CN107583755A - 一种关于半自磨机功率的预估方法 - Google Patents
一种关于半自磨机功率的预估方法 Download PDFInfo
- Publication number
- CN107583755A CN107583755A CN201710970099.1A CN201710970099A CN107583755A CN 107583755 A CN107583755 A CN 107583755A CN 201710970099 A CN201710970099 A CN 201710970099A CN 107583755 A CN107583755 A CN 107583755A
- Authority
- CN
- China
- Prior art keywords
- semi
- mill
- autogenous
- autogenous mill
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000000227 grinding Methods 0.000 claims abstract description 48
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 15
- 239000010959 steel Substances 0.000 claims abstract description 15
- 239000011435 rock Substances 0.000 claims abstract description 10
- 238000003801 milling Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000007405 data analysis Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 229910052500 inorganic mineral Inorganic materials 0.000 description 5
- 239000011707 mineral Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001503485 Mammuthus Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000000498 ball milling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- -1 metallurgy Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Crushing And Grinding (AREA)
Abstract
一种关于半自磨机功率的预估方法适用于矿山中磨矿过程生产应用领域,特别是涉及一种利用回声状态网络的方法结合工艺实践经验的相关参数来预估半自磨机磨功率的方法。主要针对半自磨的设备特点以及在实际应用中的工艺特性,尤其是在SABC工艺环节应用中的特性,提出一种利用半自磨机的给矿量、顽石返回量、磨矿浓度、大块矿石量、磨音、钢球量,结合回声状态网络的方法,来预测半自磨机功率从而提高后续作业的生产水平。
Description
技术领域
本发明属于矿山中磨矿过程生产应用领域,特别是涉及一种利用回声状态网络的方法结合工艺实践经验的相关参数来预估半自磨机磨功率的方法。主要针对半自磨的设备特点以及在实际应用中的工艺特性,尤其是在SABC工艺环节应用中的特性,提出一种利用半自磨机的给矿量、顽石返回量、磨矿浓度、大块矿石量、磨音、钢球量,结合回声状态网络的方法,来预测半自磨机功率从而提高后续作业的生产水平。
背景技术
磨矿过程广泛应用于矿山、水泥、冶金、化工、建筑等多个领域,随着人类社会的发展,对各种矿产资源的需求和利用也是越来越大,然而矿产作为非可再生资源,富矿的储量也在逐渐枯竭,所以对各类矿石的处理能力,以及矿物的回收率和贫矿的开采成为当今选矿领域的热点和难点。选矿作业的关键流程是磨矿作业,故在各个行业的选矿部门,以球磨机为代表的各类磨机在选矿厂的作用更是不言而喻。正是因为磨矿作业的重要性和广泛性,所以磨矿作业中的电耗和钢耗占据整个选矿厂整体电耗和钢耗的很大比重。据不完全统计每年全世界总发电量大约有3%~4%以上是用于矿山行业的,其中磨矿作业的电耗大约占据整个选矿厂总电耗的30%~70%。因此,对磨机有用功率的研究无论是对提高磨矿作业能力还是节约电耗、钢耗都有着极其重要的意义,所以本公司工作人员长期以来一直注意磨矿过程功率的研究。
半自磨机由于其融合了球磨机高处理量、低损耗和自磨机磨矿粒度好、衬板损耗小等的优势,成为现在国内外大型矿山的主流磨矿设备,尤其典型的SABC流程在诸多国内外的矿山中都有应用,所为本文以半自磨机为例,对磨机的功率预测进行研究,并成功将其应用于某大型选矿厂。
目前国际上主流的计算半自磨机功耗的主流方法大致包含但不局限于如下几种方法:
(1)实验测试法:通过实验的手段直接或者间接测量磨机的功率值,具体有实验室试验、半工业试验、SPI 试验等方法。
(2)数学模型法:该方法利用特定模型如邦德功率法等一些经验公式对功率进行计算。
