孫 靜 吳同春

(中國黃金集團(tuán)內(nèi)蒙古礦業(yè)有限公司，內(nèi)蒙古 呼倫貝爾021400)

中國黃金集團(tuán)內(nèi)蒙古礦業(yè)有限公司烏山選礦廠三系列工藝流程為粗碎—SABC 磨礦—銅鉬混合浮選—銅鉬分離浮選，SABC 磨礦作業(yè)采用11.0 m ×5.4 m 超大型半自磨機(jī)，雙驅(qū)電機(jī)總功率12 686 kW，日處理量為4.5 萬t。磨礦分級(jí)作業(yè)是選礦生產(chǎn)領(lǐng)域的關(guān)鍵作業(yè)之一，產(chǎn)品粒度和濃度直接影響后續(xù)選別作業(yè)指標(biāo)，一直是選礦自動(dòng)化的重點(diǎn)監(jiān)控對(duì)象［1］，其能耗占選礦生產(chǎn)全流程成本的60%以上，直接影響著整個(gè)選礦廠的經(jīng)濟(jì)效益［2］。磨礦分級(jí)過程是一個(gè)極其復(fù)雜的動(dòng)態(tài)循環(huán)系統(tǒng)，而半自磨過程更是存在多變量、非線性、強(qiáng)耦合、大滯后、時(shí)變性、部分關(guān)鍵工藝參數(shù)難以檢監(jiān)、影響干擾因素多等控制難點(diǎn)［3］。由于常規(guī)的以基礎(chǔ)回路控制為主的PID 定值控制以及人工操作模式難以適應(yīng)半自磨機(jī)復(fù)雜工況條件的變化，使半自磨機(jī)長時(shí)間處于效率較低的運(yùn)行狀態(tài)。為此，烏山選礦廠總結(jié)近6 a 運(yùn)行以來的過程參數(shù)，結(jié)合模糊控制技術(shù)、礦石粒度分析技術(shù)、半自磨機(jī)磨音分析技術(shù)、關(guān)鍵參數(shù)的軟測量技術(shù)與常規(guī)PID 控制技術(shù)，構(gòu)建了半自磨機(jī)的優(yōu)化過程控制系統(tǒng)，實(shí)現(xiàn)了SABC 磨礦過程的智能控制，代替原來的人工控制。該智能控制系統(tǒng)是在DCS 系統(tǒng)實(shí)現(xiàn)基礎(chǔ)PID 控制、順序控制、連鎖控制的基礎(chǔ)上，通過優(yōu)化控制服務(wù)器實(shí)現(xiàn)半自磨回路給礦礦石粒度比例、給礦量、磨礦濃度過程參數(shù)的優(yōu)化，可以增加處理量，降低襯板損耗和能耗，提高經(jīng)濟(jì)效益，具有廣闊的推廣應(yīng)用前景。

1 半自磨機(jī)優(yōu)化控制問題描述

1.1 半自磨控制工藝流程分析

烏山選礦廠半自磨工藝系統(tǒng)由儲(chǔ)礦堆、重型板式給礦機(jī)、皮帶輸送機(jī)、半自磨機(jī)、直線篩等組成，如圖1 所示。破碎至－350 mm 的礦石經(jīng)重型板式給料機(jī)、皮帶輸送機(jī)給入半自磨機(jī)，半自磨機(jī)排出礦石粒度為－60 mm，經(jīng)過雙層直線篩篩分后，7 ～60 mm 的篩上產(chǎn)品返回半自磨機(jī)進(jìn)行再磨，－7 mm 的篩下產(chǎn)品進(jìn)入渣漿泵池經(jīng)渣漿泵給入旋流器進(jìn)行分級(jí)。

