摘 要：在采礦中，浮選是選礦過程很重要的一個環(huán)節(jié)。在浮選工藝中，浮選藥劑添加量是一個很重要的控制指標(biāo)。在研究了國內(nèi)外浮選過程控制現(xiàn)狀的基礎(chǔ)上提出了基于RBF神經(jīng)網(wǎng)絡(luò)技術(shù)的浮選藥劑量控制模型和基于模糊控制技術(shù)的浮選槽液位控制方法。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；過程控制；模糊控制

我國礦石“貧、細(xì)、雜”，礦石成分復(fù)雜，性質(zhì)波動嚴(yán)重，因而造成了我國浮選過程控制水平不高，浮選藥劑消耗量大，產(chǎn)品質(zhì)量波動大，精礦回收率低，經(jīng)濟(jì)效益差的現(xiàn)狀，嚴(yán)重影響了我國鋼鐵工業(yè)的國際競爭力。因此急需能夠滿足我國浮選工藝現(xiàn)狀的檢測設(shè)備及先進(jìn)控制算法，以提高我國浮選過程控制水平，以穩(wěn)定產(chǎn)品質(zhì)量，為后序煉鐵工序提供更好的原料。

對于浮選工藝過程控制，藥劑控制是根本性的。以反浮選為例，如果給藥量過少，無用礦物成分就不能充分浮選，則會導(dǎo)致精礦品位降低，不能滿足產(chǎn)品質(zhì)量要；如果藥劑量過多，不但藥劑費用大，而且會導(dǎo)致返回的中礦量增加和尾礦品位增高，回收率降低，經(jīng)濟(jì)效益不理想。

本文根據(jù)影響浮選藥劑用量的因素確定了RBF神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)。針對RBF神經(jīng)網(wǎng)絡(luò)參數(shù)難以確定的缺點，提出一種基于蟻群算法RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化方法。并通過仿真結(jié)果證明了該算法的有效性。

1 藥劑量控制模型結(jié)構(gòu)確定

目前傳統(tǒng)的藥劑添加方法是以給礦流量為參考，在應(yīng)用比例控制的方法的基礎(chǔ)上根據(jù)操作工經(jīng)驗來控制藥劑流量。但由于浮選過程的嚴(yán)重非線性、干擾因素眾多且系統(tǒng)存在大滯后。這種簡單的控制方法難以保證浮選最終精礦品位的穩(wěn)定，同時影響了精礦回收率。即使在浮選槽出口安裝上價值昂貴的在線精礦品位檢測儀表，由于浮選過程的大滯后特性，常規(guī)的閉環(huán)控制方法也難以達(dá)到目的。所以本章主要通過應(yīng)用浮選生產(chǎn)過程中積累的大量生產(chǎn)數(shù)據(jù)，根據(jù)相應(yīng)的浮選工藝參數(shù)，使用RBF神經(jīng)網(wǎng)絡(luò)技術(shù)對浮選過程進(jìn)行建模。然后根據(jù)初始生產(chǎn)條件，應(yīng)用建立好的數(shù)學(xué)模型預(yù)測所需的藥劑用量，從而克服系統(tǒng)的大滯后、非線性特性，穩(wěn)定浮選生產(chǎn)過程。

通過現(xiàn)場調(diào)研，我們知道原礦性質(zhì)和藥劑用量與浮選槽出口精礦品位有直接關(guān)系。最后我們依據(jù)工藝機(jī)理和現(xiàn)場操作工經(jīng)驗知識，最終確定給礦品位、給礦流量、給礦粒度、給礦濃度、精礦品位5個變量對藥劑流量影響最大。

因此本文將給礦品位、給礦流量、給礦粒度、給礦濃度和精礦品位5個變量作為浮選藥劑量控制模型的輸入變量，將浮選藥劑流量作為模型輸出變量，從而建立一個5輸入、1輸出的RBF神經(jīng)網(wǎng)絡(luò)模型，模型結(jié)構(gòu)如圖1所示。

