CN113751179B - 半自磨机优化控制方法、***及电子设备 - Google Patents
半自磨机优化控制方法、***及电子设备 Download PDFInfo
- Publication number
- CN113751179B CN113751179B CN202111078633.0A CN202111078633A CN113751179B CN 113751179 B CN113751179 B CN 113751179B CN 202111078633 A CN202111078633 A CN 202111078633A CN 113751179 B CN113751179 B CN 113751179B
- Authority
- CN
- China
- Prior art keywords
- semi
- autogenous mill
- relative
- ore
- mineralization
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Crushing And Grinding (AREA)
- Disintegrating Or Milling (AREA)
Abstract
本发明提供了一种半自磨机优化控制方法、***及电子设备,包括:获取半自磨机当前时刻的运行参数;基于运行参数和预先构建的相对矿性模型确定半自磨机当前时刻的相对矿性值;其中,相对矿性值用于表征矿石的磨矿效果;基于相对矿性值对半自磨机的磨矿流程进行优化控制。本发明能够及时发现矿性变化,并自动对半自磨流程的状态参数进行调整,保证了半自磨流程控制的稳定性。
Description
技术领域
本发明涉及磨矿流程控制技术领域,尤其是涉及一种半自磨机优化控制方法、***及电子设备。
背景技术
半自磨机磨矿过程中的力学特征和常规碎磨过程并无明显差异,但是由于半自磨原矿是没有经过破碎处理的,而且半自磨机中发挥冲击破碎作用的大块物料是来自给入磨机的原矿,所以给矿粒度特性以及矿石可磨性对半自磨过程的影响远大于常规碎磨流程,但是,实际生产中无法确定矿石硬度等影响半自磨机工作效率的矿性参数是否发生变化。现有技术中通常根据技术人员的人工经验进行判断,进而对半自磨流程的状态参数进行调整和控制,但是,技术人员很难及时发现矿性变化并对状态参数进行调整,从而会导致半自磨流程控制不稳定。
发明内容
有鉴于此,本发明的目的在于提供一种半自磨机优化控制方法、***及电子设备,能够及时发现矿性变化,并自动对半自磨流程的状态参数进行调整,保证了半自磨流程控制的稳定性。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种半自磨机优化控制方法,包括:获取半自磨机当前时刻的运行参数;基于运行参数和预先构建的相对矿性模型确定半自磨机当前时刻的相对矿性值;其中,相对矿性值用于表征矿石的磨矿效果;基于相对矿性值对半自磨机的磨矿流程进行优化控制。
在一种实施方式中,基于运行参数和预先构建的相对矿性模型确定半自磨机当前时刻的相对矿性值的步骤,包括:按照以下相对矿性模型确定半自磨机当前时刻的相对矿性值RGI:
其中,Po表示半自磨机功率,Pr表示半自磨机轴压,Qf表示半自磨机给矿量,Qr表示半自磨机顽石量,表示标准样本生产时半自磨机功率,表示标准样生产时半自磨机轴压,表示标准样本生产时半自磨机给矿量,表示标准样本生产时半自磨机顽石量,W=(w1,w2,w3)表示权重系数,且w1+w2+w3=1。
在一种实施方式中,相对矿性模型的构建过程包括:基于预设的历史数据库获取标准样本下的运行参数和多组历史运行参数;基于标准样本下的运行参数和多组历史运行参数采用边界约束算法确定权重系数;基于标准样本下的运行参数和权重系数确定相对矿性模型。
在一种实施方式中,基于相对矿性值对半自磨机的磨矿流程进行优化控制的步骤,包括:基于相对矿性值确定给矿量设定值和给水量设定值;基于给矿量设定值和给水量设定值对半自磨机的磨矿流程进行优化控制。
在一种实施方式中,基于相对矿性值确定给矿量设定值和给水量设定值的步骤,包括:基于相对矿性值和预先构建的给矿量预测模型确定给矿量设定值;基于相对矿性确定半自磨机的目标磨矿浓度;基于目标磨矿浓度和给矿量设定值确定给水量设定值。
在一种实施方式中,基于相对矿性值和预先构建的给矿量预测模型确定给矿量设定值的步骤,包括:按照以下给矿量预测模型确定给矿量预测值:
Fi(t)=ai·RGI+bi·Po M+ci·Pr+di·Qr
其中,i=0或1,i=0表示破碎机停止,i=1表示破碎机启动,ai、bi、ci、di表示模型系数,M表示常数系数;
将给矿量预测值和预设时间间隔之前的给矿量预测值进行平均滤波处理,得到给矿量设定值。
在一种实施方式中,基于相对矿性确定半自磨机的目标磨矿浓度的步骤,包括:按照以下公式确定半自磨机的目标磨矿浓度:
