基于深度学习聚类算法的半自磨机控制规则优化.pdf

学校代码学校代码1025910259 学号学号1 17610111276101112 密级密级 硕士学位论文硕士学位论文 题题 目目 基于深基于深度学习聚类算法度学习聚类算法的半的半自磨机控制规自磨机控制规 则优化则优化 英文题目英文题目Optimization of SAG Control Rules Based on Deep Learning Clustering Algorithm 专专 业业仿生装备与控制工程仿生装备与控制工程 学学 院院电气与电子工程学院电气与电子工程学院 研究方向研究方向数据分析数据分析 姓姓 名名冯闯冯闯 指导教师指导教师王贵成王贵成 2020 年 5 月 28 日 万方数据 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、 使用学位论文的规定， 同意学 位论文保留并向国家有关部门或机构送交论文的复印件和电子版。允许论 文被查阅和借阅。本人授权上海应用技术学院可以将本学位论文的全部内 容或部分内容编入有关数据库进行检索， 可以采用影印、 缩印或扫描等复制 手段保存和汇编本学位论文。 本学位论文属于 （必须在相应处打√，否则按不保密处理） 学位论文作者签名 指导教师签名 2020 年 5 月 28 日 2020 年 5 月 28 日 保 密 年 □ 不保密  万方数据 上海应用技术大学上海应用技术大学 硕士学位论文 第 I 页 学位论文作者声明 本人郑重声明 所呈交的学位论文， 是本人在导师的指导下,独立 进行研究工作所取得的成果。除文中已注明引用的内容外，本论文不 包含任何其他个人或集体已经公开发表或撰写过的作品成果。 对本文 的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。 本声明的法律责任由本人承担。 学位论文作者签名 2020 年 5 月 28 日 万方数据 第II页 上海应用技术大学上海应用技术大学 硕士学位论文 基于深度学习聚类算法的半自磨机控制规则优化 摘要摘要 社会高速发展，大数据时代到来，深度学习已成为人工智能和机器学习领域 一大热点，无监督特征学习更是展现出强大的潜力，利用深度结构来挖掘深层结 构和其隐含特征。聚类技术同样在深度学习领域中炙手可热，又是一种无监督学 习方法，引来大批学者深入研究。 磨矿是在选矿厂甄选优质矿石的关键一步，半自磨机是 SABC 流程的重要 组成，半自磨机具备变量多、非线性、耦合性强、滞后性大、时变性等特点，传 统的操作模式主要依赖高级技术工人经验进行判断，检测不到位、判断不及时很 容易造成生产问题和安全事故。通过应用深度学习模型和改进过 FCM（模糊聚 类）的聚类算法对实验数据分析。实验数据来自某矿山 2016 年 4 月份的运行数 据，采集的数据时段被细分若干个小计算时段，数据类型包括半自磨机功率，磨 音，轴压，磨矿浓度等 126 组变量。经过聚类分析，以现场高级技术工人经验做 对比，找出半自磨机工作时功率，磨音，轴压，磨矿浓度，给矿量之间的关系， 对现场操作进行指导，形成专家控制规则，代替人工控制去促进半自磨机以最优 的运行状态运作，提高选矿厂经济效益，给企业带来良好收益的同时，也推动矿 业产业的发展。 关键词关键词半自磨机；深度学习；聚类算法；控制规则 万方数据 上海应用技术大学上海应用技术大学 硕士学位论文 第 III 页 Optimization of SAG Control Rules Based on Deep Learning Clustering Algorithm Abstract With the rapid development of society and the advent of the era of big data, deep learning has become a hot spot in the field of artificial intelligence and machine learning. Unsupervised feature learning has shown great potential. It uses deep structures to mine deep structures and their hidden features. Clustering technology is also hot in the field of deep learning, and it is also an unsupervised learning , which has attracted a large number of scholars to study in depth. Grinding is a key step in the selection of high-quality ore in the concentrator. The semi-automatic grinding machine is an important component of the SABC process. The operation mode mainly relies on the experience of senior technical workers to make judgments. If the detection is not in place and the judgment is not timely, it is easy to