摘要:神经网络技术是一门新兴的数据挖掘方法，具有多目标、强拟合、自适应等多种优势。选矿过程包含的流程长、步骤多，涉及的物理化学过程复杂，难以建立精确的数学模型。目前，将神经网络技术应用于选矿各工艺步骤方面已取得了一些研究成果。今后神经网络技术将在选矿过程自动化、选矿设备故障诊断专家系统开发、药剂和选矿效果间的关系研究等领域具有十分广阔的应用前景。
关键词:神经网络;磨矿;选矿指标;预测
人工神经网络(ArtificialNeuralNetwork)，即ANN，简称神经网络，是20世纪80年代兴起的人工智能领域的研究热点。其是由大量简单的基本单元相互连接，通过数学物理方式并基于信息处理层来实现人脑神经网络的抽象化，且成功构建出了一种简化模型的智能网络系统［1］。其在智能控制、决策优化、多元回归、复杂非线性拟合方面具有非常大的应用优势，近年来，随着计算机技术的突飞猛进，神经网络技术在各行各业的应用呈现出爆发性的增长趋势，并在与不同行业的交叉应用过程中取得了令人欣喜的成果，应用较多的主要集中在医疗、军工、金融等行业［2］。在选矿行业中，应用还比较少，但也有较为成功的应用案例，这一新兴技术使得选矿这一传统的行业焕发了新的活力。
1人工神经网络(ANN)
人工神经网络的拓扑结构类型有分层网络和互联网络(反馈网络)，网络的学习方法有有教师学习和无教师学习以及增强学习。学习算法的分类有误差纠正算法、Hebb规则和竞争学习算法等。目前应用较多的网络类型有BP神经网络、径向基函数(RBF)网络、Hopfield网络、玻尔兹曼机(BM)网络、自组织特征映射网络以及ART网络等［3］。不同的网络类型具有不同的特点，在相关的应用领域有其优势，当然也有其不足，经过多年的应用发展，研究人员开发了对各种网络的优化方法，在特定的应用条件下取得了较好的效果。在选矿行业应用较多的有BP神经网路、径向基函数(RBF)网络等。BP神经网络是一种按误差逆传播算法训练的多层前馈网络。
2神经网络在选矿行业的应用
传统的选矿工艺流程是一种连续的多步骤的工艺，前期工作包括准备、选别和产品处理等步骤［5］。准备工作一般是破碎、筛分、磨矿和分级，使得有用矿物和脉石矿物分离，为后期的选别工作做好准备。选别过程是选矿的核心工艺步骤，也是最重要的环节，常用的选别方法有浮选、重选、磁选等，其中应用最广泛的方法就是浮选法。产品处理主要是精矿脱水和尾矿处理。选矿生产过程是一个十分复杂的工业系统流程，生产过程往往具有不确定性、非线性、延迟性、强耦合性及信息不完整性，很难建立精确的数学模型［6］。因此神经网络处理复杂非线性问题的优势就显现出来了。神经网络在选矿行业的应用目前主要在以下几个方面:选厂经济指标的预测、球磨机钢球磨损程度的预测、磨矿自动控制算法设计、浮选结果的预测、矿浆pH值的预测、矿浆浓度的预测、浮选柱气含率预测、浮选液位预测、浮选药剂用量预测、浮选药剂制度优化、采选厂浸出指标预测［7］等等，以下仅从典型的应用方向加以说明。从本质上看，神经网络技术是一种数据挖掘的方法，所谓数据挖掘技术就是从大量的数据中发现对人们生产活动或者理论研究有价值的信息［8］。使用神经网络技术研究相关问题需要大量的可靠数据用来训练和验证网络的可靠性。在选矿行业，数据来源最好是多年积累的生产数据，但因保密、生产记录不规范或者没有连续性等原因，实际研究过程中海量的生产数据往往难以获得，通常也会通过实验室规模的试验，以及通过计算机仿真来生产数据，再经过现场试验来验证和改进网络的可靠性。
2．1神经网络技术在磨矿过程的应用
