基于人工神经网络系统的选矿指导子模块构建与实现研究

刘妍妮

(陕西交通职业技术学院，陕西 西安　710018)

在国民经济迅猛发展的背景下，矿产资源行业作为国家支柱产业之一实现了产能规模的显著壮大，对此，国家与企业对矿产资源开发的生产力水平、生产效率以及可持续发展能力提出的要求愈发严格。随着《国家中长期科学和技术发展规划纲要》将水域矿产资源利用率的提高列为国家发展的重要领域与优先主题[1]，选矿工作作为节能减排、增效增产的必要生产力手段的重要性越来越突出。我国矿产资源的贫、细、杂特征以及矿山开采与配矿工作的交叉性及随机性决定选矿厂面临原料波动很大的问题，如何采集与获取生产环节的关键工艺参数以及关键信息对选矿工作的科学与高效开展而言尤为重要。

人工神经网络(ANN)是一种有效训练、校验、模拟并预测数据的专业化工具，学习能力强大，可用于难以用数学解析式描述的复杂非线性系统及非线性关系的刻画[2]。理论上来看，一个具有三层架构的神经网络系统可对任意的非线性映射予以实现，选矿指导本就属于复杂的非线性系统，因此，借助人工神经网络对选矿工作进行描述，同时，分析其相应特性无疑是一种理想的方法。

1　人工神经网络系统算法

按照有教师学习的方式进行训练，以此优化BP网络。神经网络通过比较输入值与希望的输出值(教师值)，可得到两者之间的差函数，进而调整自己每1层的连接权值以及神经元阙值，最小化误差函数。调整流程由后向前执行，此即误差反向传播BP算法[3]。算法具体按照以下步骤实施：

1)由前至后进行输出值的计算，得中间层与输出层输出值分别为：

式中，P为中间层单元数；q为输出层单元数；n为输入层个数；k为学习个数；θj为中间层单元阙值；rt为输出层阙值；wij为输入层至中间层连接权值；vjt为中间层至输出层连接权值；xi为输入值。

2)参照误差从后至前校正：

由此，得到中间层至输出层(输入层至中间层)的新连接权值分别为：

式中∂表示学习因子。

进而可知两层的新阙值：

重复以上计算，直至达到给定训练次数或给定误差终止值为止。

2　选矿指导子模块整体架构与功能分析

2.1　整体架构

参照选矿中破碎流程、磨矿流程、产品方案、流程选别方法、选别指标、总选方案等基础指标以及精矿品位、精矿回收率、金属回收率等产品指标设计相应的任务及用户与用户界面，向局部推理机下达具体任务：若精矿品位与产率已知，则进行回收率的计算；若原矿性质已知，则绘制选矿工艺流程图，或进行最终选矿产品指标的预测。在接收具体任务之后，局部推理机会从局部数据库与局部知识库中获取相关信息，若能对任务要求予以满足，则返回至用户界面，并在全局知识库中记录任务与结果，查重后备案；若不能对任务要求予以满足，则从知识库系统中寻求帮助。知识库系统中信息的修复与完善工作由专家与知识工程师负责。经多次分解，形成一个发现问题到求解问题的过程，问题由多个子任务共同构成，每个子任务可通过BP神经网络模拟与求解。图1所示为基于人工神经网络系统的选矿指导子模块整体架构。

图1　基于人工神经网络系统的选矿指导子模块整体架构

2.2　功能分析

与整体框架分析相结合，基于人工神经网络系统的选矿指导子模块所包含的功能子网有产品子网、选别方法子网以及选别方案子网[4]。在神经网络系统中，选矿指导子模块可正确描述输入函数与输出函数的关系，他在知识库中隐藏选别的基础理论与公式等相关信息，减免了用户的了解或操作，使用门槛不高。

在3个功能子网中，产品子网用于用户在原矿中对目的矿物及相应脉石矿物的选择，为矿产资源的综合利用提供便利；选别方法子网可在用户完成相关矿石性质与目的矿物种类等基本信息的输入之后，对单一流程的选别方法予以明确；选别方案子网可结合多项有效参数(如原矿工艺矿物研究结果、专家库信息等)制定有效的选别工艺流程。产品子网、选别方法子网以及选别方案子网均由BP神经网络构成，选矿系统模型中的特定指标与物理量所对应的神经元都是它们的组成内容。定性判断之后，矿石性质、产品方案、选别方法、选别流程以及其他可对选矿指标产生影响的因素成为已知，这时，可再次进入计算选矿指标的神经网络系统，通过输出神经元得到选别指标的具体数值。

3　选矿指导子模块实现

3.1　数据采集与建模

揭示在数据中隐藏的规律，同时给出新样本的预测值是基于BP人工神经网络预测模型的主要构建目的。在进行选矿指导研究之时，模型的构建必须以对矿物统计数据的系统收集为前提，通常以矿山统计报表为对象。选取Y地某铜选车间的月报表生产数据作为原始数据进行预测建模的研究，对4×8×2拓扑结构的BP网络予以采用，原矿品位、氧化率、精矿品位与回收率为输入值，黄药用量、2号油用量为输出值，学习率与冲量系数分别为0.9与0.7。输入节点用线性函数表示，隐层与输出层节点则用S型函数表示。以实际生产数据为基础进行借助BP网络的模型构建之前，要运用线性插值变换预处理原始数据，得到如表1所示数据。

表1　Y地某铜选车间月报表生产数据(预处理后)

BP网络学习时，设置最大总误差与最大单项误差分别为0.001与0.000 1，学习循环3 627次之后，模型可对设置的误差要求予以满足。

3.2　回响检验

对学习后所构建的模型进行回响检验，判断其可行性，检验采用的指数指标如下：

式中，E为网络期望值；E′为网络学习后的回响结果；E″为网络期望均值。

若R不小于0.9，则模型对回响检验要求予以满足，创建成功。表2所示为BP人工神经网络系统的回响检验结果，由此，黄药用量、2号油用量的回响输出值为0.961与0.967，均超过0.9，故通过回响检验，亦即基于BP人工神经网络系统构建的选矿指导非线性关系模型是可行的，适用于实际生产及选矿任务的监控，若矿石品位与氧化率发生变化致使选别指标不佳，可根据模型输入输出关系对选矿药剂用量进行调整。

表2　BP网络回响检验结果

4　结　语

作为一种对非线性复杂现象予以解决的智能优化算法，人工神经网络在多信息并行处理与决策分析等问题的解决之上应用前景广泛。经训练，神经网络可在一定数据空间内对与现实规律相符的数据集合进行映射，为人们在生产实际中对神经网络的应用提供依据。文章基于人工神经网络系统建立选矿指导子模块，以原矿品位、氧化率、精矿品位以及回收率作为输入，其中，前两项表示原矿性质，后两项代表需保障的技术指标；黄药与2号油用来作为输出，在特定范围内对必须技术指标所采用的最佳条件提供保证。若原矿品味与氧化率有所改变，输入所需保证技术指标，便可得出对应的最佳药剂用量。

由此可知，采用BP人工神经网络方法构建选矿指导子模块优势突出：1)自适应功能强大，可弱化指标权重确定中人为因素的干扰，比模糊评判方法的结果要准确；2)选矿方案评价在现实的实施中十分复杂，相互影响的因素有很多，复杂的非线性关系明显，BP人工神经网络可为该类问题的处理提供有效工具，在非线性关系的处理中，线性规划明显不适用，各因素间的相互制约对层次分析法的应用产生限制，故选矿指导建模中若有一定历史数据可供参考，应用基于BP人工神经网络的综合评价法与其他决策评价法相比优越性更加突出。