本发明涉及铁矿磨矿技术领域，尤其涉及一种基于神经网络和进化计算的磨矿过程建模方法。
背景技术：
磨矿作业是金属选矿工艺流程中的关键环节，磨矿效果的好坏直接影响到选矿的效果，同时磨矿作业也是选矿工艺流程中的主要能耗、物耗单元，如何控制该过程的优化运行是整个选矿过程的关键之一。影响磨矿过程的因素较多，各因素影响过程复杂，难以确定入磨矿石与磨出矿石之间的映射关系。且磨矿作业存在一定的滞后性，各参数之间存在耦合关系，目前，磨矿作业大多依靠人工经验进行试探性调节，这很难根据不同的矿石性质，对球磨机各参数给出及时准确的调节，进而使磨出矿石粒度变化波动增大，提高后续选矿过程难度，影响选矿结果。
技术实现要素：
针对现有技术的缺陷，本发明提供一种基于神经网络和进化计算的磨矿过程建模方法，实现对磨矿过程进行建模，进而得到磨矿过程的操作指导。
一种基于神经网络和进化计算的磨矿过程建模方法，包括以下步骤：
步骤1：收集磨矿生产过程中历史生产数据，包括球磨机台时、球磨机的给水量及溢流粒度；
步骤2：收集反应矿石性质的历史数据及最优选矿粒度；所述反应矿石性质的历史数据包括矿石品位、给料粒度、管精铁含量、氧化铁含量和磁性铁含量；
步骤3：采用案例检索的方法，根据矿石性质及最优矿石粒度决策出球磨机的给矿量，具体方法为：
步骤3.1根据步骤2收集的反应矿石性质的历史数据及最优选矿粒度、球磨机台时的历史数据构建案例库；其中，矿石品位、给料粒度、管精铁含量、氧化铁含量和磁性铁含量及最优选矿粒度为案例描述，球磨机给矿量为案例解；
步骤3.2：获得矿石性质的实时数据做为新的案例，将新的案例描述与案例库中记载的历史案例进行案例检索，得到一组相似度值；
步骤3.3：将得到的相似度值从大到小排列，采用交叉验证方法选取前n个相似度对应的案例库中的案例作为当前工况的参考案例；
步骤3.4：根据从案例库中检索出来的参考案例，进行案例重用，获得新的案例解，做为当前工况的给矿量；
步骤4：根据收集到的磨矿生产过程历史数据，通过神经网络算法拟合出球磨机给矿量、给水量与溢流粒度、磨矿粒度分布之间的关系，具体方法为：
步骤4.1：采用z-score法对球磨机给矿量、给水量、溢流粒度及磨矿粒度进行标准化处理；
步骤4.2：对标准化处理后的球磨机给矿量、给水量、溢流粒度及磨矿粒度数据进行随机排序，取数据的前百分之七十五组作为训练数据，后百分之二十五组作为测试数据；
步骤4.3：采用神经网络算法对溢流粒度、磨矿粒度与给矿量、给水量之间的关系进行拟合，并对拟合结果进行测试，若拟合误差小于2％且测试误差小于4％，则保存拟合出的关系，否则重新对溢流粒度、磨矿粒度与给矿量、给水量之间的关系进行拟合；
步骤5：根据磨矿生产过程需要，将球磨机比生产率最大设为第一优化目标，将球磨机磨出矿石粒度分布最优设为第二优化目标，并结合实际生产流程，将球磨机饱和程度、球磨机磨矿浓度、给矿量及给水量设为约束条件；
步骤6：通过带精英策略的非劣排序遗传算法(即nsga-ii)计算出给水量的非劣解集，采用topsis决策法，根据矿石性质决策出球磨机给水量的最优解，做为磨矿生产过程的操作指导。
由上述技术方案可知，本发明的有益效果在于：本发明提供的一种基于神经网络和进化计算的磨矿过程建模方法，根据磨矿石性质，通过优化计算，给出磨矿过程各操作参数的操作指导，可以提高磨矿生产过程的实时性、可靠性和经济性，降低了调节时间，稳定磨出矿石粒度，同时在专家不在场时也可指导操作，提高了磨矿生产效率。
附图说明
图1为本发明实施例提供的一种基于神经网络和进化计算的磨矿过程建模方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
一种基于神经网络和进化计算的磨矿过程建模方法，如图1所示，包括如下步骤：
步骤1：收集磨矿生产过程中历史生产数据，包括球磨机台时，球磨机给水量及溢流粒度；
本实施例中，球磨机台时、球磨机给水量及溢流粒度的部分历史数据如表1所示：
表1磨矿过程的部分历史生产数据表
步骤2：收集反应矿石性质的历史数据及最优选矿粒度；所述反应矿石性质的历史数据包括矿石品位、给料粒度、管精铁含量、氧化铁含量和磁性铁含量；
本实施例中，矿石品位，给料粒度-12mm含量，管精铁含量，氧化亚铁，磁性铁含量及最优选矿粒度所对应的-200目含量如表2所示：
表2矿石性质历史数据表
步骤3：采用案例检索的方法，根据矿石性质及最优矿石粒度决策出球磨机的给矿量，具体方法为：