圖1 半自磨過程工藝流程Fig.1 Semi-autogenous grind process

影響和反映半自磨機(jī)磨礦效率的因素很多，主要有給礦量、F50(礦石進(jìn)行篩分，篩下通過率為50%時(shí)對(duì)應(yīng)的篩孔尺寸，主要反映給礦礦石粒度大小)、礦石硬度、半自磨機(jī)加球量、磨礦濃度、襯板磨損程度、格子板磨損程度、軸壓、磨音、頑石量等。剛剛添加完鋼球，半自磨機(jī)的鋼球充填率會(huì)有階躍性的上升，功率會(huì)陡然上升，同時(shí)鋼球拋落區(qū)的對(duì)應(yīng)面積會(huì)增大，磨音顯著提高，鋼球砸在襯板上，對(duì)襯板有較大損耗;隨著時(shí)間的推移，半自磨機(jī)襯板損耗程度加重，襯板對(duì)鋼球的提升數(shù)量減小、高度降低，鋼球?qū)ΦV石的破碎效果逐漸變差，處理礦量、軸壓、磨音下降，磨礦效率下降;當(dāng)?shù)V石硬度較高時(shí)，磨礦難度增加，填充率上升，磨音下降，功率上升，需要減小給礦粒度，反之，當(dāng)?shù)V石硬度較小時(shí)，需要增大給礦粒度。這些因素都對(duì)半自磨機(jī)運(yùn)行狀況有很大的影響，而且這些因素是時(shí)刻變化的，因此在人工手動(dòng)模式下，無法將這些因素都考慮在內(nèi)，也無法及時(shí)應(yīng)對(duì)，往往導(dǎo)致半自磨機(jī)在人工手動(dòng)模式下運(yùn)行狀態(tài)不佳，也不利于后續(xù)選礦工序的穩(wěn)定運(yùn)行。

1.2 半自磨控制優(yōu)化目標(biāo)分析

工業(yè)生產(chǎn)過程控制的目的是在保證設(shè)備安全穩(wěn)定運(yùn)行的條件下，盡可能提高反映產(chǎn)品質(zhì)量與效率的工藝指標(biāo)的準(zhǔn)確性。在實(shí)際生產(chǎn)中，設(shè)備的機(jī)械狀態(tài)、電氣狀態(tài)和流程的工藝狀態(tài)都會(huì)限定半自磨機(jī)工作的邊界條件。保證半自磨機(jī)安全穩(wěn)定運(yùn)行的邊界條件主要有磨機(jī)功率、軸壓、磨音、給礦量、磨礦濃度、給礦粒度比例等。

(1)功率。功率是反映半自磨機(jī)汲取能量進(jìn)行作功的電氣指標(biāo)。如果半自磨機(jī)功率太高，超過上限有漲肚的危險(xiǎn);如果功率太低，則會(huì)造成半自磨機(jī)處理能力的浪費(fèi)。半自磨機(jī)功率應(yīng)滿足

式中，Pmin和Pmax分別為半自磨機(jī)功率的下限和上限，P(t)為功率表監(jiān)測的半自磨機(jī)功率。

(2)軸壓。軸壓反映了半自磨機(jī)的筒體及筒內(nèi)鋼球與礦石對(duì)軸承的壓力。如果半自磨機(jī)軸壓太高，超過上限有漲肚的危險(xiǎn);如果軸壓太低，則半自磨機(jī)的物料充填率過低，容易造成空砸襯板，磨音過高［5］。半自磨機(jī)軸壓應(yīng)滿足

式中，F(xiàn)min和Fmax分別為半自磨機(jī)總軸壓的下限和上限，F(xiàn)( t) 為壓力表監(jiān)測的總軸壓。

(3)磨音。磨音反映了半自磨機(jī)內(nèi)鋼球與鋼球、鋼球與礦石、鋼球與襯板碰撞的聲響強(qiáng)度［6］。如果半自磨機(jī)磨音太高，超過上限有鋼球砸壞襯板的危險(xiǎn);如果磨音太低，則半自磨機(jī)內(nèi)部礦石太多，有漲肚的危險(xiǎn)。半自磨機(jī)磨音應(yīng)滿足

