Дослідження технологічного процесу подрібнення залізної руди в умовах рудозбагачувальної фабрики при нечітких і неповних технологічних параметрах

Д. Швець
Отримано 03.06.2021, Доопрацьовано 22.10.2021, Прийнято 19.11.2021, Опубліковано 17.12.2021
Анотація

Моделювання технологічного процесу переробки залізної руди в млині на першій стадії подрібнення та класифікації рудозбагачувальної фабрики та керування процесом подрібнення в умовах стохастичності технологічних параметрів. В ході моделювання технологічного процесу подрібнення залізної руди використовувалися методи теорії автоматичного керування і математичного моделювання для оцінки перехідних процесів, методи нечіткої логіки для керування процесом переробки залізорудної сировини при нечітких і неповних технологічних параметрах. Отримано перелік параметрів процесу переробки залізної руди, що найбільше впливають на перебіг технологічного процесу подрібнення. Врахування отриманих параметрів дає змогу вдосконалити існуючі математичні моделі процесу переробки залізорудної сировини на першій стадії подрібнення та класифікації в умовах рудозбагачувальних фабрик. Побудова системи автоматичного керування процесом переробки залізної руди на першій стадії подрібнення і класифікації з використанням нечіткої логіки може вирішити деякі складні задачі, які не можуть бути вирішені класичними методами через високу складність і відсутністю достатньої кількості технологічних даних. Формалізація правил для нечіткого підходу порівняно з іншими дає більш точний результат, що є перевагою такого підходу. Нечітка логіка може формалізувати залежності практично будь-якої складності, параметри у регуляторі з нечіткою логікою можуть бути різнотипними, нечіткі моделі мають високу здатність адаптації до експертних даних. Проведено структурно-функціональний аналіз процесу переробки залізної руди, визначено характеристики технологічних параметрів, що впливають на якість процесу подрібнення залізорудної сировини. Встановлено, що при автоматизованому керуванні млином першої стадії переробки залізорудної сировини на основі регулятора нечіткої логіки потрібно враховувати наступні технологічні вхідні параметри: продуктивність по вхідній руді, витрати води в млин, коефіцієнт міцності руди, який корелює з вмістом заліза загального в руді, і витрати пісків у циклі розвантаження. Розроблено систему автоматичного керування млином на основі нечіткої логіки, а також проведено дослідження роботи млина з використанням інструменту моделювання та аналізу динамічних систем Simulink.

Ключові слова:
залізна руда; подрібнення; млин; нечітка логіка; автоматизоване керування; математична модель

Взято з Том 19, № 2, 2021

Сторінки 163–169

Використані джерела ЦИТУВАТИ
  1. Контроль содержания магнитного железа в пульповых продуктах рудообогатительной фабрики / [Азарян А.А., Кучер В.Г., Цыбулевский Ю.Е., Швец Д.В.]. – INTERNATIONAL ACADEMY JOURNAL «Web of Scholar», Киев, №1(10), 2017, С.9-12.
  2. Shvets D.V. Theoretical-probability approach to analyse the iron ore grinding process / Гірничий вісник. – Вип. 109 – 2021. – С. 111-117. doi: 10.31721/2306-5435-2021-1-109-111-117
  3. A. Azaryan, А. Gritsenko, A. Trachuk, D. Shvets Development of a method for operational control over quality of the iron ore raw materials during open and underground extraction // Eastern-European Journal of Enterprise Technologies. 2018. Issue 5 (95). P. 13-19. doi: 10.15587/1729-4061.2018.144003.
  4. Azaryan A. Complex automation system of iron ore preparation for beneficiation / A. Azaryan, A. Pikilnyak, D. Shvets // Metallurgical and Mining Industry. – 2015. – Issue 8. – P. 64–66.
  5. Швець Д.В. Синтез математичної моделі технологічного процесу подрібнення залізорудної сировини з урахуванням її хіміко-мінералогічних характеристик на рудозбагачувальних фабриках // Гірничий вісник. – Вип. 107 – 2020. – С. 83-90. doi: 10.31721/2306-5435-2020-1-107-83-90
  6. Morkun V. Formalization and frequency analysis of robust control of ore beneficiation technological processes under parametric uncertainty / V. Morkun, N. Morkun, V. Tron // Metallurgical and Mining Industry. – 2015. – No 5. – P. 7–11.
  7. Morkun V. Optimization of the second and third stages of grinding based on fuzzy control algorithms / V. Morkun, O. Savytskyi, M. Tymoshenko // Metallurgical and Mining Industry. – 2015. – Vol. 7. – No. 8. – P. – 22-25.
  8. Morkun V. Investigation of methods of fuzzy clustering for determining ore types / V. Morkun, S. Tcvirkun // Metallurgical and Mining Industry. – 2014. – Vol. 6. – No. 5. – P.12–15.
  9. Купін А.І. Інтелектуальна ідентифікація та керування в умовах процесів збагачувальної технології : Монографія. – Київ: Вид-во "Корнійчук". – 2008. – 204 с.
  10. Kupin, A. I. Neural identification of technological process of iron ore beneficiation. – Proceedings of 4th IEEE Workshop on Intelligent Data Acquisition and Advanced Computing Systems Technology and Applications (IDAACS‘2007). Dortmund, Germany, 2007. P.225–227.
  11. Kupin, A.I. Research of properties of conditionality of task to optimization of processes of concentrating technology is on the basis of application of neural networks. Metallurgical and Mining Industry, №4, pp. 51--55 (2014)
  12. Еременко Ю.И. Нейросетевая идентификация процесса классификации железорудного концентрата в системе автоматизации работы гидроциклона // "Мехатроника, Автоматизация, Управление".– №10.–2004.– С.86–93.
  13. Кулаенко О. А., Пермяков В. И. Нейронные сети и нечеткая логика в управлении измельчительным оборудованием // Тези доповідей ХХІІІ Міжнародної конференції з автоматичного управління (Автоматика–2006).– Вінниця: Вид-во ВНТУ «Універсум-Вінниця», 2006 .– С.392-393.
  14. Karr, C. L., Stanley, D. A., McWhorter, B. Optimization of hydrocyclone operation using a geno-fuzzy algorithm. Computer Methods in Applied Mechanics and Engineering, 2000.– №186.– P.517–530.
  15. Karr, C. L., Weck, B., Nishita, K. A comparison of fuzzy and neural network modeling for separation equipment // Fluid Particle Separation Journal.– 1997.– №10(3).– P.81–95.
  16. Reuter, M.A. Dalmijn, W.L. and Schaik, A.V. Smart product systems.– Recycling International.– 2002.– N9.– P. 34–36.
  17. Lotfi A. Zadeh. Fuzzy logic, neural networks, and soft computing / Communications of the ACMVolume 37. - Issue 3 - March 1994. pp. 77–84. https://doi.org/10.1145/175247.175255
  18. Методы робастного, нейро-нечеткого и адаптивного управления / [К.А. Пупков, Н.Д. Егупов, А.И. Гаврилов и др.]; Под ред. Н.Д. Егупова. - М. : Изд-во МГТУ им. Н.Э. Баумана, 2001. - 743 с. ISBN 5-7038-1635-1
  19. Simulink [Електроний ресурс] - Режим доступу:https://www.mathworks.com/products/simulink.html.
Shvets, D. (2021). Iron ore grinding process at the concentrating plant under fuzzy and incomplete parameters. Journal of Kryvyi Rih National University, 19(2), 163-169. https://doi.org/10.31721/2306-5451-2021-1-53-163-169
uk