磨矿分级过程控制知识提取方法研究

赵博 焦鹏飞

内蒙古包钢钢联股份有限公司巴润矿业分公司  内蒙古 包头 014080

摘要：长期以来，磨矿分级过程优化控制一直被视为提高磨矿生产效率和整个选矿厂经济技术指标的关键，受到选矿行业及相关学者广泛关注。

关键词：磨矿分级；控制；知识提取

磨矿分级工艺是选矿流程关键环节，其运行状况直接影响整个选矿厂产品质量及经济技术指标。当前，国内大多选矿厂仍依赖操作员控制生产过程，人工决策具有主观性及滞后性，往往导致生产指标不稳定于期望值。此外，磨矿分级过程非线性、强耦合和滞后时变使传统基于模型优化控制技术难以应用。基于此，本文详细论述了磨矿分级过程控制知识提取方法。

一、磨矿分级工艺

磨矿分级过程是矿石破碎作业的延续，通过球磨机的研磨及旋流器分级作用，使矿石颗粒由大变小，输出粒度合格的矿浆，为后续浮选工艺中有用矿物的回收做准备。面对磨矿分级的非线性、强耦合、大滞后等特性，传统控制方法无法满足过程长期稳定控制要求。工业生产过程传感器数据记录了生产状态、控制参数等信息，所以基于数据驱动方法提取磨矿分级的控制知识，对实现该过程的智能优化控制意义重大。此外，考虑到实际生产现场矿源复杂及矿石性质频繁波动，离线控制知识很难长期应用于磨矿分级过程，因而提取的控制知识需根据实际生产变化不断更新，以提高其适应能力。

二、基于改进WM算法的磨矿分级过程控制知识提取

1、基于加权优化的WM算法。对于模糊系统，模糊规则的提取较重要，因其质量直接决定了模糊系统性能。传统的基于专家经验的模糊规则提取方法具有较强主观性及不确定性，且难以学习、积累、传承经验知识。因此，基于数据挖掘的模糊规则提取方法显示出明显的优势，如启发式方法、遗传算法、神经网络等，但这些方法需迭代学习且计算复杂，难以应用于实际工业过程。

WM算法是一种直观的数据驱动机器学习方法，能在无任何先验知识情况下直接从样本数据中提取模糊规则，且易于理解，已成为提取模糊规则的经典方法。然而，该算法对冲突规则处理简单，因只保留了具有最大置信度规则，忽略了输出位于其他模糊子集的可能性，导致模糊规则鲁棒性降低。若冲突规则中存在有噪声模糊规则，且置信度高，则该模糊规则不正确，降低了模糊系统精度。针对上述问题，提出一种基于加权优化的WM算法。

2、磨矿分级过程优化控制规则提取。在实际生产中，操作人员只能根据经验大致判断当前工作状况，无法明确划分工况，导致实际控制主观性强，无法保证调控后工况趋于最优。因此，在离线构建模糊规则库时，要对操作员的调控进行判断，以选择最优的操作数据来提取控制知识。对此，结合工况及趋势特征，基于加权优化WM算法，选择最优人工操作数据，生成优化数据库，提取磨矿分级过程的优化控制规则。

①QTA算法。实际工业生产中运行数据丰富，往往包含大量有价值信息。趋势信息在一定程度上反映了生产过程运行状态和响应等。定性趋势分析(QTA)已被证明是对时间序列进行定性研究的有效数据分析方法，通过提取过程变量潜在变化趋势，从数据中获得定性模式，其步骤为：①趋势提取，将数值数据序列转换为符号表示；②趋势分析，即将得到趋势特征用于过程评估和后续控制决策。

为验证该方法有效性，以磨音为例，对实际生产中连续100min数据进行了趋势提取，结果表明，该方法可有效提取磨音趋势，并划分不同趋势段。使用QTA算法从趋势中提取拟合曲线进行一阶求导，以获得趋势定量特征值，用于分析、计算、后续的优化控制。

②工况与趋势特征结合的优化数据库生成。基于工况结果获得磨矿分级最佳运行状态和相关参数范围，对此，本文定义了优化控制规则：若过程当前工作状态不是最佳运行工况，调整后，其工作状态将接近最佳运行工况，表明当前操作较优，通过从这部分操作数据中学习而获得的规则是最优控制规则。对此，根据趋势特征判断调整后工况趋近方向。

