赤鐵礦選礦過(guò)程運(yùn)行指標(biāo)的軟件模型設(shè)計(jì)

張帆

(陜西國(guó)防工業(yè)職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)與軟件學(xué)院網(wǎng)絡(luò)教研室， 西安 710300)

0 引言

赤鐵礦的選礦處理對(duì)于最終礦石純度的評(píng)價(jià)尤為重要，直接影響到最終的產(chǎn)品銷售，關(guān)于礦石選取處理的手段有多種，現(xiàn)主要利用計(jì)算機(jī)技術(shù)，結(jié)合各種關(guān)鍵處理算法結(jié)合各類傳感設(shè)備進(jìn)行礦石的選取過(guò)濾。如根據(jù)礦石特性，礦石硬度，顆粒粒度分布，礦物組成或變化的流量等，這些關(guān)鍵指標(biāo)間具有非線性、強(qiáng)耦合等特點(diǎn)。利用軟傳感器建模技術(shù)有效解決在線工業(yè)過(guò)程質(zhì)量指標(biāo)的估算問題，應(yīng)用該技術(shù)解決鐵礦選礦指標(biāo)的估算直接關(guān)系到最終礦產(chǎn)品的質(zhì)量。

針對(duì)礦石選取過(guò)程，國(guó)內(nèi)學(xué)者提出了多種基于神經(jīng)網(wǎng)絡(luò)和基于案例推理的軟測(cè)量建模方法[1]。結(jié)合礦石選取分級(jí)過(guò)程的實(shí)際工況，提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的軟測(cè)量模型[2]。根據(jù)兩階段選取過(guò)程的特點(diǎn)，在遺傳算法(GA)優(yōu)化的多輸入層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，建立了礦石粒度的神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型[3]。基于案例推理(CBR)技術(shù)應(yīng)用于選取過(guò)程的礦石尺寸預(yù)測(cè)[1]。現(xiàn)在單個(gè)模型結(jié)構(gòu)最常用于非線性軟傳感器模型。理論上，如果模型的大小沒有限制，并且有大量的訓(xùn)練數(shù)據(jù)，基于神經(jīng)網(wǎng)絡(luò)或模糊系統(tǒng)的軟件傳感器模型總能獲得令人滿意的模型結(jié)構(gòu)和預(yù)測(cè)精度。但隨著訓(xùn)練領(lǐng)域的擴(kuò)大和系統(tǒng)狀態(tài)復(fù)雜度的急劇增加，軟測(cè)量模型的預(yù)測(cè)精度，魯棒性和泛化能力大大降低；多模切換的思想可以滿足復(fù)雜工作條件的要求，提出了燃煤電廠過(guò)熱蒸汽溫度的預(yù)測(cè)控制模型[4]。

1 礦石粒度的軟測(cè)量模型

1.1 分離粒度模型

分離粒度是礦石選取過(guò)程中顆粒度，各占50%，模型描述如式(1)。

(1)

其中d50(c)表示選礦過(guò)程的分離粒度；Dc，Do，Du分別表示選取過(guò)程中進(jìn)料的速度、進(jìn)料口內(nèi)徑以及出料口內(nèi)徑。h表示選取過(guò)程的傳輸帶長(zhǎng)度；V表示進(jìn)料的固體濃度；Q表示進(jìn)料流量。

1.2 選取粒度的理論模型

選取粒度是指粒度范圍或某個(gè)特定粒度的內(nèi)容，理論模型如式(2)。

(2)

其中M200是整個(gè)礦產(chǎn)品選取過(guò)程中過(guò)濾孔為200孔時(shí)(類度直徑75 μm)礦物粒度的質(zhì)量百分比；d75表示礦物粒度為75 μm；N表示分類產(chǎn)品中最大的粒度大小；mi表示水力旋流器進(jìn)料粒度分布確定的第i級(jí)選礦粒度的質(zhì)量；Rf是水力旋流器底口的質(zhì)量分?jǐn)?shù)，該參數(shù)與旋流漿的含水量和水力旋流器的結(jié)構(gòu)參數(shù)有關(guān)；Ei是第一個(gè)i級(jí)礦物粒度的分級(jí)效率，由水力旋流器的結(jié)構(gòu)參數(shù)和運(yùn)行參數(shù)決定。

1.3 BP神經(jīng)網(wǎng)絡(luò)模型

反向傳播(Back Propagation，BP)算法本質(zhì)上是一種梯度下降方法。 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練可以看作一個(gè)多元函數(shù)的最小點(diǎn)搜索過(guò)程[5-9]，其基本思想描述如下：

