一种球磨过程的物料粒径分布预测方法技术

本发明专利技术提供一种球磨过程的物料粒径分布预测方法，包括：基于物料的破碎分布函数、连续破碎速率函数以及停留时间分布函数，获得连续磨矿的物料粒径分布预测模型；基于所述物料粒径分布预测函数，获得预测的物料粒径分布与实际的物料粒径分布之间的预测误差；以及设置调整阈值和多个误差区间，基于一定时间内所述预测误差出现在不同误差区间的概率与调整阈值的关系，相应调整所述预测模型。本发明专利技术为指导球磨生产、实现球磨过程优化控制与节能降耗创造条件。

Material particle size distribution prediction method in ball milling process

The invention provides a prediction method, size distribution of a ball milling process of material particle distribution function, including: breaking the continuous material breakage rate and residence time distribution function based on continuous grinding particle size distribution model; the particle size distribution prediction function based on prediction of the particle size and distribution the actual particle size distribution between the prediction error; and setting threshold and multiple error interval, the time prediction errors in the probability of different error interval and adjust the threshold based on the adjustment of the corresponding prediction model. The invention creates conditions for guiding ball milling production, realizing optimization control of ball milling process and saving energy and reducing consumption.

【技术实现步骤摘要】
一种球磨过程的物料粒径分布预测方法
本专利技术涉及球磨物料分析
，更具体地，涉及球磨过程的物料粒径分布预测方法。
技术介绍
球磨过程是选矿工艺中的一个重要环节，其通过球磨机将矿物研磨至作业要求的粒级，以便于浮选，从而更多的得到精矿。在球磨过程中，过磨会造成球磨机本身的电耗和钢耗，还将增加分级机的功耗；欠磨也会造成能量消耗，还无法满足后续生产要求。为此，优化球磨过程的操作，将矿物研磨至作业要求的粒径且保持稳定，对于提高浮选效率和资源综合利用率，实现节能降耗具有重要意义。磨矿产品粒径分布是指导球磨优化生产的重要信息，但难以在线检测，为此大量的研究学者建立各种模型用于实现球磨产品粒径分布的预测。以铝土矿球磨过程为例，其为我国首创的铝土矿选矿拜耳法氧化铝生产的第一个工序。为了更好地优化该球磨过程，有学者建立基于总体平衡模型建立了其磨矿产品的粒径分布预测模型。但国内矿石来源复杂，且过程动态特性复杂多变、具有时变性，预测模型若不能在线修正，则无法长期保证其预测精度。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的球磨过程的物料粒径分布预测方法。根据本专利技术的一个方面，提供一种球磨过程的物料粒径分布预测方法，包括：S1、基于物料的破碎分布函数、连续破碎速率函数以及停留时间分布函数，获得连续磨矿的物料粒径分布的预测模型；S2、基于所述预测模型，获得预测的物料粒径分布与实际的物料粒径分布之间的预测误差；以及S3、设置调整阈值以及多个误差区间，基于一定时间内所述预测误差出现在不同误差区间的概率与调整阈值的关系，相应调整所述预测模型。本申请提出了一种球磨过程的物料粒径分布预测方法，根据破碎分布函数、连续破碎速率函数以及停留时间分布函数，获得物料粒径分布预测模型，建立连续磨矿物料的粒径分布预测模型，根据一段时间内预测误差的统计结果，对模型中连续破碎速率函数、破碎分布函数以及停留时间分布函数的相关参数进行多尺度修正，以保证产品粒径分布预测的长期可靠性和精确性，为指导球磨生产、实现球磨过程优化控制与节能降耗创造条件。