專利名稱：濕式磨礦過程溢流粒度指標(biāo)混合智能軟測量方法
技術(shù)領(lǐng)域：
本發(fā)明屬于自動化測量技術(shù)領(lǐng)域，特別涉及一種濕式磨礦過程溢流粒度指標(biāo)混合智能軟測量方法。
背景技術(shù)：
在選礦行業(yè)中，由球磨機(jī)和水力旋流器組成的濕式磨礦過程廣泛用于將礦石研磨至選礦工藝要求的粒度范圍內(nèi)，粒度過大或過小均對后續(xù)的選別作業(yè)都會產(chǎn)生不利影響， 因此水力旋流器溢流粒度(也稱磨礦粒度、溢流粒度)是衡量磨礦過程運(yùn)行品質(zhì)的重要指標(biāo)。目前，常規(guī)的磨礦粒度的檢測方法有兩種一是人工取樣離線化驗(yàn)，在實(shí)驗(yàn)室人工測量；另一種是使用粒度的檢測設(shè)備——粒度計(jì)進(jìn)行在線測量，前一種方法的不足在于 1.人工操作時人為因素影響大，測量結(jié)果的客觀性差；2.測量的時間間隔長，測量結(jié)果反饋的時間也長，因此得到的信息對操作人員缺乏指導(dǎo)意義；第二種方法不足之處在于雖然能夠得到比較客觀的測量結(jié)果，但粒度計(jì)價格昂貴，我國多數(shù)選礦廠難以配備，而且容易堵塞，現(xiàn)場維護(hù)的工作量很大。另外，粒度計(jì)分析的時間一般也得幾分鐘，因此也難以實(shí)現(xiàn)真正意義的粒度在線測量。目前實(shí)現(xiàn)粒度在線測量的最有效方法是采用軟測量技術(shù)。現(xiàn)有的粒度軟測量方法主要有基于神經(jīng)網(wǎng)絡(luò)(NeuralNetwork，NN)的方法(球磨機(jī)磨礦過程溢流粒度指標(biāo)軟測量方法，發(fā)明專利，專利號=ZL 03133951.4)和基于案例推理(Case-Based Reasoning, CBR)的方法(基于案例推理的磨礦過程溢流粒度指標(biāo)軟測量方法，發(fā)明專利， 專利號ZL 200410021565.4)。采用NN進(jìn)行粒度軟測量算法復(fù)雜，模型難于訓(xùn)練和實(shí)現(xiàn)， 模型校正困難且校正效果不明顯。而基于CBR的粒度軟測量方法具有實(shí)現(xiàn)簡單，易于維護(hù)， 具有較好的自學(xué)習(xí)能力，特別適合工況緩慢變化的工業(yè)對象。但是CBR模型逼近非線性函數(shù)的能力有限，而NN卻能以任意精度逼近非線性函數(shù)，可實(shí)現(xiàn)更復(fù)雜的輸入-輸出非線性映射關(guān)系。因此以上粒度軟測量方法各有優(yōu)缺點(diǎn)和不同的適用范圍。由于磨礦過程具有時變，多工況性，因此以上基于單一技術(shù)和模型的粒度軟測量方法可信度不高，因而難以滿足實(shí)際生產(chǎn)和過程控制與優(yōu)化的要求。

發(fā)明內(nèi)容
為了解決現(xiàn)有濕式磨礦過程溢流粒度測量方法的不足，本發(fā)明提供一種基于案例推理和神經(jīng)網(wǎng)絡(luò)的濕式磨礦過程溢流粒度指標(biāo)混合智能軟測量方法，通過常規(guī)在線測量儀表提供的輔助變量測量參數(shù)，給出當(dāng)前水力旋流器溢流粒度的估計(jì)值，為磨礦生產(chǎn)過程的優(yōu)化操作和優(yōu)化運(yùn)行提供關(guān)鍵指標(biāo)。本發(fā)明方法由硬件平臺及測量軟件組成，其中硬件平臺核心包括球磨機(jī)、水力旋流器、泵池、底流泵、閥門、流量計(jì)、濃度計(jì)、壓力計(jì)、磨機(jī)新給礦的皮帶、給礦水管路、水力旋流器給料管、溢流管、數(shù)據(jù)采集器和計(jì)算機(jī)。其硬件的聯(lián)接是球磨機(jī)的輸入端與磨機(jī)新給礦的皮帶、給礦水管路以及水力旋流器的沉砂入口相接，球磨機(jī)輸出端與泵池相接，泵池連接底流泵和泵池加水管，底流泵通過水力旋流器給料管與水力旋流器相接，溢流管連接水力
