基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法
【专利说明】基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法 【技术领域】
[0001] 本发明属于矿浆浓度检测技术领域，设及选矿厂磨矿分级系统矿浆浓度的在线检 测，特别是一种基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法。 【【背景技术】】
[0002] 我国大型选矿厂中湿式球磨闭路磨矿分级系统应用十分广泛，作为其中表征生产 过程关键状态信息的矿浆浓度（包括磨矿浓度和溢流浓度），绝大部分依然通过人工实验 和离线分析的方式获得，无法直接应用到磨矿过程优化控制中，使得磨矿分级系统运行中 磨机欠载和涨肚现象时有发生，严重影响了磨矿生产效率和产品质量，有时甚至造成设备 损坏事故进而机组停运，给选矿厂带来很大的经济损失。更重要的是，磨机是选矿厂的耗电 大户，其耗电量约占厂用电的30%左右，由于磨机输出矿浆浓度无法在线检测用于闭环控 审IJ，对其仍旧采用人工控制的手段，所W磨机无法一直运行在最佳工况下，造成厂用电消耗 大，产品粒度波动明显，经济效益差。
[0003]国外原矿选矿厂磨矿过程的自动化程度较高，计算机检测技术也得到了普遍的使 用，但是国外选矿厂多采用的是半/自磨累池旋流分级系统，与国内广泛采用的钢球磨螺 旋分级系统结构不同，无法照搬。
[0004]国内有部分选矿厂采用过程仪表，W硬件形式实现磨矿过程中矿浆浓度的直接检 巧。，目前较为成熟的矿浆浓度直接检测方法有：超声波法，通过超声波在矿浆介质中传播时 的衰减量获得磨矿过程的矿浆浓度，但该方法对工作环境和传感器要求高，矿浆介质中温 度、粘稠度、磁性甚至气泡都对其检测精度产生影响，且超声波探头需经常标定，维护不便； 浓度壶砰重法，通过对壶中矿浆称重并参照重量浓度对照表得到矿浆浓度值，该方法需根 据不同矿浆矿物类别制作不同的浓度对照表，精度有限，且实时性差；核子密度计检测法， 利用能量衰减法对矿浆浓度进行测量，实现了非接触式检测，但其在管道内出现结垢时易 出错，实时性仍显不足，且存在核福射及核废料处理等问题。从上述直接检测方法在我国选 矿厂的应用情况来看，该类方法成本投资大，设备操作复杂，对工作环境要求高，因此只能 做离线分析，无法提供准确的在线检测结果；而且，由于球磨机具有封闭的筒体结构、旋转 撞击的工作方式W及分级机不停进行揽拌提升，造成其工作环境复杂恶劣且磨矿过程中矿 浆的浓度变化呈现动态性，最终导致直接检测方法实际应用效果不佳。
[0005] 针对直接检测存在的问题，目前对磨矿过程中矿浆浓度的间接检测方法也有了很 大的发展，所谓矿浆浓度间接检测是指通过测量磨矿过程中其他相关过程变量，并分别依 据磨矿浓度、溢流浓度与该些过程变量间的关系来间接预测各自的浓度值。该类方法主要 通过综合多个过程变量实现对特定矿浆浓度的预测，由于继承了各过程变量表征矿浆浓度 的优势，使得最终预测结果精确度和可靠性得到了保证。该类方法主要通过建立预测模型 实现，并W设备简单、检测快速得W在实际工业过程中广泛应用。有的应用灰关联分析法 选择矿浆浓度预测模型的辅助变量，并W此构建基于神经网络的磨矿矿浆浓度预测模型， 但该类方法由于神经网络模型隐层基函数中屯、选取的随机性，W及模型学习过程中对问题 的特征数值化，势必造成过程变量信息的丢失，使得神经网络在实际推广和应用上受到了 不少的限制。