其中,Cm表示目标磨矿浓度,C0表示前一响应时刻半自磨机的磨矿浓度,RGIH表示相对矿性上限,RGIL表示相对矿性下限。
第二方面,本发明实施例提供了一种半自磨机优化控制***,包括:参数获取模块,用于获取半自磨机当前时刻的运行参数;计算模块,用于基于运行参数和预先构建的相对矿性模型确定半自磨机当前时刻的相对矿性值;其中,相对矿性值用于表征矿石的磨矿效果;优化控制模块,用于基于相对矿性值对半自磨机的磨矿流程进行优化控制。
第三方面,本发明实施例提供了一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述第一方面提供的任一项的方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述第一方面提供的任一项的方法的步骤。
本发明实施例带来了以下有益效果:
本发明实施例提供的上述半自磨机优化控制方法、***及电子设备,首先获取半自磨机当前时刻的运行参数;然后基于运行参数和预先构建的相对矿性模型确定半自磨机当前时刻的相对矿性值(相对矿性值用于表征矿石的磨矿效果);最后基于相对矿性值对半自磨机的磨矿流程进行优化控制。上述优化控制方法可以基于半自磨机的运行参数进行相对矿性的软测量,通过相对矿性的软测量结果(即相对矿性值)对半自磨机的磨矿流程进行优化控制,从而能够及时发现能够及时发现矿性变化,并自动对半自磨流程的状态参数进行调整,降低了技术人员主观因素对决策的影响,保证了半自磨流程控制的稳定性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种半自磨机优化控制方法的流程图;
图2为本发明实施例提供的另一种半自磨机优化控制方法的流程图;
图3为本发明实施例提供的一种半自磨流程设备关系图;
图4为本发明实施例提供的一种半自磨给矿量预测模型的结果拟合图;
图5为本发明实施例提供的一种半自磨机优化控制方法的效果图;
图6为本发明实施例提供的一种半自磨机优化控制***的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前由于半自磨原矿是没有经过破碎处理,而且半自磨机中发挥冲击破碎作用的大块物料是来自给入磨机的原矿,所以给矿粒度特性以及矿石可磨性对半自磨过程的影响远大于常规碎磨流程,若给料中的大块含量偏少,则可能会导致破碎效果变差,从而导致顽石在磨机内形成积累;若给料中矿石过硬,则会导致磨碎效果变差,也会导致顽石在磨机内滞留时间增加,形成累积。对于矿石性质变化频繁的选矿厂,实现半自磨流程的稳定控制十分困难。
而且矿石的粒度特性及矿石可磨性等影响半自磨磨矿效率的因素很多,很难从源头上实现实时检测,给予控制***前馈;目前通常都是通过半自磨机的工作状态以及工艺流程设计参数进行反馈控制。在对半自磨机的流程考察过程中发现半自磨流程的主要控制变量为给矿量和给水量,但是由于半自磨机直接处理的未经破碎处理的原矿,在生产中很难保证半自磨给矿的矿石粒度分布特性始终符合设计条件,也无法确定矿石硬度等影响半自磨机工作效率的矿性参数是否发生变化,实际生产中技术人员很难及时发现矿性变化,及时调整给矿量,导致半自磨流程控制不稳定。
基于此,本发明实施例提供的一种半自磨机优化控制方法、***及电子设备,能够及时发现矿性变化,并自动对半自磨流程的状态参数进行调整,保证了半自磨流程控制的稳定性。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种半自磨机优化控制方法进行详细介绍,该方法可以由电子设备执行,参见图1所示的一种半自磨机优化控制方法的流程图,示意出该方法主要包括以下步骤S102至步骤S106:
步骤S102:获取半自磨机当前时刻的运行参数。
在一种可选的实施方式中,可以通过半自磨机的控制***获取运行参数,具体的,半自磨机的运行参数包括:半自磨机功率、半自磨机轴压、半自磨机给矿量、半自磨机顽石量、顽石破碎机启停状态、磨矿浓度以及半自磨机给水量等等。
步骤S104:基于运行参数和预先构建的相对矿性模型确定半自磨机当前时刻的相对矿性值。
其中,相对矿性值用于表征矿石的磨矿效果。半自磨相对矿性可以狭义的定义为进入半自磨机筒体的固体物料磨矿效果与设计流程的标准样的相对比较值。该相对矿性包含了矿石粒度特性、硬度特性等未知参数的综合特性,是表征半自磨机筒体内矿石磨矿难易程度的特征参数,可以用来指导半自磨流程生产实际中关键决策变量的调整方向和趋势。
在一种实施方式中,可以预先对半自磨流程进行考察,分析并确定与相对矿性相关的参数,建立半自磨机功率、半自磨机轴压、半自磨机给矿量、半自磨机顽石量、顽石破碎机启停状态、磨矿浓度以及半自磨机给水量的历史数据库(样本数据库),并建立相对矿性模型(也即相对矿性软测量模型)。在具体应用中,可以基于当前时刻的运行数据和相对矿性模型确定半自磨机当前时刻的相对矿性值。
