一种基于人工神经网络优化磨矿产品粒度组成特性的方法技术

本发明专利技术涉及一种基于人工神经网络优化磨矿产品粒度组成特性的方法，属于磨矿优化技术领域。对影响磨矿产品粒度组成特性的磨矿工艺因素进行分析，确定几种对其影响较大的因素作为需要优化的因素，并确定最佳取值范围；以磨矿工艺因素为自变量，磨矿产品粒度特性为因变量，对人工神经网络进行训练，确定最佳的人工网络结构，并以此构建磨矿产品粒度特性预测模型；采用优化算法对获得的磨矿产品粒度特性预测模型的初始阈值和权值进行优化，得到最佳的磨矿产品粒度特性预测模型；依据优化算法的寻优能力寻找最佳的产品粒度特性指标以及对应的磨矿参数。本发明专利技术有效弥补传统试验优化方案难以达到最佳磨矿产品粒度特性的问题。难以达到最佳磨矿产品粒度特性的问题。难以达到最佳磨矿产品粒度特性的问题。

【技术实现步骤摘要】
一种基于人工神经网络优化磨矿产品粒度组成特性的方法


[0001]本专利技术涉及一种基于人工神经网络优化磨矿产品粒度组成特性的方法，属于磨矿优化


技术介绍

[0002]磨矿是将已破碎矿石进行粉磨的过程，其目的是使矿石达到单体解离。但随着矿石贫化程度越来越高，选厂对磨矿作业的要求也随之增加。如今，磨矿作业已不单单是要让矿石达到单体解离，还应积极提高产品粒度均匀特性。若磨矿产品中的过磨和欠磨严重，将严重危害矿物分选过程，造成精矿品位和回收率下降，而且还会产生不必要的能源耗费，提高选矿成本。所以，提高磨矿产品粒度均匀特性是有效提高选厂选别指标的关键所在，对选厂提效降耗具有重要意义。
[0003]磨矿产品粒度特性的影响因素包括三类：入磨矿石的物理性质、粒度特性，磨矿设备的种类及结构，磨矿阶段可调节的工艺因素。入磨矿石的物理性质波动较大、改变入料粒度成本过高，现场基本不作为优化磨矿作业的手段。而对设备进行改型及更换，均需对设备进行购置或对厂房进行调整，改进成本偏高，难以最大程度地提高选厂经济效益。而通过工艺因素进行优化，可以有效降低磨矿产品的过粗和过细级别产率，积极地改善磨矿产品的粒度组成特性，从而提高产品的回收率。
[0004]人工神经网络由于具有学习能力强、处理规模大等优点，现已被广泛选矿行业。且由于其良好的非线性拟合能力，常被用来研究具有非线性以及不确定性的工业应用。磨矿产品粒度特性是由多种磨矿工艺因素共同影响的非线性指标，常规方法难以进行对其预测和优化，而采用人工神经网络对磨矿工艺因素进行优化能有效达到优化的目的。
[0005]《基于BP人工神经网络的球磨机钢球配比预测模型》，张胜东等，公开了采用BP人工神经网络对实验室磷矿球磨机磨矿中的钢球配比与磨矿产品粒级分布的关系进行建模，来预测对应的球磨机内钢球配比的。但是仍然存在采用BP人工神经网络将实验数据建立预测模型，没有达到很好的预测结果。