7旋轉(zhuǎn)器的出口，數(shù)據(jù)采集器連接流量計(jì)、壓力計(jì)和密度計(jì)，數(shù)據(jù)采集器通過通信總線連接計(jì)算機(jī)，閥門安裝在給礦水管路和泵池加水管的入口處，最終產(chǎn)品從水力旋流器溢流口排出。 詳細(xì)結(jié)構(gòu)如

圖1所示。以球磨機(jī)和水力旋流器組成的閉路磨礦過程，其測量儀表包括一個流量計(jì)，用于在線測量水力旋流器給礦礦漿流量Le，安裝在水力旋流器給料管上；一個壓力計(jì)，用于在線測量水力旋流器給礦礦漿壓力Pe，安裝在水力旋流器的給料管上；兩個密度計(jì)，用于在線測量水力旋流器給礦礦漿濃度De和水力旋流器溢流礦漿濃度D。，分別安裝在水力旋流器給料管上和溢流管上。該磨礦過程同時配置了控制計(jì)算機(jī)(分布式計(jì)算機(jī)控制系統(tǒng)(DCQ、或可編程邏輯控制器(PLC)、或工業(yè)控制計(jì)算機(jī)(IPC))或數(shù)據(jù)采集器、用以采集測量儀表的信號。本發(fā)明的軟測量軟件既可以運(yùn)行在計(jì)算機(jī)控制系統(tǒng)的監(jiān)控計(jì)算機(jī)上，也可以運(yùn)行于獨(dú)立的計(jì)算機(jī)上，該軟件通過與控制計(jì)算機(jī)或數(shù)據(jù)采集器進(jìn)行通訊，獲得實(shí)時的過程數(shù)據(jù)，并給出磨礦粒度的估計(jì)結(jié)果。本發(fā)明的濕式磨礦過程溢流粒度混合智能軟測量模型結(jié)構(gòu)如圖2所示，軟測量流程如圖3所示，方法包括以下步驟(1)輔助變量的選擇，(2)樣本數(shù)據(jù)的取得，(3)基于案例推理的磨礦粒度軟測量，⑷基于神經(jīng)網(wǎng)絡(luò)的磨礦粒度軟測量，(5)基于案例推理的可信度因子求解，(6)基于專家規(guī)則推理的磨礦粒度最終求解。(1)輔助變量的選擇根據(jù)對球磨機(jī)-水力旋流器組成的磨礦過程機(jī)理進(jìn)行分析，本發(fā)明選擇磨礦粒度軟測量的輔助變量包括水力旋流器給礦礦漿濃度Dc ；水力旋流器給礦礦漿壓力Pc ；水力旋流器給礦礦漿流量Lc ；水力旋流器溢流礦漿濃度D。。(2)樣本數(shù)據(jù)的取得在設(shè)備承受能力之內(nèi)，在覆蓋正常操作范圍并稍大于正常操作的范圍內(nèi)，給出一組獨(dú)立變量(新給礦量Of、磨機(jī)入口加水流量Wf、泵池加水流量Wb)的不同的設(shè)定值的組合， 形成下面的設(shè)定值集合Ssetp = HUIi = IAml其中m為該集合內(nèi)的元素?cái)?shù)量，每個元素包含一個
i = l，L，m}其中，一符號左邊的變量為磨礦粒度軟測量模型的輸入變量(也就是輔助變量)，
8—符號右邊的變量為軟測量模型的主導(dǎo)變量即磨礦粒度值。(3)基于案例推理的磨礦粒度軟測量采用發(fā)明人已有成果“基于案例推理的磨礦過程溢流粒度指標(biāo)軟測量方法”進(jìn)行磨礦粒度軟測量，得到磨礦粒度的估計(jì)值&。該方法已獲得了國家發(fā)明專利，其專利號為 ZL200410021565. 4。該方法包括案例表示、案例庫初始案例的取得、案例推理、案例存儲與維護(hù)等實(shí)施步驟。(4)基于神經(jīng)網(wǎng)絡(luò)的磨礦粒度軟測量采用發(fā)明人已有成果“球磨機(jī)磨礦過程溢流粒度指標(biāo)軟測量方法”進(jìn)行磨礦粒度軟測量，得到磨礦粒度的估計(jì)值&。該方法已獲得國家發(fā)明專利，其專利號為ZL 03133951. 4。該方法包括輔助變量的選擇、訓(xùn)練數(shù)據(jù)的取得、神經(jīng)網(wǎng)絡(luò)軟測量模型的學(xué)習(xí)和使用等步驟。(5)基于案例推理的可信度因子求解采用案例推理技術(shù)，根據(jù)案例推理粒度軟測量的粒度估計(jì)值輸出S1和神經(jīng)網(wǎng)絡(luò)粒度軟測量的粒度估計(jì)值輸出s2，并結(jié)合軟測量模型的輔助變量信息0。= {Dg, Pg, Lg, D0I，求解該工況下的粒度估計(jì)S1, S2的可信度因子Ul，u2?