cause production problems and safety accidents. Analyze the experimental data by applying deep learning models and improved FCM fuzzy clustering clustering algorithm. The experimental data comes from the operation data of a mine in April 2016. The collected data period is subdivided into several small calculation periods. The data types include 126 sets of variables such as semi-automatic mill power, grinding sound, axial pressure, and grinding concentration. After cluster analysis, based on the comparison of the experience of senior technical workers on site, find out the relationship between power, grinding sound, axial pressure, grinding concentration, and ore amount during the operation of the semi-automatic grinding machine, guide the field operation, and an expert Control rules, instead of manual control, promote the operation of semi-automatic mills in the optimal operating state, improve the economic efficiency of the concentrator, bring good profits to the enterprise, and promote the development of the mining industry. Keywords semi-self-grinding machine;Deep learning;Clustering algorithm;Control rules 万方数据 第IV页 上海应用技术大学上海应用技术大学 硕士学位论文 目录目录 第 1 章 绪论............................................................................................. 1 1.1 课题背景与意义................................................................................................... 1 1.2 半自磨机国内外研究与发展现状....................................................................... 2 1.2.1 半自磨机基本概述............................................................................................ 2 1.2.2 半自磨机的国内研究发展现状........................................................................ 3 1.2.3 国外的研究进展介绍........................................................................................ 4 1.3 半自磨机控制技术难点....................................................................................... 5 1.4 论文主要研究工作及结构安排........................................................................... 6 第 2 章 聚类算法介绍 ............................................................................ 7 2.1 聚类算法概述....................................................................................................... 7 2.1.1 聚类的概念........................................................................................................ 