一种应用于半自磨机的自学习控制方法及装置制造方法及图纸

本发明专利技术公开了应用于半自磨机的自学习控制方法，包括如下步骤：S1：获取半自磨机的工艺参数集以及相对应的运行状态数据，对工艺参数集通过归一化处理得到多维数据集合；S2：结合半自磨机运行状态所采取的控制策略对多维数据集合，基于模糊C

【技术实现步骤摘要】
一种应用于半自磨机的自学习控制方法及装置


[0001]本专利技术属于矿工智能控制领域，尤其涉及一种应用于半自磨机的自学习控制方法及装置。

技术介绍

[0002]基于的控制算法，代表着常规控制算法与专家经验的有机结合，适用于一些单独用常规控制算法难于控制或控制效果不好的被控对象，形成先进控制、智能控制，包括对生产过程或机械设备的控制，而专家经验提取为表示又很困难，形成专家库更是热点。研究人员们一直寻找自学习、自组织库的方法，特别是现在技术更新飞速的时期，智能控制、工业大数据分析的研究，深度学习、数据挖掘已成为人工智能和机器学习领域的热点，无监督特征学习更是展现出强大的潜力，利用多维结构来挖掘多维结构及其隐含特征，可以获取知识的不同表达形式，获取隐藏在数据信息中的规律，提取具有专家属性的经验知识，表示为有效，形成控制库，获得更有效、更好地控制效果，带来相应的经济效益。
[0003]例如，磨矿是在选矿厂甄选优质矿石的关键一步，半自磨机是SABC流程的重要组成，半自磨机具备变量多、非线性、耦合性强、滞后性大、时变性等特点，传统的控制方法难以获得好的效果，现有技术中实现自动控制更是难上加难。
[0004]现有技术中，很多矿厂都是通过常规PID调节来实现控制，给矿量调节通过PID自动调节重板频率，实现给矿量最佳。通过半自动磨机的给水流量计检测到的水量，PID会自动调节给水阀的开度，从而调节磨矿的浓度。在重板上粗粒级不同的矿石对重板频率数据会造成一定的影响，通过调节控制输出频率来对矿石粒度进行筛分。然而实际中，缺少具有比拟专家经验的控制库以适应工况的不同变化实施控制优化。
[0005]因此，亟需一种自动控制方法，将采集的半自磨机工艺参数集进行处理，以现场高级技术工人经验作对比，找出半自磨机工作时的功率、磨音、轴压、磨矿浓度、给矿量等之间的关系，使其自学习形成一控制库，代替人工控制使半自磨机以最优的运行状态运作，以此提高选矿厂经济效益，提高企业收益，推动矿山产业的技术改造。

