磨矿过程监视与优化软件系统

GE智能平台

引言

现在，矿业公司面对着越来越大的降低成本、增加产量、提升效益的要求。同时，原始矿石的等级和质量却在变差，波动也较大，所以必须要通过优化来提升整个生产过程的性能，来达到经济目标。

工厂的自动化系统越来越倾向于基于统一的网络架构，搭建集成监视系统，来解决选矿过程优化的问题。这个统一网络架构，整合不同的角色和任务，包括：IT、自动化、过程维护和生产运行等。

将自动化系统和先进分析进行整合，优化生产过程，降低关键参数波动。最终，随着产量和收得率的提高，矿山的经济效益也会相应提升。如下是一个位于南非金矿的实际案例，这里就实施了一个生产集中监控和过程优化的软件平台。

项目介绍

现在金矿行业面临诸多挑战，影响行业的可持续发展，也影响新建项目的投资。现在的金矿资源品质越来越差，矿石性质波动越来越大，从而引起选矿难度也越来越大。例如，某南非大型金矿的平均等级从高于4.5～5g/t降低到3g/t之下，如图1所示。由于资源的变差，产量也相应降低。同时，各种安全、健康和环境方面的法律、规章也越来越严格，给矿业带来更大的压力。

图1 南非2002年到2011年金矿矿石处理量和矿石等级的对比图

众所周知，要想提高一个矿业企业的经济效益，一是要提高通过量，二是提高收得率。尽管也有人在开发一些新的选矿、冶炼提取的新技术，但是应用并不普遍，比较现实的办法仍然是提高现有生产线的操作水平，这包括提高生产效率。这些思想已经在一些先进的矿业生产理念中得到体现，比如：“未来工厂”、“智能工厂”、“敏捷工厂”。这些理念的一致目标就是：整合现在已经相对成熟的各种管理理念和操作方法，形成统一管理平台，实现精益运行。

在此篇文章里，会讨论一种磨矿过程优化的策略。这个策略的基础是一个集中平台，监视资产的运行效率；通过先进控制达到生产过程的稳定，优化生产，提高生产系统的KPI。在磨矿环节中，监控的重要目标有[2]：

• 过程稳定性：过程稳定是性能持续提升的前提。在磨矿过程中，过程稳定意味着可靠的磨矿质量和良好的运行参数，比如流量、密度、旋流器压力。

• 通过量最大： 提高通过量，会帮助提高经济效益。需要监视设备的状态，维护好设备的参数，来保证最大的通过量。例如，磨机过载会显著影响生产[6]。

• 最优的能源使用：磨矿是一个非常耗能的生产过程，通常的运行成本的50%是能耗[5]。但是，仅有总电耗的10%是真正用在了用来缩小矿石的尺寸。因此，在磨矿过程中降低能耗显得尤为重要[7]。

通常人们可以进行实时分析，比如数据采集、分析和决策，但是这并不能及时转换为生产效率的提升，比如过程改进、可用性提高、可靠性提高、收得率提高。通过一个将自动化系统整合在一起的平台，进行分析与优化，可以帮助实现：

• 应用自动诊断技术，快速定位过程波动原因；

• 快速响应，将实时分析的结果应用于控制行为；

• 通过实时设定点优化和APC（先进过程控制），使性能达到设计的最高值，降低单位矿石处理的能耗；

• 通过安装传感器，监视磨机、泵、电机的性能，及时发现性能降低的情况，快速修理故障。

下面的章节，详细说明磨矿过程整合优化平台的功能模块，包括控制回路监视、APC等。

解决方案

本整合平台包含生产监控、性能优化等方面。基于的技术包括预测性分析和诊断、基于APC的全厂集中控制优化、控制回路监视等。

（1）常规控制系统

控制系统用来规范系统的指标，来达到工艺的目的。反馈控制是使用非常广泛的控制方法，根据目标值和实测值的偏差来给出相应的控制方案。通常来说，控制系统拥有一定的机动能力，通过施加相反的影响来使系统更加稳定。图2揭示了反馈控制的基本框架。

