一种磨矿系统溢流粒度指标软测量方法技术方案

本发明专利技术提供一种磨矿系统溢流粒度指标软测量方法，涉及磨矿系统自动化测量技术领域。该方法包括辅助变量的选择、训练数据的取得、改进正交增量型随机权神经网络软测量模型的学习和使用三个步骤，该方法利用常规计算机控制系统和常规的检测仪表提供的在线过程数据，通过少量的人工采样，建立了基于I‑OI‑RVFLNs的磨矿系统溢流粒度软测量模型，实现了磨矿系统螺旋分级机溢流粒度的软测量。本发明专利技术的方法模型结构简单，训练速度快，预测精度高，具有很强的泛化能力，在实际应用中，能够根据过程的实时数据估计出磨矿粒度值，而且相对误差较小、可信度高，是具有很高使用价值、低成本的粒度计量手段。

A Soft Sensing Method for Overflow Particle Size Index of Grinding System

The invention provides a soft measurement method for overflow grain size index of grinding system, which relates to the technical field of automatic measurement of grinding system. The method consists of three steps: selection of auxiliary variables, acquisition of training data, improvement of learning and application of orthogonal incremental stochastic weighted neural network soft sensor model. By using on-line process data provided by conventional computer control system and conventional measuring instruments, and through a small amount of manual sampling, a soft sensor model for overflow particle size of grinding system based on I_OI_RVFLNs is established. The soft measurement of overflow size of screw classifier in grinding system is realized. The method has the advantages of simple structure, fast training speed, high prediction accuracy and strong generalization ability. In practical application, the grinding particle size value can be estimated based on real-time data of the process, and the relative error is small and the reliability is high. It is a particle size measurement method with high use value and low cost.