(3)软件测试法:利用专业的选矿软件对磨机功率进行预估。例如澳大利亚Metsim软件、法国地矿研究局的USIM PAC 等软件对功率进行预测。
(4)大数据分析法:即通过数据库收集的海量数据进行大数据分析,然后根据矿石性质、给矿量、加球量等参数以及结合数据库能够获得单位功耗的值对磨机功率进行预测。
上述方法对于磨矿功耗的计算,不是通过反复试验测定功率存在一定的随机性以及费时、费力等缺点,就是依赖于一些学者所提出的纯理论或经验计算公式,但是这些公式应用于实际磨矿过程存在很大安全隐患,由于现场环境复杂多变,所以这些纯理论或经验的方法存在很大局限性。同时,这些公式几乎很少考虑现场应用情况,大多是以实验室为依托做出来的。例如这些公式几乎都涉及磨机的填充率和磨机转速这两个参数,首先磨机填充率是一个不可测量的变量,其次磨机转速在我国选矿厂中几乎是一个常量,所以单纯考虑这两个变量,而不考虑磨机的给矿块比、球荷球比、磨矿浓度、磨音等因素是难以达到实际应用的要求。因此,本文将半自磨机的给矿量、顽石返回量、磨矿浓度、大块矿石量、钢球量等因素考虑在内,通过ESN回声状态网络对半自磨机功率进行预测。本文提出的ESN回声状态网络半自磨机功率预测法,不仅可以对半自磨机选型提供依据也可以应用于校验各种经验数学模型,也可以用于半自磨机的自动化控制,同时还可以对半自磨机功率有一定预测作用,在半自磨机控制中的最重要的防止涨肚控制更是起到了预先控制的作用,大大降低了半自磨机涨肚的风险。下面重点介绍在半自磨机功耗预测中ESN回声状态网络的计算方法,然后介绍如何将其成功应用于某现场的半自磨机功率控制中。
发明内容
该方法主要针对半自磨的设备特点以及在实际应用中的工艺特性,尤其是在SABC工艺环节应用中的特性,提出一种利用半自磨机的给矿量、顽石返回量、磨矿浓度、大块矿石量、钢球量,结合回声状态网络的方法,同时考虑回声状态网络的谱半径、储备池内部神经元个数以及各个影响因素的不同权重,从而对半自磨机功率进行预估,达到提高磨机的半自磨机磨矿效率的作用。
有益效果
该方法利用实时性和动态特性较好的回声状态网络与通过大数据分析发现在工艺应用过程与半自磨机功率密切相关的内部与外部参数,并通过工艺实践确定各个参数的权值,来预测半自磨机功率,实践证明该方法切实有效。对半自磨机功耗进行准确的预估对整个选矿自动化控制有着重要影响,如果能够很好掌握半自磨机功率和磨机内物料填充率、衬板损耗、磨矿浓度、磨机负荷、钢球之间的内在关系,那么必将对磨机的自动化控制起到事半功倍的效果。例如:提高台时处理量、有效防止磨机涨肚、减少钢球和衬板损耗、降低电耗、保证和稳定溢流产品的合格粒度等方面都具有重要意义。不仅如此半自磨矿功率的预测在磨机设计与选型上也有重要的意义。例如:在设计磨机结构时,来确定磨机适宜的安装功率。通过该方法对半自磨机功率的准确估计,明显提升半自磨机的控制效果,在保证磨机内部的料位稳定在正常值内,提高了磨机的半自磨机磨矿效率3个百分点,台时处理量5到7个百分点,减少了钢球和衬板的损耗5个百分点,稳定了磨矿产品的合格粒度。
附图说明
图1半自磨功率预估示意图;
图2半自磨机功率预测效果意图;
图2中:1半自磨机功率预估值,2半自磨机平均功率。
具体实施方式
下面结合附图所示实施例,对本发明作进一步详述。
在磨矿过程中,磨机带动磨机内物料和钢球在筒体内运动所需要的能量即为半自磨机的有用功率是半自磨机功耗最重要的部分,其余部分主要消耗在克服磨机电机轴承之间的摩擦力、筒体震动以及磨机各个传动装置之间摩擦力等做的无用功。所以为了提高磨矿效率,减少能量损耗,就必须在半自磨机的工作过程中尽可能提高有用功率的比重,因此有用功率的研究对半自磨机也可以说对所有磨机来说都是尤为重要的。本方法主要针对半自磨的设备特点以及在实际应用中的工艺特性,尤其是在SABC工艺环节应用中的特性,提出一种利用半自磨机的给矿量、顽石返回量、磨矿浓度、大块矿石量、钢球量,结合回声状态网络的方法,同时考虑回声状态网络的谱半径、储备池内部神经元个数以及各个影响因素的不同权重,从而对半自磨机功率进行预估,从而提高磨机的半自磨机磨矿效率。
首先,数据的采集和预处理。通过矿石图像分析仪、磨音频谱分析仪、电子秤、流量计等在线检测仪表通过DCS***对大量现场数据进行采集同时对数据进行预处理,之后对采集的大量数据进行大数据分析以及工艺经验提取出本算法的输入变量:给矿量、顽石量、磨音、大块矿石量、加球量、浓度。
其次,加权系数参数的确定。加权系数需要根据工艺经验和现场试验确定给矿量权值φ1、顽石量权值φ2、磨音权值φ3、大块矿石量权值φ4、加球权值φ5、浓度权值φ6的初值,之后在通过大数据分析的方法进一步确定以上六个参数。
再次,回声状态网络数据的准备和网络参数的确定。要建立回声状态网络模型,需要采集被估计变量半自磨机功率和网络输入变量(给矿量、顽石量、磨音、大块矿石量、加球量、浓度)的历史数据,数据的数量并非越多越好,要适当,并且要做一定的数据处理,对数据进行筛选、相关性分析、滤波、归一化等。训练数据的可靠性对于软测量的成功与否至关重要。然而,测量数据一般都不可避免地带有误差,有时甚至带有严重的过失误差。因此,输入数据的处理在软测量方法中占有十分重要的地位。其中,回声状态网络的网络参数尤其是回声状态网络的谱半径和内部神经元的个数,对整个回声状态网络的影响也是很大的,这两个参数本方法采用最大、最小、平均的方法确定初步参数,即通过工艺经验给出参数的两个卡边值,然后再取平均值得方法做进一步测试观察参数更靠近那个方向,之后通过大数据分析确定最终参数。