式中，Imin和Imax分別為半自磨機(jī)磨音的下限和上限，I( t) 為磨音分析儀監(jiān)測的半自磨機(jī)的磨音。

(4)給礦量。給礦量反映了半自磨機(jī)處理礦石的速度。如果半自磨機(jī)給礦量太高，超過上限有影響下游浮選指標(biāo)的危險(xiǎn);如果給礦量太低，則會(huì)造成半自磨機(jī)處理能力的浪費(fèi)。半自磨機(jī)給礦量應(yīng)滿足

式中，Qmin和Qmax分別為半自磨機(jī)給礦量的下限和上限，Q( t) 為皮帶監(jiān)測的半自磨機(jī)給礦量。

(5)磨礦濃度。磨礦濃度反映了半自磨機(jī)內(nèi)水與礦石的添加比例。如果半自磨機(jī)磨礦濃度太高，則磨礦效率過低;如果磨礦濃度太低，則半自磨作業(yè)產(chǎn)生的合格顆粒數(shù)量太少，也會(huì)對(duì)后續(xù)浮選作業(yè)產(chǎn)生不利影響。半自磨機(jī)磨礦濃度應(yīng)滿足

式中，cmin和cmax分別為半自磨機(jī)磨礦濃度的下限和上限，c( t) 為根據(jù)給入半自磨的給礦量和給入半自磨的水量計(jì)算的半自磨機(jī)磨礦濃度。

(6)給礦粒度比例。半自磨機(jī)要求給入的礦石中大礦石、中礦石、小礦石需保持一定的比例［7］，即

式中，D1min、D2min、D3min和D1max、D2max、D3max分別為半自磨機(jī)給礦中大礦石、中礦石、小礦石的下限和上限，D1( t) 、D2( t) 、D3( t) 分別為礦石粒度分析儀監(jiān)測的給料皮帶上的大、中、小礦石的投影面積。

綜上，半自磨功率、總軸壓、磨音、給礦量、磨礦濃度、給礦粒度比例這幾項(xiàng)參數(shù)應(yīng)不超過上、下限，以保證半自磨機(jī)在安全穩(wěn)定的狀態(tài)下運(yùn)行;各項(xiàng)過程參數(shù)在上下限范圍內(nèi)可調(diào)，使半自磨機(jī)處于最優(yōu)運(yùn)行狀態(tài)。

1.3 控制手段分析

半自磨機(jī)控制手段主要包括給礦量調(diào)節(jié)、磨礦濃度調(diào)節(jié)、給礦粒度比例調(diào)節(jié)3 種手段。給礦量調(diào)節(jié)回路主要根據(jù)半自磨給料皮帶秤監(jiān)測實(shí)際給礦量與人工設(shè)定的給礦量的偏差，通過PID 自動(dòng)調(diào)節(jié)重板頻率，實(shí)現(xiàn)給礦量最佳。磨礦濃度調(diào)節(jié)回路主要根據(jù)半自磨機(jī)給礦濃度設(shè)定以及皮帶秤監(jiān)測的給礦量，自動(dòng)計(jì)算出半自磨給料的理論給水量，通過半自磨給水流量計(jì)監(jiān)測的水量，PID 自動(dòng)調(diào)節(jié)給水閥門開度，實(shí)現(xiàn)磨礦濃度的調(diào)節(jié)。給礦粒度比例調(diào)節(jié)回路主要根據(jù)礦石粒度分析儀來監(jiān)測皮帶表面的礦石粒度，判斷當(dāng)前礦石粒度是“偏大”還是“偏小”。當(dāng)儲(chǔ)礦堆為金字塔型時(shí)，礦石在偏析作用下，不同大小的礦石會(huì)在不同位置的重板給礦機(jī)上方堆積，通過調(diào)節(jié)對(duì)應(yīng)重板給礦機(jī)的輸出頻率來改變礦石粒度。

