振动给料机恒定给矿控制系统设计及应用

针对于一些选矿厂矿石粒级分布不均匀,含水量波动较大,多振动给料机给矿反馈大时滞以及时滞不稳定的问题,设计开发基于大间隔采样积分控制及模糊PID恒定给矿控制系统,实现磨机给矿量的恒定控制。系统运行可靠,抗干扰能力强,提高了设备的自动化水平和磨机的生产效率。     

基于专家PID的锂云母浮选系统液位控制方法

现有锂云母浮选系统的浮选设备由于容积小,缓冲能力有限,若使用常规PID控制易造成浮选液面大幅震荡,导致生产操作过程中各作业产率波动较大,对浮选产品品质的稳定造成了极大影响。此外,由于作业设备之间缺乏联动,整个浮选流程抵御来矿扰动能力差,作业重新恢复稳定所需人工调节时间较长。由于现有技术方案均过分依赖人工手动经验操作,多以经验调节为主,易造成经济损失。针对设备特点,设计一种基于专家PID和协同控制策略的锂云母浮选系统液位控制方法,能够解决现有采用常规PID控制造成浮选液面大幅震荡,采用人工手动经验操作控制稳定性差等问题。     

25000t/d钼矿石项目选矿自动化系统应用

某选矿厂日处理25 000 t钼矿石,设计年产钼精矿17 000 t。通过过程检测仪表、调节装置、DCS集中控制系统、视频监控、电子信息技术和设备,实现对选矿过程生产设备和运行参数进行实时监测和控制,建设一个高度集约化的选矿综合自动化系统,提高集成质量、管理效率,降低运营成本。从粗碎、磨矿、浮选、尾矿、精矿脱水、高位水池等几个方面的控制进行阐述,以及DCS系统建设架构及功能进行说明,为同类矿山自动化建设提供参考依据。     

基于模糊规则与CBR的磨矿专家控制方法

为了解决磨矿过程这一典型的复杂工业过程的优化控制问题,基于某选矿厂的两段全闭路磨矿流程展开研究,提出了基于模糊规则和案例推理相结合的磨矿专家系统控制方法,解决了实际应用中案例检索相似度较低,无法求解的问题。同时,为了进一步提高模型的准确性,解决由于检索到的案例与当前工况之间的差异导致的案例解之间存在差别的问题,采用RBF神经网络方法建立了增量补偿模型对检索到的案例解进行补偿。并最终将这一方法应用到实际生产中,实现了实际磨矿过程中生产关键控制参数的实时优化。     

半自磨动态多目标优化控制方法研究

摘要：随着设备和工艺的不断创新进步，半自磨流程的优化控制面临更大的挑战，而且随着近年来绿色矿山的推进，生产能耗目标要求越来越严格，半自磨优化控制需要同时考虑多个目标，本文在现场原有的控制系统上，针对半自磨流程多目标优化控制问题展开研究，同时考虑了处理量和能耗两个目标，实现在磨矿产品质量合格的情况下，最大化处理量，能耗最合理。     

尾矿浓密优化控制技术研究及应用

某选矿厂浓密机控制主要采用人工手动控制,且浓密机生产过程的参数未知,流程上游波动大,浓密机底流浓度和絮凝剂添加控制不稳定,严重影响了浓缩效果和产品质量。同时,浓密机生产过程工艺机理复杂,浓密机的给矿性质波动频繁具有大滞后、非线性的特点,常规的控制方法难以达到良好的控制效果,从沉降原理分析,建立浓度软测量模型,基于专家系统实现优化设定,并设计开发尾矿浓密优化控制系统,实现浓密机工作状态识别与浓密机底流浓度控制,实现絮凝剂自动添加。     

基于机器视觉的矿石块度智能识别及应用

给矿粒度特性以及矿石可磨性对半自磨过程的影响远大于常规碎磨流程,通过对给矿皮带上矿石图像进行矿石粒度特性分析,可从给矿源头上实现矿石块度实时检测。基于多尺度的矿石图像分析系统,实时采集半自磨给矿矿石图像,通过图像处理技术,实现矿石块度有效分割以及粒级统计,为半自磨给矿矿石块度控制提供数据支撑。     

磨矿专家系统在某钽铌锂选矿厂的研究及应用（增刊）

随着近些年来智能制造概念的兴起,生产制造企业加大了数字化、信息化、智能化的转型升级,根据 “数字化矿山、智能工厂”的整体发展战略的需求,为实现某钽铌锂矿磨矿过程的自动化和智能化改造,结合生产实际,针对磨矿过程设备特点,分析生产数据和操作经验,设计开发一套磨矿专家系统,以磨矿整体平衡模型为指导,实现磨矿负荷和磨矿浓度优化,以及排矿浓度的优化控制,实现生产工艺参数的自适应调整,提高整个生产过程的稳定性。     

磨矿过程动态多目标优化方法研究及应用

磨矿过程是选前准备最后一道工序,其目的是使矿石中的有用矿物和脉石矿物或不同的有用矿物实现单体解离或者使物料的粒度满足选别作业的要求。磨矿过程的主要控制目标保证磨矿产物浓度、粒度合格,满足下一段磨矿或选别作业对此段磨矿粒度的要求,在此基础上尽可能提升处理量;同时也要保证设备安全及能耗合理。所以,磨矿过程优化控制是一个典型的多目标优化问题,针对磨矿生产过程存在多个目标问题进行研究,提出一种基于参考向量的磨矿过程动态多目标进化优化方法,首先,采用经验知识的专家系统作为参考向量,嵌入到NSGA-Ⅱ算法上,实现优化决策。然后,针对磨矿过程特点,建立生产指标正常的经验数学模型,解决目标函数难以建立的问题。针对周期改变或随机变化的实际生产工况,设计面向工艺的环境观测器,能够及时发现当前环境的变化,并合理给出新环境下磨矿过程的优化决策,实现磨矿过程多目标优化,即在磨矿产品合格前提下最大化处理量、能耗最合理。最后,设计开发控制器,在某半自磨磨矿过程成功应用,实现了磨矿产品指标的稳定、处理量的稳定以及磨矿电单耗的降低。     

基于改进狮群算法和BP神经网络模型的磨矿浓度预测

针对当前选矿生产过程中磨矿参数难以实时测量,导致的无法对磨矿流程控制进行有效实时优化的问题,提出了一种基于改进狮群算法和BP神经网络的磨矿浓度预测方法。传统的狮群算法(Lion Swarm Optimization, LSO)存在容易陷入局部最优解和局部搜索能力弱的问题,通过改变狮王更新方式的同时加入衰减因子,来提升全局搜索能力,避免陷入局部最优解,对于母狮和学习狮的更新方式引入了动态学习策略,来优化局部搜索能力,并在仿真测试中验证了改进算法的优越性。同时利用改进的算法代替BP神经网络中的梯度下降法,来搜索最优的权值和阈值,提升BP神经网络收敛速度和收敛精度。试验结果表明,改进狮群算法优化的BP神经网络(Improved Lion Swarm Optimization-BP,ILSO-BP)在此预测问题上有更好的效果。