王云峰,李战明,袁占亭,万维汉

(1.兰州理工大学 电气工程和信息工程学院,甘肃 兰州 730000;2.甘肃政法学院 计算机科学学院,甘肃 兰州 730070; 3.金川集团 自动化工程有限公司,甘肃 金昌 737104)

磨矿分级工业过程中，模型失配、时变、干扰等引起的不确定性是不可避免的，预测控制采用被控对象的动态模型通过在每个采样时刻求解约束在线优化问题来设计最优过程输入[1-2].过程模型一般通过对过程的开环辨识得到[3-4].预测控制综合利用历史信息和模型信息，对目标函数不断进行滚动优化，并根据实际测得的对象输出修正或补偿预测模型[5].而对于具有大滞后的磨矿分级系统来说，时滞过程的主要控制困难是不能及时得到控制作用的反馈信息[6].到当控制效果能通过输出测量体现时，此时的控制作用强度往往已过了头.直接运用传统的Smith 预估、模型预测等方法难以取得满意的控制效果[7]，虽然在模糊控制下通过引入自适应算法及参数反馈可以对非线性时变对象取得较好的控制效果[8]，但是仿真表明：当对象滞后较大时，模糊控制的效果会急剧变差，直至产生振荡或发散.理论上认为，这是由于系统时滞造成了模糊输出的控制量与系统实时所需控制量严重不符，时滞越大，被控对象输入输出之间的相关性越小，造成闭环控制的信息混乱[9-10].针对以上问题，在本文中提出动态分支预测转移控制技术，此技术能够有效地克服磨矿效率和旋流器入口压力等波动引起的扰动，使磨矿浓度和溢流粒度的波动减小，为下一步浮选过程产品品位的改善和提高创造有利条件；和原有常规控制相比，控制系统的控制质量明显提高，大大改善磨矿分级的分级效果.

1 磨矿分级自动控制系统

图1 磨矿过程系统的串级控制系统框图

闭路磨矿分级过程由磨机、砂泵池和水力旋流器3部分组成.磨矿过程系统的串级控制系统框图如图1所示.矿石经破碎后由皮带输送到磨机内粉碎，磨机的出口矿浆首先进入砂泵池，然后再由泵抽入到水力旋流器进行分离.水力旋流器将细矿粒和粗矿粒分离，细矿粒从旋流器的溢流口流出进入浮选过程，粗矿粒从旋流器底流口流出返回球磨机中再磨，构成“返砂”回路.这里设置的仪表监测点是：球磨机：(1)入口参数：原矿给矿量，磨矿前给水.加球量；(2)出口参数：排矿量，排矿给水量(磨矿后给水).渣浆池：(1)入口参数：排矿量，排矿给水量(磨矿后给水)，液位；(2)出口参数：泵速(流量)，浓度.旋流器：(1)入口参数：压力(流量)，浓度；(2)出口参数：粒度，浓度.

2 动态分支预测转移控制结构及实现

图2 动态分支程序控制结构图

2.1动态分支程序控制结构以动态分支程序控制为监督层，常规PID为控制层的动态分支预测转移控制结构系统如图2所示.图中所示的是一个分为上下两层的控制结构，下面一层是常规的PID控制，上面一层是以下一层PID闭环回路为控制对象的监督控制，其控制输出用来修正PID闭环回路的设定值.工艺设定曲线是由工艺工程师根据工艺要求而给定的一条工艺优化曲线，可在线任意修改.

2.2动态分支程序控制策略动态分支程序是根据跟踪滚动优化策略，在基本预测控制算法的基础上再增加一个预测控制变量协调决策层.动态分支程序预测的依据是从被控对象输入输出相关性过去的行为来预测它将来的行为，即根据近期控制转移是否成功的历史记录，来预测下一次控制转移的方向，比如根据检测到的磨矿浓度改变，在转移控制指令到达之前就转移到调整原矿量增减或前水量的增减.为此需要解决两个关键问题：一是如何记录控制转移历史信息，二是如何根据所记录的控制转移历史信息来预测下一次控制转移的方向.

当执行控制程序中转移指令时，转移成功或转移失败的信息可记录在一个所谓的“控制策略转移历史表”中.这里用2位计数器来记录最近二次控制策略转移是否成功的状态信息.图3示出了控制策略转移预测的状态转换图：每一个圆圈表示一种状态，分别用二进制10、11、01、00来表示；圆圈中的汉字表示在该状态下执行一条控制转移指令时将预测“转移取”控制指令或是“顺序取”控制指令；圆圈外的有向线段表示控制转移指令实际执行后状态位的变化方向.从这个状态转换图我们看到：在改变一次预测方向后，如果连续两次预测错误，则必定会改变预测方向.