2 模糊控制算法

2.1 模糊控制算法框圖

半自磨機(jī)磨礦過程復(fù)雜、機(jī)理有不明之處、缺乏必要的檢測手段或測試裝置不能進(jìn)入被測區(qū)域等，使得建立半自磨機(jī)工藝被控過程的數(shù)學(xué)模型困難。

可以熟練操作半自磨機(jī)的人員不需了解被控對(duì)象的數(shù)學(xué)模型，憑借實(shí)踐經(jīng)驗(yàn)即可采取相應(yīng)措施對(duì)半自磨機(jī)進(jìn)行調(diào)控。而模糊控制正是建立在人工經(jīng)驗(yàn)基礎(chǔ)上，即盡可能將熟練操作員的實(shí)踐經(jīng)驗(yàn)加以總結(jié)和描述，并用計(jì)算機(jī)語言表述出來，得到一種定性的、不精確的控制規(guī)則［8］。其無需知道被控對(duì)象的數(shù)學(xué)模型，運(yùn)用人類的思維實(shí)現(xiàn)智能控制，模糊控制算法采用軟件來實(shí)現(xiàn)，具有良好的魯棒性和適應(yīng)性?？刂苾?yōu)化流程見圖2。

圖2 半自磨智能控制流程Fig.2 Semi-autogenous grinding intelligent control flow chart

2.2 半自磨機(jī)功率的軟測量模型

根據(jù)經(jīng)典的邦德破碎模型［9］，礦石從一定尺寸破碎到指定粒級(jí)，所需要的能量E 為

式中，F(xiàn)80為給礦中篩下通過率為80%時(shí)對(duì)應(yīng)的篩孔尺寸，P80為排礦中篩下通過率為80%時(shí)對(duì)應(yīng)的篩孔尺寸，Wi為功指數(shù)。

半自磨機(jī)的汲取功率可以用以下模型來計(jì)算［10］:

式中，PBall為球荷堆密度，D 為磨機(jī)筒體直徑，L 為磨機(jī)長度，MB*為球荷充填率(對(duì)于半自磨機(jī)，MB為鋼球與大塊礦石充填率之和)，N*為磨機(jī)轉(zhuǎn)速率。

在給礦尺寸、排礦尺寸一定的情況下，給礦量為Q 時(shí)，半自磨機(jī)的功率W 應(yīng)為

根據(jù)功率計(jì)算值與功率監(jiān)測值之間的差值，以及差值的變化趨勢，可以判斷出當(dāng)前礦石硬度的變化趨勢、磨機(jī)內(nèi)鋼球的變化規(guī)律以及襯板磨損程度對(duì)磨機(jī)功率的影響。根據(jù)功率監(jiān)測值與設(shè)定功率上限值的偏差，自動(dòng)計(jì)算出達(dá)到上限功率需要調(diào)整的給礦粒度比例、磨礦濃度、給礦量，將此計(jì)算值作為優(yōu)化調(diào)節(jié)時(shí)的參考依據(jù)。

2.3 給礦粒度比例模糊控制規(guī)則

給礦粒度比例邊界條件是礦石粒度上下限。當(dāng)給礦粒度大于粒度下限時(shí)，允許減小給礦粒度;當(dāng)給礦粒度小于粒度上限時(shí)，允許增大給礦粒度。對(duì)給礦粒度比例進(jìn)行模糊控制時(shí)，功率是第一主要參數(shù)、軸壓為第二主要參數(shù)、磨音為第三主要參數(shù)、給礦量是第四主要參數(shù)、頑石量是第五主要參數(shù)。用這5 個(gè)參數(shù)來判斷磨機(jī)負(fù)荷高低:如果磨機(jī)負(fù)荷高，則適當(dāng)減小大塊礦石比率;如果磨機(jī)負(fù)荷低，則適當(dāng)增加大塊礦石比率;如果磨機(jī)負(fù)荷正常，則大塊礦石比例不變。表1 所示為給礦粒度模糊控制規(guī)則。

