[发明专利]一种磨矿粒度的在线鲁棒正则软测量模型的建立方法

说明书

本发明公开一种磨矿粒度的在线鲁棒正则软测量模型的建立方法，包括以下步骤：S1，在磨矿过程变量中，选取与磨矿粒度相关性最高的五个过程变量作为输入变量，对磨矿粒度进行建模估计；S2，初始化在线鲁棒正则随机向量功能链接网络结构与参数，并建立引入L₂‑岭回归的正则化随机向量功能链接网络模型，计算样本初始残差；S3，在鲁棒建模初始学习阶段，根据样本的初始残差由基于IGG法的M估计的权函数计算出每一个样本参与建模时的权重大小，并更新网络模型的初始输出权重；S4，在在线估计与鲁棒建模在线学习阶段，利用网络模型，根据实时采集的磨矿过程数据在线估计当前时刻的磨矿粒度，并引入输出权重偏移约束，自适应更新随机向量功能链接网络参数。

技术领域

本发明涉及数据驱动建模技术领域，特别涉及一种磨矿粒度的在线鲁棒正则软测量模型的建立方法。

背景技术

磨矿过程是矿石选矿过程中最为关键的工序，起着承上启下的重要作用。磨矿过程主要就是将矿石原料粉碎到合适的粒度尺寸，从而能够将有用矿物与脉石单体解离，或者将不同有用矿物相互解离，为后续选别作业提供原料。其中磨矿粒度是磨矿工艺中表征生产产品质量的关键运行指标。尺寸合适的磨矿粒度不仅可以实现有用矿物的单体解离，而且可以保证所得磨矿产品具有较高的金属回收率与精矿品位。因此在磨矿过程中，实现磨矿粒度的实时检测具有重要的实际意义。

将磨矿粒度控制在目标值或目标值范围内是磨矿过程运行优化与控制的目标之一。在实际的磨矿过程中，通常采用人工化验的方式对磨矿粒度进行检测。但是人工化验的周期较长(通常2小时左右)，无法用于磨矿粒度的闭环优化控制与在线优化。目前磨矿粒度的在线检测方法主要分为两类。一类是采用在线粒度检测仪对磨矿粒度进行实时检测。但是对于复杂难选的赤铁矿，其强磁性颗粒在矿浆中通常存在“磁团聚”现象，因此采用在线粒度检测仪往往不能得到准确的估计；而且在线粒度检测仪造价昂贵，容易堵塞，现场维护的工作量很大。另一类是采用软测量的估计方法，软测量模型主要包括机理模型与数据驱动模型。其中机理建模方法均是在忽略或假设一些重要的物理变化后建立的，通常会引入较大建模误差，因此多采用数据驱动的方法建立磨矿粒度软测量模型，从而对磨矿粒度进行在线估计。

现有的数据驱动磨矿粒度软测量模型主要有基于案例推理的模型(参见发明专利：基于案例推理的磨矿系统溢流粒度指标软测量方法，专利号：ZL:200410021565.4)、基于传统人工神经网络的模型(参见发明专利：球磨机磨矿系统溢流粒度指标软测量方法，专利号：ZL:03133951.4)，以及两者的结合模型(参见发明专利：湿式磨矿过程溢流粒度指标混合智能软测量方法，专利号：ZL:201010609735.6)。基于案例推理的模型实现简单且具有较好的自学习能力，但是逼近非线性函数能力有限，对于运行工况复杂多变的一些磨矿过程，往往会造成测量误差，且模型外推能力弱。而基于传统人工神网络的模型虽然可以逼近任意非线性函数，但是模型相对复杂，训练速度慢，且估计精度容易遭受离群点的影响。两者的结合模型在估计精度上有所提高，但仍难以克服两者本身固有缺点。因此，基于以上软测量方法建立的模型可信度不高，难以满足实际磨矿过程对于估计准确性与实时性的需求。

发明内容

本发明为解决目前的模型可信度不高，难以满足实际磨矿过程对于估计准确性与实时性的需求的技术问题，提出一种磨矿粒度的在线鲁棒正则软测量模型的建立方法，并用磨矿过程数据加以验证。所建立的模型结构简单、训练速度快，根据该模型进行磨矿粒度的在线估计，精度高，实时性好。

为达到上述目的，本发明提出了一种磨矿粒度的在线鲁棒正则软测量模型的建立方法，包括以下步骤：