基于浮选工艺的非解析模型控制参数优化研究与实现.pdf

摘要

矿产资源对国民生产生活非常重要，但是自然界中矿产资源往往不能直接使

用，需要进行选矿处理后才能进行下一步的使用。矿物浮选工艺是选矿方法中最

为常见的一种方式，矿物浮选又称为泡沫浮选，原矿石经过破碎、研磨后变成矿

颗粒，矿粒在浮选柱中因为表面的物理化学性质的差异造成其疏水-亲水性质的不

同，在浮选柱中加入特定的药剂，通入空气等操作，使得密度较小矿粒附着在气

泡上浮形成泡沫层，密度较大的矿粒下沉，达到物料分离的目的，完成选矿。由

于矿物浮选是一个多输入输出、高耦合、非线性、长时滞、长流程的复杂工业过

程，影响系统状态的因素多，对浮选工艺系统的控制参数一般是依靠工人的经验

进行调整，这种调整方式没有统一的标准，具有主观性，从而使得浮选系统的状

态因为现场工人个体原因而发生改变，导致浮选系统的状态不稳定，影响浮选系

统最后精矿的质量。本文立足于实际工业应用，提高浮选系统的稳定性和精矿的

品位，做了如下工作：

（1）以实际的镍矿浮选系统的工艺流程入手，分析其工业过程和有关多种参

数，对传感器采集到的原始数据进行误差分析和处理。

（2）由于矿物浮选过程极其复杂，影响系统最后的精矿品位的因素多，在进

行浮选系统出口的品位预测建模时，模型的输入多，所以本文采用人工神经网络

的建模方法对浮选系统进行品位预测建模，在进行建模前对数据进行了标准化处

理和主成分分析数据降维，最后使用BP模型和Elman模型建立镍矿浮选系统的出

口品位预测模型，分析两个模型的铜精镍品位和镍精铜品位预测值和实际值的误

差情况，确定了以Elman模型作为后续工作的基础。

（3）浮选工艺过程的控制参数优化问题的基础是所建立的神经网络模型，该

模型为非解析模型，不能用传统的求导运算来进行优化，本文选不需要对目标函

数求导的粒子群算法对控制参数进行优化。经典的粒子群算法由于关键参数为定

值，使得算法的全局搜索能力不够，易陷入局部最优，故本文采用动态的关键参

数来改进粒子群算法，最后的基准函数测试和实际的浮选控制参数优化仿真都证

明了改进的有效性。

（4）根据项目的需求开发一款优化仿真软件系统，整个项目的数据来源与底

层的传感器数据采集，再由中间层的数据采集系统进行数据规范化，然后存入数

据库，上层的优化仿真软件通过与数据库进行数据交互来实现原始数据的读取和

优化结果的应用。优化仿真系统基于MATLAB平台进行开发，通过按照时间来读

取数据库数据，然后比对数据与建模数据来确定优化的模型，设置控制参数范围

等，最后使用改进粒子群算法对控制参数进行优化；根据控制参数的来源不同，

软件有三种仿真方式，优化结果仿真、输入参数仿真和控制台输入仿真，根据仿

真结果的情况将控制参数保存到数据库指导现场生产。

关键词：矿物浮选，人工神经网络，粒子群优化算法

ABSTRACT

Mineralresourcesareveryimportantfornationalproductionandlife,butmineral

resourcesinnatureareoftennotdirectlyused,andmineralprocessingisneededbefore

thenextuse.However,mineralresourcesinnatureareoftennotdirectlyused,andthey

needtobeprocessedforfurtheruse.Mineralflotationisthemostcommonmethodin

mineralprocessing.Mineralflotationisalsoknownasfoamflotation.Theraworeis

brokenandgroundintooreparticles.Thehydrophobic-hydrophilicpropertiesofore

particlesaredifferentduetothedifferencesinphysicalandchemicalpropertiesofthe

surfaceintheflotationco