；诎咐评淼目尚哦纫蜃覷1, U2的具體求解步驟如下(A)案例表示粒度軟測量模型的可信度因子求解系統(tǒng)以一定的結(jié)構(gòu)進(jìn)行組織并以案例的形式存于案例數(shù)據(jù)庫中。案例庫中每條案例由案例工況描述和案例解組成，案例工況描述F即為軟測量模型的輔助變量信息{De，Pe，Le，DJ以及軟測量模型的粒度估計(jì)輸出S1, S2。案例解J就是該工況下的粒度軟測量估計(jì)值S1, &的可信度因子J= {Ul，u2}。另外，為了便于案例檢索與匹配及其它案例操作，在案例庫表中再增加時間屬性，其中時間為案例獲得時間。所以對案例庫中的案例進(jìn)行如下案例表示
權(quán)利要求
1.一種濕式磨礦過程溢流粒度指標(biāo)混合智能軟測量裝置，其特征在于該裝置包括球磨機(jī)、水力旋流器、泵池、底流泵、閥門、流量計(jì)、濃度計(jì)、壓力計(jì)、磨機(jī)新給礦的皮帶、給礦水管路、水力旋流器給料管、溢流管、數(shù)據(jù)采集器和計(jì)算機(jī)；球磨機(jī)的輸入端與磨機(jī)新給礦的皮帶、給礦水管路以及水力旋流器的沉砂入口相接，球磨機(jī)輸出端與泵池相接，泵池連接底流泵和泵池加水管，底流泵通過水力旋流器給料管與水力旋流器相接，溢流管連接水力旋轉(zhuǎn)器的出口，一個流量計(jì)和一個壓力計(jì)均安裝在水力旋流器給料管上；兩個密度計(jì)分別安裝在水力旋流器給料管上和溢流管上，數(shù)據(jù)采集器連接流量計(jì)、壓力計(jì)和密度計(jì)，數(shù)據(jù)采集器通過通信總線連接計(jì)算機(jī)，閥門安裝在給礦水管路和泵池加水管的入口處。
2.采用權(quán)利要求1所述的濕式磨礦過程溢流粒度指標(biāo)混合智能軟測量裝置的測量方法，其特征在于按如下步驟進(jìn)行步驟一、輔助變量的選擇水力旋流器給礦礦漿濃度Dc， 水力旋流器給礦礦漿壓力Pc， 水力旋流器給礦礦漿流量Lc， 水力旋流器溢流礦漿濃度D。， 步驟二、樣本數(shù)據(jù)的取得設(shè)定獨(dú)立變量新給礦量Of、磨機(jī)入口加水流量Wf、泵池加水流量Wb的設(shè)定值組合，形成下面的設(shè)定值集合Ssetp = HUIi = l，L，m}其中m為該集合內(nèi)的元素?cái)?shù)量，每個元素包含一個
I i = 1，L，m} — {[S3ji] | i = 1，L，m}其中，一符號左邊的變量為磨礦粒度軟測量模型的輸入變量也就是輔助變量，一符號右邊的變量為軟測量模型的主導(dǎo)變量即磨礦粒度值； 步驟三、基于案例推理的磨礦粒度軟測量采用基于案例推理的磨礦過程溢流粒度指標(biāo)軟測量方法進(jìn)行磨礦粒度軟測量，得到磨礦粒度的估計(jì)值S1，該方法包括案例表示、案例庫初始案例的取得、案例推理、案例存儲與維護(hù)；步驟四、基于神經(jīng)網(wǎng)絡(luò)的磨礦粒度軟測量采用球磨機(jī)磨礦過程溢流粒度指標(biāo)軟測量方法進(jìn)行磨礦粒度軟測量，得到磨礦粒度的估計(jì)值&，該方法包括輔助變量的選擇、訓(xùn)練數(shù)據(jù)的取得、神經(jīng)網(wǎng)絡(luò)軟測量模型的學(xué)習(xí)和使用；步驟五、基于案例推理的可信度因子求解采用案例推理技術(shù)，根據(jù)案例推理粒度軟測量的粒度估計(jì)值輸出S1和神經(jīng)網(wǎng)絡(luò)粒度軟測量的粒度估計(jì)值輸出s2，并結(jié)合軟測量模型的輔助變量信息0。= {Dg, Pg, Lg, D0I，求解該工況下的粒度估計(jì)S1, S2的可信度因子U1, U2 ；步驟六、基于專家規(guī)則推理的磨礦粒度最終求解可信度因子求解完畢后，由粒度最終求解系統(tǒng)對U1, U2的數(shù)值進(jìn)行分析，根據(jù)U1, U2相互之間的大小情況，給出最終的粒度軟測量輸出Se，專家推理系統(tǒng)的知識表達(dá)方式選用廣泛使用的產(chǎn)生式規(guī)則，即用如下的形式表示前提為可信度因子U1, U2，結(jié)論就是所求解的最終的粒度軟測量輸出&，具體求解&的推理規(guī)則如下所示，共6條規(guī)則，即R1, R2, R3, R4, R5, R6
