基于RBF神經(jīng)網(wǎng)絡(luò)的磨礦粒度軟測(cè)量模型及實(shí)現(xiàn)

張?jiān)苿?王志春

(內(nèi)蒙古科技大學(xué) 信息工程學(xué)院，內(nèi)蒙古 包頭 014010)

基于RBF神經(jīng)網(wǎng)絡(luò)的磨礦粒度軟測(cè)量模型及實(shí)現(xiàn)

張?jiān)苿?王志春

(內(nèi)蒙古科技大學(xué) 信息工程學(xué)院，內(nèi)蒙古 包頭 014010)

磨礦分級(jí)作業(yè)是選礦生產(chǎn)中的重要環(huán)節(jié)，磨礦粒度的好壞直接影響浮選的精礦品位和尾礦回收率；在實(shí)際生產(chǎn)中粒度的測(cè)量有在線粒度分析儀,但存在成本高、維修率高，離線實(shí)驗(yàn)室化驗(yàn)又有時(shí)間延遲大的問題；對(duì)實(shí)際磨礦分級(jí)作業(yè)過程進(jìn)行了分析，提出用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)建立磨礦粒度軟測(cè)量模型，采用正交最小二乘法(OLS)算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，泛化校驗(yàn)；仿真結(jié)果表明，在較少訓(xùn)練數(shù)據(jù)下該網(wǎng)絡(luò)非線性處理能力和逼近能力依然很強(qiáng)，學(xué)習(xí)時(shí)間短，模型基本符合要求；通過OPC技術(shù)將Matlab與PKS控制系統(tǒng)相結(jié)合，實(shí)現(xiàn)實(shí)時(shí)軟測(cè)量磨礦粒度。

磨礦粒度;徑向基函數(shù);正交最小二乘法

0 引言

磨礦分級(jí)作業(yè)是選礦作業(yè)過程中的重要環(huán)節(jié)，磨礦目的是將大顆粒礦石磨碎到一定程度，使有用礦物與脈石分離，達(dá)到單體解離狀態(tài)，以利于后續(xù)選別作業(yè)。磨礦粒度是磨礦分級(jí)作業(yè)的重要生產(chǎn)指標(biāo)，直接影響選別作業(yè)的精礦品位和回收率。在實(shí)際生產(chǎn)中，由于現(xiàn)場(chǎng)工況條件惡劣，在線粒度分析儀維修率高而且設(shè)備成本高，故在生產(chǎn)現(xiàn)場(chǎng)不配備該設(shè)備或處于閑置狀態(tài)；而實(shí)驗(yàn)室化驗(yàn)?zāi)サV粒度存在很大的時(shí)滯，不能及時(shí)為現(xiàn)場(chǎng)生產(chǎn)服務(wù)。故采用軟測(cè)量方法，實(shí)現(xiàn)在線測(cè)檢測(cè)具有重要的實(shí)際意義[1-3]。

磨礦分級(jí)過程是多耦合、大時(shí)滯的非線性時(shí)變控制模型[4]，故本文采用具有良好逼近能力、分類能力和學(xué)習(xí)速度，能逼近任意非線性函數(shù)的RBF神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)對(duì)磨礦粒度的軟測(cè)量[5]。本文采用正交最小二乘法算法(OLS)來訓(xùn)練RBF網(wǎng)絡(luò)，該方法源自線性回歸模型，它可以在學(xué)習(xí)權(quán)值的同時(shí)不斷選取需要的隱含層單元，收斂速度快，并可以得到優(yōu)化問題唯一的全局解[2]。根據(jù)某選礦廠實(shí)際磨礦分級(jí)作業(yè)建立了RBF神經(jīng)網(wǎng)絡(luò)磨礦粒度的軟測(cè)量模型，并利用選礦廠實(shí)際生產(chǎn)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練、泛化，取得了不錯(cuò)的效果。通過OPC技術(shù)將Matlab與PKS控制系統(tǒng)相結(jié)合，實(shí)現(xiàn)實(shí)時(shí)軟測(cè)量磨礦粒度。

1 磨礦分級(jí)作業(yè)工藝流程

磨礦分級(jí)作業(yè)是選礦廠的重要工序，根據(jù)礦石的性質(zhì)，某選礦廠的一段磨礦流程如圖1所示。

圖1 磨礦分級(jí)作業(yè)工藝流程圖

原礦經(jīng)給礦皮帶和一定比例的水給入球磨機(jī)，研磨后的礦漿和一個(gè)定比例的水給入泵池，經(jīng)渣漿泵送入旋流器，溢流的礦漿經(jīng)攪拌槽攪拌送入粗選；返砂排入球磨機(jī)繼續(xù)研磨。在實(shí)際磨礦作業(yè)中，根據(jù)礦石性質(zhì)(硬度、含水量等)、球磨機(jī)電流、磨音、旋流器壓力等參數(shù)，通過調(diào)節(jié)給礦量、前補(bǔ)加水、后補(bǔ)加水量、渣漿泵的頻率、旋流器閥門開度等參數(shù)，來保障磨礦粒度在一個(gè)最優(yōu)區(qū)間。

