专利名称：湿式磨矿过程溢流粒度指标混合智能软测量方法
技术领域：
本发明属于自动化测量技术领域，特别涉及一种湿式磨矿过程溢流粒度指标混合智能软测量方法。
背景技术：
在选矿行业中，由球磨机和水力旋流器组成的湿式磨矿过程广泛用于将矿石研磨至选矿工艺要求的粒度范围内，粒度过大或过小均对后续的选别作业都会产生不利影响， 因此水力旋流器溢流粒度(也称磨矿粒度、溢流粒度)是衡量磨矿过程运行品质的重要指标。目前，常规的磨矿粒度的检测方法有两种一是人工取样离线化验，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客观的测量结果，但粒度计价格昂贵，我国多数选矿厂难以配备，而且容易堵塞，现场维护的工作量很大。另外，粒度计分析的时间一般也得几分钟，因此也难以实现真正意义的粒度在线测量。目前实现粒度在线测量的最有效方法是采用软测量技术。现有的粒度软测量方法主要有基于神经网络(NeuralNetwork，NN)的方法(球磨机磨矿过程溢流粒度指标软测量方法，发明专利，专利号=ZL 03133951.4)和基于案例推理(Case-Based Reasoning, CBR)的方法(基于案例推理的磨矿过程溢流粒度指标软测量方法，发明专利， 专利号ZL 200410021565.4)。采用NN进行粒度软测量算法复杂，模型难于训练和实现， 模型校正困难且校正效果不明显。而基于CBR的粒度软测量方法具有实现简单，易于维护， 具有较好的自学习能力，特别适合工况缓慢变化的工业对象。但是CBR模型逼近非线性函数的能力有限，而NN却能以任意精度逼近非线性函数，可实现更复杂的输入-输出非线性映射关系。因此以上粒度软测量方法各有优缺点和不同的适用范围。由于磨矿过程具有时变，多工况性，因此以上基于单一技术和模型的粒度软测量方法可信度不高，因而难以满足实际生产和过程控制与优化的要求。
发明内容
为了解决现有湿式磨矿过程溢流粒度测量方法的不足，本发明提供一种基于案例推理和神经网络的湿式磨矿过程溢流粒度指标混合智能软测量方法，通过常规在线测量仪表提供的辅助变量测量参数，给出当前水力旋流器溢流粒度的估计值，为磨矿生产过程的优化操作和优化运行提供关键指标。本发明方法由硬件平台及测量软件组成，其中硬件平台核心包括球磨机、水力旋流器、泵池、底流泵、阀门、流量计、浓度计、压力计、磨机新给矿的皮带、给矿水管路、水力旋流器给料管、溢流管、数据采集器和计算机。其硬件的联接是球磨机的输入端与磨机新给矿的皮带、给矿水管路以及水力旋流器的沉砂入口相接，球磨机输出端与泵池相接，泵池连接底流泵和泵池加水管，底流泵通过水力旋流器给料管与水力旋流器相接，溢流管连接水力
7旋转器的出口，数据采集器连接流量计、压力计和密度计，数据采集器通过通信总线连接计算机，阀门安装在给矿水管路和泵池加水管的入口处，最终产品从水力旋流器溢流口排出。 详细结构如
图1所示。以球磨机和水力旋流器组成的闭路磨矿过程，其测量仪表包括一个流量计，用于在线测量水力旋流器给矿矿浆流量Le，安装在水力旋流器给料管上；一个压力计，用于在线测量水力旋流器给矿矿浆压力Pe，安装在水力旋流器的给料管上；两个密度计，用于在线测量水力旋流器给矿矿浆浓度De和水力旋流器溢流矿浆浓度D。，分别安装在水力旋流器给料管上和溢流管上。该磨矿过程同时配置了控制计算机(分布式计算机控制系统(DCQ、或可编程逻辑控制器(PLC)、或工业控制计算机(IPC))或数据采集器、用以采集测量仪表的信号。本发明的软测量软件既可以运行在计算机控制系统的监控计算机上，也可以运行于独立的计算机上，该软件通过与控制计算机或数据采集器进行通讯，获得实时的过程数据，并给出磨矿粒度的估计结果。本发明的湿式磨矿过程溢流粒度混合智能软测量模型结构如图2所示，软测量流程如图3所示，方法包括以下步骤(1)辅助变量的选择，(2)样本数据的取得，(3)基于案例推理的磨矿粒度软测量，⑷基于神经网络的磨矿粒度软测量，(5)基于案例推理的可信度因子求解，(6)基于专家规则推理的磨矿粒度最终求解。(1)辅助变量的选择根据对球磨机-水力旋流器组成的磨矿过程机理进行分析，本发明选择磨矿粒度软测量的辅助变量包括水力旋流器给矿矿浆浓度Dc ；水力旋流器给矿矿浆压力Pc ；水力旋流器给矿矿浆流量Lc ；水力旋流器溢流矿浆浓度D。。(2)样本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的范围内，给出一组独立变量(新给矿量Of、磨机入口加水流量Wf、泵池加水流量Wb)的不同的设定值的组合， 形成下面的设定值集合Ssetp = HUIi = IAml其中m为该集合内的元素数量，每个元素包含一个