步骤S106:基于相对矿性值对半自磨机的磨矿流程进行优化控制。
在一种实施方式中,若相对矿性值小于1,且相对矿性值越小代表矿石磨矿效果越差;若相对矿性值大于1,且相对矿性值越大代表矿石磨矿效果越好。基于此,本实施例中可以根据相对矿性值对半自磨流程生产实际中关键决策变量(诸如给矿量、给水量等)进行优化调整,从而实现对磨矿流程的控制。
本发明实施例提供的上述半自磨机优化控制方法可以基于半自磨机的运行参数进行相对矿性的软测量,通过相对矿性的软测量结果(即相对矿性值)对半自磨机的磨矿流程进行优化控制,从而能够及时发现能够及时发现矿性变化,并自动对半自磨流程的状态参数进行调整,降低了技术人员主观因素对决策的影响,保证了半自磨流程控制的稳定性。
为了便于理解,本发明实施例还提供了一种基于运行参数和预先构建的相对矿性模型确定半自磨机当前时刻的相对矿性值的具体实现方式,即对于上述步骤S104可以按照以下步骤实现:
按照以下相对矿性模型确定半自磨机当前时刻的相对矿性值RGI:
在公式(1)中,Po表示半自磨机功率,Pr表示半自磨机轴压,Qf表示半自磨机给矿量,Qr表示半自磨机顽石量,表示标准样本生产时半自磨机功率,表示标准样生产时半自磨机轴压,表示标准样本生产时半自磨机给矿量,表示标准样本生产时半自磨机顽石量,W=(w1,w2,w3)表示权重系数,且w1+w2+w3=1。
其中,标准样本可以是结合技术人员的现场经验和磨矿流程设计工艺进行确定的,具体的可以是磨矿流程稳定时所能达到的最大给矿量(即给矿上限)。进而,可以通过半自磨机的控制***获取标准样本生产时半自磨机功率、标准样生产时半自磨机轴压、标准样本生产时半自磨机给矿量以及标准样本生产时半自磨机顽石量等参数,并将其储存在历史数据库中,用于计算相对矿性值。
进一步,半自磨流程的主要控制变量为给矿量和给水量,本发明实施例中可以根据相对矿性测量值(即相对矿性值)及其他运行参数拟合得到给矿量,然后根据该相对矿性测量值确定半自磨机磨矿浓度,并结合给矿量确定给水量,从而实现基于相对矿性软测量的半自磨机给矿量和给水量的优化控制。在具体应用中,对于上述步骤S106主要包括以下步骤1至步骤2:
步骤1:基于相对矿性值确定给矿量设定值和给水量设定值。
在一种可选的实施方式中,可以首先根据相对矿性值及其他运行参数拟合得到给矿量设定值,然后根据相对矿性值确定半自磨机的目标磨矿浓度,最后结合给矿量设定值确定给水量设定值。基于此,步骤1可以按照以下步骤1.1至步骤1.3来执行:
步骤1.1:基于相对矿性值和预先构建的给矿量预测模型确定给矿量设定值。
具体的,可以先按照以下给矿量预测模型确定给矿量预测值:
Fi(t)=ai·RGI+bi·Po M+ci·Pr+di·Qr (2)
在公式(2)中,i=0或1,i=0表示破碎机停止,i=1表示破碎机启动,ai、bi、ci、di表示模型系数,M表示常数系数。
考虑到,磨矿流程是一个复杂的工业流程,存在着明显的时滞问题,因此给矿量的实时预测模型Fi(t)的数值不能直接实时输出。基于此,本发明实施例中可以采用平均滤波处理,即将给矿量预测值和预设时间间隔之前的给矿量预测值进行平均滤波处理,得到给矿量设定值。
在具体应用中,预设时间间隔也即模型响应时间,本发明实施例中可以将模型响应时间设定为Tm,每隔Tm时刻进行一次平均滤波计算,并将滤波值作为给矿量设定值输出,具体可以按照以下公式计算给矿量设定值:
步骤1.2:基于相对矿性确定半自磨机的目标磨矿浓度。
在一种可选的实施方式中,可以根据相对矿性值结合生产实际确定不同矿石性质下的磨矿浓度,主要的确定原则为给矿属于易磨矿时,控制高浓度作业,增加固体物料在半自磨机筒体内的滞留时间;给矿属于难磨矿时,控制低浓度作业,尽可能增加固体物料排出速度。具体的,可以按照以下公式确定半自磨机的目标磨矿浓度:
在公式(4)中,Cm表示目标磨矿浓度,C0表示前一响应时刻半自磨机的磨矿浓度,RGIH表示相对矿性上限,RGIL表示相对矿性下限,其中,相对矿性下限和相对矿性上限可以根据技术人员的现场经验进行确定。
步骤1.3:基于目标磨矿浓度和给矿量设定值确定给水量设定值。
在公式(5)中,C0表示前一响应时刻半自磨机的磨矿浓度,τ表示矿浆滞留系数,Qf表示半自磨机给矿量的实际值,Wf表示半自磨机给水量的实际值,即当前时刻的半自磨机给水量。
由于给水控制也存在着明显的时滞及滞留时间现象,所以需要对给水量进行阶梯设定,设定原则为:
在公式(6)中,ΔW表示给水量变化步长,C1表示当前响应时刻半自磨机的磨矿浓度,Tn=t1-t0,Tn表示给水量计算间隔。
在具体应用中,在当前响应时刻半自磨机的磨矿浓度没有达到目标浓度时,可以根据公式(6)按照阶梯设定给水,并在半自磨机运行过程中根据公式(5)计算磨矿浓度实时值,当磨矿浓度实时值达到目标磨矿浓度时,则停止给水,并将此时的给水量确定为给水量设定值;否则,继续按照公式(6)给水,直至磨矿浓度实时值达到目标磨矿浓度。