图2 反馈控制过程示意图

（2）控制回路监视

在现在的选矿厂自动化系统中，经常有几百、几千个控制回路。控制回路通过施加反向的影响使系统趋于稳定。控制系统的功能就是使工厂生产更加可控、可预测，降低过程波动。但是，在实践中，相当大比例的控制回路的性能不理想，可能的原因是阀门的故障所引起的波动、或者负载波动、或者是其他设备及设计引起问题[3]。不理想的控制，导致过程变化加剧，同时会影响通过量和效率。特别是，控制不理想会带来泵的效率降低，使设备损耗加剧，可能引起设备停机、矿浆溢出等不良状况的出现，进而影响降低工厂的可用性和可靠性。

所以，自动获取和监视控制回路的性能就显得很有必要，对保证工厂生产平稳、可以预测非常重要。监视的重要PID参数有：PID发生超限的运行时间，操作值的可行范围，PID在各种状态的时间（手动、自动、级联和停止）。

在本案例提到的磨机过程中，监视了如下一些控制回路：磨机出料泵，磨机负荷控制，过程进水阀门，出料补水阀门，磨机筛喷水。

（3）先进过程控制

选矿过程是一个高度非线性的动态系统。在其中，很多材料的参数需要控制和监视，但是分散在许多设备当中，也不容易测量。比如磨矿过程中矿石的可选性、质地，浮选过程中的疏水性。另外，关键操作参数如磨机负载、矿浆流变学、粒度分布、泡沫特性等参数不稳定，也难于可靠测量。

因为过程的复杂性、测量的不稳定性，基于PID的简单的控制策略很难达到磨矿和浮选的控制要求。使用一个先进控制方案来应对这些矿业的典型问题就显得很有必要，这样一个方案更能适应选矿过程的扰动。这个APC解决方案，包括模型预测控制（MPC），越来越成为传统PID控制的更高层次的提升（Smith等，2004）。

图3显示了一个典型的磨矿过程。尽管进行了简化，但是仍然能看到本整合方案做过程优化的脉络。

图3 一个简化的选矿过程的流程图和反馈控制图。序号代表了几个已经实现APC的方向：（1）磨机负载控制；（2）磨机电力负荷优化；（3）磨机内部密度预测和控制；（4）矿浆池液位和密度控制；（5）旋流器装料控制

（4）磨机负载控制

通常，给磨机加料是依靠传送皮带把矿仓的矿石送入到磨机中，喂料量多少和皮带的工作直接相关。为了保证选矿生产的通过量，有一套控制系统来控制皮带的给料量设定值。传送带上的矿石到进入磨机，中间有一段距离。所以，要实现磨机的理想控制，就必须考虑控制器/执行机构和过程响应之间的延迟现象。另外，矿石尺寸的变化、喂料堵塞等情况都会使控制变得更加复杂。使用传统的PID控制，因为控制器的延迟反映的影响，需要将通过量设定进行一定调低。基于模型的APC控制，依靠Smith预测来应对过程延迟，并将其在控制系统中实现。这样的考虑增加了控制的可靠性，增强了对矿石尺寸变化等的鲁棒性。

（5）魔机电力负荷优化

磨机负荷和功率吸收的关系对比图如图4 所示[4]，开始时，功率吸收随着磨机负荷的增大一直变高，直到到达最高点，之后功率吸收逐渐下降。功率吸收曲线会随着磨机的装球量、磨机内衬、矿石的变化而左右或上下移动。在给定的条件下，可以通过优化操作来使功率吸收最大化，也就是磨矿质量最优、通过量最大。所以，磨矿的目标就是优化磨矿质量或者是说功率吸收曲线处于最优点，欠载、过载都会有不好的效果。如果发生过载，除了磨矿质量的变差，还会影响磨机出料[6]。 使用了负荷控制器，磨机运行在曲线所示的峰值附近，磨机更高效，运行成本更节约。APC系统使用动态搜索算法找到负荷和功率吸收曲线的峰值，使其成为负荷的设定值，并对运行状态进行实时监视，通过监视负荷、电力变化来计算新的峰值点。通过这个策略，APC优化电力消耗，提高磨矿效率，提高收得率。

图4 负荷与功率吸收曲线。 在优化操作点（Loptimal），磨机的状态处于最佳。在这个点，磨机效率最好，磨矿介质运行最好。峰值点的两边是两个不理想的区域：欠载区和过载区

