层输入Ml层输出的W1层神经网络来实现对磨矿分级磨机装载量的控制,另外,再建立一个N2层输入M2层输出的W2层神经网络磨矿浓度的控制,即将给矿量、补加水量、返砂量等作为输入,磨机功率的最优值作为输出然后就是对神经网络进行模拟训练,常采用RBFN训练方式,也有RLS和LMS等。最后得到合适的参数,用于磨矿分级控制。神经网络算法在近年来发展较快,特别是人工智能的发展,该方法能够很好地避免磨矿延时特性以及参数波动所引起的一些扰动,具有很好的鲁棒性。4结语随着社会对选矿的需求不断升高,选矿自动化发展在近几年得到广泛关注。磨矿控制环节在选矿工艺中占有重要地位,在实际应用中容易受到干扰以及其他影响,且磨矿分级控制本身存在的非线性时变的特点,加大了对磨矿控制的难度。通过研究分析磨矿分级系统的原理,找出实际应用的问题,分析现有控制算法的特点,研究如何将先进的智能控制算法(模糊PID控制、专家控制、神经网络控制)引入到磨矿分级控制环节,能够有效地优化整个磨矿分级控制工艺,提高生产效率。参考文献赵大勇,岳恒,周平,等•基于智能优化控制的磨矿过程综合自动化系统[J].山东大学学报:工学版,2005,35(3):119-124.胡博.磨❷V自动控制系统在广东大顶矿业的应用[J].南方金属,2012(4):27-30.刘晓青,杨静,吴定允,等•磨矿过程的综合自动化技术[J]・河南理工大学学报:自然科学版,2016,35(5):666-671.程恒.模糊PID控制技术在磨矿系统中的应用[J].矿山机械,2010(3):76-79.周平,柴天佑.基于案例推理的磨矿分级系统智能设定控制[J].东北大学学报:自然科学版,2007,28(5):613-616.王云峰,李战明,袁占亭,等.RBF神经网络与模糊理论相结合的磨矿分级智能控制方法[J]•重庆大学学报:自然科学版,2010,33(3):124-128.
全文预览
