一种金矿磨-浮过程能耗预测方法与流程

1.本发明属于一种选矿生产领域，具体涉及一种金矿磨-浮过程能耗预测方法。


背景技术：

2.我国金矿石品位较低，主要采用磨-浮选工艺实现矿物的分选，即利用电机带动球磨机运转，经过磨剥作用得到符合质量要求的矿石颗粒，再经浮选的搅拌上浮作用，将有用颗粒筛选出来。选矿过程中磨-浮过程占据总能耗的50-70％，如何高效利用低品位金矿石资源是维持黄金行业可持续发展不可忽视的问题，因此，节能减排是其发展的重要问题。到目前为止，国内关于选矿节能降耗的工艺研究很多，但是很少有关于能耗预测的研究。张袅娜等 (张袅娜，陈芳，张德江.权函数神经网络及在选矿厂能耗预测中的应用.吉林大学学报 (信息科学版)，2009，27(1)：73-77)将传统神经网络中的权值由权函数代替，建立选矿能耗预测模型，结合实际生产数据验证了其具有较好的精度。cleary p w(cleary pw.predicting charge motion，power draw，segregation and wear in ball mills using discreteelement methods[j].minerals engineering，1998，11(11)：1061-1080)提出应用离散元方法预测磨矿过程的能耗。在此基础上，a datta，et al.(a datta，r.j mishra.power drawestimation of ball mills using neural networks[j].minerals and metallurgical processing，1999， 16：57
–
60)分析了磨矿能耗的影响因素，并利用神经网络建立磨矿能耗预测模型，并将预测结果与通过离散元方法得到的结果对比，取得了较高的精度。silva et al.(silva，m.， casali，a.and silva，m.modelling sag milling power and specific energy consumptionincluding the feed percentage of intermediate size particles[j].minerals engineering，2015， 70(70)：156
–
161)提出了一种sag球磨机的能耗和比能耗的预测模型，但是现有技术并未针对金矿磨-浮过程生产能耗进行预测的研究，更未发现有根据生产大数据挖掘出影响能耗的具体工艺参数，未能给出能够指导实际生产的能耗预测模型。
[0003]
在金矿磨-浮生产过程中，提高能耗的预测精度，对选矿行业研究能耗与物耗及工艺参数的关系，优化生产计划指标，及挖掘节能潜力具有重要意义。因此，基于某金矿厂的现场生产数据，本发明建立了三种磨-浮过程能耗的预测模型，它们分别是多元线性回归模型， bp神经网络模型和ga-bp神经网络模型，通过模型精度对比挖掘出最适合实际生产的能耗预测模型，从而为实际生产提供一定指导作用。


技术实现要素：

[0004]
为解决上述技术问题，本发明提供一种金矿磨-浮过程能耗预测方法，其包括如下步骤：
[0005]
(1)金矿磨-浮过程能耗影响因素分析：主要从工艺参数对能耗的影响来建立能耗预测模型，这些影响参数包括：给矿量、钢球加入量、给矿品位、尾矿品位、浮选回收率、给矿细度、分级机细度、分级机浓度、浮选温度、二浮原细度、重尾细度、综尾细度；
[0006]
(2)能耗预测模型的建立：建立三种磨-浮过程能耗的预测模型，它们分别是多元线性回归模型，bp神经网络模型和ga-bp神经网络模型；
[0007]
(3)能耗预测模型的预测精度比较：通过能耗的预测值和实际值进行比较，统计出各个能耗预测模型的预测精度；
[0008]
(4)确定预测精度最高的能耗预测模型：通过各个能耗预测模型的预测精度比较得到符合实际生产的能耗预测模型。
[0009]
进一步的，所述步骤(1)中通过spss软件对能耗和其影响因素之间进行因子分析，考察能耗与其影响因素之间相关性。
[0010]
进一步的，所述步骤(2)中，多元线性回归模型是通过运用spss软件对训练数据进行回归分析得出多元线性回归分析模型的自变量系数。
[0011]
进一步的，所述步骤(2)中，bp神经网络模型采用三层网络结构，即由输入层、隐含层和输出层组成，通过现场数据中的一部分训练bp神经网络模型，其余部分数据用来验证模型。
[0012]
进一步的，所述步骤(2)中，ga-bp神经网络模型中，利用遗传算法来优化神经网络，提升bp神经网络的预测精度。
[0013]
进一步的，所述步骤(2)中，bp神经网络模型采用三层网络结构中，隐含层节点数为 8，输出层节点数为1。
