[发明专利]一种磨矿系统溢流粒度指标软测量方法

说明书

本发明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。

技术领域

本发明涉及磨矿系统自动化测量技术领域，尤其涉及一种磨矿系统溢流粒度指标软测量方法。

背景技术

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-Based Reasoning，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ZL 200410021565.4)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(Neural Network，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ZL 03133951.4)，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(Back Propagation，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。

发明内容

本发明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，本发明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W_G、球磨机入口补加水流量L_G、螺旋分级机溢流浓度D_O、球磨机功率或电流P_B、螺旋分级机功率或电流P_L、时间变量T_V；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；