本發(fā)明涉及礦物冶煉前的礦物準備工作，特別涉及利用優(yōu)化辨識、數(shù)據(jù)處理、分類融合等技術(shù)為非均質(zhì)礦的磨礦粒度分布進行優(yōu)化控制，具體涉及一種非均質(zhì)礦球磨破碎分布函數(shù)預測方法。

背景技術(shù)：

選礦生產(chǎn)是冶煉前的準備工作，包括破碎-磨礦-分級-浮選等基本過程，磨礦為第一道工序，也是整個選礦流程中能耗與金屬消耗最大的環(huán)節(jié)。它將經(jīng)過破碎后的礦物磨至一定的細度，得到有用礦物的基本單體解離或富集合的顆粒，再經(jīng)過分級處理供后續(xù)選別工序。選礦過程中的能耗較高，磨礦過程的粒度分布進行優(yōu)化控制難度較大，為了提高礦物資源的利用率，有必要對磨礦過程的粒度分布進行優(yōu)化控制。

但現(xiàn)有的技術(shù)并沒有對礦物粒度分布進行在線測量，離線處理耗時費力，如何對球磨產(chǎn)品的粒度分布進行預測成為了一大難點。要實現(xiàn)球磨產(chǎn)品粒度分布預測，首先需要知道礦物的破碎分布函數(shù)(或矩陣，其中矩陣為函數(shù)的離散描述)，它只與礦物的物理特性有關(guān)，反映了大粒度礦物破碎為各種小粒度時的分布比例。由于我國礦物資源大部分是難處理的礦物，礦物組成復雜；礦物粒度分布范圍大、與共生的脈石礦物嵌布關(guān)系復雜。某些礦物的物理性質(zhì)呈現(xiàn)非均質(zhì)性，即物理性質(zhì)不是始終保持一致，這些特點均會影響礦物的破碎分布函數(shù)。所以要準確預測磨礦產(chǎn)品的粒度分布，就需要首先準確地預測非均質(zhì)礦的破碎分布函數(shù)(或矩陣)。

傳統(tǒng)上，一般通過一批分批磨礦實驗求得礦物的破碎分布函數(shù)，存在每次換一批礦物都需要重新開始一系列分批磨礦試驗，導致大量人力物力的消耗，同時由于人為操作因素的影響，所求取的破碎分布函數(shù)的精確度不高，難以滿足現(xiàn)在對礦物粒度分布預測的要求。因此，為了準確、高效地預測磨礦產(chǎn)品的粒度分布，如何準確預測非均質(zhì)礦的破碎分布函數(shù)是本發(fā)明要解決的問題。

技術(shù)實現(xiàn)要素：

鑒于此，為了解決以上技術(shù)問題，本發(fā)明的目的在于提供一種非均質(zhì)礦球磨破碎分布函數(shù)預測方法，包括以下步驟：

s1：根據(jù)非均質(zhì)礦的物理化學特性對非均質(zhì)礦進行分類，篩選出典型非均質(zhì)礦：根據(jù)非均質(zhì)礦物理化學參數(shù)包括硬度、物相、礦物單粒級破碎質(zhì)量分數(shù)比例對非均質(zhì)礦進行分類處理，得到k種典型非均質(zhì)礦；所述k大于2；

s2：求解所述典型非均質(zhì)礦的破碎分布矩陣：基于步驟s1所述的典型非均質(zhì)礦的分批磨礦實驗數(shù)據(jù)，利用球磨機總體平衡模型

其中，bij(i＝1,2,…,n；j＝1,2,…,n)為破碎分布矩陣，在保證所述破碎分布矩陣中每個單位列向量的累積和為1的約束下，運用優(yōu)化算法反算得到所述一種典型非均質(zhì)礦的破碎分布矩陣b；所述k個典型非均質(zhì)礦的k個破碎分布矩陣b^k，k＝1，2，…，k；所述磨礦實驗數(shù)據(jù)包括產(chǎn)品粒度分布、給料粒度分布，磨機尺寸、介質(zhì)參數(shù)和操作條件；式1中i和j為粒級的編號，n為粒級總數(shù)，粒級為n時粒徑最小，t為時間，wi(t)為t時刻第i粒級的質(zhì)量分數(shù)，si表示t時刻第i粒級的破碎速率，bij表示第j粒級破碎后進入第i粒級的量占第j粒級破碎量的質(zhì)量分數(shù)；

