赤鐵礦選礦過程運行指標的軟件模型設計

張帆

(陜西國防工業(yè)職業(yè)技術學院 計算機與軟件學院網絡教研室， 西安 710300)

0 引言

赤鐵礦的選礦處理對于最終礦石純度的評價尤為重要，直接影響到最終的產品銷售，關于礦石選取處理的手段有多種，現(xiàn)主要利用計算機技術，結合各種關鍵處理算法結合各類傳感設備進行礦石的選取過濾。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，這些關鍵指標間具有非線性、強耦合等特點。利用軟傳感器建模技術有效解決在線工業(yè)過程質量指標的估算問題，應用該技術解決鐵礦選礦指標的估算直接關系到最終礦產品的質量。

針對礦石選取過程，國內學者提出了多種基于神經網絡和基于案例推理的軟測量建模方法[1]。結合礦石選取分級過程的實際工況，提出了一種基于RBF神經網絡的軟測量模型[2]。根據(jù)兩階段選取過程的特點，在遺傳算法(GA)優(yōu)化的多輸入層神經網絡的基礎上，建立了礦石粒度的神經網絡軟測量模型[3]。基于案例推理(CBR)技術應用于選取過程的礦石尺寸預測[1]?，F(xiàn)在單個模型結構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，并且有大量的訓練數(shù)據(jù)，基于神經網絡或模糊系統(tǒng)的軟件傳感器模型總能獲得令人滿意的模型結構和預測精度。但隨著訓練領域的擴大和系統(tǒng)狀態(tài)復雜度的急劇增加，軟測量模型的預測精度，魯棒性和泛化能力大大降低；多模切換的思想可以滿足復雜工作條件的要求，提出了燃煤電廠過熱蒸汽溫度的預測控制模型[4]。

1 礦石粒度的軟測量模型

1.1 分離粒度模型

分離粒度是礦石選取過程中顆粒度，各占50%，模型描述如式(1)。

(1)

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

1.2 選取粒度的理論模型

選取粒度是指粒度范圍或某個特定粒度的內容，理論模型如式(2)。

(2)

其中M200是整個礦產品選取過程中過濾孔為200孔時(類度直徑75 μm)礦物粒度的質量百分比；d75表示礦物粒度為75 μm；N表示分類產品中最大的粒度大??；mi表示水力旋流器進料粒度分布確定的第i級選礦粒度的質量；Rf是水力旋流器底口的質量分數(shù)，該參數(shù)與旋流漿的含水量和水力旋流器的結構參數(shù)有關；Ei是第一個i級礦物粒度的分級效率，由水力旋流器的結構參數(shù)和運行參數(shù)決定。

1.3 BP神經網絡模型

反向傳播(Back Propagation，BP)算法本質上是一種梯度下降方法。 BP神經網絡的訓練可以看作一個多元函數(shù)的最小點搜索過程[5-9]，其基本思想描述如下：

Step1：將每個權重值初始化為具有分布均勻隨機數(shù)的小隨機數(shù)作為初始連接權值和節(jié)點的閾值；

Step2：計算BP神經網絡的實際輸出：

(2) 對于隱藏層節(jié)點，其輸入描述如式(3)、式(4)。

(3)

輸出結果為：

(4)

(3) 輸出層節(jié)點的輸入描述如式(5)、式(6)。

(5)

輸出層節(jié)點的輸出為：

(6)

Step3：輸出節(jié)點的誤差如式(7)。

ek=dk-yk

(7)

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

(8)

如果E小于預定值，則轉到Step5，否則繼續(xù)Step4。

Step4：調整BP神經網絡的權重

(1) 輸出層節(jié)點和隱藏層節(jié)點之間的權重按如下方式調整,如式(9)。

(9)

(10)

(11)

(12)

(13)

(14)

Step5：繼續(xù)下一個訓練樣本，直到每個訓練樣本滿足目標，即完成BP神經網絡的學習。

軟件模型流程如以上5步所示，由于在實際的選礦過程中存在當前模型不匹配的情況。因此，使用這些模型來預測磨削粒度不僅會增加算法的復雜度，而且會降低預測性能。 為此，提出了一種可以動態(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，建立了一種基于機構模型、BP神經網絡和小波神經網絡(WNN)的混合型多傳感器軟件模型，其結構如圖1所示[10-12]。

圖1 混合多重軟測量模型結構圖

2 仿真實驗

為了預測礦石的選取粒度，建立了基于磁滯切換策略的機構模型，BPNN模型，WNN模型等。三個軟傳感器模型的預測曲線，如圖2所示。

圖2 三種軟測量模型下的輸出曲線

這些軟傳感器模型下的預測誤差,如圖3所示。

圖3 三種軟測量模型下的預測誤差曲線

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

表1 指標的定義

表2 用于訓練不同預測模型的計算時間的性能比較

從結果分析可得，混合多源傳感的模式由于其他單源檢測的方式，因此所提出的軟測量模型可以實現(xiàn)對關鍵技術指標的預測，并能夠及時充分滿足磨礦過程的控制要求。

3 總結

針對選礦過程的關鍵技術指標(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量模型，并基于該模型實現(xiàn)運行指標軟件，用于監(jiān)控選礦過程中的關鍵指標。 通過對實際運行數(shù)據(jù)的推理估計，仿真結果表明，基于CS遲滯切換策略的混合多重軟測量模型具有較好的跟蹤速度和較高的預測精度，可以實現(xiàn)對關鍵技術指標的預測，選礦過程的控制要求準時。