表1 給礦粒度模糊控制規(guī)則Table 1 Feeding granularity fuzzy control rule

2.4 磨礦濃度模糊控制規(guī)則

對(duì)磨礦濃度進(jìn)行模糊控制時(shí)，軸壓是第一主要參數(shù)、功率是第二主要參數(shù)、頑石量是第三主要參數(shù)、磨音是第四主要參數(shù)。用這4 個(gè)參數(shù)來判斷磨礦濃度大小:①如果功率高且軸壓高且頑石量高且磨音低，則減小濃度;②如果功率低且軸壓低且頑石量低且磨音高，則增大濃度;③如果軸壓快速增加，則減小濃度。磨礦濃度模糊控制規(guī)則見表2。

表2 磨礦濃度模糊控制規(guī)則Table 2 Grinding concentration fuzzy control rule

2.5 給礦量模糊控制規(guī)則

對(duì)給礦量進(jìn)行模糊控制時(shí)，功率是第一主要參數(shù)、軸壓是第二主要參數(shù)、頑石量是第三主要參數(shù)、磨音是第四主要參數(shù)。用這4 個(gè)參數(shù)來判斷給礦量大小:如果功率高且軸壓高且頑石量高且磨音低，則減小礦量;如果功率低且軸壓低且頑石量低且磨音高，則增大礦量。給礦量模糊控制規(guī)則見表3。

表3 給礦量模糊控制規(guī)則Table 3 Feeding capacity fuzzy control rule

2.6 各控制變量的優(yōu)先順序

當(dāng)給礦量、磨礦濃度、給礦粒度比例的調(diào)節(jié)規(guī)則啟動(dòng)運(yùn)行時(shí)，按照先調(diào)給礦粒度比例，再調(diào)磨礦濃度，最后調(diào)節(jié)給礦量的順序進(jìn)行。

3 半自磨智能控制系統(tǒng)實(shí)現(xiàn)和工業(yè)應(yīng)用

3.1 控制系統(tǒng)平臺(tái)

圖3 所示為半自磨機(jī)優(yōu)化控制界面，優(yōu)化控制服務(wù)器采用Microsoft Visual C#軟件編程，通過OPC 協(xié)議從AB ControlLogix 系列的3 個(gè)主站PLC 采集實(shí)時(shí)過程參數(shù)，經(jīng)過優(yōu)化控制服務(wù)器根據(jù)模糊控制規(guī)則優(yōu)化過程參數(shù)，輸出給3 個(gè)主站PLC 執(zhí)行。

3.2 應(yīng)用效果

圖4 所示分別為烏山選礦廠半自磨機(jī)人工控制和采用智能控制時(shí)，磨機(jī)運(yùn)行狀態(tài)分析。

由圖4 可以看出:人工控制時(shí)，磨機(jī)功率時(shí)高時(shí)低，軸壓也很不穩(wěn)定，有漲肚的危險(xiǎn);智能控制條件下，半自磨機(jī)運(yùn)行狀態(tài)穩(wěn)定，功率趨于上限功率，可以發(fā)揮半自磨機(jī)的最大效能，有效提高了半自磨機(jī)的處理量和磨礦效率。

圖3 半自磨機(jī)智能控制界面Fig.3 Intelligent control interface of semi-autogenous mill

圖4 智能控制與人工控制磨機(jī)運(yùn)行狀態(tài)對(duì)比Fig.4 Running statuscomparison of semi-autogenous mill both on optimized and manual control state

