张云刚,王志春

(内蒙古科技大学 信息工程学院，内蒙古 包头 014010)

基于RBF神经网络的磨矿粒度软测量模型及实现

张云刚,王志春

(内蒙古科技大学 信息工程学院，内蒙古 包头 014010)

磨矿分级作业是选矿生产中的重要环节，磨矿粒度的好坏直接影响浮选的精矿品位和尾矿回收率；在实际生产中粒度的测量有在线粒度分析仪,但存在成本高、维修率高，离线实验室化验又有时间延迟大的问题；对实际磨矿分级作业过程进行了分析，提出用径向基函数(RBF)神经网络建立磨矿粒度软测量模型，采用正交最小二乘法(OLS)算法对网络进行训练学习，泛化校验；仿真结果表明，在较少训练数据下该网络非线性处理能力和逼近能力依然很强，学习时间短，模型基本符合要求；通过OPC技术将Matlab与PKS控制系统相结合，实现实时软测量磨矿粒度。

磨矿粒度;径向基函数;正交最小二乘法

0 引言

磨矿分级作业是选矿作业过程中的重要环节，磨矿目的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。磨矿粒度是磨矿分级作业的重要生产指标，直接影响选别作业的精矿品位和回收率。在实际生产中，由于现场工况条件恶劣，在线粒度分析仪维修率高而且设备成本高，故在生产现场不配备该设备或处于闲置状态；而实验室化验磨矿粒度存在很大的时滞，不能及时为现场生产服务。故采用软测量方法，实现在线测检测具有重要的实际意义[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，能逼近任意非线性函数的RBF神经网络来实现对磨矿粒度的软测量[5]。本文采用正交最小二乘法算法(OLS)来训练RBF网络，该方法源自线性回归模型，它可以在学习权值的同时不断选取需要的隐含层单元，收敛速度快，并可以得到优化问题唯一的全局解[2]。根据某选矿厂实际磨矿分级作业建立了RBF神经网络磨矿粒度的软测量模型，并利用选矿厂实际生产数据对网络进行了训练、泛化，取得了不错的效果。通过OPC技术将Matlab与PKS控制系统相结合，实现实时软测量磨矿粒度。

1 磨矿分级作业工艺流程

磨矿分级作业是选矿厂的重要工序，根据矿石的性质，某选矿厂的一段磨矿流程如图1所示。

图1 磨矿分级作业工艺流程图

原矿经给矿皮带和一定比例的水给入球磨机，研磨后的矿浆和一个定比例的水给入泵池，经渣浆泵送入旋流器，溢流的矿浆经搅拌槽搅拌送入粗选；返砂排入球磨机继续研磨。在实际磨矿作业中，根据矿石性质(硬度、含水量等)、球磨机电流、磨音、旋流器压力等参数，通过调节给矿量、前补加水、后补加水量、渣浆泵的频率、旋流器阀门开度等参数，来保障磨矿粒度在一个最优区间。

根据该选矿厂的实际情况，前补加水量较小(<15 m3/h),跟矿量的相关性小；当泵池的液位在一定范围，渣浆泵的频率基本不调，因此旋流器阀门开度也相对稳定。上述3个因素与磨矿过程相关性较小，在暂不考虑这3个因素条件下，我们给出磨矿粒度模型可以表示为如下非线性函数：

(1)

式中，M-200为一段旋流器溢流矿浆中-200目矿石的质量百分数(磨矿粒度)，f为一个非线性函数，x1为球磨机的给矿量，x2为原矿水分，x3为后补加水量，x4为磨音，x5为球磨机功率。根据实际工艺流程及现场情况，磨矿粒度控制及软测量过程的控制方框图，如图2。

图2 磨矿粒度控制方框图

2 基于RBF神经网络的预测模型

2.1 磨矿粒度软测量建模

RBF神经网络由三层组成[1]，网络的结构如图3所示。

图3中RBF神经网络共有5个输入，x1为球磨机的给矿量，x2为原矿水分，x3为后补加水量，x4为磨音，x5为球磨机功率，以它们构成输入层，高斯函数为隐含层基函数，输出层Y1为-200目矿浆粒度M-200，构成网络。其中，

(2)

图3 RBF磨矿软测量结构模型

其中，i=1,2,…,M，M是感知神经元的个数，x在本文中是5维输入向量；ci是第i个基函数的中心，与x具有相同维数；σi是第i个RBF的标准差，决定了该基函数到中心的宽度；从图3可以看出，输出层到隐含层实现从x→Ri(x)的非线性映射，隐含层到输出层实现Ri(x)→Y1的线性映射，即：

(3)

其中，Y1是磨矿粒度的输出；Wi1是第i个隐含层单元到Y1输出层的权值。

2.2 OLS学习算法

RBF神经网络的学习算法主要有随机算法、“K-均值，RLS”算法、OLS算法等。OLS学习算法源自线性回归模型，可以在学习权值的同时不断选取需要的隐含层单元，收敛速度快[6]。