3.根據(jù)權(quán)利要求2所述的濕式磨礦過程溢流粒度指標(biāo)混合智能軟測量裝置的測量方法，其特征在于所述的步驟五中基于案例推理的可信度因子U1, U2的具體求解步驟如下(A)案例表示粒度軟測量模型的可信度因子求解系統(tǒng)以一定的結(jié)構(gòu)進(jìn)行組織并以案例的形式存于案例數(shù)據(jù)庫中，案例庫中每條案例由案例工況描述和案例解組成，案例工況描述F即為軟測量模型的輔助變量信息{De，PG, Lg, D0I以及軟測量模型的粒度估計(jì)輸出S1, S2 ；案例解J 就是該工況下的粒度軟測量估計(jì)值S1, S2的可信度因子J = Iu1, u2}，在案例庫表中再增加時間屬性，其中時間為案例獲得時間，所以對案例庫中的案例進(jìn)行如下案例表示
4.根據(jù)權(quán)利要求3所述的濕式磨礦過程溢流粒度指標(biāo)混合智能軟測量裝置的測量方法，其特征在于步驟C所述的可信度因子求解方法，按如下步驟進(jìn)行(a)初始化進(jìn)行所有變量的初始化；(b)案例推理軟測量模型和神經(jīng)網(wǎng)絡(luò)軟測量模型是否以對粒度進(jìn)行估計(jì)，如果否，等待；如果是，則轉(zhuǎn)至(c)；(c)是否進(jìn)行可信度因子求解，如果是，則轉(zhuǎn)至(d)，進(jìn)行案例檢索與匹配及案例重用的過程；如果否，則轉(zhuǎn)至(k)，進(jìn)行案例評價與修正的過程；步驟(d)至(j)為案例的檢索與匹配及案例重用流程，采用案例檢索策略中的最近相鄰策略；(d)選擇礦石可磨性按照不同的礦石的可磨性，選擇礦石可磨性的案例數(shù)據(jù)庫；(e)讀取當(dāng)前工況描述讀取案例推理軟測量模型和神經(jīng)網(wǎng)絡(luò)軟測量模型各自的粒度估計(jì)輸出S1, S2以及當(dāng)前工況描述參數(shù)De，PG, Fg, D0 ；(f)案例相似度計(jì)算設(shè)磨礦過程當(dāng)前運(yùn)行工況為Mgk,定義MeK的工況描述為F = (fi;f2, f3，f4，f5，f6) ,Mgk的解為JeK，定義案例庫中案例為C1, C2ACn,其中案例Ck (k = 1，L，η)的工況描述為Fk = (fu k，^2, k' f3,k，^4, k' fs.k' fe,k)，Ck 的角軍為 Jk ；那么當(dāng)前工況描述Mffi的描述特征fi(i = 1，L，6)與案例Ck(k = 1，L，η)的案例描述特征fu的相似度函數(shù)為
全文摘要
一種濕式磨礦過程溢流粒度指標(biāo)混合智能軟測量方法，屬于自動化測量技術(shù)領(lǐng)域。該裝置包括球磨機(jī)、水力旋流器、泵池、底流泵、閥門、流量計(jì)、濃度計(jì)、壓力計(jì)、磨機(jī)新給礦的皮帶、給礦水管路、水力旋流器給料管、溢流管、數(shù)據(jù)采集器和計(jì)算機(jī)?；旌现悄苘洔y量方法包括以下步驟(1)輔助變量的選擇，(2)樣本數(shù)據(jù)的取得，(3)基于案例推理的磨礦粒度軟測量，(4)基于神經(jīng)網(wǎng)絡(luò)的磨礦粒度軟測量，(5)基于案例推理的可信度因子求解，(6)基于專家規(guī)則推理的磨礦粒度最終求解。本發(fā)明的優(yōu)點(diǎn)在磨礦過程正常運(yùn)行期間，能夠根據(jù)過程的實(shí)時數(shù)據(jù)估計(jì)出磨礦粒度值，相對誤差小、可信度高，是具有很高實(shí)用價值、低成本的粒度計(jì)量手段。
文檔編號G01N15/02GK102169077SQ20101060973
公開日2011年8月31日 申請日期2010年12月28日 優(yōu)先權(quán)日2010年12月28日
發(fā)明者周平, 岳恒, 柴天佑 申請人:東北大學(xué)