【技术实现步骤摘要】
一种磨矿系统溢流粒度指标软测量方法
本专利技术涉及磨矿系统自动化测量
，尤其涉及一种磨矿系统溢流粒度指标软测量方法。
技术介绍
在选矿行业中，由球磨机和螺旋分级机组成的湿式磨矿系统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产生不利影响，因此螺旋分级机溢流粒度(也称磨矿粒度、溢流粒度)是衡量磨矿系统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准确客观及时的测量结果，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，所以也难以实现真正意义上的粒度在线测量。因此，为实现磨矿粒度的在线测量，最有效方法是建立准确、可靠的粒度软测量模型。基于案例推理(Case-BasedReasoning，CBR)的磨矿粒度软测量方法(基于案例推理的磨矿过程溢流粒度指标软测量方法，专利号为ZL200410021565.4)在实际应用过程中，具有实现简单，易于维护，自学习能力较好，适合工况缓慢变化的工业对象等特点。但由于磨矿过程具有时变，多工况性，而CBR模型逼近非线性函数的能力有限，因此基于CBR的粒度软测量模型难以满足实际生产过程的要求。基于神经网络(NeuralNetwork，NN)的磨矿粒度软测量方法(球磨机磨矿过程溢流粒度指标软测量方法，专利号为ZL03133951.4)，由于NN具有能够以任意精度逼近连续函数的特性，特别适用于处理多因素、不精确的复杂信息，因此该方法很适合应用于磨矿系统的建模预测。但采用反向传播(BackPropagation，BP)等传统神经网络建立的磨矿粒度软测量模型通常存在训练时间长，收敛速度慢，易陷入局部极小值等问题，而且网络中的隐层节点数难以选择，模型易出现“过拟合”现象，因此难以满足实际生产和和过程控制与优化的要求。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种磨矿系统溢流粒度指标软测量方法，是对选矿厂磨矿工段中用于研磨矿石的由球磨机和螺旋分级机组成的湿式磨矿系统的最终产品——螺旋分级机溢流粒度指标进行软测量的方法，通过常规在线测量仪表提供的辅助变量的测量参数，给出当前的螺旋分级机溢流粒度的估计值，为磨矿生产过程的优化操作和优化运行提供关键指标。为解决上述技术问题，本专利技术所采取的技术方案是：一种磨矿系统溢流粒度指标软测量方法，包括以下步骤：步骤1：选择磨矿粒度软测量的辅助变量，包括：新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO、球磨机功率或电流PB、螺旋分级机功率或电流PL、时间变量TV；其中，时间变量是从最近一次加球时刻开始计算，用于表征球磨机磨矿介质数量的影响；步骤2：获取训练数据；设定独立变量：新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO的不同设定值的组合，形成下面的设定值集合：SSet＝{[WG，t，LG，t，DO，t]|t＝1，…，k}其中，k为该集合内的元素数量，每个元素包含一个[WG，t，LG，t，DO，t]的三元组；将该设定值集合的每一个元素依次施加于磨矿系统上，每加一次元素[WG，t，LG，t，DO，t]之后待磨矿系统进入稳态，在螺旋分级机溢流处由人工采集样本，送实验室测量样本的粒度数值FO，t，同时记录采样时刻TV，t作为本次采样的时间变量，并同时记录球磨机功率或电流PB，t、螺旋分级机功率或电流PL，t；待本次采样及记录完成后，对磨矿系统施加下一个元素；由此，得到如下的数据集合，即成为软测量样本数据的训练集：{[WG，t，LG，t，DO，t，PB，t，PL，t，TV，t]|t＝1，…，k}→{[FO，t]|t＝1，…，k}其中，→符号左边的变量为磨矿粒度软测量模型的输入变量，即辅助变量，→符号右边的变量为磨矿粒度软测量模型进行训练学习的导师信号，即磨矿粒度值；步骤3：改进正交增量型随机权神经网络(简称I-OI-RVFLNS)软测量模型的训练学习和使用，包括训练方法和测量方法，其流程具体为：步骤3.1：进行所有变量的初始化；步骤3.2：判断本次运行选择的为I-OI-RVFLNS软测量模型训练还是磨矿粒度指标软测量，如果本次运行为训练过程，则转至步骤3.3；如果神经网络已经训练好，本次运行过程为测量当前状态下的溢流浓度指标，则转至步骤3.8；步骤3.3：从数据库中读取模型训练所需数据集D＝{(xi，yi)|xi∈Rn；yi＝R；i＝1，…，N}，进行模型学习初始化；其中，N是样本集合(xi，yi)的个数，N≥L，L是改进正交增量型随机权神经网络中固定的隐含层节点数目，xi为输入数据集，yi为输出数据集，n为输入数据的维数；步骤3.4：对训练数据进行归一化处理，并输入I-OI-RVFLNS软测量模型；步骤3.5：模型相关待定参数确定；I-OI-RVFLNS模型需要预先设定的待定参数包括：激活函数类型G、网络中固定的隐含层节点数目L、最大迭代次数Mmax、均方根误差的设定值e0、相邻两次迭代的均方根误差差值的设定值ε0、正数γ＝10-6，其中Mmax＞L；步骤3.6：I-OI-RVFLNS模型初始化训练及模型参数确定；基于模型训练样本集以及预先设定的模型相关待定参数，进行模型的学习和训练，具体包括两个阶段，初始化阶段和增量学习阶段；在初始化阶段，进行赋初值，网络中没有隐含层节点，即当前隐含层节点数j＝0，当前迭代次数M＝0，将残差初值设定为训练数据的输出E＝Y，Y＝[y1，y2，…，yN]∈R；在增量学习阶段，当当前迭代次数M小于最大迭代次数Mmax，即M＜Mmax，当前输出指标的均方根误差eM大于均方根误差的设定值e0，即eM＞e0，并且当前相邻两次迭代的均方根误差差值εM大于相邻两次迭代的均方根误差差值的设定值ε0，即εM＞ε0时，逐一增加当前隐含层节点数j和当前迭代次数M，即令j＝j+1，M＝M+1；随后在概率空间Sn(Ω，α)范围中随机为新增隐含层节点的输入权值wj和偏置bj赋值，并按下述公式计算新增的隐含层节点经正交后的输出向量Vj：其中，Hj为新增隐含层节点的输出向量；新增隐含层节点的输出权重βj为：其中，Ej-1为新增隐含层节点加入前的残差；βj′为隐含层节点j的原始输出权值；Δβj为隐含层节点j的输出权值修正量，新增隐含层节点加入后的残差Ej更新为：当实际迭代次数M大于最大迭代次数Mmax或输出指标的均方根误差小于设定值e0或输出指标的相邻两次迭代的均方根误差差值小于设定值ε0时，训练过程结束；步骤3.7：引入均方根误差RMSE作为建模误差，评估建模效果，均方根误差RMSE为：如果建模误差符合实际工况标准，则保存I-OI-RVFLNS软测量模型，作为溢流粒度指标预报模型，该模型为若建模误差不符合预定标准，则继续训练，转至步骤3.5；步骤3.8：读取I-OI-RVFLNS模型：调出步骤3.7训练好的本文档来自技高网...

