基于数据挖掘技术的浮选液位最优化给定研究.pdf

2 0 1 3 年增刊有色金属 选矿部分 2 0 9 d o i 1 0 ．3 9 6 9 ／j ．i s s n ．1 6 7 1 - 9 4 9 2 ．2 0 1 3 ．z 1 ．0 5 3 基于数据挖掘技术的浮选液位最优化给定研究 武涛，杨文旺，周宏喜，何建成 北京矿冶研究总院，北京1 0 0 1 6 0 摘要针对目前浮选液位设定值存在人工给定不足，以及浮选液位的最优设定值难以通过常规的控制算法得出。采 用了一种依靠数据挖掘技术进行浮选液位最优给定的方法。该方法基于R e l i e f F 算法先对历史数据库进行降围处理，然后利 用实例推理模型得出浮选液位的预给定值，最后通过反馈自修正模型对预给定值进行补偿，进而得出浮选液位最优设定值。 该方法在某选矿厂成功应用，其不仅稳定了选矿指标，而且节省了人力成本。 关键词浮选液位；最优化给定；数据挖掘；实例分析 中图分类号1 7 M 5 6文献标志码A文章编号1 6 7 1 9 4 9 2 2 0 1 3 S 0 - 0 2 0 9 0 4 浮选是一种利用各种矿物表面疏水性和亲水性 的差异，对有用矿物和脉石进行分离的过程。其中 浮选液位或泡沫层厚度是浮选过程控制中的一个关 键参数，不仅可以稳定浮选流程，且有效提高选矿 指标[ 1 ‘。 目前浮选液位的控制仍处于“人工定值控制” 阶段。在实际生产中，操作员根据对浮选状况的观 察和判断，仅凭人工经验调整液位设定值，但是遇 到外界条件发生变化时，例如给矿量大小、矿浆浓 度、给矿粒度、原矿品位、p H 值等不稳定，操作 人员往往无法及时有效的调整控制回路的设定值， 因此常常出现“冒槽”或“跑尾”现象，严重影响 选别指标。 近年来数据挖掘技术被广泛应用于复杂系统建 模与控制过程中，并取得了良好的效果[ 2 ] 。所以本 文提出了针对浮选生产过程特点的数据挖掘模型， 该模型先采用主元分析方法对浮选工艺参数的历史 数据库进行降围处理，然后利用实例推理算法推出 液位最优预给定值，最后通过反馈自修正模型对预 给定值进行补偿，得到的液位值将作为浮选液位最 优给定值赋予控制系统。该方法不仅实现了浮选关 键参数的设定值与选矿指标的关联控制，而且推动 了浮选过程控制逐渐向智能化方向发展。 1浮选液位控制过程描述 浮选液位控制系统由液位测量单元、执行单元 以及控制策略单元三部分组成E 33 。首先液位测量 收稿日期2 0 1 3 1 0 2 5 作者简介武涛 1 9 8 3 一 ，男，河北武强人，硕士，工程师。 装置将检测到的浮选槽内实际液面高度转换成4 ～ 2 0m AD C 电流信号，控制站内的主控制器将传输 过来的电流信号进行M D 转换，然后通过控制单元 进行浮选专有P I D 运算后输出驱动电流信号至气动 执行机构，气动执行机构根据电流大小线性调节排 矿阀的开度，最终实现控制液位高度的目的。图1 为浮选液位控制系统原理图。 液位设定值} 反 馈 值 图1 浮选机液位控制系统原理 2 基于数据挖掘的浮选液位最优化给 定方法 2 ．1 模型建立 针对目前浮选液位系统存在的局限性，结合现 场人员的实际操作经验，本文提出了基于数据挖掘 的浮选液位设定值最优化给定的模型，如图2 所示。 先利用R e l i e f F 算法对原始历史数据库进行降 围处理，删除掉对浮选指标贡献率低的因素，然后 以原矿品位a 、给矿量大小秽、矿浆浓度c 和药剂 制度d 作为边界条件，臆和氏分别作为选矿指标 中品位和回收率的目标因数，浮选液位最优设定值 万方数据 2 1 0 有色金属 选矿部分 2 0 1 3 年增刊 y ￡ 将通过实例推理技术得出。反馈自修正模型以 模糊推理为基础，依据精矿品位和回收率化验值与 目标因数的偏差来对浮选预设定值y t 进行修正补 偿，以表示△ ，。 正 。 最终得出浮选液位最优化设定值 y ’ t 叫 t a y l 瓦 。 边 图2 液位最优化给定模型 2 ．2 数据预处理 依据浮选过程机理的研究和多年选矿经验的积 累，容易分析出对浮选指标有重要影响的几个输入 变量，例如原矿品位、给矿量、给矿粒度和浓度、 药剂制度、充气量大小、矿浆的p H 值和矿浆温度 等。假如以上变量全部加入到最优给定模型中去的 话，可能存在如下问题 1 根据历史数据记录分析，某些参数变化可 能是很小的 例如矿浆p H 值、温度 ，假如这样 的参数依然放入模型数据库，必然带来冗余信息并 加大实例推理算法的复杂度。 