基于单神经元控制器的浮选液位控制系统研究.pdf

2 1 2 有色金属 选矿部分2 0 t 3 年增刊 d o i 1 0 ．3 9 6 9 ／j ．i s s n ．1 6 7 1 - 9 4 9 2 ．2 0 1 3 ．z 1 ．0 5 4 基于单神经元控制器的浮选液位控制系统研究 李强，陈东，杨文旺，余悦 北京矿冶研究总院，北京1 0 0 1 6 0 摘要浮选槽液位是浮选过程控制的重要参数。由于浮选过程具有高度非线性和系统参数时变等特点，传统的经典 控制算法无法对系统非线性问题进行有效的改善和调整，浮选过程控制效果不能尽如人意。为了解决这些困难，提出了基于 单神经元控制器的浮选液位控制方法，通过仿真试验说明，该方法能较好的抑制矿浆液面扰动的影响，对浮选机液位设定值 的跟踪性能也很理想。 关键词浮选槽液位控制；P I D 控制；单神经元控制 中图分类号T D 4 5 6文献标志码A文章编号1 6 7 1 9 4 9 2 2 0 1 3 S 0 - - 0 2 1 2 - 0 4 浮选槽液位是浮选过程中一个很重要的操作参 数，直接影响到精矿品位和回收率等浮选指标，所 以浮选槽液位控制有很高要求。然而，由于浮选液 位控制系统具有高度非线性和系统参数时变等特 性，而传统经典控制理论只适用于小范围内的线性 系统，因此，传统的经典控制算法在实际使用过程 中很难取得令人满意的控制效果。为了解决非线性因 素对系统控制效果的影响，越来越多的智能控制算 法被应用到控制系统中，成为控制系统的核心算法。 神经网络控制是智能控制算法中的重要组成部 分，它是对人脑思维过程的抽象模拟，可以实现某 些类似于人脑高级智力活动的智能控制效果。单神 经元是组成神经网络的基本单位，由于它的特殊结 构，使得它具有自学习和自适应的能力，对系统动 态性能和静态性能之间存在的矛盾具有很好的调和 作用，更重要的是对于系统存在的非线性问题具有 较强的改善作用。因此，将单神经元控制算法引入 到浮选液位控制中，利用其自学习和自适应能力， 对矿浆波动引起的液位扰动和参数变化引起的系统 震荡都能起到很好的抑制和调节作用，从而达到进 一步提高浮选技术指标的最终目的。 1浮选槽液位数学模型分析 在浮选过程中，浮选槽液位变化主要由三个因 素决定浮选槽的给矿量g 扒浮选槽溢流量吼和 尾矿量g 。。 根据容器液位动态平衡关系式容器中液体储 存量的变化率 单位时间内液体流人量一单位时间内 液体流出量，可以推导出浮选槽液位动态平衡关系 式如下 g 加一仍咄 A 詈 1 式中q 讥为给矿量，m Ⅶ；q J 为溢流量，m 3 ／h ； q 。为尾矿量，m Ⅶ；A 为浮选槽的横截面积，m 2 ；h 为浮选槽液位值，m m 。 式 1 以增量的形式可表示为 h q 缸- h q i A q ” Ai d h 2 式中A q 小A q j 、A q 。分别为单位时间内的变 化增量，m 弧。 根据变化增量的相应物理意义有h q j w o A h 、 A q w A u v m 、△g 捌A h ，带人式 2 ，有 Ah h w o a h A t r y m A 譬 3 Q ‘ 对式 3 进行整理得 AA h 一埘础- A 旦竽△啪。 4 式中加。为溢流系数，m 弧；Ⅱ为尾矿排出 口的阀门开度，％；秽。为阀门全开时的尾矿流量， m 3 ／h 。 对式 4 进行拉普拉斯变换，得到液位动态 过程传递函数为 G s 器 赢i ㈣ 箨薯昌羿；李2 0 1 3 强- 1 0 - 2 5 1 9 8 6 一 ，男，内蒙古赤峰人，硕士，助理工程师，从事浮选设备自动控制系统的设计与研究工作。作者简介李强一 ，男，内蒙古赤峰人，硕士，助理工程师，从事浮选设备自动控制系统的设计与研究工作。 万方数据 2 0 1 3 年增刊李强等基于单神经元控制器的浮选液位控制系统研究 2 1 3 - 2 单神经元控制系统的设计 图1单神经元控制系统结构框图 2 ．1 单神经控制器的学习算法 单神经元控制系统结构框图如图1 所示。系统 的输入给定值r k 和对象输出值Y k 经状态 转换器转换后，得到单神经元控制器的输入量‰ 孙戈，。从结构框图中可以推导出下列等式 f X l 后 r ．| } - y k e k { x 2 k e 后 一e k 一1 - - - b e k 【戈， 后 e 矗 - 2 e k 1 e 七一2 A u k K W 1 戈1 埘2 X2 W3 X3 ．f W 。e k 栅[ e ．| } - e I | } 一1 ] 1 1 w 。[ e 五 一2 e k 一1 e 七一2 ] J 单神经元控制器具有自适应功能，此功能的实 现是通过在线对连接权值进行学习，并根据学习结 果不断的对连接权值进行调整，从而实现对输入与 输出关系进行自适应控制。其中，连接权值W i 的 调整规则是按照学习算法来实现的，学习算法是单 神经元控制器的核心，它反映了单神经元控制器的 自学习能力。 