由表4 可知:采用人工控制時(shí)，月均處理礦量為1 104 971 t，采用智能控制時(shí)，月均處理礦量為1 122 762 t，相當(dāng)于采用智能控制較人工控制提高處理礦量約24.7 t/h;采用智能控制較人工控制噸礦能耗可降低0.49 kWh/t;采用智能控制較人工控制時(shí)襯板使用天數(shù)由61.5 d 延長到72.6 d，延長襯板使用天數(shù)為11.1 d。相比人工操作，采用智能控制時(shí)半自磨機(jī)工藝流程更加穩(wěn)定，生產(chǎn)指標(biāo)明顯提高。在降低能耗、鋼耗以及提高處理量3 個(gè)方面作用明顯，經(jīng)濟(jì)效益顯著。

4 結(jié) 論

半自磨機(jī)智能控制系統(tǒng)在烏山選礦廠的應(yīng)用實(shí)踐表明，半自磨機(jī)智能控制系統(tǒng)可根據(jù)服務(wù)器設(shè)定的控制策略，實(shí)時(shí)采集半自磨機(jī)過程參數(shù)，自動(dòng)找出最優(yōu)的半自磨機(jī)過程參數(shù)的特點(diǎn)，可以提高磨機(jī)處理量、延長襯板使用壽命、降低噸礦能耗，具有顯著的經(jīng)濟(jì)效益，在金屬礦山領(lǐng)域具有重要推廣應(yīng)用前景。

表4 半自磨機(jī)智能控制前后生產(chǎn)指標(biāo)對(duì)比Table 4 Production index comparison of semi-autogenous grinding mill both on optimized and manual control state

［1］ 王云峰，李戰(zhàn)明，袁占亭，等. RBF 神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合的磨礦分級(jí)智能控制方法［J］. 重慶大學(xué)學(xué)報(bào)，2010，33(3):124.

Wang Yunfeng，Li Zhanming，Yuan Zhanting，et al. Intelligent control method of grinding classification based on RBF neural network and fuzzy theory［J］.Journal of Chongqing University，2010，33(3):124.

［2］ 段希祥.碎礦和磨礦［M］.北京:冶金工業(yè)出版社，2012.

Duan Xixiang.Crushing and Grinding［M］.Beijing:Metallurgical Industry Press，2012.

［3］ 李 勇.磨礦過程參數(shù)軟測量與綜合優(yōu)化控制的研究［D］. 大連:大連理工大學(xué)，2006.

Li Yong. Study on Soft Measurement and Comprehensive Optimization Control of Grinding Process Parameters［D］.Dalian:Dalian University of Technology，2006.

［4］ 唐新民.冬瓜山銅礦半自磨機(jī)筒體襯板被砸碎的研究［J］.礦業(yè)裝備，2012(1):74-77.

Tang Xinmin.Dongguashan Copper Mine semi self mill cylinder liner was smashed in the study［J］.Mining Equipment，2012(1):74-77.

［5］ 毛益平. 磨礦過程智能控制策略的研究［D］. 沈陽:東北大學(xué)，2001.

Mao Yiping. Research on Intelligent Control Strategy of Grinding Process［D］.Shenyang:Northeastern University，2001.

［6］ 刀正超.選礦廠磨礦工［M］.北京:冶金工業(yè)出版社，1987.

Dao Zhengchao.Ore Dressing Plant［M］. Beijing:Metallurgical Industry Press，1987.

［7］ 劉金琨.智能控制［M］.北京:電子工業(yè)出版社，2014.

Liu Jinkun. Intelligent Control［M］. Beijing:Electronics Industry Press，2014.

［8］ 陳炳辰.磨礦原理［M］.北京:冶金工業(yè)出版社，1989.

Chen Bingchen. Grinding Principle［M］. Beijing:Metallurgical Industry Press，1989.

［9］ 胡為柏，李松仁.數(shù)學(xué)模型在礦物工程中的應(yīng)用［M］.長沙:湖南科學(xué)技術(shù)出版社，1983.

Hu Weibai，Li Songren. The Application of Mathematical Model in Mineral Engineering［M］.Changsha:Hunan Science and Technology Press，1983.