2 以上输入参数对于浮选精矿品位和回收率 的贡献率或影响力是不同的，可能以上少数几个主 参数特征就能反映过程的主体信息，这样就可以简 化模型结构和建模工作量。 所以，对原始数据库降围是一个关键技术。基 于数据挖掘技术的R e l i e f F 算法能够充分对其予以 解决，按照特征的不同属性，对不同类样本重要性 进行区分，进而在此基础上排序所有特征[ 4 ] 。基 于优化角度来讲，特征提取法的最大优势为相比 于原特征其新构造的特征数量较少，同时新特征还 能保持原特征的所有有用信息。 母匡卜爵匿 图3 特征选择流程图 2 ．3 实例推理算法在浮选液位最优化给定中的应用 实例推理算法作为数据挖掘中的关键技术，它 是对历史数据库中以前出现的类似问题进行重用或 修改，通过原实例来指导目标实例求解的一种方 法b ] 。考虑到浮选液位控制的特殊性，实例推理过 程共分为四部分实例特征定义、相似实例检索、 实例重用和实例修正、扩充。 实例特征定义根据数据预处理的结果以及浮 选工艺特殊性，实例特征由对选矿指标影响较大的 外界特征值和目标特征值组成。外界特征值主要包 括原矿品位仅、给矿量大小秽、矿浆浓度c 和药剂 制度d ，以 、厶厶f 4 表示；目标特征值包括最终 的精矿品位晟和回收率占。，以氖．店表示。Y f 作 为最终的液位最优给定值，以，表示。 表1实例组成 外界和目标特征定义，最优解B { t是b氛氛k弘乱 垡竺垒垒丛生 实例检索本次实例检索采用最近相邻法， 按照浮选过程工况特点的详细描述遍历和匹配实 例，并将现阶段浮选过程运行实际工况定义为肚 饼，厶石，五，石，p ，其中R 是F 解的特征描述。 假如实例P 。，鸱⋯⋯咒均为实例库中元素，实例 或 1 ，⋯，m 的工况描述为疋 旷气巾厂气加 厂气m ／气加厂气．s ，厂0 ，6 ，戤 识勺表示威解特征 描述。工况描述 与．厂气．。 1 I ，2 ⋯，6 的相似度 函数为 S i m 优， ， - 1 一意骷‘1 式中1 1 ，2 ，⋯，6 ；k l ，2 ，⋯，m 。 当前工况与库中实例 k l ，⋯，m 的相似 度函数如下式 2 3 所示 66 S i m F ，群 ∑ 训，S i m ∽，暑，。 ∑训。 2 S i m 。。x Max S i m F ，聪 3 女 1 ．⋯．m 上式 2 中，根据专家知识对工况特征描述 的加权系数埘。予以确定。在此基础上，计算得出 相似度，并以阈值S i m T H 为临界点，以给定工况 万方数据 2 0 1 3 年增刊武涛等基于数据挖掘技术的浮选液位最优化给定研究 ．2 1 1 ． 相似度为参照值遍历和检索实例库，并将所有满足 上述条件的历史实例作为匹配实例。 实例重用假设r E ，R ，⋯，f 。匹配实例 存在于实例库中，当前工况与R 1 ，⋯，r 的 相似度结果为S i m k ，胚k f 气 ， k l ，⋯，r 为与该相似度对应实例解。那么对应于当前工况的 实例解为F s 旺 ，f 由下式表示 工 ∑埘批∑埘。 k I k 1 4 公式中各实例权值采用W 。 I i } 1 ，⋯，r 来表示。 实例修正与扩充占。为回收率实际生产化验 值，阮为精矿品位实际生产化验值，若两者符合 届。。。。≤卢。t t ≤卢。。。。a n d 占。I t ≤s 。。。。 5 那么就可以直接将其存置到实例库中∽。。。，、 ／3 吲。、占。⋯三个参数为工艺确定的目标值的上限和 下限 ，反之，则需要修正实例。实例修正通常采 用以下两种方法，一是试凑法，二是经验法，它们 借助对浮选液位给定值的调整，将届小s 。。调至目 标值区域内。最后，将实例描述和实例解y ￡ 一起 存置于实例库中，在提升实例推理设定模型精确 度的同时，实现了实例库的自动、实时、动态的 更新。 2 ．4 反馈自修正模型 考虑到浮选指标经常受到给矿浓度、药剂制 度、原矿性质等外界不稳定因素而受到影响，因此 可以根据人工取样化验的结果 品位和回收率 对 实例推理算法输出的液位预设定值进行修正，以克 服干扰因素的影响。 反馈自修正模型将根据精矿品位化验值与目标 值的偏差△氏 T I ，以及回收率化验值与目标值的 偏差，然后利用以人工经验为基础的模糊推理技 术，产生反馈自修正液位值△y 。 兀 。 