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

技术编号:12196717 阅读:151 留言:0更新日期:2015-10-14 04:08
本发明专利技术公开了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,采用基于软计算的模糊模型构建方法对磨矿浓度和溢流浓度进行在线预测估计,预测模型中的特征变量集是在对现场记录数据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基础上建立,模糊化方案是在对现场记录数据使用基于有效信息比率的模糊化方案构建方法的基础上构建,预测规则通过对现场数据进行模糊预测规则提取后获得。本发明专利技术所提方法避免了模糊建模传统方法的主观性和局限性,能够为选矿厂磨矿过程关键参数的检测提供稳定、可靠的预测结果,为磨矿过程的优化控制及过程监控奠定基础。

【技术实现步骤摘要】
基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法
本专利技术属于矿浆浓度检测
,涉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。
技术介绍
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制,对其仍旧采用人工控制的手段,所以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。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/自磨泵池旋流分级系统,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。国内有部分选矿厂采用过程仪表,以硬件形式实现磨矿过程中矿浆浓度的直接检测,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;浓度壶秤重法,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,且存在核辐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,这类方法成本投资大,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以及分级机不停进行搅拌提升,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。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、溢流浓度与这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,并以设备简单、检测快速得以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,并以此构建基于神经网络的磨矿矿浆浓度预测模型,但这类方法由于神经网络模型隐层基函数中心选取的随机性,以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棒性,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,这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。而且对于这种多维模糊模型,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。为解决这些问题,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、模糊化方案以及规则集。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。
技术实现思路
本专利技术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。这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。为了实现上述目的,本专利技术采用以下技术方案予以实现: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,以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、模糊化方案以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,具体包括以下步骤:1)根据人工操作状态下现场记录的给矿量M、返砂水量Wrs、排矿水量Wca、电耳电流Iee、磨机电流Im及分级机电流Ic组成预选属性集,以磨矿浓度Cg和溢流浓度Cof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%的低浓度以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;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;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;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;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-THEN规则的两预测模型的模糊预测规则,如下:Rl:Ifx1isAndx2isAnd...Andxm′isThenyisoryisor...oryis其中,x=(x1,x2,…,xm′)T和y分别表示模糊系统输入和输出对应的语言变量;和分别表示定义在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:...
基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法

【技术保护点】
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,其特征在于,以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、模糊化方案以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,具体包括以下步骤:1)根据人工操作状态下现场记录的给矿量M、返砂水量Wrs、排矿水量Wca、电耳电流Iee、磨机电流Im及分级机电流Ic组成预选属性集,以磨矿浓度Cg和溢流浓度Cof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%的低浓度以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;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;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;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;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‑THEN规则的两预测模型的模糊预测规则,如下:Rl:Ifx1isA1lAndx2isA2lAnd...Andxm′isAm′lThenyisB1loryisB2lor...oryisBsl,]]>其中,x=(x1,x2,…,xm′)T和y分别表示模糊系统输入和输出对应的语言变量;和分别表示定义在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:μB′(y)=maxl=1u′[supx∈U(μA′(x)Πi=1m′μAil(xi)μBl(y))]]]>其中,Plj为规则Rl后件为的条件概率;对于某输入实值点选择单值模糊器将实值点映射为论域上的模糊单值A′,其隶属度函数为:而后选择中心平均解模糊器,对于由u′条模糊IF‑THEN规则组成的模糊规则库,该模糊系统实值输出y*如下:y*=Σl=1u′y‾l(Πi=1m′μAil(xi*))Σl=1u′(Πi=1m′μAil(xi*))]]>为模糊规则Rl后件Bl的中心;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。...

【技术特征摘要】
1.一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,其特征在于,以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、模糊化方案以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,具体包括以下步骤:1)根据人工操作状态下现场记录的给矿量M、返砂水量Wrs、排矿水量Wca、电耳电流Iee、磨机电流Im及分级机电流Ic组成预选属性集,以磨矿浓度Cg和溢流浓度Cof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%的低浓度以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;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;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;基于有效信息比率的模糊化方案构建方法,包括以下步骤:3-1)将某特征数据库中连续属性组成m为连续属性的数量;对于磨矿浓度特征数据库,该特征数据库包括5个维,分别是:给矿量M、返砂水量Wrs、电耳电流Iee、磨机电流Im和磨矿浓度Cg;F={M,Iee,Im,Wrs},C={Cg};3-2)设某连续条件属性a∈F的值域Va=[la,ra],以数据库中对象在a上的所有取值组成集合Va,并对Va进行升序排序,分别以b0和标示Va上的最小值和最大值,nc表示当前划分区间数量;3-3)计算Va中两两元素间的中点值,组成断点候选集CPc;初始化断点集当前划分区间数量nc=1,全局最大EIRDC值globaleirdc=0,划分区间数量na=1;3-4)根据以下公式,计算将断点候选集CPc中某一断点元素加入至断点集CP后,当前断点集CP对应的基于有效信息比率的划分量度EIRDC值;其中,CP进行升序排序,则当前划分区间数量nc=nc+1;其中其中,对所得划分点集合进行升序排序,以相邻两个划分点作为区间端点,能够获得一系列离散划分区间;最初划分区间是以最小划分点及其相邻划分点为端点的区间;最终划分区间是以最大划分点及其相邻划分点为端点的区间;式中,maxi表示对象根据其在属性a上取值划归到CP中区间(bi-1,bi]上所对不同决策类标上的最大数量;q+i表示对象根据其在属性a上的取值而划归在离散化区间(bi-1,bi]内的总数;EIRCP(pi)则表示断点集CP对应划分区间(bi-1,bi]的有效分类能力,pi表示由区间(bi-1,bi]上不同决策类标对应条件概率组成的集合;表示CP上第i个划分区间(bi-1,bi]上的条件熵;nc表示当前断点集CP对应的划分区间数量;s表示决策属性C上类标的数量;3-5)针对断点候选集CPc中每一断点元素重复步骤3-4),获得一系列断点集及其对应EIRDC值,对上述EIRDC值进行排序,选取具有最大EIRDC值的CPc中断点,将该断点加入CP集,并从CPc集中去除该断点;更新划分区间数量na=nc;3-6)判断当前断点集CP对应的EIRDC值是否大于全局最大EIRDC值globaleirdc且当前断点集CP对应的划分区间数量nc是否小于决策属性C上类标的数量s,如符合上述条件,则重复步骤3-4)~步骤3-6);如不符合上述条件,以当前结果集作为连续条件属性a∈F上划分区间数量为na对应的断点集CP,并跳转至步骤3-7);3-7)针对连续条件属性集F中其他属性,重复步骤3-2)~步骤3-6)的处理过程,获得磨矿浓度特征数据库上每一连续属性相应的断点集;3-8)针对溢流浓度特征数据库,重复步骤3-2)~步骤3-7),获得溢流浓度特征数据库上每一连续属性相应的断点集;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;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-THEN规则的两预测模型的模糊预测规则,如下:其中,x=(x1,x2,…,xm′)T和y分别表示模糊系统输入和输出对应的语言变量;和分别表示定义在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:其中,Plj为规则Rl后件为的条件概率;对于某输入实值点...

【专利技术属性】
技术研发人员:诸文智明正峰汶涛
申请(专利权)人:西安电子科技大学
类型:发明
国别省市:陕西;61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1