步骤2:基于给矿量设定值和给水量设定值对半自磨机的磨矿流程进行优化控制。
在一种可选的实施方式中,可以将给矿量设定值和给水量设定值输出给半自磨机的控制***,用于对半自磨机的磨矿流程进行优化控制,同时,可以每隔Tn时刻进行模型响应重新计算给矿量设定值和给水量设定值并输出。
本发明实施例提供的上述半自磨机优化控制方法,可以基于半自磨机的运行参数和相对矿性软测量模型确定相对矿性值,再根据该相对矿性值及其他参数拟合出给矿量设定值,最后根据该相对矿性值确定半自磨机磨矿浓度,结合给矿量设定值确定给水量设定值,从而实现基于相对矿性软测量的半自磨机给矿量和给水量的优化控制,改善了由于矿性改变,无法及时发现,导致半自磨流程控制不稳定等问题。
为了便于理解,本发明实施例还提供一种相对矿性模型和给矿量预测模型的具体构建方法,首先现场跟踪生产数据,分析并确定与相对矿性相关的参数,建立半自磨机功率、半自磨机轴压、半自磨机给矿量、半自磨机顽石量、顽石破碎机启停状态等参数的历史数据库;然后,按照工艺设计处理量寻找标准样本,定义狭义相对矿性并建立相对矿性模型;再根据相对矿性测量值及其他运行参数拟合出半自磨给矿量模型,其中,半自磨给矿量模型包括给矿量预测模型和半自磨机给矿量输出模型。
在一种实施方式中,相对矿性模型的构建过程包括以下步骤(1)至步骤(3):
步骤(1):基于预设的历史数据库获取标准样本下的运行参数和多组历史运行参数。
具体的,半自磨相对矿性可以狭义的定义为进入半自磨机筒体的固体物料磨矿效果与设计流程的标准样的相对比较值,通过对半自磨机生产运行状态进行分析、总结可知,能够反馈半自磨内矿石性质的关键参数主要有半自磨机功率、半自磨机轴压、半自磨机给矿量、半自磨机顽石量等,基于此,相对矿性的数学表达式可以定义为前述公式(1)所示,为了确定该公式中的权重系数可以从预设的历史数据库获取标准样本下的运行参数和多组历史运行参数。其中,多组历史运行参数可以是根据技术人员的经验得到的不同给矿状态下半自磨机的运行参数,诸如:较为难磨矿石生产时的半自磨机状态参数、给矿量刚好达到流程允许处理量时的半自磨机状态参数、极为好磨矿石时的半自磨机状态参数。
步骤(2):基于标准样本下的运行参数和多组历史运行参数采用边界约束算法确定权重系数。
在一种实施方式中,可以结合选矿厂矿石性质及生产实际历史数据分析,定义RGI分布区间:RGI∈[α,β]。其中,α、β分别为RGI的统计分布下边界和上边界,具体可以是[0.5,1],但在实际生产中也会有大于1和小于0.5的情况存在。若RGI小于1,且RGI越小代表矿石磨矿效果越差;若RGI大于1,且越大代表矿石磨矿效果越好。
进一步,根据较为难磨矿石生产时的半自磨机状态参数T1=(Po 1,Pr 1,Qf 1,Qr 1)、给矿量刚好达到流程允许处理量时的半自磨机状态参数T2=(Po 2,Pr 2,Qf 2,Qr 2)、极为好磨矿石时的半自磨机状态参数T3=(Po 3,Pr 3,Qf 3,Qr 3)求解以下方程,得到W=(w1,w2,w3)的各个权重系数。其中,结合工艺设计,定义给矿量刚好达到流程允许处理量时RGI为1.05。
步骤(3):基于标准样本下的运行参数和权重系数确定相对矿性模型。
具体的,将基于公式(7)得到的权重系数以及标准样本下的运行参数代入到公式(1)中,得到RGI数学模型表达式,即确定相对矿性模型。
进一步,根据相对矿性模型和相关运行参数历史数据拟合得到半自磨给矿量经验数学模型(半自磨给矿量模型)F(t)。结合生产实际分析,确定与半自磨机给矿量相关的运行参数主要为半自磨机功率、半自磨机轴压、半自磨机顽石量、顽石破碎机启停状态S等,破碎机启动和停止时需要分别考虑。因此,半自磨给矿量模型为:F(t)=(F0(t),F1(t))。
其中,F0(t)表示破碎机停止时给矿量数学模型,F1(t)表示破碎机启动时给矿量数学模型。根据顽石破碎机启停状态S的值进行模型切换可得:
其中,S=0代表破碎机停止,S=1代表破碎机启动。
进一步,确定半自磨机给矿量数学模型表达式,即给矿量预测模型,具体参见公式(2)所示,并通过多项式回归确定ai、bi、ci、di的值。
由于磨矿流程是一个复杂的工业流程,存在着明显的时滞问题,因此给矿量的实时预测模型Fi(t)的数值不能直接实时输出。本发明实施例中可以采用平均滤波处理,将模型响应时间设定为Tm,每隔Tm时刻进行一次平均滤波计算,并将滤波值作为给矿量设定值输出,具体可参见前述公式(3)所示的半自磨机给矿量输出模型表达式。
为了便于理解,本发明实施例还提供了一种具体的半自磨机优化控制方法,参见图2所示的另一种半自磨机优化控制方法的流程图,事宜出该方法主要包括以下步骤S201至步骤S207:
步骤S201:开展流程考察,获取半自磨流程相关运行参数。
