智能控制在矿浆旋流池中的应用

王 伟，沈志文，刘小雷，邵 林

(1.北京石油化工学院 机械工程学院，北京 102617；2.安徽冶金科技职业学院 自动控制系，安徽 马鞍山 243041)



智能控制在矿浆旋流池中的应用

王 伟1，沈志文1，刘小雷1，邵 林2

(1.北京石油化工学院 机械工程学院，北京 102617；2.安徽冶金科技职业学院 自动控制系，安徽 马鞍山 243041)

为保证矿浆的生产质量和生产效率，需要对矿浆进行在线成份检测.然而，旋流池的水流是紊流且纹波较大，同时为满足矿浆成份检测仪的测量精度要求，冶金铁矿浆输送管道将矿浆从粗选车间送至矿浆旋流池时，要在旋流池对矿浆的体积浓度进行控制.本文通过对矿浆的浓度等参数进行在线检测，并基于神经网络辨识PID动态调节算法进行补水阀的实时控制，有效控制矿浆的体积浓度比，以满足生产和检测要求.

矿浆旋流池；拟合；在线检测；智能控制

引 言

冶金铁矿浆从粗选车间经管道输送至精选车间加工时，为了保证矿浆的生产质量和生产效率，我们需要对矿浆进行在线成份检测.矿浆成份检测仪安装在精选管道上，目的是对矿浆的浓度、品位、流速、流量等参数进行在线检测，从而有效地提高产品的质量和生产效率.矿浆成份检测仪的测量精度要求被测矿浆与水的体积浓度必须在30%-35%之间，但是矿浆从粗选车间流出时与水的体积比一般在50%以上，远远超出检测仪的测量范围.因此，在矿浆从粗选车间输送到精选车间的管道过程中加入旋流池，通过对旋流池中水位的控制来调节矿浆的体积浓度，以满足生产和检测要求.然而旋流池中的水位是动态且纹波较大，通过普通的测量方法难以得到精确的测量结果.本文设计了基于Labview的智能旋流池矿浆体积比检测方法，通过长时间的运行证明能够满足矿浆检测和输送管道的生产工艺要求.

图1 旋流池检测装置分布示意图

1 检测装置

图1为旋流池检测装置分布示意图，旋流池中安装矿浆入口、矿浆出口和补水口三个门，其中矿浆入口、矿浆出口为电动阀门控制，而为了有效控制矿浆的体积浓度比，补水口采用比例阀门进行控制.旋流池中安装9个单体检测装置，其中每个单体检测装置包括超声波测距仪和电导仪两个检测单元，各个单体检测装置独立进行信号采集和数据传输.

图2 水位与矿浆的深度检测装置单体示意图

2 检测原理

水位与矿浆的深度单体检测装置示意图如图2所示.上层为水位层，下层为矿粉层.

2.1超声波测距原理

通过超声波发射装置发出超声波时和接收器接到超声波时的时间差测量距离.超声波发射器向某一方向发射超声波，在发射时刻的同时开始计时，超声波在空气中传播，途中碰到障碍物就立即返--回来，超声波接收器收到反射波就立即停止计时.超声波在空气中的传播速度为340m/s，根据计时器记录的时间t，就可以计算出发射点距障碍物的距离s，即：s=340t/2.把超声波测距仪安装在固定平面上对水面进行发射，就可以测量出水面与固定平面的距离.

2.2电导率测量原理

电导率的末端安装在旋流池的底部，上端超出水面.由于矿浆中的主要成份是铁粉和水，在旋流池中沉积时，铁粉基本在下部分，而水在上部分.水和矿粉对电导率相差很大，因此我们利用电导率的变化就可以测量出矿粉距离池底的高度.

2.3测量原理

由图2可知，水位与矿粉在旋流池中的高度分布是随机且波动较大，采用单一测量装置难以满足测量的精度要求，本文采用多点测量，动态拟合的方法来进行水位与矿粉的高度测量，多点测量检测装置的分布如图1所示.单体检测装置信号由C52单片机进行采集，采集周期为0.25s，利用Labview软件将采集的数据进行30个数的滑移平均，将滑移的结果作为单体检测装置的信号输出.旋流池的外形结构是长方体，因此矿粉与水的体积比就是检测的矿粉高度与水位的高度之比，用此方法我们就可以得到了矿浆的体积浓度比.

3 控制原理

旋流池的矿浆入口和出口部分都采用电动阀门控制，它们的控制方式只有打开和闭合两种状态，因此对它们不能实施相应的控制.因此，控制矿浆的体积浓度其实就是对补水阀门进行动态连续控制，使得旋流池的水位满足生产工艺的要求.由于矿浆的入口和出口的流量是动态的，因此对补水阀也必须采用连续的动态调节控制方式，为了满足上述要求本文设计了基于Labview的神经网络辨识PID动态调节算法进行补水阀的实时控制.

3.1神经网络辨识

在线快速、准确地跟踪旋流池水位的变化，在此基础上PID控制器就可以利用辨识过程中提供的信息实时调整控制器参数，即PID控制器参数的在线自整定，从而实时控制旋流池中的水位.本文采用经典的数字增量式PID控制器.

