動態(tài)環(huán)境下選礦生產(chǎn)全流程運行指標優(yōu)化決策方法研究.pdf

1、我國赤鐵礦資源豐富，但其品位低、磁性弱、嵌布粒度細、礦物組成復雜，難以選別，因此采用焙燒-磁選的工藝進行選別。赤鐵礦選礦過程主要包括豎爐焙燒、磨礦和磁選工序?qū)⒂杏玫V物和脈石分離，使得有用礦物成分富集，從而獲得品位合格的精礦和尾礦。選礦過程運行優(yōu)化控制是根據(jù)豎爐磁選管回收率、磨礦粒度和磁選精礦品位與尾礦品位等運行指標的目標值確定各過程控制系統(tǒng)設定值，并使被控變量跟蹤設定值，從而將運行指標控制在目標范圍內(nèi)，并且盡可能提高磁選管回收率、磨礦粒

2、度和磁選精礦品位，盡可能降低尾礦品位。上述運行指標的目標值由選礦生產(chǎn)全流程的綜合精礦品位和產(chǎn)量等綜合生產(chǎn)指標來確定。因此，運行指標的優(yōu)化決策對提高綜合精礦品位和產(chǎn)量具有重要意義。
　　選礦生產(chǎn)全流程運行指標決策要使綜合精礦品位和產(chǎn)量指標在目標值范圍內(nèi)，而且使綜合精礦品位和產(chǎn)量盡可能高。運行指標和綜合精礦品位與產(chǎn)量等綜合生產(chǎn)指標之間不僅涉及到過程機理，而且與具體工藝因素相關，機理不清，難以用精確的機理模型描述。選礦生產(chǎn)過程的外部環(huán)境

3、和內(nèi)部干擾動態(tài)不確定，導致選礦生產(chǎn)全流程運行指標決策的綜合生產(chǎn)指標（綜合精礦品位和產(chǎn)量等）目標與范圍、約束條件邊界（如原料成分波動范圍、磨機等設備故障引起的運行時間變化以及最大處理能力等）的頻繁變化。因此，運行指標優(yōu)化決策是難以建立模型的多目標非線性動態(tài)優(yōu)化問題，難以采用現(xiàn)有的優(yōu)化方法實現(xiàn)運行指標優(yōu)化決策。實際生產(chǎn)中運行指標決策往往由工藝工程師憑經(jīng)驗進行。由于人工調(diào)整不當或不及時常常不能保證生產(chǎn)全流程的綜合生產(chǎn)指標在其目標范圍內(nèi)，難以實

4、現(xiàn)全流程的優(yōu)化運行，從而造成產(chǎn)品質(zhì)量差、能耗高、資源消耗大等問題。因此，研究如何在動態(tài)環(huán)境下及時有效的對選礦生產(chǎn)全流程運行指標進行優(yōu)化決策，從而實現(xiàn)生產(chǎn)全流程的全局優(yōu)化具有重要理論研究意義和應用價值。
　　本文針對上述問題，依托國家973計劃項目課題“復雜生產(chǎn)制造全流程一體化控制系統(tǒng)整體控制策略與運行控制方法”和國家自然科學基金青年基金項目“動態(tài)環(huán)境下復雜工業(yè)全過程多工序工藝指標閉環(huán)優(yōu)化決策方法”，開展選礦生產(chǎn)全流程運行指標優(yōu)化決

5、策方法的研究，主要研究工作如下:
　　1)給出了選礦生產(chǎn)全流程運行指標決策問題的數(shù)學描述。其中，給出了以運行指標磁選管回收率、強、弱磁磨礦粒度、強、弱精礦品位和強、弱尾礦品位，以及原礦性質(zhì)與生產(chǎn)工況條件強、弱磁入磨品位、強、弱磁球磨機臺時處理量、強、弱磁球磨機運行時間和廢石品位等可測干擾作為輸入，綜合精礦品位和產(chǎn)量輸出的性能指標的描述;決策變量為上述七個運行指標，約束條件包括綜合精礦品位和產(chǎn)量的上下限范圍、各運行指標上下限范圍、磨

