本发明涉及选矿设备
技术领域：
，尤其涉及一种选矿摇床智能控制方法。
背景技术：
：摇床是重选工艺的关键设备，针对锡矿、钨矿、铌坦矿等一次选别就可以得到最终的精矿，目前摇床选矿工艺和装备技术已经基本成熟，但其自动化和智能化水平仍极为落后。入选工艺条件不稳定、岗位工操作水平参差不齐、部分岗位工责任意识不足等因素，造成了摇床精矿品位和矿物回收率波动较大。现有技术针对摇床控制方面的研究仍相对较少，主要原因有以下几点：(1)摇床属于重选设备，采用重选工艺的选厂相对较少，所以其发展水平在二三十年内并未有突破性进展；(2)摇床调节变量较多，并且需要很强的操作经验，控制模型搭建十分困难；(3)摇床选矿效果从矿带图像特征可以反映出来，但是由人眼观察到的图像信息如何通过计算机进行量化属于一个难题。技术实现要素：本发明的目的是提供一种选矿摇床智能控制方法，利用该方法可实现摇床设备无人值守模式，减少现场操作工人数，进而降低人工成本、增加企业效益。本发明的目的是通过以下技术方案实现的：一种选矿摇床智能控制方法，包括：步骤1、通过图像处理算法得到选矿摇床不同品位矿带的界区；步骤2、建立bp神经网络，将精矿带面积和颜色差异因子作为bp神经网络的输入，精矿厚度作为输出，经过样本集训练后，得到精矿带厚度软测量模型；步骤3、根据所得到的矿带的界区来确定接矿板位置、摇床坡度和冲洗水量的调控优先级；步骤4、再建立选矿摇床接矿板位置的模糊控制器，该控制器的输入变量为精矿带厚度偏差和偏差变化率，输出为接矿板的偏移比例(即次精矿带占比)，实现对接矿板位置的自动调节。所述步骤1的过程具体为：首先通过计算选矿摇床目标区域的积分灰度曲线二阶微分最大值，提取选矿摇床矿带底部分界点；然后采用下采样的积分曲线边界查找算法、最小二乘法的边界拟合和一阶导曲线的波谷查找法，提取出选矿摇床不同品位矿带的左右边界点；再根据所提取出的边界点采用最小二乘法拟合出边界直线；进一步在左右边界点之间查找精矿带和非精矿带分界点。在所述步骤2中，所建立的bp神经网络的输入层有2个神经元，输出层有1个神经元，隐层的个数为7；通过该bp神经网络，将精矿带预测厚度与真实厚度的误差进行逆向传播，并在误差传播过程中不断进行调整，直到bp神经网络的精矿带预测厚度输出值与实际样本输出值之间的误差小于预设值时停止训练；再将要预测的新信息输入训练好的网络，得到选矿摇床精矿带厚度的预测值。在步骤3中，首先根据所得到的矿带的界区确定次精矿带宽度w的正常范围为[m，n]；当实际宽度值w＞n时，调节摇床坡度；当实际宽度值m≤w≤n时，调节接矿板位置；当实际宽度值w＜m时，则调节冲洗水量。在步骤4中，所述精矿带厚度偏差为当前精矿带厚度减去正常厚度值；所述偏差变化率为当前厚度偏差值减去临近时刻厚度偏差值。由上述本发明提供的技术方案可以看出，利用上述方法可实现摇床设备无人值守模式，减少现场操作工人数，进而降低人工成本、增加企业效益。附图说明为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图1为本发明实施例提供的选矿摇床智能控制方法流程示意图；图2为本发明实施例所提供精矿带厚度软测量模型构建示意图。具体实施方式下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的选矿摇床智能控制方法流程示意图，所述方法包括：步骤1、通过图像处理算法得到选矿摇床不同品位矿带的界区；在该步骤中，首先通过计算选矿摇床目标区域的积分灰度曲线二阶微分最大值，提取选矿摇床矿带底部分界点；具体来说，通过y方向上计算灰度积分曲线，得到灰度曲线后根据积分曲线分析，对曲线进行均值平滑处理，计算积分曲线二阶微分，最后下一步就是查找微分曲线的最大峰值点即为矿带底部分界点；然后采用下采样的积分曲线边界查找算法、最小二乘法的边界拟合和一阶导曲线的波谷查找法，提取出选矿摇床不同品位矿带的左右边界点；具体来说，首先根据矿带底部分界点位置计算矿带在图像中的高度，高度方向上进行下采样处理(采样间隔可根据效果设置)，对下采样结果进行逐行水平方向上即x方向上做指定长度l的积分处理，通过积分曲线计算均值曲线，在均值曲线的基础上进行高斯平滑处理去除一些干扰点，直到将所有曲线计算完毕；然后计算每条曲线一阶导数，根据实际图像分析可知，矿带和非矿带交界处一定会有一个比较大的灰阶变化，一阶导数曲线阶跃变化比较大的位置即为矿带的左右边界位置，因此只需要查找到一阶导曲线左右两个阶跃点即为矿带的左右边界点。