基于MFOA优化BP神经网络的磨矿粒度软测量

针对磨矿过程中磨矿粒度难以在线实时检测的问题,提出了一种基于混沌粒子群(CPSO)改进果蝇算法(FOA)优化BP神经网络的方法,建立了磨矿粒度软测量模型。利用混沌搜索的遍历性和对初值的敏感性来提高FOA初始种群的多样性;为了减少适应度函数值更新过程中的盲目搜索,引入了粒子群算法(PSO)。然后利用改进后果蝇优化算法(MFOA)良好的全局寻优能力,自适应地调整BP神经网络的权值和阈值,提高了BP网络的收敛性能和测量精度。选取球磨机给矿量、给水量、磨机电流、分级机溢流浓度和螺旋分级机电流为辅助变量,构建MFOA-BP磨矿粒度软测量模型。研究表明,所构建的MFOA-BP模型鲁棒性强、测量精度较高。     

BPSM-I型在线粒度分析仪的研究与应用

选矿生产过程中,磨矿粒度是影响选矿技术经济指标的重要参数。针对磨矿系统矿浆粒度检测难度大、测量精度低的问题,本研究突破了传统的测量理念,根据接触式直接测量磨矿粒度原理和采用数理统计方法开发研制出BPSM-I型在线粒度分析仪。它的测量范围广、精度高、稳定性好,是目前国内磨矿控制中较为理想的磨矿粒度检测仪表。     

BPSM-Ⅰ型在线粒度分析仪的研究与应用

选矿生产过程中,磨矿粒度是影响选矿技术经济指标的重要参数.针对磨矿系统矿浆粒度检测难度大、测量精度低的问题,本研究突破了传统的测量理念,根据接触式直接测量磨矿粒度原理和采用数理统计方法开发研制出BPSM-Ⅰ型在线粒度分析仪.它的测量范围广、精度高、稳定性好,是目前国内磨矿控制中较为理想的磨矿粒度检测仪表.     

BPSM-III型在线粒度分析仪在辽宁排山楼金矿的应用

辽宁排山楼黄金矿业有限责任公司为了实时监测磨矿粒度,为磨矿优化控制提供准确的数据,引入了北京矿冶科技集团有限公司设计的BPSM-III型在线粒度分析仪。本文主要介绍BPSM-III型粒度分析仪的组成、特点及应用情况,通过对比粒度仪测量数据和人工测量数据,证明粒度仪测量数据准确,满足生产要求。且粒度仪投入使用后,极大的提高了磨矿效率,为公司带来了明显的经济效益。     

基于案例推理软测量的磨矿分级过程先进控制

针对磨矿分级过程中磨矿粒度难以在线检测和直接闭环控制的难题,采用案例推理技术建立了磨矿粒度的在线软测量模型,并在此基础上设计了对磨矿粒度进行闭环控制的先进推断控制系统。该先进控制系统能够根据磨矿分级作业的运行工况对底层PID控制器的设定值进行自动调节,然后通过PID控制回路对调整后的设定值进行跟踪,从而实现对磨矿粒度的闭环控制。在某选矿厂的工业应用表明,该先进控制系统能够对磨矿粒度进行较好的在线估计和控制。     

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POS-BP的磨矿过程磨机负荷智能分析方法研究

主要针对有色金属行业选矿厂的磨矿过程半自磨机、球磨机等磨矿设备的负荷进行分析,利用OPC技术,通过计算机实现对磨矿过程的实时工艺数据的采集、处理、分析存储,利用POS-BP算法构建磨机功率软测量模型,从而实现对磨机功率的在线预测分析,之后结合案例分析技术,实现对磨机负荷的智能在线分析,能够有效地减少磨机涨肚次数,提高磨机处理量以及磨矿粒度合格率,降低衬板和钢球损耗,并且预测值可以为磨矿过程的优化控制、专家控制等先进控制提供有效的参数依据,从多方面提高磨矿过程乃至整个选矿过程的运行效率,从根本上提高矿山企业经济效益。     

磨矿分级过程模糊控制研究与仿真

选矿厂的磨矿分级系统具有大惯性、纯时滞长、非线性强及时变性等特点,应用传统自动控制方法较难使磨矿分级产品达到工艺要求。针对此问题,哈尔滨工业大学相关课题组提出了不依赖控制对象数学模型,仅使用生产数据进行建模的一阶TSK(Tagaki-Sugeno-Kang)模糊控制方法。该方法通过专家经验分析磨矿分级过程中各变量的耦合及影响关系,确定磨矿过程中需要控制的控制量,再利用大量的测量数据计算得到模糊规则库,规则库对论域范围内的输入值进行计算,并得到模糊输出值,即模糊控制器。此方法可以通过修改模糊规则数量来改变控制精度,实现对磨矿分级过程的高效控制。     

用激光连续测量和控制磨矿粒度

激光技术在选矿工业中应用磨矿粒度的连续测量和控制,在七十年代初就已开始研究。到1975年世界上制成了第一台激光粒度仪。并在选矿厂的实际磨矿分级作业中进行了现厂试验。据报导,试验结果不仅在技术上完全达到了连续测量和控制磨矿粒度的目的,而且在经济上也取得了很好的效果。     

基于PLS的磨矿粒度实时在线测量方法

磨矿粒度对指导生产具有重要意义,但粒度分析仪测量周期较长且不可避免地需要维修,为确保实时获得准确有效的粒度在线检测值,本文研究了一种硬件仪表与预测模型相结合的粒度实时在线测量方式。即,在粒度分析仪的基础上采用PLS算法建立粒度的预测模型,并采用RPLS算法进行模型更新。通过预测结果与仪表测量值的对比分析,实现仪表的故障诊断,及时发现硬件仪表的故障并通知操作员进行检修。更重要的是,在仪表进行检修期间,模型的预测结果可代替仪表,为操作人员提供参考,从而实现了真正的实时在线测量,为磨矿过程的优化控制提供了有利条件。     

