一種球磨過程的物料粒徑分布預測方法技術

本發明專利技術提供一種球磨過程的物料粒徑分布預測方法，包括：基于物料的破碎分布函數、連續破碎速率函數以及停留時間分布函數，獲得連續磨礦的物料粒徑分布預測模型；基于所述物料粒徑分布預測函數，獲得預測的物料粒徑分布與實際的物料粒徑分布之間的預測誤差；以及設置調整閾值和多個誤差區間，基于一定時間內所述預測誤差出現在不同誤差區間的概率與調整閾值的關系，相應調整所述預測模型。本發明專利技術為指導球磨生產、實現球磨過程優化控制與節能降耗創造條件。

Material particle size distribution prediction method in ball milling process

The invention provides a prediction method, size distribution of a ball milling process of material particle distribution function, including: breaking the continuous material breakage rate and residence time distribution function based on continuous grinding particle size distribution model; the particle size distribution prediction function based on prediction of the particle size and distribution the actual particle size distribution between the prediction error; and setting threshold and multiple error interval, the time prediction errors in the probability of different error interval and adjust the threshold based on the adjustment of the corresponding prediction model. The invention creates conditions for guiding ball milling production, realizing optimization control of ball milling process and saving energy and reducing consumption.

【技術實現步驟摘要】
一種球磨過程的物料粒徑分布預測方法
本專利技術涉及球磨物料分析
，更具體地，涉及球磨過程的物料粒徑分布預測方法。
技術介紹
球磨過程是選礦工藝中的一個重要環節，其通過球磨機將礦物研磨至作業要求的粒級，以便于浮選，從而更多的得到精礦。在球磨過程中，過磨會造成球磨機本身的電耗和鋼耗，還將增加分級機的功耗；欠磨也會造成能量消耗，還無法滿足后續生產要求。為此，優化球磨過程的操作，將礦物研磨至作業要求的粒徑且保持穩定，對于提高浮選效率和資源綜合利用率，實現節能降耗具有重要意義。磨礦產品粒徑分布是指導球磨優化生產的重要信息，但難以在線檢測，為此大量的研究學者建立各種模型用于實現球磨產品粒徑分布的預測。以鋁土礦球磨過程為例，其為我國首創的鋁土礦選礦拜耳法氧化鋁生產的第一個工序。為了更好地優化該球磨過程，有學者建立基于總體平衡模型建立了其磨礦產品的粒徑分布預測模型。但國內礦石來源復雜，且過程動態特性復雜多變、具有時變性，預測模型若不能在線修正，則無法長期保證其預測精度。
技術實現思路
本專利技術提供一種克服上述問題或者至少部分地解決上述問題的球磨過程的物料粒徑分布預測方法。根據本專利技術的一個方面，提供一種球磨過程的物料粒徑分布預測方法，包括：S1、基于物料的破碎分布函數、連續破碎速率函數以及停留時間分布函數，獲得連續磨礦的物料粒徑分布的預測模型；S2、基于所述預測模型，獲得預測的物料粒徑分布與實際的物料粒徑分布之間的預測誤差；以及S3、設置調整閾值以及多個誤差區間，基于一定時間內所述預測誤差出現在不同誤差區間的概率與調整閾值的關系，相應調整所述預測模型。本申請提出了一種球磨過程的物料粒徑分布預測方法，根據破碎分布函數、連續破碎速率函數以及停留時間分布函數，獲得物料粒徑分布預測模型，建立連續磨礦物料的粒徑分布預測模型，根據一段時間內預測誤差的統計結果，對模型中連續破碎速率函數、破碎分布函數以及停留時間分布函數的相關參數進行多尺度修正，以保證產品粒徑分布預測的長期可靠性和精確性，為指導球磨生產、實現球磨過程優化控制與節能降耗創造條件。