附图说明图1为根据本专利技术实施例的球磨过程的物料粒径分布预测方法的流程图；图2为根据本专利技术实施例的可学习神经网络的结构示意图图；图3为根据本专利技术实施例的参数a的预测结果和修正结果的对比示意图；图4为根据本专利技术实施例的参数μ的预测结果和修正结果的对比示意图；图5为根据本专利技术实施例的可学习神经网络中隐含层神经元的内部结构示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。针对现有技术中对球磨物料的粒径分布预测不足，并且不能对预测结果进行在线纠正的缺点，本专利技术提出了一种球磨物料的粒径分布预测方法。图1示出了本专利技术实施例的球磨过程的物料粒径分布预测方法的流程示意图，如图可知，包括：S1、基于物料的破碎分布函数、连续破碎速率函数以及停留时间分布函数，获得连续磨矿的物料粒径分布的预测模型；S2、基于所述预测模型，获得预测的物料粒径分布与实际的物料粒径分布之间的预测误差；以及S3、设置调整阈值以及多个误差区间，基于一定时间内所述预测误差出现在不同误差区间的概率与调整阈值的关系，相应调整所述预测模型。在一个实施例中，所述破碎分布函数用于描述物料经一次破碎后，其碎屑的粒径分布，用bij表示，其具体意义是第j粒级的物料经一次破碎后的产品进入第i粒级的质量分数，i＞j，则第i粒级比第j粒级细，其中，bij的计算公式为：bij＝Bi-1,j-Bi,j公式中Bij表示第j粒级物料破碎后，小于第i粒级上限的物料的质量分数，所述Bij的计算公式为：其中，b'1，b'2，b'3，b'4为待确定的破碎分布参数，基于分批磨矿实验数据，通过分批磨矿模型的里德解优化反算得到破碎分布参数；x1，xi，xj分别表示第1，i，j粒级物料的直径；n表示第n个粒级。在一个实施例中，通过分批磨矿模型的里德解优化反算得到破碎分布参数具体包括以下步骤：根据一阶破碎动力学公式，得到可实际应用的分批磨矿产品粒径的里德解：其中，当t＝0时，wi(0)代表分批磨矿的初始加料(即入料)中第i粒级物料质量分数，当t为其他值时，wi(t)是经过t分钟磨矿作用后的第i粒级物料质量分数，σik为分批磨矿的递推参数，Si和Sj分别为分批磨矿的第i和j粒级物料的破碎速率。为了确定破碎分布函数，本专利技术进一步定义了优化反算目标函数：其中，wim(i)表示第m次实验的磨矿产品中第i粒级物料的实测质量分数，表示第m次实验的磨矿产品中第i粒级物料的模型预测值。在分批磨矿实验中，记录磨矿时间t和wi(t)，根据磨矿时间t以及wi(t)，获得分批破碎速率函数S'i：其中，α表示破碎速率参数、Λ表示粒径破碎变化参数、a表示工况决定参数、μ表示物料分布决定参数。按经验给定初始的b'1，b'2，b'3，b'4，寻优使得Er最小的b'1，b'2，b'3，b'4，得到所述Bij，进而确定破碎分布函数bij。在一个实施例中，所述连续破碎速率函数的计算公式为：其中，xi表示第i粒级物料的粒径，x0表示入料的粒径；是第i粒级物料经t分钟研磨后的破碎速率和前一个磨矿时间点破碎速率的比值，可由分批磨矿实验结果计算得到；α表示破碎速率参数、Λ表示粒径破碎变化参数、a表示工况决定参数、μ表示物料分布决定参数。α、Λ、a以及μ均可根据分批实验数据反算得到。在物料性质不变的情况下，参数α、Λ不会改变，而a、μ受磨矿条件决定的，在分批磨矿时，a、μ由分批磨矿的实验条件确定，若是实际生产(即连续磨矿时)，则a、μ需要根据连续磨矿过程采样数据反算确定。在一个实施例中，图2示出了本专利技术实施例的可学习神经网络的结构示意图，对于根据现场采样数据反算确定的连续破碎速率函数S的参数a、μ，对应工况参数，所述工况参数包括：磨机电流、入磨机水流量、原矿下料量、矿浆流量以及下料粒径分布参数，建立工况参数和连续破碎速率函数中的参数a和μ间的可学习神经网络。在一个实施例中，建立可学习神经网络包括以下步骤：根据分批磨矿的工况参数反算连续破碎速率S模型的参数a、μ；将分批磨矿的工况参数与所述初始的工况决定参数和物料分布决定参数作为建模样本，建立可学习神经网络；工况参数包括：磨机电流，入磨水流量，磨矿下料量，矿浆流量，下料粒级分布参数；选定隐含层神经元个数和激励函数种类；将连续破碎速率S模型的参数a、μ作为输出神经元；以及用极限学习机训练该可学习神经网络。可学习神经网络，其神经元函数是任意线性无关的基函数簇的线性组合，每个神经元输入都是上一层神经元输出所有的线性累加和，每个神经元输出都是下一层神经元的输入。在一个实施例中，将连续磨矿过程分解成N次时间相同、物料量不同的分批磨矿过程，建立物料在磨机内的停留时间分布函数E(t)：式中，Γ(N)是伽马函数，t是物料研磨时间，τ是物料平均停留时间，可根据生产过程数据计算得到。在一个实施例中，连续磨矿过程的产品粒径分布预测模型的计算公式为：其中，pi和fi分别代表磨机排矿、入料中第i粒级物料的质量分数，dij表示一个下三角矩阵，代表球磨机模型，0＜dij＜1。所述球磨机模型dij的计算公式为：式中，vj表示停留时间为本文档来自技高网...

