基于LM-BP神经网络的浮选药剂流量预测模型研究-矿业114网 - 在线澳门永利娱乐赌场,永利国际娱乐官网,永利手机娱乐版app 
首页 >> 文献频道 >> 矿业论文 >> 正文
基于LM-BP神经网络的浮选药剂流量预测模型研究
2019-03-14
结合东鞍山选矿厂浮选流程的实际工况,采集现场浮选流程的关键过程变量、工艺指标,提出了基于 LM-BP 神经网络的浮选药剂流量预测模型。数据交叉验证的结果表明,该方法能够在保证精矿品位、回收率等指 标满足生产要求的前提下,合理预测浮选药剂制度,使浮选矿浆达到最佳矿化状态,进而优化浮选各项指标,对于 降低选厂浮选流程的生产成本有一定的参考价值。
Series No. 512 February 2019 金 属 METAL MINE 矿 山 总第 512 期 2019 年第 2 期 基于LM-BP神经网络的浮选药剂流量预测模型研究 1 1 2,3 2,3 张臣一 唐学飞 杨 光 高 鹏 ( 1. 鞍山钢铁集团公司 东鞍山烧结厂,辽宁 鞍山 114041;2. 东北大学资源与土木工程学院,辽宁 沈阳 110819; 3 . 难采选铁矿资源高效开发利用技术国家地方联合工程研究中心,辽宁 沈阳 110819) 摘 要 结合东鞍山选矿厂浮选流程的实际工况,采集现场浮选流程的关键过程变量、工艺指标,提出了基于 LM-BP 神经网络的浮选药剂流量预测模型。数据交叉验证的结果表明,该方法能够在保证精矿品位、回收率等指 标满足生产要求的前提下,合理预测浮选药剂制度,使浮选矿浆达到最佳矿化状态,进而优化浮选各项指标,对于 降低选厂浮选流程的生产成本有一定的参考价值。 关键词 LM-BP神经网络 浮选药剂流量预测模型 药剂制度 中图分类号 TD928.9 文献标志码 A 文章编号 1001-1250(2019)-02-200-04 DOI 10.19614/j.cnki.jsks.201902038 Research on Flotation Reagent Flow Prediction Model Based on LM-BP Neural Network 1 1 2,3 2,32 Zhang Chenyi Tang Xuefei Yang Guang Gao Peng (1. Donganshan sintering Plant,Anshan Steel Group Corporation,Anshan 114041,China;2. School of Resources and Civil Engineering,Northeastern University,Shenyang 110819,China;3. National-Local Joint Engineering Research Center of Refractory Iron Ore Resources Efficient Utilization Technology,Shenyang 110819,China) Abstract Combining with the actual working conditions of flotation process in concentrator,the key process variables and process indexes of flotation process in site were collected for a long time,and a prediction model of flotation reagent flow based on LM-BP neural network was put forward. The results of data cross-validation show that this method can predict the flo⁃ tation reagent scheme reasonably make the flotation pulp reach the optimum mineralization state,and then optimize the flota⁃ tion indicators on the premise that the concentrate grade,recovery and other indicators meet the production requirements. It has a certain reference value for reducing the production cost of flotation process in the plants. Keywords LM-BP neural network,Flotation reagent flow prediction model,Flotation reagent scheme 《 永利国际娱乐官网制造 2025》和《国务院关于印发新一代人 为适应新形势下的管理要求,提高选矿药剂消 耗定额的科学性和准确性,进一步提升成本的精益 化管控水平,拓展定额管理的应用范围,推进药剂量 化定额管理工作向纵深发展。