根據(jù)該選礦廠的實(shí)際情況，前補(bǔ)加水量較小(<15 m3/h),跟礦量的相關(guān)性??；當(dāng)泵池的液位在一定范圍，渣漿泵的頻率基本不調(diào)，因此旋流器閥門開度也相對(duì)穩(wěn)定。上述3個(gè)因素與磨礦過程相關(guān)性較小，在暫不考慮這3個(gè)因素條件下，我們給出磨礦粒度模型可以表示為如下非線性函數(shù)：

(1)

式中，M-200為一段旋流器溢流礦漿中-200目礦石的質(zhì)量百分?jǐn)?shù)(磨礦粒度)，f為一個(gè)非線性函數(shù)，x1為球磨機(jī)的給礦量，x2為原礦水分，x3為后補(bǔ)加水量，x4為磨音，x5為球磨機(jī)功率。根據(jù)實(shí)際工藝流程及現(xiàn)場(chǎng)情況，磨礦粒度控制及軟測(cè)量過程的控制方框圖，如圖2。

圖2 磨礦粒度控制方框圖

2 基于RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

2.1 磨礦粒度軟測(cè)量建模

RBF神經(jīng)網(wǎng)絡(luò)由三層組成[1]，網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3中RBF神經(jīng)網(wǎng)絡(luò)共有5個(gè)輸入，x1為球磨機(jī)的給礦量，x2為原礦水分，x3為后補(bǔ)加水量，x4為磨音，x5為球磨機(jī)功率，以它們構(gòu)成輸入層，高斯函數(shù)為隱含層基函數(shù)，輸出層Y1為-200目礦漿粒度M-200，構(gòu)成網(wǎng)絡(luò)。其中，

(2)

圖3 RBF磨礦軟測(cè)量結(jié)構(gòu)模型

其中，i=1,2,…,M，M是感知神經(jīng)元的個(gè)數(shù)，x在本文中是5維輸入向量；ci是第i個(gè)基函數(shù)的中心，與x具有相同維數(shù)；σi是第i個(gè)RBF的標(biāo)準(zhǔn)差，決定了該基函數(shù)到中心的寬度；從圖3可以看出，輸出層到隱含層實(shí)現(xiàn)從x→Ri(x)的非線性映射，隱含層到輸出層實(shí)現(xiàn)Ri(x)→Y1的線性映射，即：

(3)

其中，Y1是磨礦粒度的輸出；Wi1是第i個(gè)隱含層單元到Y(jié)1輸出層的權(quán)值。

2.2 OLS學(xué)習(xí)算法

RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法主要有隨機(jī)算法、“K-均值，RLS”算法、OLS算法等。OLS學(xué)習(xí)算法源自線性回歸模型，可以在學(xué)習(xí)權(quán)值的同時(shí)不斷選取需要的隱含層單元，收斂速度快[6]。

該算法具體過程如下：

(1)第一步，計(jì)算

(4)

(2)在第k步，當(dāng)k≥2,1≤i≤M,i≠i1,…,i≠i(k-1),計(jì)算

(5)

(3)程序在Ms步終止，當(dāng)

(6)

其中，0<ρ<1為設(shè)定容差。這個(gè)模型包含一個(gè)顯著的Ms變量子集。

3 仿真及結(jié)果分析

某選礦廠2015年8月份，球磨機(jī)給礦量在210-310t/h，在磨礦作業(yè)相對(duì)穩(wěn)定運(yùn)行的狀態(tài)下，分別對(duì)球磨機(jī)給礦量、原礦水分、后補(bǔ)加水量、磨音、球磨機(jī)功率和化驗(yàn)出的磨礦粒度進(jìn)行采樣，取65組現(xiàn)場(chǎng)數(shù)據(jù)。通過數(shù)據(jù)預(yù)處理選出具有代表形的61組數(shù)據(jù)，將數(shù)據(jù)分成兩部分，其中27組數(shù)據(jù)作為訓(xùn)練樣本，另外的34組數(shù)據(jù)作為對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行泛化校驗(yàn)。具體數(shù)據(jù)如表1所示。

表1 訓(xùn)練、預(yù)測(cè)樣本數(shù)據(jù)

首先對(duì)數(shù)據(jù)進(jìn)行歸一化處理，利用7式將其映射到之間，

(7)

其中，d為原始數(shù)據(jù)，dstd為標(biāo)準(zhǔn)化后的數(shù)據(jù)，dmax為原始數(shù)據(jù)最大值，dmin為原始數(shù)據(jù)最小值。利用matlab7.0對(duì)27組數(shù)據(jù)訓(xùn)練、34組校驗(yàn)數(shù)據(jù)進(jìn)行泛化，得到的訓(xùn)練誤差平方和為0.046，泛化相對(duì)誤差平均值為6.90%，如表2所示。

表2 實(shí)驗(yàn)性能指標(biāo)