BPSM-III型粒度仪多模型建模在山东黄金某选矿厂的应用（增刊）

选矿流程中最重要的影响因素之一是磨矿的粒度。BPSM-III型在线粒度分析仪是由北京矿冶研究总院自主研发的基于直接接触式测量原理的粒度仪,由于采用直接接触式测量原理存在的局限性,导致在矿浆粒度及性质发生较大变化时,采用单一模型较难实现2%的模型精度。本文在山东黄金某选矿厂应用的BPSM-III型粒度仪上采用多模型进行建模,从而保证了粒度的测量精度,使得粒度仪可以更好的指导磨浮生产。     

基于神经网络质量模型的磨矿过程智能控制

通过分析实际磨矿过程的生产状况和基本生产数据,建立在磨矿过程中结合比值调节控制前水和给矿量,运用专家 系统对给矿量进行优化控制和基于神经网络质量模型的智能控制方法。实际仿真研究表明,该方法能够提高生产效率,解决磨矿 过程中有一定难度的溢流浓度和分级粒度控制问题。     

BPSM-Ⅲ型粒度仪多模型建模在山东黄金某选矿厂的应用

选矿流程中最重要的影响因素之一是磨矿的粒度。BPSM-Ⅲ型在线粒度分析仪是由北京矿冶研究总院自主研发的基于直接接触式测量原理的粒度测量仪器,由于采用直接接触式测量原理存在的局限性,导致在矿浆粒度及性质发生较大变化时,采用单一模型较难实现2%的模型精度。本文在山东黄金某选矿厂应用的BPSM-Ⅲ型粒度仪上采用多模型进行建模,从而保证了粒度的测量精度,使得粒度仪可以更好的指导磨浮生产。     

基于多神经网络的磨矿粒度软测量模型

讨论了多神经网络的建模思路及其实现,针对某选矿厂实际一段磨矿分级过程建立了相应的多神经网络粒度软测量模型,并进行了仿真试验。结果表明,模型具有较高的精度,能成功地对磨矿产品粒度进行估计。     

多模态来压预测数学模型的设计

为了减少矿井深部巷道顶板事故,对矿井深部开采中煤层巷道的动压规律,采用一种基于EEMD-SVMDS-ARIMA的多模态软测量的来压预测方法进行了预测研究。首先利用聚合经验模态分解(EEMD)方法对非线性、非平稳来压监测信号进行模态分解得到多个模态函数序列(IFM);第二运用支持向量机(SVM)方法对各IFM分量进行训练,重构得到各样本输出函数;第三用证据理论(DS)合成规则得到多个证据概率分配函数,将其作为权值因子对子函数的输出进行融合得到多函数的输出;最后应用单整自回归移动平均(ARIMA)模型对合成序列进行动态校正。实际应用表明,多模态软测量的来压预测模型能提高顶板压力的的预测能力,反映动压大变形规律的变化,捕捉顶板灾害的预兆信息,满足安全生产的需求。     

批次球磨产品的粒度分布预测

预测磨矿产品粒度分布一直是磨矿动力学的重要方向。从Herbst-Fuerstenau方程出发,构建基于磨矿中能量输入的总量平衡模型。在批次球磨机上做若干单粒级的间隔磨矿试验,反算其碎磨动力学参数(碎裂速度与碎裂分布),之后用Austin等人提出的拟合方法,求得全部粒级的碎磨动力学参数并代入总量平衡模型,得到磨矿产品粒度分布预测模型,之后用模型进行预测,并进行试验验证,发现预测值与观测值吻合,表明模型可用。     

基于案例推理的磨矿过程粒度设定方法研究

磨矿过程特性复杂,传统建模方法难以对磨矿粒度进行优化设定。提出采用案例推理方法对磨矿粒度进行优化设定,避免了难以对磨矿过程建立精确数学模型的问题;并应用到酒钢选矿厂磨矿流程中,粒度设定值与实测值对比结果表明,该方法效果较好。     

总体平衡模型在塔磨机超细磨中的应用

现存矿体中的矿物浸染粒度变得越来越细且难以选别，致使人们日益重视在初次磨矿和再磨回路中使金属矿石的磨矿粒度为－20μm占80％以上。然而，超细磨过程成本较高，对其行为特性及工艺设计准则也了解甚少。本文叙述的某些发现来自于合作研究的结果，其目的之一是更好地了解超细磨回路并改善其行为特性，利用总体平衡模型CSIRO和JKMRC评价并分析工业型塔磨机磨矿回路测量数据。两个模型对给矿粒度分布、球负荷及给矿速度的变化情况的评价结果与测量数据相拟合。通过培磨机扩大试验与工业试验结果的对比，阐述了按比例扩大方法的理论，该理论表明，在设计磨机时可以利用两个模型预测参数变化的效果。     

粒度特性方程式的应用

粒度特性方程式是用数学方法,处理碎矿和磨矿产物的粒度分析资料,得出的描述粒度分布规律的数学表达式。它不但概括了繁琐的粒度分析数据,而且能把粒度分析资料直接和其他物理量相联系,以便探索碎矿和磨矿过程的规律,指导生产实践。半个世纪以来,国内外很多学者在这方面作了大量的研究,找到了许多种粒度特性方程式,并成功地用它们解决了碎矿和磨矿作业中     

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。