基于模糊控制的浮選智能專家系統

曹建赟

（紫金礦業廈門分公司， 福建 廈門 361001）

1 模糊控制理論

模糊控制理論是1974 年由L.A.Zadeh 提出的。模糊控制重點考慮系統輸入輸出的模糊化和模糊化與控制規則，無需對系統進行精確地數學建模，是一種智能控制方法。其控制策略能夠很好地模擬人的思維推理過程。專家經驗可以定義為模糊規則，輸入、輸出可以劃分為不同的模糊集合，通過模糊化、模糊規則與去模糊化流程來擬系統的非線性行為，并可以通過計算機來實現控制。模糊控制可有效地應用于時滯系統中。在1974 年，英國倫敦大學教授Mamdani.E.H 研制成功第一個模糊控制器，并把它應用于鍋爐和蒸汽機的控制中。采用模糊控制器的控制系統框圖見圖1。

圖1 模糊控制系統框圖

定義模糊規則為：IF x1is a1...and xnis anthen y1is b1...and ynis bn。其中ai（i=1，...，n），bi（i=1，...，n）為模糊語言變量。定義模糊化為：系統輸入偏差e 到x的映射。定義去模糊化為y 到u 的映射。定義模糊控制器F 為e 到u 的映射，u=e^F。模糊隸屬函數f 是模糊集合中用到的函數，在x1is a1中，模糊隸屬函數表示為x1屬于模糊集合a1中的真實程度。隸屬函數數值f（x1is a1）是在0 到1 之間。將e 的值量化為m個等級，e 所屬的模糊集合劃分為n 個集合，將u 的值量化為p 個等級，u 所屬的模糊集合劃分為m 個集合，則可定義控制器F 為En*m^Um*n。其中E 為n*m的隸屬矩陣[1-3]。

2 影響浮選的因素

2.1 磨礦粒度對浮選的影響

為了保證浮選獲得較高的工藝指標，應通過試驗確定入選粒度，即磨礦細度。因為入選粒度過大或過小對浮選過程均有影響。各類礦物的浮選粒度上限不同，硫化礦一般為0.2～0.25 mm，氧化礦一般為0.25～0.30 mm。不同的礦物有最優的浮選粒度，粒度過粗（大于0.1 mm）或過細（小于0.01 mm）對回收率都有影響。粒度過大，即便是礦物已單體解離，因其重量超過了汽泡的浮載能力，浮選過程中往往不能被浮起，故造成回收率下降。粒度過細（一般指小于18 μm），由于微粒與微粒之間、微粒與介質之間、微粒與汽泡之間的相互作用，使細粒的浮選速度變慢、選擇性變壞，從而導致回收率降低[4-5]。

2.2 泡沫特性對浮選的影響

氣泡特性是影響浮選過程的重要因素。浮選過程通過加藥、加氣產生泡沫，調節礦物的可浮性與泡沫的厚度，將精尾礦分離在不同層面。泡沫的特性如尺寸、大小、速率顏色等對浮選指標均有影響。通過改變礦漿pH 值改變礦物表面的電化學性質。通過增加礦漿的濃度與給礦量，將礦粒與氣泡的碰撞概率增大，礦粒與氣泡實現更好地黏附。通過加氣、增加攪拌程度，可以增加細小泡沫數量與密度，從而增大碰撞概率，有助于浮選指標的提升。通過控制液位和泡沫層厚度可將精礦和尾礦位于不同的層面。

3 浮選專家系統

3.1 試驗研究方案的制定及生產過程浮選手動控制

根據工藝礦物學研究的成果，試驗研究人員要通過對大量資料的研究才能初步確定試驗方案，包括工藝流程的結構、工藝條件（磨礦細度、礦漿濃度等）、藥劑制度及選礦指標。由于資料與時間的限制，在試驗研究過程中，對所確定的基本方案驗證、修正工作量大，甚至出現改變基本方案的現象，造成人力物力和時間的浪費。

對浮選的手動控制是指在浮選自動控制系統還沒有建立起來的時候，操作人員利用專業知識，并根據系統采集的給礦量、給礦濃度、給礦品位、通過現場走巡觀察泡沫形狀大小等，調節給藥、給氣、液位的設定值，從而滿足精礦尾礦品位工藝指標。在手動操作過程中，由于操作人員的經驗有限，對于復雜情況的判斷通常無法系統地做出最優判斷。同時由于無法及時和準確地控制系統，導致“跑槽”，“冒槽”等系統不穩定現象，最終導致成本浪費，回收率下降。

3.2 浮選專家系統控制

浮選專家系統充分利用當前浮選工藝配置的過程檢測儀表、執行機構和在線粒度分析儀器、泡沫分析儀的歷史數據，通過規則提取形成專家規則庫[6]。根據對給礦條件、泡沫圖像和品位儀實際運行狀況分析，自動調節給藥、給氣、液位的設定值，實現生產工藝參數的自適應調整，減少人為操作，同時對操作的穩定性、可靠性和生產指標變化情況進行統計監控[6]。浮選系統框圖如圖2 所示。

