浮选机液位在线检测分析与神经网络预测研究

王云峰

（甘肃政法学院 计算机科学学院，甘肃 兰州 730070）

在浮选过程中，浮选槽液位控制是浮选生产中的一个重要环节，控制效果的好坏直接影响到精矿品位和回收率的工艺指标的优劣。目前，随着全球经济发展对矿物原料质量、数量要求的不断增长和矿产资源的品位越来越贫，大型浮选设备在矿物加工领域的作用和重要性日益突出，国内外各研究机构和公司纷纷加强了这方面的开发和研究工作[1-2]，由于浮选过程的复杂性、随机性，且浮选过程的自动控制受浮选数学模型、检测仪表及人员素质条件等的制约，因此其模型和自动控制的研究正在逐步深入，近年来有研究采用智能控制策略或复合控制策略[3]，即将各种控制策略（如专家系统、模糊逻辑控制、神经网络控制、自适应模糊控制、模糊预测控制等等）相互渗透[4-5]的方法，以实现在浮选过程中，根据实际情况调整生产参数，使浮选生产过程保持在最佳状态。

为了进一步提高浮选技术指标，文中采用了BP神经网络与多级回路相结合的方式，提出了一种基于BP神经网络的浮选机液位稳定及液泡厚度的预测模型。预测模型主要以搅拌槽输出的矿浆流量，扫选输入流量，精选尾矿流量等为输入量，以液泡厚度为输出量，网络隐含层单元个数与中心向量采用正交最小二乘法（OLS）。同时，在此基础上在通过Matlab软件来分析液泡厚度情况，并给出了预测及预警信息。保证了在此复杂现场情况下，矿浆液面自动控制系统工作可靠，控制器控制功能强，配置灵活，调节性能良好，在技术上实现了优化浮选产品粒级组成，减少了浮选尾矿污染，使整个浮选回路和过程得到了优化，使金属回收率得到了提高，精矿质量得到了改善。

1 浮选机选矿原理及流量控制回路

在浮选过程中，为了保证精矿品位和回收率工艺指标的品质，必须保证浮选槽液位变化不大，并处于一种比较稳定的泡沫厚度区间内，因此对浮选槽液位控制是浮选生产中非常重要的一个环节，根据工作原理，现有浮选设备可以分为3类，即机械式浮选设备，浮选柱和反应器/分离器式浮选设备。不管是哪种浮选机，浮选机对叶轮-定子结构及槽体形式，槽内流体运动状态，矿浆悬浮状态，矿粒分布情况，泡沫层的稳定性，矿浆液面自动控制系统及充气量自动控制系统等提出了更高的要求，控制效果的好坏直接影响到工艺指标的优劣。其工作原理如图1所示。

图1 浮选槽工作原理Fig.1 Principle of flotation cell

在大型浮选机浮选槽系统中，其流量控制回路的特点是调节量和被调量都是流量。控制大型浮选机浮选槽液位的稳定，是通过调整其出口的阀门的开度大小来控制流量大小以达到浮选槽液位的恒定，而阀门的特性和流体流速有关，并且它们直接影响到控制回路中流量的大小。在浮选过程中，多个浮选槽串连在一起，上一级浮选槽的出口矿浆是下一级浮选槽的入口矿浆。这种串连方式放大了浮选槽间的相互影响、耦合，在调节单个浮选槽液位时，扰动会传递到其下级浮选槽，影响下级浮选质量。为保证在此复杂现场情况下，矿浆液面自动控制系统工作可靠，控制器控制功能强，配置灵活，调节性能良好，采用了BP神经网络与多级回路相结合的方式，这种多浮选槽液位控制方法，有效抑制各槽液位扰动，并根据各段浮选作业的具体要求实时调整各浮选槽液位。具体回路如图2所示。

图2 浮选机选矿回路Fig.2 Circuit of mineral processing

2 预测神经网路的构建及训练

2.1 BP神经网络结构

BP神经网络是将误差进行传递的网络，在传递过程中不断地调整网络直到网络的输出与实际输出之间的误差小于某一值时停止训练。随后根据训练好的网络输入我们要预测的信息，进而得到未来发展趋势的预测结果。

文中采用4层BP网路对各槽液位厚度进行预测。跟据实际的数据，以搅拌槽输出的矿浆流量，扫选输入流量，精选尾矿流量等为输入量，以液泡厚度为输出量。建立神经网络，该网络结构由输入层、模糊化层、模糊推理层及输出层构成[6]。网络输出为。第1层是输入层：第2层是模糊化层：第3层是模糊推理层：第4层是输出层，如图3所示。

2.2 模型辨识及网络训练方法

利用如图4所示结构，利用系统的输入输出数据训练一个神经网络，使神经网络具有与系统相同的输入输出关系。设系统由下列非线性差分方程描述：

图3 BP神经网络结构Fig.3 BP neural network structure

对象在t+1时刻的输出值yp（t+1）取决于过去n个输出值和m个输入值，选择神经网络的输入输出结构与建模对象的输入输出结构相同，记网络的输出为ym，则有：

图4 模型辨识结构图Fig.4 Structure diagram of model identification

自动控制系统为DCS集散控制系统，多浮选槽液位浮选过程属于多耦合、参数时变的非线性控制模型，故采用传统的BP神经网络与先进的模糊控制技术组合形成自适应模糊控制方案实现，由于多浮选槽液位厚度受众多因素的制约，因此在具体实际控制时，采用模糊控制指导PID，利用计算出过程变量的偏差值进行量化（模糊化），通过模糊推理输出PID比例放大系数、积分时间和微分时间的修正。实现了PID控制的自调整作用。

