基于自適應(yīng)律的RBF磨礦分級優(yōu)化控制過程

張亞如　陳志鳳　蔡秀峰

摘要：針對磨礦過程中被控對象存在的大慣性、非線性、滯后性等特點(diǎn)，將球磨機(jī)簡化為一個(gè)連續(xù)控制過程。根據(jù)磨礦特性和料級顆粒分布影響，采用連續(xù)磨礦采樣數(shù)據(jù)確定的參數(shù)，提出一種基于自適應(yīng)律的徑向基（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)。采用自適應(yīng)律對RBF神經(jīng)網(wǎng)絡(luò)的初始權(quán)值進(jìn)行優(yōu)化，采用優(yōu)化后的 RBF 神經(jīng)網(wǎng)絡(luò)辨識主控制回路被控對象。通過matlab仿真對比實(shí)驗(yàn)結(jié)果，驗(yàn)證了優(yōu)化后的RBF網(wǎng)絡(luò)控制更加逼近理想狀態(tài)。

關(guān)鍵詞：磨礦過程;Matlab;神經(jīng)網(wǎng)絡(luò)控制;自適應(yīng)律

中圖分類號：TP29 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2019）08-0001-02

0 引言

作為選礦作業(yè)重要環(huán)節(jié)，其中磨礦過程中的產(chǎn)品目標(biāo)是將大顆粒礦石磨碎到一定程度，使有用礦物與脈石分離，達(dá)到單體解離狀態(tài)以利于后續(xù)選別作業(yè)。而其中重要的就是磨礦機(jī)的磨礦濃度控制過程的指標(biāo)[1-3]。磨礦分級過程是多耦合、大時(shí)滯的非線性時(shí)變控制模型[4]，故本文采用具有良好逼近能力、分類能力和學(xué)習(xí)速度，逼近任意非線性函數(shù)的RBF神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)[5][6]。本文采用自適應(yīng)律來訓(xùn)練RBF網(wǎng)絡(luò)[7][8]，利用matlab仿真實(shí)現(xiàn)[9]。

1 工藝簡介

連續(xù)球磨過程如圖1所示，該過程主要由球磨機(jī)、旋流器、溢流泵池和進(jìn)出水閥門等設(shè)備組成[1][2]。首先原礦通過皮帶運(yùn)輸和前給水混合后進(jìn)入磨機(jī)進(jìn)行研磨，一級返砂和原礦下料的流量比被稱為返砂比。進(jìn)入磨機(jī)后經(jīng)一段時(shí)間研磨后溢出形成磨機(jī)排礦，混合磨機(jī)排礦水后進(jìn)入旋流器。旋流器將較粗礦料以一級返砂形式返回磨機(jī)重磨，而較細(xì)礦料以一級溢流形式進(jìn)入二級研磨。將磨礦濃度穩(wěn)定在質(zhì)量指標(biāo)區(qū)間是連續(xù)磨礦過程的生產(chǎn)目標(biāo)，而從現(xiàn)場能反映磨礦濃度和效率的最直接的參數(shù)就是磨礦機(jī)功率，磨機(jī)功率的大小體現(xiàn)著磨機(jī)濃度的變化。

2 基于自適應(yīng)律的RBF神經(jīng)網(wǎng)絡(luò)模型

2.1 神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制過程框架圖（如圖2所示）

其中RBF神經(jīng)網(wǎng)絡(luò)構(gòu)成由三層組成[1]為網(wǎng)絡(luò)的輸入層，為網(wǎng)絡(luò)的隱含層（為隱含層第j個(gè)神經(jīng)元的輸出，其中，為隱含層第j個(gè)神經(jīng)元高斯基函數(shù)中心點(diǎn)的坐標(biāo)向量，………為隱含層第j個(gè)神經(jīng)元高斯基函數(shù)的寬度），RBF網(wǎng)絡(luò)權(quán)值為…，RBF網(wǎng)絡(luò)輸出為。設(shè)定的磨機(jī)模型RBF神經(jīng)網(wǎng)絡(luò)共有5個(gè)輸入，x1為球磨機(jī)的原給礦量，x2為原礦水分，x3為加水量，x4為磨音，x5為反砂比，以它們構(gòu)成輸入層，高斯基函數(shù)為隱含層基函數(shù)，輸出層Y為磨礦機(jī)功率。