图3 预测转移的状态转移图

图4 动态分支转移历史表的逻辑结构图

图4示出了控制策略转移历史表的逻辑结构，它根据近期控制策略转移是否成功的历史记录，来预测下一次控制转移的方向.硬件上由表格、选择器、控制逻辑3部分组成.控制程序中已使用过的每种转移控制策略在表格中有一个表项，表项分3个字段：预测转移、历史状态位、控制策略.被控对象输入输出相关性控制逻辑实现预测转移的选择、修改、新建表项等功能.

2.3动态分支预测转移控制的实现具体算法如下.

①算法初始化，包括工艺设定曲线的给定，通过PID参数的整定使PID控制回路成为一阶加纯滞后的广义对象，同时测定动态分支程序控制结构模型的参数放大系数Km，时间常数Tm，纯滞后时间Tmd，选择基函数的设定值变化量的阀值θ，以及动态分支程序的相关参数，如参考轨迹时间常数Tr，采样周期T5和预测长度H等等，并计算相关参数.

②读入k时刻的过程输出值y(k)，及k时刻和k+H时刻已计算出并记录在动态分支预测转移控制表中的工艺设定值c(k)及c(k+H).

③如果|c(k+H)-c(k)|≤θ，那么转④，否则转⑤.

(1)

其中,α=exp(-Ts/Tm)，β=exp(-Ts/Tr).

⑤按式(2)计算k时刻的控制量u(k)，转⑥.

(2)

⑥计算ym(k+1)并执行u(k).

⑦令k=k+1同时修改历史位状态转②.

3 仿真研究

仿真的有关参数给出.采样时间=0.5 s，参考轨迹时间常数Tr=2 s，预测步长H1=25，H2=20.通过对磨矿浓度和溢流粒度质量指标的跟踪对比，从图5、图6可以看出运用动态分支预测转移控制技术后，控制效果得到了明显的改善.

图5 旋流器溢流粒度控制效果跟踪对比

图6 磨矿浓度控制效果跟踪对比

4 结论

动态分支预测转移控制技术能够有效地克服磨矿效率和旋流器入口压力等波动引起的扰动，使磨矿浓度和溢流粒度的波动减小；提出在磨矿分级系统中采用动态分支预测转移控制技术，由于该技术在控制软件中增加了对被控对象输入输出之间相关性的跟踪及处理，在基本预测控制算法的基础上再增加一个预测控制变量协调决策层，可在线任意拟合；对在反馈校正基础上的滚动优化策略进行记录及优化，形成了一张被控对象输入输出之间相关性及相应控制策略的动态分支预测转移控制表格；在现场实际操作的过程中，结合设定值附近区间控制和约束保护等措施，该技术在暂态响应和稳态性能之间取得了折衷，控制效果明显地改善；该技术不但增强输入控制量的规律性，而且提高响应的快速性和准确性，对被控对象的不确定性等也有较强的鲁棒性；和原有的常规控制相比，控制系统的控制质量明显提高，大大改善了磨矿分级的分级效果，为浮选过程产品品位改善及产量提高创造了有利条件.

参考文献：

[1] Volk U, Kniese D W, Hahn R,et al.Optimized multivariable predictive control of an industrial distillation column considering hard and soft constraints[J].Control Engineering Practice,2005,13(7): 913-927.

[2] Brian Froisy J.Model predictive control:building a bridge between theory and practice[J].Computers and Chemical Engineering,2006,30(10):1426-1435.

[3] Paisan Kittisupakorn,Piyanuch Thitiyasook, Hussain M A,et al.Neural network based model predictive control for a steel pickling process[J].Journal of Process Control,2009,19(4): 579-590.

[4] Stuart R Borrett,Will Bridewell,Pat Langley,et al.A method for representing and developing process models[J].Ecological Complexity,2007,4(1):1-12.

[5] 高越,高振海,李向瑜.基于自适应Kalman滤波的汽车横摆角速度软测量算法[J].江苏大学学报:自然科学版,2005,26(1):24-27.

[6] 汪若尘,陈龙,江浩斌,等.半主动悬架模糊动态建模与神经网络控制[J].江苏大学学报:自然科学版,2009,30(1):23-26.

[7] 王会清,张守元.预测模糊控制在磨矿分级过程的应用研究[J].矿冶工程,2002(3):60-62.

[8] 冯冬青,马书磊,陈铁军,等.一类时变非线性系统的参数反馈模糊控制器分析与设计[J].信息与控制,2002, 31(4) :310-314.

[9] Antonio Sala,Carlos Ario.Asymptotically necessary and sufficient conditions for stability and performance in fuzzy control: applications of Polya's theorem[J].Fuzzy Sets and Systems,2007,158(24):2671-2686.

[10] Libor Běhounek.On the difference between traditional and deductive fuzzy logic[J].Fuzzy Sets and Systems,2008,159(10):1153-1164.