CN1525153A - 球磨机磨矿***溢流粒度指标软测量方法 - Google Patents

Abstract

本发明涉及一种自动化技术中的测量技术领域，更具体地涉及对选矿厂磨矿工段中用于研磨矿石的由球磨机和螺旋分级机组成的磨矿回路的螺旋分级机溢流粒度指标进行软测量的方法，该方法利用常规分布式计算机控制***和常规的检测仪表提供的在线过程数据，并结合时间变量以反映磨矿介质的变化，通过少量的人工采样，建立了由神经网络组成的分级机溢流粒度软测量模型，实现了磨矿***分级机溢流粒度的软测量，该方法与常规粒度计相比，降低了成本和维护工作量；与人工测量相比，减少了操作人员的工作量，降低了人为操作的不确定性，提高了测量的时效性，同时该方法有助于实现磨矿过程的优化控制和优化运行。

Description

球磨机磨矿***溢流粒度指标软测量方法

技术领域

本发明涉及一种自动化技术中的测量技术领域，具体地涉及对选矿厂磨矿工段中用于研磨矿石的由球磨机和螺旋分级机组成的湿式磨矿回路的最终产品——螺旋分级机溢流粒度指标进行软测量的方法。

背景技术

在选矿行业中，由球磨机和螺旋分级机组成的湿式磨矿回路广泛用于将矿石研磨至工艺要求的粒度范围内，粒度过大或过小均对后续的选别过程产生不利影响，因此磨矿回路的最终产品——螺旋分级机溢流的粒度(也称磨矿粒度、溢流粒度)是衡量磨矿回路运行品质的重要指标。目前，常规的磨矿粒度的检测方法由两种：一是离线人工取样，在实验室人工测量；另一种是使用粒度的检测设备——粒度计进行在线测量，前一种方法的不足在于：1.人工操作时人为因素影响大，测量结果的客观性差；2.测量的时间间隔长，测量结果反馈的时间也长，因此得到的信息对操作人员缺乏指导意义；第二种方法不足之处在于虽然能够得到比较准确客观及时的测量结果，但粒度计价格昂贵，我国多数选矿厂难以配备，而且现场维护的工作量也很庞大，综上所述，目前国内外还没有专门针对球磨机加螺旋分级机构成的磨矿回路的磨矿粒度采用软测量方法。

发明内容

为了解决以上对球磨机加螺旋分级机构成的磨矿回路的磨矿粒度测量之不足，本发明的目的是提供一种针对这种磨矿回路的磨矿粒度软测量方法，用于建立用神经网络实现的磨矿粒度软测量模型，通过常规在线测量仪表提供的辅助变量的测量参数，给出当前的分级机溢流粒度的估计值，为磨矿生产过程的优化操作和优化运行提供关键指标。

本发明软测量方法技术方案是这样实现的：

本发明所提出的磨矿粒度测量方法由硬件平台及测量软件组成，其中硬件平台核心由球磨机及螺旋分级机组成，同时配备了测量仪表，执行机构以及进行软件计算的计算机***。其硬件的联接是球磨机的输入端与皮带给料机、球磨机入口加水量管路及分级机返砂口相联接，球磨机输出端与出口补加水入口同时与螺旋分级机输入口相接，螺旋分级机返砂端与球磨机入口相接，详细结构如下(如图1所示)：

一个由球磨机加螺旋分级机构成的磨矿回路，其测量仪表包括

一个称重仪表(可以是核子秤或皮带秤)，用于在线测量球磨机新给矿量Q_F，安装在给料皮带上；

一个流量计，用于在线测量球磨机入口加水量W_F，安装在球磨机入口加水管上；

一个密度计，用于在线测量分级机溢流浓度D_OVC，安装在分级机溢流管路上；

两个功率计或两个电流计，用于在线测量球磨机功率P_WM和螺旋分级机功率P_WC或球磨机电流和螺旋分级机电流，分别与球磨机及分级机的驱动电机相接，由于功率信号与电流信号等价，所以本说明书中P_WM和P_WC也可以用来表示球磨机电流和螺旋分级机电流信号。

其执行机构包括：

两个电动调节阀门，分别用于调节球磨机入口补加水和球磨机出口补加水，安装于球磨机入口补加水管和球磨机出口补加水管上；

一个变频器，用于调节给料机振动频率，与振动给料机相接；

该磨矿回路同时配置了分布式计算机控制***(DCS)、或可编程逻辑控制器(PLC)、或工业控制计算机(IPC)，或分立式工业调节器，并按照如下对应关系组成基本控制回路：