步骤3.1根据步骤2收集的反应矿石性质的历史数据及最优选矿粒度、球磨机台时的历史数据构建案例库；其中，矿石品位、给料粒度、管精铁含量、氧化铁含量和磁性铁含量及最优选矿粒度做为案例描述，球磨机给矿量做为案例解；
结合历史数据、生产现场调研及磨矿过程的理论分析，针对磨矿石种类波动的工况，矿石性质数据可直接反应矿石的可磨度，对球磨机给矿量有着直接的影响，并且所占比重很大。
案例库中案例的结构由案例描述和案例解两部分组成，案例的描述是由矿石全铁品位f1、给料粒度f2、管精铁含量f3、磁性铁含量f4、氧化亚铁含量f5、最优选矿粒度f6组成；案例解为浮球磨机给矿量j1。因此，基于案例推理技术的案例如下公式所示：
ck＝{fk，jk}
其中，ck为案例库中的第k条案例，k＝1、2、…、m，m为案例库中案例数量；fk＝{fk，1，fk，2，fk，3，fk，4，fk，5，fk，6}为第k个案例的特征描述；jk＝{jk，1}为第k个案例的案例解。
步骤3.2：根据获得的实时矿石性质数据，将新的案例描述与案例库中记载的历史案例进行案例检索，得到一组相似度值，如下公式所示：
其中，ωi为案例特征属性权值，sim(fi，fk.i)为当前工况的案例描述fi与案例库中第k条案例对应的案例描述fk.i的相似度，定义如下公式所示：
本实施例中的获得的矿石性质的实时数据如表3所示：
表3矿石性质的实时数据
步骤3.3：将得到的相似度值从大到小排列，采用交叉验证方法选取前n个相似度对应的案例库中的案例作为当前工况的参考案例；
n值的选择会对算法的结果产生重大影响；n值较小意味着只有与新案例较近的历史案例才会对新的案例解起作用，但容易发生过拟合；如果n值较大，优点是可以减少学习的估计误差，但缺点是学习的近似误差增大，这时与新案例较远的历史案例也会对预测起作用，使预测发生错误。在实际应用中，n值一般选择一个较小的数值，通常采用交叉验证的方法来选择最优的n值。本实施例中，n取值为3。
步骤3.4：根据从案例库中检索出来的参考案例，进行案例重用，获得新的案例解，做为当前工况的球磨机给矿量。
根据从案例库中检索出来的参考案例，求取n个参考案例的每种案例解的加权平均值，其中加权系数为每个参考案例与新案例的相似度，由此完成案例重用，获得新的案例解
步骤4：根根据收集到的磨矿生产过程历史数据，通过bp神经网络算法，拟合出球磨机给矿量、给水量与溢流粒度、磨矿粒度分布之间的关系，具体方法为：
步骤4.1：采用z-score法对球磨机给矿量、给水量、溢流粒度及磨矿粒度进行标准化处理。
步骤4.2：对标准化处理后的球磨机给矿量、给水量、溢流粒度及磨矿粒度数据进行随机排序，取数据的前百分之七十五组作为训练数据，后百分之二十五组作为测试数据；
步骤4.3：采用bp神经网络算法对溢流粒度、磨矿粒度与给矿量、给水量之间的关系进行拟合，并对拟合结果进行测试，若拟合误差小于2％且测试误差小于4％，则保存拟合出的关系，否则重新对溢流粒度、磨矿粒度与给矿量、给水量之间的关系进行拟合；
将球磨机给矿量fm和球磨机给水量ms做为神经网络模型的输入数据，将溢流粒度r和磨矿粒度分布系数m′做为神经网络模型的输出数据，则通过神经网络模型模型的拟合，得到溢流粒度、磨矿粒度与给矿量、给水量之间的拟合结果如下公式所示：
(r，m)＝f(fm，ms)
由rr(rosinrammler)分布公式：
其中：r为大于粒径d的颗粒百分比，dp为特征粒径，本实施例中，d＝0.074mm，即r为-200目含量，dp＝0.054mm。
进一步得到粒度分布系数，如下公式所示：
步骤5：根据磨矿生产过程需要，将球磨机比生产率最大设为第一优化目标，将球磨机磨出矿石粒度分布最优设为第二优化目标，并结合实际生产流程，将球磨机饱和程度、球磨机磨矿浓度、给矿量及给水量设为约束条件；
本实施例中，结合现场情况对应的工况，给出的约束条件如表4所示：
表4现场情况对应的约束条件表
步骤6：通过带精英策略的非劣排序遗传算法(即nsga-ii)计算出给水量的非劣解集，采用topsis决策法，根据矿石性质决策出球磨机给水量的最优解，做为磨矿生产过程的操作指导。
本实施例中，得到的给水量的非劣解集如表5所示：
表5优化非劣解集表
本实施例中，最终得到的操作指导为：球磨机的给料量为301.24t/h，给水量为30.86t/h。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。