最终计算得到浮选液位最优化设定值 y 4 ￡ 可 f A y l T i 3 应用研究 针对本文提出的基于数据挖掘技术的浮选液位 值最优化给定方法，设计了浮选液位最优给定控制 系统，并在某选矿厂进行了工业试验。该试验主要 对浮选液位操作员手动给定和采用数据挖掘的最优 化给定进行控制效果 指标 对比。 其中最优化给定系统中，控制目标为8 3 ％≤ 卢。t ≤8 8 ％，2 0 ％- ． ／3 。≤3 0 ％。在浮选液位最优化给 定控制系统尚未投入使用期间，由操作员人工根据 当前工艺情况手动设定浮选槽内的液位值。因人工 设定通常带有一定的主观性和局限性，因此从图4 和图6 中可以发现回收率和精矿品位波动幅度较 数据点 图4 人工手动设定精矿品位曲线 数据点 图5 最优化给定精矿品位曲线 数据点 图6 人工手动设定回收率曲线 数据点 图7 最优化给定回收率曲线图 下转第2 1 5 页 万方数据 2 0 1 3 年增刊李强等基于单神经元控制器的浮选液位控制系统研究 2 1 5 矛盾，克服系统运行过程中存在的一些非线性因 素，对于浮选液位控制系统表现出很强的自适应性 和鲁棒性，从而大大改善了系统的综合性能；同 时，单神经元控制系统对于传统P I D 控制系统所解 决不了的部分问题进行了很好的弥补和优化，具有 较强的现实指导意义。 参考文献 [ 1 ] 王光辉，匡亚莉，梁华，等。基于P I D 参数模糊自整定的 浮选床液位控制研究[ J ] ．矿山机械，2 0 1 2 ，4 0 9 8 0 8 3 ． [ 2 ] 廖芊，徐文立，楚云飞．自吸浆式浮选机液位控制算法 研究[ J 1 ．金属矿山，2 0 0 4 4 6 3 6 5 ． [ 3 jJ a m s a J o u n e l aSL ，D i e t r i c hM ，H a l m e v a a r aK ，e ta 1 ． C o n t r o lo f p u l p l e v e l si nf l o t a t i o nc e l l slJJ ．C o n t r o l E n g i n e e r i n gP r a c t i c e ，2 0 0 3 ，11 7 3 8 1 ． [ 4 ] 蔡自兴．智能控制原理与应用[ M ] ．北京清华大学出 版社，2 0 0 7 ． [ 5 ] 薛定宇．反馈控制系统设计与分析[ M ] ．北京清华大学 出版社，2 0 0 0 ． [ 6 ] 焦李成．神经网络系统理论[ M ] ．西安西安电子科技大 学出版社，1 9 9 5 ． ＼ 命 岔 岔 命 命 岔 岔 岔 岔 岔 岔 命 岔 命 岔 命 岔 命 岔 僚 岔 岔 岔 命 岔 岔 岔 岔 仓 仓 仓 仓 偷 岔 【上接第2 1 1 页 大，“跑尾”现象存在。 当投人液位最优化给定系统后，从图5 和图7 可以看出精矿品位和回收率波动明显减少，均能控 制在工艺指标允许区间内。随着外界给矿因素 例 如给矿量、浓度、药剂制度等 变化，最优化液位 给定系统的优势在于能够实时对浮选液位回路的 设定值进行更新，进而使系统合理克服与规避因外 界条件的变化所对选矿指标产生的影响。对比于人 工手动给定模式，基于数据挖掘技术的最优自给定 模式为选矿指标带来了明显改善。 4 结论 针对浮选液位设定值存在难以合理选取，以及 不能采用常规控制方法给出等问题，本文采用了一 种依靠数据挖掘技术来实现浮选液位值的最优化给 定的方法。该方法在某选厂成功应用，表明了数据 挖掘技术实现浮选液位最优给定的可行性和有效 性，同时推动了浮选过程控制向智能浮选方向发展。 参考文献 [ 1 ] 张银奎，廖丽，宋俊，译．数据挖掘原理[ M ] ．北京机 械工业出版社，2 0 0 3 4 5 6 5 ． [ 2 ] 李振兴，文书明，罗良烽．选矿过程自动检测与自动化综 述[ J ] ．云南冶金，2 0 0 8 ，3 7 3 2 0 2 I ． [ 3 ] 杨文旺，武涛．微处理量浮选柱液位控制系统的设计与 研究[ J ] ．有色金属 选矿部分 ，2 0 1 1 6 5 3 5 5 ． [ 4 ] 丛峰武，张勇，孙云兰．智能数据预处理在浮选过程中 的应用[ J ] ．鞍山科技大学学报，2 0 0 5 ，2 8 6 4 2 7 4 2 9 ． [ 5 ] 杨辉，王永富，柴天佑．基于实例推理的稀土萃取分离 过程优化设定控制[ J ] ．东北大学学报，2 0 0 5 ，2 6 3 2 1 0 - 2 1 1 ． 万方数据