s3：建立所述新非均質(zhì)礦物理特性與典型非均質(zhì)礦物理特性之間的函數(shù)關(guān)系：采用回歸分析法，計算所述新非均質(zhì)礦與所述k個典型非均質(zhì)礦的多個物理化學參數(shù)的數(shù)據(jù)相關(guān)性，擬合得到所述新非均質(zhì)礦與典型非均質(zhì)礦物理特性之間的函數(shù)關(guān)系；

s4：運用相似度融合方法綜合所述典型非均質(zhì)礦的破碎分布矩陣，得到新非均質(zhì)礦的破碎分布函數(shù)：首先，用回歸分析方法得到所述典型非均質(zhì)礦物理特性和典型非均質(zhì)礦破碎分布矩陣之間的函數(shù)關(guān)系；其次，根據(jù)步驟s3得到的所述新非均質(zhì)礦與典型非均質(zhì)礦的函數(shù)關(guān)系求得置信距離，確定所述新非均質(zhì)礦破碎分布矩陣與所述典型非均質(zhì)礦破碎分布矩陣之間的權(quán)重值；再次，運用相似度融合方法綜合所述k種典型非均質(zhì)礦的破碎分布矩陣b^k，k＝1,2,…,k，得到新非均質(zhì)礦的破碎分布矩陣；最后，按照函數(shù)擬合得到所述新非均質(zhì)礦的破碎分布函數(shù)。

進一步地，步驟s1采用極限學習機elm算法。

進一步地，步驟s2中所述優(yōu)化算法采用如下方式實現(xiàn)：根據(jù)經(jīng)驗確定累積破碎分布函數(shù)bij(i＝1,2,…,n；j＝1,2,…,n)和破碎速率函數(shù)si(i＝1,2,…,n)的函數(shù)結(jié)構(gòu)，由bij＝bi-1,j-bij和式1模型的reid解析解公式，建立含有累積破碎分布函數(shù)bij和破碎速率函數(shù)si待優(yōu)化參數(shù)的目標函數(shù)，之后采用狀態(tài)轉(zhuǎn)移算法尋優(yōu)得到所述破碎分布矩陣，并使之滿足等式約束

進一步地，在步驟s3計算新非均質(zhì)礦物理特性與典型非均質(zhì)礦物理特性的函數(shù)關(guān)系前，對所述新非均質(zhì)礦的物理化學參數(shù)進行處理：首先，數(shù)據(jù)去噪處理，以消除隨機噪聲，減小誤差；其次，判斷是否存在所述保留的物理化學參數(shù)相對于其他輸入樣本特別大或者特別小的樣本矢量，如存在則對數(shù)據(jù)進行歸一化處理；最后，利用pearson相關(guān)系數(shù)分析所述新非均質(zhì)礦與所述典型非均質(zhì)礦物理化學參數(shù)之間的相關(guān)程度。

進一步地，在步驟s3計算得到所述新非均質(zhì)礦物理特性與典型非均質(zhì)礦物理特性的函數(shù)關(guān)系后，通過方差和協(xié)方差分析進一步驗證采用所述回歸分析方法得到的函數(shù)與實測數(shù)據(jù)擬合的有效性。

進一步地，所述物理化學參數(shù)還包括化學成分。

按照步驟s1選用elm算法對礦物進行分類處理。以非均質(zhì)礦的物理化學參數(shù)如硬度、化學成分、物相因素以及礦物單粒級破碎的質(zhì)量分數(shù)比例為輸入、以大致劃分的典型非均質(zhì)礦類別為輸出建立學習網(wǎng)絡(luò)，采用elm算法進行訓練處理，發(fā)明人用另一部分非均質(zhì)礦進行測試，通過測試結(jié)果的準確性確定典型非均質(zhì)礦類別，從而劃分得到幾種典型非均質(zhì)礦。附圖3給了分類的預測結(jié)果圖，準確率大于90％以上。

上述預測方法準確度高，節(jié)約了勞動成本，提高了生產(chǎn)效率。

本發(fā)明的有益效果：

能基于有限個典型非均質(zhì)礦的破碎分布矩陣，根據(jù)新非均質(zhì)礦的物理性質(zhì)與典型非均質(zhì)礦物理特性之間的關(guān)系，融合得到新非均質(zhì)礦的破碎分布函數(shù)，避免了大量的分批磨礦實驗，減少生產(chǎn)成本，降低工業(yè)能耗，極大地提高了非均質(zhì)礦的識別準確率同時縮短了識別時間。

