论文部分内容阅读
[摘要]水力旋流器溢流粒度是衡量其工作状况的一个重要参数，其直接影响到选矿生产的工作效率，间接影响到最终产品的质量。本文从溢流粒度模型出发，逐步对影响溢流粒度生产过程中相关变量进行分析，通过神经元软测量模型对溢流粒度进行预测，最大发挥水力旋流器的最佳潜能以得到最佳经济效益。
[关键词]水力旋流器 溢流粒度 软测量
[中图分类号] TU113.2+2[文献码] B [文章编号] 1000-405X（2014）-4-100-1
1引言
水力旋流器是利用离心力场分离不同粒度混合物的高效分离设备。它具有结构简单、操作方便、生产能力大、分离效率高、无转动部件、占地面积小等优点。在国民经济的许多部门得到广泛应用。就选矿而言，水力旋流器广泛应用于分级、脱泥、浓缩、澄清、选别和洗涤等作业[1]。
水力旋流器溢流粒度情况是其重要的一项重要的生产指标，其直接影响到选矿生产的工作效率，间接影响到最终产品的质量。
2影响水力旋流器溢流粒度因素分析
国内外专家学者就溢流粒度模型进行了大量的研究工作，提出了许多计算式。这些计算式虽然基于旋流器生产工艺，由于其计算式只针对于局部生产工艺，不能普遍解决溢流粒度的计算问题，但是其分析出的影响溢流粒度的因素具有普遍性。
拉苏莫夫法计算溢流粒度d50[2]公式
式（1）中，d50为理论溢流粒度，D为旋流器直径，d0为溢流管直径，db为沉砂口直径，CW为旋流器给矿浓度，KD为直径修正系数，P0为旋流器入口压力，ρ矿为矿石密度，ρ介为介质密度。
根据溢流粒度公式（1），可以分析出溢流粒度主要和水力旋流器结构参数和外部操作参数有关，其中水力旋流器直径D、溢流管直径d0、沉砂口直径db是无法在线检测，可以通过更换周期进行预测；可以实时检测的有入口压力P0、给矿浓度CW，通过化验得到矿石密度ρ矿和介质密度ρ介，其中溢流粒度OP可以反映出水力旋流器的工作状态和分级效果[3]。
3水力旋流器溢流粒度软测量模型设计
由于影响水力旋流器溢流粒度的因素多、及其复杂，基于现场生产实践，提出了一种基于RBF神经网络的溢流粒度软测量模型。
3.1软测量模型数据的预处理
由于影响入口压力P0、给矿浓度CW等数据的因素较多，需要采取有效的手段来保证数据的真实性，因此在对数据训练之前，对其进行降噪处理，在溢流粒度软测量模型中，采用了小波包降噪算法[4]。同时由于现场采集的数据不在同一数量级，还对数据进行了标准化处理，将采集的数据样本标准化到[-1，1]之间，并且提高软测量模型的准确性和训练速度。
通过对式（2）进行推理的得出式（3）：
式中，d为转换后的数据，即目标数据；dmax、dmin分别为目标数据的最大值和最小值，同时取dmax=1，dmin=-1；x为原始样本数据；xmax、xmin分别为原始样本数据的最大值和最小值。
3.2软测量模型
由于RBF神经网络具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快，所以选用RBF网络作为核心算法。以给矿流量、入口压力P0、给矿浓度CW、旋流器组数以及水力旋流器直径D、溢流管直径d0、沉砂口直径db的经验磨损曲线，作为输入层输入量，高斯函数作为隐含层基函数，以旋流器溢流粒度作为输出，构建网络，如图1，其中
其中，i=1，2，3，...，M，M是感知单元的个数；x是L维输入向量；ci是第i个基函数中心，与x具有相同维数；δi是第i个RBF的标准差，它决定了该基函数到中心的宽度，从图1可以看出，输入层实现从x→Ri （x）的非线性映射，输出层实现从Ri （x）→Yj的线性映射。
其中，j=1，2，3，...，N，N为输出维数；Y_j是第j个输出节点的输出；W_ij是第i个单元到第j个输出层单元的联接权；Z_j是第j个输出单元的偏置。
4软测量模型现场应用
样本训练采用某选矿厂旋流器生产过程中1000个数据点进行训练，通过收集和分析相关软测量模型的输入数据以及化验室的溢流粒度数据（数据点每小时一个化验数据），把采集的输入数据输入到软测量模型中，与化验室的化验数据进行对比，软测量模型预测的溢流粒度的标准误差在1%以内，满足选矿厂对溢流粒度的要求，可以采用此数据来指导生产。
5结论
虽然本文论述的软测量模型已在实践中进行了试验，达到了预期的效果，可以作为控制系统的输入，来对生产进行控制。但是工艺的复杂性，采样数据无法覆盖全部选矿厂的水力旋流器。针对该问题，可以通过调整模型的权重因子来对软测量模型进行修正，可以满足现实需要。
参考文献
[1]蒋明虎，赵立新，李枫等.旋流器分离技术[M].哈尔滨：哈尔滨工业大学出版社，2000.
[2]庞学诗.水利旋流器的选择计算.国外金属矿选矿，1997（12）.
[3]李兴华.水力旋流器自动控制系统研究与应用[D].大连：大连理工大学，2012.
[4]孙玉波.浅谈水力旋流器的工作原理和影响参数[J].矿业快报，2003.1（1）：5-8.
[关键词]水力旋流器 溢流粒度 软测量
[中图分类号] TU113.2+2[文献码] B [文章编号] 1000-405X（2014）-4-100-1
1引言
水力旋流器是利用离心力场分离不同粒度混合物的高效分离设备。它具有结构简单、操作方便、生产能力大、分离效率高、无转动部件、占地面积小等优点。在国民经济的许多部门得到广泛应用。就选矿而言，水力旋流器广泛应用于分级、脱泥、浓缩、澄清、选别和洗涤等作业[1]。
水力旋流器溢流粒度情况是其重要的一项重要的生产指标，其直接影响到选矿生产的工作效率，间接影响到最终产品的质量。
2影响水力旋流器溢流粒度因素分析
国内外专家学者就溢流粒度模型进行了大量的研究工作，提出了许多计算式。这些计算式虽然基于旋流器生产工艺，由于其计算式只针对于局部生产工艺，不能普遍解决溢流粒度的计算问题，但是其分析出的影响溢流粒度的因素具有普遍性。
拉苏莫夫法计算溢流粒度d50[2]公式
式（1）中，d50为理论溢流粒度，D为旋流器直径，d0为溢流管直径，db为沉砂口直径，CW为旋流器给矿浓度，KD为直径修正系数，P0为旋流器入口压力，ρ矿为矿石密度，ρ介为介质密度。
根据溢流粒度公式（1），可以分析出溢流粒度主要和水力旋流器结构参数和外部操作参数有关，其中水力旋流器直径D、溢流管直径d0、沉砂口直径db是无法在线检测，可以通过更换周期进行预测；可以实时检测的有入口压力P0、给矿浓度CW，通过化验得到矿石密度ρ矿和介质密度ρ介，其中溢流粒度OP可以反映出水力旋流器的工作状态和分级效果[3]。
3水力旋流器溢流粒度软测量模型设计
由于影响水力旋流器溢流粒度的因素多、及其复杂，基于现场生产实践，提出了一种基于RBF神经网络的溢流粒度软测量模型。
3.1软测量模型数据的预处理
由于影响入口压力P0、给矿浓度CW等数据的因素较多，需要采取有效的手段来保证数据的真实性，因此在对数据训练之前，对其进行降噪处理，在溢流粒度软测量模型中，采用了小波包降噪算法[4]。同时由于现场采集的数据不在同一数量级，还对数据进行了标准化处理，将采集的数据样本标准化到[-1，1]之间，并且提高软测量模型的准确性和训练速度。
通过对式（2）进行推理的得出式（3）：
式中，d为转换后的数据，即目标数据；dmax、dmin分别为目标数据的最大值和最小值，同时取dmax=1，dmin=-1；x为原始样本数据；xmax、xmin分别为原始样本数据的最大值和最小值。
3.2软测量模型
由于RBF神经网络具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快，所以选用RBF网络作为核心算法。以给矿流量、入口压力P0、给矿浓度CW、旋流器组数以及水力旋流器直径D、溢流管直径d0、沉砂口直径db的经验磨损曲线，作为输入层输入量，高斯函数作为隐含层基函数，以旋流器溢流粒度作为输出，构建网络，如图1，其中
其中，i=1，2，3，...，M，M是感知单元的个数；x是L维输入向量；ci是第i个基函数中心，与x具有相同维数；δi是第i个RBF的标准差，它决定了该基函数到中心的宽度，从图1可以看出，输入层实现从x→Ri （x）的非线性映射，输出层实现从Ri （x）→Yj的线性映射。
其中，j=1，2，3，...，N，N为输出维数；Y_j是第j个输出节点的输出；W_ij是第i个单元到第j个输出层单元的联接权；Z_j是第j个输出单元的偏置。
4软测量模型现场应用
样本训练采用某选矿厂旋流器生产过程中1000个数据点进行训练，通过收集和分析相关软测量模型的输入数据以及化验室的溢流粒度数据（数据点每小时一个化验数据），把采集的输入数据输入到软测量模型中，与化验室的化验数据进行对比，软测量模型预测的溢流粒度的标准误差在1%以内，满足选矿厂对溢流粒度的要求，可以采用此数据来指导生产。
5结论
虽然本文论述的软测量模型已在实践中进行了试验，达到了预期的效果，可以作为控制系统的输入，来对生产进行控制。但是工艺的复杂性，采样数据无法覆盖全部选矿厂的水力旋流器。针对该问题，可以通过调整模型的权重因子来对软测量模型进行修正，可以满足现实需要。
参考文献
[1]蒋明虎，赵立新，李枫等.旋流器分离技术[M].哈尔滨：哈尔滨工业大学出版社，2000.
[2]庞学诗.水利旋流器的选择计算.国外金属矿选矿，1997（12）.
[3]李兴华.水力旋流器自动控制系统研究与应用[D].大连：大连理工大学，2012.
[4]孙玉波.浅谈水力旋流器的工作原理和影响参数[J].矿业快报，2003.1（1）：5-8.