磨矿是选矿过程中的一个重要环节，磨矿细度会影响选矿流程的诸多技术经济指标，姚致远等［9］以某选厂一年的生产数据为基础，将其分为神经网络训练样本和验证样本，使用BP神经网络技术研究了磨矿细度和选矿回收率之间复杂的非线性关系，利用线性回归和神经网络技术相结合的方法建立了磨矿细度、磨浮成本、处理量、回收率和选厂每小时利润之间的多元回归数学模型，以选厂利润最大化为目标确定了最优磨矿细度，经过分析计算后得到结论，优化磨矿细度后每年可为选厂增加400多万元的利润。代伟［10］应用BP神经网络方法建立了磨矿粒度的神经网络模型，并使用现场数据验证和实际应用效果印证了此模型的有效性。上述问题的解决充分显示了神经网络技术在处理这类机理研究不够明确的复杂非线性问题上的优越性。在磨矿工艺中，应用最为广泛的设备是球磨机。因机械撞击和化学腐蚀等原因，球磨机内的钢球会随着磨矿过程而产生一定程度的磨损现象，钢球的磨损会改变钢球的配比和装球率，从而降低磨矿效率，如何保持磨矿工艺过程中钢球相关参数的稳定性一直是此领域的研究重点。而磨矿过程中钢球的运动轨迹是不确定的，通过实验也难以观察，碰撞是随机的，腐蚀程度也是难以实时测量的，因此从运动和动力学机理上建立磨矿过程中钢球磨损的精确数学模型是非常困难的，可以说几乎是不可能的。神经网络技术的引入为推动这一领域的研究起到了重要的作用。蔡兵兵［11］利用BP神经网络研究了球磨机内钢球的损耗情况与给矿粒度之间的关系。分别建立了球磨机钢球比与磨矿后产品的粒度之间、球磨机钢球质量与给矿粒度之间的数学关系模型。通过仿真计算非线性拟合后得到两组模型相关变量对应的映射关系，使得根据实时的给矿粒度就可预测球磨机内钢球的磨损程度，为在磨矿工艺进程中何时补加何种尺寸、多少数量的钢球提供了有科学依据的决策参考。不仅降低了工人的工作难度，提高了磨矿效率，更为磨矿过程自动控制提供了技术基础，对生产工艺升级具有重要意义。滕章等［12］利用BP神经网络技术建立了磨矿自动化控制系统中的远程故障诊断专家系统知识库，该故障诊断系统已在河北某选厂成功应用，大大提高了磨矿设备故障诊断的实时性。神经网络在专家系统开发领域的应用已经成为了当下一个研究热点，具有广阔的发展空间。
2．2神经网络在选矿指标预测中的应用
运行多年的选矿厂具有海量的生产经营数据，这些选厂就是天然的数据仓库，而神经网络本身的训练需要大量的数据，且可靠的数据越多，训练出的网络对数据的拟合能力就越强大，网络的预测能力也越可靠。如能获得来源于生产车间的一线资料，通过运用神经网络的强大拟合能力，对选厂的选矿指标进行预测将是可行的。通过预测选矿指标，不仅能对选厂未来的运营情况进行掌控，还能够通过对工艺参数的调整，优化生产工艺，提高选矿指标，为企业创造效益，神经网络在此领域已有成功应用案例。孙福振等［13］根据红山选矿厂选铜车间近5年的生产数据，利用RBF神经网络研究了原矿性质(矿石品位)、选矿工艺参数(黄药单耗、松醇油单耗、钢球单耗)与选矿效果(回收率和精矿品位)之间的映射关系。通过此方法对生产工艺参数进行优化，将选矿指标铜回收率提高了1．08个百分点，为企业创造了效益。王任远［14］利用主成分分析与RBF神经网络相结合的方法建立了浮选精矿品位和回收率的预测模型，并应用到生产实际中，成功实现了选矿指标的预测，降低了劳动强度，改善了生产管理水平，为企业创造了价值。
2．3神经网络在矿浆pH值预测中的应用
在浮选过程中，矿浆的pH值是非常重要的指标，对浮选的回收率有重要影响，其原因主要是浮选中涉及的复杂且必要的物理化学过程需要在合适的pH条件下才能发生，因此对矿浆pH值的监控是十分必要的。目前生产现场通常是由人工使用pH检测仪或者使用pH在线监测仪来进行检测的，人工测试存在主观随机性，且测量精度得不到保证，pH在线检测仪也存在易堵塞和污染等影响实际使用的问题。因此，传统的选矿工艺中，对pH的监控一直是比较困难的。神经网络的出现，给解决此问题提供了一种新的技术手段。唐朝晖等［15］根据泡沫外观与矿浆pH值存在密切联系，从浮选泡沫的视觉识别方向入手，综合利用BP神经网络结构简单、收敛快与RBF神经网络对快速输入的样本具有更好的适应性的优点，组合成的混合神经网络，研究泡沫图像化参数与矿浆pH值之间的非线性映射关系，提出了一种矿浆pH值控制的方法，证明该方法具有较好的精确性和鲁棒性。
