礦山浮選藥劑量控制模型研究

摘 要：在采礦中，浮選是選礦過程很重要的一個環節。在浮選工藝中，浮選藥劑添加量是一個很重要的控制指標。在研究了國內外浮選過程控制現狀的基礎上提出了基于RBF神經網絡技術的浮選藥劑量控制模型和基于模糊控制技術的浮選槽液位控制方法。

關鍵詞：神經網絡；過程控制；模糊控制

我國礦石“貧、細、雜”，礦石成分復雜，性質波動嚴重，因而造成了我國浮選過程控制水平不高，浮選藥劑消耗量大，產品質量波動大，精礦回收率低，經濟效益差的現狀，嚴重影響了我國鋼鐵工業的國際競爭力。因此急需能夠滿足我國浮選工藝現狀的檢測設備及先進控制算法，以提高我國浮選過程控制水平，以穩定產品質量，為后序煉鐵工序提供更好的原料。

對于浮選工藝過程控制，藥劑控制是根本性的。以反浮選為例，如果給藥量過少，無用礦物成分就不能充分浮選，則會導致精礦品位降低，不能滿足產品質量要；如果藥劑量過多，不但藥劑費用大，而且會導致返回的中礦量增加和尾礦品位增高，回收率降低，經濟效益不理想。

本文根據影響浮選藥劑用量的因素確定了RBF神經網絡模型的結構。針對RBF神經網絡參數難以確定的缺點，提出一種基于蟻群算法RBF神經網絡優化方法。并通過仿真結果證明了該算法的有效性。

1 藥劑量控制模型結構確定

目前傳統的藥劑添加方法是以給礦流量為參考，在應用比例控制的方法的基礎上根據操作工經驗來控制藥劑流量。但由于浮選過程的嚴重非線性、干擾因素眾多且系統存在大滯后。這種簡單的控制方法難以保證浮選最終精礦品位的穩定，同時影響了精礦回收率。即使在浮選槽出口安裝上價值昂貴的在線精礦品位檢測儀表，由于浮選過程的大滯后特性，常規的閉環控制方法也難以達到目的。所以本章主要通過應用浮選生產過程中積累的大量生產數據，根據相應的浮選工藝參數，使用RBF神經網絡技術對浮選過程進行建模。然后根據初始生產條件，應用建立好的數學模型預測所需的藥劑用量，從而克服系統的大滯后、非線性特性，穩定浮選生產過程。

通過現場調研，我們知道原礦性質和藥劑用量與浮選槽出口精礦品位有直接關系。最后我們依據工藝機理和現場操作工經驗知識，最終確定給礦品位、給礦流量、給礦粒度、給礦濃度、精礦品位5個變量對藥劑流量影響最大。

因此本文將給礦品位、給礦流量、給礦粒度、給礦濃度和精礦品位5個變量作為浮選藥劑量控制模型的輸入變量，將浮選藥劑流量作為模型輸出變量，從而建立一個5輸入、1輸出的RBF神經網絡模型，模型結構如圖1所示。

圖1 浮選藥劑量控制模型結構圖

2 基于蟻群算法的網絡泛化能力優化

我們應用處理后的樣本數據對網絡性能進行了測試（這里我們使用了700組樣本數據作為網絡訓練數據，50組數據作為網絡性能測試數據，網絡訓練停止條件是網絡訓練誤差小于網絡訓練停止誤差或者超過最大訓練次數。我們把網絡最大訓練次數規定為5000次），測試中發現了兩個問題。一是值得大小對網絡測試誤差的影響很大；二是網絡的訓練停止誤差（訓練次數）大小也影響測試誤差的大小。有時網絡訓練停止誤差越小，反而網絡的性能越差。下面給出了仿真測試曲線：

圖2 不同r值下的模型預測曲線

3 蟻群算法優化RBF神經網絡參數

從網絡性能測試結果和上面關于神經網絡泛化能力的相關知識我們可以知道，要提高本文RBF神經網絡模型的泛化能力。在網絡訓練過程中，我們所能做的就是在確定一個合適的r值（確定合理網絡結構），并且判定合理的網絡訓練停止誤差（也可以是學習次數）。

[圖3 蟻群算法優化RBF神經網絡參數流程圖]

但是由于r值和網絡訓練停止誤差是兩個參數，只有在兩個參數都合適的情況下才能獲得最好的網絡性能。這樣如何尋找這兩個參數的最優組合就成了問題的關鍵點。采用手動試驗的方式由于兩個參數的不同組合太多而難以實施。因而本文決定采用目前流行的蟻群優化算法對上述兩個參數進行優化，來提高RBF神經網絡的性能。本文應用蟻群算法優化RBF神經網絡參數的流程如圖3所示。

這里我們將樣本數據分成3個部分：一部分為訓練樣本集；一部分為內部測試樣本集；一部分為外部測試樣本集。蟻群算法優化RBF神經網絡參數的工作過程如下：

Step1：蟻群算法參數。

Step2：隨機選定r值和網絡訓練停止誤差。

Step3：采用文中的網絡中心和權值訓練方法，應用訓練樣本集訓練RBF網絡。訓練結束后，應用內部測試樣本集測試網絡泛化誤差。

Step4：根據泛化誤差計算蟻群算法適應度函數，適應度函數值滿足要求或蟻群算法迭代次數超過目標次數則停止算法，并給出參數優化結果。否則進行蟻群算法操作重新搜索r值和網絡訓練停止誤差后返回Step3。

通過蟻群算法的優化，我們最后得到r=1.37，網絡訓練停止誤差為6.3×10-4。此時RBF神經網絡仿真結果如下：

[圖4 蟻群算法優化后的模型預測曲線]

從上面的仿真結果可以看出，使用螞蟻群算法對RBF神經網絡模型進行優化后，模型的精度有了一定提高，模型的預測誤差絕大多數分布在±2%之間。從模型的控制精度來看，可以滿足浮選過程藥劑量控制的需要，為浮選過程控制水平的提高奠定了一定基礎。

作者簡介：王威（1982-），女，遼寧鞍山人，講師。