[0014]
进一步的，所述步骤(2)中，ga-bp神经网络模型中，种群大小为20，迭代次数为50，交叉方式为数值交叉，交叉概率为0.42，变异概率为0.2。
[0015]
进一步的，所述步骤(3)中，从能耗预测值的相对误差和均方根误差rmse两种统计学参数来比较三种模型的能耗预测精度。
[0016]
本发明的有益效果在于：
[0017]
(1)针对国内黄金选矿节能降耗紧迫性的特点，现有技术主要采用人工调整存在针对性差，难以根据实际情况变化来做出针对性的调整，本发明的方法能够结合大量实际生产数据分析出金矿选矿厂影响能耗的主要影响因子，能快速定位影响能耗的因素，为工况发生变化时调整参数做出重要准备；
[0018]
(2)通过建立三种能耗预测模型，基于大量生产数据进行建模和模型验证，通过预测值和实际值进行比较，得出符合实际生产数据的预测精度最高的能耗预测模型，相对手动调整更精确，结论更快速；
[0019]
(3)通过遗传算法优化传统反馈式神经网络结构，得出最优化的bp神经网络模型，为实际生产过程节能降耗提供强有力的模型支持，便于动态及时作出生产指标的修正或优化，提升选矿生产节能效率和智能化水平。
附图说明
[0020]
图1是多元线性回归模型能耗预测值和实际值的比较。
[0021]
图2是多元线性回归模型能耗预测误差值分布。
[0022]
图3是bp神经网络能耗预测值和实际值的比较。
[0023]
图4是bp神经网络能耗预测误差值分布。
[0024]
图5是ga-bp神经网络的能耗预测值和实际值的比较。
[0025]
图6是ga-bp神经网络能耗预测误差值分布。
[0026]
图7是三种模型能耗预测误差值对比。
具体实施方式
[0027]
一种金矿磨-浮过程能耗预测方法，其包括如下步骤：
[0028]
(1)金矿磨-浮过程能耗影响因素分析：主要从工艺参数对能耗的影响来建立能耗预测模型，这些影响参数包括：给矿量、钢球加入量、给矿品位、尾矿品位、浮选回收率、给矿细度、分级机细度、分级机浓度、浮选温度、二浮原细度、重尾细度、综尾细度；
[0029]
(2)能耗预测模型的建立：建立三种磨-浮过程能耗的预测模型，它们分别是多元线性回归模型，bp神经网络模型和ga-bp神经网络模型；
[0030]
(3)能耗预测模型的预测精度比较：通过能耗的预测值和实际值进行比较，统计出各个能耗预测模型的预测精度；
[0031]
(4)确定预测精度最高的能耗预测模型：通过各个能耗预测模型的预测精度比较得到符合实际生产的能耗预测模型。
[0032]
进一步的，所述步骤(1)中通过spss软件对能耗和其影响因素之间进行因子分析，考察能耗与其影响因素之间相关性。
[0033]
进一步的，所述步骤(2)中，多元线性回归模型是通过运用spss软件对训练数据进行回归分析得出多元线性回归分析模型的自变量系数。
[0034]
进一步的，所述步骤(2)中，bp神经网络模型采用三层网络结构，即由输入层、隐含层和输出层组成，通过现场数据中的一部分训练bp神经网络模型，其余部分数据用来验证模型。
[0035]
进一步的，所述步骤(2)中，ga-bp神经网络模型中，利用遗传算法来优化神经网络，提升bp神经网络的预测精度。
[0036]
进一步的，所述步骤(2)中，bp神经网络模型采用三层网络结构中，隐含层节点数为 8，输出层节点数为1。
[0037]
进一步的，所述步骤(2)中，ga-bp神经网络模型中，种群大小为20，迭代次数为50，交叉方式为数值交叉，交叉概率为0.42，变异概率为0.2。
[0038]
进一步的，所述步骤(3)中，从能耗预测值的相对误差和均方根误差rmse两种统计学参数来比较三种模型的能耗预测精度
[0039]
具体操作过程如下：
[0040]
(1)金矿磨-浮过程能耗影响因素分析：本发明从生产现场提取了700组生产数据，在建模之前，首先对数据进行预处理，包括提出异常值和空缺值。最终得到符合要求的518组数据，其中418组用来建立模型，另外100组用来验证模型。表1为本发明选取数据的部分样本。
[0041]
表1选矿能耗预测模型部分样本
[0042][0043]
能耗受诸多因素影响，变量的选择影响模型的建立。筛选明显影响能耗的因素作为变量对准确地预测磨-浮能耗具有重要意义。spss是目前较为流行的统计分析软件之一，运用spss 可以进行本发明所涉及的几乎所有统计学操作，本发明利用spss软件对能耗和其影响因素之间进行因子分析，考察能耗与其影响因素之间相关性。表2为与能耗相关性明显的变量。
[0044]
表1选矿能耗和各影响因素的皮尔逊相关系数
[0045][0046]
**
.在0.01水平上显著相关(2-tailed).
