一種半自磨機智能控制技術

孫 靜 吳同春

(中國黃金集團內蒙古礦業有限公司，內蒙古 呼倫貝爾021400)

中國黃金集團內蒙古礦業有限公司烏山選礦廠三系列工藝流程為粗碎—SABC 磨礦—銅鉬混合浮選—銅鉬分離浮選，SABC 磨礦作業采用11.0 m ×5.4 m 超大型半自磨機，雙驅電機總功率12 686 kW，日處理量為4.5 萬t。磨礦分級作業是選礦生產領域的關鍵作業之一，產品粒度和濃度直接影響后續選別作業指標，一直是選礦自動化的重點監控對象［1］，其能耗占選礦生產全流程成本的60%以上，直接影響著整個選礦廠的經濟效益［2］。磨礦分級過程是一個極其復雜的動態循環系統，而半自磨過程更是存在多變量、非線性、強耦合、大滯后、時變性、部分關鍵工藝參數難以檢監、影響干擾因素多等控制難點［3］。由于常規的以基礎回路控制為主的PID 定值控制以及人工操作模式難以適應半自磨機復雜工況條件的變化，使半自磨機長時間處于效率較低的運行狀態。為此，烏山選礦廠總結近6 a 運行以來的過程參數，結合模糊控制技術、礦石粒度分析技術、半自磨機磨音分析技術、關鍵參數的軟測量技術與常規PID 控制技術，構建了半自磨機的優化過程控制系統，實現了SABC 磨礦過程的智能控制，代替原來的人工控制。該智能控制系統是在DCS 系統實現基礎PID 控制、順序控制、連鎖控制的基礎上，通過優化控制服務器實現半自磨回路給礦礦石粒度比例、給礦量、磨礦濃度過程參數的優化，可以增加處理量，降低襯板損耗和能耗，提高經濟效益，具有廣闊的推廣應用前景。

1 半自磨機優化控制問題描述

1.1 半自磨控制工藝流程分析

烏山選礦廠半自磨工藝系統由儲礦堆、重型板式給礦機、皮帶輸送機、半自磨機、直線篩等組成，如圖1 所示。破碎至－350 mm 的礦石經重型板式給料機、皮帶輸送機給入半自磨機，半自磨機排出礦石粒度為－60 mm，經過雙層直線篩篩分后，7 ～60 mm 的篩上產品返回半自磨機進行再磨，－7 mm 的篩下產品進入渣漿泵池經渣漿泵給入旋流器進行分級。

圖1 半自磨過程工藝流程Fig.1 Semi-autogenous grind process

影響和反映半自磨機磨礦效率的因素很多，主要有給礦量、F50(礦石進行篩分，篩下通過率為50%時對應的篩孔尺寸，主要反映給礦礦石粒度大小)、礦石硬度、半自磨機加球量、磨礦濃度、襯板磨損程度、格子板磨損程度、軸壓、磨音、頑石量等。剛剛添加完鋼球，半自磨機的鋼球充填率會有階躍性的上升，功率會陡然上升，同時鋼球拋落區的對應面積會增大，磨音顯著提高，鋼球砸在襯板上，對襯板有較大損耗;隨著時間的推移，半自磨機襯板損耗程度加重，襯板對鋼球的提升數量減小、高度降低，鋼球對礦石的破碎效果逐漸變差，處理礦量、軸壓、磨音下降，磨礦效率下降;當礦石硬度較高時，磨礦難度增加，填充率上升，磨音下降，功率上升，需要減小給礦粒度，反之，當礦石硬度較小時，需要增大給礦粒度。這些因素都對半自磨機運行狀況有很大的影響，而且這些因素是時刻變化的，因此在人工手動模式下，無法將這些因素都考慮在內，也無法及時應對，往往導致半自磨機在人工手動模式下運行狀態不佳，也不利于后續選礦工序的穩定運行。

1.2 半自磨控制優化目標分析

工業生產過程控制的目的是在保證設備安全穩定運行的條件下，盡可能提高反映產品質量與效率的工藝指標的準確性。在實際生產中，設備的機械狀態、電氣狀態和流程的工藝狀態都會限定半自磨機工作的邊界條件。保證半自磨機安全穩定運行的邊界條件主要有磨機功率、軸壓、磨音、給礦量、磨礦濃度、給礦粒度比例等。

