基于决策规则提取的选矿厂磨矿分级系统节能优化方法

摘要

本发明公开了一种基于决策规则提取的选矿厂磨矿分级系统节能优化方法，采用基于智能控制的模糊控制技术，对选矿厂磨矿分级系统中给矿量、返砂水量和排矿水量三个控制回路的设定值进行优化估计。该优化方法中决策规则集是在对生产过程记录数据使用面向数据的决策列联表构建方法基础上建立，完备决策规则集的增量更新是在对现场增量数据使用基于决策信息的增量更新和完备化方法的基础上实现。本发明所提方法避免了模糊控制传统方法的主观性和局限性，能够为选矿厂磨矿分级系统关键控制回路设定值估计提供可靠的优化结果，为实现磨矿分级系统的节能优化控制奠定基础。

主权项

基于决策规则提取的选矿厂磨矿分级系统节能优化方法，其特征在于，包括以下步骤：1)根据选矿厂磨矿分级系统在人工操作状态下，利用模拟量采集模块采集记录数据信息，以给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m及分级机电流I_c组成模式属性集，分别以给矿量设定值返砂水量设定值及排矿水量设定值组成决策属性集，按照系统预设时间t₁进行数据采样记录，构成现场历史数据库；对已有历史数据库，应用统计预处理技术，获得采样时间t₂＝4t₁的预选数据库，该数据库在t₂时刻维度上的取值为：${\bar{F}}_i\left(t_2\right)=\frac{t_1}{t_2}\underset{k=1}{\overset{t_2/t_1}{\Sigma }}{F}_i(k·t_1)$其中，F_i、分别表示现场历史数据库和预选数据库D中的对应维度，F_i(k·t₁)表示现场历史数据库在k·t₁时刻维度F_i上的取值；而后，对数据实例数量为M预选数据库D进行归一化处理，数据实例x_j在维度上的归一化取值通过下式进行计算：${\bar{x}}_j^{{\bar{F}}_i}=\frac{x_j^{{\bar{F}}_i}-V_{\min }^{{\bar{F}}_i}}{V_{\max }^{{\bar{F}}_i}-V_{\min }^{{\bar{F}}_i}},j=1,2,...,M$式中，表示数据实例x_j在维度上的原始取值，和分别表示M个数据实例在维度上所取原始值的最大值和最小值；通过上述处理后，预选数据库D在模式属性集{M_o,W_rs,W_ca,I_m,I_c}和决策属性集上，每一维度的值域为[0,1]；2)读取预选数据库D中已有M个数据实例，并组成初始数据集DS₀；工业数据库继续存储数据，并形成m个数据规模固定为L的增量数据集，其中第k个增量数据集DS_k表示为：DS_k＝{x_(k‑1)M+1,x_(k‑1)M+2,…,x_(k‑1)M+L}其中，k∈{1,2,…,m}，x_j和j∈{(k‑1)M+1,(k‑1)M+2,…,(k‑1)M+L}表示增量数据集DS_k中的一个数据实例，M为增量数据集DS_k起始位置标示，L为增量数据集DS_k的实例数量，m为大于1的自然数，k为小于等于m的自然数；3)设定预选数据库D中给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m、分级机电流I_c、给矿量设定值返砂水量设定值及排矿水量设定值的语言变量分别为MO、WRS、WCA、IM、IC、MO_sv、WRS_sv和WCA_sv，其论域为[0,1]；语言变量MO、WRS、WCA、IM、IC、MO_sv、WRS_sv和WCA_sv的语言值均为{NB，NS，Z，PS，PB}，NB、NS、Z、PS和PB分别代表负大、负小、零、正小和正大；以模式属性集{M_o,W_rs,W_ca,I_m,I_c}分别与决策属性和组成给矿量设定数据集、返砂水量设定数据集和排矿水量设定数据集；4)根据步骤3)对选矿厂磨矿分级系统预选数据库所构建的语言变量，根据定义的语言值进行预选数