WO2007124981A1 - Verfahren zum betrieb eines mühlensystems - Google Patents

Verfahren zum betrieb eines mühlensystems Download PDF

Info

Publication number
WO2007124981A1
WO2007124981A1 PCT/EP2007/052494 EP2007052494W WO2007124981A1 WO 2007124981 A1 WO2007124981 A1 WO 2007124981A1 EP 2007052494 W EP2007052494 W EP 2007052494W WO 2007124981 A1 WO2007124981 A1 WO 2007124981A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
mill system
operating
mill
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2007/052494
Other languages
English (en)
French (fr)
Inventor
Norbert Becker
Rüdiger DÖLL
Hans-Ulrich LÖFFLER
Robert Wagner
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Publication of WO2007124981A1 publication Critical patent/WO2007124981A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
    • B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
    • B02C25/00—Control arrangements specially adapted for crushing or disintegrating
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor

Definitions

  • the invention relates to a method for operating a mill system.
  • Such a mill system may be, for example, a ball mill (ball mill) or even a SAG (semi-autogenously grinding) mill, which is suitable for grinding coarse-grained materials, such as. As ores or cement, etc., is determined.
  • the throughput by means of dividing different control or reference variables, such. B. a rotational speed of the mill drum, a supply of coarse-grained starting material, a Wasserzu ⁇ drove an ore mill and / or a discharge rate of the ground material present at the output controlled.
  • An important quality feature is the particle size distribution of the crushing material. It influences the yield of the mill system further downstream components such.
  • the aim is to achieve the highest possible throughput with high product quality and at low costs. The latter are significantly determined by the energy and / or material ⁇ required.
  • the object of the invention is therefore to provide a method of the type described, which allows a fast Ie and stable adjustment of the mill system.
  • the method according to the invention is one in which a) model parameters of a model of the mill system are calculated, b) on the basis of the model updated with the calculated model parameters for at least one operating variable of the mill system is detected, a predicted value for a current operation phase, c) correcting or command variables of the mill system set on the basis of the updated model and used during the aktuel ⁇ len operating phase, d) a measured value of the operating variable during the current operating phase determined is e) determining a deviation between the predictive value and the measured ⁇ value, f) the model parameters based on the deviation adapted and used with the model to predict the operating quantity and to the actuator or control variables setting for a future operating state of w earth.
  • the operating method according to the invention is based on an adaptive model-predictive controller.
  • an overall model of the complete mill system is created and taken into account in the adaptive control.
  • the model parameters of the overall model are tracked as a function of a comparison between the prediction and the actually measured value of one or more operating variables. Since the operating variables are preferably immediately measured, they can also directly to the adaptation of the model parameters, and thus also of the model used for the control Hérange ⁇ subjected. The tracking is done very quickly. Since the control is based on predictions of future operating size values, rule dead times play virtually no role. Therefore, feedback and instabilities, which are often due to dead-times, are largely avoided.
  • the inventive method responds quickly to changing Pro ⁇ zess crab, such as a change in the quality of the supplied material, and regulates the desired throughput with the required product quality an immediate new.
  • a bottom unit and a hydrocyclone unit Submo ⁇ delle at least unit for a central Mühlenein ⁇ , situated. They are the three most important subunits of the mill system. If required, however, a submodel can also be set up for other subunits, such as the pipelines, the pumps and also the mill contents, for example, and taken into account in the overall model.
  • the proportion of currently entered in the grinding drum steel balls, engine torque, engine speed, material supply, the water supply of material and water discharge to standardize the Sumpfein- and find the specific design of the grinding drum A ⁇ gang.
  • the modeling of the sump unit can take place taking into account the fresh water supply and the fill level. Overall, in this way a very accurate Abbil ⁇ -making reality possible.
  • it may also include at Radio Grö ⁇ SSE, the predicted and measured flow to a transit, a density, a weight, a pressure, a power, a torque, speed, or graininess act.
  • the operating procedure can be very wide
  • the semiconductor device has a particle size distribution in a discharge line to an output of the mill system, in a bottom unit of the mill system or in a return loss to a hydro-cyclone unit.
  • the grain size ⁇ distribution provides a particularly good insight into the processes of the mill system. Your good knowledge enables the ⁇ after a particularly efficient control of Mühlensys ⁇ tems.
  • the particle size distribution can be measured in real time, ie in particular online and / or directly.
  • the detection of the particle size distribution is by means of an optical, an acoustic, or magnetic ⁇ tables measurement method.
  • the detection location also has an influence on the respectively suitable measuring method.
  • a laser diffractometer with online dilution or an in situ measurement by means of a fingerprint sensor is suitable for recording the
  • the adaptation of the model parameters is carried out by means of an optimization or minimization method oriented on at least one predefinable target function, wherein the deviation between the predicted value and the measured value is included in the target function.
  • an optimization or minimization method oriented on at least one predefinable target function, wherein the deviation between the predicted value and the measured value is included in the target function.
  • the setting of the manipulated or control variables by means of at least one predetermined target oriented optimization method is performed, wherein m istsvon wherein Opti ⁇ secondary conditions are taken into account.
  • m istsvon wherein Opti ⁇ secondary conditions are taken into account.
  • the optimization process provides very good, in particular the current conditions adapted model parameters. The consideration of the secondary conditions not only enables throughput optimization, but also at the same time energy and / or quality-optimized operation of the mill system.
  • SQP Simential Quadratic Programming
  • optimization method is used as target and in particular a system present within the mill grain ⁇ size or grain size distribution of the material to be ground or a load condition of the mill system into consideration.
  • the particle size distribution is determined such that at least two partial regions with different grain sizes are distinguished. It is therefore provided at least one Operabe ⁇ rich for smaller and a second portion of larger grain sizes.
  • a further division into several subsections is possible in principle. This refines the gradation of the control attitude. The more subregions that are provided for the particle sizes for determining the particle size distribution, the more sensitive and accurate the optimization and control method reacts.
  • a model further comprises a data-driven model, preferably a neural network provided in the ⁇ .
  • the model parameters correspond in particular to the network weights and the measured values of the operating variable (s) to the training values.
  • the identification and adaptation of the Model1 parameters then takes place, for example, as part of the network training.
  • a system based on a neural network model requires only a few, perhaps even no metallic on the physika ⁇ conditions of the mill system based specifications.
  • FIG 1 shows an embodiment of a mill system with egg ⁇ ner adaptive model predictive control unit
  • FIG 2 is a block diagram showing the control unit of Figure 1 with an adaptive model of the mill system and an operating variable forecast as well as a derived therefrom optimization of model parameters.
  • FIG. 1 shows an embodiment of a mill system 1 is shown. It is an ore mill, which is designed as a ball mill or SAG mill. It is wired with a ven adapti ⁇ model predictive control unit 2 which controls the operation of the mill system. 1
  • the mill system 1 includes a central mill unit 3 with a drum 3a for milling the supplied guide ⁇ th ore material and having a drum 3a driving particular gearless motor 3b, a fed from the central mill unit 3 sump unit 4, and a hydro cyclone unit 5
