[发明专利]一种水力旋流器溢流粒度的软测量方法

说明书

技术领域

本发明属于粒度测量领域，特别涉及一种水力旋流器溢流粒度的软测量方法。

背景技术

磨矿是选矿过程中的一道重要的工艺，水力旋流器是磨矿工序中的一种重要的设备。水力旋流器的工作原理如图1所示，当矿浆以一定的压力和流量沿进料口进入圆筒，矿浆在圆筒内便以很大的速度进行旋转。矿浆在水力旋流器中分成两种，一种是流式靠近锥体筒壁向下旋转流动的外层流，另一种是锥体中心旋转上升的内流。矿浆中粗粒度的颗粒受到较大的离心力而被甩到外层流中，沿水力旋流器壁下沉，由底流口排出；矿浆中较细的颗粒和大部分水以内流形式上升，经过溢流口排出，完成分级作业。

水力旋流器的溢流粒度是指溢流口排出的矿浆中低于某一粒度(该粒度值根据矿石种类等实际情况选定)的固体颗粒的质量百分含量，溢流粒度与给矿浓度、给矿流量、进料口工作压力、溢流浓度等变量有关系。

对于特定矿石，存在相应的最佳溢流粒度。溢流粒度过大，则会导致矿石的品味降低，需要重新返回磨机进行研磨；溢流粒度过小，则会造成矿物的损失和能量的浪费。因此，溢流粒度的测量在磨矿过程中具有重要的意义。需要测量水力旋流器的溢流粒度值，判断溢流粒度是否偏大或偏小，从而根据测得的溢流粒度值相应地调整磨机及水力旋流器的各项输入参数的大小，以使溢流粒度值朝有利的方向变化。

目前水力旋流器的溢流粒度的测量主要有三种方法：一种是人工离线化验；第二种是通过粒度分析仪进行测量；第三种方法是通过神经网络建立溢流粒度的测量模型。

第一种方法的缺点是化验时间长，最终的检测值不能满足自动控制实时性的要求，对生产的指导性不足；第二种方法是利用不同的颗粒在激光或超声波中散射的光强的变化来反演出颗粒群的粒度大小，其缺点是粒度分析仪造价昂贵，容易发生堵塞且维护比较麻烦；对于第三种方法，由于神经网络算法是基于经验风险最小化原则，存在过学习的问题，容易陷入局部极小，预测精度低。

最小二乘支持向量机算法是基于结构风险最小化的建模方法，与神经网络法相比，它的模型结构和隐含层节点数目无须人工选择，都可以通过训练确定，对样本的要求低，只需要少量的样本数据，它的泛化能力强，预测精度高。

最小二乘支持向量机的主要思想和基本算法如下:

若训练样本集为(x_i,y_i),i＝1,2,…,n，其中n为训练样本总数，x_i为训练样本输入，y_i为训练样本输出，x_i∈R^d,y_i∈R。

首先，用一非线性映射将样本的输入空间R^d映射到特征空间然后，在这个特征空间中构造最优决策函数其中ω是权向量，b是偏相；最后，以结构风险最小化为原则确定模型参数ω和b。

基于结构风险最小化原则确定决策函数参数ω和b，可以等效为求解优化问题

minJ=12ωTω+12γΣi=1nξi2,s.t]]>其中γ是正则化参数，ξ_i是松弛变量。

用拉格朗日方法求解这个优化问题，定义拉格朗日函数为

式中α_i为拉格朗日算子。