(1)功率。功率是反映半自磨機汲取能量進行作功的電氣指標。如果半自磨機功率太高，超過上限有漲肚的危險;如果功率太低，則會造成半自磨機處理能力的浪費。半自磨機功率應滿足

式中，Pmin和Pmax分別為半自磨機功率的下限和上限，P(t)為功率表監測的半自磨機功率。

(2)軸壓。軸壓反映了半自磨機的筒體及筒內鋼球與礦石對軸承的壓力。如果半自磨機軸壓太高，超過上限有漲肚的危險;如果軸壓太低，則半自磨機的物料充填率過低，容易造成空砸襯板，磨音過高［5］。半自磨機軸壓應滿足

式中，Fmin和Fmax分別為半自磨機總軸壓的下限和上限，F( t) 為壓力表監測的總軸壓。

(3)磨音。磨音反映了半自磨機內鋼球與鋼球、鋼球與礦石、鋼球與襯板碰撞的聲響強度［6］。如果半自磨機磨音太高，超過上限有鋼球砸壞襯板的危險;如果磨音太低，則半自磨機內部礦石太多，有漲肚的危險。半自磨機磨音應滿足

式中，Imin和Imax分別為半自磨機磨音的下限和上限，I( t) 為磨音分析儀監測的半自磨機的磨音。

(4)給礦量。給礦量反映了半自磨機處理礦石的速度。如果半自磨機給礦量太高，超過上限有影響下游浮選指標的危險;如果給礦量太低，則會造成半自磨機處理能力的浪費。半自磨機給礦量應滿足

式中，Qmin和Qmax分別為半自磨機給礦量的下限和上限，Q( t) 為皮帶監測的半自磨機給礦量。

(5)磨礦濃度。磨礦濃度反映了半自磨機內水與礦石的添加比例。如果半自磨機磨礦濃度太高，則磨礦效率過低;如果磨礦濃度太低，則半自磨作業產生的合格顆粒數量太少，也會對后續浮選作業產生不利影響。半自磨機磨礦濃度應滿足

式中，cmin和cmax分別為半自磨機磨礦濃度的下限和上限，c( t) 為根據給入半自磨的給礦量和給入半自磨的水量計算的半自磨機磨礦濃度。

(6)給礦粒度比例。半自磨機要求給入的礦石中大礦石、中礦石、小礦石需保持一定的比例［7］，即

式中，D1min、D2min、D3min和D1max、D2max、D3max分別為半自磨機給礦中大礦石、中礦石、小礦石的下限和上限，D1( t) 、D2( t) 、D3( t) 分別為礦石粒度分析儀監測的給料皮帶上的大、中、小礦石的投影面積。

綜上，半自磨功率、總軸壓、磨音、給礦量、磨礦濃度、給礦粒度比例這幾項參數應不超過上、下限，以保證半自磨機在安全穩定的狀態下運行;各項過程參數在上下限范圍內可調，使半自磨機處于最優運行狀態。

1.3 控制手段分析

半自磨機控制手段主要包括給礦量調節、磨礦濃度調節、給礦粒度比例調節3 種手段。給礦量調節回路主要根據半自磨給料皮帶秤監測實際給礦量與人工設定的給礦量的偏差，通過PID 自動調節重板頻率，實現給礦量最佳。磨礦濃度調節回路主要根據半自磨機給礦濃度設定以及皮帶秤監測的給礦量，自動計算出半自磨給料的理論給水量，通過半自磨給水流量計監測的水量，PID 自動調節給水閥門開度，實現磨礦濃度的調節。給礦粒度比例調節回路主要根據礦石粒度分析儀來監測皮帶表面的礦石粒度，判斷當前礦石粒度是“偏大”還是“偏小”。當儲礦堆為金字塔型時，礦石在偏析作用下，不同大小的礦石會在不同位置的重板給礦機上方堆積，通過調節對應重板給礦機的輸出頻率來改變礦石粒度。

