下才能获得最好的网络性能。这样如何寻找这两个参数的最优组合就成了问题的关键点。采用手动试验的方式由于两个参数的不同组合太多而难以实施。因而本文决定采用目前流行的蚁群优化算法对上述两个参数进行优化，来提高RBF神经网络的性能。本文应用蚁群算法优化RBF神经网络参数的流程如图3所示。 　　这里我们将样本数据分成3个部分：一部分为训练样本集；一部分为内部测试样本集；一部分为外部测试样本集。蚁群算法优化RBF神经网络参数的工作过程如下： 　　Step1：蚁群算法参数。 　　Step2：随机选定r值和网络训练停止误差。 　　Step3：采用文中的网络中心和权值训练方法，应用训练样本集训练RBF网络。训练结束后，应用内部测试样本集测试网络泛化误差。 　　Step4：根据泛化误差计算蚁群算法适应度函数，适应度函数值满足要求或蚁群算法迭代次数超过目标次数则停止算法，并给出参数优化结果。否则进行蚁群算法操作重新搜索r值和网络训练停止误差后返回Ste