[0047]
*
.在0.05水平上显著相关(2-tailed).
[0048]
由表2可得，给矿量、钢球加入量、给矿品位、尾矿品位、浮选回收率、二浮原细度、重尾细度这7个自变量与选矿能耗之间在0.01水平上显著相关(双尾检测)；浮选温度和综尾细度这2个变量与在选矿能耗之间在0.05水平上显著相关(双尾检测)。
[0049]
(2)能耗预测模型的建立
[0050]
一、多元线性回归模型
[0051]
下表3所列的9种变量与选矿能耗显著相关，选取其为本回归模型的自变量，选矿能耗作为其因变量。
[0052]
表2多元线性回归模型的自变量
[0069]
通过计算，拟合度(r2)的值是0.749。为了验证模型的准确性，100组验证数据用来完成此过程。验证得到的结果如图1和图2所示，图1是能耗实际值和能耗预测值的对比图，图2为能耗预测值的误差分布图。该误差为相对误差，如式(2)所示。
[0070][0071]
式中：e
r-相对误差，％；y
i-能耗的预测值，kwh/t；yi′‑
能耗的实际值，kwh/t。表7为通过模型计算得到预测值与实际值的比较情况的部分样本。
[0072]
表6验样本误差比较
[0073][0074]
从图1可以看出，能耗的实际值和预测值存在较明显的差异。进一步统计得出图2的结果为：预测值的相对误差在
±
5％的总班次占比是75％；预测值相对误差在
±
3％的总班次占比是43％。由此可推断采用mlr方法来预测能耗精确度有待提升。这是由于磨-选是一个复杂的固-液-气多相反应过程，不能简单地将能耗与其影响因素的关系表述为多元线性关系。下文采用其他方法来试图建立精度更高的磨-浮能耗预测模型。
[0075]
二、bp神经网络模型
[0076]
bp神经网络(back propagation neural networks)即前馈式误差反传播神经网络，是应用较为广泛的神经网络之一。bp网络一般包括三层网络结构，即由输入层、隐含层和输出层组成。为了将各输入因素的量纲统一，同时减少数量级差异给网络训练带来的影响，需要将数据标准化处理，即使各变量的平均值为0，方差为1。本发明采用线性插值法将数据集中在[0,1]之间，其计算公式如式(3)所示：
[0077][0078]
式中：x
ij
为数据标准化前的值；x
′
ij
为数据标准化后的值；i是样本编号值；j为变量编号； min(x
ij
)和max(x
ij
)分别为变量x
ij
值的最小值和最大值。
[0079]
由kolmogorov理论可得，三层bp神经网络可实现任意函数在任意精度上的非线性映射。因此，本发明采用三层网络结构。输入层输入变量由给矿量、钢球加入量、给矿品位等 9种变量组成，输出层的变量为能耗。隐含层神经元的个数是根据相关经验公式(公式(4))，求得其神经元数为4～14之间。经过反复的网络训练学习试验后发现，当隐含层节点数为8 时，模型的精度最高。隐含层选择s型函数。本发明通过现场数据中的418组训练bp神经网络模型，其余100用来验证模型。模型的建立和预测通过matlab实现，经反复比较预测值和实际值的相对误差，最终的到网络最佳参数见表8示。
[0080]
[0081]
式中：m-隐含层节点数；n-输入层节点数；l-输出层节点数；α-表示值为1-10的常数。
[0082]
表7 bp神经网络的基本参数表
[0083][0084]
同样地，本发明选择100组验证数据用于验证bp神经网络模型的精度。其验证结果见图3和图4所示。由图3中可得，能耗预测误差绝大多数在
±
5％左右，由图4即能耗预测误差值的分布图可看出，其总班次占比为90％。在图4中，当预测误差在
±
3％范围内时，总班次占比为60％。因此，对比于mlr模型，bp神经网络模型提高了能耗的预测精度，然而，当预测误差范围在
±
3％，其预测精度仍有较大的提高空间。
[0085]
表8检验样本误差比较
[0086][0087]
三、ga-bp神经网络模型
[0088]
由于bp神经网络的初始权值往往是随机选取，难以保证其全局性，导致网络收敛速度慢、易陷于局部极小值。而遗传算法是一种具有全局优化功能的方法，具有并行搜索等特点，能从一个种群中寻找到最优解，避免陷入局部最小值。结合神经网络的非线性收敛能力和遗传算法全局收敛的特性，把二者结合起来，构造一种基于遗传算法优化的bp神经网络预测模型，对金矿磨-浮过程能耗进行预测，以期提高预测精度，其中，遗传算法用来优化神经网络的权值和阀值