电振给料机频率控制新给矿量Q_F；

球磨机入口补加水电动调节阀控制球磨机入口补加水流量W_F；

球磨机出口补加水电动调节阀控制螺旋分级机溢流浓度D_OVC；

本发明的软测量软件既可以运行在计算机控制***的监控计算机上，也可以运行于独立的计算机上，该软件通过与控制回路(分布式计算机控制***(DCS)、或可编程逻辑控制器(PLC)、或工业控制计算机(IPC)，或分立式工业调节器)进行通讯，获得实时的过程数据，并给出磨矿粒度的估计结果。

本发明的实现方法包括，辅助变量的选择，训练数据的取得，神经网络软测量模型的学习和使用。

辅助变量的选择。

在上述的硬件平台实现了球磨机的三个基础回路的自动控制之后，我们将由球磨机加螺旋分级机构成的磨矿设备在加上控制***定义为由下述输入输出变量组成的非线性的多输入多输出的磨矿***：

其输入变量包括：

可控的可在线测量的操作变量(也称独立变量)，包括

球磨机新给矿量Q_F；

球磨机入口加水量W_F；

分级机溢流浓度D_VOC；

不可控的不可在线测量的干扰变量，包括

球磨机内磨矿介质的数量G_M，一般正常操作下每天一次性加入一定数量的钢球，所以该变量随时间的变化趋势大致为如图2所示的锯齿型曲线；矿石硬度H_D；

其输出变量包括：

可在线测量的变量，包括

球磨机功率(或电流)P_WM；

螺旋分级机功率(或电流)P_WC；

不可在线测量的目标变量，即

螺旋分级机溢流粒度P_SOV，一般采用离线人工取样，在实验室人工测量获得数据；

在稳态情况下，该非线性***的输入输出关系可以表示为

           P_SOV＝f₁(Q_F，W_F，D_OV，H_D，G_M)

           P_WM＝f₂(Q_F，W_F，D_OV，H_D，G_M)

           P_WC＝f₃(Q_F，W_F，D_OV，H_D，G_M)

根据反函数定理，由f₂和f₃两个公式可知，球磨机电流和分级机电流与磨矿介质数量和矿石硬度之间存在反函数关系：

           H_D＝f₄(Q_F，W_F，D_OV，P_WM，P_WC)

           G_M＝f₅(Q_F，W_F，D_OV，P_WM，P_WC)

因此，将上两个非线性函数代入f₁之中，可以得到

P_SOV＝f₁(Q_F，W_F，D_OV，H_D，G_M)

    ＝f₁[Q_F，W_F，D_OV，f₄(Q_F，W_F，D_OV，P_WM，P_WC)，f₅(Q_F，W_F，D_OV，P_WM，P_WC)]

    ＝f₆(Q_F，W_F，D_OV，P_WM，P_WC)所以，螺旋分级机溢流粒度P_SOV可以通过新给矿量Q_F、入口补加水流量W_F、分级机溢流浓度D_OVC、球磨机功率(或电流)P_WM、分级机功率(或电流)P_WC的信息参数反映出来。

注意到球磨机内磨矿介质的数量G_M，在一般正常操作下每天一次性加入一定数量的钢球，其变化规律为周期为24小时的近似锯齿型的曲线，如果引入如下的时间变量：

T——在一个加球周期之内，从加球时刻开始到当前时刻的时间长度就可以更加敏感地反映球磨机内磨矿介质的数量G_M的变化(功率或电流的变化尽管可以反映，但敏感性差一些)。因此将时间变量T作为一个独立的辅助变量引入软测量模型：

          P_SOV＝f₇(Q_F，W_F，D_OV，P_WM，P_WC，T)上式反映了在磨矿***的稳定状态下，我们选择的这些辅助变量，与待估计的主变量螺旋分级机溢流粒度P_SOV之间客观存在的非线性函数关系。

因此本发明所选择的辅助变量包括

新给矿量Q_F；

入口补加水流量W_F；

分级机溢流浓度D_OVC；

球磨机功率(或电流)P_WM；

分级机功率(或电流)P_WC；

时间变量T。

训练数据的取得。

在设备承受能力之内，在覆盖正常操作范围并稍大于正常操作范围的范围内，给出一组独立变量(新给矿量Q_F、入口补加水流量W_F、分级机溢流浓度D_OVC)的不同的设定值的组合，形成下面的设定值集合