参见图3所示的一种半自磨流程设备关系图,通过对半自磨流程的跟踪考察,获取相关的相关运行参数,诸如:半自磨机功率、半自磨机轴压、半自磨机给矿量、半自磨机顽石量、顽石破碎机启停状态、磨矿浓度以及半自磨机给水量等等。
步骤S202:建立半自磨机运行参数的历史数据库。
具体的,可以建立如表1所示的半自磨机功率、半自磨机轴压、半自磨机给矿量、半自磨机顽石量、顽石破碎机启停状态、磨矿浓度以及半自磨机给水量等参数的历史数据库。
表1半自磨机生产历史数据库
步骤S203:建立相对矿性软测量模型并确定相对矿性测量值。
具体的,可以按照前述公式(1)所示的数学表达式建立相对矿性软测量模型并确定相对矿性测量值。
步骤S204:建立半自磨机给矿量预测模型并确定给矿量设定值。
在一种实施方式中,可以按照前述公式(2)和公式(3)所示的数学表达式建立半自磨机给矿量预测模型并确定给矿量设定值。具体的,给矿量预测模型的拟合效果可以参见图4所示的半自磨给矿量预测模型的结果拟合图。
步骤S205:基于相对矿性测量值确定半自磨磨矿浓度。
在一种实施方式中,可以按照前述公式(4)所示的数学表达式确定半自磨磨矿浓度。
步骤S206:基于给矿量设定值和半自磨磨矿浓度确定半自磨机给水量设定值。
在一种实施方式中,可以按照前述公式(5)和公式(6)所示的数学表达式确定半自磨机给水量设定值。
步骤S207:基于给矿量设定值和给水量设定值对半自磨流程进行优化控制。
在一种实施方式中,参见图5所示的一种半自磨机优化控制方法的效果图,在半自磨流程控制过程中,可以通过相对矿性软测量结果,对半自磨机给矿量和给水量进行优化控制。
需要说明的是,本发明实施例所提供的优化控制方法、相对矿性软测量模型以及给矿量预测模型的构建,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,本实施例部分未提及之处,可参考前述方法实施例中相应内容。
综上所述,本发明实施例提供了一种基于相对矿性软测量的半自磨流程优化控制方法,首先现场跟踪生产数据,分析并确定与相对矿性相关的参数,建立半自磨机功率、半自磨机轴压、半自磨机给矿量、半自磨机顽石量、顽石破碎机启停状态等参数的历史数据库;然后,按照工艺设计处理量寻找标准样本,定义狭义相对矿性并建立相对矿性模型;再根据该相对矿性测量值及其他参数拟合出半自磨给矿量模型;最后根据该相对矿性测量值确定半自磨机磨矿浓度,结合给矿量确定给水量,从而实现基于相对矿性软测量的半自磨机给矿量和给水量的优化控制,改善了由于矿性改变,无法及时发现,导致半自磨流程控制不稳定等问题。
对于前述实施例提供的半自磨机优化控制方法,本发明实施例还提供了一种半自磨机优化控制***,参见图6所示的一种半自磨机优化控制***的结构示意图,该装置可以包括以下部分:
参数获取模块601,用于获取半自磨机当前时刻的运行参数;
计算模块602,用于基于运行参数和预先构建的相对矿性模型确定半自磨机当前时刻的相对矿性值;其中,相对矿性值用于表征矿石的磨矿效果;
优化控制模块603,用于基于相对矿性值对半自磨机的磨矿流程进行优化控制。
本发明实施例提供的上述半自磨机优化控制***可以基于半自磨机的运行参数进行相对矿性的软测量,通过相对矿性的软测量结果(即相对矿性值)对半自磨机的磨矿流程进行优化控制,从而能够及时发现能够及时发现矿性变化,并自动对半自磨流程的状态参数进行调整,降低了技术人员主观因素对决策的影响,保证了半自磨流程控制的稳定性。
在一种实施方式中,上述计算模块602进一步用于按照以下相对矿性模型确定半自磨机当前时刻的相对矿性值RGI:
其中,Po表示半自磨机功率,Pr表示半自磨机轴压,Qf表示半自磨机给矿量,Qr表示半自磨机顽石量,表示标准样本生产时半自磨机功率,表示标准样生产时半自磨机轴压,表示标准样本生产时半自磨机给矿量,表示标准样本生产时半自磨机顽石量,W=(w1,w2,w3)表示权重系数,且w1+w2+w3=1。
在一种实施方式中,上述***还包括模型构建模块,用于基于预设的历史数据库获取标准样本下的运行参数和多组历史运行参数;基于标准样本下的运行参数和多组历史运行参数采用边界约束算法确定权重系数;基于标准样本下的运行参数和权重系数确定相对矿性模型。
在一种实施方式中,上述优化控制模块603进一步还用于基于相对矿性值确定给矿量设定值和给水量设定值;基于给矿量设定值和给水量设定值对半自磨机的磨矿流程进行优化控制。
在一种实施方式中,上述优化控制模块603进一步还用于基于相对矿性值和预先构建的给矿量预测模型确定给矿量设定值;基于相对矿性确定半自磨机的目标磨矿浓度;基于目标磨矿浓度和给矿量设定值确定给水量设定值。
在一种实施方式中,上述优化控制模块603进一步还用于按照以下给矿量预测模型确定给矿量预测值:
Fi(t)=ai·RGI+bi·Po M+ci·Pr+di·Qr
其中,i=0或1,i=0表示破碎机停止,i=1表示破碎机启动,ai、bi、ci、di表示模型系数,M表示常数系数;将给矿量预测值和预设时间间隔之前的给矿量预测值进行平均滤波处理,得到给矿量设定值。
