浮选机自动控制系统

浮选机自动控制系统对于浮选来说，浮选药剂量、液位、给矿浓度、给矿粒度、给矿流量和浮选过程进气量等因素都会引起浮选过程金属回收率和精矿品位的变化。因此，主要控制目标包括：精矿质量、浮选槽液位和充气量。而对于浮选机本身来说，给矿是无法控制的，而浮选过程进气量，需要根据给矿来确定。因此，目前我们主要对精矿质量和浮选槽液位的控制进行了研究。通过对精矿质量以及浮选槽的液位等进行检测，综合分析判断浮选工艺各参数的变化，实时地调节液位，保证浮选槽液位的稳定。进而合理地调节各段浮选精尾指标，以便保证浮选效率和精矿质量。确定控制策略以PID为核心，在此基础上采用合适的先进控制技术，解决常规PID控制方法直接应用于该控制系统时不可避免的问题。结合浮选工艺过程的特点，我们采用模糊PID对被控对象——浮选槽进行控制；同时，对于浮选矿浆液位的控制引入预测控制方法，对于气动执行机构的控制引入智能优化方法。（1）模糊PID控制由于浮选工艺过程的复杂性和参数的时变性、大滞后、强非线性、强耦合及不确定性，且难以在线连续监测，难以建立精确的数学模型的特点，无法定量地判断浮选设备的各种工作状态和矿石的性质，只能定性地或趋势性地判断，这种判断是无法实现浮选工艺过程的精确控制。因此，为了实现浮选工艺过程的精确控制，确定控制策略以PID为核心，同时必须将影响浮选工艺过程的各种变化情况，矿石性质的变化等诸多因素与生产实践结合起来，建立模糊控制规则，进行模糊推理，得出模糊推理结果，反模糊化，与各被控对象的PID结合，组成Fuzzy+PID的控制闭环，从而实现浮选工艺过程的精确控制。控制的目的是稳定浮选工艺过程，稳定浮选工艺指标，为下一工序作业提供有利的条件。模糊PID控制系统结构如图3所示：模糊PID被控对象模糊规则设定上游实验数据精矿品位反馈输出对象状态反馈图3模糊PID控制系统结构图在常规PID控制器的基础上进行模糊自整定PID，以误差e和误差变化率ec作为输入，采用模糊推理的方法对PID参数Kp、Ki、Kd进行在线自整定，以满足不同e和ec对控制器参数的不同要求，而使被控对象具有良好的动、静态性能。在整定PID参数的时候，模糊规则的设定是非常重要的，在设定模糊规则的时候，我们根据PID控制器中三个参数Kp、Ki和Kd在控制系统中的作用，从系统的稳定性、响应速度、超调量和稳态精度等方面来考虑，建立其调节参数ΔKp、ΔKi和ΔKd的模糊控制规则。通过该算法，可以根据被控对象的改变而自动调整PID参数，很好地实现了对浮选槽的自动控制。（2）预测控制由于浮选过程是通过多级串联来提高精矿品位的，同时整个系统又具有较严重的滞后，所以第一级的轻微波动很可能会被逐级放大以至于后面几级失去控制，尤其对于浮选机液位的控制过程中出现一些不确定性的行为现象，也就是控制领域所谓的混沌现象。虽然，混沌现象的出现使我们无法对系统的长期行为进行预测，但是我们完全可以利用混沌的规律对系统进行短期的行为预测。通过比较，我们采用预测控制消除混沌现象。结合该系统的特点采用局域预测的方法，即认为相空间中某一点的演化行为可由其邻近点的演化行为反映出来，在相空间中寻找预测点的最邻近点，并将此最邻近点在轨道上的下一点作为预测值输出。该方法计算简单可行，而且只要能够实时地拟合局部模型的系数，就能够较精确的反映整个系统参数的演化特性。这里我们通过对上游进行采样实验，检测上级对象的变化来预测其对本级对象可能的影响，预先做出适当调整，从而快速消除波动，保持对被控对象的稳定控制。基于预测控制算法的最终控制目标是对PID控制参数进行调整和优化，即预测PID控制。它实际上是一种自适应控制算法,是在线参数估计和控制器参数在线调整两者的有机结合,其实质是基于预测控制思想的自适应PID控制。通过这种控制算法，先预测系统未来的输出状态,即矿浆将来的液位，再去确定当前时刻的控制动作，调节锥形阀的开度，进而控制矿浆的流量大小。即先预测后控制,控制动作具有明显预见性,PID参数又可进行自适应调节,明显优于仅根据以往信息反馈产生控制动作的经典反馈控制系统。预测PID控制系统结构如图4所示：上级对象被控对象模糊PID矿浆反馈采集数据设定矿浆图4预测PID控制结构图（3）智能优化常规控制方式依靠的是偏差，即达到稳态后，输出并不会保持不变而是围绕设定值上下波动，这就会导致执行机构频繁动作，缩短其使用寿命。在浮选系统中同样存在此问题，为此，我们采用智能优化方法，在被控对象达到稳态后，通过采集数据，以及内置的优化算法，来计算出当前状况下的最佳输出，然后将PID切换为手动使输出固定为计算出的最佳值，从而避免执行机构的频繁动作，保护浮选机气动执行机构，最大限度的延长电气系统的寿命。智能优化系统结构如图5所示：模糊PID执行器智能优化算法设定反馈输出反馈被控对象反馈图5智能优化算法由于遗传算法具有很好的稳定性和鲁棒性，且计算时间少，因此，智能优化算法我们采用遗传算法对PID参数进行优化。下面介绍具体介绍一下遗传算法的思想和参数优化方法。遗传算法与传统搜索算法不同，遗传算法从一组随机产生的初始解，称为群体，开始搜索过程。群体中的每个个体是问题的一个解，称为染色体。这些染色体在后续迭代中不断进化，称为遗传。遗传算法主要通过交叉、变异、选择运算实现。交叉或变异运算生成下一代染色体，称为后代。染色体的好坏用适应度来衡量。根据适应度的大小从上一代和后代中选择一定数量的个体，作为下一代群体，再继续进化，这样经过若干代之后，算法收敛于最好的染色体，它很可能就是问题的最优解或次优解。遗传算法中使用适应度这个概念来度量群体中的各个个体的在优化计算中有可能到达最优解的优良程度。度量个体适应度的函数称为适应度函数。适应度函数的定义一般与具体求解问题有关。遗传算法具有自组织、自适应和自学习性。采用遗传算法对PID控制器参数进行优化时，我们采取以下流程：1）初始群体的生成。目前常采用的编码方法主要是二进制编码和实数编码，我们采用二进制编码，长度为10位，并随机生成种群规模为30的初始群体。适应度函数的确定。复制、交叉和变异操作。首先利用适应度比例法进行复制，复制概率大的在下一代中将有较多的子孙，相反则会被淘汰。其次进行单点交叉，交叉概率为Pc，交叉位置随机确定。最后以概率Pm进行变异。通过复制、交叉和变异操作就产生了下一代种群。4）重复上述步骤，直至参数收敛。