張云剛,王志春
(內蒙古科技大學 信息工程學院,內蒙古 包頭 014010)
基于RBF神經(jīng)網(wǎng)絡的磨礦粒度軟測量模型及實現(xiàn)
張云剛,王志春
(內蒙古科技大學 信息工程學院,內蒙古 包頭 014010)
磨礦分級作業(yè)是選礦生產(chǎn)中的重要環(huán)節(jié),磨礦粒度的好壞直接影響浮選的精礦品位和尾礦回收率;在實際生產(chǎn)中粒度的測量有在線粒度分析儀,但存在成本高、維修率高,離線實驗室化驗又有時間延遲大的問題;對實際磨礦分級作業(yè)過程進行了分析,提出用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡建立磨礦粒度軟測量模型,采用正交最小二乘法(OLS)算法對網(wǎng)絡進行訓練學習,泛化校驗;仿真結果表明,在較少訓練數(shù)據(jù)下該網(wǎng)絡非線性處理能力和逼近能力依然很強,學習時間短,模型基本符合要求;通過OPC技術將Matlab與PKS控制系統(tǒng)相結合,實現(xiàn)實時軟測量磨礦粒度。
磨礦粒度;徑向基函數(shù);正交最小二乘法
磨礦分級作業(yè)是選礦作業(yè)過程中的重要環(huán)節(jié),磨礦目的是將大顆粒礦石磨碎到一定程度,使有用礦物與脈石分離,達到單體解離狀態(tài),以利于后續(xù)選別作業(yè)。磨礦粒度是磨礦分級作業(yè)的重要生產(chǎn)指標,直接影響選別作業(yè)的精礦品位和回收率。在實際生產(chǎn)中,由于現(xiàn)場工況條件惡劣,在線粒度分析儀維修率高而且設備成本高,故在生產(chǎn)現(xiàn)場不配備該設備或處于閑置狀態(tài);而實驗室化驗磨礦粒度存在很大的時滯,不能及時為現(xiàn)場生產(chǎn)服務。故采用軟測量方法,實現(xiàn)在線測檢測具有重要的實際意義[1-3]。
磨礦分級過程是多耦合、大時滯的非線性時變控制模型[4],故本文采用具有良好逼近能力、分類能力和學習速度,能逼近任意非線性函數(shù)的RBF神經(jīng)網(wǎng)絡來實現(xiàn)對磨礦粒度的軟測量[5]。本文采用正交最小二乘法算法(OLS)來訓練RBF網(wǎng)絡,該方法源自線性回歸模型,它可以在學習權值的同時不斷選取需要的隱含層單元,收斂速度快,并可以得到優(yōu)化問題唯一的全局解[2]。根據(jù)某選礦廠實際磨礦分級作業(yè)建立了RBF神經(jīng)網(wǎng)絡磨礦粒度的軟測量模型,并利用選礦廠實際生產(chǎn)數(shù)據(jù)對網(wǎng)絡進行了訓練、泛化,取得了不錯的效果。通過OPC技術將Matlab與PKS控制系統(tǒng)相結合,實現(xiàn)實時軟測量磨礦粒度。
磨礦分級作業(yè)是選礦廠的重要工序,根據(jù)礦石的性質,某選礦廠的一段磨礦流程如圖1所示。
圖1 磨礦分級作業(yè)工藝流程圖
原礦經(jīng)給礦皮帶和一定比例的水給入球磨機,研磨后的礦漿和一個定比例的水給入泵池,經(jīng)渣漿泵送入旋流器,溢流的礦漿經(jīng)攪拌槽攪拌送入粗選;返砂排入球磨機繼續(xù)研磨。在實際磨礦作業(yè)中,根據(jù)礦石性質(硬度、含水量等)、球磨機電流、磨音、旋流器壓力等參數(shù),通過調節(jié)給礦量、前補加水、后補加水量、渣漿泵的頻率、旋流器閥門開度等參數(shù),來保障磨礦粒度在一個最優(yōu)區(qū)間。
根據(jù)該選礦廠的實際情況,前補加水量較小(<15 m3/h),跟礦量的相關性?。划敱贸氐囊何辉谝欢ǚ秶?,渣漿泵的頻率基本不調,因此旋流器閥門開度也相對穩(wěn)定。上述3個因素與磨礦過程相關性較小,在暫不考慮這3個因素條件下,我們給出磨礦粒度模型可以表示為如下非線性函數(shù):
(1)
式中,M-200為一段旋流器溢流礦漿中-200目礦石的質量百分數(shù)(磨礦粒度),f為一個非線性函數(shù),x1為球磨機的給礦量,x2為原礦水分,x3為后補加水量,x4為磨音,x5為球磨機功率。根據(jù)實際工藝流程及現(xiàn)場情況,磨礦粒度控制及軟測量過程的控制方框圖,如圖2。
圖2 磨礦粒度控制方框圖
2.1 磨礦粒度軟測量建模
RBF神經(jīng)網(wǎng)絡由三層組成[1],網(wǎng)絡的結構如圖3所示。
圖3中RBF神經(jīng)網(wǎng)絡共有5個輸入,x1為球磨機的給礦量,x2為原礦水分,x3為后補加水量,x4為磨音,x5為球磨機功率,以它們構成輸入層,高斯函數(shù)為隱含層基函數(shù),輸出層Y1為-200目礦漿粒度M-200,構成網(wǎng)絡。其中,