【技术保护点】
1.一种磨矿系统溢流粒度指标软测量方法，其特征在于：包括以下步骤：步骤1：选择磨矿粒度软测量的辅助变量，包括：新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO、球磨机功率或电流PB、螺旋分级机功率或电流PL、时间变量TV；其中，时间变量是从最近一次加球时刻开始计算，用于表征球磨机磨矿介质数量的影响；步骤2：获取训练数据；设定独立变量：新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO的不同设定值的组合，形成下面的设定值集合：SSet＝{[WG，t，LG，t，DO，t]|t＝1，…，k}其中，k为该集合内的元素数量，每个元素包含一个[WG，t，LG，t，DO，t]的三元组；将该设定值集合的每一个元素依次施加于磨矿系统上，每加一次元素[WG，t，LG，t，DO，t]之后待磨矿系统进入稳态，在螺旋分级机溢流处由人工采集样本，送实验室测量样本的粒度数值FO，t，同时记录采样时刻TV，t作为本次采样的时间变量，并同时记录球磨机功率或电流PB，t、螺旋分级机功率或电流PL，t；待本次采样及记录完成后，对磨矿系统施加下一个元素；由此，得到如下的数据集合，即成为软测量样本数据的训练集：{[WG，t，LG，t，DO，t，PB，t，PL，t，TV，t]|t＝1，…，k}→{[FO，t]|t＝1，…，k}其中，→符号左边的变量为磨矿粒度软测量模型的输入变量，即辅助变量，→符号右边的变量为磨矿粒度软测量模型进行训练学习的导师信号，即磨矿粒度值；步骤3：改进正交增量型随机权神经网络(简称I‑OI‑RVFLNS)软测量模型的训练学习和使用，包括训练方法和测量方法，其流程具体为：步骤3.1：进行所有变量的初始化；步骤3.2：判断本次运行选择的为I‑OI‑RVFLNS软测量模型训练还是磨矿粒度指标软测量，如果本次运行为训练过程，则转至步骤3.3；如果神经网络已经训练好，本次运行过程为测量当前状态下的溢流浓度指标，则转至步骤3.8；步骤3.3：从数据库中读取模型训练所需数据集D＝{(xi，yi)|xi∈Rn；yi＝R；i＝1，…，N}，进行模型学习初始化；其中，N是样本集合(xi，yi)的个数，N≥L，L是改进正交增量型随机权神经网络中固定的隐含层节点数目，xi为输入数据集，yi为输出数据集，n为输入数据的维数；步骤3.4：对训练数据进行归一化处理，并输入I‑OI‑RVFLNS软测量模型；步骤3.5：模型相关待定参数确定；I‑OI‑RVFLNS模型需要预先设定的待定参数包括：激活函数类型G、网络中固定的隐含层节点数目L、最大迭代次数Mmax、均方根误差的设定值e0、相邻两次迭代的均方根误差差值的设定值ε0、正数γ＝10‑6，其中Mmax＞L；步骤3.6：I‑OI‑RVFLNS模型初始化训练及模型参数确定；基于模型训练样本集以及预先设定的模型相关待定参数，进行模型的学习和训练，具体包括两个阶段，初始化阶段和增量学习阶段；在初始化阶段，进行赋初值，网络中没有隐含层节点，即当前隐含层节点数j＝0，当前迭代次数M＝0，将残差初值设定为训练数据的输出E＝Y，Y＝[y1，y2，…，yN]∈R；在增量学习阶段，当当前迭代次数M小于最大迭代次数Mmax，即M＜Mmax，当前输出指标的均方根误差eM大于均方根误差的设定值e0，即eM＞e0，并且当前相邻两次迭代的均方根误差差值εM大于相邻两次迭代的均方根误差差值的设定值ε0，即εM＞ε0时，逐一增加当前隐含层节点数j和当前迭代次数M，即令j＝j+1，M＝M+1；随后在概率空间Sn(Ω，α)范围中随机为新增隐含层节点的输入权值wj和偏置bj赋值，并按相应的公式计算新增的隐含层节点经正交后的输出向量Vj、新增隐含层节点的输出权重βj以及新增隐含层节点加入后的残差Ej；当实际迭代次数M大于最大迭代次数Mmax或输出指标的均方根误差小于设定值e0或输出指标的相邻两次迭代的均方根误差差值小于设定值ε0时，训练过程结束；步骤3.7：引入均方根误差RMSE作为建模误差，评估建模效果，均方根误差RMSE为：...