附圖說明圖1為根據本專利技術實施例的球磨過程的物料粒徑分布預測方法的流程圖；圖2為根據本專利技術實施例的可學習神經網絡的結構示意圖圖；圖3為根據本專利技術實施例的參數a的預測結果和修正結果的對比示意圖；圖4為根據本專利技術實施例的參數μ的預測結果和修正結果的對比示意圖；圖5為根據本專利技術實施例的可學習神經網絡中隱含層神經元的內部結構示意圖。具體實施方式下面結合附圖和實施例，對本專利技術的具體實施方式作進一步詳細描述。以下實施例用于說明本專利技術，但不用來限制本專利技術的范圍。針對現有技術中對球磨物料的粒徑分布預測不足，并且不能對預測結果進行在線糾正的缺點，本專利技術提出了一種球磨物料的粒徑分布預測方法。圖1示出了本專利技術實施例的球磨過程的物料粒徑分布預測方法的流程示意圖，如圖可知，包括：S1、基于物料的破碎分布函數、連續破碎速率函數以及停留時間分布函數，獲得連續磨礦的物料粒徑分布的預測模型；S2、基于所述預測模型，獲得預測的物料粒徑分布與實際的物料粒徑分布之間的預測誤差；以及S3、設置調整閾值以及多個誤差區間，基于一定時間內所述預測誤差出現在不同誤差區間的概率與調整閾值的關系，相應調整所述預測模型。在一個實施例中，所述破碎分布函數用于描述物料經一次破碎后，其碎屑的粒徑分布，用bij表示，其具體意義是第j粒級的物料經一次破碎后的產品進入第i粒級的質量分數，i＞j，則第i粒級比第j粒級細，其中，bij的計算公式為：bij＝Bi-1,j-Bi,j公式中Bij表示第j粒級物料破碎后，小于第i粒級上限的物料的質量分數，所述Bij的計算公式為：其中，b'1，b'2，b'3，b'4為待確定的破碎分布參數，基于分批磨礦實驗數據，通過分批磨礦模型的里德解優化反算得到破碎分布參數；x1，xi，xj分別表示第1，i，j粒級物料的直徑；n表示第n個粒級。在一個實施例中，通過分批磨礦模型的里德解優化反算得到破碎分布參數具體包括以下步驟：根據一階破碎動力學公式，得到可實際應用的分批磨礦產品粒徑的里德解：其中，當t＝0時，wi(0)代表分批磨礦的初始加料(即入料)中第i粒級物料質量分數，當t為其他值時，wi(t)是經過t分鐘磨礦作用后的第i粒級物料質量分數，σik為分批磨礦的遞推參數，Si和Sj分別為分批磨礦的第i和j粒級物料的破碎速率。為了確定破碎分布函數，本專利技術進一步定義了優化反算目標函數：其中，wim(i)表示第m次實驗的磨礦產品中第i粒級物料的實測質量分數，表示第m次實驗的磨礦產品中第i粒級物料的模型預測值。在分批磨礦實驗中，記錄磨礦時間t和wi(t)，根據磨礦時間t以及wi(t)，獲得分批破碎速率函數S'i：其中，α表示破碎速率參數、Λ表示粒徑破碎變化參數、a表示工況決定參數、μ表示物料分布決定參數。按經驗給定初始的b'1，b'2，b'3，b'4，尋優使得Er最小的b'1，b'2，b'3，b'4，得到所述Bij，進而確定破碎分布函數bij。在一個實施例中，所述連續破碎速率函數的計算公式為：其中，xi表示第i粒級物料的粒徑，x0表示入料的粒徑；是第i粒級物料經t分鐘研磨后的破碎速率和前一個磨礦時間點破碎速率的比值，可由分批磨礦實驗結果計算得到；α表示破碎速率參數、Λ表示粒徑破碎變化參數、a表示工況決定參數、μ表示物料分布決定參數。α、Λ、a以及μ均可根據分批實驗數據反算得到。在物料性質不變的情況下，參數α、Λ不會改變，而a、μ受磨礦條件決定的，在分批磨礦時，a、μ由分批磨礦的實驗條件確定，若是實際生產(即連續磨礦時)，則a、μ需要根據連續磨礦過程采樣數據反算確定。在一個實施例中，圖2示出了本專利技術實施例的可學習神經網絡的結構示意圖，對于根據現場采樣數據反算確定的連續破碎速率函數S的參數a、μ，對應工況參數，所述工況參數包括：磨機電流、入磨機水流量、原礦下料量、礦漿流量以及下料粒徑分布參數，建立工況參數和連續破碎速率函數中的參數a和μ間的可學習神經網絡。在一個實施例中，建立可學習神經網絡包括以下步驟：根據分批磨礦的工況參數反算連續破碎速率S模型的參數a、μ；將分批磨礦的工況參數與所述初始的工況決定參數和物料分布決定參數作為建模樣本，建立可學習神經網絡；工況參數包括：磨機電流，入磨水流量，磨礦下料量，礦漿流量，下料粒級分布參數；選定隱含層神經元個數和激勵函數種類；將連續破碎速率S模型的參數a、μ作為輸出神經元；以及用極限學習機訓練該可學習神經網絡。可學習神經網絡，其神經元函數是任意線性無關的基函數簇的線性組合，每個神經元輸入都是上一層神經元輸出所有的線性累加和，每個神經元輸出都是下一層神經元的輸入。在一個實施例中，將連續磨礦過程分解成N次時間相同、物料量不同的分批磨礦過程，建立物料在磨機內的停留時間分布函數E(t)：式中，Γ(N)是伽馬函數，t是物料研磨時間，τ是物料平均停留時間，可根據生產過程數據計算得到。在一個實施例中，連續磨礦過程的產品粒徑分布預測模型的計算公式為：其中，pi和fi分別代表磨機排礦、入料中第i粒級物料的質量分數，dij表示一個下三角矩陣，代表球磨機模型，0＜dij＜1。所述球磨機模型dij的計算公式為：式中，vj表示停留時間為本文檔來自技高網...