  • the sump unit 4 and the hydrocyclone unit 5 are connected to each other by means of a hydrocyclone inflow line 6.
  • a separation takes place in finely ground and coarse-grained material.
  • the finely ground material passes into an outlet-side outflow line 7, which is connected to a non-illustrated the mill system 1 downstream Kompo ⁇ nent.
  • the coarse-grained material is returned to an inlet 9 of the central mill unit 3 via a return line 8.
  • the inlet 9 is also connected to conveyor belts 10, by means of which unground ore material from an ore supply 11 is supplied. Instead of the conveyor belts 10 may also be provided another feed unit. Furthermore, the input 9 is connected to a water inlet 12. Another water inlet 13 is provided on the sump unit 4.
  • the mill system 1 also contains a multiplicity of transducers which detect measured values for different operating variables B and supply them to the control unit 2 by means of measuring lines 14.
  • a weight meter 15 on the conveyor belts 10 a flow meter 16 on the water inlet 12, a power and torque meter 17 on the motor 3b, a
  • Weight meter 18 for detecting a load of the drum 3a a flow meter 19 at the water inlet 13, a level gauge 20 at the sump unit 4, a grain size meter 21, a flow meter 22 and a pressure gauge 23 are each provided on the hydrocyclone supply line 6, a density meter 24 on the return flow line i and a particle size meter 25 on the outflow line 7.
  • This list is to be understood as an example. In principle, further transducers can be provided. The respective measurements always take place online and in real time, so that always up-to-date measured values are available in the control unit 2.
  • the mill system 1 and a plurality of local controllers which are connected by means of control lines 26 to the Re ⁇ gelungsaku 2 has.
  • a weight regulator 27 on the conveyor belts 10 a flow regulator 28 on the water inlet 12, a (rotary) speed regulator 29 on the motor 3b, a flow regulator 30 on the water inlet 13 and on the hydrocyclone inflow line 6, a level controller 31 on the sump unit 4 and a density controller 32 at the remindyaklei ⁇ device 8 is provided.
  • transducers and local controllers are only to be understood as examples. In individual cases, other such components may be provided.
  • additional information about the nature of the supplied unmilled ore material can be obtained, for example, by means of a laser measurement or by means of video recording.
  • GE in the embodiment ⁇ Switzerlandss FIG measuring sensor 1 shown and local controller possible.
  • the actually of interest secondary operating variable is determined from the measured values by means of an evaluation algorithm, a current value is powered on sizes detectable primary Be ⁇ resorted to.
  • the evaluation software used for this purpose may also include a neural network.
  • an adjustment for the different process parameters of the mill system 1 is determined such that a good, constant throughput results with the lowest possible energy consumption and the highest possible product quality.
  • a high product quality means a certain , relatively small particle size of the milled material guided in the outlet-side outflow line 7.
  • control unit 2 shows a block diagram of the control unit 2 with its essential components. It comprises an adaptive overall model 33 of the mill system 1, a prediction unit 34, a comparison unit 35, a parameter iden- taimss- and adaptation unit 36 and an optimization unit 37. ⁇ approximately These components are in particular realized as software modules.
  • a measuring unit 38 is representative of the multiplicity of measuring transducers shown in FIG.
  • the measuring unit 38 can also be realized as a software module and thus as an integral part of the control unit 2. Otherwise, however, it is also possible that the measuring unit 38 is physically separate from the control unit 2.
  • control unit 2 In the following, the operation of the control unit 2 will be described in more detail.
  • the input quantities E can therefore refer to process parameters, to the design of the mill system 1, in particular to the central mill unit 3, or to the material.
  • control unit 2 On the output side, the control unit 2 provides output variables A, which are used to control the process sequence.
  • these are around the guide ⁇ sizes for the different local controller as shown in FIG 1.
  • the regulation ⁇ unit 2 on the output side manipulated variables available to the un- indirectly thus also act without the interposition of a local controller, to actuators ,
  • the adaptive model 33 describes the mill system is one in ⁇ ner entirety. In the exemplary embodiment, it is composed of a coupling of several submodels.
  • the sub-models be ⁇ write the central mill unit 3, the sump unit 4 and the hydrocyclones unit 5. Further sub-models for ande ⁇ re components of the mill system 1 can be added as needed.
  • the model 33 can be adapted to the currently prevailing process conditions by means of the model parameter P, wherein it is also determined in the parameter identification and adaptation unit 36 whether this adaptation takes place by means of all or only part of the model parameter P. If necessary, therefore, a relevant subset of the model parameters P is identified. The thus selected model parameters P are then particularly well suited for model adaptation.
  • the model 33 is based on the embodiment physi ⁇ 's specifications, which can be at least partially supplemented by empirical experience.
  • the model 33 and in particular ⁇ its adaptation by means of the model parameters P are calculated in real time. This contributes to the fact that no significant rule dead times arise.
  • a prediction value B v is determined in the prediction unit 34 for one or more operating variables (B).
  • a detected deviation F is the parameter identification and adaptation unit 36 to the He ⁇ averaging an improved rate for the model parameters P provided.
  • the thus adjusted model parameters P are then used to adapt the model 33.
  • the adapted model 33 is then used to determine the outputs A and also the predicted value B v for a coming phase of operation.
  • control unit 2 based on a forecast of the value that will take on the size of company B in the future, ⁇ ent drop-dead rule broadly.
  • the control unit 2 is therefore very stable and reacts very quickly to changed process conditions.
  • an SQP optimization method is used in which a predefinable target function is minimized while maintaining constraints and used to determine the improved parameter (partial) set for the model parameter P.
  • the objective function minimization and thus the parameter adaptation are carried out such that the adapted model 33 emulates the past behavior of the mill system 3 as well as possible.
  • Model 33 optimally describes reality in the past with this adapted parameter set.
  • the target function for example, is the deviation between measured and calculated particle size distribution.
  • Possible constraints are then produced in particular from a transition matrix indicating the coefficients of the probability with which a material particle, the len in aktuel ⁇ cycle in a certain partial area of the grain size distribution falls after the next cycle in a certain (different) part range of the grain size distribution falls.
  • Values that can take the coefficients of this transition matrix are subject to certain mathematical or physical constraints. It is possible to specify limits for the individual coefficients but also for combinations, for example sums of several coefficients.
  • the deviation between measured and calculated density in the reflux line 8 can also be defined as the objective function.
  • the optimization of adaptation SQP- ⁇ unit 36, a combination of multiple objective functions are used in the parameter identification and.
  • the recovered based on the past viewing adapted model 33 is used in a further process step to be ⁇ future scheme, ie for controlling the coming cycle. This takes place in the optimization unit 37. It is a second optimization, for which in turn, in particular, an SQP optimization method is used. Again, a target size is optimized in compliance with constraints. The aim is now particularly optimal He ⁇ mediation of the local regulator output variables A, so the correcting or command sizes, so for example, a superiors given particle size distribution at a certain point of the mill system 3, in particular at the output, is achieved. The target size can therefore be the product quality in this second optimization. As secondary conditions, the material requirements and the energy requirements come into question.
  • the consideration of secondary conditions also contributes to the set operating mode of the mill system 1 fulfilling several requirements in equal measure.
  • the mill speed, the supply of fresh water to the central mill unit 3 and into the sump unit 4 as well as the energy consumption can be optimized in this way, while at the same time maintaining the throughput and the product quality achieved at a predetermined level.