再根据所提取出的边界点采用最小二乘法拟合出边界直线；进一步在左右边界点之间查找精矿带和非精矿带分界点；具体来说，通过均值曲线可以得出，精矿带和非精矿带分割点位置刚好为均值曲线的波谷位置，因此只要找到波峰位置即为精矿带分界位置。步骤2、建立bp神经网络，将精矿带面积和颜色差异因子作为bp神经网络的输入，精矿厚度作为输出，经过样本集训练后，得到精矿带厚度软测量模型；在该步骤中，所建立的bp神经网络的输入层有2个神经元，输出层有1个神经元，隐层的个数为7；如图2所示为本发明实施例所提供精矿带厚度软测量模型构建示意图，图中：输入层的2个神经元为精矿带面积和颜色差异因子，精矿厚度为输出层，隐层的个数为7个。通过该bp神经网络，将精矿带预测厚度与真实厚度的误差进行逆向传播，并在误差传播过程中不断进行调整，直到bp神经网络的精矿带预测厚度输出值与实际样本输出值之间的误差小于预设值时停止训练；再将要预测的新信息输入训练好的网络，得到选矿摇床精矿带厚度的预测值。步骤3、根据所得到的矿带的界区来确定接矿板位置、摇床坡度和冲洗水量的调控优先级；这里，首先根据所得到的矿带的界区确定次精矿带宽度w的正常范围为[m，n]；当实际宽度值w＞n时，调节摇床坡度；当实际宽度值m≤w≤n时，调节接矿板位置；当实际宽度值w＜m时，则调节冲洗水量。具体实现中，当精矿带偏离规定正常范围时，系统会自动报警，发出专家知识规则库进行匹配、分析和决策，最终输出调整变量的类型和调节幅度。步骤4、再建立选矿摇床接矿板位置的模糊控制器，该控制器的输入变量为精矿带厚度偏差和偏差变化率，输出为接矿板的偏移比例(即次精矿带占比)，实现对接矿板位置的自动调节。该步骤中，所述精矿带厚度偏差为当前精矿带厚度减去正常厚度值；所述偏差变化率为当前厚度偏差值减去临近时刻厚度偏差值。具体实现中，利用该模糊控制器对接矿板位置进行自动调节的过程为：该模糊控制器的输入为误差e和误差变化率ec，输出为控制量u，其基本论域分别为[emin，emax]，[ecmin，ecmax]，[umin，umax]。对应的语言变量e、ec和u的论域为{-6,-5,…,-1,0,1,…,5,6}，e、ec和u都选7个语言值{nb，nm，ns，z，ps，pm，pb}。模糊语言负大负中负小零正小正中正大符号nbnmnszpspmpb各语言值的隶属函数采用三角函数，其分布可用表1表示：表1语言变量e、ec和u的隶属度-6-5-4-3-2-10123456nb10.500000000000nm00.510.5000000000ns0000.510.50000000z000000.510.500000ps00000000.510.5000pm0000000000.510.50pb000000000000.51然后建立控制规则表，具体如下表2所示：表2模糊控制规则表举例来说，1)当精矿带厚度偏差为负大(nb)，偏差变化率也为负大(nb)时，接矿板的偏移比为负大(nb)；2)当精矿带厚度偏差为负大(nb)，偏差变化率也为负大(nm)时，接矿板的偏移比为负大(nb)；……依次类推，共有49条控制规则。然后通过计算机的模糊矩阵计算，生成计算查询表。再进行输入输出的转换：针对输入转换，假如实际的输入变量精矿带厚度为x，其变化范围是[a,b],采用线性变化，则转换后的值为x0，定义为表3输入量化等级表针对输出转换，经过查询表3可以得到1个清晰值。清晰值后，还需要经过尺度变换将其变为实际控制量，输出变量u论域的变换范围是[-6,6],若实际量的变换范围是[a,b]，采用线性变换，则有则最后u0即为所解值，即接矿板的偏移比例。值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。当前第1页12