6、機的最大設備處理能力與原礦品位的下限等資源的約束，以及運行指標和綜合生產(chǎn)指標之間關系的等式約束;運行指標決策的優(yōu)化目標為綜合精礦品位和產(chǎn)量指標在其目標范圍內(nèi)，并且盡可能的高。并且對上述運行指標優(yōu)化決策問題難以采用已有優(yōu)化方法的難點進行了分析。
　　2)針對選礦生產(chǎn)全流程運行指標多目標優(yōu)化決策、磁選管回收率與磨礦粒度等運行指標和綜合精礦品位與產(chǎn)量等綜合生產(chǎn)指標之間難以用精確的機理模型描述和優(yōu)化決策目標與約束條件動態(tài)變化的問題，將優(yōu)化

7、方法與綜合生產(chǎn)指標預報、運行指標的動態(tài)校正相結(jié)合，提出了由運行指標初值優(yōu)化、綜合生產(chǎn)指標（綜合精礦品位和產(chǎn)量）指標預報模型、指標前驗和后驗評估與動態(tài)校正組成的運行指標優(yōu)化決策的結(jié)構(gòu)。將多目標進化算法與案例推理相結(jié)合，選礦運行過程數(shù)據(jù)與專家知識相結(jié)合，動態(tài)校正與規(guī)則提取相結(jié)合，提出了運行指標初值優(yōu)化、綜合精礦品位和產(chǎn)量預報模型、指標前驗和后驗評估與動態(tài)校正模塊的設計方法。
　　3)提出了由線性主模型和非線性誤差補償模型組成的綜合精礦

8、品位和產(chǎn)量預報模型的混合建模策略。其中非線性誤差補償模型采用最小二乘支持向量機(LS-SVM)來建立。針對具有非高斯干擾的過程，模型參數(shù)估計中均值和方差性能指標不適用的問題，將隨機控制系統(tǒng)概率密度函數(shù)PDF控制的思想引入?yún)?shù)選擇問題的性能指標中，即通過使模型輸出誤差概率密度函數(shù)跟蹤一個給定的分布形狀來調(diào)整模型內(nèi)部可調(diào)參數(shù)來保證模型的精度。采用上述方法選擇LS-SVM非線性誤差補償模型的參數(shù)，建立了以運行指標為輸入的綜合精礦品位的預報模型

9、。另外，針對不同的生產(chǎn)工況條件對精礦產(chǎn)量的影響，提出了基于多模型的精礦產(chǎn)量預報模型。利用實際生產(chǎn)數(shù)據(jù)，進行了仿真實驗研究，驗證了所提出方法的有效性。
　　4)提出了基于粗糙集規(guī)則挖掘的運行指標動態(tài)校正方法。首先，根據(jù)選礦過程記錄的運行數(shù)據(jù)特征，構(gòu)建了綜合精礦品位和產(chǎn)量偏差與運行指標增量間的規(guī)則形式，然后利用基于粗糙集的規(guī)則挖掘從大量實際生產(chǎn)數(shù)據(jù)中挖掘出補償規(guī)則。當綜合精礦品位和產(chǎn)量實際值或預報值和其目標值發(fā)生偏差時，利用所挖掘的增

10、量規(guī)則對運行指標進行補償校正。通過反饋補償?shù)姆抡鎸嶒烌炞C了所提方法的有效性。
　　5)利用選礦過程的實際生產(chǎn)數(shù)據(jù)，在實驗室研發(fā)的選礦生產(chǎn)全流程運行指標優(yōu)化決策的半實物仿真平臺上開展了實驗研究。采用所提出的方法，開展了當綜合精礦品位和產(chǎn)量目標值和范圍變化，同時原料成分如入磨原礦品位、因故障等原因引起的磨機運行時間、磨機處理量三個邊界條件發(fā)生變化時，運行指標決策的實驗。實驗結(jié)果表明，在目標值與范圍和邊界條件變化時，系統(tǒng)能夠及時對運行指