泛化仿真結(jié)果如圖4所示。從圖4上可以看出雖然偶爾會(huì)出現(xiàn)預(yù)測(cè)值和實(shí)際值相差較大的情況，但大部分相對(duì)誤差較小，并且預(yù)測(cè)值基本符合實(shí)際值的變化趨勢(shì)。導(dǎo)致偶爾誤差較大的原因是磨礦粒度為化驗(yàn)室所得數(shù)據(jù)，數(shù)據(jù)量小，取樣分布不夠均勻，訓(xùn)練樣本少。通過增加訓(xùn)練樣本，可以使網(wǎng)絡(luò)輸出更加理想。

圖4 磨礦粒度仿真結(jié)果

4 在線軟測(cè)量的實(shí)現(xiàn)

該選礦廠控制系統(tǒng)使用的是Experion PKS Process/C200

系統(tǒng),是Honeywell公司推出得基于批處理、過程控制SCADA應(yīng)用的開放的混合控制系統(tǒng)。該系統(tǒng)OPC服務(wù)器允許第三方OPC客戶應(yīng)用讀/寫Process點(diǎn)參數(shù)。利用OPC通訊協(xié)議可以將PKS控制優(yōu)勢(shì)與Matlab計(jì)算優(yōu)勢(shì)結(jié)合起來，將球磨機(jī)實(shí)時(shí)運(yùn)行數(shù)據(jù)傳送給Matlab，然后通過神經(jīng)網(wǎng)絡(luò)的計(jì)算，再將結(jié)果傳送給PKS,實(shí)現(xiàn)該RBF神經(jīng)網(wǎng)絡(luò)磨礦粒度的在線軟測(cè)量。

5 結(jié)論

針對(duì)選礦廠磨礦粒度在線檢測(cè)成本高、易損壞，化驗(yàn)檢測(cè)時(shí)間滯后大等問題，提出用RBF神經(jīng)網(wǎng)絡(luò)建立磨礦粒度軟測(cè)量模型，應(yīng)用OLS算法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，該算法計(jì)算時(shí)間短、逼近效果優(yōu)，同時(shí)對(duì)模式調(diào)整時(shí)對(duì)已有模式擾動(dòng)小。用樣本數(shù)據(jù)訓(xùn)練、校驗(yàn)RBF網(wǎng)絡(luò)，結(jié)果表明，模型測(cè)試結(jié)果與實(shí)際生產(chǎn)稍有誤差，但變化趨勢(shì)相符，模型具有可行性。通過OPC實(shí)現(xiàn)matlab軟測(cè)量模型與PKS系統(tǒng)相結(jié)合，實(shí)現(xiàn)磨礦粒度的在線軟測(cè)量。

[1] 劉德明.基于支持向量回歸的磨礦粒度軟測(cè)量及其軟件實(shí)現(xiàn)[D].鞍山：遼寧科技大學(xué)，2012.

[2] 李 勇.礦過程參數(shù)軟測(cè)量與綜合優(yōu)化控制的研究[D].大連：大連理工大學(xué)，2006.

[3] 朱繼平，桂衛(wèi)華，陽(yáng)春華.基于RBF神經(jīng)網(wǎng)絡(luò)的磨礦粒度預(yù)測(cè)模型[J].計(jì)算機(jī)測(cè)量與控制,2008,16(10):1421-1423.

[4] 王云峰，李戰(zhàn)明，袁占亭，等.RBF神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合的磨礦分級(jí)智能控制方法[J].重慶大學(xué)學(xué)報(bào),2010,33(3)：124-128.

[5] Simon Haykin. Neural Networks and Learning Machines，Third Edition[M]. Upper Saddle River, New Jersey,2008.

[6] Chen S,Cowan C F N,Grant P M. Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks[J]. IEEE Transactions on Neural Network, March,1991,2(2):302-309.

Soft Sensor Model Based on RBF Neural Network for Particle Size of Grinding Circuit and Implementation

Zhang Yungang，Wang Zhichun

(School of information Engineering, Inner Mongolia University of Science & Technology, Baotou 014010, China)

Grinding grading operation is a key link in mineral processing production, and particle size of grinding circuit directly affect the grade of concentrate and the recovery rate of tailings in the process of flotation. In the actual production, the measurement of particle size, one side we can use online particle size analyzer, but it’s too high cost and high maintenance rate; in other side we can measure it in off-line laboratory tests, but it’s too large time delay. Through the analysis of the actual grinding grading operation process, put forward a soft sensor model of grind size with RBF neural network and training this network by using orthogonal least squares learning algorithm. The simulation results show that the network under less training data is still very strong nonlinear processing ability and approaching ability, learning time is short, model conforms to the basic requirements. Through the OPC technology can contact the Matlab and PKS control system, which can realize real-time soft sensor particle size of grinding circuit.

particle size of grinding circuit; radial basis function; orthogonal least squares learning algorithm

2016-08-11；

2016-09-06。

國(guó)家自然科學(xué)基金項(xiàng)目(61463041)。

張?jiān)苿?1987-)，男，山東聊城人，碩士研究生，主要從事過程測(cè)量與控制方向的研究。

王志春(1972-)，女，內(nèi)蒙古包頭人，教授，碩士研究生導(dǎo)師，主要從事計(jì)算機(jī)控制技術(shù)及智能儀器方向的研究。

1671-4598(2017)01-0038-02DOI：10.16526/j.cnki.11-4762/tp

TP

A