本研究立足于东鞍山 浮选工艺流程的生产实践,将新一代信息技术与复 杂的浮选工艺相融合,提出了基于 LM-BP 神经网络 的浮选药剂流量预测模型。该模型能够预测维持最 佳气泡矿化环境的药剂制度,使各级浮选分离过程 更加高效,提升浮选分离效率、降低生产成本和减少 资源浪费,实现浮选药剂制度的离线预测,辅助浮选 操作工人对药剂制度进行在线调整,进而提高传统 浮选工艺的生产效率。 工智能发展规划的通知》(国发〔2017〕35 号)共同指 出:我国经济发展进入新常态,资源和环境约束不断 强化,劳动力等生产要素成本不断上升,投资和出口 增速明显放缓,主要依靠资源要素投入、规模扩张的 粗放发展模式难以为继。形成经济增长新动力,塑 造国际竞争新优势,重点在制造业,难点在制造业, 出路也在制造业。人工智能作为新一轮产业变革的 核心驱动力,将进一步释放历次科技革命和产业变 革积蓄的巨大能量,并创造新的强大引擎,将成为带 动我国产业升级和经济转型的主要动力,届时引发 经济结构重大变革,深刻改变传统制造业生产方式, [ 1-2] 实现社会生产力的整体跃升 。 收稿日期 2018-12-03 基金项目 “十二五”国家科技支撑计划项目(编号:2015BAB15B02)。 作者简介 唐学飞(1973—),男,高级工程师。通讯作者 张臣一(1992—),男,硕士研究生。 · 200 · 唐学飞等:基于LM-BP神经网络的浮选药剂流量预测模型研究 2019年第2期 1 浮选流程概述及工业数据采集 . 1 东鞍山选厂浮选流程概述 研究以东鞍山某单一碱性反浮选生产线的生产数据 为基础,根据矿石性质与浮选流程中的关键工艺指 标对选别过程中的药剂制度进行建模预测。 1. 2 工业数据的采集 对选厂浮选车间进行现场调研,收集进入搅拌 筒的电磁流量计以及药剂消耗箱显示屏显示的流量 数据,利用浮选现场的浓度盒,按照浓度折算表获得 矿浆的实时浓度。此外,通过收集化验室对采场矿 样的物相分析结果,统计整理出原矿品位、碳酸铁含 量、磁性铁含量、亚铁含量的指标。通过化验室对浮 选流程中精矿、尾矿品位的质量追踪,计算出浮选流 程最终产品的铁回收率和产率,为后续建模工作奠 定数据基础,相关数据采集过程如图1所示。 1 近年来,鞍钢矿业公司与东北大学合作,系统地 研究了高碳酸盐铁矿石中的主要矿物赤铁矿、菱铁 矿、磁铁矿、铁白云石、石英纯矿物的可浮性,人工混 合矿和实际矿石的浮选分离特性,进而提出了处理 该类矿石的新工艺,即“分步浮选”工艺。目前,东鞍 山烧结厂针对碳酸铁含量较低的矿石采用连续磨矿 — 重选—强磁—反浮选工艺处理;针对碳酸铁含量较 高的矿石采用连续磨矿、中矿再磨、重选—强磁—分 步浮选工艺处理,取得了较好的分选指标。生产实践 表明,碳酸铁的含量对铁矿石的浮选指标影响极大。 [3-4] 随着碳酸铁含量的增加,浮选指标呈下降趋势 。本 2 浮选药剂流量预测模型的建立 . 1 影响药剂制度变量因素的筛选 流程,搭建模型的运算流程图,见图2。 2 精矿品位、回收率和产率是判断浮选生产状态 的关键工艺技术指标,这些指标的好坏制约着选厂 浮选流程的综合生产成本。浮选生产中影响工艺指 标的因素有很多,以车间目前的检测手段来看,可以 通过获得以下变量来搭建浮选药剂流量预测模型: 处理量,原矿品位、碳酸铁含量、磁性铁含量、亚铁含 量,浮选给矿量,给矿品位,精矿品位,尾矿品位、精 矿回收率、产率,正浮选生产线启用条数、反浮选生 产线启用条数,与其相对应的工业浮选药剂制度变 量为:捕收剂流量、活化剂流量、抑制剂流量、pH调整 剂流量。 2 2 . 2 神经网络建模 . 2. 1 浮选药剂流量预测模型的建立 将 2.1 节筛选出的矿石性质及浮选指标数据作 T 为输入变量x= (x1,x2,⋯x13) ,把采集到的 4 种药剂流量 T 数据作为输出变量y= (y1,y2,y3,y4) ,根据现场工艺流 2 . 2. 2 LM算法 设多元函数 f 程,建立反浮选药剂流量预测模型。根据浮选车间 工况的实际生产背景,采用基于 LM-BP 的神经网络 搭建浮选药剂流量预测模型。其中,LM算法是一种 利用数值计算理论的非线性最小二乘法。按照上述 ( x ) 是二阶可微函数,xk是局部极小 ( ) 值的某个近似解,将 f x 则有, 在解向量xk处作泰勒展开, · 201 · 总第512期 = f xk 金 属 矿 山 2019年第2期 T T 1 !