Step1：將每個(gè)權(quán)重值初始化為具有分布均勻隨機(jī)數(shù)的小隨機(jī)數(shù)作為初始連接權(quán)值和節(jié)點(diǎn)的閾值；

Step2：計(jì)算BP神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出：

(2) 對(duì)于隱藏層節(jié)點(diǎn)，其輸入描述如式(3)、式(4)。

(3)

輸出結(jié)果為：

(4)

(3) 輸出層節(jié)點(diǎn)的輸入描述如式(5)、式(6)。

(5)

輸出層節(jié)點(diǎn)的輸出為：

(6)

Step3：輸出節(jié)點(diǎn)的誤差如式(7)。

ek=dk-yk

(7)

然后計(jì)算所有輸出節(jié)點(diǎn)的誤差平方和，并獲得能量函數(shù),如式(8)。

(8)

如果E小于預(yù)定值，則轉(zhuǎn)到Step5，否則繼續(xù)Step4。

Step4：調(diào)整BP神經(jīng)網(wǎng)絡(luò)的權(quán)重

(1) 輸出層節(jié)點(diǎn)和隱藏層節(jié)點(diǎn)之間的權(quán)重按如下方式調(diào)整,如式(9)。

(9)

(10)

(11)

(12)

(13)

(14)

Step5：繼續(xù)下一個(gè)訓(xùn)練樣本，直到每個(gè)訓(xùn)練樣本滿足目標(biāo)，即完成BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。

軟件模型流程如以上5步所示，由于在實(shí)際的選礦過(guò)程中存在當(dāng)前模型不匹配的情況。因此，使用這些模型來(lái)預(yù)測(cè)磨削粒度不僅會(huì)增加算法的復(fù)雜度，而且會(huì)降低預(yù)測(cè)性能。 為此，提出了一種可以動(dòng)態(tài)選擇合適的軟傳感器模型的多模式切換思想。因此，基于布谷鳥搜索(Cuckoo)算法和滯后切換策略，建立了一種基于機(jī)構(gòu)模型、BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)(WNN)的混合型多傳感器軟件模型，其結(jié)構(gòu)如圖1所示[10-12]。

圖1 混合多重軟測(cè)量模型結(jié)構(gòu)圖

2 仿真實(shí)驗(yàn)

為了預(yù)測(cè)礦石的選取粒度，建立了基于磁滯切換策略的機(jī)構(gòu)模型，BPNN模型，WNN模型等。三個(gè)軟傳感器模型的預(yù)測(cè)曲線，如圖2所示。

圖2 三種軟測(cè)量模型下的輸出曲線

這些軟傳感器模型下的預(yù)測(cè)誤差,如圖3所示。

圖3 三種軟測(cè)量模型下的預(yù)測(cè)誤差曲線

利用本文所提出的各類模型作為赤鐵礦選礦過(guò)程運(yùn)行指標(biāo)監(jiān)控，利用表1的性能指標(biāo)，選取所需時(shí)間的性能比較如表2所示。

表1 指標(biāo)的定義

表2 用于訓(xùn)練不同預(yù)測(cè)模型的計(jì)算時(shí)間的性能比較

從結(jié)果分析可得，混合多源傳感的模式由于其他單源檢測(cè)的方式，因此所提出的軟測(cè)量模型可以實(shí)現(xiàn)對(duì)關(guān)鍵技術(shù)指標(biāo)的預(yù)測(cè)，并能夠及時(shí)充分滿足磨礦過(guò)程的控制要求。

3 總結(jié)

針對(duì)選礦過(guò)程的關(guān)鍵技術(shù)指標(biāo)(礦石粒度)，提出了一種基于CS遲滯切換策略的混合式多重軟測(cè)量模型，并基于該模型實(shí)現(xiàn)運(yùn)行指標(biāo)軟件，用于監(jiān)控選礦過(guò)程中的關(guān)鍵指標(biāo)。 通過(guò)對(duì)實(shí)際運(yùn)行數(shù)據(jù)的推理估計(jì)，仿真結(jié)果表明，基于CS遲滯切換策略的混合多重軟測(cè)量模型具有較好的跟蹤速度和較高的預(yù)測(cè)精度，可以實(shí)現(xiàn)對(duì)關(guān)鍵技術(shù)指標(biāo)的預(yù)測(cè)，選礦過(guò)程的控制要求準(zhǔn)時(shí)。