[0089]
遗传算法的一般流程如下：(1)确定编码方式，初始种群(包括种群规模、选择概率、交叉概率和变异概率)及适应度函数，随机生成初始种群；(2)计算个体适应度，判断是否满足收敛标准，若满足，结束计算，则输出得到最优的神经网络权值和阀值；若不满足，则转向第(3)步；(3)依据适应度高低选择个体，适应度高的个体被选中的概率较大；(4) 通过对个体之间进行交叉、变异产生新个体；(5)由交叉变异产生的新个体组成的新的种群，返回到(2)步中，继续优化。通过反复比较研究得到ga基本参数及操作方式如表10所示。本发明所采取的计算过程的硬件配置为 windows7/pentium(r)dual-corecpu/3.2ghz/ram2gb，软件环境为matlab r2014a。
[0090]
表9 ga基本参数及操作方式
[0091][0092][0093]
与前面两种模型一致，选取100组数据用来验证模型。模型的验证结果部分样本如表11 所示。进一步作图得到图5和图6。从图5可以看出，能耗的预测值与实际值吻合的很好，它们之间的误差分布如图6所示。由图6可知，能耗的预测误差绝大多数分布在
±
5％，验证数据中98％的数据在此范围内。同时，当预测误差在
±
3％时，能耗预测总班次占比达到80％。基于以上分析，可以得出结论：ga-bp神经网络的预测精度最高。图7为三种模型的预测误差对比图，可以看出，ga-bp神经网络对能耗的预测相对误差最小，即ga-bp神经网络对能耗的预测精度最高，能够用来给实际生产作参考。
[0094]
表10检验样本误差比较
[0095][0096]
(3)能耗预测模型的预测精度比较：
[0097]
为了对三种能耗预测模型的预测效果进行比较，下面分别从能耗预测值的相对误差和均方根误差(rmse)两种统计学参数角度来讨论三种模型的能耗预测效果。
[0098]
三种模型的能耗预测相对误差的对比情况如图7所示，从图7可看出，就相对误差值的波动情况而言，通过多元线性回归模型得到的能耗预测值的相对误差波动范围最大，bp神经网路模型次之，相比于多元线性回归模型和bp神经网络模型，ga-bp模型得到的能耗预测值的相对误差值波动最小。具体来说，在多元线性回归模型中，当预测值的相对误差在
±
5％时，总班次占比是75％，预测值相对误差在
±
3％的总班次占比是43％；在bp神经网络模型中，当预测值的相对误差在
±
5％时，总班次占比为90％，而当预测误差在
±
3％范围内时，总班次占比为60％；在ga-bp神经网络模型中，当预测值的相对误差在
±
5％时，总班次占比是98％，预测值相对误差在
±
3％的总班次占比是80％。各模型具体的预测精度值如表12 所示。
[0099]
除此之外，为了更进一步比较三种模型对能耗预测的精度，表12给出了另外一种传统的统计学参数——rmse(root mean square error)，即均方根误差，其相比于标准差来说，具体的意义不同：标准差用于描述一组数自身的离散程度；而均方根误差用于衡量预测值同真实值之间的偏差。rmse是观测值与真值偏差的平方与观测次数n比值的平方根，其具体的计算见式(5)所示，re值越小，表明预测值偏离实际值的程度越小，三种模型的rmse
计算机过如表12所示。从表12可看出，mlr模型的rmse值为2.56；bp神经网络模型的rmse 值为1.83；ga-bp神经网络模型的rmse值为1.29。即ga-bp神经网络模型在三种模型中具有最小的rmse值，表明其能耗的预测精度最高。
[0100][0101]
表11三种模型的rmse值和相对误差比较
[0102][0103][0104]
(4)确定预测精度最高的能耗预测模型
[0105]
通过上述三种模型的建立和验证，并比较了三者的预测精度后，基于以上两方面的讨论，可以得出结论：ga-bp神经网络模型在三种能耗预测模型中具有最高的能耗预测精度，可为实际生产提供有意义的参考。
[0106]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。