(x - xk 的收敛速度快得多,也尽可能减少了梯度下降法在 f ( x ) ( ) + gk ( x - xk ) + Hk x - xk + ) ( ) 2 2 ( 1) 迭代过程中累积的误差,既有高斯-牛顿法的局部收 ο  ) x - xk  . [5] ( ) 敛性,又具有梯度下降法的全局特性 。 将非线性方程组 f ( ( x = 0转化为线性方程组: 2. 2. 3 网络结构参数的确定 T 在实际调节模型的操作中,μ的初始值是一个试 探性的参数,为了提高模型的预测精度、收敛速度, 改善模型的整体性能。在模型仿真过程中,选取初 f xk ) + gk ( x - xk ) = 0 . (2) T 若gk可逆,那么,在xk附近线性化方程,将其解记为: T -1 xk + 1 = xk -(gk ) f(xk) . (3) - 4 始值 μ = 1 × 10 ,建立反浮选药剂流量预测模型,选 取神经网络模型的网格结构为 13-24-16-4,并对模 型进行了仿真试验。 在神经网络模型迭代的过程中,构造误差函数: N 1 2 F ( W ) = e ( W ) , (4) ∑ i 2 i = 1 3 3. 1 反浮选药剂流量预测模型 模型的仿真与试验分析 ( ) 式(4)中e x 为误差,那么: T ∇ F ( ) W ) = J ( ) W ) e ( W ) , (5) (6) 在模型仿真运算的过程中,根据反浮选工艺流 2 T ∇ F ( W = J ( W e ( W ) + S ( W ) . 程,整理采集的 555 组数据,随机选取 100 组数据作 根据式(4)的结论,易得: 为 测 试 集 ,将 剩 余 数 据 用 于 训 练 模 型 。 把 - 1 2 ∇ F ΔW = - [ ( W ) ] ∇F ( W ) . (7) 为雅 T x= ( x1,x2,⋯x13) 作为模型的输入向量,将反浮选药剂 N T 2 ∇ ei( 在式(6)、式(7)中,S ( W ) = e i( W ) W ) ;J ( W ) 1 2 3 4 ( ) 流量数据y= y ,y ,y ,y 作为模型的输出向量,利用 Matlab的神经网络工具箱,搭建了反浮选药剂流量预 ∑ i = 1 可比矩阵,即: æ ∂e1 测模型,交叉验证结果如图3所示。 ( W ) ∂e1 ∂W ( W ) ∂e1 ∂W ( W ) ) ö ç ⋯ ÷ ÷ ÷ ÷ ÷ ÷ 从图3可知:反浮选药剂流量预测模型能够对浮 选药剂流量进行动态跟踪预测,从模型的交叉验证 结果来看,反浮选捕收剂流量测试值的相对误差低 于5%的占99%,pH调整剂流量测试值的相对误差低 于 5%的占 98%,抑制剂流量测试值的相对误差低于 10%的占 98%,活化剂流量测试值的相对误差低于 ç ∂W 1 2 n ç ç ∂ e2 ( W 1 ) ∂e2 ( W ) ∂e2 ( W ç ç ⋯ ⋱ ⋯ J ( W ) = ç ∂W ∂W ⋮ ∂W ÷ . (8) ç ç 2 n ÷ ÷ ÷ ÷ ÷ ÷ ÷ ç ç ç ç ç ⋮ ⋮ ∂ eN ( W 1 ) ∂eN ( W ) ∂eN ( ) W ∂W ∂ W ∂W è 2 n ø 由于高斯-牛顿法的假设是S ( W ) ≈ 0,那么根据式(8) 10%的占93%。 可得: 在实际工业生产过程中,pH调整剂流量变化幅度 - 1 T T 很小,这是因为在流程设计之初,考虑到浮选槽总体 容量和流程总回水量,而设定了保证最佳矿浆 pH值 的标准流量,pH调整剂的添加量大幅变化会严重影响 选别指标,故选厂实际生产中的 pH调整剂流量相对 稳定。抑制剂加药采用阶段控制是选厂提高金属回 收率的有效方法,活化剂的添加控制是选厂提高精矿 品位的主要手段,药剂流量的调节规律均可由模型预 测得出。 ΔW = - [ J ( W ) J ( W ) ] J ( W ) e ( W ) . (9) LM 算 法 在 高 斯 - 牛 顿 法 的 基 础 上 引 入 了 系 数 Z1,Z2,…,Zn,还原了二阶导数的部分信息,其形式为: - 1 T T ( W ΔW = - [ J ( W ) J ( W ) + μI ] J ) ( ) e W . (10) LM算法在高斯-牛顿法的基础上引入了系数μ,还原 了二阶倒数的部分信息,其形式为: - 1 T T ( W ΔW = - [ J ( W ) J ( W ) + μI ] J ) ( ) e W . (11) 3 . 2 模型性能参数 利用LM-BP神经网络对浮选过程变量与药剂消 从(11)式可以看出,如果比例系数μ = 0,则为高 斯-牛顿法;如果μ取值很大,则 LM 算法接近梯度下 降法,每迭代成功一步,μ则减小一些,这样在接近误 耗流量之间的关系进行了建模。