(2)
圖3 RBF磨礦軟測量結構模型
其中,i=1,2,…,M,M是感知神經(jīng)元的個數(shù),x在本文中是5維輸入向量;ci是第i個基函數(shù)的中心,與x具有相同維數(shù);σi是第i個RBF的標準差,決定了該基函數(shù)到中心的寬度;從圖3可以看出,輸出層到隱含層實現(xiàn)從x→Ri(x)的非線性映射,隱含層到輸出層實現(xiàn)Ri(x)→Y1的線性映射,即:
(3)
其中,Y1是磨礦粒度的輸出;Wi1是第i個隱含層單元到Y1輸出層的權值。
2.2 OLS學習算法
RBF神經(jīng)網(wǎng)絡的學習算法主要有隨機算法、“K-均值,RLS”算法、OLS算法等。OLS學習算法源自線性回歸模型,可以在學習權值的同時不斷選取需要的隱含層單元,收斂速度快[6]。
該算法具體過程如下:
(1)第一步,計算
(4)
(2)在第k步,當k≥2,1≤i≤M,i≠i1,…,i≠i(k-1),計算
(5)
(3)程序在Ms步終止,當
(6)
其中,0<ρ<1為設定容差。這個模型包含一個顯著的Ms變量子集。
某選礦廠2015年8月份,球磨機給礦量在210-310t/h,在磨礦作業(yè)相對穩(wěn)定運行的狀態(tài)下,分別對球磨機給礦量、原礦水分、后補加水量、磨音、球磨機功率和化驗出的磨礦粒度進行采樣,取65組現(xiàn)場數(shù)據(jù)。通過數(shù)據(jù)預處理選出具有代表形的61組數(shù)據(jù),將數(shù)據(jù)分成兩部分,其中27組數(shù)據(jù)作為訓練樣本,另外的34組數(shù)據(jù)作為對神經(jīng)網(wǎng)絡模型進行泛化校驗。具體數(shù)據(jù)如表1所示。
表1 訓練、預測樣本數(shù)據(jù)
首先對數(shù)據(jù)進行歸一化處理,利用7式將其映射到之間,
(7)
其中,d為原始數(shù)據(jù),dstd為標準化后的數(shù)據(jù),dmax為原始數(shù)據(jù)最大值,dmin為原始數(shù)據(jù)最小值。利用matlab7.0對27組數(shù)據(jù)訓練、34組校驗數(shù)據(jù)進行泛化,得到的訓練誤差平方和為0.046,泛化相對誤差平均值為6.90%,如表2所示。
表2 實驗性能指標
泛化仿真結果如圖4所示。從圖4上可以看出雖然偶爾會出現(xiàn)預測值和實際值相差較大的情況,但大部分相對誤差較小,并且預測值基本符合實際值的變化趨勢。導致偶爾誤差較大的原因是磨礦粒度為化驗室所得數(shù)據(jù),數(shù)據(jù)量小,取樣分布不夠均勻,訓練樣本少。通過增加訓練樣本,可以使網(wǎng)絡輸出更加理想。
圖4 磨礦粒度仿真結果
該選礦廠控制系統(tǒng)使用的是Experion PKS Process/C200
系統(tǒng),是Honeywell公司推出得基于批處理、過程控制SCADA應用的開放的混合控制系統(tǒng)。該系統(tǒng)OPC服務器允許第三方OPC客戶應用讀/寫Process點參數(shù)。利用OPC通訊協(xié)議可以將PKS控制優(yōu)勢與Matlab計算優(yōu)勢結合起來,將球磨機實時運行數(shù)據(jù)傳送給Matlab,然后通過神經(jīng)網(wǎng)絡的計算,再將結果傳送給PKS,實現(xiàn)該RBF神經(jīng)網(wǎng)絡磨礦粒度的在線軟測量。
針對選礦廠磨礦粒度在線檢測成本高、易損壞,化驗檢測時間滯后大等問題,提出用RBF神經(jīng)網(wǎng)絡建立磨礦粒度軟測量模型,應用OLS算法對數(shù)據(jù)進行訓練,該算法計算時間短、逼近效果優(yōu),同時對模式調整時對已有模式擾動小。用樣本數(shù)據(jù)訓練、校驗RBF網(wǎng)絡,結果表明,模型測試結果與實際生產(chǎn)稍有誤差,但變化趨勢相符,模型具有可行性。通過OPC實現(xiàn)matlab軟測量模型與PKS系統(tǒng)相結合,實現(xiàn)磨礦粒度的在線軟測量。
[1] 劉德明.基于支持向量回歸的磨礦粒度軟測量及其軟件實現(xiàn)[D].鞍山:遼寧科技大學,2012.
[2] 李 勇.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,2006.
[3] 朱繼平,桂衛(wèi)華,陽春華.基于RBF神經(jīng)網(wǎng)絡的磨礦粒度預測模型[J].計算機測量與控制,2008,16(10):1421-1423.
