基于神經網絡的磨礦分級自動控制系統在廣西某選礦廠的應用

摘 要：根據廣西某選礦廠的生產工藝情況和要求，本文在分析磨礦分級原理和影響因素的基礎上，設計一套基于神經網絡的磨礦分級自動控制系統，對給定值的算法及其控制系統進行優化。該方案已在廣西某選礦廠成功應用，經濟效益顯著。

關鍵詞：神經網絡;極限學習機;磨礦分級;自動控制

中圖分類號：TP29-A1 文獻標識碼：A 文章編號：1003-5168（2018）25-0090-03

在選礦廠，磨礦的上一道工序是破碎，下一道工序是分選，磨礦的目的是既要將礦石中有價成分單體分離，又要避免過度研磨，同時要保證礦漿的粒度、濃度等符合選礦指標。磨礦和分級是兩道密切相關的生產工序，分級工序要負責將不符合選礦粒度的返砂返回磨機重磨，也要把符合選礦要求的相應粒級的礦漿及時分離出來，供給下一道生產工序。過磨和欠磨的有價成分不僅不能被下一道選礦工序篩選出來，造成有價礦物跑尾，而且會增加選礦藥劑消耗等生產成本。

1 磨礦分級工藝

廣西某選廠粉礦倉底部安裝電磁振動給礦機，礦石通過皮帶入磨礦機，使用球磨機與旋流器閉路磨礦分級，合格礦漿經旋流器分級送入下一道工序浮選環節。影響磨礦處理能力及磨礦產品粒度的因素包括給礦量、礦石粒度及硬度、分級設備的返砂量、高頻細篩的給水量、磨礦濃度、磨機轉速、介質充填率、襯板狀況及磨礦介質充填率等。這些因素的多變性及隨機性增加了磨機過程控制的難度。

2 磨礦分級控制方案

2.1 磨礦分級PID控制的優缺點

無論是從算法還是軟硬件工具來說，PID控制都具有成熟可靠、使用方便等顯著特點，是工業現場應用最廣泛的控制方法之一[1]。但是，對于一些多變量輸入輸出、非線性的控制對象，單純的PID控制很難滿足要求。

在磨礦分級控制過程中，核心控制指標礦漿粒度和濃度受給礦量、給水量、返砂量、介質充填率等眾多因素影響，是一個典型的多輸入、多輸出、非線性的復雜控制系統。PID控制只擅長單輸入-單輸出控制調節[2]。在本文的研究中，即使通過人工調節PID參數，也很難取得理想的調節效果。

2.2 磨礦分級神經網絡控制的優缺點

理論證明，2層以上的神經網絡模型可以無限逼近任意的非線性曲線。目前，神經網絡已經被廣泛應用于機器視覺、模型建立、數據挖掘和人工智能模式識別等復雜領域，尤其在工業控制領域正發揮著越來越重要的作用[3]。神經網絡的缺點主要是學習效率低，參數設置比較煩瑣，需長期進行大量數據的學習實驗。因此，在研究應用中，需要花費大量精力和時間去優化神經網絡算法及進行驗證。

2.4 基于ELM的磨礦分級控制應用

結合磨礦分級生產過程的實際過程，研究磨礦分級單隱層反饋神經網絡。由于該工藝各個參數存在復雜的耦合關系，因此，單隱層反饋神經網絡的輸入變量設置為5個，分別為：給礦量、給水量、礦漿濃度、配藥量和給藥量。隱層的節點個數初始設置10個，根據黃廣斌教授的理論，無論輸入權值和偏置如何設定，只要增加隱層節點個數n，就能實現0誤差訓練[5，6]，因此，隱層節點個數應在研究中靈活調整。單隱層神經網絡其初始結構如圖1所示。

礦漿濃度是隨時變化的，應采用高精度在線檢測設備進行測量;給礦量、給水量大小也存在很大的時變性，但通過高精度的核子秤、流量計，依然可獲取良好的檢測信息;配藥量、加藥量為浮選工段實時所需流量，各個藥劑之間存在嚴格配比關系，研究過程中可將各個藥劑的流量作為單獨輸入引進神經網絡中。根據以上設置，激勵函數選用S型函數，通過現場采集數據并對該神經網絡進行ELM訓練。在訓練中，通過在磨礦生產現場采集100份數據對該網絡進行訓練，分成60組進行訓練，20組進行驗證，20組進行測試，經過訓練后，該系統期望方差為0.014 2。經過MATLAB仿真研究，結果表明，隱層節點個數大于15后，自相關誤差為0，預測和實際數值間誤差幾乎為0，仿真效果十分理想。

3 結語

磨礦分級過程受眾多外界因素干擾，其本身是一個多變量輸入-多變量輸出的復雜控制系統。人工受能力、精力等客觀因素影響，很難及時準確地對系統進行調節;傳統的PID等機器自動控制系統很難勝任多變量控制調節任務。本文針對磨礦分級難以控制的問題，提出了基于神經網絡的磨礦分級自動控制系統，對給礦量、給水量等關鍵算法和控制系統進行了優化，該方案已在廣西某選礦廠成功應用，經濟效益顯著。

參考文獻：

[1]潘蓮輝，張美義，甘桂裕，等.模糊自整定PID控制方案在自動加藥系統中的應用[J].化工自動化及儀表，2017（3）：262-266.

[2]袁遜，徐天宏，龐貴金，等.基于自適應模糊PID控制的選礦藥劑自動配制系統的研究與應用[J].有色金屬（選礦部分），2017（3）：91-93.

[3]徐辰華，李智.基于神經網絡遺傳算法的鋁電解槽電壓優化[J].系統仿真學報，2016（5）：1124-1130.

[4]韓波.基于集成學習的極限學習機的算法研究[D].青島：中國海洋大學，2014.

[5]張美義，廖承業，李玨，等.基于ELM的智能加藥系統的研究[J].礦冶，2017（2）：64-67.

[6]徐辰華，吳敏.基于神經網絡的鉛鋅燒結過程產量質量預測模型[J].系統仿真學報，2009（4）：1024-1028.