附圖說明

圖1是非均質(zhì)礦球磨破碎分布函數(shù)預測方法的流程示意圖；

圖2是典型單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

圖3是用極限學習機elm算法對非均質(zhì)礦物的分類圖(球磨機分批磨礦實驗非均質(zhì)礦物的分類圖)；

圖4是反算破碎分布函數(shù)和破碎速率函數(shù)的流程示意圖；

圖5是三種典型非均質(zhì)礦破碎分布函數(shù)及其物理特性圖；

圖6是新非均質(zhì)礦物理性質(zhì)與典型非均質(zhì)礦物理性質(zhì)的擬合圖；

圖7是工業(yè)球磨過程中新非均質(zhì)礦破碎分布函數(shù)預測值與實測值對比(工業(yè)球磨過程中新非均質(zhì)礦產(chǎn)品粒度分布預測值與實測值對比圖)。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進一步描述：

實施例1：

圖1是非均質(zhì)礦球磨破碎分布函數(shù)預測方法的流程示意圖；圖2是典型單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；圖3是用極限學習機elm算法對非均質(zhì)礦物的分類圖；圖4是反算破碎分布函數(shù)和破碎速率函數(shù)的流程示意圖；圖5是三種典型非均質(zhì)礦破碎分布函數(shù)及其物理特性圖；圖6是新非均質(zhì)礦物理性質(zhì)與典型非均質(zhì)礦物理性質(zhì)的擬合圖；圖7是工業(yè)球磨過程中新非均質(zhì)礦破碎分布函數(shù)預測值與實測值對比。

采用本發(fā)明實現(xiàn)一種非均質(zhì)礦球磨破碎分布函數(shù)預測方法，主要按照以下步驟完成。

s1：根據(jù)非均質(zhì)礦的物理化學特性對非均質(zhì)礦進行分類，篩選出典型非均質(zhì)礦。具體的操作過程是：由于礦物的非均質(zhì)性主要由礦物的物理化學特性影響，包括礦物的硬度、化學成分、物相以及礦物單粒級破碎的質(zhì)量分數(shù)比例等4種物理化學參數(shù)。極限學習機elm算法是一種快速的單隱層神經(jīng)網(wǎng)絡(luò)算法，該算法在對網(wǎng)絡(luò)參數(shù)確定的過程中，隱層節(jié)點的參數(shù)如輸入權(quán)值和偏置值可以隨機選取，無需調(diào)節(jié)，網(wǎng)絡(luò)的輸出權(quán)值可以通過最小化平方的損失函數(shù)得到，典型單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

首先依據(jù)經(jīng)驗對礦物進行大致分類，選用一些不同種類的非均質(zhì)礦物，以這些非均質(zhì)礦物理特性如化學成分、物相因素以及礦物單粒級破碎的質(zhì)量分數(shù)比例為輸入、以大致劃分的類別為輸出建立學習網(wǎng)絡(luò)，采用elm算法進行訓練處理，并用另一部分非均質(zhì)礦進行測試，測試結(jié)果如附圖3所示，通過測試結(jié)果的準確性確定礦物類別，從而劃分得到3種典型非均質(zhì)礦。

s2：求解所述典型非均質(zhì)礦的破碎分布矩陣。根據(jù)總體平衡模型，在已知累積破碎分布函數(shù)b和破碎速率函數(shù)s結(jié)構(gòu)的基礎(chǔ)上，用狀態(tài)轉(zhuǎn)移算法優(yōu)化它們結(jié)構(gòu)中的參數(shù)得到礦物的破碎分布矩陣b。

具體的操作過程是，由球磨機分批磨礦的總體平衡模型：

其中，i和j為粒級的編號，n為粒級總數(shù)，粒級為n時粒徑最小，t為時間，wi(t)為t時刻第i粒級的質(zhì)量分數(shù)，si表示t時刻第i粒級的破碎速率，bij表示第j粒級破碎后進入第i粒級的量占第j粒級破碎量的質(zhì)量分數(shù)。已知bij＝bi-1,j-bij，累積破碎分布函數(shù)bij(i＝1,2,…,n；j＝1,2,…,n)表示第j粒級破碎后產(chǎn)品小于第i粒級上限的量占第j粒級破碎量的質(zhì)量分數(shù)。一般，粒級的累積破碎分布函數(shù)bij和破碎分布函數(shù)sj可由式2和式3表示：

lnsi＝s1'+s'2(lnxi)+s'3(lnxi)²+s'4(lnxi)³——3

式中，b1'，b'2，b3'，b'4，s1'，s'2，s'3，s'4為待確定參數(shù)；x1，xi，xj分別表示第1，i，j粒級物料的直徑。為此，基于分批磨礦實驗數(shù)據(jù)，建立以bij和si函數(shù)內(nèi)的參數(shù)為優(yōu)化變量，以式1模型的reid解(見式4和式5)求得的磨礦產(chǎn)品粒度分布與實際產(chǎn)品粒度分布最接近為優(yōu)化目標(見式6)，建立滿足等式約束的參數(shù)優(yōu)化辨識函數(shù)。