图3 RBF控制与传统PID控制的抗干扰能力比较

设系统输入为rin，输出为yout，则系统的控制误差为e(k)=rin(k)-yout(k)，控制算法为：

Δu(k)=kp[e(k)-e(k-1)]+βkie(k)+kd[e(k)-2e(k-1)+e(k-2)]

(1)

神经网络整定指标为：

E(k)=[e(k)]2

(2)

控制器的参数kp，ki，kd采用梯度下降法调整，具体调整算法式为：

(3)

(4)

(5)

3.2补水比例阀控制系统

式(3)-(5)中，η、β为学习速率，其值取(0，1)间的数，∂y/∂Δu为未知被控对象的信息，可通过RBF神经网络的辨识而得.从上述我们可以得出RBF神经网络的辨识PID的控制核心就是计算∂y/∂Δu(Jacobian)的值.在实际的应用中，由于通过网络辨识来得到Jacobian值比较困难，所以我们采用∂y-1/∂Δu来逼近∂y/∂Δu的值，也就是采用上一次的输出值拟合本次的输出值，这样使得控制算法大大简化，且基本能够满足控制精度的要求.图3为RBF控制算法与传统PID控制算法在抗干扰能力方面的仿真比较，其中a(绿色)为RBF算法抗干扰能力曲线，b(红色)为传统PID算法抗干扰能力曲线.通过图3的曲线比较，我们可以得知RBF控制的抗干扰能力远远大于传统PID控制的抗干扰能力.

图4为补水阀控制系统的框图.设系统输入为rin，系统反馈为体积浓度比，体积浓度比的计算公式为：矿粉体积/(矿粉体积+水的体积).采用增量式PID控制器，通过RBF神经网络动态调节PID三个参数来精确控制比例阀的开口度以满足水位的要求.

4 Labview采集信号的拟合

图5 水位高度总体拟合三维图

图6 单体检测装置采集的水位拟合图

5 结论

改造前对旋流池矿浆体积浓度的控制采用传统PID控制，矿浆体积浓度控制范围一般在25%-45%内，输送设备老化率较高，且产品合格率基本在80%左右.众所周知，旋流池的水流是紊流且纹波较大，采用单一传感器进行检测时，测量误差会随着水面的波动而发生变化，难以精确计算出水位的高度，从而无法保证矿浆体积浓度在规定的范围内.同时，由于矿浆浓度的不确定性，导致输送管道负载变化较大，不仅不利于设备的安全运行，而且无法保证生产质量和生产效率.为了克服上述控制存在的问题，本文采用智能算法和多点采集相结合的控制方法，利用∂y-1/∂Δu来逼近∂y/∂Δu的值，使控制算法更为简化；采用Labview软件和单片机实现系统的设计，性能更加安全可靠，满足现场恶劣的环境要求.经过理论分析和长期的运行工况表明，完全满足生产工艺要求.同时改善了管道的传输负荷、降低生产能耗，达到了设计的预期效果，矿浆体积浓度控制在31%-35%范围内，不仅大大地降低了输送设备老化率，而且使产品合格率提高到95%以上.

[1] 刘金琨.先进PID控制及其MATLAB仿真[M].北京：电子工业出版社，2005：10.

[2] 陈国山，陈步尚.矿山测量技术[M].北京：冶金工业出版社，2009：8.

[3] 何沛锋.矿山测量[M].徐州市：中国矿业大学出版社，2005：11.

[4] 阮奇桢.我和LabVIEW:一个NI工程师的十年编程经验[M].北京：北京航空航天大学出版社，2009：9.

[5] 王伟,叶真,李瑞杰.在线参数自整定模糊PID控制器的设计与仿真[J].安徽师范大学学报:自然科学版,2013,36(2):133-136.

ApplicationofIntelligentControlinPulpVortexPool

WANG Wei1，SHEN Zhi-wen1，LIU Xiao-lei1，SHAO Lin2

(1.Mechanical Engineering Academy, Beijing Institute of Petro-Chemical Technology, Beijing 102617, China；2.Anhui Vocatinal College of Metallurgy and technology, Maanshan 243041, China)

In order to ensure product quality and production efficiency of pulp, the online component detection of pulp is needed. However, the flow of swirl pool is turbulent and has large ripples. At the same time to meet the accuracy requirements of the pulp ingredients detector, metallurgical iron ore slurry pipelines carry the pulp from rougher plant to swirl pool, slurry volume concentration should be controlled in the swirl pool. In this paper, to make the online detection of pulp density and other parameters and to control the water valve for real-time dynamic adjustment of PID by neural network algorithm, the volume concentration ratio of pulp will be effectively controlled to meet the testing requirements in on production and detection.

pulp swirl pool; fitting; online testing； intelligent control

2014-09-20

北京市大学生研究训练[URT]计划项目(14010221077).

王伟(1968-)，女，北京市人，硕士，副教授，主要从事测量与控制方面的教学和科研工作.

王伟，沈志文，刘小雷，等.智能控制在矿浆旋流池中的应用[J].安徽师范大学学报：自然科学版，2014，37(6)：536-539.

TP273

：A

：1001-2443(2014)06-0536-04