该算法具体过程如下：

(1)第一步，计算

(4)

(2)在第k步，当k≥2,1≤i≤M,i≠i1,…,i≠i(k-1),计算

(5)

(3)程序在Ms步终止，当

(6)

其中，0<ρ<1为设定容差。这个模型包含一个显著的Ms变量子集。

3 仿真及结果分析

某选矿厂2015年8月份，球磨机给矿量在210-310t/h，在磨矿作业相对稳定运行的状态下，分别对球磨机给矿量、原矿水分、后补加水量、磨音、球磨机功率和化验出的磨矿粒度进行采样，取65组现场数据。通过数据预处理选出具有代表形的61组数据，将数据分成两部分，其中27组数据作为训练样本，另外的34组数据作为对神经网络模型进行泛化校验。具体数据如表1所示。

表1 训练、预测样本数据

首先对数据进行归一化处理，利用7式将其映射到之间，

(7)

其中，d为原始数据，dstd为标准化后的数据，dmax为原始数据最大值，dmin为原始数据最小值。利用matlab7.0对27组数据训练、34组校验数据进行泛化，得到的训练误差平方和为0.046，泛化相对误差平均值为6.90%，如表2所示。

表2 实验性能指标

泛化仿真结果如图4所示。从图4上可以看出虽然偶尔会出现预测值和实际值相差较大的情况，但大部分相对误差较小，并且预测值基本符合实际值的变化趋势。导致偶尔误差较大的原因是磨矿粒度为化验室所得数据，数据量小，取样分布不够均匀，训练样本少。通过增加训练样本，可以使网络输出更加理想。

图4 磨矿粒度仿真结果

4 在线软测量的实现

该选矿厂控制系统使用的是Experion PKS Process/C200

系统,是Honeywell公司推出得基于批处理、过程控制SCADA应用的开放的混合控制系统。该系统OPC服务器允许第三方OPC客户应用读/写Process点参数。利用OPC通讯协议可以将PKS控制优势与Matlab计算优势结合起来，将球磨机实时运行数据传送给Matlab，然后通过神经网络的计算，再将结果传送给PKS,实现该RBF神经网络磨矿粒度的在线软测量。

5 结论

针对选矿厂磨矿粒度在线检测成本高、易损坏，化验检测时间滞后大等问题，提出用RBF神经网络建立磨矿粒度软测量模型，应用OLS算法对数据进行训练，该算法计算时间短、逼近效果优，同时对模式调整时对已有模式扰动小。用样本数据训练、校验RBF网络，结果表明，模型测试结果与实际生产稍有误差，但变化趋势相符，模型具有可行性。通过OPC实现matlab软测量模型与PKS系统相结合，实现磨矿粒度的在线软测量。

[1] 刘德明.基于支持向量回归的磨矿粒度软测量及其软件实现[D].鞍山：辽宁科技大学，2012.

[2] 李 勇.矿过程参数软测量与综合优化控制的研究[D].大连：大连理工大学，2006.

[3] 朱继平，桂卫华，阳春华.基于RBF神经网络的磨矿粒度预测模型[J].计算机测量与控制,2008,16(10):1421-1423.

[4] 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,2010,33(3)：124-128.

[5] Simon Haykin. Neural Networks and Learning Machines，Third Edition[M]. Upper Saddle River, New Jersey,2008.

[6] Chen S,Cowan C F N,Grant P M. Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks[J]. IEEE Transactions on Neural Network, March,1991,2(2):302-309.

Soft Sensor Model Based on RBF Neural Network for Particle Size of Grinding Circuit and Implementation

Zhang Yungang，Wang Zhichun

(School of information Engineering, Inner Mongolia University of Science & Technology, Baotou 014010, China)

Grinding grading operation is a key link in mineral processing production, and particle size of grinding circuit directly affect the grade of concentrate and the recovery rate of tailings in the process of flotation. In the actual production, the measurement of particle size, one side we can use online particle size analyzer, but it’s too high cost and high maintenance rate; in other side we can measure it in off-line laboratory tests, but it’s too large time delay. Through the analysis of the actual grinding grading operation process, put forward a soft sensor model of grind size with RBF neural network and training this network by using orthogonal least squares learning algorithm. The simulation results show that the network under less training data is still very strong nonlinear processing ability and approaching ability, learning time is short, model conforms to the basic requirements. Through the OPC technology can contact the Matlab and PKS control system, which can realize real-time soft sensor particle size of grinding circuit.

particle size of grinding circuit; radial basis function; orthogonal least squares learning algorithm

2016-08-11；

2016-09-06。

国家自然科学基金项目(61463041)。

张云刚(1987-)，男，山东聊城人，硕士研究生，主要从事过程测量与控制方向的研究。

王志春(1972-)，女，内蒙古包头人，教授，硕士研究生导师，主要从事计算机控制技术及智能仪器方向的研究。

1671-4598(2017)01-0038-02DOI：10.16526/j.cnki.11-4762/tp

TP

A