基于神經網絡的粉磨系統控制技術

郭天舒

摘 要：本文主要針對典型兩段式磨礦系統中機理復雜、影響因素多等諸多難點問題，采用補償模糊神經網絡對磨礦控制器的優化進行設計，通過利用模糊控制對模糊信息的處理能力和神經網絡強大的學習能力很好地對磨礦控制中非線性、強耦合等問題進行解決。并通過MATLAB軟件對其進行仿真驗證，結果表明礦石粒度被很好地控制在設定值附近，證明了補償模糊神經網絡對磨礦控制的有效性和實用性。

關鍵詞：優化控制，分級磨礦過程，模糊神經網絡，粒度大小

1.引言

我國是礦產資源大國，礦產資源種類齊全，儲量豐富，目前己發現的有171種礦產，居世界第三位，因此要求提高我國選礦的相關技術，磨礦分級就是在此背景下得到廣泛應用[1]。

磨礦分級過程是銜接礦石破碎與最終礦石分選的中間橋梁鍵作用，是整個選礦生產流程中一個非常重要的環節，磨礦分級生產過程是一個極為復雜多變的多輸入多輸出生產過程，機理復雜，影響因素多，具有強非線性、時變性、強耦合等特點[2]。磨礦濃度、磨礦粒度與給礦量、分級機溢流濃度等關鍵過程變量都有著密切的聯系，但它們之間的關系表現為強非線性和時變性等綜合復雜的動態關系。

磨礦分級過程控制系統發展的關鍵主要包括以下幾個方面，首先是磨礦工藝和磨礦設備的更新完善，其次是檢測設備及技術的提高，另外，針對磨礦分級作業流程中不同的控制對象要提出相應的控制理論及方法，最后，還要有高性能的計算機和先進的開發軟件作為保證。未來的磨礦分級控制的發展趨勢將是各種復合控制策略和智能控制策略相結合，取長補短，互相滲透，使磨礦分級生產過程能夠在最優的條件下進行，更加的集成化和智能化將是未來選礦領域的重要研究發展方向。

本文以選礦過程中機理復雜、影響因素多、控制難度大的兩段式磨礦分級生產流程為控制對象，通過對磨礦分級生產流程的研究，提出了磨礦系統的控制方案，在模糊神經網絡的基礎上加入補償模糊神經元，設計了補償模糊神經網絡控制器，并確定了隸屬度函數及其中心、寬度的學習方法，采用變速率的方法對學習速率進行選擇，加快訓練速度，最后通過MATLAB軟件進行仿真，驗證該控制器的有效性。

2磨礦系統的控制

2.1控制方案

典型兩段式磨礦分級過程存在非線性、大滯后、難建模等諸多難點問題，通過分析各種典型控制策略的優缺點，采用將神經網絡與模糊控制技術相結合，同時引入補償模糊神經元的方法，形成補償的模糊神經網絡，將其應用在磨礦分級控制過程中[3]。通過對磨礦實際生產資料的學習以及對整個磨礦流程中各參變量的研究，總結歸納出以下相關的控制規律：

（1）磨礦過程的控制需要保持球磨機的給礦量穩定，使其不波動或者波動的范圍很小，這對穩定產品質量、穩定球磨機的磨礦過程都是十分重要的，因此通過調節給礦量來克服給礦粒度和硬度變化的影響，以保持磨礦的運行穩定和處理量最大，實現最大的經濟效益；

（2）對于球磨機來說，適宜的磨礦濃度對于磨機效率有著很大的影響，根據期望達到的磨礦濃度設定值和新給礦量和磨機電流來計算出一段磨機入口水量，以保持穩定的磨礦濃度從而提高磨機效率；3.螺旋分級機的溢流濃度的高低直接影響分級機返砂量的多少與返砂濃度的大小，從而間接的影響磨機的磨礦效率與處理量，通過調節螺旋分級機補加水來控制分級機溢流濃度從而間接控制分級機溢流粒度；4.旋流器的旋給流量與旋給濃度對于最終產品質量的穩定起著至關重要的作用，通過調節泵池補加水量，以間接控制旋流器給礦濃度，調節旋給流量，達到穩定的磨礦粒度。

2.2控制過程

利用神經網絡辨識磨礦設備的模型，而后設計補償模糊神經網絡控制器，將磨礦粒度作為最終的控制指標，相對應的將粒度差與粒度差變化率作為補償模糊神經網絡控制器的輸入變量。通過對磨礦分級生產流程相關控制規律的總結，將給礦量、一段球磨機入口加水量、螺旋分級機加水量以及旋給流量作為補償模糊神經網絡控制器的輸出變量。相鄰單位時間的粒度差與粒度差變化率通過補償模糊神經網絡控制器實現對給礦量、一段球磨機入口加水量、螺旋分級機加水量以及旋給流量的控制，將補償模糊神經網絡控制器輸出的這四個參量加載到磨礦設備上，最終實現對礦石粒度的控制[4]。

2.3磨礦模型的系統辨識

本文采用此辨識方法對兩段式磨礦分級生產系統模型進行辨識。對磨礦模型進行系統辨識，只有通過對大量的輸入、輸出樣本進行訓練，才能比較真實的反映被控系統，本文采用兩段式磨礦系統，通過對生產流程的研究，最終確定對磨礦分級生產過程有影響的主要因素有給礦量、一段球磨機加水量、磨機電流、泵池加水量、螺旋分級機加水量、分級機電流、旋流器給礦壓力、旋給流量等，通過對兩段式磨礦現場生產過程中提取的數據資料進行整理。

本文利用Matlab軟件進行仿真驗證，通過附加動量法改進的BP神經網絡對磨礦設備進行系統辨識，結合實際生產數據，通過對數據進行處理，采用150組數據進行訓練，50組數據進行仿真驗證，仿真結果如圖3與4所示，兩條曲線基本擬合，且誤差較小，說明該網絡能較好地對磨礦設備進行仿真模擬。

3仿真分析

通過模糊神經網絡控制器對給礦量、一段球磨機入口加水量、螺旋分級機加水量以及旋給流量進行控制，并將控制結果作用在經過對磨礦模型辨識的神經網絡上，仿真結果如圖4與圖5所示。

4 結論

本文通過對相關控制規律的總結，確定了以粒度差與粒度差變化率作為輸入變量，將給礦量、一段球磨機入口加水量、螺旋分級機加水量以及旋給流量作為輸出量的控制器模型。隨后從網絡的結構、隸屬度函數及其中心和寬度的確定以及學習速率等方面對補償模糊神經網絡進行了具體的設計，最后通過MATLAB仿真軟件對控制器進行了仿真，通過模糊神經網絡與補償模糊神經網絡分別對系統進行控制的仿真結果進行對比分析，補償模糊神經網絡的控制效果要明顯優于模糊神經網絡，證明了補償模糊神經網絡算法的優越性。

參考文獻：

[1] 韓麗娟.選礦自動化技術的應用及發展[J].科技與企業，2012，14：337+339.

[2] 王豐雨，張覃，黃宋魏.我國選礦自動化評述[J].國外金屬礦選礦，2006，08：18-21+17.

[3] P. Zhou， T.Y Chai. Grinding circuit control： A hierarchical approach using extended 2-DOF decouphngand model approximation[J]. Powder Technology， 2011， 213（1-3）： 14-26.

[4] 高智超.基于模糊邏輯的模糊神經網絡在磨礦控制系統中的應[D].吉林大學，2010.