3 仿真研究

对于浮选机液位系统，其输入有搅拌槽输出的矿浆流量，扫选输入流量，精选尾矿流量等为输入量，以液泡厚度为输出量，所以神经网络的设计采用三输入单输出的4层向前网络。输入层为3个神经元，分别是搅拌槽输出的矿浆流量，扫选输入流量，精选尾矿流量；输出层是一个神经元，是下一步预测的液泡厚度。而网络的中间层神经元个数太少会减少模型精确度，太多则会增加网络连接权数目，增加计算量，而且容易出现隐层神经元的冗余现象。

本设计按照建立4个隐层神经元的网络，采用在正常状况下浮选机选矿负荷和液位厚度波动都比较大的一段时间的历史信号对网络进行训练。这样的信号训练出来的网络具有较高的适应区间和精确度。选取搅拌槽输出的矿浆流量，扫选输入流量，精选尾矿流量3个测点在浮选机选矿负荷波动较大的12个小时内的信号作为学习样本，采样时间为2 s，共21 600组训练数据。函数预测如图5所示。

图5 函数预测Fig.5 Function prediction

3个输入分别搅拌槽输出的矿浆流量，扫选输入流量，精选尾矿流量，网络的训练采用Matlab语言编程实现，并用Matlab自带的Trainlm函数进行训练。隐层神经元的输出采用Sigmoid函数。学习速率取Matlab内Trainlm函数的默认值0.02。通过100多次迭代运算，能量函数值达到精度要求，得出网络的全部参数，使用上述权值和阈值参与计算并做出均方误差曲线如图6所示。由图6可知，几组数据的最小均方误差随着时间的增加而减小至一个平滑值，并逼近期望误差，满足设计的要求。

图6 误差曲线Fig.6 Error curve

4 结 论

由于浮选过程比较复杂，除了物理反应外，还包括化学反应。且浮选过程内部机理复杂，内部工况无法直接测量，浮选槽之间的连接也很复杂，能够直接监测的物理量也很少。因此浮选过程是一个难以建立精确数学模型的非线性过程，文中采用4层BP神经网络与模糊理论相结合技术后，能够有效抑制各槽液位扰动，并根据各段浮选作业的具体要求实时调整各浮选槽液位。由于是基于BP神经网络的模糊控制方法，这种控制利用了模糊逻辑，具有较强的结构知识表达能力，所以通过其强大的学习能力与定量数据的直接处理能力，加强了对浮选过程控制系统定性知识的表达与描述能力，在防止浮选短路、提高气体完全分散程度并保证气泡与矿浆均匀混合、加快其浮选工艺的优化进程等方面的研究具有非常重要的意义。同时，通过文中浮选机流程结构，未来研究工作可对矿物进行个性化、差异性处理，不断创新提出不同的选矿流程，对比其在不同选矿流程下工艺指标的品质及回收率的高低，将是一个很重要的研究课题。

[1]王云峰，李战明，袁占亭，等.基于RBF神经网络和RS理论的磨矿分级系统软测量模型[J].江苏大学学报：自然科学版，2011，31（6）:695-699.WANG Yun-feng，LI Zhan-ming，YUAN Zhan-ting，et al.Modeling of soft measurement of grinding and classification system based RBF neural network and RS theory[J].Journal of Jiangsu University:Natrual Science Edition，2011，31 （6）:695-699.

[2]Choi T J， Subrahmanya N， Li H， et al.Generalized practical models of cylindrical plunge grinding processes[J].International Journal of Machine Tools and Manufacture，2008，48（1）:61-72.

[3]Gonzalez G D，Miranda D，Casali A，et al.Detection and identification of ore grindability in a semiautogenous grinding circuit model using wavelet transform variances of measured variables[J].International Journal of Mineral Processing，2008，89（1）:53-59.

[4]Choi T J， Subrahmanya N， Li H， et al.Generalized practical models of cylindrical plunge grinding processes[J].International Journal of Machine Tools and Manufacture，2008，48（1）:61-72.

[5]李广治，柴毅，郭茂耘.基于模糊BP神经网络的网络化病害诊断系统[J].重庆大学学报：自然科学版，2007（10）:23-29.LI Guang-zhi，CHAI Yi，GUO Mao-yun.Intelligent diagnosis system in agriculture based on fuzzy BP ANN[J].Journal of Chongqing University:natural science edition，2007（10）:23-29.

[6]王云峰，李战明，袁占亭，等.RBF神经网络与模糊理论相结合的磨矿分级智能控制方法[J].重庆大学学报：自然科学版，2010，33（3）:124-128.WANG Yun-feng，LI Zhan-ming，YUAN Zhan-ting，et al.Intelligent control of the grinding and classification system based on fuzzy RBF neural network[J].Journal of Chongqing University:natural science edition，2010，33（3）:124-128.