浮選機液位在線檢測分析與神經網絡預測研究

王云峰

（甘肅政法學院 計算機科學學院，甘肅 蘭州 730070）

在浮選過程中，浮選槽液位控制是浮選生產中的一個重要環節，控制效果的好壞直接影響到精礦品位和回收率的工藝指標的優劣。目前，隨著全球經濟發展對礦物原料質量、數量要求的不斷增長和礦產資源的品位越來越貧，大型浮選設備在礦物加工領域的作用和重要性日益突出，國內外各研究機構和公司紛紛加強了這方面的開發和研究工作[1-2]，由于浮選過程的復雜性、隨機性，且浮選過程的自動控制受浮選數學模型、檢測儀表及人員素質條件等的制約，因此其模型和自動控制的研究正在逐步深入，近年來有研究采用智能控制策略或復合控制策略[3]，即將各種控制策略（如專家系統、模糊邏輯控制、神經網絡控制、自適應模糊控制、模糊預測控制等等）相互滲透[4-5]的方法，以實現在浮選過程中，根據實際情況調整生產參數，使浮選生產過程保持在最佳狀態。

為了進一步提高浮選技術指標，文中采用了BP神經網絡與多級回路相結合的方式，提出了一種基于BP神經網絡的浮選機液位穩定及液泡厚度的預測模型。預測模型主要以攪拌槽輸出的礦漿流量，掃選輸入流量，精選尾礦流量等為輸入量，以液泡厚度為輸出量，網絡隱含層單元個數與中心向量采用正交最小二乘法（OLS）。同時，在此基礎上在通過Matlab軟件來分析液泡厚度情況，并給出了預測及預警信息。保證了在此復雜現場情況下，礦漿液面自動控制系統工作可靠，控制器控制功能強，配置靈活，調節性能良好，在技術上實現了優化浮選產品粒級組成，減少了浮選尾礦污染，使整個浮選回路和過程得到了優化，使金屬回收率得到了提高，精礦質量得到了改善。

1 浮選機選礦原理及流量控制回路

在浮選過程中，為了保證精礦品位和回收率工藝指標的品質，必須保證浮選槽液位變化不大，并處于一種比較穩定的泡沫厚度區間內，因此對浮選槽液位控制是浮選生產中非常重要的一個環節，根據工作原理，現有浮選設備可以分為3類，即機械式浮選設備，浮選柱和反應器/分離器式浮選設備。不管是哪種浮選機，浮選機對葉輪-定子結構及槽體形式，槽內流體運動狀態，礦漿懸浮狀態，礦粒分布情況，泡沫層的穩定性，礦漿液面自動控制系統及充氣量自動控制系統等提出了更高的要求，控制效果的好壞直接影響到工藝指標的優劣。其工作原理如圖1所示。

圖1 浮選槽工作原理Fig.1 Principle of flotation cell

在大型浮選機浮選槽系統中，其流量控制回路的特點是調節量和被調量都是流量。控制大型浮選機浮選槽液位的穩定，是通過調整其出口的閥門的開度大小來控制流量大小以達到浮選槽液位的恒定，而閥門的特性和流體流速有關，并且它們直接影響到控制回路中流量的大小。在浮選過程中，多個浮選槽串連在一起，上一級浮選槽的出口礦漿是下一級浮選槽的入口礦漿。這種串連方式放大了浮選槽間的相互影響、耦合，在調節單個浮選槽液位時，擾動會傳遞到其下級浮選槽，影響下級浮選質量。為保證在此復雜現場情況下，礦漿液面自動控制系統工作可靠，控制器控制功能強，配置靈活，調節性能良好，采用了BP神經網絡與多級回路相結合的方式，這種多浮選槽液位控制方法，有效抑制各槽液位擾動，并根據各段浮選作業的具體要求實時調整各浮選槽液位。具體回路如圖2所示。

圖2 浮選機選礦回路Fig.2 Circuit of mineral processing

2 預測神經網路的構建及訓練

2.1 BP神經網絡結構

BP神經網絡是將誤差進行傳遞的網絡，在傳遞過程中不斷地調整網絡直到網絡的輸出與實際輸出之間的誤差小于某一值時停止訓練。隨后根據訓練好的網絡輸入我們要預測的信息，進而得到未來發展趨勢的預測結果。

文中采用4層BP網路對各槽液位厚度進行預測。跟據實際的數據，以攪拌槽輸出的礦漿流量，掃選輸入流量，精選尾礦流量等為輸入量，以液泡厚度為輸出量。建立神經網絡，該網絡結構由輸入層、模糊化層、模糊推理層及輸出層構成[6]。網絡輸出為。第1層是輸入層：第2層是模糊化層：第3層是模糊推理層：第4層是輸出層，如圖3所示。

2.2 模型辨識及網絡訓練方法

利用如圖4所示結構，利用系統的輸入輸出數據訓練一個神經網絡，使神經網絡具有與系統相同的輸入輸出關系。設系統由下列非線性差分方程描述：

圖3 BP神經網絡結構Fig.3 BP neural network structure

對象在t+1時刻的輸出值yp（t+1）取決于過去n個輸出值和m個輸入值，選擇神經網絡的輸入輸出結構與建模對象的輸入輸出結構相同，記網絡的輸出為ym，則有：

圖4 模型辨識結構圖Fig.4 Structure diagram of model identification

自動控制系統為DCS集散控制系統，多浮選槽液位浮選過程屬于多耦合、參數時變的非線性控制模型，故采用傳統的BP神經網絡與先進的模糊控制技術組合形成自適應模糊控制方案實現，由于多浮選槽液位厚度受眾多因素的制約，因此在具體實際控制時，采用模糊控制指導PID，利用計算出過程變量的偏差值進行量化（模糊化），通過模糊推理輸出PID比例放大系數、積分時間和微分時間的修正。實現了PID控制的自調整作用。