模糊建模采用易于理解的语言规则且所得模糊模型具有很好的稳定性和鲁椿 性，但在模糊建模中，辅助变量选择、模糊化方案确定和规则集的构建通常是跟据操作人员 和专家的知识和经验，该就不可避免的会产生一定的局限性和主观性，从而影响到模糊预 测模型的精度和泛化能力。而且对于该种多维模糊模型，均会遇到规则的爆炸问题，从而使 得模糊模型的设计和应用变得十分困难。为解决该些问题，基于对现场记录数据的分析和 计算，自动构建出模糊预测模型的辅助变量集、模糊化方案W及规则集。因此，在此基础上 设计出来的磨矿过程矿浆浓度模糊预测模型更适合预测对象变量的特性，为选矿厂磨矿过 程能够在自动控制下始终稳定、高效运行提供了保证。 【
【发明内容】
】
[0006] 本发明的目的在于解决上述现有技术中的问题，提供一种基于模糊预测模型的选 矿厂磨矿过程矿浆浓度检测方法，该方法通过构建磨矿浓度和溢流浓度模糊预测模型实现 对选矿厂磨矿过程中两关键矿浆浓度的稳定可靠估计。该样不仅为磨矿过程的优化控制及 过程监控提供了有效保证，而且能够提高选矿厂的经济效益。
[0007] 为了实现上述目的，本发明采用W下技术方案予W实现：
[0008] -种基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法，W磨矿浓度和溢流 浓度的连续检测为目标，构建模糊预测模型实现对选矿厂磨矿过程中两种矿浆浓度的在线 估计，其中，模糊模型的辅助变量选择方案、模糊化方案W及预测规则集是通过对现场记录 数据进行机器学习自动获得，具体包括W下步骤：
[0009] 1)根据人工操作状态下现场记录的给矿量M、返砂水量Wu、排矿水量W。。、电耳电流 I。。、磨机电流Im及分级机电流I。组成预选属性集，W磨矿浓度Cg和溢流浓度C作为决策 属性，分别选取磨机内矿浆浓度处于82%的高浓度、80%的正常浓度和79%的低浓度W及 螺旋分级机溢流浓度处于60%的高浓度、58 %的正常浓度和56%的低浓度等稳定工况时 的历史数据，分别构成磨矿浓度预选数据库和溢流浓度预选数据库；
[0010] 2)使用基于邻域决策分辨率的属性集评价量度及特征集选择方法，对两个预选数 据库进行特征属性集选择，根据属性子集对于决策空间的分辨力量度对候选属性集进行评 价，并将最终选择的特征属性集作为相应模糊预测模型的辅助变量选择方案；分别构建出 磨矿浓度特征数据库和溢流浓度特征数据库；
[0011] 3)使用基于有效信息比率的模糊化方案构建方法，针对步骤2)形成的两个矿浆 浓度特征数据库，分别计算其中每一连续属性在变量论域上离散化对应的划分点位置和划 分区间数量；选择梯形函数作为隶属度函数，原连续属性在离散划分区间内的最小值和最 大值之间的隶属度函数取值为1，而在该划分区间内最小属性值与上一划分区间内最大属 性值之间定义线性非减函数作为隶属度函数，其中，最初划分区间除外；在该划分区间内最 大属性值与下一划分区间内最小属性值之间定义线性非增函数作为隶属度函数，其中，最 终划分区间除外；按照划分点从小到大的顺序，依次将上述隶属度函数定义为输入连续变 量对应语言值的隶属度函数，对于离散变量使用单点模糊化方法定义其上隶属度函数，完 成相应模糊预测模型的模糊化方案构建；
[0012] 4)针对步骤2)形成的磨矿浓度特征数据库和溢流浓度特征数据库，通过步骤3) 构建的相应模糊化方案进行模糊化扩展；并在模糊扩展后的两个数据库上使用模糊预测规 则提取算法得到两个矿浆浓度模糊预测模型中使用的预测规则；