2.2 自適應(yīng)律

采用常用的梯度下降法調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值容易陷入局部最優(yōu)，且容易引起系統(tǒng)不穩(wěn)定。本文采用在線自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制可有效解決這個(gè)問題[10]?？紤]設(shè)計(jì)理想控制律為

;? ? ? ? ? ? ? ? ? ? ? （1.1）

其中u為輸入，f為未知非線性函數(shù)，g為已知非線性函數(shù)，其中設(shè)計(jì)使得多項(xiàng)式的根都在左半復(fù)平面，則當(dāng)，其中將 +，為網(wǎng)絡(luò)的逼近誤差，，采用RBF逼近未知函數(shù)f，網(wǎng)絡(luò)的輸入取，則RBF的輸出為;（1.2），將公式1.2帶入1.1中得到控制律：;。

3 仿真及結(jié)果分析

通過matlab進(jìn)行一般RBF網(wǎng)絡(luò)系統(tǒng)以及優(yōu)化后的自適應(yīng)RBF控制的實(shí)驗(yàn)比較可以看出，優(yōu)化后的RBF更能很好的接近理想輸出值。具體如圖3所示。

一般選礦廠的硬件控制系統(tǒng)以及通訊系統(tǒng)都可以和matlab計(jì)算軟件良好的對接，所以通過matlab仿真驗(yàn)證實(shí)驗(yàn)的有效性，為以后現(xiàn)場數(shù)據(jù)的采集和對接都提供了后備技術(shù)。

參考文獻(xiàn)

[1] Powell M S，MorrisonRD.The future of comminution modeling [J].International Journal of Mineral Processing，2007，84（1-4）：228-239.

[2] 鐵銘，岳恒，柴天佑.磨礦分級過程的混合智能建模與仿真[J].東北大學(xué)學(xué)報(bào)，2007，28（5）：609-613.

[3] Conradie，AVE，Aldrich，C.Neurocontrol of a ball mill griding circuit using evolutiongary Reinforce ment learning[J].Miner.Eng.2001，14（10）：1277-1294.

[4] 尹蒂，李松仁.選礦數(shù)學(xué)模型[M].湖南長沙：中南工業(yè)大學(xué)，1993.

[5] 柴杰，江青茵，曹志凱.RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力及其算法[J].模式識別與人工智能.2002，15（3）：310-316.

[6] Behnam T，F(xiàn)ariba Z，Houman Z，et al.Utilization of RBF-ANN as a novel approach for estimation of asphaltene inhibition efficiency[J].Petroleum Science and Technology，2018，36（16）：1216-1221.

[7] Fu X J， Wang L P. Data dimensionality reduction with application to simplifying RBF network structure and improving classication performance[J]. IEEE Transactions on Systems， Man， and Cybernetics， Part B： Cybernetics，2003，33（3）：399-409.

[8] Esposito A，Marinaro M，Oricchio D，Scarpetta S.Approximation of continuous and discontinuous mappings bya growing neural RBF-based algorithm[J].Neural Networks，2000，13（6）：651-665.

[9] 劉金琨.先進(jìn)PID控制MATLAB仿真[M].北京電子工業(yè)出版社，2016.

[10] Jinkun LIU，Yu Lu，Adaptive RBF Neural Network Control of Robot with Actuator Nonlinearities[J]，Journal of Control Theory and Applications，2010，8（2）：150-156.

Based on Adaptive of RBF Grinding Optimizing Control Process

ZHANG Ya-ru，CHEN Zhi-feng，CAI Xiu-feng

（LANGFANG NORMAL UNIVERSITY，Langfang? Hebei 065000）

Abstract：In view of the controlled object exists in the process of grinding characteristics of large inertia， nonlinear and hysteresis， the ball mill is simplified to a continuous control process.According to the characteristics of grinding and particle distribution，there is a control system of Radial Basis Function based on adaptive. Use this method to optimize the initial weights and use the optimized RBF neural network to identify the main control circuit controlled object. The optimized RBF network control is verified by MATLAB is more close to the ideal state.

Key words：Grinding Process; Matlab;The neural network;Adaptive