（6）磨机内部密度预测和控制

使用APC磨矿过程的性能可以通过磨机的出料密度来进行评价，这就需要经常进行取样和测量。不幸的是，在很多工厂，这样的测量不能完全实现，因为现场没有安装自动测量的密度计。要实现磨机内密度的APC控制，就需要出料密度估计的来评判磨矿的性能。部署软测量功能来估计密度，协调磨机与矿浆池之间的物料平衡。还需要定期的手工测量，来修正软测量预测的精度。根据实时预测的密度值来控制加水稀释的流量，来使密度达到理想状态。

（7）矿浆池液位和密度控制

矿浆池用来协调上下游之间的物料流动，达到平抑波动的效果。比如，矿浆的质量和流量的波动都会影响旋流器的分离效果。矿浆池的控制，就是使进入旋流器的流量和密度更加稳定。PID控制时会把矿浆池的液位设定成一个固定的值。但是，这样的机制不能兼容流量突然的大规模变化。然而，这种大规模的流量变化会冲击旋流器的性能。为了避免出现旋流器性能变差的情况，我们实行了APC控制流量突变控制，使液位在40%-60%的范围内变动。当液位变化超出这个范围时，控制器进行强有力反映，使液位回归到设定范围。通过这些措施，上游的流量突变，得到控制和平衡，避免影响下游，从而保证旋流器的压力和流量的稳定。由于矿浆池尺寸的缘故，矿浆池液位控制要保证矿浆池不能溢满也不能断流，否则将是严重的生产不稳定甚至是事故。除了使流量稳定，矿浆密度通过补水来使其稳定，受到控制。

传统的PID控制，主要考虑矿浆池的液位，使其接近于设定值，对从此流出、流到旋流器的流量、密度不予考虑。 受制于矿浆池的容量，矿浆密度是不予直接控制的。为了达到既能控制矿浆池液位（可控量）、又能控制密度（过程参数）的目的，设计了一个基于规则的密度控制算法。

这些APC基于现有控制系统实现，通过给出PID的设定值的建议值来提升现有控制系统的水平。通常，设定值的建议值通过操作员的操作来输出到控制系统。由此，使这个APC系统成为一个安全可靠的控制系统，可以防止出现故障的情况，比如通信中断。系统建立了一个心跳信号来监视APC和PLC中PID层之间的通信。

结果与讨论

本文讲述了一个实际的过程监视与优化解决方案。

（1）设备健康状态监视

故障检测传感器，控制回路监视与分析。如图5所示，通过监视PID回路状态，发现在自动或串级模式运行时，旋流器入料泵超过限值。

图5 旋流器控制回路性能概览，尤其在故障传感器发现出问题时更有用。经验发现超限的情况占7%。当超限突然跃升到8%时，显示过程出了问题，同时，也要查看设备是否出了故障

（2）过程稳定和优化

通过比较实施前后的结果，分析APC解决方案的性能。一个时间段是APC运行前一个月，仅有PID调节和手工操作，一个时间段实施先进的磨矿过程后的一个月。表1显示了APC实施前后的效果，后边内容会详细讨论。

（3）磨机负荷控制

如前所述磨机负荷控制是整个APC优化的一个组成部分，减少了控制动作和过程响应之间的时间差，使操作动作更能适应影响过程波动。图6显示使用APC控制，目标值的分布范围更窄，说明APC控制更加精确。在直方图中，左侧边缘的部分说明发生了喂料问题，由于喂料系统堵塞而影响了喂料能力和时间。虽然APC不能完全避免这些波动，但是APC能比PID更接近的实现优化控制。实施APC后，负载波动会降低5.5%。

图6 APC控制时的负荷差的分布图

表1 实施APC前后性能的比较

（4）磨机负荷优化

磨机负荷优化使磨机的性能更加接近磨机的电力-负荷曲线的峰值，这会带来磨机效率的提升[8]。 图7显示了实施APC前后的估计电力-负荷曲线散点图，这些点代表了密度分布的情况。比较两组点，APC控制结果会靠近电力-负荷曲线的峰值，效果会好于PID控制。表1中表明了效率提高和能耗降低的情况。实施APC后，矿石处理量提高了5.5%。