技术实现思路

[0006]本专利技术的技术目的是提供一种应用于半自磨机的自学习控制方法及装置，以实现自主控制半自磨机设备，使其处于最优工作状态的技术效果。
[0007]为解决上述问题，本专利技术的技术方案为：
[0008]一种应用于半自磨机的自学习控制方法，包括如下步骤：
[0009]S1：获取半自磨机的工艺参数集以及相对应的运行状态数据，对工艺参数集通过归一化处理，并结合相对应的运行状态数据得到多维数据集合；
[0010]S2：结合对多维数据集合，基于模糊C-均值聚类算法进行处理，得到多维数据集合的多分类中心；
[0011]S3：对多分类中心进行优化筛选，去除多分类中心的冗余，构建得到半自磨机的控
制库；
[0012]S4：通过控制库实时为半自磨机提供当前运行参数，以实现半自磨机的工艺参数控制，其中，实时获取半自磨机的当前运行状态，将当前运行状态与控制库相匹配，控制库获取当前运行参数并更新至半自磨机，通过更新当前运行参数实时控制半自磨机的工艺参数。
[0013]进一步优选地，步骤S4还包括：对控制库的更新，其中，根据当前运行状态对应的运行结果，配置修改控制智库中的权值进行修改，从而更新控制库。
[0014]其中，在步骤S1中，对工艺参数集通过归一化处理具体为：将工艺参数集转换为0至1的无量纲值，计算公式如下，
[0015][0016]其中，X
′
为归一化后的数值，X为工艺参数集的数据，X
max
为工艺参数集中的最大值，X
min
为工艺参数集的最小值。
[0017]具体地，在步骤S2中，模糊C-均值聚类算法的计算公式为均值聚类算法的计算公式为其中，x
j
为样本空间,j＝(1,2,
……
，N)，w
i
为聚类中心，i＝(1，2，
……
，C)，μ
ji
为所述样本空间x
j
对所述聚类中心w
i
的隶属度，其中，i＝1，2，
……
C；j＝1,2,
……
，N；且m为模糊指数，m∈(1，∞)；
[0018]进一步优选地，步骤S2还包括：对模糊C-均值聚类算法进行修正，将样本空间x
j
用数据集合形式实现扩展，其中，l为工艺参数集的参数种类个数，使得模糊C-均值聚类算法能实施多维数据处理，用多维数据集合有效区分多层次关系的多分类中心，即聚类中心
[0019]其中，在步骤S4中，当前运行参数包括：半自磨机的给矿量、给水量和重板频率。
[0020]一种应用于半自磨机的自学习控制装置，包括：
[0021]数据提取模块，用于获取半自磨机的工艺参数集以及相对应的运行状态数据，对工艺参数集通过归一化处理，并结合相对应的运行状态数据得到多维数据集合；
[0022]数据处理模块，用于结合半自磨机运行状态所采取的控制策略对多维数据集合，基于模糊C-均值聚类算法进行处理，得到多维数据集合的多分类中心；
[0023]数据优化模块，用于对多分类中心进行优化筛选，去除多分类中心的冗余，构建得到半自磨机的控制库；
[0024]工艺控制模块，用于通过控制库实时为半自磨机提供当前运行参数，以实现半自磨机的工艺参数控制，其中，实时获取半自磨机的当前运行状态，将当前运行状态与控制库相匹配，获取当前运行参数并更新至半自磨机，通过更新当前运行参数实时控制半自磨机的工艺参数。
[0025]进一步优选地，还包括修正模块，用于对模糊C-均值聚类算法进行修正，使得模糊C-均值聚类算法能实施多维数据处理，有效区分多层次关系的多分类中心。
[0026]本专利技术由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
[0027]本专利技术基于自学习控制，研究半自磨机设备运行参数对载荷颗粒运动形态的影响，确立他们之间的有效关系。结合半自磨机运行状态所采取的控制策略作对比，找出半自磨机工作时的功率、磨音、轴压、磨矿浓度、给矿量等数据之间的关系，实现自学习操作控制，形成控制库，代替人工控制，减少人工劳动力，做到实时优化半自磨机设备的工作状态，以获取最大经济效益。
[0028]此外，本专利技术中的库能够实现自我更新优化，以适配不同的半自磨机，以达到不同型号、大小半自磨机的最大利用率，且受对外部因素影像小，稳定性高的技术效果。
附图说明
[0029]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。
[0030]图1为本专利技术的一种应用于半自磨机的自学习控制方法流程示意图；
[0031]图2为本专利技术的一种应用于半自磨机的自学习控制方法框架示意图；
[0032]图3为本专利技术的一种应用于半自磨机的自学习控制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于半自磨机的自学习控制方法，其特征在于，包括如下步骤：S1：获取所述半自磨机的工艺参数集以及相对应的运行状态数据，对所述工艺参数集通过归一化处理，并结合相对应的所述运行状态数据得到多维数据集合；S2：结合所述半自磨机运行状态所采取的控制策略对所述多维数据集合，基于模糊C-均值聚类算法进行处理，得到所述多维数据集合的多分类中心；S3：对所述多分类中心进行优化筛选，去除所述多分类中心的冗余，构建得到所述半自磨机的控制库；S4：通过所述控制库实时为所述半自磨机提供当前运行参数，以实现所述半自磨机的工艺参数控制，其中，实时获取所述半自磨机的当前运行状态，将所述当前运行状态与所述控制库相匹配，控制库获取当前运行参数并更新至所述半自磨机，通过更新所述当前运行参数实时控制所述半自磨机的工艺参数。2.根据权利要求1所述的应用于半自磨机的自学习控制方法，其特征在于，所述步骤S4还包括：对所述控制库的更新，其中，根据所述当前运行状态对应的运行结果，配置修改所述控制智库中的权值进行修改，从而更新所述控制库。3.根据权利要求1所述的应用于半自磨机的自学习控制方法，其特征在于，在所述步骤S1中，所述对所述工艺参数集通过归一化处理具体为：将所述工艺参数集转换为0至1的无量纲值，计算公式如下，其中，X
′
为归一化后的数值，X为所述工艺参数集的数据，X
max
为所述工艺参数集中的最大值，X
min
为所述工艺参数集的最小值。4.根据权利要求1所述的应用于半自磨机的自学习控制方法，其特征在于，在所述步骤S2中，所述模糊C-均值聚类算法的计算公式为J
m
＝其中，x
j
为样本空间,j＝(1,2,
……
，N)，w
i
为聚类中心，i＝(1，2，
……
，C)，μ
ji
为所述样...

【专利技术属性】
技术研发人员：王贵成，杨雨泽，冯闯，张敏，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：