据库D的维度扩展；如：根据语言变量MO的语言值，将预选数据库的维M_o扩展成维维维维和维并称维维维维和维为维M_o的扩展维；接着，根据维M_o上语言值隶属度函数，以及预选数据库中每一实例在维M_o上取值，确定每个实例在维维维维和维上的隶属度值；语言变量MO、WRS、WCA、IM和IC采用论域为[0,1]的高斯型隶属度函数族，MO_sv、WRS_sv和WCA_sv中的语言值均采用论域为[0,1]的等腰三角型隶属度函数族；采用相同方法，对预选数据库D中其它维进行扩展，并确定每个实例在给矿量设定数据集、返砂水量设定数据集和排矿水量设定数据集中对应扩展维上的隶属度值；5)使用面向数据的决策列联表构建方法，基于初始数据集DS₀进行决策列联表的构建，根据论域空间在各模式上的决策信息分布进行划分，并将最终形成的决策列联表用于搜索相应控制回路设定值优化方案；分别构建出给矿量设定列联表、返砂水量设定列联表和排矿水量设定列联表；6)针对步骤5)所形成的给矿量设定列联表、返砂水量设定列联表和排矿水量设定列联表，使用基于决策信息的增量更新和完备化方法，基于增量数据集DS_k构建并更新各决策规则集，并依据规则集先验知识推理计算出给矿量设定规则集、返砂水量设定规则集和排矿水量设定规则集的完备形式；7)选矿厂磨矿分级系统通过测量模块测量当前工况下的给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m及分级机电流I_c的运行值且分别由m′_o、w′_rs、w′_ca、i′_m和i′_c来表征；根据步骤4)中论域选择为[0,1]的等腰三角形隶属度函数族，计算M′_o、W′_rs、W′_ca、I′_m和I′_c分别在不同扩展维上的模糊隶属度值，其中M′_o、W′_rs、W′_ca、I′_m和I′_c分别为运行值m′_o、w′_rs、w′_ca、i′_m和i′_c对应的模糊语言值；选择各语言变量下获得最大隶属度值的语言值组合形成运行前件集PAS，该前件集为{M′_o,W′_rs,W′_ca,I′_m,I′_c}；8)搜索由步骤6)获得的规则集，如：给矿量设定规则集，匹配得到给矿量设定运行规则该规则的前件模式等于运行前件集PAS＝{M′_o,W′_rs,W′_ca,I′_m,I′_c}，运行规则中规则后件为给矿量设定值语言变量MO_sv语言值{NB,NS,Z,PS,PB}上对应的实例条件概率P_lj，j＝1,2,...,5；根据步骤4)中论域选择为[0,1]的等腰三角型隶属度函数族，并通过下式计算运行规则对应给矿量设定值的去模糊化值${\mathrm{MO}}_{sv}^l=\underset{j=1}{\overset{5}{\Sigma }}{\bar{y}}^j{P}_{lj}$上式中，为语言变量MO_sv对应语言值{NB,NS,Z,PS,PB}在论域[0,1]上定义的等腰三角型隶属度函数的中心；根据步骤1)中归一化公式，通过下式将论域为[0,1]的变换回其原始值域内，并表示为给矿量运行设定值MO′_sv：${\mathrm{MO}}_{sv}^{\prime }={\mathrm{MO}}_{sv}^l(V_{max}^{M_o^{sv}}-V_{\min }^{M_o^{sv}})+V_{\min }^{M_o^{sv}}$上式中，和分别表示预选数据D中数据实例在维度上所取原始值的最大值和最小值；9)对返砂水量设定规则集和排矿水量设定规则集重复步骤8)的处理过程，获得当前工况下的返砂水量运行设定值WRS′_sv和排矿水量运行设定值WCA′_sv；如此得到的给矿量运行设定值MO′_sv、返砂水量运行设定值WRS′_sv和排矿水量运行设定值WCA′_sv作为当前工况下选矿厂磨矿分级系统的给矿量、返砂水量和排矿水量的最佳设定值，提供给选矿厂磨矿分级系统的控制器进行设置，使选矿厂磨矿分级系统一直在最佳方式下运行。