7 2.2 聚类算法............................................................................................................... 8 2.2.1 划分聚类算法 ..................................................................................................... 8 2.2.2 层次聚类算法.................................................................................................... 8 2.2.3 密度聚类算法.................................................................................................... 8 2.2.4 网格聚类算法 ..................................................................................................... 9 2.2.5 模型聚类算法 ..................................................................................................... 9 2.3 本章小结............................................................................................................. 10 第 3 章 基于深度学习的聚类模型 ...................................................... 11 3.1 深度学习算法概述............................................................................................. 11 3.2 深度学习的基本思想......................................................................................... 11 3.3 深度学习算法的介绍......................................................................................... 12 3.4 基于深度学习的聚类模型结构......................................................................... 14 3.5 基于深度学习的聚类模型的特点..................................................................... 15 3.6 基于深度学习的聚类分析................................................................................. 15 3.7 本章小结............................................................................................................. 17 第 4 章 FCM 的聚类算法 ..................................................................... 18 4.1 FCM 算法 ........................................................................................................... 18 4.1.1 FCM 算法概述 ................................................................................................ 19 4.2 改进的 FCM 算法 .............................................................................................. 20 万方数据 上海应用技术大学上海应用技术大学 硕士学位论文 第 V 页 4.3 算法思想............................................................................................................. 21 4.4 本章小结............................................................................................................. 21 第 5 章 仿真研究与分析 ...................................................................... 