式中，wi,m為實驗過程中第m次實驗中第i粒級物料測量得到的質(zhì)量分數(shù)，為第m次實驗中第i粒級的模型預測值。

在得到磨礦產(chǎn)品的粒度后，根據(jù)式2和式3分別計算bij和sj，依據(jù)bij＝bi-1,j-bij得到初始bij，帶入式4和式5得到模型預測值計算式6目標函數(shù)中er的值，使得其誤差最小進而求得破碎分布矩陣和破碎速率矩陣在對目標函數(shù)反算得到破碎分布函數(shù)b和破碎速率函數(shù)s時，參數(shù)的不同會使得目標函數(shù)的誤差值不同。因為狀態(tài)轉(zhuǎn)移算法是一種新的智能優(yōu)化算法，具有存儲需求小、算法簡單、易于實現(xiàn)、數(shù)值結(jié)果較好等優(yōu)點，在單目標優(yōu)化問題上已經(jīng)取得了很好的效果，每次尋優(yōu)的個體都是群體最優(yōu)值，并且搜索過程只與上一代群體最優(yōu)值有關(guān)，在最優(yōu)值的鄰域內(nèi)進行搜索。因此選用狀態(tài)轉(zhuǎn)移算法求解累積破碎分布函數(shù)bij和破碎速率函數(shù)si的待優(yōu)化參數(shù)，反算流程見圖4。由于該參數(shù)優(yōu)化辨識問題必須滿足等式約束因此將等式約束進行轉(zhuǎn)換，即令帶入含有待優(yōu)化參數(shù)的目標函數(shù)計算中，使得在對參數(shù)進行辨識時滿足所有的約束條件，從而可以確定礦物的破碎分布函數(shù)矩陣。采用以上方法，計算得到其中一個典型非均質(zhì)礦的破碎分布矩陣有

三種典型非均質(zhì)礦破碎分布及其物理特性圖如圖5所示。

s3：建立所述新非均質(zhì)礦物理特性與典型非均質(zhì)礦物理特性之間的函數(shù)關(guān)系。具體的操作過程是，由于新非均質(zhì)礦可以當作是幾種典型非均質(zhì)礦的組合，所以建立新非均質(zhì)礦與典型非均質(zhì)礦之間的物理特性關(guān)系，由典型非均質(zhì)礦的物理特性描述新非均質(zhì)礦的物理特性?？紤]到非均質(zhì)礦物理性質(zhì)眾多，且礦物每個不同物理特性對礦物破碎分布矩陣的影響程度不同，以鋁土礦為例，原礦中a/s比降低，礦石硬度增大，則礦物可磨性較差；原礦中化學元素種類一致，含量不同，其中如果al2o3含量及一水硬鋁石含量低，則礦物越難磨。此外，fe2o3不同，礦石結(jié)構(gòu)差異等都會影響礦石的可磨性。若實際生產(chǎn)中，用所有的物理特性來進行分析新非均質(zhì)礦與典型非均質(zhì)礦的關(guān)系，相對復雜難以實施。經(jīng)分析，主要以礦物硬度、化學成分、物相因素以及礦物單粒級破碎的質(zhì)量分數(shù)比例等物理特性建立新非均質(zhì)礦和典型非均質(zhì)礦物理性質(zhì)之間的關(guān)系。

首先，對各種礦的物理特性數(shù)據(jù)進行去噪處理；考慮到可能存在相對于其他輸入樣本特別大或者特別小的樣本矢量，對這些礦物的物理性質(zhì)數(shù)據(jù)進行歸一化處理；最后，選用pearson相關(guān)系數(shù)分析新非均質(zhì)礦與典型非均質(zhì)礦物理性質(zhì)之間的相關(guān)程度