Landscapes

  • Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Disintegrating Or Milling (AREA)
  • Feedback Control In General (AREA)

Abstract

Bei dem Verfahren zum Betrieb eines Mühlensystems werden Modellparameter (P) eines Modells (33) des Mühlensystems berechnet. Auf Basis des mit den berechneten Modellparametern (P) aktualisierten Modells (33) wird für mindestens eine Betriebsgrössee (B) des Mühlensystems ein Vorhersagewert (Bv) für eine aktuelle Betriebsphase ermittelt. Stell- oder Führungsgrössen (A) des Mühlensystems werden aufgrund des aktualisierten Modells (33) eingestellt und während der aktuellen Betriebsphase verwendet. Ein Messwert (BM) der Betriebsgrösse (B) wird während der aktuellen Betriebsphase ermittelt. Eine Abweichung (F) zwischen dem Vorhersagewert (Bv) und dem Messwert (BM) wird bestimmt. Die Modellparameter (P) werden auf Basis der Abweichung (F) angepasst und zusammen mit dem Modell (33) zur Vorhersage der Betriebsgrösse (B) sowie zur Einstellung der Stell- oder Führungsgrössen (A) für einen zukünftigen Betriebszustand verwendet.

Description

Beschreibung
Verfahren zum Betrieb eines Mühlensystems
Die Erfindung betrifft ein Verfahren zum Betrieb eines Mühlensystems .
Bei einem derartigen Mühlensystem kann es sich beispielsweise um eine Kugelmühle (ball mill) oder auch um eine SAG (semi- autogenously grinding) -Mühle handeln, die zum Zermahlen von grob körnigen Materialien, wie z. B. Erzen oder Zement usw., bestimmt ist. Bei solchen Mühlen wird der Durchsatz mittels Einsteilens verschiedener Stell- oder Führungsgrößen, wie z. B. einer Rotationsgeschwindigkeit der Mühlentrommel, einer Zufuhr des grob körnigen Ausgangsmaterials, einer Wasserzu¬ fuhr einer Erzmühle und/oder einer Austragsgeschwindigkeit des am Ausgang vorliegenden gemahlenen Materials gesteuert. Ein wichtiges Qualitätsmerkmal ist die Korngrößenverteilung des zermahlenden Materials. Sie beeinflusst die Ausbeute der dem Mühlensystem nachgeschalteten weiteren Komponenten, wie z. B. der Flotation. Es wird ein möglichst hoher Durchsatz bei hoher Produktqualität und bei niedrigen Kosten ange¬ strebt. Letztere werden durch den Energie- und/oder Material¬ bedarf maßgeblich mit bestimmt.
Derzeitige Mühlensysteme werden oft noch manuell vom Bedien¬ personal nach dessen empirischen Erfahrenswerten eingestellt. Ändert sich die Qualität des zugeführten Materials, vergeht eine bestimmte Zeit, bis wieder ein hoher Durchsatz bei guter Produktqualität erreicht werden kann. Oft steht dem Bedien¬ personal außerdem auch nur eine indirekte Qualitätskontrolle, die sich beispielsweise anhand eines Ausbeuterückgangs in ei¬ ner der nachgeschalteten Komponenten ergibt, zur Verfügung. Dies erschwert zusätzlich eine gute Einstellung des Mühlen- Systems.
Bekannt sind auch (teil-) automatisierte Regelungsverfahren zum Betrieb eines Mühlensystems. Sie basieren beispielsweise auf einer direkten Messung von Betriebsgrößen und auch auf Experten-Systemen. Verwendung findet dabei häufig der z.B. per Ultraschall ermittelte sogenannte d50-Wert des gemahlenen Materials, der aber nur bei (logarithmisch) normalverteilten Korngrößen aussagekräftig ist. Er gestattet außerdem keine Aussage über ggf. im Rückfluss vorhandene Grobkornanteile, die zu Instabilitäten des Mahlprozesses führen können. Außerdem verringern Grobkornanteile in der Mühlen-Ausgangsleitung die Ausbeute in der nachgeschalteten Flotation. Auch der Ein- satz von Expertensystemen kann unerwünschte Schwingungen des Mahlprozesses verursachen.
Die Aufgabe der Erfindung besteht deshalb darin, ein Verfahren der eingangs bezeichneten Art anzugeben, das eine schnel- Ie und stabile Einstellung des Mühlensystems erlaubt.
Diese Aufgabe wird gelöst durch die Merkmale des unabhängigen Patentanspruchs 1. Bei dem erfindungsgemäßen Verfahren handelt es sich um ein solches, bei dem a) Modellparameter eines Modells des Mühlensystems berechnet werden , b) auf Basis des mit den berechneten Modellparametern aktualisierten Modells für mindestens eine Betriebsgröße des Mühlensystems ein Vorhersagewert für eine aktuelle Be- triebsphase ermittelt wird, c) Stell- oder Führungsgrößen des Mühlensystems aufgrund des aktualisierten Modells eingestellt und während der aktuel¬ len Betriebsphase verwendet werden, d) ein Messwert der Betriebsgröße während der aktuellen Be- triebsphase ermittelt wird, e) eine Abweichung zwischen dem Vorhersagewert und dem Mess¬ wert bestimmt wird, f) die Modellparameter auf Basis der Abweichung angepasst und zusammen mit dem Modell zur Vorhersage der Betriebsgröße sowie zur Einstellung der Stell- oder Führungsgrößen für einen zukünftigen Betriebszustand verwendet werden. Das erfindungsgemäße Betriebsverfahren basiert auf einem adaptiven Modell-prädiktiven Regler. Insbesondere wird ein Gesamtmodell des kompletten Mühlensystems erstellt und in der adaptiven Regelung berücksichtigt. Hierzu werden die Model1- parameter des Gesamtmodells in Abhängigkeit eines Vergleichs zwischen der Vorhersage und dem tatsächlich gemessenen Wert einer oder auch mehrerer Betriebsgröße (n) nachgeführt. Da die Betriebsgrößen vorzugsweise unmittelbar gemessen werden, können sie auch unmittelbar zur Adaption der Modellparameter und damit auch des für die Regelung verwendeten Modells herange¬ zogen werden. Die Nachführung erfolgt also sehr rasch. Da die Regelung auf Vorhersagen zukünftiger Betriebsgrößenwerte basiert, spielen Regel-Totzeiten praktisch keine Rolle. Deshalb werden Rückkopplungen und Instabilitäten, die oft auf Totzei- ten zurückzuführen sind, weitestgehend vermieden. Das erfindungsgemäße Verfahren reagiert schnell auf veränderte Pro¬ zessbedingungen, wie beispielsweise eine veränderte Qualität des zugeführten Materials, und regelt den gewünschten Durchsatz mit der geforderten Produktqualität umgehend neu ein.
Vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens ergeben sich aus den Merkmalen der von Anspruch 1 abhängigen Ansprüche. Günstig ist eine Variante, bei der das Mühlensys¬ tem mehrere Subeinheiten umfasst, für jede Subeinheit ein Submodell bestimmt wird, und das Modell per Kopplung der Sub- modelle gebildet wird. Die Berücksichtigung der Submodelle führt zu einer exakteren Nachbildung der Realität und damit auch zu besseren Ergebnissen der Regelung. Besonders günstig ist es, wenn alle relevanten Subeinheiten des Mühlensystems modelliert und in das Gesamtmodell mit eingehen.
Insbesondere werden zumindest für eine zentrale Mühlenein¬ heit, eine Sumpfeinheit und eine Hydrozyklonen-Einheit Submo¬ delle aufgestellt. Sie sind die drei wesentlichsten Subein- heiten des Mühlensystems. Bei Bedarf kann jedoch auch für weitere Subeinheiten, wie beispielsweise die Rohrleitungen, die Pumpen und auch den Mühleninhalt jeweils ein Submodell aufgestellt und im Gesamtmodell berücksichtigt werden. Beim Submodell der zentralen Mühleneinheit können der Anteil an in der Mahltrommel aktuell vorhandenen Stahlkugeln, das Motordrehmoment, die Motordrehzahl, die Materialzufuhr, die Wasserzufuhr, der Material- und Wasseraustrag in die Sumpfein- heit sowie die spezifische Ausgestaltung der Mahltrommel Ein¬ gang finden. Die Modellierung der Sumpfeinheit kann unter Berücksichtigung der Frischwasserzufuhr und des Füllstands erfolgen. Insgesamt ist auf diese Weise eine sehr genaue Abbil¬ dung der Realität möglich.
Vorteilhafterweise kann es sich außerdem bei der Betriebsgrö¬ ße, die vorhergesagt und auch gemessen wird, um einen Durch- fluss, eine Dichte, ein Gewicht, einen Druck, eine Leistung, ein Drehmoment, eine Geschwindigkeit oder eine Körnigkeit handeln. Das Betriebsverfahren lässt sich in sehr weiten
Grenzen auf die verschiedensten Betriebsgrößen des Mühlensystems einstellen. Hierbei kann es sich insbesondere um direkt messbare, aber auch um nur indirekt messbare Größen handeln. Letztere lassen sich beispielsweise mittels sogenannter Soft- sensoren bestimmen. Direkt erfassbare Messwerte werden dabei elektronisch so ausgewertet, dass Aussagen über einer Messung nicht direkt zugängliche Größen getroffen werden können. Ein Beispiel hierfür ist ein Beschädigungsgrad der in der Trommel befindlichen Stahlkugeln.
Besonders günstig ist eine Variante, bei der die vorhergesag¬ te und gemessene Betriebsgröße eine Korngrößenverteilung in einer Ausflussleitung an einem Ausgang des Mühlensystems, in einer Sumpfeinheit des Mühlensystems oder in einer Rückfluss- leitung zu einer Hydrozyklonen-Einheit ist. Die Korngrößen¬ verteilung bietet einen besonders guten Einblick in die Abläufe des Mühlensystems. Ihre gute Kenntnis ermöglicht dem¬ nach auch eine besonders effiziente Regelung des Mühlensys¬ tems .
Insbesondere kann die Korngrößenverteilung in Echtzeit, d.h. insbesondere online und/oder direkt, gemessen werden. Bei¬ spielsweise erfolgt die Erfassung der Korngrößenverteilung mittels eines optischen, eines akustischen oder eines magne¬ tischen Messverfahrens. Auch der Erfassungsort hat einen Ein- fluss auf das jeweils geeignete Messverfahren. So eignet sich ein Laserdiffraktometer mit Online-Verdünnung oder eine In- situ-Messung mittels Fingerprint-Sensor zur Erfassung der
Korngrößenverteilung in der ausgangsseitigen Ausflussleitung, in der das fein gemahlene und in Wasser dispergierte Material transportiert wird. Alle diese Messverfahren sind in der La¬ ge, die Korngrößenverteilung sehr rasch zu erfassen, sodass diese wichtige Betriebsgröße ohne relevante zeitliche Verzö¬ gerung dem Regelungsverfahren für die Parameter-Adaption zur Verfügung steht .
Bei einer weiteren günstigen Ausgestaltung ist es vorgesehen, dass die Anpassung der Modellparameter mittels eines auf mindestens eine vorgebbare Zielfunktion ausgerichteten Optimie- rungs- bzw. Minimierungsverfahrens durchgeführt wird, wobei in die Zielfunktion die Abweichung zwischen dem Vorhersagewert und dem Messwert mit einfließt. Für den Messwert der Korngrößenverteilung lässt sich zum Beispiel eine Übergangs¬ matrix als Modellparameter (satz) angeben, die für den kommenden Bearbeitungs- oder Regelungszyklus bezüglich jedes Teil¬ bereichs der Korngrößenverteilung Übergangswahrscheinlichkei¬ ten in einen feiner körnigen Teilbereich enthält. Ein Zyklus ist dabei ein Zeitschritt der zugrunde liegenden diskreti- sierten Differentialgleichung. Als Nebendingung kann dann z.B. vorgesehen werden, dass die Körnigkeit des Materials im kommenden Zyklus nur feiner, nicht jedoch gröber werden kann.
Bei einer weiteren günstigen Ausgestaltung ist es vorgesehen, dass die Einstellung der Stell- oder Führungsgrößen mittels eines auf mindestens eine vorgebbare Zielgröße ausgerichteten Optimierungsverfahrens durchgeführt wird, wobei bei dem Opti¬ mierungsverfahren Nebenbedingungen mit berücksichtigt werden. Dadurch wird zum einen eine hohe Flexibilität erreicht, da die Zielgröße ebenso wie die vorhergesagte und gemessene Be¬ triebsgröße weitgehend frei bestimmt werden kann. Zum anderen liefert das Optimierungsverfahren sehr gute, insbesondere an die aktuellen Gegebenheiten angepasste Modellparameter. Die Berücksichtigung der Nebenbedingungen ermöglicht neben der Durchsatzoptimierung insbesondere auch einen zugleich ener- gie- und/oder qualitätsoptimierten Betrieb des Mühlensystems.
Besonders geeignet ist dabei ein Optimierungsverfahren, das als SQP (Sequential Quadratic Programming) -Verfahren ausge¬ führt ist. Dieses Verfahren eignet sich besonders gut zum Einsatz in Industrieanlagen, also insbesondere auch bei Müh- lensystemen. Letztere weisen nämlich ein nichtlineares Verhalten auf, sodass sich ein SQP-Verfahren besonders gut eig¬ net. Es ist günstiger als ein lineares Optimierungsverfahren.