由均方根误差 [6-7] ( RMSE)和Pearson相关系数(R) 2个参数来评价模 差目标的时候,逐渐与高斯-牛顿法相似。当μ足够 型的性能。相关模型参数如表1所示。 T 大时,总可以保证 [ J ( W ) J ( W ) + μI ] 是正定的,从而保 从表 1 可以看出,模拟相关系数较高,LM-BP 神 经网络模型可以用于浮选过程药剂流量预测。 证其可逆运算的每次迭代都对μ进行自适应调整,避 T 免了高斯-牛顿法中J ( W ) J ( W ) 为奇异矩阵时,迭代 4 结 论 在长期采集整理反浮选工艺流程过程参数的基 无法继续进行的发生。实践表明,它比梯度下降法 · 202 · 唐学飞等:基于LM-BP神经网络的浮选药剂流量预测模型研究 2019年第2期 The State Council. Notifications of the State Council on the develop⁃ ment of a new generation of artificial intelligence[EB/OL]. http:// www.gov.cn/zhengce/content/2017-07/20. [ 3] 邵安林. 东鞍山含碳酸盐赤铁矿石浮选试验研究[J]. 中南大学 学报:自然科学版,2013(2):456-460. Shao Anlin Flotation separation of Donganshan carbonates-contain⁃ ing hematite ore[J]. Journal of Central South University: Science and Technology,2013(2):456-460. 础上,针对固定浮选药剂制度难以在保证浮选各项 指标稳定的状态下及时预测调整的问题,提出了基 于LM-BP神经网络的浮选药剂流量预测模型来优化 浮选药剂制度,从而辅助浮选操作决策。试验结果 表明,LM-BP 神经网络模型可用于浮选药剂流量预 测对于优化反浮选工艺的药剂制度具有一定的参考 价值。 [4] 韩会丽,印万忠,姚 金. 东鞍山含碳酸盐磁选混合精矿分步与 分散浮选协同工艺研究[J]. 金属矿山,2016(12):71-76. Han Huili,Yin Wanzhong,Yao Jin.Synergetic flotation of step-by- step flotation and dispersing flotation technology research on car⁃ bonates- containing mixed magnetic separation concentrate from Donganshan[J]. Metal Mine,2016(12):71-76. [5] Hagan M T,Menhaj M B. Training feed forward networks with the marquardt algorithm[J]. IEEE Transactions on neural networks, 1 994(6):854-860. 参 考 文 献 [ 6] Çilek E C.Application of neural networks to predict locked cycle [1] 国务院. 永利国际娱乐官网制造 2025[EB/OL]. http://www.gov.cn/zhengce/con⁃ flotation test results[J].Minerals Engineering,2002,15(2):1095- tent/2015-05/19. 1104. The State Council. China Manufacturing 2025[EB/OL]. http://www. gov.cn/zhengce/content/2015-05/19. [7] Jahedsaravani A,Marhaban M H,Massinaei M. Prediction of the metallurgical performances of a batch flotation system by image analysis and neural networks[J]. Minerals Engineering,2014,69 (7):137-145. [ 2] 国务院. 国务院关于印发新一代人工智能发展规划的通知[EB/ OL]. http://www.gov.cn/zhengce/content/2017-07/20. (责任编辑 王亚琴) · 203 ·
  • 中矿传媒与您共建矿业文档分享平台下载改文章所需积分:  5
  • 现在注册会员立即赠送 10 积分


皖公网安备 34050402000107号

博聚网