磨矿过程运行优化控制研究

磨矿过程运行优化控制研究

焦鹏飞 赵博

内蒙古包钢钢联股份有限公司巴润矿业分公司

内蒙古 包头014080

摘要：当前，我国磁铁矿磨矿能耗水平和产品回收率与发达国家相比仍有较大差距。磨矿过程是选矿厂动力消耗最多过程，据统计，每年选矿厂在磨矿时需消耗整个选矿厂整体电耗30～40%，每年全国总发电量的5%以上消耗在磨矿过程，每年约上百万吨钢材消耗在磨矿中。选矿工序对冶炼技术经济影响显著，所以选矿对矿业的开发和矿产资源的充分利用具有重要意义。

关键词：磨矿运行；遗传算法；优化控制

在冶金选矿行业中，磨矿过程是破碎工序后的一个重要工序，其作用是将破碎后大颗粒矿物继续研磨至合适粒度，使有用矿物与脉石单体解离，或使不同的有用矿物相互单体解离，为后续选别提供合格粒度矿浆。磨矿过程机理复杂，具有非线性、时变慢、滞后大、无法在线实时检测关键工艺参数等综合复杂特点，增加了建模和计算操作量设定值难度。

一、磁铁矿磨矿生产工艺

原矿石除含有有用矿石外，还含有大量其他无法利用的矿物集合体，这种组合被称为脉石。一般来说，自然界中采集的矿石有用成分含量低，而且与脉石共同形成复杂化合物，由于其成分复杂，给冶炼过程带来了很大困难。所以要对原矿石进行破碎处理，使有用的矿石能单体解离，并通过选别将其收集。上述过程称为选矿工程，由于涉及矿石物理破碎，也称为矿物处理工艺，在生产和研究中统称为选矿。磨矿过程是矿石进入选矿前重要工序，能实现矿石单体解离，而且使粗颗粒原矿物在粒度上满足选别要求。使用符合所选粒度的矿石进入浮选工序能显著提高有用矿物回收率及产量。此外，在磨矿中应尽可能避免矿石泥化的发生，其会消耗更多能源，且不利于矿物单体解离。

我国磁铁矿具有成分不稳定、硬度大、嵌布粒度不均匀等特点，给磁铁矿选矿带来困难。在磨矿生产运行中，球磨机很难仅通过一次研磨将磁铁矿原矿石研磨到合格粒度。一段磨矿能研磨尽可能多的原矿石满足选矿要求颗粒，并通过螺旋分级机及时将其分离，以防止矿石过细引起泥化，保证了球磨机中的研磨介质尽可能多地作用在粗颗粒矿石上，而且能合理利用资源，提高球磨机工作效率。二段磨矿作用是对一段磨矿产生的不合格矿浆的二次研磨，国内通常采用两段或多段磨矿流程研磨磁铁矿，某选矿厂采用两段闭路磨矿来研磨磁铁矿。由于球磨机本身只能研磨，不具备控制矿石粒度能力，为及时从矿浆中研磨出合格矿粒并分离，一段闭路磨矿由1#球磨机和螺旋分级机设备组成，2#球磨机和给矿泵池、水力旋流器构成二段闭路磨矿过程。

二、基于二段磨矿粒度最大的目标优化

磨矿过程具有滞后时间长、影响因素多、非线性时变、随机扰动变化大、部分参数不确定等复杂特性。磨矿运行过程易受外界因素干扰，磨矿操作变量给矿量、给水量设定值若未及时处理，可能会在球磨机运行中造成“涨肚”或“空砸等危险情况。我国早已引进了计算机集成控制系统，系统配备了在线检测分析仪器，如Courier300X荧光品味分析仪、PSM200超声波矿浆粒度在线检测仪器等检测与控制设备，实现了一段球磨机给矿量和配比水控制等问题。通过生产实践发现，虽然系统在当时处于领先水平，但并不适合我国生产现状。随着生产设备与控制系统的引进未能达到理想的生产效果，我国走上了自主创新道路。