在一种实施方式中,上述优化控制模块603进一步还用于按照以下公式确定半自磨机的目标磨矿浓度:
其中,Cm表示目标磨矿浓度,C0表示前一响应时刻半自磨机的磨矿浓度,RGIH表示相对矿性上限,RGIL表示相对矿性下限。
本发明实施例所提供的***,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,***实施例部分未提及之处,可参考前述方法实施例中相应内容。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明实施例还提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被处理器运行时执行如上实施方式的任一项所述的方法。
图7为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器70,存储器71,总线72和通信接口73,所述处理器70、通信接口73和存储器71通过总线72连接;处理器70用于执行存储器71中存储的可执行模块,例如计算机程序。
其中,存储器71可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线72可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器71用于存储程序,所述处理器70在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器70中,或者由处理器70实现。
处理器70可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器70中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器70可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器71,处理器70读取存储器71中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种半自磨机优化控制方法,其特征在于,包括:
获取半自磨机当前时刻的运行参数;
基于所述运行参数和预先构建的相对矿性模型确定所述半自磨机当前时刻的相对矿性值;其中,所述相对矿性值用于表征矿石的磨矿效果;
基于所述相对矿性值对所述半自磨机的磨矿流程进行优化控制;
所述基于所述运行参数和预先构建的相对矿性模型确定所述半自磨机当前时刻的相对矿性值的步骤,包括:按照以下相对矿性模型确定所述半自磨机当前时刻的相对矿性值RGI:
其中,Po表示半自磨机功率,Pr表示半自磨机轴压,Qf表示半自磨机给矿量,Qr表示半自磨机顽石量,表示标准样本生产时半自磨机功率,表示标准样生产时半自磨机轴压,表示标准样本生产时半自磨机给矿量,表示标准样本生产时半自磨机顽石量,W=(w1,w2,w3)表示权重系数,且w1+w2+w3=1;
所述相对矿性模型的构建过程包括:基于预设的历史数据库获取标准样本下的运行参数和多组历史运行参数;基于所述标准样本下的运行参数和所述多组历史运行参数采用边界约束算法确定所述权重系数;基于所述标准样本下的运行参数和所述权重系数确定所述相对矿性模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述相对矿性值对所述半自磨机的磨矿流程进行优化控制的步骤,包括:
基于所述相对矿性值确定给矿量设定值和给水量设定值;
基于所述给矿量设定值和所述给水量设定值对所述半自磨机的磨矿流程进行优化控制。
3.根据权利要求2所述的方法,其特征在于,所述基于所述相对矿性值确定给矿量设定值和给水量设定值的步骤,包括:
基于所述相对矿性值和预先构建的给矿量预测模型确定给矿量设定值;
基于所述相对矿性值确定所述半自磨机的目标磨矿浓度;
基于所述目标磨矿浓度和所述给矿量设定值确定给水量设定值。
4.根据权利要求3所述的方法,其特征在于,所述基于所述相对矿性值和预先构建的给矿量预测模型确定给矿量设定值的步骤,包括:
按照以下给矿量预测模型确定给矿量预测值:
Fi(t)=ai·RGI+bi·Po M+ci·Pr·+di·Qr
其中,i=0或1,i=0表示破碎机停止,i=1表示破碎机启动,ai、bi、ci、di表示模型系数,M表示常数系数;
将所述给矿量预测值和预设时间间隔之前的给矿量预测值进行平均滤波处理,得到给矿量设定值。
6.一种半自磨机优化控制***,其特征在于,包括:
参数获取模块,用于获取半自磨机当前时刻的运行参数;
计算模块,用于基于所述运行参数和预先构建的相对矿性模型确定所述半自磨机当前时刻的相对矿性值;其中,所述相对矿性值用于表征矿石的磨矿效果;
