竖炉焙烧系统磁选管回收率软测量方法

摘要

一种竖炉焙烧系统磁选管回收率软测量方法，包括选择辅助变量，建立知识库并向知识库提供初始知识，预报回收率；其中预报回收率时，判断工况参数是否在边界范围内，来选择由神经网络还是专家系统预报；预报结果及对应的工况参数将保存到数据库，同时显示给用户。该方法还提供对推理过程和预报结果的解释。该方法利用计算机系统和常规的检测仪表提供的在线过程数据结合人工采样数据，实现了竖炉焙烧系统磁选管回收率的基于神经网络结合专家系统的软测量。与人工测量相比，减少了操作人员的工作量，降低了人为操作引入的测量的不确定性，提高了测量的时效性。该方法具有很强的自适应和自学能力。该方法适用面广，测量精确，有助于系统的优化。

主权项

一种竖炉焙烧系统磁选管回收率软测量方法，该方法所应用的硬件平台包括测量仪表、信号采集系统以及进行测量计算的计算机系统，其特征在于将该软测量方法用于竖炉磁化焙烧工段，包括以下步骤：步骤一、从竖炉磁化焙烧工段的变量中选择辅助变量；包括燃烧室温度TRS，还原煤气流量LHY，搬出时间tBC，以及时间变量T；步骤二、通过测量仪表中的镍铬硅‑镍硅镁热电偶在线测量燃烧室温度TRS，通过测量仪表中的威力巴流量计在线测量还原煤气流量LHY，并建立由采样时间、辅助变量对应的过程变量值和磁选管回收率化验值构成的知识库，并向知识库中提供初始知识；利用在竖炉焙烧作业中，收集常规离线化验测量得到的磁选管回收率和对应的辅助变量值，得到m组数据后，构成如下的数据集合：MV＝{[Ti，εHYi，TRSi，LHYi，tBCi]|i＝1，…，m}以上述数据集合按照下述规则构成映射，建立知识库，知识库中的知识表示如下：{[Ti，TRSi，LHYi，tBCi]|i＝1，…，m}→{εHYi|i＝1，…，m}；步骤三、预报回收率；(一)专家系统评判工况参数，确定边界条件，包括矿石粒度范围、炉况不可控的自然情况，选择对应的知识数据库；(二)训练神经网络，神经网络的训练过程如下：1)更新知识库：对训练神经网络的知识库中的信息手动或自动进行增补、更新和修改；2)参数归一化：给当前辅助变量进行归一化处理，使其数值处在0～1之间；3)网络初始化：采用径向基函数神经网络对磁选管回收率进行预报；首先按照均匀分配的方法给出权值的初始值，利用K‑均值聚类法确定中心与函数宽度的初始值；4)利用误差平方法计算误差函数E； E = 1 2 Σ j = 1 N e j 2 e j = d j - Σ i = 1 m ω j G ( | | x j - t i | | c i ) 其中，N为样本数，j为样本的序数，m为所选隐单元数，dj为磁选管回收率实际值，ω为权值，G为高斯函数，x为样本，t为隐函数的中心，c为变换矩阵；5)利用梯度下降法计算权值ω； ∂ E ( n ) ∂ ω i ( n ) = Σ e j ( n ) · G ( | | x j - t i ( n ) | | c i ) ω i ( n + 1 ) = ω i ( n ) - η · ∂ E ( n ) ∂ ω i ( n ) i＝1，2，…，m其中，n为迭代次数，η为训练步长；6)判断是否满足精度要求：Es为软测量精度合格标准，若误差函数E＜＝Es，则说明神经网络的参数满足预报精度要求，训练结束，保存神经网络的结构和参数，以备回收率软测量之用；若E＞Es，则说明神经网络的参数还没有达到预报精度要求，因此需要对其继续训练，重复步骤4)～6)，直至满足预报精度要求；(三)计算竖炉磁化焙烧工段中磁选管的回收率，预报结果。