Weiterhin kommt als Zielgröße des Optimierungsverfahrens ins- besondere eine innerhalb des Mühlensystems vorliegende Korn¬ größe oder Korngrößenverteilung des zu mahlenden Materials oder ein Beladungszustand des Mühlensystems in Betracht.
Vorteilhafterweise werden als Nebenbedingungen physikalische, technologische oder prozessbedingte Grenzen vorgegeben. Da¬ durch wird verhindert, dass für die Regelung Modellparameter herangezogen werden, die auf unsinnigen oder unmöglichen physikalischen, technologischen oder prozessbedingten Randbedingungen basieren. Die Berücksichtigung derartiger Nebenbedin- gungen führt zu einer Verbesserung des Regelungsverhaltens und auch zu einer besseren Produktqualität am Mühlenausgang.
Vorteilhafterweise wird die Korngrößenverteilung so bestimmt, dass mindestens zwei Teilbereiche mit verschiedenen Korngrö- ßen unterschieden werden. Es ist also mindestens ein Teilbe¬ reich für kleinere und ein zweiter Teilbereich für größere Korngrößen vorgesehen. Eine weitergehende Aufteilung in mehrere Teilbereiche ist grundsätzlich möglich. Dadurch wird die Abstufung des Regelungshaltens verfeinert. Je mehr Teilberei- che für die Korngrößen zur Bestimmung der Korngrößenverteilung vorgesehen werden, desto empfindlicher und genauer reagiert das Optimierungs- und Regelungsverfahren. Um einen mög¬ lichst großen Bereich an Korngrößen abzudecken, ist es außer- dem vorteilhaft, die Grenzen der Teilbereiche auf einer loga¬ rithmischen Skala festzulegen, sodass logarithmisch gleich große Teilbereiche resultieren.
Insbesondere kann als Modell außerdem ein datengetriebenes Modell, vorzugsweise ein neuronales Netz in vorgesehen wer¬ den. Dabei entsprechen die Modellparameter insbesondere den Netzgewichten und die Messwerte der Betriebsgröße (n) den Trainingswerten. Die Identifizierung und Adaption der Model1- parameter findet dann z.B. im Rahmen des Netztrainings statt. Ein auf einem neuronalen Netz basierendes Modell benötigt nur wenige, möglicherweise sogar überhaupt keine auf den physika¬ lischen Gegebenheiten des Mühlensystems beruhende Vorgaben. Die Bestimmung und Einstellung der Stell- oder Führungsgrößen des Mühlensystems kann auf Basis des aktualisierten neurona¬ len Netzes (= Modells) und insbesondere wieder mittels des bereits genannten auf mindestens eine vorgebbare Zielgröße ausgerichteten Optimierungsverfahrens, beispielsweise eines SQP-Verfahrens, durchgeführt werden. Alternativ kann diese Einstellung auch direkt mittels Modell-prädiktiver Regelung erfolgen .
Weitere Merkmale, Vorteile und Einzelheiten der Erfindung er¬ geben sich aus der nachfolgenden Beschreibung von Ausfüh- rungsbeispielen anhand der Zeichnung. Es zeigt:
FIG 1 ein Ausführungsbeispiel eines Mühlensystems mit ei¬ ner adaptiven Modell-prädiktiven Regelungseinheit, und FIG 2 ein Blockschaltbild der Regelungseinheit gemäß FIG 1 mit einem adaptiven Modell des Mühlensystems und einer Betriebsgrößenvorhersage sowie einer daraus abgeleiteten Optimierung von Modellparametern.
Einander entsprechende Teile sind in FIG 1 und 2 mit densel¬ ben Bezugszeichen versehen. In FIG 1 ist ein Ausführungsbeispiel eines Mühlensystems 1 gezeigt. Es handelt sich um eine Erzmühle, die als Kugelmühle oder als SAG-Mühle ausgebildet ist. Sie ist mit einer adapti¬ ven Modell-prädiktiven Regelungseinheit 2 beschaltet, die den Betrieb des Mühlensystems 1 steuert.
Als Hauptkomponenten umfasst das Mühlensystem 1 eine zentrale Mühleneinheit 3 mit einer Trommel 3a zum Mahlen des zugeführ¬ ten Erzmaterials und mit einem die Trommel 3a antreibenden insbesondere getriebelosen Motor 3b, eine von der zentralen Mühleneinheit 3 gespeisten Sumpfeinheit 4 sowie eine Hydro- zyklonen-Einheit 5. Die Sumpfeinheit 4 und die Hydrozyklonen- Einheit 5 sind mittels einer Hydrozyklonen-Zuflussleitung 6 miteinander verbunden. In der Hydrozyklonen-Einheit 5 findet eine Separierung in fein genug gemahlenes und in noch zu grob körniges Material statt. Das fein gemahlene Material gelangt in eine ausgangsseitige Ausflussleitung 7, die an eine nicht näher dargestellte dem Mühlensystem 1 nachgeschaltete Kompo¬ nente angeschlossen ist. Dagegen wird das grob körnige Mate- rial über eine Rückflussleitung 8 wieder einem Eingang 9 der zentralen Mühleneinheit 3 zugeführt.
Der Eingang 9 ist außerdem an Förderbänder 10 angeschlossen, mittels derer ungemahlenes Erzmaterial aus einem Erzvorrat 11 zugeführt wird. Anstelle der Förderbänder 10 kann auch ein anderes Zufuhraggregat vorgesehen sein. Weiterhin ist der Eingang 9 an einen Wasserzulauf 12 angeschlossen. Ein weiterer Wasserzulauf 13 ist an der Sumpfeinheit 4 vorgesehen.
Das Mühlensystem 1 enthält außerdem eine Vielzahl an Messwertaufnehmern, die Messwerte für verschiedene Betriebsgrößen B erfassen und mittels Messleitungen 14 der Regelungseinheit 2 zuführen. Im Ausführungsbeispiel sind ein Gewichtmesser 15 an den Förderbändern 10, ein Flussmesser 16 am Wasserzulauf 12, ein Leistungs- und Drehmomentmesser 17 am Motor 3b, ein
Gewichtmesser 18 zur Erfassung einer Beladung der Trommel 3a, ein Flussmesser 19 am Wasserzulauf 13, ein Niveaumesser 20 an der Sumpfeinheit 4, ein Korngrößenmesser 21, ein Flussmesser 22 und ein Druckmesser 23 jeweils an der Hydrozyklonen-Zu- flussleitung 6, ein Dichtemesser 24 an der Rückflussleitung i und ein Korngrößenmesser 25 an der Ausflussleitung 7 vorgesehen. Diese Aufzählung ist beispielhaft zu verstehen. Grund- sätzlich können noch weitere Messwertaufnehmer vorgesehen sein. Die jeweiligen Messungen erfolgen stets online und in Echtzeit, sodass in der Regelungseinheit 2 immer aktuelle Messwerte verfügbar sind.