i = l，L，m}其中，一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)，
8—符号右边的变量为软测量模型的主导变量即磨矿粒度值。(3)基于案例推理的磨矿粒度软测量采用发明人已有成果“基于案例推理的磨矿过程溢流粒度指标软测量方法”进行磨矿粒度软测量，得到磨矿粒度的估计值&。该方法已获得了国家发明专利，其专利号为 ZL200410021565. 4。该方法包括案例表示、案例库初始案例的取得、案例推理、案例存储与维护等实施步骤。(4)基于神经网络的磨矿粒度软测量采用发明人已有成果“球磨机磨矿过程溢流粒度指标软测量方法”进行磨矿粒度软测量，得到磨矿粒度的估计值&。该方法已获得国家发明专利，其专利号为ZL 03133951. 4。该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等步骤。(5)基于案例推理的可信度因子求解采用案例推理技术，根据案例推理粒度软测量的粒度估计值输出S1和神经网络粒度软测量的粒度估计值输出s2，并结合软测量模型的辅助变量信息0。= {Dg, Pg, Lg, D0I，求解该工况下的粒度估计S1, S2的可信度因子Ul，u2。基于案例推理的可信度因子U1, U2的具体求解步骤如下(A)案例表示粒度软测量模型的可信度因子求解系统以一定的结构进行组织并以案例的形式存于案例数据库中。案例库中每条案例由案例工况描述和案例解组成，案例工况描述F即为软测量模型的辅助变量信息{De，Pe，Le，DJ以及软测量模型的粒度估计输出S1, S2。案例解J就是该工况下的粒度软测量估计值S1, &的可信度因子J= {Ul，u2}。另外，为了便于案例检索与匹配及其它案例操作，在案例库表中再增加时间属性，其中时间为案例获得时间。所以对案例库中的案例进行如下案例表示
权利要求
1.一种湿式磨矿过程溢流粒度指标混合智能软测量装置，其特征在于该装置包括球磨机、水力旋流器、泵池、底流泵、阀门、流量计、浓度计、压力计、磨机新给矿的皮带、给矿水管路、水力旋流器给料管、溢流管、数据采集器和计算机；球磨机的输入端与磨机新给矿的皮带、给矿水管路以及水力旋流器的沉砂入口相接，球磨机输出端与泵池相接，泵池连接底流泵和泵池加水管，底流泵通过水力旋流器给料管与水力旋流器相接，溢流管连接水力旋转器的出口，一个流量计和一个压力计均安装在水力旋流器给料管上；两个密度计分别安装在水力旋流器给料管上和溢流管上，数据采集器连接流量计、压力计和密度计，数据采集器通过通信总线连接计算机，阀门安装在给矿水管路和泵池加水管的入口处。
2.采用权利要求1所述的湿式磨矿过程溢流粒度指标混合智能软测量装置的测量方法，其特征在于按如下步骤进行步骤一、辅助变量的选择水力旋流器给矿矿浆浓度Dc， 水力旋流器给矿矿浆压力Pc， 水力旋流器给矿矿浆流量Lc， 水力旋流器溢流矿浆浓度D。， 步骤二、样本数据的取得设定独立变量新给矿量Of、磨机入口加水流量Wf、泵池加水流量Wb的设定值组合，形成下面的设定值集合Ssetp = HUIi = l，L，m}其中m为该集合内的元素数量，每个元素包含一个