【技术特征摘要】
1.一种磨矿系统溢流粒度指标软测量方法，其特征在于：包括以下步骤：步骤1：选择磨矿粒度软测量的辅助变量，包括：新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO、球磨机功率或电流PB、螺旋分级机功率或电流PL、时间变量TV；其中，时间变量是从最近一次加球时刻开始计算，用于表征球磨机磨矿介质数量的影响；步骤2：获取训练数据；设定独立变量：新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO的不同设定值的组合，形成下面的设定值集合：SSet＝{[WG，t，LG，t，DO，t]|t＝1，…，k}其中，k为该集合内的元素数量，每个元素包含一个[WG，t，LG，t，DO，t]的三元组；将该设定值集合的每一个元素依次施加于磨矿系统上，每加一次元素[WG，t，LG，t，DO，t]之后待磨矿系统进入稳态，在螺旋分级机溢流处由人工采集样本，送实验室测量样本的粒度数值FO，t，同时记录采样时刻TV，t作为本次采样的时间变量，并同时记录球磨机功率或电流PB，t、螺旋分级机功率或电流PL，t；待本次采样及记录完成后，对磨矿系统施加下一个元素；由此，得到如下的数据集合，即成为软测量样本数据的训练集：{[WG，t，LG，t，DO，t，PB，t，PL，t，TV，t]|t＝1，…，k}→{[FO，t]|t＝1，…，k}其中，→符号左边的变量为磨矿粒度软测量模型的输入变量，即辅助变量，→符号右边的变量为磨矿粒度软测量模型进行训练学习的导师信号，即磨矿粒度值；步骤3：改进正交增量型随机权神经网络(简称I-OI-RVFLNS)软测量模型的训练学习和使用，包括训练方法和测量方法，其流程具体为：步骤3.1：进行所有变量的初始化；步骤3.2：判断本次运行选择的为I-OI-RVFLNS软测量模型训练还是磨矿粒度指标软测量，如果本次运行为训练过程，则转至步骤3.3；如果神经网络已经训练好，本次运行过程为测量当前状态下的溢流浓度指标，则转至步骤3.8；步骤3.3：从数据库中读取模型训练所需数据集D＝{(xi，yi)|xi∈Rn；yi＝R；i＝1，…，N}，进行模型学习初始化；其中，N是样本集合(xi，yi)的个数，N≥L，L是改进正交增量型随机权神经网络中固定的隐含层节点数目，xi为输入数据集，yi为输出数据集，n为输入数据的维数；步骤3.4：对训练数据进行归一化处理，并输入I-OI-RVFLNS软测量模型；步骤3.5：模型相关待定参数确定；I-OI-RVFLNS模型需要预先设定的待定参数包括：激活函数类型G、网络中固定的隐含层节点数目L、最大迭代次数Mmax、均方根误差的设定值e0、相邻两次迭代的均方根误差差值的设定值ε0、正数γ＝10-6，其中Mmax＞L；步骤3.6：I-OI-RVFLNS模型初始化训练及模型参数确定；基于模型训练样本集以及预先设定的模型相关待定参数，进行模型的学习和训练，具体包括两个阶段，初始化阶段和增量学习阶段；在初始化阶段，进行赋初值，网络中没有隐含层节点，即当前隐含层节点数j＝0，当前迭代次数M＝0，将残差初值设定为训练数据的输出E＝Y，Y＝[y1，y2，…，yN]∈R；在增量学习阶段，当当前迭代次数M小于最大迭代次数Mmax，即M＜Mmax，当前输出指标的均方根误差eM大于均方根误差的设定值e0，即eM＞e0，并且当前相邻两次迭代的均方根误差差值εM大于相邻两次迭代的均方根误差差值的设定值ε0，即εM＞ε0时，逐一增加当前隐含层节点数j和当前迭代次数M，即令j＝j+1，M＝M+1；随后在概率空间Sn(Ω，α)范围中随机为新增隐含层节点的输入权值wj和偏置bj赋值，并按相应的公式计算新增的隐含层节点经正交后的输出向量Vj、新增隐含层节点的输出权重βj以及新增隐含层节点加入后的残差Ej；当实际迭代次数M大于最大迭代次数Mmax或输出指标的均方根误差小于设定值e0或输出指标的相邻两次迭代的均方根误差差值小于设定值ε0时，训练过程结束；步骤3.7：引入均方根误差RMS...

【专利技术属性】
技术研发人员：周平，姜乐，易诚明，温亮，余刚，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21