【技術保護點】
一種球磨過程的物料粒徑分布預測方法，其特征在于，包括：S1、基于物料的破碎分布函數、連續破碎速率函數以及停留時間分布函數，獲得連續磨礦的物料粒徑分布的預測模型；S2、基于所述預測模型，獲得預測的物料粒徑分布與實際的物料粒徑分布之間的預測誤差；以及S3、設置調整閾值以及多個誤差區間，基于一定時間內所述預測誤差出現在不同誤差區間的概率與調整閾值的關系，相應調整所述預測模型。

【技術特征摘要】
1.一種球磨過程的物料粒徑分布預測方法，其特征在于，包括：S1、基于物料的破碎分布函數、連續破碎速率函數以及停留時間分布函數，獲得連續磨礦的物料粒徑分布的預測模型；S2、基于所述預測模型，獲得預測的物料粒徑分布與實際的物料粒徑分布之間的預測誤差；以及S3、設置調整閾值以及多個誤差區間，基于一定時間內所述預測誤差出現在不同誤差區間的概率與調整閾值的關系，相應調整所述預測模型。2.如權利要求1所述的方法，其特征在于，所述步驟S1之前還包括：基于第1粒級物料和其他任意兩個粒級物料的粒徑以及破碎分布參數，獲得任意兩個粒級物料的所述破碎分布函數；基于任意一個粒級物料的粒徑、物料的入料粒徑、該粒級物料在某時刻以及前一時刻的破碎速率的比值、破碎速率參數、粒徑破碎變化參數、工況決定參數以及物料分布決定參數，獲得所述連續破碎速率函數；以及基于伽馬函數、球磨時間以及物料平均停留時間，獲得物料在球磨時間內的停留時間分布函數。3.如權利要求1所述的方法，其特征在于，所述步驟S2之前還包括：基于所述預測模型，獲得磨機出口每一粒級物料的預測的質量分數；基于磨機出口每一粒級物料的預測的質量分數和實際的質量分數以及總粒級數，獲得均方根誤差；以及基于所述均方根誤差，識別所述預測模型滿足精度要求。4.如權利要求2所述的方法，其特征在于，獲得所述工況決定參數和物料分布決定參數的方法為：根據分批磨礦的工況參數反算，獲得初始的工況決定參數和物料分布決定參數；將所述分批磨礦的工況參數與所述初始的工況決定參數和物料分布決定參數作為建模樣本，建立可學習神經網絡；設置所述可學習神經網絡的隱含層神經元個數和激勵函數種類；以及將所述工況參數輸入至所述可學習神經網絡，獲得所述可學習神經網絡輸出的所述工況決定參數和物料分布決定參數。5.如權利要求4所述的方法，其特征在于，所述步驟S3包括：S3.1、設置調整誤差閾值為P0以及三個依次增大的誤差閾值ε0，ε1，ε2，在一段連續時間內統計預測模型誤差...

【專利技術屬性】
技術研發人員：王雅琳，楊少明，孫備，張鵬程，彭凱，王曉麗，桂衛華，
申請(專利權)人：中南大學，
類型：發明
國別省市：湖南,43