[4] 王云峰,李戰(zhàn)明,袁占亭,等.RBF神經(jīng)網(wǎng)絡與模糊理論相結合的磨礦分級智能控制方法[J].重慶大學學報,2010,33(3):124-128.
[5] Simon Haykin. Neural Networks and Learning Machines,Third Edition[M]. Upper Saddle River, New Jersey,2008.
[6] Chen S,Cowan C F N,Grant P M. Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks[J]. IEEE Transactions on Neural Network, March,1991,2(2):302-309.
Soft Sensor Model Based on RBF Neural Network for Particle Size of Grinding Circuit and Implementation
Zhang Yungang,Wang Zhichun
(School of information Engineering, Inner Mongolia University of Science & Technology, Baotou 014010, China)
Grinding grading operation is a key link in mineral processing production, and particle size of grinding circuit directly affect the grade of concentrate and the recovery rate of tailings in the process of flotation. In the actual production, the measurement of particle size, one side we can use online particle size analyzer, but it’s too high cost and high maintenance rate; in other side we can measure it in off-line laboratory tests, but it’s too large time delay. Through the analysis of the actual grinding grading operation process, put forward a soft sensor model of grind size with RBF neural network and training this network by using orthogonal least squares learning algorithm. The simulation results show that the network under less training data is still very strong nonlinear processing ability and approaching ability, learning time is short, model conforms to the basic requirements. Through the OPC technology can contact the Matlab and PKS control system, which can realize real-time soft sensor particle size of grinding circuit.
particle size of grinding circuit; radial basis function; orthogonal least squares learning algorithm
2016-08-11;
2016-09-06。
國家自然科學基金項目(61463041)。
張云剛(1987-),男,山東聊城人,碩士研究生,主要從事過程測量與控制方向的研究。
王志春(1972-),女,內蒙古包頭人,教授,碩士研究生導師,主要從事計算機控制技術及智能儀器方向的研究。
1671-4598(2017)01-0038-02DOI:10.16526/j.cnki.11-4762/tp
TP
A