[0013] 5)在步骤1)~步骤4)的基础上，使用乘机推理机作为模糊推理策略；选择 Mamdani含义下对模糊规则的解释，应用模糊并进行组合的独立推理，计算中S-范数算子 采用最大算子，t-范数算子采用代数积算子；则对于形式化为IF-T肥N规则的两预测模型 的模糊预测规则，如下：
[001引其中，X= (X^X2,…，Xm0T和y分别表示模糊系统输入和输出对应的语言变量. ^和公^分别表示定义在Xi和y的各自论域上的模糊集合；对于同一论域下模糊集合A'， 上述乘积推理机根据模糊规则库R推导出模糊集合B'的隶属度函数为：
[0017]
[0018] 其中
Py为规则Ri后件为勺条件概率；对于某输入实 值点Xeir'，选择单值模糊器将实值点X=林:，為，...，而4映射为论域上的模糊单值A'， 其隶属度函数为：
[0019]
[0020] 而后选择中屯、平均解模糊器，对于由U'条模糊IF-T肥N规则组成的模糊规则库， 该模糊系统实值输出/如下：
[0021]
[00过 歹'为模糊规则Ri后件B1的中屯、；
[0023] 应用上述模糊系统构建方法，根据磨矿浓度预测规则和溢流浓度预测规则，分别 建立模糊预测系统对磨矿浓度和溢流浓度进行预估，从而实现磨矿过程矿浆浓度的连续检 测。
[0024] 本发明进一步的改进在于：
[0025] 步骤1)中，给矿量M、返砂水量Wf,、排矿水量W。。、电耳电流I。。、磨机电流1。、分级 机电流I。、磨矿浓度Cg和溢流浓度C该八个属性按照相等的时间间隔同时被写入磨矿浓 度预选数据库和溢流浓度预选数据库内，每一条记录代表一个对象。
[0026] 步骤2)中，基于邻域决策分辨率的属性集评价量度及特征集选择方法，包括W下 步骤：
[0027]2-1)将数据库数据中所有数值型属性的值线性归一化至区间[0, 1]，将所有名义 型属性的值都编码为一系列互异的值；
[0028] 2-2)对某预选数据库进行处理后进行特征集选择，对于磨矿浓度预选数据库，该 预选数据库包括6个维，分别是；给矿量M、返砂水量Wu、排矿水量W。。、电耳电流I。。、磨机电 流Im、分级机电流I。和磨矿浓度C g;初始化属性全集A = {M，W W W。。，I。。，Im，I。}，特征子集 w/二0，决策属性D = {Cg}，算法终止阔值e > 0 ;
[0029] 2-3)计算当前特征候选集CT = A-red，并根据W下公式计算加入候选集CT中单 个属性a;后特征子集red的邻域决策分辨率NDDR e值），其中B = red U a;;
[00础式中，SbUi) = {Xj.|DB(Xi，Xj.) < 5}表示对象Xi根据属性子空间B相对于常数5 G [(U]的邻域信息粒，炉(Xi，Xj.)表示对象Xi和对象Xj.之间相对于属性集B的欧式距 离；NDC(S,(Xi))表征了邻域信息粒5,(Xi)内决策分布的结构信息，信息粒5,(Xi)中的决 策分布集中度越高，则有效分类区分信息蕴含量越高；S为磨矿浓度属性中的工况分类数 量，且s = 3;N是预选数据库中对象的数量；P(dj.| Sc(Xi))表示信息粒Sc(Xi)中工况dj.下 的条件概率；
[0033] 2-4)根据W下公式，计算出属性相对于特征子集red的重要度指标 SIG(a。red, D);
[0034] S!G{a,，red，D) = NDDR,''此,' {0)- NDDRfJP)
[00对其中，M)DRred做和'WCAw化(巧分别是加入属性a;前后特征子集red的邻域决 策分辨率；
[0036]2-5)对候选集CT中其他属性重复步骤2-