             S_setpoint＝{[Q_Fi，W_Fi，D_OVi]|＝1，…，m}其中m为该集合内的元素数量，每个元素包含一个[Q_Fi，W_Fi，D_OVi]的三元组。将该设定值集合的每一个元素依次施加于磨矿***之上，每加一次元素[Q_Fi，W_Fi，D_OVi]之后待磨矿***进入稳态，在螺旋分级机溢流处由人工采集样本，送实验室测量样本的粒度数值P_SOVi，同时记录采样的时刻T_i(从最近的一次加球时刻开始计量)，作为本次采样的时间变量，并同时记录球磨机功率(或电流)P_WMi、分级机功率(或电流)P_WCi，待本次采样及记录完成后，对磨矿***施加下一元素。由此，可以得到如下的数据集合

        S_V＝{[Q_Fi，W_Fi，D_OVi，P_WMi，P_WCi，T_i，P_SOVi]|i＝1，…，m}以上述数据集合按照下述规则配对，即成为训练集

        {[Q_Fi，W_Fi，D_OVi，P_WMi，P_WCi，T_i]|i＝1，…，m}→{[P_SOVi]|i＝1，…，m}其中，→符号左边的变量为磨矿粒度软测量模型的输入变量(也就是辅助变量)，→符号右边的变量为磨矿粒度软测量模型进行学习训练的导师信号。该软测量模型的输入输出变量关系及训练方式如图3所示。

神经网络软测量模型的训练和使用。

本发明的软测量方法是以软测量软件的方式实现的，其流程框图(如图4所示)。分为训练过程和测量过程，其详细步骤如下：

(A)初始化：进行所有变量的初始化。

(B)训练或测量？如果本次运行为训练过程，则转至(C)，进行用训练集的数据训练神经网络的过程；如果神经网络已经训练好，本次运行过程的目的是为了测量当前状态下的溢流浓度指标，则转至(I)；

(C)确定神经网络结构和初始权值

由于神经网络可以以任意精度逼近任意的连续非线性函数，因此任何具有上述性质的神经网络都可以用来作为本发明的软测量模型结构，具体实施时可以采用反向传播网络(BP)和径向基函数(RBF)网络，但不限于这两种网络。

(D)读取训练集的数据：从训练集所在的数据库中读取有关数据，进行归一化处理后，输入神经网络软测量模型；

(E)计算神经网络软测量模型的输出，并与导师信号比较

将训练集中的输入信号依次输入(逐次学习)或同时输入(批次学习)由神经网络构成的软测量模型，将当前时刻软测量模型的输出与对应的导师信号加以比较，计算当前的误差信号；

(F)修正神经网络权值

根据比较得到的误差信号采用相关的神经网络学习算法修正神经网络的内部的权值矩阵，修正的目标是使得软测量模型的输出与其对应的导师信号之间的误差的均方和下降。修正权值之后，重新计算神经网络的输出，并与导师信号比较误差；

(G)误差是否合格？如果误差符合预定标准，则说明神经网络训练结束，转至(H)；若误差不符合预定标准，说明应继续训练，转至(E)；

(H)保存神经网络权值：训练过程结束，得到的神经网络权值就可以用于对溢流粒度进行软测量；

(I)读取神经网络权值：如果本次操作的目的是为了测量当前状态下的溢流浓度指标，则首先要读取前面(H)保存好的神经网络权值；

(J)读取过程数据

(K)过程是否进入稳态？如果过程的所有变量都已进入稳态，则开始进行软测量过程；否则返回(J)等待进入稳态；

(L)稳态过程数据经过与训练过程相同的归一化处理后输入神经网络。

(M)计算神经网络输出：根据前面确定好的神经网络结构和神经网络权值，计算当前的输出，也就是溢流粒度指标的估计值。

(N)显示粒度软测量结果：在人机界面上显示溢流粒度的软测量指标的估计值。

(O)结束否？如果需要继续测量，则返回至(J)；如果不需要继续测量，则转至(P)；

(P)结束。

为了使得软测量模型具有一定的自适应能力，适应磨矿***的特性的慢性漂移和变化，需要神经网络软测量模型在必要时候重新启动学***降至所要求的标准。

本发明的优点在于：利用常规计算机控制***和常规的检测仪表提供的在线过程数据，并结合时间变量以反映磨矿介质的变化，仅仅通过少量的人工采样，实现了磨矿***分级机溢流粒度的软测量。与粒度计相比，降低了成本，并且不会发生取样管路堵塞的情况，降低了维护工作量，提高了可靠性；与人工测量相比，减少了操作人员的工作量，降低了人为操作引入的测量的不确定性，提高了测量的时效性。该方法有助于实现磨矿***的优化控制和优化运行。