其中，dnew與dtypical分別為新非均質(zhì)礦與某種典型非均質(zhì)礦的物理性質(zhì)數(shù)據(jù)；n表示變量dnew維數(shù)。當相關(guān)系數(shù)r值介于-1到1之間時，|r|越接近于1，則不同礦物物理性質(zhì)之間的線性關(guān)系越密切，|r|越接近于0，變量之間的線性相關(guān)越弱。選用新非均質(zhì)礦物理特性與三種典型非均質(zhì)礦物理特性進行pearson相關(guān)系數(shù)分析，其r值分別為0.99，0.87，0.98，由此可見，新非均質(zhì)礦與典型非均質(zhì)礦的物理特性間有很好的相關(guān)性，為此用回歸分析擬合新非均質(zhì)礦物理特性與三種典型非均質(zhì)礦物理特性的關(guān)系。擬合后，計算的相關(guān)指數(shù)r²＝96.74％>50％，說明方程擬合程度較好。此外，表3和表4的結(jié)果也進一步證實了擬合的有效性。

表3方差分析

表3中f統(tǒng)計量的p值小于顯著水平(0.05)，可認為回歸模型的總體效果顯著，所有自變量和因變量的線性關(guān)系總體顯著。

表4協(xié)方差分析

由表4可以看出，t統(tǒng)計量的p值小于顯著水平(0.05)，可認為該自變量對因變量的影響顯著。

擬合得到的新非均質(zhì)礦物理特性與典型非均質(zhì)礦物理特性間關(guān)系，見圖6，用近似線性表示如下，

xnew＝0.0068xtp1+0.0039xtp2-0.0003xtp3-0.00178——8

其中，xnew為新非均質(zhì)礦物理性質(zhì)，xtp1、xtp2和xtp3分別為典型非均質(zhì)礦1類、2類和3類表征礦物硬度、化學成分、物相因素以及礦物單粒級破碎的質(zhì)量分數(shù)比例數(shù)據(jù)。

s4：運用相似度融合方法綜合所述典型非均質(zhì)礦的破碎分布矩陣，得到新非均質(zhì)礦的破碎分布函數(shù)。根據(jù)新非均質(zhì)礦和典型非均質(zhì)礦之間的物理特性關(guān)系，用相似度融合典型破碎分布矩陣確定新非均質(zhì)礦的破碎分布矩陣(函數(shù))。

具體的操作過程是：首先，對于幾種已知的典型非均質(zhì)礦，利用回歸分析法分析其礦物物理特性與破碎分布矩陣之間的關(guān)系；其次，根據(jù)得到的非均質(zhì)礦物理特性與破碎分布矩陣之間這種近似單調(diào)關(guān)系，再依據(jù)新非均質(zhì)礦物理性質(zhì)與典型非均質(zhì)礦物理性質(zhì)的關(guān)系，就可融合得到新非均質(zhì)礦的破碎分布矩陣。但直接融合的過程中存在信息沖突，因此選用置信距離衡量礦物物理性質(zhì)和破碎分布矩陣之間的相似程度。若ρi為第i類典型非均質(zhì)礦物理性質(zhì)的基本信任概率，ρi'為新非均質(zhì)礦物理性質(zhì)與第i類典型非均質(zhì)礦物理性質(zhì)的相關(guān)系數(shù)值，ρi≠0，且∑ρi＝1，因此，定義第i類和第j類間的置信距離dij為

其中，||ρi||²＝<ρi,ρi>，＜ρi,ρj＞為向量之間的內(nèi)積，(i，j＝1,2,….,n)。計算出各類典型非均質(zhì)礦物理特性之間的置信距離，可得到置信距離矩陣d

求得相似度矩陣，定義礦物物理性質(zhì)數(shù)據(jù)與所對應(yīng)的破碎分布矩陣數(shù)據(jù)之間的相似度pij

pij＝1-dij——11

相應(yīng)的，可得數(shù)據(jù)間的相似度矩陣p。

由公式11可知，數(shù)據(jù)間的距離越小，相似程度越大，對應(yīng)的每個數(shù)據(jù)的可信度為：

將數(shù)據(jù)的可信度進行歸一化，可得權(quán)重

則新非均質(zhì)礦的破碎分布矩陣b可表示為

以上述典型非均質(zhì)礦為例，ρ1＝0.28，ρ2＝0.32，ρ3＝0.40，計算礦物物理性質(zhì)數(shù)據(jù)與破碎分布矩陣數(shù)據(jù)之間的置信距離矩陣

由式12和式13可計算出權(quán)重值為λ1＝0.32，λ2＝0.33，λ3＝0.35。從而可以融合得到新非均質(zhì)礦的破碎分布矩陣與典型非均質(zhì)礦破碎分布矩陣之間的關(guān)系

由此得到新非均質(zhì)礦的破碎分布矩陣，圖7給出了預測值與實際值的比較，其中均方根誤差為0.0157，預測精度高，從而可以有效確定新非均質(zhì)礦的破碎分布矩陣與函數(shù)。

最后應(yīng)說明的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。