技术实现思路

[0006]根据上述现有技术存在的问题及不足，本专利技术提供一种基于人工神经网络优化磨矿产品粒度组成特性的方法。本专利技术在基于人工神经方法的基础上，通过优化算法对磨矿作业中的磨矿工艺因素进行优化，从而达到优化磨矿产品粒度特性的目的，有效弥补传统试验优化方案难以达到最佳磨矿产品粒度特性的问题，提高磨矿产品粒度组成特性的优化效果。本专利技术通过以下技术方案实现。
[0007]一种基于人工神经网络优化磨矿产品粒度组成特性的方法，其具体包括以下步骤：
[0008](1)对影响磨矿产品粒度组成特性的磨矿工艺因素进行分析，确定几种对其影响较大的因素作为需要优化的因素，并确定最佳取值范围；
[0009](2)以磨矿工艺因素为自变量，磨矿产品粒度特性为因变量，采用Matlab软件对人工神经网络进行训练，确定最佳的人工网络结构，并以此构建磨矿产品粒度特性预测模型；
[0010](3)采用优化算法对步骤(2)获得的磨矿产品粒度特性预测模型的初始阈值和权值进行优化，得到最佳的磨矿产品粒度特性预测模型，其中优化算法包括：遗传算法、粒子群算法、退火算法、鱼群算法或烟花算法；
[0011](4)以最佳的磨矿产品粒度特性预测模型为适应度函数，其预测值为适应度值，将需要优化的因素取值范围控制在步骤(1)的最佳取值范围内，依据优化算法的寻优能力寻找最佳的产品粒度特性指标以及对应的磨矿参数，并以对应的磨矿参数的方案进行实验验证。
[0012]所述步骤(1)中磨矿产品粒度组成特性包括：过粗级别产率、过细级别产率、中间易选级别产率和磨矿细度。
[0013]所述步骤(1)中影响较大的因素包括：磨机介质配比、介质充填率、磨机转速率、磨矿浓度、磨矿时间和料球比。
[0014]所述步骤(1)中确定最佳取值范围为通过单因素试验进行确定。
[0015]所述步骤(2)中人工神经网络包括：误差反向传播(BP)网络、卷积神经网络(CNN)或径向基(RBF)神经网络。
[0016]所述步骤(2)中人工神经网络结构包括：输入层结构、隐含层结构、输出层结构、训练函数、激活函数、训练次数和学习精度。
[0017]本专利技术的有益效果是：采用人工神经网络方法，以磨矿产品粒度特性为评价指标，依据对不同结构的人工神经网络进行训练的结果，确定最佳结构的人工神经网络磨矿产品粒度特性预测模型，可以有效的对磨矿产品粒度特性进行预测，且采用优化算法进行优化，能够有效得到最佳的产品粒度特性以及最佳的磨矿参数，能科学地优化磨矿产品粒度特性，为改善磨矿产品粒度组成特性提供理论依据和实践指导，具有极高的实际应用价值。
[0018]在以往的磨矿粒度特性优化中，只是进行单因素试验以及正交试验，所得的最佳磨矿粒度特性指标只是组合内的最佳值，不能进行组合外的情况预测，最佳值并不一定是所取水平中的具体数值，有可能是水平外的数值。而采用人工神经网络方法进行磨矿产品粒度特性优化，充分考虑了范围内的任意点可能得到的最佳取值，为磨矿产品粒度特性优化提供了有效的技术手段。
附图说明
[0019]图1是本专利技术基于人工神经网络优化磨矿产品粒度组成特性的方法的流程示意图。
具体实施方式
[0020]下面结合附图和具体实施方式，对本专利技术作进一步说明。
[0021]实施例1
[0022]如图1所示，该基于人工神经网络优化磨矿产品粒度组成特性的方法，其具体包括以下步骤：
[0023](1)对影响磨矿产品粒度组成特性的磨矿工艺因素进行分析，确定几种对其影响
较大的因素作为需要优化的因素，并确定最佳取值范围；
[0024]选取钢球配比、介质充填率、磨机转速率、磨矿浓度、料球比为需要优化的因素，并进行单因素试验确定最佳的参数范围：35
×
40mm：50
×
60mm的钢段比值为1.3～1.7，介质充填率26％～34％，磨机转速率72％～80％，磨矿浓度68％～76％，料球比0.4～0.8；
[0025](2)以磨矿工艺因素为自变量，磨矿产品粒度特性为因变量，采用Matlab软件对人工神经网络进行训练，确定最佳的人工网络结构，并以此构建磨矿产品粒度特性预测模型；
[0026]选取BP神经网络作为实施例的所采用的人工神经网络方法，由于本实施例研究钢球配比、介质充填率、磨机转速率、磨矿浓度、料球比这五个因素，因此将BP神经网络的输入层节点数设置为5；本实施例选择磨矿产品粒度组成特性中的中间易选级别产率作为评价指标，遂将输出层节点数设置为1；在此基础上依次对神经网络进行训练，分别确定BP神经网络预测模型的隐含层节点数、训练函数、隐含层激活函数和输出层激活函数分别为11、trainlm函数、logsig函数、purelin函数，在此结构下对其进行训练，得到的实际值与预测值误差如表1所示。
[0027]表1 BP神经网络的预测误差分析
[0028][0029]由表1可以看出，磨矿产品中间易选级别产率的实际值与预测值的误差大部分在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工神经网络优化磨矿产品粒度组成特性的方法，其特征在于具体包括以下步骤：(1)对影响磨矿产品粒度组成特性的磨矿工艺因素进行分析，确定几种对其影响较大的因素作为需要优化的因素，并确定最佳取值范围；(2)以磨矿工艺因素为自变量，磨矿产品粒度特性为因变量，对人工神经网络进行训练，确定最佳的人工网络结构，并以此构建磨矿产品粒度特性预测模型；(3)采用优化算法对步骤(2)获得的磨矿产品粒度特性预测模型的初始阈值和权值进行优化，得到最佳的磨矿产品粒度特性预测模型，其中优化算法包括：遗传算法、粒子群算法、退火算法、鱼群算法或烟花算法；(4)以最佳的磨矿产品粒度特性预测模型为适应度函数，其预测值为适应度值，将需要优化的因素取值范围控制在步骤(1)的最佳取值范围内，依据优化算法的寻优能力寻找最佳的产品粒度特性指标以及对应的磨矿参数，并以对应的磨矿参数的方案进行实验验证。2.根据权利要求1所述的基于人工神经网络优化磨矿产品粒度...

【专利技术属性】
技术研发人员：肖庆飞，裴英杰，周强，王肖江，牛桂强，汪勇，骆忠，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：