I i = 1，L，m} — {[S3ji] | i = 1，L，m}其中，一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，一符号右边的变量为软测量模型的主导变量即磨矿粒度值； 步骤三、基于案例推理的磨矿粒度软测量采用基于案例推理的磨矿过程溢流粒度指标软测量方法进行磨矿粒度软测量，得到磨矿粒度的估计值S1，该方法包括案例表示、案例库初始案例的取得、案例推理、案例存储与维护；步骤四、基于神经网络的磨矿粒度软测量采用球磨机磨矿过程溢流粒度指标软测量方法进行磨矿粒度软测量，得到磨矿粒度的估计值&，该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；步骤五、基于案例推理的可信度因子求解采用案例推理技术，根据案例推理粒度软测量的粒度估计值输出S1和神经网络粒度软测量的粒度估计值输出s2，并结合软测量模型的辅助变量信息0。= {Dg, Pg, Lg, D0I，求解该工况下的粒度估计S1, S2的可信度因子U1, U2 ；步骤六、基于专家规则推理的磨矿粒度最终求解可信度因子求解完毕后，由粒度最终求解系统对U1, U2的数值进行分析，根据U1, U2相互之间的大小情况，给出最终的粒度软测量输出Se，专家推理系统的知识表达方式选用广泛使用的产生式规则，即用如下的形式表示前提为可信度因子U1, U2，结论就是所求解的最终的粒度软测量输出&，具体求解&的推理规则如下所示，共6条规则，即R1, R2, R3, R4, R5, R6
3.根据权利要求2所述的湿式磨矿过程溢流粒度指标混合智能软测量装置的测量方法，其特征在于所述的步骤五中基于案例推理的可信度因子U1, U2的具体求解步骤如下(A)案例表示粒度软测量模型的可信度因子求解系统以一定的结构进行组织并以案例的形式存于案例数据库中，案例库中每条案例由案例工况描述和案例解组成，案例工况描述F即为软测量模型的辅助变量信息{De，PG, Lg, D0I以及软测量模型的粒度估计输出S1, S2 ；案例解J 就是该工况下的粒度软测量估计值S1, S2的可信度因子J = Iu1, u2}，在案例库表中再增加时间属性，其中时间为案例获得时间，所以对案例库中的案例进行如下案例表示
4.根据权利要求3所述的湿式磨矿过程溢流粒度指标混合智能软测量装置的测量方法，其特征在于步骤C所述的可信度因子求解方法，按如下步骤进行(a)初始化进行所有变量的初始化；(b)案例推理软测量模型和神经网络软测量模型是否以对粒度进行估计，如果否，等待；如果是，则转至(c)；(c)是否进行可信度因子求解，如果是，则转至(d)，进行案例检索与匹配及案例重用的过程；如果否，则转至(k)，进行案例评价与修正的过程；步骤(d)至(j)为案例的检索与匹配及案例重用流程，采用案例检索策略中的最近相邻策略；(d)选择矿石可磨性按照不同的矿石的可磨性，选择矿石可磨性的案例数据库；(e)读取当前工况描述读取案例推理软测量模型和神经网络软测量模型各自的粒度估计输出S1, S2以及当前工况描述参数De，PG, Fg, D0 ；(f)案例相似度计算设磨矿过程当前运行工况为Mgk,定义MeK的工况描述为F = (fi;f2, f3，f4，f5，f6) ,Mgk的解为JeK，定义案例库中案例为C1, C2ACn,其中案例Ck (k = 1，L，η)的工况描述为Fk = (fu k，^2, k' f3,k，^4, k' fs.k' fe,k)，Ck 的角军为 Jk ；那么当前工况描述Mffi的描述特征fi(i = 1，L，6)与案例Ck(k = 1，L，η)的案例描述特征fu的相似度函数为
全文摘要
一种湿式磨矿过程溢流粒度指标混合智能软测量方法，属于自动化测量技术领域。该装置包括球磨机、水力旋流器、泵池、底流泵、阀门、流量计、浓度计、压力计、磨机新给矿的皮带、给矿水管路、水力旋流器给料管、溢流管、数据采集器和计算机。混合智能软测量方法包括以下步骤(1)辅助变量的选择，(2)样本数据的取得，(3)基于案例推理的磨矿粒度软测量，(4)基于神经网络的磨矿粒度软测量，(5)基于案例推理的可信度因子求解，(6)基于专家规则推理的磨矿粒度最终求解。本发明的优点在磨矿过程正常运行期间，能够根据过程的实时数据估计出磨矿粒度值，相对误差小、可信度高，是具有很高实用价值、低成本的粒度计量手段。
文档编号G01N15/02GK102169077SQ20101060973
公开日2011年8月31日 申请日期2010年12月28日 优先权日2010年12月28日
发明者周平, 岳恒, 柴天佑 申请人:东北大学