Neben den Messwertaufnehmern hat das Mühlensystem 1 auch mehrere lokale Regler, die mittels Steuerleitungen 26 an die Re¬ gelungseinheit 2 angeschlossen sind. Im Einzelnen sind ein Gewichtregler 27 an den Förderbändern 10, ein Flussregler 28 am Wasserzulauf 12, ein (Dreh-) Geschwindigkeitsregler 29 am Motor 3b, ein Flussregler 30 am Wasserzulauf 13 und an der Hydrozyklonen-Zuflussleitung 6, ein Niveauregler 31 an der Sumpfeinheit 4 und ein Dichteregler 32 an der Rückflusslei¬ tung 8 vorgesehen.
Die genannten Messwertaufnehmer und lokalen Regler sind nur beispielhaft zu verstehen. Im Einzelfall können auch weitere derartige Komponenten vorgesehen sein. Beispielsweise können an den Förderbändern 10 zusätzliche Informationen über die Beschaffenheit des zugeführten ungemahlenen Erzmaterials bei- spielsweise mittels einer Lasermessung oder mittels einer Videoerfassung gewonnen werden. Ebenso ist aber auch eine Beschränkung auf nur einen Teil der im Ausführungsbeispiel ge¬ mäß FIG 1 gezeigten Messwertnehmer und lokalen Regler möglich .
Außerdem können weitere Betriebsgrößen, die einer direkten Messung nicht zugänglich sind, mittels sogenannter Softsenso- ren bestimmt werden. Dabei wird auf erfassbare primäre Be¬ triebsgrößen zurückgegriffen, aus deren Messwerten mittels eines Auswertealgorithmus ein aktueller Wert der eigentlich interessierenden sekundären Betriebsgröße bestimmt wird. Die hierzu verwendete Auswerte-Software kann auch ein neuronales Netz umfassen. In der Regelungseinheit 2 wird eine Einstellung für die ver¬ schiedenen Prozessparameter des Mühlensystems 1 so ermittelt, dass ein guter, gleichbleibender Durchsatz bei möglichst niedrigem Energieverbrauch und möglichst hoher Produktquali- tat resultiert. Eine hohe Produktqualität bedeutet eine be¬ stimmte, relativ geringe Korngröße des in der ausgangsseiti- gen Ausflussleitung 7 geführten gemahlenen Materials.
In FIG 2 ist ein Blockschaltbild der Regelungseinheit 2 mit ihren wesentlichen Komponenten gezeigt. Sie umfasst ein adaptives Gesamtmodell 33 des Mühlensystems 1, eine Prädiktions- Einheit 34, eine Vergleichs-Einheit 35, eine Parameter-Iden- tifizierungs- und Adaptionseinheit 36 sowie eine Optimie¬ rungseinheit 37. Diese Komponenten sind insbesondere als Software-Module realisiert.
Im Blockschaltbild gemäß FIG 2 ist stellvertretend für die Vielzahl der in FIG 1 wiedergegebenen Messwertaufnehmer eine Messeinheit 38 enthalten. Im Falle einer Ausgestaltung als Softsensor kann auch die Messeinheit 38 als Software-Modul und damit als integraler Bestandteil der Regelungseinheit 2 realisiert sein. Anderenfalls ist es jedoch ebenso möglich, dass es sich bei der Messeinheit 38 um physikalisch von der Regelungseinheit 2 getrennte Baugruppen handelt.
Im Folgenden wird die Funktionsweise der Regelungseinheit 2 näher beschrieben.
Eingangsseitig werden der Regelungseinheit 2 verschiedene Eingangsgrößen E zugeführt. Hierbei kann es sich um Messwerte, aber auch um andere Betriebsdaten handeln. Mögliche Eingangsdaten E sind das Erzgewicht, die Härte des zu mahlenden Erzmaterials, der Wasserzufluss an den Wasserzuläufen 12 und 13, der Materialrückfluss von der Hydrozyklonen-Einheit 5 zum Eingang 9 der zentralen Mühleneinheit 3, Korngrößenverteilungen an verschiedenen Stellen innerhalb des Mühlensystems 1 insbesondere in der Sumpfeinheit 4 oder in der ausgangsseiti- gen Ausflussleitung 7, Geometrie-Daten der zentralen Mühlen- einheit 3, die Geschwindigkeit, mit der die Förderbänder 10 das zu mahlende Material dem Eingang 9 zuführen, und eine Ge¬ schwindigkeit, mit der das Endprodukt, also das gemahlene Ma¬ terial, den nachfolgenden Komponenten zugeführt wird. Die Eingangsgrößen E können sich also auf Prozessparameter, auf das Design des Mühlensystems 1, vor allem der zentralen Mühleneinheit 3, oder auf das Material beziehen.
Ausgangsseitig stellt die Regelungseinheit 2 Ausgangsgrößen A zur Verfügung, die zur Steuerung des Prozessablaufs dienen.
Im Ausführungsbeispiel handelt es sich dabei um die Führungs¬ größen für die verschiedenen lokalen Regler gemäß FIG 1. Bei einem alternativen Ausführungsbeispiel stellt die Regelungs¬ einheit 2 ausgangsseitig Stellgrößen zur Verfügung, die un- mittelbar, also auch ohne Zwischenschaltung lokaler Regler, auf Stellglieder einwirken.
Das adaptive Modell 33 beschreibt das Mühlensystem 1 in sei¬ ner Gesamtheit. Es setzt sich im Ausführungsbeispiel aus ei- ner Kopplung mehrerer Submodelle zusammen. Die Submodelle be¬ schreiben die zentrale Mühleneinheit 3, die Sumpfeinheit 4 und die Hydrozyklonen-Einheit 5. Weitere Submodelle für ande¬ re Komponenten des Mühlensystems 1 können bei Bedarf ergänzt werden. Das Modell 33 lässt sich mittels Modellparameter P an die aktuell herrschenden Prozessbedingungen anpassen, wobei in der Parameter-Identifizierungs- und Adaptionseinheit 36 auch festgestellt wird, ob diese Anpassung mittels aller oder nur eines Teils der Modellparameter P erfolgt. Gegebenfalls wird also ein relevanter Teilsatz der Modellparameter P iden- tifiziert. Die so ausgewählten Modellparameter P eignen sich dann besonders gut zur Modell-Adaption.
Das Modell 33 beruht im Ausführungsbeispiel auf physikali¬ schen Vorgaben, die zumindest teilweise auch durch empirische Erfahrungswerte ergänzt werden können. Das Modell 33 und ins¬ besondere dessen Anpassung mittels der Modellparameter P werden in Echtzeit berechnet. Dies trägt dazu bei, dass keine nennenswerten Regel-Totzeiten entstehen. Auf Basis des aktuellen, d.h. für eine bestimmte Betriebspha¬ se geltenden, Modells 33 wird in der Prädiktions-Einheit 34 für eine oder mehrere Betriebsgröße (n) B ein Vorhersagewert Bv bestimmt. In der Vergleichs-Einheit 35 wird dieser Vorher- sagewert Bv mit einem Messwert BM der betreffenden Betriebs¬ größe B verglichen. Eine festgestellte Abweichung F wird der Parameter-Identifizierungs- und Adaptionseinheit 36 zur Er¬ mittlung eines verbesserten Satzes für die Modellparameter P zur Verfügung gestellt. Die so verbessert eingestellten Mo- dellparameter P werden dann zur Adaption des Modells 33 herangezogen. Das adaptierte Modell 33 wird anschließend zur Bestimmung der Ausgangsgrößen A und auch des Vorhersagewerts Bv für eine kommende Betriebsphase verwendet.
