共查询到20条相似文献,搜索用时 171 毫秒
1.
磨矿分级过程计算机控制系统 总被引:1,自引:0,他引:1
磨矿分级工序是选矿生产的关键环节。文章简要介绍了磨矿分级工艺,设计了磨矿分级过程计算机控制系统,实现了磨矿分级的浓度和流量自动控制,并给出了控制系统的硬件和软件设计。 相似文献
2.
3.
高丽梅 《电子制作.电脑维护与应用》2014,(24)
作为选矿厂的关键作业环节,磨矿过程会消耗大量的金属材料和动力,可以有效提高磨矿作业指标,还能对选矿作业进行改善,成为未来选矿技术的主要发展趋势。本文基于我国当前磨矿工艺发展状况,主要对磨矿过程综合自动化系统结构及应用功能进行分析,探究了磨矿过程综合自动化系统应用控制策略,以期提高磨矿过程产品的合格率,进一步提升选矿厂的生产效率,降低能源消耗。 相似文献
4.
基于PLC的磨矿分级监控系统设计 总被引:1,自引:0,他引:1
磨矿分级工序是选矿生产的关键环节,将自动化技术、计算机技术和网络通信技术应用于磨矿过程的自动控制,可提高磨矿效率、节能降耗;论文简要介绍了磨矿分级工艺及系统控制要求,设计了基于西门子S7-300 PLC的磨矿分级过程监控系统,讨论了系统结构、PLC硬件配置、软件设计,并利用WINCC设计了上位机监控界面,实现了磨矿分级的自动控制和远程监控;实际运行结果表明,该系统调节速度快、稳定可靠,实现了管控一体化,提高了磨矿分级的产品质量和企业的经济效益。 相似文献
5.
6.
磨矿分级作业是选矿生产过程中至关重要的环节,磨矿粒度的好坏直接影响到浮选的精矿品位和回收率;通过分析实际磨矿过程的生产状况和基本的生产数据,磨矿粒度存在在线检测成本高、滞后时间长、实现困难等问题;在分析RBF神经网络结构特点的基础上,提出用RBF网络建立磨矿粒度预测模型,网络中心的选取采用可以在线学习的最近邻聚类算法;仿真结果表明,该网络非线性处理能力和逼近能力强,学习时间短,网络运算速度快,模型精度满足工艺要求。 相似文献
7.
以东源县深坑选矿磨矿生产过程为背景,针对矿山铁选矿系统,首先介绍了整体控制方案,然后分步介绍了磨矿过程中主要参数的控制方法.采用这种方式后,可以大大提高生产过程的自动化水平,并且达到提高产品品质,提高回收率和台时处理量,降低能耗的目的. 相似文献
8.
磨矿是降低矿物粒度的工业过程,产品粒度是磨矿过程的关键质量指标. 由于磨矿粒度难以在线检测且磨矿生产过程具有综合复杂特性,难以采用传统控制方法实现磨矿粒度的控制. 因此,建立磨矿粒度和关键工艺参数的动态模型对于磨矿运行控制和优化具有重要意义. 采用总量平衡原理获得磨矿粒度的微分方程模型多数情况下无法获得解析解. 而基于Monte Carlo (MC)方法的磨矿粒度模型能够精确模拟磨矿粒度分布的动态变化,但是其仿真效率低难以实用. 本文针对这一问题提出一种新的MC仿真方法: 在定总量方法的基础上引入新的颗粒移除机制,在移除过程中动态地分配各个粒级颗粒数目并保持破裂前后各个粒级颗粒所占总颗粒数的百分比不变,避免颗粒移除过程中由于粒级差异导致的抽样误差,且避免MC仿真速度随着仿真推进下降的问题. 仿真实验验证表明,本方法能够在保证一定精度前提下显著提高磨矿粒度MC仿真的计算速度. 最后,通过一个实例介绍了本文仿真模型在磨矿优化控制中的应用. 相似文献
9.
10.
磨矿分级作业是选矿生产中的重要环节,磨矿粒度的好坏直接影响浮选的精矿品位和尾矿回收率;在实际生产中粒度的测量有在线粒度分析仪,但存在成本高、维修率高,离线实验室化验又有时间延迟大的问题;对实际磨矿分级作业过程进行了分析,提出用径向基函数(RBF)神经网络建立磨矿粒度软测量模型,采用正交最小二乘法(OLS)算法对网络进行训练学习,泛化校验;仿真结果表明,在较少训练数据下该网络非线性处理能力和逼近能力依然很强,学习时间短,模型基本符合要求;通过OPC技术将Matlab与PKS控制系统相结合,实现实时软测量磨矿粒度。 相似文献
11.
12.
冶金磨矿是典型的高能耗、低效率过程,其控制与优化不仅仅是使常规过程控制系统尽可能好地跟踪期望设定值,而且要控制整个过程运行,实现表征磨矿整体运行性能的磨矿粒度与生产效率等运行指标的优化.针对我国广泛使用的赤铁矿两阶段全闭路磨矿,由于其原矿石性质与成份复杂且不稳定、粒级波动大,磨矿运行指标不能在线测量,工况时变,难以建立过程数学模型,提出基于数据与知识的智能运行反馈控制方法,包括基于案例推理的控制回路预设定、磨矿粒度动态神经网络软测量以及多变量模糊动态调节器.为了验证所提方法的有效性,将所题方法应用于中国某大型赤铁矿选厂,取得显著应用成效. 相似文献
13.
Ping Zhou Tianyou Chai Hong Wang 《Automation Science and Engineering, IEEE Transactions on》2009,6(4):730-743
During the operation of a grinding circuit (GC) in mineral processing plant the main purpose of control and optimal operation is to control the product quality index, namely the product particle size, into its technically desired ranges. Moreover, the grinding production rate needs to be maximized. However, due to the complex dynamic characteristics between the above two indices and the control loops, such control objectives are difficult to achieve using existing control methods. The complexity is reflected by the existence of process heavy nonlinearities, strong coupling and large time variations. As a result, the lower level loop control with human supervision is still widely used in practice. However, since the setpoints to the involved control loops cannot be accurately adjusted under the variations of the boundary conditions, the manual setpoints control cannot ensure that the actual production indices meet with technical requirements all the time. In this paper, an intelligent optimal-setting control (IOSC) approach is developed for a typical two-stage GC so as to optimize the production indices by auto-adjusting on line the setpoints of the control loops in response to the changes in boundary conditions. This IOSC approach integrates case-based reasoning (CBR) pre-setting controlling, neural network (NN)-based soft-sensor and fuzzy adjusting into one efficient control model. Although each control element is well known, their innovative combination can generate better and more reliable performance. Both industrial experiments and applications show the validity and effectiveness of the proposed IOSC approach and its bright application foreground in industrial processes with similar features. 相似文献
14.
15.
16.
17.
18.
19.