23 5.1 FCM 算法的应用 ............................................................................................... 23 5.2 仿真分析............................................................................................................. 24 5.2.1 数据来源.......................................................................................................... 24 5.2.2 数据预处理...................................................................................................... 24 5.2.3 聚类数的处理.................................................................................................. 25 5.3 试验结果............................................................................................................. 29 总结与展望 ............................................................................................... 30 参考文献 ................................................................................................... 32 致 谢 ....................................................................................................... 37 攻读学位期间所开展的科研项目和发表的学术论文 .......................... 38 万方数据 上海应用技术大学上海应用技术大学 硕士学位论文 第1页 第 1 章 绪论 1.1 课题背景与意义课题背景与意义 在采矿领域，磨矿是选矿厂里物料破磨阶段的重要一环，要对粗粒级不同的 矿石研磨达到相应的颗粒尺寸要求， 研磨设备把粗粒度的大矿石研磨到达到工艺 要求的细粒度的工艺流程称为磨矿，通常来看，整厂总能耗的 30-75被磨矿 作业所占据，部分选矿厂以至八成之多 [1]。因此，碎磨作业效果的好坏与否直接 影响后续的选矿工艺标准。因此，磨矿作业的流程设计对整个选矿厂十分重要， 特别是当前，由于全球矿山优质资源迅速枯竭和矿石的需求持续增加，现代矿业 对于能源消耗问题非常重视，能源能否高效率的利用更是关键，经过专家学者大 量的科研公关 [2]，设计出很多研磨设备种类，由于半自磨机具备磨矿流程短、合 格率高、投入资金少，优势明显，被不少企业高度认可。 自磨机通过矿物质在其内部产生的物理碰撞及冲击影响， 达到矿物质分离的 目的。此过程叫做自磨。由于磨矿能力差，并且很多难磨颗粒很难被研磨，为了 使模矿的物料有效的利用，通常在自磨机磨矿介质中加入了一些钢球，通过矿石 与钢球间的在半自磨机内部碰撞破碎和磨矿效果，达到破碎研磨材料的目的，以 促使磨矿效果的提高，但根据分析能量使用方面来看，采取应用半自磨机设备磨 碎矿石，能量的消耗要高于正常生产工序能量消耗。传统碎磨作业包括破碎、筛 分、碎磨等多个程序，机械类别数量多，生产流程长，生产过程中产生粉尘多。 然而，半自磨机取代了碎磨工序中细碎过程、筛分过程和物料的装运工作，这样 工序就会缩短、操作过程粉尘减少，减少大气污染，运营成本大大降低，总投资 相对减少 [3]。钢球的消耗量小和后续浮选的化学和电化学影响小，自磨机的特征 皆具备，因其优势明显，因而大批学者越来越重视半自磨机设备的科学研究未来 趋向发展。 半自磨机历经很长一段的时期实际生产检验，检测装置的研制更加全面化， 形成了高度的自动化生产 [3]，简化了过程控制的复杂性，设备的机械化，过程控 制的自动化，代替了大部分人员现场操作，这样既提高了碎磨矿物效率，改善了 环境。 半自磨机技术可以减少选矿厂在厂区建设规划中对选矿厂基础设施建设的 投资， 在实际生产中能够减小选矿成本的支出，能够使矿厂完成自动化控制运行 [4]。半自磨机在大量矿冶人技术反复交流过程中，不断引进并完善了机械的电气 自动化模块，先进的控制技术不但操作起来相对方便，而且在提高产能方面也凸 显优势。 万方数据 第2页 上海应用技术大学上海应用技术大学 硕士学位论文 随着科技发展的进步， 半自磨机设备尺寸逐步增大， 同时也带来了很多问题， 特别是原本效能不及原本的产能需要， 不同的参数设置会影响半自磨机的破磨效 率。因此，分析参数与破磨效率之间的关系就显得尤为重要 [5]。本文根据上述的 问题进行开展， 选择半自磨机载荷运动特征以及各种破磨参数对磨矿性能的影响， 旨在为半自磨机科研层面的研究给予规范的指导和优化的生产。 