附图说明

图1为本发明磨矿回路的流程及测量仪表执行机构和基础回路配置图

图2为本发明常规加球制度下的球磨机内磨矿介质的近似变化曲线

图3为本发明的磨矿粒度软测量模型的输入输出关系及训练方式

图4为本发明的溢流粒度软测量软件的流程框图

图1至图3中所用标记符号如下：

螺旋分级机溢流粒度——P_SOV

新给矿量——Q_F

球磨机入口补加水流量——W_F

螺旋分级机溢流浓度——D_OVC

球磨机功率(或电流)——P_WM

螺旋分级机功率(或电流)——P_WC

时间变量——T

功率(或电流)变送器——PT

浓度变送器——DT

流量变送器——FT

质量变送器——WT

实线尖头表示物流(原矿，水和矿浆)或信号流；

点虚线箭头表示基础控制回路的配对；

划虚线表示传感器与变送器的连接。

具体实施方式

本发明的实施例为一个大型铁矿选矿厂的弱磁焙烧矿的一段磨矿系列。该选矿厂的主要铁矿石为黄铁矿、褐铁矿，脉石以重晶石、石英、碧玉及铁白云石为主，矿石实际含铁品位33％，经分选后的弱磁矿经焙烧工序后输至弱磁选圆筒矿仓，磨矿***的示意图如图1所示，弱磁选圆筒矿仓内的焙烧矿由电振给矿机排料，再由给矿皮带机送入球磨机内，与球磨机入口补加水混合在球磨机内被研磨成矿浆，该段磨矿采用格子型球磨机，球磨机排矿与球磨机出口补加水回合进入螺旋分级机，螺旋分级机返砂返回一次球磨，与一次球磨形成闭路。螺旋分级机溢流(即本道工序之最终产品)进入泵池后被输送至后续工序。

球磨机型号为Ф3200×3500，有效容积25.3m³，筒体转速18.5r/min，最大装球量54吨。

螺旋分级机为2FLG-2400型双螺旋分级机。螺旋转速3.5r/min，水槽坡度17度。

首先在按照本说明书的要求安装如下的测量仪表和执行机构，包括：

核子秤测量新给矿量Q_F

电磁流量计测量球磨机入口补加水流量W_F

核子密度计测量螺旋分级机溢流浓度D_OVC

电流计测量球磨机电流P_WM

电流计测量螺旋分级机电流P_WC

变频器控制电振给料机频率

两个电动调节阀控制球磨机入口补加水和球磨机出口补加水

以可编程控制器(PLC)实现基础控制回路的自动控制。在下位机中，使用PLC中的单回路调节器组态成如下的基础控制回路：

电振给料机频率控制新给矿量Q_F

球磨机入口补加水电动调节阀控制球磨机入口补加水流量W_F

球磨机出口补加水电动调节阀控制螺旋分级机溢流浓度D_OVC

在上位机(监控计算机)以RSView32软件实现监控人机界面。在人机界面上给出上述三个回路的设定值，基础回路控制器就可以保证在磨矿***进入稳态时，各操作变量等于各自设定值，该磨矿***的正常工作范围为：

新给矿量——75±5吨/小时

一次磨矿浓度——78％～85％

螺旋分级机溢流浓度——45％～50％

螺旋分级机溢流粒度——55％～60％(-200目)

介质填充率——38％～42％

软测量程序在单独的计算机上运行，该计算机上装有RS Linx通讯程序负责与PLC和上位机进行数据通讯，RS Linx与软测量程序之间通过DDE方式进行双向通讯。

按照本说明书所述取得训练数据的步骤，首先给出50组不同的独立变量(新给矿量Q_F、入口补加水流量W_F、分级机溢流浓度D_OVC)的设定值的组合，依次施加于上位机的设定值栏内，待磨矿***进入稳态之后，人工采样测量溢流粒度，并记录磨矿***的数据，形成由50个训练对组成的训练集合。

神经网络采用七输入一输出单隐层BP网络。七个输入分别为：新给矿量Q_F、入口补加水流量W_F、分级机溢流浓度D_OVC、球磨机电流P_WM、螺旋分级机电流P_WC、时间变量T、恒定的阈值(-1)。神经网络的隐元数目选择为60个，网络的结构以矩阵的形式表示为：

             y＝NN(x)