2 模糊控制算法

2.1 模糊控制算法框圖

半自磨機磨礦過程復雜、機理有不明之處、缺乏必要的檢測手段或測試裝置不能進入被測區域等，使得建立半自磨機工藝被控過程的數學模型困難。

可以熟練操作半自磨機的人員不需了解被控對象的數學模型，憑借實踐經驗即可采取相應措施對半自磨機進行調控。而模糊控制正是建立在人工經驗基礎上，即盡可能將熟練操作員的實踐經驗加以總結和描述，并用計算機語言表述出來，得到一種定性的、不精確的控制規則［8］。其無需知道被控對象的數學模型，運用人類的思維實現智能控制，模糊控制算法采用軟件來實現，具有良好的魯棒性和適應性。控制優化流程見圖2。

圖2 半自磨智能控制流程Fig.2 Semi-autogenous grinding intelligent control flow chart

2.2 半自磨機功率的軟測量模型

根據經典的邦德破碎模型［9］，礦石從一定尺寸破碎到指定粒級，所需要的能量E 為

式中，F80為給礦中篩下通過率為80%時對應的篩孔尺寸，P80為排礦中篩下通過率為80%時對應的篩孔尺寸，Wi為功指數。

半自磨機的汲取功率可以用以下模型來計算［10］:

式中，PBall為球荷堆密度，D 為磨機筒體直徑，L 為磨機長度，MB*為球荷充填率(對于半自磨機，MB為鋼球與大塊礦石充填率之和)，N*為磨機轉速率。

在給礦尺寸、排礦尺寸一定的情況下，給礦量為Q 時，半自磨機的功率W 應為

根據功率計算值與功率監測值之間的差值，以及差值的變化趨勢，可以判斷出當前礦石硬度的變化趨勢、磨機內鋼球的變化規律以及襯板磨損程度對磨機功率的影響。根據功率監測值與設定功率上限值的偏差，自動計算出達到上限功率需要調整的給礦粒度比例、磨礦濃度、給礦量，將此計算值作為優化調節時的參考依據。

2.3 給礦粒度比例模糊控制規則

給礦粒度比例邊界條件是礦石粒度上下限。當給礦粒度大于粒度下限時，允許減小給礦粒度;當給礦粒度小于粒度上限時，允許增大給礦粒度。對給礦粒度比例進行模糊控制時，功率是第一主要參數、軸壓為第二主要參數、磨音為第三主要參數、給礦量是第四主要參數、頑石量是第五主要參數。用這5 個參數來判斷磨機負荷高低:如果磨機負荷高，則適當減小大塊礦石比率;如果磨機負荷低，則適當增加大塊礦石比率;如果磨機負荷正常，則大塊礦石比例不變。表1 所示為給礦粒度模糊控制規則。

表1 給礦粒度模糊控制規則Table 1 Feeding granularity fuzzy control rule

2.4 磨礦濃度模糊控制規則

對磨礦濃度進行模糊控制時，軸壓是第一主要參數、功率是第二主要參數、頑石量是第三主要參數、磨音是第四主要參數。用這4 個參數來判斷磨礦濃度大小:①如果功率高且軸壓高且頑石量高且磨音低，則減小濃度;②如果功率低且軸壓低且頑石量低且磨音高，則增大濃度;③如果軸壓快速增加，則減小濃度。磨礦濃度模糊控制規則見表2。

表2 磨礦濃度模糊控制規則Table 2 Grinding concentration fuzzy control rule

2.5 給礦量模糊控制規則

對給礦量進行模糊控制時，功率是第一主要參數、軸壓是第二主要參數、頑石量是第三主要參數、磨音是第四主要參數。用這4 個參數來判斷給礦量大小:如果功率高且軸壓高且頑石量高且磨音低，則減小礦量;如果功率低且軸壓低且頑石量低且磨音高，則增大礦量。給礦量模糊控制規則見表3。

表3 給礦量模糊控制規則Table 3 Feeding capacity fuzzy control rule

2.6 各控制變量的優先順序

當給礦量、磨礦濃度、給礦粒度比例的調節規則啟動運行時，按照先調給礦粒度比例，再調磨礦濃度，最后調節給礦量的順序進行。

3 半自磨智能控制系統實現和工業應用

3.1 控制系統平臺

圖3 所示為半自磨機優化控制界面，優化控制服務器采用Microsoft Visual C#軟件編程，通過OPC 協議從AB ControlLogix 系列的3 個主站PLC 采集實時過程參數，經過優化控制服務器根據模糊控制規則優化過程參數，輸出給3 個主站PLC 執行。

