周颖等：BCOISOA-BP网铬在磨矿粒度软测量中的应用 ·1549· (开始 溢流矿浆 初始化S个搜寻个体 Q铃矿 给水 一号 球磨机 t=0 将种群分为个 亚种群 计算每个搜寻个体 分级机 目标函数值 计算每个个体最佳位置，邻域 最佳位置和种群最佳位置 泵池 图3二段磨矿工艺流程 计算每个搜寻个体 计算每个搜寻 搜寻方向 个体步长 Fig.3 Second part of the grinding process 3.2软测量模型 更新搜寻个体位置 BP神经网络是一种全局逼近神经网络，它的优点 用公式(17)亚种群 在于它有强非线性映射能力和泛化能力.因此本文采 进行相互学习 用基于二项交叉算子改进人群搜索算法-BP神经网络 =+l 建立磨矿粒度的软测量模型，二项交叉算子改进人群 搜索算法优化神经网络的权值.给矿量、磨机给水、分 中断条件满足？> 级机补加水和旋给流量4个影响因素为网络的输人， 是 隐层选用5个神经元，磨矿粒度作为网络的输出.样 (结柬 本数据见表1.表中200组样本数据训练，50组样本 图2人群搜索算法流程图 测试.利用公式(16)检验网络模型误差，网络的权值 Ffig.2S0A且ow chart 采用改进的人群搜索算法进行优化. J=7(()-y.()。 (16) 3二项交叉算子改进人群搜索算法-BP网 络在磨矿粒度软测量中的应用 其中，Y(k)表示实际磨矿粒度，Y(k)表示软测量输 出值 3.1二段式磨矿工艺流程 表1部分样本数据 本文将二项交叉算子改进人群搜索算法与BP神 Table 1 Part of the sample data 经网络结合应用于二段式磨矿粒度软测量中.如图3 球磨机给球磨机给分级机补旋流器给 编号 磨矿 所示为二段式磨矿工艺流程)，采集原矿石经过皮带 矿量 水量 水量 矿量 粒度 传送，加入一定比例的水送人到一段球磨机中将矿石 66.20 11.49 36.07 284.16 77.05 碾碎.球磨机中排出的矿浆流入螺旋分级机中，同时 2 68.79 11.34 36.64 279.88 78.45 在螺旋分级机中补加一定比例水.分级机进行筛选 3 65.83 11.36 36.57280.36 78.28 后，不合格矿浆返砂到一段球磨机中重新研磨[].符 合标准的矿浆送人二段回路的泵池中.泵池中补加一 198 66.73 11.81 34.85 293.34 74.73 定量的水.连接泵池的浆泵将一定浓度的矿浆抽人旋 199 67.89 11.97 34.23 297.76 73.48 流器.旋流器通过离心作用筛选矿浆，符合要求的矿 200 65.40 11.14 37.66 272.61 80.11 浆从溢流口排出.不符合要求的矿浆沉淀排出旋流 器，流入二段球磨机再次研磨，研磨出的矿浆重排入泵 3.3仿真结果分析 池再次筛选).从图中可以看出，整个磨矿工艺过程 优化算法重要一部分在于运算速度，为了提高运 十分复杂，建立每个工艺流程的数学模型非常困难. 算速度，应选取适当大小的种群规模.种群规模过大， 因此采用二项交叉算子改进人群搜索算法-BP神经网 增加计算机计算量，优化效率低.种群规模过小，优化 络建立磨矿粒度软测量非线性模型.根据文献[15]可 效果差.本文设置种群规模为150.迭代次数设置为 知，影响磨矿粒度的因素有，给矿量、一号球磨机给水 40.图4为二项交叉算子改进人群搜索算法、人群搜 量、分级机补水量、旋给流量等，输出量为溢流矿浆的 索算法、粒子群(PS0)算法进化次数比较，可以看到二 磨矿粒度. 项交叉算子改进人群搜索算法在进化15次左右得到周 颖等: BCOISOA鄄鄄BP 网络在磨矿粒度软测量中的应用 图 2 人群搜索算法流程图 Fig. 2 SOA flow chart 3 二项交叉算子改进人群搜索算法鄄鄄 BP 网 络在磨矿粒度软测量中的应用 3郾 1 二段式磨矿工艺流程 本文将二项交叉算子改进人群搜索算法与 BP 神 经网络结合应用于二段式磨矿粒度软测量中. 如图 3 所示为二段式磨矿工艺流程[12] ,采集原矿石经过皮带 传送,加入一定比例的水送入到一段球磨机中将矿石 碾碎. 球磨机中排出的矿浆流入螺旋分级机中,同时 在螺旋分级机中补加一定比例水. 分级机进行筛选 后,不合格矿浆返砂到一段球磨机中重新研磨[13] . 符 合标准的矿浆送入二段回路的泵池中. 泵池中补加一 定量的水. 连接泵池的浆泵将一定浓度的矿浆抽入旋 流器. 旋流器通过离心作用筛选矿浆,符合要求的矿 浆从溢流口排出. 不符合要求的矿浆沉淀排出旋流 器,流入二段球磨机再次研磨,研磨出的矿浆重排入泵 池再次筛选[14] . 从图中可以看出,整个磨矿工艺过程 十分复杂,建立每个工艺流程的数学模型非常困难. 因此采用二项交叉算子改进人群搜索算法鄄鄄BP 神经网 络建立磨矿粒度软测量非线性模型. 根据文献[15]可 知,影响磨矿粒度的因素有,给矿量、一号球磨机给水 量、分级机补水量、旋给流量等,输出量为溢流矿浆的 磨矿粒度. 图 3 二段磨矿工艺流程 Fig. 3 Second part of the grinding process 3郾 2 软测量模型 BP 神经网络是一种全局逼近神经网络,它的优点 在于它有强非线性映射能力和泛化能力. 因此本文采 用基于二项交叉算子改进人群搜索算法鄄鄄BP 神经网络 建立磨矿粒度的软测量模型,二项交叉算子改进人群 搜索算法优化神经网络的权值. 给矿量、磨机给水、分 级机补加水和旋给流量 4 个影响因素为网络的输入, 隐层选用 5 个神经元,磨矿粒度作为网络的输出. 样 本数据见表 1. 表中 200 组样本数据训练,50 组样本 测试. 利用公式(16)检验网络模型误差,网络的权值 采用改进的人群搜索算法进行优化. J = 1 2 (Y(k) - Ym (k)) 2 。 (16) 其中,Y(k)表示实际磨矿粒度,Ym ( k) 表示软测量输 出值. 表 1 部分样本数据 Table 1 Part of the sample data 编号 球磨机给 矿量 球磨机给 水量 分级机补 水量 旋流器给 矿量 磨矿 粒度 1 66郾 20 11郾 49 36郾 07 284郾 16 77郾 05 2 68郾 79 11郾 34 36郾 64 279郾 88 78郾 45 3 65郾 83 11郾 36 36郾 57 280郾 36 78郾 28 左 左 左 左 左 左 198 66郾 73 11郾 81 34郾 85 293郾 34 74郾 73 199 67郾 89 11郾 97 34郾 23 297郾 76 73郾 48 200 65郾 40 11郾 14 37郾 66 272郾 61 80郾 11 3郾 3 仿真结果分析 优化算法重要一部分在于运算速度,为了提高运 算速度,应选取适当大小的种群规模. 种群规模过大, 增加计算机计算量,优化效率低. 种群规模过小,优化 效果差. 本文设置种群规模为 150. 迭代次数设置为 40. 图 4 为二项交叉算子改进人群搜索算法、人群搜 索算法、粒子群(PSO)算法进化次数比较,可以看到二 项交叉算子改进人群搜索算法在进化 15 次左右得到 ·1549·