单神经元控制器的基本学习算法如式 6 所示 W i k 1 埘i 后 7 ／r i | | } 6 式 6 中r 。 矗 为随过程递减的学习信号，7 ／i 0 为学习速率。 这里我们采用有监督H e b b 学习规则，即 △训i ， 忌 叼[ 盔 后 一o i 忌 ] o i 后 o i k 有监督H e b b 学习规则是使神经元通过关联搜 索对未知的外界做出一定的反应，即在教师信号d i k 一O i ．i } 的指导下，对环境信息进行自学习和自 组织，使输出按照学习结果进行相应的增强或 减弱。 2 ．2 状态转换器的实现 由图1 可知，状态转换器的输入值r ￡ 和输出 值y ￡ ，经过转换器后输出神经元学习控制所需的 状态量控制信号轧孙‰且菇， 忌 r 后 - y k e 后 ，x 2 | | } e | j } 一e 后一1 e 矗 ，X 3 ．j } 2 e J j } 一1 - e 尼一2 ，在S I M U L I N K 仿真环境中，可以通过零阶 保持器来保存其前一个状态e 后一1 ，然后用加法 器进行变换，具体的状态转换器的仿真图如图2 所示 Z e r o ．Or d e r H O I d l 图2 状态转换器的实现 2 ．3 单神经元控制器的实现 单神经元控制器有三个输入，一个输出，在 S I M U L I N K 中的构造示意图如图3 所示。 图3 单神经元控制器构造示意图 由于基于有监督H e b b 学习规则不能直接用传 递函数加以描述，若简单的应用S I M U L I N K 将无法 对其进行仿真，此时应在将学习规则以s 函数的形 式引入到控制器之中。在S I M U L l N K 中，以S 函数 表示的有监督H e b b 学习规则的主要部分如下所示 s I ’Z e S ．N u m C o n t S t a t e s 。。 O ；／／0 个连续变量 s i z e s ．N u m D i s c S t a t e s 。。 3 ；／／3 个离散变量 s i z e s ．N u m O u t p u t s l ；／／1 个输出 s i z e s ．N u m l n p u t s 3 ；／／3 个输入 s i ‘z e s ．D i r F e e d t h r o u g h 1 ；／／1 个直接贯通 s i ‘z e s ．N u m S a m p l e T i m e s 0 ；／／采样时间 s y s s i m s i z e s s i z e s ； 万方数据 2 1 4 有色金属 选矿部分2 0 1 3 年增刊 x 0 ∞ [ 0 ．30 ．30 ．3 ] ；／／状态变量初始化 f u n c t i o ns y s m d l U p d a t e t ，x ，u ，e t a p ，e t a i ， e t a d ，k s y s 1 x 1 e t a i * u 1 木u 1 ； s v s 2 x 2 e t a p * u 1 木u 2 ； s v s 3 - - - - - X 3 e t a d * u 1 术u 3 ； f u n c t i o ns y s m d l O u t p u t s t ，X ，U ，e t a p ，e t a i ， e t a d ，k s v s k l x 1 木u 1 x 2 术u 2 x 3 木u 3 ／ a b s x 1 a b s x 2 a b s x 3 ； 该控制器中，神经元权值初始值分别设定为 0 ．3 ，0 ．3 ，0 ．3 。其中e t a p ，e t a i ，e t a d ，k 分别为比 例学习速率，积分学习速率，微分学习速率和比例 系数。 3 仿真测试 为了更好地体现单神经元控制器在浮选液位控 制方面的优势与特点，我们将得到的单神经元控制 器同传统P I D 控制器在S I M U L I N K 下进行性能对 比。这里仿真系统的被控对象选择本文推导出的浮 选槽传递函数，带入实际参数得到其过程传递特性 函数为 。，、 5 2 3 5 0 0 k L 5 ，2 s S 8 7 ．3 5 S 2 1 0 4 7 0 s 最终，得到S I M U L I N K 仿真模型如下 图4 浮选液位单神经元控制系统仿真框图 在接人单神经控制器之前，先用常规P I D 控制 器对系统进行控制，通过试凑法，选取一组常规 P I D 控制器控制参数为疋 0 ．9 ，K I 0 ．2 ，K s 0 ．0 1 。 阶跃信号仿真结果见图5 。 然后接人单神经元控制器，通过参数调整规律 对比仿真结果，我们选取一组参数为k 0 ．4 ， e t a p 2 0 0 ，e t a i 2 0 0 0 0 ，e t a d 1 0 0 0 。 