2．4神经网络在矿浆浓度预测中的应用
矿浆浓度对浮选效果也有直接影响，并且也呈现非线性关系。矿浆浓度会影响回收率、药剂用量、精矿质量、浮选机生产能力、水电消耗、浮选时间等指标。罗璇等［16］利用小波神经网络模型研究了回收率、药剂用量、精矿质量与矿浆浓度的非线性关系。采用梯度修正法对网络的权值和小波基函数加以修正，提高了预测精度，能够达到矿浆浓度预测的目的。
2．5神经网络在浮选药剂制度优化中的应用
浮选药剂制度的确定是选矿工艺中的一个重要环节，不合适的药剂制度会产生药剂的浪费或添加不足，导致选矿过程得不到预期的指标，造成经济效益下降。传统的药剂制度确定方式是基于正交试验和F检验的统计学方法，该方法的缺点是需要的试验量大。张翼等［17］利用BP神经网络研究药剂制度的优化问题。采用单一变量的原则，通过计算机仿真与传统方法对比的方式，改进了药剂的添加制度。优化后的药剂制度不仅提高了选矿效率，还减少了药剂用量，技术指标和经济指标都得到了提升，于此同时，相比传统的F检验方法，大大减少了试验量。刘研妮［18］根据某矿山选铜车间的生产数据，利用BP神经网络技术开发了选矿指导子模块，将原矿品位、氧化率以及精矿品位、回收率4个参数作为网络的输入端，将选矿过程中使用的药剂黄药和2#油作为网络的输出端。当给矿条件发生变化时，输入想要得到的精矿品位和回收率，即可计算出对应的黄药和2#油的用量，为工况变化下药剂制度的调整提供了决策支持。经过试验验证，所训练的网络能够在一定精度下满足生产预测的需要。
2．6神经网络在提升选矿厂经济指标中的应用
神经网络技术在最优化问题中也有较好的适应性。选厂的经济指标种类繁多，影响因素多，部分指标又是完全的离散量，比较适合利用神经网络的特点解决相关问题。目前，在提升选厂经济指标的研究方向上，神经网络也发挥了作用。杨刚等［19］利用BP神经网络研究了选矿工艺参数与选矿成本之间的非线性关系。利用黄金分割法确定了BP网络中的隐层节点数，得到了原矿品位、精矿品位、尾矿品位、台时处理量与选矿成本之间的数学关系。为选矿工艺参数变化时选矿成本的波动情况建立了预测模型，为企业决策提供有效的参考。廖诺等［20］根据铁矿采选的实际工况，建立了以资源利用率、总的电能消耗和经济效益为目标，精矿总产量为约束条件，采选品位和投资策略为决策变量的非线性多目标优化数学模型。利用神经网络技术，制定了最优化资源利用、节能降耗提高经济效益的策略，取得了满意的结果。
3结语
选矿是一个比较“古老”的传统行业，人工作业和经验主义是这一行业的传统特点，因选矿过程的复杂性，机理研究方法受到了一定制约。而神经网络作为一种新兴的数据挖掘技术，逐步融入到选矿行业中，在二者的交叉融合过程中衍生出了新的研究方法和研究方向。本文所列举的一些研究成果证明神经网络对解决某些特定的问题具有一定的优势，但也有其本身的不足。神经网络在选矿领域的应用还处在比较初级的阶段，尚具有广阔的发展空间。如开发具有高鲁棒性、高精度的自动控制方法及设备;研发选矿指导智能专家系统;研究选矿药剂理化指标与浮选效果间的映射关系等等，这些方向的突破对推动选矿行业的发展具有重大的意义，此领域的研究工作仍任重而道远。
作者:李超 尚衍波 朱阳戈 罗科华 阳光 单位:北京矿冶科技集团有限公司