优化控制模块,用于基于所述相对矿性值对所述半自磨机的磨矿流程进行优化控制;
所述计算模块进一步用于按照以下相对矿性模型确定半自磨机当前时刻的相对矿性值RGI:
其中,Po表示半自磨机功率,Pr表示半自磨机轴压,Qf表示半自磨机给矿量,Qr表示半自磨机顽石量,表示标准样本生产时半自磨机功率,表示标准样生产时半自磨机轴压,表示标准样本生产时半自磨机给矿量,表示标准样本生产时半自磨机顽石量,W=(w1,w2,w3)表示权重系数,且w1+w2+w3=1;
所述***还包括模型构建模块,用于基于预设的历史数据库获取标准样本下的运行参数和多组历史运行参数;基于标准样本下的运行参数和多组历史运行参数采用边界约束算法确定权重系数;基于标准样本下的运行参数和权重系数确定相对矿性模型。
7.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至5任一项所述的方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111078633.0A CN113751179B (zh) | 2021-09-15 | 2021-09-15 | 半自磨机优化控制方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111078633.0A CN113751179B (zh) | 2021-09-15 | 2021-09-15 | 半自磨机优化控制方法、***及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113751179A CN113751179A (zh) | 2021-12-07 |
CN113751179B true CN113751179B (zh) | 2022-04-26 |
Family
ID=78795646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111078633.0A Active CN113751179B (zh) | 2021-09-15 | 2021-09-15 | 半自磨机优化控制方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113751179B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2619744A (en) * | 2022-06-15 | 2023-12-20 | Intellisense Io Ltd | System and method for continuous optimization of mineral processing operations |
CN115400866B (zh) * | 2022-08-22 | 2023-08-04 | 安徽铜冠(庐江)矿业有限公司 | 基于矿石块度特征的磨矿控制方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4267981A (en) * | 1979-11-19 | 1981-05-19 | Allis-Chalmers Corporation | Grinding system and method utilizing constant feed rate source |
CN103412489A (zh) * | 2013-08-12 | 2013-11-27 | 东北大学 | 一种磨矿粒度在线预报***及方法 |
CN109446669A (zh) * | 2018-11-01 | 2019-03-08 | 东北大学 | 一种矿浆浓度的软测量方法 |
CN112199906A (zh) * | 2020-10-12 | 2021-01-08 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种磨矿分级流程返砂比在线软测量方法 |
CN112317110A (zh) * | 2020-09-27 | 2021-02-05 | 鞍钢集团矿业有限公司 | 基于深度学习的磨矿粒度预测***及方法 |
-
2021
- 2021-09-15 CN CN202111078633.0A patent/CN113751179B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4267981A (en) * | 1979-11-19 | 1981-05-19 | Allis-Chalmers Corporation | Grinding system and method utilizing constant feed rate source |