其中，磨礦模糊控制框圖如圖3 所示。

圖2 浮選專家系統框架

圖3 磨礦模糊控制框圖

浮選專家系統包含知識庫、試驗基本方案與設備故障處理模塊。對于一個新項目的選礦試驗，根據礦石的特性，通過專家系統分析比較，能確定試驗的基本方案。選產過程中設備出現故障或指標出現異常時，專家系統可以診斷。對于浮選生產過程的控制與優化，專家系統可以給出控制規則，其中控制規則由選礦細度和泡沫特性來決定系統的加藥和加氣量。結合實際應用，浮選專家系統學習過程如圖4 所示。

圖4 浮選專家系統學習過程

知識庫記錄了不同類型選礦廠的實際生產數據、試驗研究數據和生產中故障診斷案例。引入知識庫對手動控制中的經驗知識進行離線學習，試驗研究人員可輸入礦石的工藝礦物學研究成果進行試驗方案的制定。知識庫還記錄了手動控制中的歷史經驗數據，包含在給礦條件變化下，當系統穩定時，加藥、加氣、泡沫層厚度的歷史數據。記錄了不同系統狀況下的泡沫圖像歷史數據，以及調整控制量數據。手自動切換增加了系統的穩定性。

3.3 基于OPC 通信的浮選控制

在現有的控制系統基礎上通過增加專家系統接口來實現對專家系統的控制。圖5 中給出了一種基于OPC 接口的浮選專家控制系統。控制系統通過OPC 服務器采集下位機數據，并將控制數據下發到浮選PLC。引入泡沫分析儀來獲取泡沫大小速度等參數。將泡沫分析數據與給藥、給氣、泡沫層厚度進行關聯。將關聯數據存入歷史數據庫供專家系統離線學習，生成控制規則，以供在線控制使用。基于OPC 的浮選專家系統如圖5 所示。

4 模糊控制器的設計

4.1 系統離線決策

系統離線決策模塊為操作人員提供輔助支持，幫助決策者做出手動控制以保障系統運行的穩定性。設備故障模塊用于檢測設備故障，并給出報警提示，為系統啟停做決策，同時設備故障管理模塊為系統的數據采集提供支持。試驗方案模塊對于一個新項目的選礦試驗，根據礦石的特性，通過系統的分析比較，能確定下一步試驗的方案。

圖5 基于opc 通信的浮選專家系統

4.2 歷史數據的獲取與分析

模糊控制器的設計是建立在大量準確可靠的數據分析之上的，通過收集相關數據，分析生產流程的影響因素，建立控制器模型。影響浮選指標的因素有礦石的可浮性、礦石的入料性質、藥劑特性、充氣攪拌方式等。模糊控制器輸入輸出的關聯因素為輸入的給礦濃度、粒度、品位偏差、泡沫特性偏差數據量，他們決定了輸出的給藥、給氣、給水及泡沫層厚度變化量。在實際數據中，泡沫圖像特征包含了泡沫尺寸、速度、顏色等信息，泡沫層厚度通過加氣來控制。將數據集中品位偏差、泡沫特性數據、磨礦粒度作為輸入，將數據集中給氣、給水、給藥量作為輸出，統計出如下控制規律：

規律1：當粗選泡沫兼并嚴重時，通過量化的泡沫特征數據得到了浮選速率80～10，浮選泡沫破裂90～80 時，此時減小進氣量與 pH 值。

規律2：當掃選泡沫層晃動（跑水），通過量化的泡沫特征數據等到浮選X 軸速率8 增加到90，浮選泡沫層厚度出現波動，此時減少進氣量、泡沫層厚度。

規律3：粗選泡沫發黏，通過量化的泡沫特征數據等到浮選速率80～10，泡沫穩定性90～95，此時增加進氣量、降低泡沫層厚度、調整藥劑。

4.3 專家經驗的獲取與分析

在有經驗的操作人員看來，給礦粒度、泡沫特性與加藥量存在如下關系：

關系1：粒度過粗（大于0.1 mm）或過細（小于0.01 mm），礦物粒子回收率降低。

關系2：代表正常藥劑量添加。在該條件下氣泡產生均勻，尺寸相對適中，浮選泡沫礦物化粒度高。

關系3：藥劑添加過量。浮選氣泡過小，小泡居多，部分程棉絮狀，降低浮選精礦品位。

關系4：藥劑添加過少。浮選氣泡較大，虛泡多，礦物粒子回收率降低。

4.4 控制器設計

系統控制框圖如圖6 所示，將規則R 與M 用于模糊控制器設計。

圖6 模糊控制器框圖

定義輸入變量為：品位偏差、磨礦粒度、泡沫特征變化量。定義輸出變量為：輸出變量：給藥量、給氣量、液位值。定義控制規則為：

規則1：If（品位偏差＜M1）Then 給藥量=0

規則 2：If（M1＜ 品位偏差 ＜M1and N1＜ 泡沫特征變化量＜N2）The 給藥量 =y1

...

規則N：If（Mn-1＜品位偏差＜Mnand Nn-1＜泡沫特征變化量＜N）The 給藥量 =yn-1

規則N+1：If（磨礦粒度＜L1）Then 返還磨礦降低粒度控制信號

規則N+2：If（磨礦粒度＞L2）Then 返還磨礦提高粒度控制信號

5 結論

采用智能控制方法的浮選控制系統減少了人工手動操作、取樣化驗等手動控制，增強了浮選過程的自動化水平，改善了手動控制方式難以適應復雜多變的浮選過程，避免了浮選過程“跑槽”“冒槽”“不刮泡”等現象的發生。