              ＝W₁·sig(W₂·x)其中，y为网络的输出，x为含有阈值在内的增广输入向量，激活函数选择为Sigmoid函数，其表达式为：

$\mathrm{sig}\left(z\right)=\frac{e^z-e^{-z}}{e^z+e^{-z}},$

输出变量与输出层权值W₁之间为线性关系，采用梯度下降法进行训练，学习速率η取0.0001。当相对误差下降至2％以下时停止训练，经过上述学习过程形成的溢流粒度的神经网络软测量模型在磨矿***正常运行期间，能够根据过程的稳态实时数据估计出稳态的螺旋分级机溢流粒度，相对误差不超过3％，成为一个具有很高实用价值的、低成本的粒度计量手段。

Claims (6)

1.一种球磨机磨矿***溢流粒度指标软测量方法，其特征在于该测量方法由硬件平台及控制软件组成，其中硬件平台核心由球磨机及螺旋分级机组成，同时配备了测量仪表，执行机构以及进行软件计算的计算机***，其硬件的联接是球磨机的输入端与皮带给料机、球磨机入口加水量管路及分级机返砂口相联接，球磨机输出端与出口补加水入口端，同时与螺旋分级机输入口相接，螺旋分级机返砂端与球磨机入口相接，另外，皮带给料机上安装有称重仪表(可以是核子秤或皮带秤)(WT)，球磨机入口补加水管路上安装有流量计(ET)，在分级机溢流管路上安装有密度计(DT)，球磨机与螺旋分级机的驱动电机上分别安装有两个功率计(或两个电流计)(PT)。

2.按权利要求1所述的测量方法，其特征在于该硬件平台磨矿回路配置了如下执行机构，两个电动调节阀门，分别调节球磨机入口补加水和球磨机出口补加水，与入、出加水管串接；一个变频器，用于调节给料机振动频率，与给料机相接。

3.按权利要求1所述的测量方法，其特征在于硬件平台由常规测量仪表、执行机构以及计算机控制***实现对球磨机新给矿量Q_F、球磨机入口加水量W_F和分级机溢流浓度D_OVC的在线检测和基本的回路控制，由测量仪表实现对球磨机功率(或电流)P_WM和螺旋分级机功率(或电流)P_WC的在线检测，为软测量软件提供检测数据。

4.一种球磨机磨矿***溢流粒度指标软测量方法测量软件，其特征在于该软件由训练方法和测量方法两部分组成，其流程为：(A)初始化；(B)训练或测量？如果本次运行为训练过程，则转至(C)；如果神经网络已经训练好，本次运行过程的目的是为了测量当前状态下的溢流浓度指标，则转至(I)；(C)确定神经网络结构和初始权值；(D)读取训练集的数据；(E)计算神经网络输出，并与导师信号比较将训练集中的输入信号输入软测量模型，将输出与对应的导师信号加以比较；(F)修正神经网络权值，使得软测量模型的输出与其对应的导师信号之间的误差的均方和下降，并重新计算神经网络的输出和误差；(G)误差是否合格？如果合格，转至(H)；若误差不合格，则继续训练，转至(E)；(H)保存神经网络权值；(I)读取神经网络权值；(J)读取过程数据，(K)判断过程是否进入稳态？如果是，则开始进行软测量过程；否则返回(J)等待；(L)稳态过程数据输入神经网络，(M)计算神经网络输出：(N)显示粒度软测量结果：在人机界面上显示软测量；(O)结束否？如果需要继续测量，则返回至(J)；如果不需要继续测量，则转至(P)；(P)结束。

5.按权利要求4所述的测量方法测量软件，其特征在于，溢流粒度软测量模型的辅助变量选择为：新给矿量Q_F、入口补加水流量W_F、分级机溢流浓度D_OVC、球磨机功率(或电流)P_WM分级机功率(或电流)P_WC和时间变量T，其中，时间变量是从最近一次加球时刻开始计算，时间变量用于表征球磨机磨矿介质数量的影响。

6.按权利要求4所述的测量方法测量软件，其特征在于，由一组不同独立变量(包括新给矿量Q_F、入口补加水流量W_F、分级机溢流浓度D_OVC)的组合依次作用于磨矿过程，待磨矿过程进入稳态后，人工采样检测溢流粒度作为导师信号，并记录采样时刻磨矿过程的在线数据，组成神经网络的训练数据的集合。

Images