最后,状态回声网络的在线校正。由于磨矿过程的滞后性、强耦合、扰动剧烈、非线性及磨矿工艺过程复杂其数学模型难以准确表达,必须考虑模型的在线校正。状态回声网络的在线校正可以表示为模型结构和模型参数的优化过程,具体方法有自适应法、增量法和多时标法。由于模型结构的修正需要大量的样本数据和较长的时间,在线进行有实时性比较困难,因此提出了短期学习和长期学习相结合的思想。短期校正只对模型的某些参数进行调整,甚至不调整参数,只通过一些修正算法计算出修正量,直接对输出进行补偿。因此它的校正速度快,适于模型的在线实时校正。长期校正适于模型工作较长时间后,工况和环境干扰有较大改变,模型失配比较严重,短期校正无法满足校正精度的情况。此时往往需要大量新数据对模型进行重新训练以确定新结构及参数。该方法首先根据大数据分析以及工艺经验,找到对半自磨机有直接影响的六个过程参量,它们分别是给矿量、顽石量、磨音、大块矿石量、加球量、浓度,然后利的数据分析和现场试验的方法得到的回声状态网络的网络参数、输入权值、训练数据建立半自磨机功率预测模型。其中半自磨机功率预测模型的核心是状态回声网络,将训练好的状态回声网络模型用程序实现在计算机控制***中,通过现场实时采集六个过程参数作为软测量模型的输入,而磨机功率作为输出,实现对磨机功率的在线估计。
对该方法的功率预测值进行实时监控、历史校验、数据归档、输出到DCS***,DCS***工程师可以根据把半自磨机的功率预测情况和磨机内物料填充率、衬板损耗、磨矿浓度、磨机负荷、钢球之间的内在关系,对磨机的自动化控制进行有效控制。例如:提高台时处理量、有效防止磨机涨肚、减少钢球和衬板损耗、降低电耗、保证和稳定溢流产品的合格粒度等方面都具有重要意义;不仅如此该方法也可用于建厂初期对磨机设计与选型,例如在设计磨机结构时,来确定磨机适宜的安装功率。
Claims (3)
1.一种关于半自磨机功率的预估方法,其特征是该发明属于矿山中磨矿过程生产应用领域,涉及一种利用回声状态网络的方法结合工艺实践经验的相关参数来预估半自磨机磨功率的方法。
2.根据权利要求1一种关于半自磨机功率的预估方法中所述的回声状态网络的方法,其特征在于根据大数据分析和现场实践确定回声状态网络输入加权系数、谱半径和内部神经元的个数。
3.根据权利要求1一种关于半自磨机功率的预估方法中所述的结合工艺实践经验的相关参数,其特征在于对半自磨的设备特点以及在实际应用中的工艺特性,尤其是在SABC工艺环节应用中的特性,通过大数据分析以及工艺经验利用半自磨机的给矿量、顽石返回量、磨矿浓度、大块矿石量、磨音、钢球量,结合回声状态网络的方法,来预测半自磨机功率从而提高后续作业的生产水平。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710970099.1A CN107583755A (zh) | 2017-10-18 | 2017-10-18 | 一种关于半自磨机功率的预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710970099.1A CN107583755A (zh) | 2017-10-18 | 2017-10-18 | 一种关于半自磨机功率的预估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107583755A true CN107583755A (zh) | 2018-01-16 |
Family
ID=61053399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710970099.1A Pending CN107583755A (zh) | 2017-10-18 | 2017-10-18 | 一种关于半自磨机功率的预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107583755A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111054512A (zh) * | 2019-12-13 | 2020-04-24 | 西藏华泰龙矿业开发有限公司 | 一种sabc碎磨工艺***中矿石碎磨参数控制方法和装置 |
CN112308327A (zh) * | 2020-11-09 | 2021-02-02 | 金陵科技学院 | 基于自适应特征权重的智慧城市电力负荷估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1638375A (zh) * | 2003-12-29 | 2005-07-13 | 三星电子株式会社 | 用于在频域中检测回声的设备、方法和计算机程序 |
US20130153694A1 (en) * | 2010-09-02 | 2013-06-20 | Harald Held | Method for Controlling a Mill System Having at Least One Mill, in Particular an Ore Mill or Cement Mill |
CN107051700A (zh) * | 2016-10-20 | 2017-08-18 | 丹东东方测控技术股份有限公司 | 一种利用偏析作用提高半自磨机磨矿效率的方法 |
-
2017