Da die Regelungseinheit 2 also auf einer Prognose des Wertes beruht, den die Betriebsgröße B zukünftig annehmen wird, ent¬ fallen Regel-Totzeiten weitgehend. Die Regelungseinheit 2 ist somit zum einen sehr stabil und reagiert zum anderen sehr rasch auf geänderte Prozessbedingungen.
Als Betriebsgröße B sind verschiedene Größen des Mühlensys¬ tems 1 vorstellbar, wie beispielsweise ein Durchfluss, eine Dichte, ein Gewicht, ein Druck, eine Leistung, ein Drehmo¬ ment, eine Geschwindigkeit, eine Körnigkeit oder auch eine Korngrößenverteilung. Hierbei handelt es sich insbesondere um einen Teil der Eingangsgrößen E. Vor allem die Korngrößenverteilung eignet sich besonders gut zur Bestimmung eines verbesserten Parametersatzes für die Modellparameter P.
In der Parameter-Identifizierungs- und Adaptionseinheit 36 kommt ein SQP-Optimierungsverfahren zum Einsatz, bei dem eine vorgebbare Zielfunktion unter Einhaltung von Nebenbedingungen minimiert und zur Bestimmung des verbesserten Parameter- (teil) satzes für die Modellparameter P verwendet wird. In der Parameter-Identifizierungs- und Adaptionseinheit 36 werden die Zielfunktionsminimierung und damit die Parameter-Adaption so vorgenommen, dass das adaptierte Modell 33 das vergangene Verhalten des Mühlensystems 3 möglichst gut nachbildet. Ein mit dem so adaptierten Modell 33 für die vergangene Betriebs¬ phase (= für mindestens einen vergangenen Zyklus) errechneter Wert BR der Betriebsgröße B würde sich minimal von dem er- fassten Messwert BM unterscheiden. Das Modell 33 beschreibt mit diesem adaptierten Parametersatz die Realität in der Vergangenheit optimal.
Als Zielfunktion kommt beispielsweise die Abweichung zwischen gemessener und berechneter Korngrößenverteilung in Frage. Mögliche Nebenbedingungen ergeben sich dann insbesondere aus einer Übergangsmatrix, deren Koeffizienten angeben, mit welcher Wahrscheinlichkeit ein Materialpartikel, der im aktuel¬ len Zyklus in einen bestimmten Teilbereich der Korngrößenverteilung fällt, nach dem kommenden Zyklus in einen bestimmten (anderen) Teilbereich der Korngrößenverteilung fällt. Die
Werte, die die Koeffizienten dieser Übergangsmatrix annehmen können, unterliegen gewissen, mathematisch oder physikalisch bedingten Beschränkungen. Es lassen sich Grenzen für die einzelnen Koeffizienten aber auch für Kombinationen, beispiels- weise für Summen von mehreren Koeffizienten angeben.
Ebenso kann als Zielfunktion aber auch die Abweichung zwischen gemessener und berechneter Dichte in der Rückflussleitung 8 definiert werden. Selbstverständlich kann zur SQP- Optimierung in der Parameter-Identifizierungs- und Adaptions¬ einheit 36 auch eine Kombination von mehreren Zielfunktionen herangezogen werden.
Das anhand der Vergangenheitsbetrachtung gewonnene adaptierte Modell 33 wird in einem weiteren Verfahrensschritt zur zu¬ künftigen Regelung, also zur Regelung im kommenden Zyklus eingesetzt. Dies erfolgt in der Optimierungseinheit 37. Es handelt sich um eine zweite Optimierung, für die insbesondere wiederum ein SQP-Optimierungsverfahren verwendet wird. Auch hier wird eine Zielgröße unter Einhaltung von Nebenbedingungen optimiert. Ziel ist nun insbesondere eine optimale Er¬ mittlung der Ausgangsgrößen A, also der Stell- oder Führungsgrößen der lokalen Regler, sodass beispielsweise eine vorge- gebene Korngrößenverteilung an einer bestimmten Stelle des Mühlensystems 3, insbesondere am Ausgang, erreicht wird. Die Zielgröße kann bei dieser zweiten Optimierung also insbesondere die Produktqualität sein. Als Nebenbedingungen kommen der Materialbedarf und der Energiebedarf in Frage.
Weitere denkbare Nebenbedingungen ergeben sich aus den physikalischen, technologischen oder prozessbedingten Grenzen. Sie können vorteilhafterweise direkt in den Optimierungsalgorith- mus mit eingespeist werden, sodass ein Stell- oder Führungs¬ größensatz, der zu einem instabilen Prozessablauf führen würde, von vornherein ausgeschlossen wird.
Gemäß einer verfahrensökonomisch begründeten Nebenbedingung kann z.B. verlangt sein, dass die Dichte in der Rückflusslei¬ tung 8 achtzig Prozent nicht übersteigt, da die Separations- Effizienz in der Hydrozyklonen-Einheit 5 andernfalls durch veränderte Rheologie deutlich sinkt. Weiterhin kann die Dreh¬ zahl der Trommel 3a beschränkt werden, um zu starke Flieh- kräfte zu vermeiden. Ebenso gibt es maximale und minimale
Werte für die Pumpleistungen bei der Frischwasserzufuhr und auch bei der Zufuhr des ungemahlenen Erzmaterials. Außerdem sind Grenzen für den maximalen Beladungszustand der Trommel 3a zu beachten.
Die Berücksichtigung von Nebenbedingungen trägt auch mit dazu bei, dass der eingestellte Betriebsmodus des Mühlensystems 1 mehreren Anforderungen gleichermaßen gerecht wird. Beispielsweise lassen sich auf diese Weise die Mühlengeschwindigkeit, die Frischwasserzufuhr in die zentrale Mühleneinheit 3 und in die Sumpfeinheit 4 sowie der Energieverbrauch optimieren, wobei zugleich der Durchsatz und die erzielte Produktqualität auf einem vorgegebenen Niveau gehalten werden.
Die vorstehenden Ausführungen wurden am Beispiel einer Erzmühle gemacht. Die beschriebenen Prinzipien und vorteilhaften Wirkungsweisen lassen sich aber ohne weiteres auch auf den Betrieb anderer Mühlentypen, wie beispielsweise Zementmühlen oder in der Pharmaindustrie eingesetzte Mühlen, übertragen.