本文以二段磨矿最大粒度为优化目标，1#磨机电流为约束条件，磨机给矿量和给水量为决策变量，建立优化模型。根据对磨机生产数据的统计分析和现场专家经验，为确保生产过程产量，要限制磨机下料量，不能小于370t/h，最大下料量受磨矿过程的处理能力限制，因此下料量调节范围为370～385t/h。螺旋分级机返砂需经过入磨水冲刷才能进入1#球磨机进一步研磨，所以入磨给水流量若太小，会导致1#球磨机中的高浓度而涨肚，也会导致返砂槽堵塞，并且由于阀门开度限制，入磨给水流量不能太大，所以入磨给水流量调节范围为45～60m3/h。

三、遗传算法

遗传算法(GA)是模拟达尔文在生物进化论中提出的“优胜劣汰”法则构建的人工系统模型，经模拟自然界中生物进化来解决实际问题，下一代的解是通过对上一代的选择、交叉、突变等操作产生，通过适应度函数来评估每个个体的优劣，淘汰适应度值低的个体，保留适应度值高的个体，逐渐增加其适应度值。经不断进化后，出现适应度高的个体，即所求最优解。

遗传算法从随机生成的初始种群开始搜索过程，种群中每个个体是问题的解，这些个体也被称为染色体。染色体是遗传物质载体，由多个基因组合组成，不同的基因组合会导致个体外部差异。因此，遗传算法的第一步是将表现型转化为基因型，即编码。初始种群产生后，遗传算法通过模仿自然学中的遗传算子进行组合、交叉、变异，产生能更好地适应环境的新个体。通过实际问题中相应的适应度来评价每个个体适应环境的能力，通过比较适应值大小来确定是保留还是淘汰个体。经多代进化后，遗传算法最终计算出的种群个体是实际问题所需近似最优解。

1、主要算子

①选择算子。选择算子的功能是挑选种群，去除适应度值较低的个体，保留适应度值较高的个体，这种方法能确保下一代个体具有更高适应度，多代进化后，适应度值较高的个体是实际问题的近似最优解。选择算子有多种类型，包括局部选择法、适应度比例法、随机遍历抽样法等。

②交叉算子。遗传基因的重组与变异导致了自然界生物的进化，交叉算子模拟了基因重组过程。在遗传算法中，交叉涉及交换来自父代染色体的信息，从而产生更优秀的子代。通过交叉提高遗传算法的搜索能力。

③变异算子。其是通过模拟自然界中的基因突变产生的，目的是保持种群中个体的多样性。变异算子是改变染色体某个特定位置基因的过程，突变的算子能提高遗传算法的局部搜索能力。

2、基本步骤。遗传算法先要初始化种群，确定种群个体数量，并通过给定适应度函数来评估种群中每个个体优劣。为便于求解，选择二段磨矿粒度的倒数作为适应度函数，通过交叉和变异求解下一代，直到新一代个体适应度值满足设定或达到最大循环数，则停止求解。

遗传算法运行步骤为：①初始化种群，设定种群个体数量N，随机生成初始种群P(0)；②评估个体适应度，计算当前种群中个体适应度值P(t)，输出适应度值最高的个体作为当前最优解；③确定适应度函数值是否已达到允许误差或最大迭代次数，若是，则输出搜索到的最优解并结束；否则转至④；④将选择策略应用于种群。适应度高的个体成立新种群，淘汰适应度低的个体；⑤交叉与变异。通过选择剩余的个体并直接将其遗传给下一代，或进行交叉变异操作后以产生新的个体，将其遗传到下一代，生成新的种群P(t+1)，返回②。

2、优化结果与分析。采用遗传算法对二段磨矿粒度进行优化，迭代次数20，种群规模为10，交叉概率0.3，突变概率0.1。通过遗传算法优化得到单次优化适应度，优化算法处理的适应度函数值能快速达到收敛效果。从曲线中可看出，最大迭代次数为20，超过10代不进化算法就会停，适应度曲线表明，最优适应度值为1.095。

此外，优化前的二段磨矿粒度为75.5%，优化后的二段磨矿粒度为77.9%，优化后二段磨矿粒度合格率提高2.4%，优化后球磨机最终产品合格率显著提高。

遗传算法优化前给矿量设定值为376.8t/h，优化后给矿量可达382.6t/h。同样，优化给水量前为52.4m3/h，迭代20次后为55.01m3/h。调整给矿量、给水量两个操作变量后，球磨机处理量显著提高，不影响最终二段磨矿粒度产品质量。

参考文献

[1]丁进良.基于遗传算法的磨矿粒度神经网络软测量[J].仪器仪表学报，2016(09):981-984.