3 仿真研究

對于浮選機液位系統，其輸入有攪拌槽輸出的礦漿流量，掃選輸入流量，精選尾礦流量等為輸入量，以液泡厚度為輸出量，所以神經網絡的設計采用三輸入單輸出的4層向前網絡。輸入層為3個神經元，分別是攪拌槽輸出的礦漿流量，掃選輸入流量，精選尾礦流量；輸出層是一個神經元，是下一步預測的液泡厚度。而網絡的中間層神經元個數太少會減少模型精確度，太多則會增加網絡連接權數目，增加計算量，而且容易出現隱層神經元的冗余現象。

本設計按照建立4個隱層神經元的網絡，采用在正常狀況下浮選機選礦負荷和液位厚度波動都比較大的一段時間的歷史信號對網絡進行訓練。這樣的信號訓練出來的網絡具有較高的適應區間和精確度。選取攪拌槽輸出的礦漿流量，掃選輸入流量，精選尾礦流量3個測點在浮選機選礦負荷波動較大的12個小時內的信號作為學習樣本，采樣時間為2 s，共21 600組訓練數據。函數預測如圖5所示。

圖5 函數預測Fig.5 Function prediction

3個輸入分別攪拌槽輸出的礦漿流量，掃選輸入流量，精選尾礦流量，網絡的訓練采用Matlab語言編程實現，并用Matlab自帶的Trainlm函數進行訓練。隱層神經元的輸出采用Sigmoid函數。學習速率取Matlab內Trainlm函數的默認值0.02。通過100多次迭代運算，能量函數值達到精度要求，得出網絡的全部參數，使用上述權值和閾值參與計算并做出均方誤差曲線如圖6所示。由圖6可知，幾組數據的最小均方誤差隨著時間的增加而減小至一個平滑值，并逼近期望誤差，滿足設計的要求。

圖6 誤差曲線Fig.6 Error curve

4 結 論

由于浮選過程比較復雜，除了物理反應外，還包括化學反應。且浮選過程內部機理復雜，內部工況無法直接測量，浮選槽之間的連接也很復雜，能夠直接監測的物理量也很少。因此浮選過程是一個難以建立精確數學模型的非線性過程，文中采用4層BP神經網絡與模糊理論相結合技術后，能夠有效抑制各槽液位擾動，并根據各段浮選作業的具體要求實時調整各浮選槽液位。由于是基于BP神經網絡的模糊控制方法，這種控制利用了模糊邏輯，具有較強的結構知識表達能力，所以通過其強大的學習能力與定量數據的直接處理能力，加強了對浮選過程控制系統定性知識的表達與描述能力，在防止浮選短路、提高氣體完全分散程度并保證氣泡與礦漿均勻混合、加快其浮選工藝的優化進程等方面的研究具有非常重要的意義。同時，通過文中浮選機流程結構，未來研究工作可對礦物進行個性化、差異性處理，不斷創新提出不同的選礦流程，對比其在不同選礦流程下工藝指標的品質及回收率的高低，將是一個很重要的研究課題。

[1]王云峰，李戰明，袁占亭，等.基于RBF神經網絡和RS理論的磨礦分級系統軟測量模型[J].江蘇大學學報：自然科學版，2011，31（6）:695-699.WANG Yun-feng，LI Zhan-ming，YUAN Zhan-ting，et al.Modeling of soft measurement of grinding and classification system based RBF neural network and RS theory[J].Journal of Jiangsu University:Natrual Science Edition，2011，31 （6）:695-699.

[2]Choi T J， Subrahmanya N， Li H， et al.Generalized practical models of cylindrical plunge grinding processes[J].International Journal of Machine Tools and Manufacture，2008，48（1）:61-72.

[3]Gonzalez G D，Miranda D，Casali A，et al.Detection and identification of ore grindability in a semiautogenous grinding circuit model using wavelet transform variances of measured variables[J].International Journal of Mineral Processing，2008，89（1）:53-59.

[4]Choi T J， Subrahmanya N， Li H， et al.Generalized practical models of cylindrical plunge grinding processes[J].International Journal of Machine Tools and Manufacture，2008，48（1）:61-72.

[5]李廣治，柴毅，郭茂耘.基于模糊BP神經網絡的網絡化病害診斷系統[J].重慶大學學報：自然科學版，2007（10）:23-29.LI Guang-zhi，CHAI Yi，GUO Mao-yun.Intelligent diagnosis system in agriculture based on fuzzy BP ANN[J].Journal of Chongqing University:natural science edition，2007（10）:23-29.

[6]王云峰，李戰明，袁占亭，等.RBF神經網絡與模糊理論相結合的磨礦分級智能控制方法[J].重慶大學學報：自然科學版，2010，33（3）:124-128.WANG Yun-feng，LI Zhan-ming，YUAN Zhan-ting，et al.Intelligent control of the grinding and classification system based on fuzzy RBF neural network[J].Journal of Chongqing University:natural science edition，2010，33（3）:124-128.