- 2017-10-18 CN CN201710970099.1A patent/CN107583755A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1638375A (zh) * | 2003-12-29 | 2005-07-13 | 三星电子株式会社 | 用于在频域中检测回声的设备、方法和计算机程序 |
US20130153694A1 (en) * | 2010-09-02 | 2013-06-20 | Harald Held | Method for Controlling a Mill System Having at Least One Mill, in Particular an Ore Mill or Cement Mill |
CN107051700A (zh) * | 2016-10-20 | 2017-08-18 | 丹东东方测控技术股份有限公司 | 一种利用偏析作用提高半自磨机磨矿效率的方法 |
Non-Patent Citations (1)
Title |
---|
***等: "基于Leaky-ESN的光伏发电输出功率预测", 《电子设计工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111054512A (zh) * | 2019-12-13 | 2020-04-24 | 西藏华泰龙矿业开发有限公司 | 一种sabc碎磨工艺***中矿石碎磨参数控制方法和装置 |
CN112308327A (zh) * | 2020-11-09 | 2021-02-02 | 金陵科技学院 | 基于自适应特征权重的智慧城市电力负荷估计方法 |
CN112308327B (zh) * | 2020-11-09 | 2023-06-16 | 金陵科技学院 | 基于自适应特征权重的智慧城市电力负荷估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086804B (zh) | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 | |
CN106446571B (zh) | 风电场功率预测的误差评价方法 | |
CN109724785A (zh) | 一种基于多源信息融合的刀具状态监测及寿命预测*** | |
CN105760947A (zh) | 一种分析气象环境对电网负荷的影响因素的方法 | |
CN104778378A (zh) | 一种油气田产量递减影响因素分析方法 | |
CN103761429A (zh) | 铣削加工工件表面粗糙度的预测方法 | |
CN104156500A (zh) | 一种预测材料疲劳寿命的方法 | |
CN104792529A (zh) | 基于状态空间模型的滚动轴承寿命预测方法 | |
CN104134120A (zh) | 一种选矿生产指标监控***及方法 | |
CN103496625B (zh) | 基于振动分析的多绳摩擦提升机载荷识别方法 | |
CN111178621A (zh) | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 | |
CN104978610A (zh) | 电网需求侧可调度容量预测方法及电力调度方法 | |
CN103412489A (zh) | 一种磨矿粒度在线预报***及方法 | |
CN104375478A (zh) | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 | |
CN106650102A (zh) | 一种基于灰色关联的海洋混凝土耐久性能预测模型参数确定方法 | |
CN109013032A (zh) | 一种多源信号融合预测球磨机填充率、料球比的方法 | |
CN107583755A (zh) | 一种关于半自磨机功率的预估方法 | |
Wang et al. | Determination of the minimum sample size for the transmission load of a wheel loader based on multi-criteria decision-making technology | |
CN106874568B (zh) | 一种球磨过程的物料粒径分布预测方法 | |
CN107092751A (zh) | 基于Bootstrap的变权重模型组合预测方法 | |
CN106446354A (zh) | 混合动力客车传动***扭振预测及消除方法 | |
CN106800364A (zh) | 一种剩余污泥电渗透深度脱水性能评价方法 | |
CN114386679A (zh) | 基于集成学习的球磨机能耗状态监测方法 | |
Zhang et al. | Grey Prediction model for the chemical oxygen demand emissions in industrial waste water: An empirical analysis of china | |
Lotter et al. | Statistical benchmark surveying of production concentrators |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |