[发明专利]一种磨矿系统溢流粒度指标软测量方法

摘要

本发明提供一种磨矿系统溢流粒度指标软测量方法，涉及磨矿系统自动化测量技术领域。该方法包括辅助变量的选择、训练数据的取得、改进正交增量型随机权神经网络软测量模型的学习和使用三个步骤，该方法利用常规计算机控制系统和常规的检测仪表提供的在线过程数据，通过少量的人工采样，建立了基于I‑OI‑RVFLNs的磨矿系统溢流粒度软测量模型，实现了磨矿系统螺旋分级机溢流粒度的软测量。本发明的方法模型结构简单，训练速度快，预测精度高，具有很强的泛化能力，在实际应用中，能够根据过程的实时数据估计出磨矿粒度值，而且相对误差较小、可信度高，是具有很高使用价值、低成本的粒度计量手段。

主权项

1.一种磨矿系统溢流粒度指标软测量方法，其特征在于：包括以下步骤：步骤1：选择磨矿粒度软测量的辅助变量，包括：新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO、球磨机功率或电流PB、螺旋分级机功率或电流PL、时间变量TV；其中，时间变量是从最近一次加球时刻开始计算，用于表征球磨机磨矿介质数量的影响；步骤2：获取训练数据；设定独立变量：新给矿量WG、球磨机入口补加水流量LG、螺旋分级机溢流浓度DO的不同设定值的组合，形成下面的设定值集合：SSet＝{[WG，t，LG，t，DO，t]|t＝1，…，k}其中，k为该集合内的元素数量，每个元素包含一个[WG，t，LG，t，DO，t]的三元组；将该设定值集合的每一个元素依次施加于磨矿系统上，每加一次元素[WG，t，LG，t，DO，t]之后待磨矿系统进入稳态，在螺旋分级机溢流处由人工采集样本，送实验室测量样本的粒度数值FO，t，同时记录采样时刻TV，t作为本次采样的时间变量，并同时记录球磨机功率或电流PB，t、螺旋分级机功率或电流PL，t；待本次采样及记录完成后，对磨矿系统施加下一个元素；由此，得到如下的数据集合，即成为软测量样本数据的训练集：{[WG，t，LG，t，DO，t，PB，t，PL，t，TV，t]|t＝1，…，k}→{[FO，t]|t＝1，…，k}其中，→符号左边的变量为磨矿粒度软测量模型的输入变量，即辅助变量，→符号右边的变量为磨矿粒度软测量模型进行训练学习的导师信号，即磨矿粒度值；步骤3：改进正交增量型随机权神经网络(简称I‑OI‑RVFLNS)软测量模型的训练学习和使用，包括训练方法和测量方法，其流程具体为：步骤3.1：进行所有变量的初始化；步骤3.2：判断本次运行选择的为I‑OI‑RVFLNS软测量模型训练还是磨矿粒度指标软测量，如果本次运行为训练过程，则转至步骤3.3；如果神经网络已经训练好，本次运行过程为测量当前状态下的溢流浓度指标，则转至步骤3.8；步骤3.3：从数据库中读取模型训练所需数据集D＝{(xi，yi)|xi∈Rn；yi＝R；i＝1，…，N}，进行模型学习初始化；其中，N是样本集合(xi，yi)的个数，N≥L，L是改进正交增量型随机权神经网络中固定的隐含层节点数目，xi为输入数据集，yi为输出数据集，n为输入数据的维数；步骤3.4：对训练数据进行归一化处理，并输入I‑OI‑RVFLNS软测量模型；步骤3.5：模型相关待定参数确定；I‑OI‑RVFLNS模型需要预先设定的待定参数包括：激活函数类型G、网络中固定的隐含层节点数目L、最大迭代次数Mmax、均方根误差的设定值e0、相邻两次迭代的均方根误差差值的设定值ε0、正数γ＝10‑6，其中Mmax＞L；步骤3.6：I‑OI‑RVFLNS模型初始化训练及模型参数确定；基于模型训练样本集以及预先设定的模型相关待定参数，进行模型的学习和训练，具体包括两个阶段，初始化阶段和增量学习阶段；在初始化阶段，进行赋初值，网络中没有隐含层节点，即当前隐含层节点数j＝0，当前迭代次数M＝0，将残差初值设定为训练数据的输出E＝Y，Y＝[y1，y2，…，yN]∈R；在增量学习阶段，当当前迭代次数M小于最大迭代次数Mmax，即M＜Mmax，当前输出指标的均方根误差eM大于均方根误差的设定值e0，即eM＞e0，并且当前相邻两次迭代的均方根误差差值εM大于相邻两次迭代的均方根误差差值的设定值ε0，即εM＞ε0时，逐一增加当前隐含层节点数j和当前迭代次数M，即令j＝j+1，M＝M+1；随后在概率空间Sn(Ω，α)范围中随机为新增隐含层节点的输入权值wj和偏置bj赋值，并按相应的公式计算新增的隐含层节点经正交后的输出向量Vj、新增隐含层节点的输出权重βj以及新增隐含层节点加入后的残差Ej；当实际迭代次数M大于最大迭代次数Mmax或输出指标的均方根误差小于设定值e0或输出指标的相邻两次迭代的均方根误差差值小于设定值ε0时，训练过程结束；步骤3.7：引入均方根误差RMSE作为建模误差，评估建模效果，均方根误差RMSE为：如果建模误差符合实际工况标准，则保存I‑OI‑RVFLNS软测量模型，作为溢流粒度指标预报模型，该模型为若建模误差不符合预定标准，则继续训练，转至步骤3.5：步骤3.8：读取I‑OI‑RVFLNS模型：调出步骤3.7训练好的溢流粒度指标预报模型；步骤3.9：读取模型预报的过程数据；步骤3.10：判断过程是否进入稳态，如果是，则开始进行软测量过程；否则返回步骤3.9等待进入稳态；步骤3.11：对稳态过程数据进行归一化处理后输入I‑OI‑RVFLNS模型；步骤3.12：计算I‑OI‑RVFLNS模型的输出，进行溢流粒度指标预报，并在人机界面上显示本次溢流粒度指标预报的结果；步骤3.13：将本次软测量的相关输入输出数据保存到相应的历史数据库，供后续系统评估、修正以及查询所用；步骤3.14：判断是否需要继续测量，如果需要继续测量，则返回至步骤3.9；如果不需要继续测量，则结束测量过程。