输入选定的参数，采用阶跃信号作为输入信 号，仿真结果如下 图5 常规P I D 控制器阶跃信号响应曲线 ．f{ f＼＼f 。。_ 一 ■ 图6 单神经元控制器阶跃响应曲线 通过与传统P I D 控制器作用下的系统仿真曲线 对比可知，在单神经元控制器控制系统的情况下， 系统响应在超调量、稳态误差和响应时间等方面上 都有了很大的提高，同时，在扰动方面也体现了较 好的抗扰动能力，这在传统P I D 控制器的作用下是 无法达到的。因此，可以得到结论单神经控制器 除了具备传统P I D 在改善系统动、静态性能方面所 具有的优点以外，更大的优点是对于存在强扰动、 参数时变、数学模型不精确等非线性问题的系统具 有很好的调节和改善作用，这对于那些不希望强扰 动和参数时变等非线性问题影响系统性能的行业来 说具有很强的实际意义。 4 结论 本文建立了浮选机液位控制系统的数学模型和 S I M U L I N K 仿真模型，分析了单神经元控制器的构 成和学习算法，通过M A T L A B ／S I M U L I N K 仿真软件 建立了浮选液位控制系统仿真模型，并与常规P I D 液位控制系统的仿真结果进行了对比。仿真结果表 明，单神经元控制器通过在线对控制参数的自学习 和自适应，可以很好的调和系统动、静态性能间的 万方数据 2 0 1 3 年增刊李强等基于单神经元控制器的浮选液位控制系统研究 2 1 5 矛盾，克服系统运行过程中存在的一些非线性因 素，对于浮选液位控制系统表现出很强的自适应性 和鲁棒性，从而大大改善了系统的综合性能；同 时，单神经元控制系统对于传统P I D 控制系统所解 决不了的部分问题进行了很好的弥补和优化，具有 较强的现实指导意义。 参考文献 [ 1 ] 王光辉，匡亚莉，梁华，等。基于P I D 参数模糊自整定的 浮选床液位控制研究[ J ] ．矿山机械，2 0 1 2 ，4 0 9 8 0 8 3 ． [ 2 ] 廖芊，徐文立，楚云飞．自吸浆式浮选机液位控制算法 研究[ J 1 ．金属矿山，2 0 0 4 4 6 3 6 5 ． [ 3 jJ a m s a J o u n e l aSL ，D i e t r i c hM ，H a l m e v a a r aK ，e ta 1 ． C o n t r o lo f p u l p l e v e l si nf l o t a t i o nc e l l slJJ ．C o n t r o l E n g i n e e r i n gP r a c t i c e ，2 0 0 3 ，11 7 3 8 1 ． [ 4 ] 蔡自兴．智能控制原理与应用[ M ] ．北京清华大学出 版社，2 0 0 7 ． [ 5 ] 薛定宇．反馈控制系统设计与分析[ M ] ．北京清华大学 出版社，2 0 0 0 ． [ 6 ] 焦李成．神经网络系统理论[ M ] ．西安西安电子科技大 学出版社，1 9 9 5 ． ＼ 命 岔 岔 命 命 岔 岔 岔 岔 岔 岔 命 岔 命 岔 命 岔 命 岔 僚 岔 岔 岔 命 岔 岔 岔 岔 仓 仓 仓 仓 偷 岔 【上接第2 1 1 页 大，“跑尾”现象存在。 当投人液位最优化给定系统后，从图5 和图7 可以看出精矿品位和回收率波动明显减少，均能控 制在工艺指标允许区间内。随着外界给矿因素 例 如给矿量、浓度、药剂制度等 变化，最优化液位 给定系统的优势在于能够实时对浮选液位回路的 设定值进行更新，进而使系统合理克服与规避因外 界条件的变化所对选矿指标产生的影响。对比于人 工手动给定模式，基于数据挖掘技术的最优自给定 模式为选矿指标带来了明显改善。 4 结论 针对浮选液位设定值存在难以合理选取，以及 不能采用常规控制方法给出等问题，本文采用了一 种依靠数据挖掘技术来实现浮选液位值的最优化给 定的方法。该方法在某选厂成功应用，表明了数据 挖掘技术实现浮选液位最优给定的可行性和有效 性，同时推动了浮选过程控制向智能浮选方向发展。 参考文献 [ 1 ] 张银奎，廖丽，宋俊，译．数据挖掘原理[ M ] ．北京机 械工业出版社，2 0 0 3 4 5 6 5 ． [ 2 ] 李振兴，文书明，罗良烽．选矿过程自动检测与自动化综 述[ J ] ．云南冶金，2 0 0 8 ，3 7 3 2 0 2 I ． [ 3 ] 杨文旺，武涛．微处理量浮选柱液位控制系统的设计与 研究[ J ] ．有色金属 选矿部分 ，2 0 1 1 6 5 3 5 5 ． [ 4 ] 丛峰武，张勇，孙云兰．智能数据预处理在浮选过程中 的应用[ J ] ．鞍山科技大学学报，2 0 0 5 ，2 8 6 4 2 7 4 2 9 ． [ 5 ] 杨辉，王永富，柴天佑．基于实例推理的稀土萃取分离 过程优化设定控制[ J ] ．东北大学学报，2 0 0 5 ，2 6 3 2 1 0 - 2 1 1 ． 万方数据