【技术保护点】
一种球磨过程的物料粒径分布预测方法，其特征在于，包括：S1、基于物料的破碎分布函数、连续破碎速率函数以及停留时间分布函数，获得连续磨矿的物料粒径分布的预测模型；S2、基于所述预测模型，获得预测的物料粒径分布与实际的物料粒径分布之间的预测误差；以及S3、设置调整阈值以及多个误差区间，基于一定时间内所述预测误差出现在不同误差区间的概率与调整阈值的关系，相应调整所述预测模型。

【技术特征摘要】
1.一种球磨过程的物料粒径分布预测方法，其特征在于，包括：S1、基于物料的破碎分布函数、连续破碎速率函数以及停留时间分布函数，获得连续磨矿的物料粒径分布的预测模型；S2、基于所述预测模型，获得预测的物料粒径分布与实际的物料粒径分布之间的预测误差；以及S3、设置调整阈值以及多个误差区间，基于一定时间内所述预测误差出现在不同误差区间的概率与调整阈值的关系，相应调整所述预测模型。2.如权利要求1所述的方法，其特征在于，所述步骤S1之前还包括：基于第1粒级物料和其他任意两个粒级物料的粒径以及破碎分布参数，获得任意两个粒级物料的所述破碎分布函数；基于任意一个粒级物料的粒径、物料的入料粒径、该粒级物料在某时刻以及前一时刻的破碎速率的比值、破碎速率参数、粒径破碎变化参数、工况决定参数以及物料分布决定参数，获得所述连续破碎速率函数；以及基于伽马函数、球磨时间以及物料平均停留时间，获得物料在球磨时间内的停留时间分布函数。3.如权利要求1所述的方法，其特征在于，所述步骤S2之前还包括：基于所述预测模型，获得磨机出口每一粒级物料的预测的质量分数；基于磨机出口每一粒级物料的预测的质量分数和实际的质量分数以及总粒级数，获得均方根误差；以及基于所述均方根误差，识别所述预测模型满足精度要求。4.如权利要求2所述的方法，其特征在于，获得所述工况决定参数和物料分布决定参数的方法为：根据分批磨矿的工况参数反算，获得初始的工况决定参数和物料分布决定参数；将所述分批磨矿的工况参数与所述初始的工况决定参数和物料分布决定参数作为建模样本，建立可学习神经网络；设置所述可学习神经网络的隐含层神经元个数和激励函数种类；以及将所述工况参数输入至所述可学习神经网络，获得所述可学习神经网络输出的所述工况决定参数和物料分布决定参数。5.如权利要求4所述的方法，其特征在于，所述步骤S3包括：S3.1、设置调整误差阈值为P0以及三个依次增大的误差阈值ε0，ε1，ε2，在一段连续时间内统计预测模型误差...

【专利技术属性】
技术研发人员：王雅琳，杨少明，孙备，张鹏程，彭凯，王晓丽，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43