基于自适应律的RBF磨矿分级优化控制过程

张亚如　陈志凤　蔡秀峰

摘要：针对磨矿过程中被控对象存在的大惯性、非线性、滞后性等特点，将球磨机简化为一个连续控制过程。根据磨矿特性和料级颗粒分布影响，采用连续磨矿采样数据确定的参数，提出一种基于自适应律的径向基（Radial Basis Function，RBF）神经网络控制系统。采用自适应律对RBF神经网络的初始权值进行优化，采用优化后的 RBF 神经网络辨识主控制回路被控对象。通过matlab仿真对比实验结果，验证了优化后的RBF网络控制更加逼近理想狀态。

关键词：磨矿过程;Matlab;神经网络控制;自适应律

中图分类号：TP29 文献标识码：A 文章编号：1007-9416（2019）08-0001-02

0 引言

作为选矿作业重要环节，其中磨矿过程中的产品目标是将大颗粒矿石磨碎到一定程度，使有用矿物与脉石分离，达到单体解离状态以利于后续选别作业。而其中重要的就是磨矿机的磨矿浓度控制过程的指标[1-3]。磨矿分级过程是多耦合、大时滞的非线性时变控制模型[4]，故本文采用具有良好逼近能力、分类能力和学习速度，逼近任意非线性函数的RBF神经网络来实现[5][6]。本文采用自适应律来训练RBF网络[7][8]，利用matlab仿真实现[9]。

1 工艺简介

连续球磨过程如图1所示，该过程主要由球磨机、旋流器、溢流泵池和进出水阀门等设备组成[1][2]。首先原矿通过皮带运输和前给水混合后进入磨机进行研磨，一级返砂和原矿下料的流量比被称为返砂比。进入磨机后经一段时间研磨后溢出形成磨机排矿，混合磨机排矿水后进入旋流器。旋流器将较粗矿料以一级返砂形式返回磨机重磨，而较细矿料以一级溢流形式进入二级研磨。将磨矿浓度稳定在质量指标区间是连续磨矿过程的生产目标，而从现场能反映磨矿浓度和效率的最直接的参数就是磨矿机功率，磨机功率的大小体现着磨机浓度的变化。

2 基于自适应律的RBF神经网络模型

2.1 神经网络自适应控制过程框架图（如图2所示）

其中RBF神经网络构成由三层组成[1]为网络的输入层，为网络的隐含层（为隐含层第j个神经元的输出，其中，为隐含层第j个神经元高斯基函数中心点的坐标向量，………为隐含层第j个神经元高斯基函数的宽度），RBF网络权值为…，RBF网络输出为。设定的磨机模型RBF神经网络共有5个输入，x1为球磨机的原给矿量，x2为原矿水分，x3为加水量，x4为磨音，x5为反砂比，以它们构成输入层，高斯基函数为隐含层基函数，输出层Y为磨矿机功率。

2.2 自适应律

采用常用的梯度下降法调整神经网络权值容易陷入局部最优，且容易引起系统不稳定。本文采用在线自适应神经网络控制可有效解决这个问题[10]。考虑设计理想控制律为

;                      （1.1）

其中u为输入，f为未知非线性函数，g为已知非线性函数，其中设计使得多项式的根都在左半复平面，则当，其中将 +，为网络的逼近误差，，采用RBF逼近未知函数f，网络的输入取，则RBF的输出为;（1.2），将公式1.2带入1.1中得到控制律：;。

3 仿真及结果分析

通过matlab进行一般RBF网络系统以及优化后的自适应RBF控制的实验比较可以看出，优化后的RBF更能很好的接近理想输出值。具体如图3所示。

一般选矿厂的硬件控制系统以及通讯系统都可以和matlab计算软件良好的对接，所以通过matlab仿真验证实验的有效性，为以后现场数据的采集和对接都提供了后备技术。

参考文献

[1] Powell M S，MorrisonRD.The future of comminution modeling [J].International Journal of Mineral Processing，2007，84（1-4）：228-239.

[2] 铁铭，岳恒，柴天佑.磨矿分级过程的混合智能建模与仿真[J].东北大学学报，2007，28（5）：609-613.

[3] Conradie，AVE，Aldrich，C.Neurocontrol of a ball mill griding circuit using evolutiongary Reinforce ment learning[J].Miner.Eng.2001，14（10）：1277-1294.

[4] 尹蒂，李松仁.选矿数学模型[M].湖南长沙：中南工业大学，1993.

[5] 柴杰，江青茵，曹志凯.RBF神经网络的函数逼近能力及其算法[J].模式识别与人工智能.2002，15（3）：310-316.

[6] Behnam T，Fariba Z，Houman Z，et al.Utilization of RBF-ANN as a novel approach for estimation of asphaltene inhibition efficiency[J].Petroleum Science and Technology，2018，36（16）：1216-1221.

[7] Fu X J， Wang L P. Data dimensionality reduction with application to simplifying RBF network structure and improving classication performance[J]. IEEE Transactions on Systems， Man， and Cybernetics， Part B： Cybernetics，2003，33（3）：399-409.

[8] Esposito A，Marinaro M，Oricchio D，Scarpetta S.Approximation of continuous and discontinuous mappings bya growing neural RBF-based algorithm[J].Neural Networks，2000，13（6）：651-665.

[9] 劉金琨.先进PID控制MATLAB仿真[M].北京电子工业出版社，2016.

[10] Jinkun LIU，Yu Lu，Adaptive RBF Neural Network Control of Robot with Actuator Nonlinearities[J]，Journal of Control Theory and Applications，2010，8（2）：150-156.

Based on Adaptive of RBF Grinding Optimizing Control Process

ZHANG Ya-ru，CHEN Zhi-feng，CAI Xiu-feng

（LANGFANG NORMAL UNIVERSITY，Langfang  Hebei 065000）

Abstract：In view of the controlled object exists in the process of grinding characteristics of large inertia， nonlinear and hysteresis， the ball mill is simplified to a continuous control process.According to the characteristics of grinding and particle distribution，there is a control system of Radial Basis Function based on adaptive. Use this method to optimize the initial weights and use the optimized RBF neural network to identify the main control circuit controlled object. The optimized RBF network control is verified by MATLAB is more close to the ideal state.

Key words：Grinding Process; Matlab;The neural network;Adaptive