CN103412489A (zh) * | 2013-08-12 | 2013-11-27 | 东北大学 | 一种磨矿粒度在线预报***及方法 |
CN109446669A (zh) * | 2018-11-01 | 2019-03-08 | 东北大学 | 一种矿浆浓度的软测量方法 |
CN112317110A (zh) * | 2020-09-27 | 2021-02-05 | 鞍钢集团矿业有限公司 | 基于深度学习的磨矿粒度预测***及方法 |
CN112199906A (zh) * | 2020-10-12 | 2021-01-08 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种磨矿分级流程返砂比在线软测量方法 |
Non-Patent Citations (4)
Title |
---|
半自磨动态多目标优化控制方法研究;刘道喜等;《中国矿业》;20210625;第30卷;第189-194页 * |
半自磨机优化控制技术研究;王庆凯等;《有色冶金设计与研究》;20160625;第37卷(第3期);第1-6页 * |
大型半自磨机混合充填率的研究与优化;周炳等;《铜业工程》;20160215(第137期);第28-31,39页 * |
磨矿分级过程优化控制技术研究与应用;杨佳伟等;《有色金属(选矿部分)》;20210715;第124-131页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113751179A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113751179B (zh) | 半自磨机优化控制方法、***及电子设备 | |
CN108932571B (zh) | 卷烟制丝初始工艺参数的设置方法和装置 | |
CN116596339B (zh) | 一种饲料原料生产调节方法 | |
CN112517219B (zh) | 一种机制砂石石粉含量的双向控制方法 | |
CN105944790B (zh) | 小麦清理过程中产生的碎麦及有机杂质的回收方法 | |
CN115951646A (zh) | 一种α型半水石膏的智能生产控制方法及*** | |
US20160256874A1 (en) | Method of fragmenting and/or weakening a material by means of high voltage discharges | |
CN108745605A (zh) | 一种智能粉磨***控制方法 | |
CN113876008B (zh) | 一种控制松散回潮烟片含水率稳定性的方法 | |
CN113570168B (zh) | 料位矫正方法、装置及电子设备 | |
JP6090994B2 (ja) | 炭化物の製造方法、及び炭化物の品質検査方法 | |
DK2470004T3 (en) | A method for controlling and monitoring an automated manufacturing process butter | |
CN114377842A (zh) | 一种物料细度的调节方法、装置、计算机设备和存储介质 | |
JP2000042433A (ja) | 砕米発生の自動抑制機能付き自動精米装置 | |
US7169021B2 (en) | Arrangement for treating pulpstone surface | |
CN112691760B (zh) | 半自磨机频率控制方法、装置和电子设备 | |
CN110771935A (zh) | 一种kld-2烘丝机“除水标准工作点”的计算方法 | |
CN115128950B (zh) | 破碎筛分控制方法、装置、电子设备及存储介质 | |
CN115400866B (zh) | 基于矿石块度特征的磨矿控制方法、装置、设备及介质 | |
CN117930784B (zh) | 一种有机固废综合处理设备的自动控制***及方法 | |
RU2324541C1 (ru) | Способ управления процессом обогащения железных руд | |
SE2250119A1 (en) | Cleaning of a screw conveyor in a system for treatment of a biomass material | |
CN115007303B (zh) | 辊压机预粉磨***的预测控制方法及存储介质 | |
CN115669990B (zh) | 一种烟叶制丝生产线的智能节电方法及装置 | |
CN108180941B (zh) | 在线监控磨盘磨损程度的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |