磨矿过程的集成建模与智能控制方法

1、 磨削过程的集成建模与智能控制方法摘要研磨工业生产系统是一种典型的复杂非线性，多变量，具有强烈的耦合、大时滞的过程。集成建模最新研究与智能控制磨削过程的总结。这种生产系统主要包括模糊控制，神经网络控制，软件测量建模与混合智能控制策略。最后展望了在磨矿过程控制领域的研究方向。关键字磨削工艺，集成建模，智能控制1引言去皮控制过程是选矿厂的一个重要的生产工艺过程，这个过程占整个选矿厂生产成本的40%-60%。研磨控制过程的好坏直接关系到选矿厂产品的成本。研磨过程的控制主要是控制研磨过程的一些重要参数。研磨过程控制系统是一种复杂的，非线性的，非确定性的系统，因此，需要通过智能控制的方法和磨削过程建模来

2、优化。国内矿业生产机械化水平相当于国外上个世纪50年代的水平。随着计算机技术和自动化水平的进步与发展，工业过程控制系统已经是过程控制与企业管理的一种综合性一体化的自动化的系统了。北京的采矿和冶金研究所研制的银矿石的控制，ph值控制，溢流控制，这些都是单回路单参数控制方法。从70年代后期到80年代中期，由于在电子仪器和工业自动化技术和计算机技术的快速发展，我们用单板计算机控制修整的一些参数。在90年代中后期，分布式控制系统结合计算机各种控制设备和检测设备，我们实现了选矿车间生产过程的分布式控制。2010年11月23日收稿。这项工作是由辽宁省教育厅高等学校科研基金（批准号：20060432），与中

3、国与辽宁省教育厅科研创新团队项目（批准号：2008t091）资助。wangjisheng(电话电子邮件：wang_jiesheng ），中国，鞍山114044， 辽林科技大学，电子信息工程学院。sunshifeng（电子邮件:sunshifeng.cool). 中国，鞍山114044，辽林科技大学，电子信息工程学院。磨削过程目前在国内采用以下基本工艺，矿料通过球磨机的球磨仓，由球磨机将其直接研磨成合格的料渣，料渣由分级机提选，不合格的再防砂。不同种类的磨具在研磨过程中使用，这也满足了更多地矿渣提选的要求。本文从研磨过程的建模，研磨的智能控制和近年来国内外一些进步的技术

4、为我们描述了研磨过程未来的发展前景。智能控制方法包括模糊控制，神经网络控制，软测量，混合智能控制。2研磨与数学建模过程的现状数学建模是一种数学的思考方法，是运用数学的语言和方法，通过抽象、简化建立能近似刻画并"解决"实际问题的一种强有力的数学手段。数学模型是对对象的本质更深层次的思考，它可以反映对象的性质，也是在一定层面上基于一定程度精度的，抽象的，具有实际系统的结构信息。工业数学模型的过程，包括子过程和动态数学模型过程的静态数学模型过程4。在优化修整生产过程和仿真与自动化控制的提升上，工艺数学建模的研究和研磨数学建模的研究与应用已经十分广泛。磨削过程建模主要是指一种磨削数

5、学模型的建立。在1956年，s.r.broadbent，t.g.callcatt broken和一些人提出了矩阵模型，这个数学研究对描述材料破碎和粉碎的离散过程具有重要的意义。后来，l.g.austin ,d.e.kelsall, r.j.reid和其他人也发表了大量文章5。自70年代以来，许多人发表了与研磨加工数学模型相关的文章，特别是在研磨的动力学，功能函数s和故障函数b的方法的研究基础上，在很多国家都有相关的文章。研磨的数学建模实际上是研磨过程的建模。过程建模的方法就是机械结构和测试的方法。结构模型通常是由代数方程或微分方程组成。在对工业目标获得了一个全面的,清晰的认识之后，再写出过程中

6、不同类型的平衡方程（如物料平衡，能量平衡，动量平衡，等）和反映流体传热介质基本规律的动力学方程，材料的参数方程和器件的特性方程。回归分析法的机制是不需要完整的知识，只要收集大量的容易测得的变量的数据并结合机构的部分知识，使用统计的方法这些丰富的数据中提取隐藏信息，然后建立变量与因变量的数学模型。这保证了不可预测的因变量和可测量的变量之间的数学关系，并为预估因变量6-8建立了精确的数学模型。一些改进算法在最小二乘法的基础上提出，例如逐步回归法（msr）9，主成分回归法（pcr）10和plsr法11。建立投入产出模型通常只用于实验模型。一些数学模型以实际测量过程的输入与输出数据为基础，而这些数学模

7、型主要是传统的识别方法和系统辨识方法。磨削的数学模型是以智能控制为基础。只有建立一个良好的数学模型，研磨的智能控制的研究才有意义，才能更好地模拟实际的工业过程，识别问题和解决实际问题，提高磨削加工的生产效率。三,磨削的智能控制a模糊控制模糊控制的现代控制理论是基于模糊集，并以基础语言推理和模糊为规则。模糊控制系统取决于管理库的规则，这些规则引入了自然语言和与人接近的思维和推理方式，这方便了现场人员的理解与使用。模糊控制的规则由智能模糊控制器控制。1965年美国自动化专家l.a.zadeh创建的模糊集理论已经得到了迅速的发展和应用。13-14在1974年，mamdani 首次将具有模糊逻辑与模糊

8、推理的模糊控制应用在工业上，fang-ming luo在中国昆明冶金研究所也很过模糊智能控制和球磨分级系统仿真的工作。15-16参考文献17提出了一种新的模糊预测控制。预测方法可以克服纯滞后和通过使用实验信息o所得的反馈校正，可以有效防止由于模型的失配和控制环境的扰动所引起的与理想状态的偏差。预测模糊控制的仿真结果表明，预测模糊控制的效果优于模糊控制，更复杂的系统，尤其是缓慢的时变大时滞系统具有良好的适应性。参考文献18提出了一种结合模糊控制和pid控制的方法，pid控制能保持非稳态误差和良好的稳定性，而且具有自适应模糊参数的控制和速度调节的功能。模糊pid控制系统调整过程中的定性和定量的分析

9、和设计的隶属函数控制着规则的质量，反模糊，pid参数范围和其他几个问题。模糊pid控制优于简单的pid和单独的模糊控制。模糊推理的结果是磨机给矿量，出水，回水并修正pid放大系数kp，积分时间ti和微分时间td，实现pid控制的自调定，提高系统的稳定性和适应性。参考文献19混合了自适应模糊算法的知识和falcon结构克服许多控制缺点的知识，它提取的特征基于现场数据线，中心的自适应调整和mf宽度。对磨削的分级系统，通过专业的技术和工业现场总线网络，已经将整个磨削生产过程成功地控制了。该控制器具有良好的鲁棒性和精度。辅助计算机数值仿真结果表明这种控制算法具有广泛的应用价值。该算法已经成功使用在四系

10、列磨削分级系统上。参考文献10提出了模糊推理的模糊管理，回路设定模型和预测多变量模糊监控方法。控制目标是用该方法粉碎粒度控制在预期范围内并在生产过程中监控调整相关回路的设置。回路的预设定模型和相关工作条件sd和边界条件io，使用了几页案例推理发的技术给控制回路设定of，dm和dc值。参考文献21光电流；模糊控制系统是一种自动调整矿量控制球上的运行状态。结果表明，该系统是稳定的，可靠的，控制灵活，易操作，强大，能实时准确地调整操作参数。它能增强研磨分类工作效率和产品质量。参考文献22介绍了模糊控制与工程实践的基本原理，测量和负载电流与扎机的密切关系，使用二维的模糊控制器控制模糊控制的设定值，他提

11、出了矿量设定值的控制算法和控制规则。实际应用结果表明该方法有效的解决了在运行时发生在扎机腹部膨胀的问题，提高了扎机的工作效率和各项性能指标。参考文献23生产过程的磨矿分级难以建立精确的数学模型，本研究采样不依赖数学模型的模糊控制为基本控制策略。模糊控制和智能控制的磨矿分级系统具有控制精度高，速度可调，抗干扰能力强，可及时准确地调整操作参数，提高研磨的工效和分类产品的质量。参考文献24介绍了一种新的产品设计智能控制机制，这种机制应用了粒度分析仪和模糊控制中心。他描述了模糊推理的详细过程，实现一个新的多输入和多输出模糊控制模块，编译了完整的智能控制器。实验结果表明，模糊控制系统是对磨削过程反映速度

12、快更快，稳定性更强的多维控制，从而提高了生产效率。参考文献25提出一种使用模拟球磨机的磨矿方法的模糊逻辑控制策略系统。本文着重设计并实现模糊逻辑控制系统对球磨机磨矿流程的控制。使用matlab仿真。结果表明，模糊逻辑控制系统具有更好的鲁棒性和收敛性，比传统的pid控制系统对参数变化的面擀性低。模糊控制不需要精确的数学模型，可以较好的满足控制要求。b神经网络控制人工神经网络的研究已有超过60年的历史。人工神经网络26可以模拟实际系统输入输出复杂的关系。具有很强的非线性建模能力和良好的容错性。神经网络具有很强的鲁棒性，自学接近非线性关系等。它在解决非线性和不确定控制系统上具有很大的潜力。神经网络模

13、型常用反向传播（bp）神经网络和径向基函数（rbf）神经网络27。rbf神经网络模型有良好的局布近似值，非线性模型没有局部最小值，rbf神经网络模型得到了更多的研究与应用。如分布式rbf网络28，模糊聚类的rbf网络29等。磨削过程是高度非线性和随机扰动的响应，这导致浆液浓度频繁波动。我们使用常规的pid控制难以获得满意的结果，所以我们设计了一个基于浆料浓度的神经网络pid控制器。旋风除尘器使用神经网络pid控制纸浆浓度，这取得了好的控制效果，满足生产需求。神经网络控制具有自学和自适能力。这提高了控制系统的动态性能和稳态精度。单神经元pid控制器结构简单，算法简单，计算少，实时性强，易于工程施

14、工。仿真结果表明神经元具有学习特征，采用改进的单神经元能自适pid控制分级溢流浓度磨削系统，它能适应大范围变化的控制对象并具有很强的适应能力和鲁棒性。这种算法具有广阔的应用前景，可以扩展到建材，化工和其他具有相似特征的工业过程控制领域。改进的单神经元自适pid控制结构简单。作为神经元学习功能，该程序可以调整比例，积分，微分系数30-31。参考文献32分析了磨矿过程的产品质量，生产效率和工作效率。他提出磨削过程的预测模型和模糊聚类和遗传算法相结合的rbf神经网络的新方法。改进的rbf神经网络在磨削生产过程中根据磨削效率预测质量指标，并建立相应的遗传rbf神经网络预测模型。这种磨削过程具有更快的收

15、敛性和较高的预测精度，并能快速的预测生产条件，为企业的生产控制创造了较高的实用价值。网络初始权值取-1，1之间的随机数，a=0.95，b=0.05，d=3，网络隐层节点数为16，人口规模为100.例如，生产-200的晶粒尺寸f的矿产，模拟与预测磨削生产率。参考文献33-34为研磨集成，分类过程具有非线性，多变量时变参数，边界条件，复杂的波动特点，它是基于球和泵池物料平衡的动态模型，结合机理模型和经验建立有效功率的tsk模型来实现颗粒大小选择的功能。这给出了旋流器分级的实证模型，并计算了溢流浓度和基于径向基函数网络（rbfn）的溢流粒度的补偿误差。改进的磨矿分级过程是一种混合的智能动态模拟模型。

16、磨粒尺寸的问题，如生产线的成本高，滞后时间长，实现困难。我们提出了磨基于rbf神经网络结构特点的磨粒的预测模型。模型将结合磨矿分级过程的动态机理，经验知识，模糊逻辑和神经网络技术。它对提高模型精度和不同条件下的磨矿分级优化控制的适用性具有重要的现实意义。它也得到了更精确的采集矿物的粒度分布和磨削生产效率。c.软测量近年来，在过程控制和检测领域软测量是一种新的技术，它发展和研究的重要方向在检测和过程控制上。基于易测过程变量，软测量利用了易测过程变量和测试过程的数学关系。软测量技术主要是因变量的选择，数据采集与处理，软测量模型的建立。磨削粗糙度的软测量模型提出了多神经网络软测量以多神经网络模型为核

17、心，通过输入变量对输出变量的主要工具变量的非线性映射实现非线性软测量。本研究提出了通过多矿神经网络建立软测量的粒子动力学模型，这提高了软测量模型的尺寸精度和鲁棒性。选矿厂在实际开采中的磨矿与分级，软测量的设计方法基于rbf神经网络的提出。35-36参考文献37对煤粉细度进行了详细的分析，确定因变量煤粉细度的软测量模型，他构建了基于最小二乘支持向量机的煤粉细度的软测量模型并进行了实验的证明。 采用最小二乘支持向量机的方法得到的煤粉软测量模型可以实现进一步的优化控制。通过对煤粉细度软测量的检测，可达到细度的预测控制，进一步优化煤粉细度和磨机的控制过程。它有助于保证煤粉细度的产品指标并为软测量提供了

18、依据。参考文献38-39是一些难以在复杂的工业过程中使用仪器在线监测的关键的工艺参数，提出了案例的推理和软测量方法。磨削过程的关键工艺指标是能难在线直接检测和测试的。结合案例推理（cbr）技术在软测量上的优势，他提出了cbr技术和磨粒的软测量模型。因此，该方法及其粒度测试仪器的软件的实用价值高，成本低，估计精度高并具有广阔的应用前景。d.混合智能控制混合智能控制是当今的一种新的控制。它结合了模糊控制，神经网络控制及软测量一类形式优化控制的生产过程。它整合每个控件的常用功能，使控制效果达到最好。参考文献40利用了神经网络系统的学习，联想记忆，非线性并行分布处理能力来建立一个基于研磨神经网络的专家

19、系统的基本构架，提出了神经网络知识表示，推理，采集的方法。铣削加工的神经网络专家系统是在matlab环境下，利用matlab强大的数值功能，在各种不同的条件下建立网络库的推理库，培训出有价值的神经网络的权值和阈值，信息系统，数据库，知识管理和在bp网络和rbf网络下的知识库和规则库等各种数据库并创建咨询专窗。同时，在matlab环境下，知识管理对数据库进行修改并获取专业知识等操作。铣削加工的神经网络专家系统能够的基本结构；她每一个模块的功能；自动知识获取模块式是如何获取专家知识；推理机制是运用知识解决问题的方法；用户界面的i/o系统，这些问题都得到了结果。参考文献41描述磨削过程的特点，他利用

20、模糊逻辑和神经网络相结合的方法设计了基于模糊神经网络的研磨分级智能控制系统。使用方法结合了模糊逻辑和神经网络技术，系统的搜索速度快，控制精度高，不依赖被控对象的模型，具有很强的抗干扰能力，自学和自适能力。fn1和fn2输入功率指标的测定值与最优值的偏差，偏差的变化量与磨机的操作范围由nn2判断。仿真结果表明：该磨机在最佳工作点附近稳定运行，能够避免“胀肚”事故的发生。参考文献42结合了典型两磨电路的特点，采用多输入层神经网络和遗传算法结合的方法。本文介绍了多输入层神经网路混合训练算法的实数编码的遗传算法，建立了模粒度的神经网络软测量模型，并通过对现场数据的验证和应用实践的检验，证明该方法是有效的。应用结果表明，该模型能很好地完成磨矿粒度的线路。实际现场数据的验证结果和传统的单输入层的bp网络计算结果比较表明，该模型具有较高的精度。参考文献43的磨粒的关键工艺指标是常规控制方法难以有效控制的。该方法与常规控制智能控组合，提出了一种基于案例推理的研磨与分级系统的智能结构控制方法44-47。本文将常规控制智能组合，提出了在目标范围内实现粒度的磨矿分级控制系统的智能控制方法。该方法以经成功地赤铁矿的磨矿分类过程；应用结果表明，所提出的方法是有效的。参考文献48是难以用常规的方法来控制在氧化铝生料浆配料过程中磨机的符合条件，提出了混合智能控制方法的状态估计模型和负载调整模型