对于磨矿过程，给矿量变化反映了磨音时间约3～4min，所以基于给矿量调整后4min磨音趋势特征值，判断调控后工况趋向。若当前为饱磨或偏饱磨工况，调整给矿量后磨音趋势特征值为正，表明磨音逐渐增高，趋于正常工况；反之，若当前偏于偏空磨或空磨工况，且在调整给矿量后磨音趋势特征值为负，则表明磨音逐渐减小并趋于最优。基于这一原理，选择最优操作数据生成优化数据库，然后提取模糊规则构建优化模糊控制规则库。

对于分级过程，砂泵频率的调整反映出旋流压力时间约3min，所以可依据砂泵频率调控后3min旋流压力趋势特征值来确定工况趋向。由于补水流量的调控会影响泵池液位及旋流浓度，泵池液位状态的变化反映出旋流器入口约8min，所以可按补水流量调控后8min旋流浓度趋势特征值来确定工况趋向。砂泵频率与补水流量调整对泵池液位影响快，因此可根据调控后1min泵池液位趋势特征值来确定工况趋向。对于砂泵频率的调控，若处于工况二，则调整后泵池液位趋势特征值为负，表明栗池液位逐渐降低并趋于最佳工况，若处于工况三，则调控后泵池液位及旋流压力趋势特征值均为负值，表明泵池液位、旋流压力逐渐降低，并趋于最佳工况。对于补水流量的调整，若当前处于工况二或工况三，则调控后泵池液位趋势特征值为负，旋流浓度的趋势特征值为正，表明泵池液位逐渐降低，旋流浓度逐渐增加，从而趋于最优工况。

③基于加权优化WM算法优化控制规则提取。由于磨矿分级过程在实际生产中具有多种运行状态，并且该过程在不同生产状态下具有不同运行特性，所以基于加权优化WM算法提取不同工况下模糊控制知识，以满足不同工况下磨矿分级过程控制需求。同样，磨矿分级过程分为磨矿、分级过程，分别控制给矿量、补水流量、砂泵频率。

基于加权优化WM算法提取磨矿过程优化控制规则过程为：⑴将磨矿过程划分为工况，并根据工况识别结果对样本数据分类，基于优化规则提取思路，选择每类样本中最优操作数据，再根据其数据分布设置各变量论域区间。可发现，球磨机在空磨或偏空磨条件下，磨音高，需适当增加给矿量；相反，当球磨机处于饱磨或偏饱磨时，磨音低，并且需适当降低给矿量。经重复实验，确定饱磨、偏饱磨、正常、偏空磨、空磨条件下各变量域区间对应模糊集划分。

⑵分级过程优化控制规则提取。分级过程控制策略以泵池液位、旋流浓度与压力为控制变量，以补水流量与砂泵频率为控制变量。对于多输入输出模糊系统，模糊规则的数量随着变量增加呈指数增长，并且不同的控制变量对两个控制变量有不同程度影响，若设置相同模糊输入参数会导致规则准确性降低，所以为避免规则库过大，确保其可靠性，将多输入输出转换为多输入单输出来提取模糊规则。

⑶优化控制规则验证。磨矿分级过程的机理复杂，具有黑箱特性，难以建立该过程机理模型，加之受控变量中磨音不能通过物料平衡得到具体推导公式，所以使用优化的模糊控制规则来连续控制，经观察受控变量控制效果来验证其有效性方式难以实施。

长短期记忆网络(LSTMM)是一种经典深度学习方法，能记录与模型输出密切相关的过去序列数据，由于其特定架构，能学习序列预测问题中顺序依赖性，广泛用于时间序列数据建模，所以建立了基于LSTM的磨音、泵池液位和旋流浓度非线性关系模型。

磨矿时，考虑到旋流压力会在一定程度上影响旋流器效率，从而影响返砂量，所以以给矿量、给水量、旋流压力为输入，建立磨音非线性关系模型。对于分级过程，以补水流量和砂泵频率为输入，建立泵池液位与旋流浓度的非线性关系模型。磨音、泵池液位和旋流浓度间非线性关系模型结果评价为：每个模型的均方根误差小，其小于0.1，远低于不同工况下各变量论域范围，因此，基于LSTM建立的非线性关系模型能基本反映磨音、泵池液位、旋流浓度状态变化，能验证优化模糊控制规则的有效性。

参考文献：

[1]刘洋.基于专家系统的磨矿分级自动控制方法研究及系统设计[D].西安理工

大学，2019.