[发明专利]一种选煤厂浮选药剂加药量的预测方法

说明书

一种选煤厂浮选药剂加药量的预测方法，本发明涉及选煤技术领域，收集选煤厂这些参数一段时间的生产数据；寻找一个较好的训练样本数；计算最佳隐含层节点数所在的区间，并利用寻找BP神经网络的最佳隐含层节点数N_h；再利用Von‑RDPSO算法寻找BP神经网络的最佳初始权值和阈值；进行预测模型的训练；对得到的预测模型进行检验；将处理后的数据输入训练好的预测模型中，输出当前生产条件下捕收剂和起泡剂的加药量；删除样本库中的第一个样本，向样本库添加获取到的新数据。结合现场生产情况筛选出对浮选药剂加药量影响程度较大的因素，通过收集的历史数据建立预测捕收剂和起泡剂加药量的模型，实现指导生产、节约药剂成本的目的。

技术领域

本发明涉及选煤技术领域，具体涉及一种选煤厂浮选药剂加药量的预测方法。

背景技术

煤泥浮选是依据煤和矸石表面润湿性的差异进行分选，是细粒和极细粒物料分选中应用最广、效果最好的一种选煤方法，而浮选加药又是浮选的重要环节、加药的好坏决定了浮选的成败。影响传统浮选药剂添加好坏的因素主要在于浮选生产人员的生产经验以及细心管理程度，眼看、手调、定性操作，既不准确也不及时，影响了浮选产品的数质量指标。虽有文献提出了对加药量的跟踪控制，但都没有指出加药量给定多少合适。近年来，神经网络在预测方面的应用非常广泛，但由于浮选选煤中变量过多，不确定因素大，使用现有的BP神经网络算法很难取得理想的预测效果，而准确的预测结果才能对浮选生产具有指导意义，同时为生产节约药剂成本，因此需要为此研究更好的算法以得到准确的预测值。

发明内容

本发明的目的在于针对现有技术的缺陷和不足，提供一种设计合理的选煤厂浮选药剂加药量的预测方法，结合现场生产情况筛选出对浮选药剂加药量影响程度较大的因素，通过收集的历史数据建立预测捕收剂和起泡剂加药量的模型，实现指导生产、节约药剂成本的目的。

为达到上述目的，本发明采用了下列技术方案：它的操作步骤如下：

步骤一、选择浮选精煤灰分、入浮浓度、浮选机的入料流量、浮选机的清水流量、浮选机液位、浮选入料池液位、浮选精矿池液位、浮选精矿池液位增长速度作为输入参数，输出参数为捕收剂和起泡剂的加药量，收集选煤厂这些参数一段时间的生产数据；

步骤二、训练集和测试集数据的归一化处理；

步骤三、对训练集样本数进行简单二分法遍历寻优，寻找一个较好的训练样本数；

步骤四、计算最佳隐含层节点数所在的区间[a,b]，并利用Von-RDPSO算法寻找BP神经网络的最佳隐含层节点数N_h；

步骤五、在最佳隐含层节点数N_h的基础上，再利用Von-RDPSO算法寻找BP神经网络的最佳初始权值和阈值；

步骤六、利用具有最佳隐含层节点数N_h、最优初始权值和阈值的BP神经网络进行预测模型的训练；

步骤七、对得到的预测模型进行检验，预测模型在测试集上的预测结果的最大误差和累积误差均满足要求则通过检验，否则返回步骤四，继续寻找BP神经网络的最优结构和参数，直至预测模型通过检验；

步骤八、对获取的新数据进行异常判断处理、缺值处理及归一化处理；

步骤九、将处理后的数据输入训练好的预测模型中，输出当前生产条件下捕收剂和起泡剂的加药量；

步骤十、删除样本库中的第一个样本，向样本库添加获取到的新数据。

进一步地，所述的步骤二中的测试集的数目选为20，归一化处理是将数据处理为范围为-1至0的数。

进一步地，所述的步骤十中的样本库的滚动更新使得预测模型具有自适应能力。