我国铁矿石资源较差, 约98%为贫矿, 含铁量一般低于50%, 且选矿工艺落后, 高炉原料品质低。当前我国现已建成大、中、小型选矿厂近百个, 主要以浮选工艺为主。对于浮选过程的控制, 目前一些西方发达国家多数采用先进的过程控制技术数据检测仪和品位分析仪实现生产过程的自动优化, 同时也正在进行浮选过程算术模型控制研究、浮选泡沫图像分析研究、神经网络模型算法和模糊控制算法等先进过程控制理论的探索。我国目前在矿物浮选过程中自动化水平还比较落后, 基本停留在线下分析、人工经验控制、手动调整的水平, 原因是在线分析仪器普遍进口, 价格高昂, 维护成本高, 保养困难, 因此这些先进设备在我国选矿业还未得到普及应用, 浮选工艺过程的先进控制算法研究也处于起步阶段。
由于浮选过程工艺机理复杂, 具有慢时变、分布参数、非线性和大时滞等特性, 难以建立精确数学模型, 许多建立在假设条件下的浮选过程机理模型由于其自身复杂性和其假设条件在工业系统中很难得到满足, 因而其应用受到一定限制。因此常规的方法难以达到良好的控制效果。目前, 神经网络技术、模糊控制、粗糙集理论, 蚁群算法等智能控制和优化算法的发展, 极大的改善了常规控制方法的不足。因此, 本文将以鞍钢弓长岭选矿厂浮选过程系统为对象, 研究智能方法在浮选过程中的应用, 探讨提高浮选过程控制水平的先进算法。
1 采矿浮选工艺流程
浮选是采矿中, 由于矿物表面物理化学性质存在不同, 人们可以将有用矿物质与脉石有效分离, 从而提高精矿的品位。采用添加浮选药剂能够大大提高或降低矿物的可浮性, 同时, 疏水性的矿粒与产生的气泡黏附在一起, 然后由气泡携带至矿浆液面排出, 而亲水性的矿粒则保留在矿浆中。采用单槽结构的浮选机生产工艺如图1所示。
实际工作中, 将浮选药剂混入矿浆中, 然后经过浮选槽给矿口流入浮选槽, 通过机械搅拌, 矿浆悬浮分布在浮选槽中;这时, 向槽内通入空气可以产生细小的气泡, 疏水性矿物会黏附在气泡表面并随气泡浮起来;采用自动系统控制浮选机的液位保证形成一定厚度符合要求的泡沫层, 对矿浆在泡沫层中进一步进行精选;经泡沫溜槽排出浮出泡沫, 经底流阀门排出底流矿浆。采用正浮选工艺时, 在泡沫溜槽中收集的泡沫为精矿, 底流矿浆为浮选尾矿;采用反浮选工艺时, 在泡沫溜槽中收集的泡沫为尾矿, 底流矿浆为浮选精矿。
大型选矿厂为了增加生产规模, 一般将多个浮选槽串联起来, 构成多槽浮选系统。弓长岭选矿厂采用的是采用多级浮选槽串联的方法, 图2是一个典型的多浮选槽同时串级工作示意图, 工作系统采用5个浮选槽串级构成, 矿浆从第1个浮选槽流入, 从最后一个浮选槽流出。最后一个浮选槽在出口处安装自动控制阀, 中间的浮选槽间采用人工阀, 在正常情况下开度不变。
2 浮选槽液位糊控制器设计
2.1 控制器结构设计
从图2看出, 系统采用串级浮选槽系统。传统的PID控制难以满足要求, 因此本文决定采用模糊控制方法来实现浮选槽液位的控制。
由于单纯的模糊控制器相当于传统的PD控制器, 存在静差, 因此本文决定采用模糊PID控制方法设计浮选槽液位控制器, 我们根据浮选槽的结构特点, 决定采用二维模糊控制器, 以偏差e和偏差变化率ec作为模糊控制器的输入变量, KP, KI, KD作为输出, 实现PID参数的自整定, 提高控制器性能。本文所采用的模糊PID控制器结构如图3所示:
其中, 模糊控制器用于校正PID控制的三个参数KP, KI。工作时, 控制器的输入变量是浮选槽液位偏差e和浮选槽液位变化率ec, 三个参数的偏移量作为控制器的输出变量。
2.2 控制器参数选择
模糊控制器结构设计好以后, 其参数的选择主要包括比例因子和量化因子数值的选择。而比例因子和量化因子对模糊PID控制器的品质有很大影响。通过实验数据测试和理论分析, 我位得出ke、kec、ku对系统性能的影响有以下几方面:
2.2.1 ke越大, 系统上升的速率越大, 产生超调误差越大, 导致调节时间延长, 情况严重时会产生自激振荡导致辞系统不稳定;ke越小, 系统上升的速率越小, 系统调节产生迟滞, 也会影响系统的稳态性能, 导致稳态精度降低。
2.2.2 kec较大时, 会增大对系统状态变化的抑制能力, 增加系统稳定性kec过大, 导致系统输出上升速率过小, 系统的过渡过程时间变长;kec过小, 使得系统输出上升速率增大, 导致系统输出产生过大的超调和振荡现象发生。
2.2.3 ku越大, 导致系统总的放大倍数增大, 系统响应速度加快;ku过大, 会导致系统输出上升速率过大, 产生过大超调乃至振荡或发散;ku过小, 则系统的前向增益变小, 系统输出的上升速度较小, 快速性差, 稳态精度变差。
随着神经网络技术与模糊控制技术结合的不断发展, 出现了神经网络和模糊控制想结合的各种复合控制器, 研究证明将神经网络技术与模糊控制技术相结合是可行的。所以本文决定采用神经网络的辨识能力来实现模糊控制器比例因子和量化因子的自调整。为了编程简单, 应用方便, 这里采用了比较简单的单神经元神经网络在实现模糊控制器比例因子和量化因子的自调整。调整方法如图4所示。
这里单神经元神经网络通过检测系统的控制误差和误差变化率根据单神经元算法来实现比例因子和量化因子的自调整。
2.3 仿真测试
在设计好量化因子和比例因子自调整神经网络的学习算法后, 本文应用MATLAB软件在一个三阶对象上进行了仿真研究, 仿真对象传递函数为:
仿真过程中分别采用传统PID控制和模糊PID控制方法。对于传统的PID控制方法分别采用零-极点法和临界灵敏度法对PID参数进行整定。对于模糊控制方法一种是通过实验手动确定量化因子和比例因子值 (这里ke=0.5 kec=0.45 ku=0.6) ;另一种则采用文中的单神经元量化因子和比例因子在线自调整方法。仿真结果如下:
其中比例因子和量化因子的变化过程如下:
3 结语
本文主要研究浮选液位的模糊控制系统。首先分析了浮选槽液位系统控制的复杂性;然后采用改进的超声波测距方法实现了浮选槽液位的测量方案;最后研究了浮选槽液位的模糊控制器, 并应用单神经元神经网络技术对控制器比例因子和量化因子进行优化。仿真结果证明, 本章研究的算法超调小, 稳定性好, 能够满足浮选槽液位控制的需要, 能够对浮选过程的稳定起到一定作用。
摘要:在选矿系统中采用串级浮选槽系统, 传统的PID控制不足以满足指标要求。根据选矿浮选工作槽的特点, 采用二维模糊控制器, 利用模糊控制算法实现浮选槽液位的自动检测与控制是一种比较好的方法。
关键词:PID,模糊控制,自动控制