因此本课题的主要目的是利用深度学习的聚类算法研究半自磨机设备运行 参数对载荷颗粒运动形态的影响规律，找出其参数数据之间的联系，发现并提取 数据间有价值的信息 [6]，以人工经验为基础做对比，找出半自磨机工作时功率， 磨音，轴压，磨矿浓度，给矿量等有效数据之间的关系，对半自磨机工作运行进 行一定的指导，对比传统的高级技术工人的技术经验，形成专家规则，代替人工 控制，优化到最佳的半自磨机设备工作状态，在经济效益方面有显著的提高，在 矿冶领域具有十分重要的意义和广阔的前景 [7]。 1.2 半自磨机国内外研究与发展现状半自磨机国内外研究与发展现状 1.2.1 半自磨机基本概述 磨矿作业是矿冶领域选矿的重要组成部分。虽然设备类型千差万别，但是磨 矿效果却大同小异 [8][9]，根据不同的应用环境应有不同的选型，通过设备内部矿 石与矿石之间的碰撞来研磨物料， 经实际生产中发现在磨矿过程中很很多难磨颗 粒，为了提升设备碎磨能力，在其内部添加部分钢球，经历了逐步的演变，半自 磨机依靠高产能、合格率高等优势脱颖而出。 现在较为普及的碎磨工艺大致分为两种 [10]一种是传统的磨碎工艺流程，一 般可分为两段或者三段，先对大矿石进行破磨，接着对破磨过的矿石进行筛分， 再进行磨矿流程，另一种是半自磨工艺，由于半自磨机设备在市场上更加具备产 品优势，在国内外被更多的选矿厂所使用。 半自磨机还可以干式和湿式两类。 顾名思义就是在半自磨机设备在运行过程 是否加水，在生产作业过程中难免会产生大量灰尘，导致大气污染，随着国家对 于环保的要求越来越高，相比而言湿式半自磨机具有明显地优势，在生产实践中 得到了广泛运用 [11]。 在磨矿过程中，现场工况复杂，环境恶劣，对生产的影响有以下几种方面 1）矿物质方面矿物质自身属性、给料粒度、粗粒度等级等； 2）结构属性方面磨机衬板材料、规格等； 3）人工主观性影响方面重板频率、渣浆泵频率、半自磨机功率、半自磨 机轴压、给矿量、进料浓度、磨音、给排水流量等。生产过程中工况环节复杂， 不可控因素多，自身有变量多，滞后性强，非线性强的特点，很大程度上导致碎 万方数据 上海应用技术大学上海应用技术大学 硕士学位论文 第3页 磨效果不好，产出比低 [12]。而且，控制设备是主观地手动控制的，受影响程度就 会变得更高，从而整个设备的产能效率低下，矿厂耗能量上升。所以要对整个磨 矿流程进行完全的自动化控制，在设备安全、稳定的运行下提高产能效率，提升 产品品质。 1.2.2 半自磨机的国内研究发展现状 自 1950 来，中国也参与到自磨机设备领域的科学探索，以铁矿石作为实验 对象， 经历漫长十年的磨剑， 国内第一台 “干式” 自磨机横空出世。 随后几年来， 湿式自磨机逐渐走进了人们的视野，20 世纪 60 年代末期 [13]，在大冶铁矿开始试 运行 5.5M*1.65m 湿式自磨机。且达到运行要求，取得成功。之后十年的蓬勃发 展中，首钢矿业公司、武钢矿业公司、密云铁矿厂、相继推出新产品服务矿冶行 业，歪头山铁矿厂在国内打响了第一枪，国内首个湿式自磨机选矿厂正式落地。 1990 年以后，我国很多选矿厂均采用湿式自磨机设备。在实际生产中发挥出令 行内人士满意的效果，使得国内大量矿山企业和选矿厂争相追逐 [14]。 在中国，特别是中信重工机械有限公司，更是自力更生，艰苦科研。开发了 设备直径从五米到八点八米，再到双传动的不断升级改造，十二点二米的无齿轮 传动半自磨机系列均达到世界领先水平， 目前正在自主研制特大型自磨机型号为 12.2m*11.0m，采用无齿轮传动，装机容量可达 28800KW，接近世界先进水平， 吸引国外制造经验的基础上，我们勇于创新。设备的可靠性正在不断提高，不仅 取代了进口，而且还出口到世界各国。同时，各种技术指标也赶上了世界先进水 平。 相关技术的进步更是带来了对半自磨机设备研发的大量资金投入，设备的大 型化发展，研发设计水平不断提升，性能也达到处于高水平阶段 [15]。 洛阳某研究院刘建平等人通过对半自磨机衬板形状、内部结构特点分析，在 结构属性方面做了优化，投入试验使用时，磨矿效果显著，使用寿命得到延长。 看来， 提高磨矿效率跟半自磨机衬板的结构设计师有关联的，国内冯炎飞等人针 对进料端轴压、重板频率、矿石粒度等问题进行探究，改造直线振动筛、改良钢 球直径，在设备运行时效果更佳，直线振动筛的优势是低能耗、成本低廉。稳 定了半自动磨浆机的浓度和细度， 对关键泵磨损程度表小， 矿石质量有所提升 [16]。 结果表明，半自磨机的粒度质量与球径、进给尺寸等多维参数有关。 另外，我国部分学者针对半自磨机衬板进行细致研究，对其受力情况分析认 为，半自磨机的机械产能、破磨效率、产品品质等方面有着直接的联系，由此看 来，对于半自磨机衬板的优化能够有效的提高破磨效率、提升产品质量。 此外，有的专家学者从半自磨机的磨矿机理逐步拓展，过粉碎现象引起行内 人士的重视，在研讨过程中，大家指出改变设备内部机理减少出现频次，在实际 万方数据 第4页 上海应用技术大学上海应用技术大学 硕士学位论文 生产过程中反复论证，利用数学理论推导、样机试验和模拟仿真等方法手段来分 析半自磨机运行状态下工作参数的变化 [17]。 以上分析国内国际相关科研人士的科研成果来分析， 我国大批专家学者对于 半自磨机设备的研究做了大量的科研工作， 在控制半自磨机性能取得一定的突破， 但仍然存在一些不足或疏漏，侧重设备运行各工作参数的优化；缺乏对整套设备 功耗机理理论体系的研究，没有建立载荷运行特征模型；缺乏动力模型的数理模 型支撑。 1.2.3 国外的研究进展介绍 在 1950 年代，外国开始在采矿领域使用自磨设备。经过十多年的发展，自 研技术在 1960 年代后期逐渐得到改善。