3.2 應用效果

圖4 所示分別為烏山選礦廠半自磨機人工控制和采用智能控制時，磨機運行狀態分析。

由圖4 可以看出:人工控制時，磨機功率時高時低，軸壓也很不穩定，有漲肚的危險;智能控制條件下，半自磨機運行狀態穩定，功率趨于上限功率，可以發揮半自磨機的最大效能，有效提高了半自磨機的處理量和磨礦效率。

圖3 半自磨機智能控制界面Fig.3 Intelligent control interface of semi-autogenous mill

圖4 智能控制與人工控制磨機運行狀態對比Fig.4 Running statuscomparison of semi-autogenous mill both on optimized and manual control state

由表4 可知:采用人工控制時，月均處理礦量為1 104 971 t，采用智能控制時，月均處理礦量為1 122 762 t，相當于采用智能控制較人工控制提高處理礦量約24.7 t/h;采用智能控制較人工控制噸礦能耗可降低0.49 kWh/t;采用智能控制較人工控制時襯板使用天數由61.5 d 延長到72.6 d，延長襯板使用天數為11.1 d。相比人工操作，采用智能控制時半自磨機工藝流程更加穩定，生產指標明顯提高。在降低能耗、鋼耗以及提高處理量3 個方面作用明顯，經濟效益顯著。

4 結 論

半自磨機智能控制系統在烏山選礦廠的應用實踐表明，半自磨機智能控制系統可根據服務器設定的控制策略，實時采集半自磨機過程參數，自動找出最優的半自磨機過程參數的特點，可以提高磨機處理量、延長襯板使用壽命、降低噸礦能耗，具有顯著的經濟效益，在金屬礦山領域具有重要推廣應用前景。

表4 半自磨機智能控制前后生產指標對比Table 4 Production index comparison of semi-autogenous grinding mill both on optimized and manual control state

［1］ 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，2010，33(3):124.

Wang Yunfeng，Li Zhanming，Yuan Zhanting，et al. Intelligent control method of grinding classification based on RBF neural network and fuzzy theory［J］.Journal of Chongqing University，2010，33(3):124.

［2］ 段希祥.碎礦和磨礦［M］.北京:冶金工業出版社，2012.

Duan Xixiang.Crushing and Grinding［M］.Beijing:Metallurgical Industry Press，2012.

［3］ 李 勇.磨礦過程參數軟測量與綜合優化控制的研究［D］. 大連:大連理工大學，2006.

Li Yong. Study on Soft Measurement and Comprehensive Optimization Control of Grinding Process Parameters［D］.Dalian:Dalian University of Technology，2006.

［4］ 唐新民.冬瓜山銅礦半自磨機筒體襯板被砸碎的研究［J］.礦業裝備，2012(1):74-77.

Tang Xinmin.Dongguashan Copper Mine semi self mill cylinder liner was smashed in the study［J］.Mining Equipment，2012(1):74-77.

［5］ 毛益平. 磨礦過程智能控制策略的研究［D］. 沈陽:東北大學，2001.

Mao Yiping. Research on Intelligent Control Strategy of Grinding Process［D］.Shenyang:Northeastern University，2001.

［6］ 刀正超.選礦廠磨礦工［M］.北京:冶金工業出版社，1987.

Dao Zhengchao.Ore Dressing Plant［M］. Beijing:Metallurgical Industry Press，1987.

［7］ 劉金琨.智能控制［M］.北京:電子工業出版社，2014.

Liu Jinkun. Intelligent Control［M］. Beijing:Electronics Industry Press，2014.

［8］ 陳炳辰.磨礦原理［M］.北京:冶金工業出版社，1989.

Chen Bingchen. Grinding Principle［M］. Beijing:Metallurgical Industry Press，1989.

［9］ 胡為柏，李松仁.數學模型在礦物工程中的應用［M］.長沙:湖南科學技術出版社，1983.

Hu Weibai，Li Songren. The Application of Mathematical Model in Mineral Engineering［M］.Changsha:Hunan Science and Technology Press，1983.