圖1 浮選藥劑量控制模型結(jié)構(gòu)圖

2 基于蟻群算法的網(wǎng)絡(luò)泛化能力優(yōu)化

我們應(yīng)用處理后的樣本數(shù)據(jù)對網(wǎng)絡(luò)性能進(jìn)行了測試（這里我們使用了700組樣本數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，50組數(shù)據(jù)作為網(wǎng)絡(luò)性能測試數(shù)據(jù)，網(wǎng)絡(luò)訓(xùn)練停止條件是網(wǎng)絡(luò)訓(xùn)練誤差小于網(wǎng)絡(luò)訓(xùn)練停止誤差或者超過最大訓(xùn)練次數(shù)。我們把網(wǎng)絡(luò)最大訓(xùn)練次數(shù)規(guī)定為5000次），測試中發(fā)現(xiàn)了兩個問題。一是值得大小對網(wǎng)絡(luò)測試誤差的影響很大；二是網(wǎng)絡(luò)的訓(xùn)練停止誤差（訓(xùn)練次數(shù)）大小也影響測試誤差的大小。有時網(wǎng)絡(luò)訓(xùn)練停止誤差越小，反而網(wǎng)絡(luò)的性能越差。下面給出了仿真測試曲線：

圖2 不同r值下的模型預(yù)測曲線

3 蟻群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)

從網(wǎng)絡(luò)性能測試結(jié)果和上面關(guān)于神經(jīng)網(wǎng)絡(luò)泛化能力的相關(guān)知識我們可以知道，要提高本文RBF神經(jīng)網(wǎng)絡(luò)模型的泛化能力。在網(wǎng)絡(luò)訓(xùn)練過程中，我們所能做的就是在確定一個合適的r值（確定合理網(wǎng)絡(luò)結(jié)構(gòu)），并且判定合理的網(wǎng)絡(luò)訓(xùn)練停止誤差（也可以是學(xué)習(xí)次數(shù)）。

[圖3 蟻群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)流程圖]

但是由于r值和網(wǎng)絡(luò)訓(xùn)練停止誤差是兩個參數(shù)，只有在兩個參數(shù)都合適的情況下才能獲得最好的網(wǎng)絡(luò)性能。這樣如何尋找這兩個參數(shù)的最優(yōu)組合就成了問題的關(guān)鍵點。采用手動試驗的方式由于兩個參數(shù)的不同組合太多而難以實施。因而本文決定采用目前流行的蟻群優(yōu)化算法對上述兩個參數(shù)進(jìn)行優(yōu)化，來提高RBF神經(jīng)網(wǎng)絡(luò)的性能。本文應(yīng)用蟻群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)的流程如圖3所示。

這里我們將樣本數(shù)據(jù)分成3個部分：一部分為訓(xùn)練樣本集；一部分為內(nèi)部測試樣本集；一部分為外部測試樣本集。蟻群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)的工作過程如下：

Step1：蟻群算法參數(shù)。

Step2：隨機(jī)選定r值和網(wǎng)絡(luò)訓(xùn)練停止誤差。

Step3：采用文中的網(wǎng)絡(luò)中心和權(quán)值訓(xùn)練方法，應(yīng)用訓(xùn)練樣本集訓(xùn)練RBF網(wǎng)絡(luò)。訓(xùn)練結(jié)束后，應(yīng)用內(nèi)部測試樣本集測試網(wǎng)絡(luò)泛化誤差。

Step4：根據(jù)泛化誤差計算蟻群算法適應(yīng)度函數(shù)，適應(yīng)度函數(shù)值滿足要求或蟻群算法迭代次數(shù)超過目標(biāo)次數(shù)則停止算法，并給出參數(shù)優(yōu)化結(jié)果。否則進(jìn)行蟻群算法操作重新搜索r值和網(wǎng)絡(luò)訓(xùn)練停止誤差后返回Step3。

通過蟻群算法的優(yōu)化，我們最后得到r=1.37，網(wǎng)絡(luò)訓(xùn)練停止誤差為6.3×10-4。此時RBF神經(jīng)網(wǎng)絡(luò)仿真結(jié)果如下：

[圖4 蟻群算法優(yōu)化后的模型預(yù)測曲線]

從上面的仿真結(jié)果可以看出，使用螞蟻群算法對RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化后，模型的精度有了一定提高，模型的預(yù)測誤差絕大多數(shù)分布在±2%之間。從模型的控制精度來看，可以滿足浮選過程藥劑量控制的需要，為浮選過程控制水平的提高奠定了一定基礎(chǔ)。

作者簡介：王威（1982-），女，遼寧鞍山人，講師。