磨矿过程磨机负荷的动态寻优控制.pdf

《磨矿过程磨机负荷的动态寻优控制.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第36卷第3期河北联合大学学报(自然科学版)Vo1．36No．32014年7月JournalofHebeiUnitedUniversity(NaturalScienceEditionJu1．2014文章编号：2095．2716(2014)03-0001-04磨矿过程磨机负荷的动态寻优控制贺晓巧，王建民，赵晔(河北联合大学，河北唐山063009)关键词：磨机负荷；最佳负荷点；动态寻优摘要：磨矿是选矿厂动力消耗最多的一个作业，磨矿过程对选矿的经济指标影响很大。磨矿系统具有机理复杂、强耦合、过程影响因素多、非线性、大滞后和时变性的特性，因此常规控制方法的效

2、果都不太理想。提出了采用极值动态寻优的优化算法，能够实现对磨机负荷的合理控制，使磨机工作在最佳负荷点，从而提高球磨机的工作效率，提高磨机产量。中图分类号：TIM53文献标志码：A0引言磨矿作业是矿石破碎过程的继续，是分选前准备作业的重要组成部分。磨机生产效率的高低直接影响着选矿厂的经济枝术指标和经济效益。磨机生产效率的提高，可使后续作业生产指标得到改善。因此，磨矿分级作业向来为选矿界所重视，磨矿分级过程是一个复杂的循环系统，各种外界干扰影响因素众多，机理比较复杂，所以控制效果一般不理想。磨机负荷控制的目的是当物料易磨性、粒度和球磨机参数发生改变时，能

3、够始终保证磨机的产量最高，并使磨机稳定运行，防止磨机出现“闷磨”或“空磨”状态。而在实际磨矿过程中，由于矿石性质的改变和磨机本身的特性，经常使球磨机的最佳负荷点发生漂移，所以，如何将球磨机负荷维持在最佳工作点附近运行，是磨机负荷优化控制的难点-l-2]。本文提出的极值动态寻优方法实现了对磨机负荷最佳工作点的动态寻优。1极值动态寻优原理为了实现对磨机负荷的有效控制，应先了解磨机负荷的特性J。图1为磨机负荷的动态特性图。塔帆如图l所示，磨机功率先是随着磨机负荷的增加有用功率而增大，当负荷增至a点时，磨机功率达到最大值，a(KW)点后，随着磨机负荷的增大磨

4、机功率反而减小。工艺分析表明，当磨机吸用功率达到最大时，磨机的工作效率也最大，因此，点a就是磨机的最佳工作点。而在实际生产中，矿石的粒度、硬度和易磨性的变化会引起磨机功率的变化，曲线1将变为曲线2。所以，如何跟踪工矿的变化调整磨机负荷，使球磨机维持在最佳工作点，即由a点调整到b点，是磨机负荷控制图1磨机负荷动态特性曲线的重点。极值动态寻优控制方法直接利用磨矿生产过程的极值特性寻找磨机的最佳负荷点，不依赖被控对象的数学模型。其特点是，当生产过程中的随机扰动使被控对象的特性发生漂移时，能够自动判断寻找到新的工作状态下的最佳工作点。具体步骤如下：假设某一时

5、间磨机负荷的设定值为，此时的给料量为，磨机负收稿日期：2013—12—162河北联合大学学报(自然科学版)第36卷荷设定值增加1个步长，那么新的磨机负荷设定值变为，系统在新的磨机负荷设定值下稳定运行的给料量为，如果(表示无限接近于0的正数)，则表明步进方向正确；磨机负荷设定值继续增加1个步长，如果，则表明步进方向错误，那么磨机负荷设定值就不能增加这一个步长，即表明磨机此时已达到最佳处理量区间。2模糊极值动态寻优控制器的设计单纯依靠自寻优控制方法会使磨机负荷的设定值为一个固定值，如果步长太小，收敛速度则较慢；如果步长太大，则会增大搜索损失，也可能会引起

6、振荡，造成系统的不稳定引。将模糊控制与极值动态寻优控制结合可以实现磨机负荷设定值步长的自动改变，此控制系统的结构图如图2所示。图2动态寻优控制器结构图图2中，为根据实际生产状况给出的一个磨机负荷最佳给定值，模糊控制器的作用是为了保证被控对象的输出可以很好的跟随该设定值。3各变量隶属函数I的确定控制器的输人语言变量为：球磨机产量改变量E和上一次磨机负荷变化E：输出语言变量为：本次磨机负荷的变化。由于模糊控制器对数据的处理是基于模糊集合的方法，因此首先必须对输入数据进行模糊化。在进行模糊化运算之前，需要对输入量进行尺度变换，使其变换到相应的论域范围内，这

7、就是量化因子。选取的基本论域为[一6，6]，E的量化因子为后，=o-／e。E的模糊子集为{NB，NM，NS，ZE，PS，PM，PB}，分别代表{负大，负中，负小，零，正小，正中，正大}；的基本论域为{一6，一5，一4，一3，一2，一l，1，2，3，4，5，6}，E的量化因子为=o-／e：。E的模糊子集为{NB，NM，NS，PS，PM，PB}，分别代表{负大，负中，负小，正小，正中，正大}；设的基本论域为{-，IJ,}，的量化因子为．j}=o'／u。。U的模糊子集为{NB，NM，Ns，PS，PM，PB}，分别代表{负大，负中，负小，正小，正中，正大}。

8、各语言变量采用高斯函数作为其隶属度函数，且采用加权平均法对得到的模糊量进行清晰化。各变量的隶属度函数曲线如图