图7 PID控制（上边）和APC控制（下边）的电力-负荷曲线。可以看到实施APC后，曲线向右移了

（5）磨机内密度控制

在实施APC以前，磨机内的密度由操作员根据定期采样结果进行手工控制。不幸的是，这些信息没有电子记录，磨机内的密度性能没有比较分析的依据。磨机内密度控制可以直接影响磨矿效率。磨机内密度的优化可以带来磨矿效率的提升和能源使用效率的改善。磨机内密度的控制依靠软策略技术，来估计两次人工采样之间的密度。人工测量的密度和软测量估计的密度的吻合度是70%。通过密度软测量线性估计，实现磨机内密度的实时控制。

图8 使用PID控制（上边）和APC控制（下边）的旋流器喂料密度分布估计

（6）矿浆池密度和旋流器喂料流量控制

矿浆池的控制目标就是稳定旋流器的喂料量，旋流器喂料的密度、流量的稳定可以保证旋流器可靠运行、更好的分离效果。图8显示了APC实施前后矿浆池的密度分布。APC可以更好的控制密度围绕设定值分布。如表1所概括的一样，使用APC后，矿浆池的密度变化降低13%。在分析阶段就发现，向旋流器打入矿浆的泵的状态显著影响进入旋流器的矿浆的流量，同时也给矿浆池的密度和液位保持固定带来负面影响。不考虑这个波动，旋流器的控制会精确而稳定。

如前所述，控制系统的设定点被优化，来保证矿浆密度。比较本系统实施前后的流量，发现某一时间段，该流量设定值的变化量从46.5m3/h降低到27.8m3/h。比起单纯的PID控制，该APC解决方案使流量设定值更可预测、可控制。平均流量增加了10%。像前面讨论过的，操作的波动引起旋流器喂料量的显著变化，也就是流量设定值的变化。通过减少这些操作波动，旋流器流量更加稳定、生产更加可靠。

结语

通过上述南非金矿的实际案例，显示了该整合平台提升了良好效果。这些功能包括设备监视、控制回路监视和过程优化。通过将高级控制功能应用于金的选矿过程，磨矿负载波动降低5.5%，提高通过量1.8%，同时也提升了能源使用效率、增加了过程稳定性。在如今金矿矿藏质量持续降低的情况下，这些提升，对金矿大有好处，可以增加收得率和通过量。

[1] Chamber of Mines, 2012. Facts and Figures – 2012, Chamber of Min eCsM.YAvailable from: [Accessed: 20 June 2013].

[2] Drunick, W and Penny, B, 2005. Expert mill control at AngloGold Ashanti, Journal of the South African Institute of Mining and Metallurgy, 105(7):497-506.

[3] Häggund, T, 1995. A control-loop performance monitor, Control Engineering Practice, 3(11):1543-1551.

[4] Morrell, S, 1996. Power draw of wet tumbling mills and its relationship to charge dynamics - Part 2: An empirical approach to modeling of mill power draw. Trans. Instn. Mining. Metall. (Sect C: Mineral Processing Extr. Metall.), 105:C54-C62.

[5] Pomerlau, A, Hodouin, D, Desbiens, A and Gagnon, E, 2000. A survey of grinding circuit control methods: from decentralized PID controllers to multivariable predictive controllers, Powder Technology, 108: 103-115.

[6] Powell, M S, Morrell, S and Latchireddi, S, 2001. Developments in the understanding of South African style SAG mills, Minerals Engineering, 14(10):1143-1153.

[7] Rajamani, R K and Herbst, J A, 1991. Optimal control of a ball mill grinding circuit - I. Grinding circuit modeling and dynamic simulation, Chemical Engineering Science, 46(3):861-870.

[8] Smith, G C, Jordaan, L, Singh, A, Vandayar, V, Smith, V C, Muller, B and Hulbert, D G, 2004. Innovative process control technology for milling and flotation circuit operations, Journal of the South African Institute of Mining and Metallurgy, 104(6): 353-365.

[9] Wegerich, S W, 2004. Similarity based modelling of time asynchronous averaged vibration signals for machinery health monitoring, in Proceedings IEEE Aerospace Conference, pp 3654-3662.