许多矿山和受益者选择了自磨技术来代 替磨削工艺。在接下来的几十年中，随着自磨机技术的逐步发展，半自磨设备越 来越多，各种类型的半自磨设备和大量的半自磨设备制造商出现了。目前，国外 著名的磨机制造商是 Mctso，Svedala，Fuller 等，在那里，Svedala 工业公司当时 为澳大利亚的卡地亚山矿设计并制造了世界上最大的半自动磨床。 半自动磨床直 径为 12.2m，功率达到 20MW，为无齿轮传动。从今年的数据来看，世界上最大 的半自动铣床的直径已达到 12.8m，装机功率已达到 28MW。 半自磨机在国外的普及远远早于国内矿业的应用。十九世纪八十年代，产生 了第一台圆筒磨机。基本到了十九世纪末期，矿石间产生的碰撞和冲击作用可以 达到磨矿的目的。因此，随后的三十年间，人们不断在领域内创新突破，全球首 台自磨机正式诞生。接着世界各国纷纷采用了全自磨工艺，在研磨过程中,研磨 机大于 100 毫米的矿石研磨介质的作用,小于 80 毫米超过 20 毫米的矿石研磨能 力差,其本身并不容易的大块矿石研磨这部分材料通常被称为“难磨粒”,有 时为了磨的这部分材料加入磨机约占 4 8的大型钢铁球磨机体积,极大地提 高了磨削效率,这样就出现了半自磨机 [18]。半自磨机属于圆柱形磨机，其特点是 负荷大、转速低、起动转矩大。 根据国外研究现状，我们可以总结一下几点 1） 检测装置的开发可以促进过程控制进一步分析工况问题， 例如数据观测。 2智能控制把控制规则、仿真建模、模型预测、数据分析等方法手段用于矿 冶领域； 3）智能检测与控制理论的不断进步带给矿冶行业的过程控制很大的发展空 间。 比较国内外半自磨机发展近况。我们可知道以下几点 1）过去的过程控制技术，控制手段简单，数学模型单一。 万方数据 上海应用技术大学上海应用技术大学 硕士学位论文 第5页 2）随着编程技术的突飞猛进，多模型建模、仿真、模拟等控制策略增多， 使用深度学习来模仿人的大脑进行学习并仿照人类大脑思考的神经元间的学习 思维已成为面临的挑战之一 [19]。为了解决基于抽象特征的分析，新颖的程序算法 渐渐出现在人们的视野当中。例如， 有些专家学者提出了主动深度网络的半监督 算法，在手动标记数据不足的情况下，怎样对情感进行分类，该算法提出了解决 的办法。 对于不同的深度学习结构， 不同的环境场景下有着不同的参数设置规则。 但是， 在同一深度学习结构上是否存在参数设置和调整的规则仍然值得深入探讨。 1.3 半自磨机控制技术难点半自磨机控制技术难点 半自磨机设备中矿石自身和钢球都是磨矿介质 [20]，同时，为了补偿饱负荷和 欠负荷、过粉碎现象的影响，少量的钢球会增强磨矿能力，加快磨矿效率。 图图 1.1 半自磨机内部的结构图半自磨机内部的结构图 半自磨机具有变量多、非线性、耦合性强、滞后性强、时变性等特征，在过 程控制过程中，很多参数难以被检测，难以通过常规控制手段来满足自动控制。 数据变量是时刻变化的，受到多重因素的影响 [21]，因此，在手动模式下，这些因 素不能被考虑并且不能及时处理， 这往往导致半自动轧机在手动模式下的运行状 况较差，不利于后续机型的稳定运行。 半自磨机运行过程优化主要控制手段包括块度控制、矿量控制、磨矿浓度控 制 3 种手段。 目前很多矿厂使用都是通过 PID 调节来实现控制， 给矿量调节通过 PID 自动调节重板频率，实现给矿量最佳。通过半自动磨机的给水流量计检测到 的水量，PID 会自动调节给水阀的开度，从而调节磨矿的浓度 [22]。在重板上粗粒 级不同的矿石对重板频率数据会造成一定的影响， 通过调节控制输出频率来对矿 石粒度进行筛分。 熟练操作半自磨机的人员无需了解被控对象的数学模型， 可以通过实际实验 采取相应的措施来控制半自动磨机。 模糊规则是反复对比现场人员的经验形成专 家规则，即尽可能地总结和描述熟练操作员的实践经验，以获得定性和不准确的 提升衬板 进矿口 波峰衬板 排矿端 观察口 出矿口 格子板 万方数据 第6页 上海应用技术大学上海应用技术大学 硕士学位论文 控制规则。 1.4 论文主要研究工作及结构安排论文主要研究工作及结构安排 论文主要研究工作介绍了采矿业在磨矿过程中，SABC 流程在传统的操作 模式下依赖高级技术工人经验进行判断，检测不到位、判断不及时很容易造成生 产问题和安全事故。通过应用深度学习模型和改进过 FCM（模糊聚类）的聚类 算法对数据聚类分析，挖据不同状态下的半自磨机运行状态下的类别信息，与现 场高级技术工人经验对比，形成行之有效的控制规则，在设备生产过程中，控制 规则实时地对半自磨机系统的运行状态进行监控判断， 再根据判断出的结果去执 行相应的操作，能够使半自磨机最大程度地运行再最佳工作区间内，实现半自磨 机台效的最大化，从而提高生产效率，避免人工误判带来的经济损失。 论文介绍共划分五个章节。 第一章为绪论，主要介绍课题背景下的意义，半自磨机国内外发展现状，在 半自磨机设备生产过程中遇到的技术难点和磨矿作业时诸多痛点[23][24]。简要阐 述论文的主要研究工作及结构安排。 第二章为聚类算法介绍，主要介绍了聚类的概念及主要常用的聚类算法[25]， 有划分聚类算法、 层次聚类算法、 密度聚类算法、 网格聚类算法、 模型聚类算法。 第三章为基于深度学习的聚类模型，主要对深度学习的基本思想、深度学习 算法的介绍、深度学习聚类算法模型结构、基于深度学习的聚类分析。主要聚类 模型有稀疏编码模型、自动编码模型、受限玻尔兹曼机、深度信念网络、卷积神 经网络，通过应用深度学习模型对数据聚类分析。 第四章为 FCM 的聚类算法，主要对 FCM 聚类算法进行改进，通过应用深