Claims

Patentansprüche
1. Verfahren zum Betrieb eines Mühlensystems (1) wobei a) Modellparameter (P) eines Modells (33) des Mühlensystems (1) berechnet werden , b) auf Basis des mit den berechneten Modellparametern (P) aktualisierten Modells (33) für mindestens eine Betriebsgrö¬ ße (B) des Mühlensystems (1) ein Vorhersagewert (Bv) für eine aktuelle Betriebsphase ermittelt wird, c) Stell- oder Führungsgrößen (A) des Mühlensystems (1) auf¬ grund des aktualisierten Modells (33) eingestellt und wäh¬ rend der aktuellen Betriebsphase verwendet werden, d) ein Messwert (BM) der Betriebsgröße (B) während der aktu¬ ellen Betriebsphase ermittelt wird, e) eine Abweichung (F) zwischen dem Vorhersagewert (Bv) und dem Messwert (BM) bestimmt wird, f) die Modellparameter (P) auf Basis der Abweichung (F) ange- passt und zusammen mit dem Modell (33) zur Vorhersage der Betriebsgröße (B) sowie zur Einstellung der Stell- oder Führungsgrößen (A) für einen zukünftigen Betriebszustand verwendet werden.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Mühlensystem ( 1 ) mehrere Subeinheiten (3, 4, 5) umfasst, für jede Subeinheit (3, 4, 5) ein Submodell bestimmt wird, und das Modell (33) aus den Submodellen zusammengesetzt wird.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die Submodelle zumin¬ dest für die als eine zentrale Mühleneinheit (3) , eine Sumpf¬ einheit (4) und eine Hydrozyklonen-Einheit (5) ausgebildeten Subeinheiten des Mühlensystems (1) bestimmt werden.
4. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als die vorhergesagte und gemessene Betriebsgröße (B, Bv, BM) ein Durchfluss, eine Dichte, ein Gewicht, ein Druck, eine Leistung, ein Drehmo- ment, eine Geschwindigkeit oder eine Körnigkeit vorgesehen wird.
5. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als die vorhergesagte und gemessene Betriebsgröße (B, Bv, BM) eine Korngrößenver¬ teilung in einer Ausflussleitung (7) an einem Ausgang des Mühlensystems (1), in einer Sumpfeinheit (4) des Mühlensys¬ tems (1) oder in einer Rückflussleitung (8) zu einer Hydro- zyklonen-Einheit (5) des Mühlensystems (1) vorgesehen wird.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass die Korngrößenvertei¬ lung in Echtzeit erfasst wird.
7. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass zur Bestimmung der Korngrößenverteilung mindestens zwei Teilbereiche mit ver¬ schiedenen Korngrößen unterschieden werden.
8. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Anpassung der Mo¬ dellparameter (P) mittels eines auf mindestens eine vorgebba¬ re Zielfunktion ausgerichteten Optimierungsverfahrens durch- geführt wird, wobei in die Zielfunktion die Abweichung (F) zwischen dem Vorhersagewert (Bv) und dem Messwert (BM) mit einfließt .
9. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Einstellung der Stell- oder Führungsgrößen (A) mittels eines auf mindestens eine vorgebbare Zielgröße ausgerichteten Optimierungsverfahrens durchgeführt wird, wobei bei dem Optimierungsverfahren Nebenbedingungen mit berücksichtigt werden.
10 . Verfahren nach Anspruch 8 oder 9 , d a d u r c h g e k e n n z e i c h n e t , das s al s Opt imierungsver¬ fahren ein SQP-Verf ahren vorgesehen wird .
11. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass als Zielgröße eine in¬ nerhalb des Mühlensystems (1) vorliegende Korngröße oder Korngrößenverteilung des zu mahlenden Materials oder ein Be- ladungszustand des Mühlensystems (1) vorgesehen wird.
12. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass als Nebenbedingungen physikalische, technologische oder prozessbedingte Grenzen vorgesehen werden.
13. Verfahren nach Anspruch 1, dadurch gekennz ei chnet , dass als Modell (33) ein datengetriebenes Modell vorgesehen wird.
14. Verfahren nach Anspruch 13, dadurch gekennz ei chnet , dass als datengetriebenes Modell ein neuronales Netz vorgesehen wird.
PCT/EP2007/052494 2006-04-26 2007-03-16 Verfahren zum betrieb eines mühlensystems Ceased WO2007124981A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102006019417.9 2006-04-26
DE200610019417 DE102006019417A1 (de) 2006-04-26 2006-04-26 Verfahren zum Betrieb eines Mühlensystems

Publications (1)

Publication Number Publication Date
WO2007124981A1 true WO2007124981A1 (de) 2007-11-08

Family

ID=38137851

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2007/052494 Ceased WO2007124981A1 (de) 2006-04-26 2007-03-16 Verfahren zum betrieb eines mühlensystems

Country Status (2)

Country Link
DE (1) DE102006019417A1 (de)
WO (1) WO2007124981A1 (de)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101244403B (zh) * 2008-03-17 2011-07-20 西安艾贝尔科技发展有限公司 一种磨矿分级过程优化控制方法
WO2012028384A1 (de) 2010-09-02 2012-03-08 Siemens Aktiengesellschaft Verfahren zur steuerung eines mühlensystems mit zumindest einer mühle, insbesondere einer erzmühle oder zementmühle
WO2012072315A3 (de) * 2010-11-30 2012-07-26 Siemens Aktiengesellschaft Betriebsverfahren einer mühle mit kontinuierlichen ein- und ausgabe -massenströmen sowie dazu geeignete mühle
IT201800010468A1 (it) * 2018-11-20 2020-05-20 Aixprocess Gmbh Metodo e dispositivo per controllare un processo all'interno di un sistema, in particolare un processo di combustione all'interno di una centrale elettrica
EP4268963A1 (de) * 2022-04-26 2023-11-01 Siemens Aktiengesellschaft Verfahren und anordnung zur grosstechnischen herstellung einer suspension für eine batterie
GB2619744A (en) * 2022-06-15 2023-12-20 Intellisense Io Ltd System and method for continuous optimization of mineral processing operations
CN119076188A (zh) * 2024-08-30 2024-12-06 京华日钢(日照)信息技术有限公司 一种立磨饱磨状态的识别与控制方法及装置

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008040095A1 (de) * 2008-07-02 2010-01-07 Bühler AG Regelsystem für Getreide-Verarbeitungsanlage
DE102008047418A1 (de) * 2008-09-16 2010-04-08 Siemens Aktiengesellschaft Online-Systemidentifikation und Online-Systemsteuerung
DE102010012620A1 (de) 2010-03-24 2011-09-29 Siemens Aktiengesellschaft Verfahren zum Betrieb einer Mühle
EP3456417A1 (de) * 2017-09-18 2019-03-20 ABB Schweiz AG Verfahren zum betrieb eines zerkleinerungskreises und zugehöriger zerkleinerungskreis
CN112317110A (zh) * 2020-09-27 2021-02-05 鞍钢集团矿业有限公司 基于深度学习的磨矿粒度预测系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050154477A1 (en) * 1996-05-06 2005-07-14 Martin Gregory D. Kiln control and upset recovery using a model predictive control in series with forward chaining

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19629703A1 (de) * 1996-07-24 1998-01-29 Schenck Process Gmbh Verfahren zur Steuerung eines Mühlensystems
DE19922449B4 (de) * 1999-05-11 2010-01-21 Bartsch, Thomas, Dr.-Ing. Verfahren zur Durchsatzregelung einer Mahlanlage
DE19931181B4 (de) * 1999-07-07 2004-12-09 Bühler AG Verfahren und Vorrichtung zur Optimierung der Prozessführung sowie Prozessüberwachung in einer Anlage zur Schokoladeherstellung

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050154477A1 (en) * 1996-05-06 2005-07-14 Martin Gregory D. Kiln control and upset recovery using a model predictive control in series with forward chaining

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
K.SANKAR, P. KALE, R.A. SOMANI, R. SOMANI: "Online-Steuerung und Optimierung des Mahlvorgangs in Kugelmühlen", ZKG INTERNATIONAL, vol. 55, no. 11/2002, 2002, pages 92 - 99, XP002438577 *
M. RAMASAMY, S.S. NARAYANAN, CH.D.P. RAO: "Controll of ball mill grinding circuit using model predictive control scheme", JOURNAL PF PROCESS CONTROL, vol. 15, no. 3, April 2005 (2005-04-01), pages 273 - 283, XP002438578 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101244403B (zh) * 2008-03-17 2011-07-20 西安艾贝尔科技发展有限公司 一种磨矿分级过程优化控制方法
WO2012028384A1 (de) 2010-09-02 2012-03-08 Siemens Aktiengesellschaft Verfahren zur steuerung eines mühlensystems mit zumindest einer mühle, insbesondere einer erzmühle oder zementmühle
CN103068489A (zh) * 2010-09-02 2013-04-24 西门子公司 对具有至少一台磨机尤其矿磨机或者水泥磨机的磨机系统进行控制的方法
CN103068489B (zh) * 2010-09-02 2014-10-15 西门子公司 对具有至少一台磨机尤其矿磨机或者水泥磨机的磨机系统进行控制的方法
WO2012072315A3 (de) * 2010-11-30 2012-07-26 Siemens Aktiengesellschaft Betriebsverfahren einer mühle mit kontinuierlichen ein- und ausgabe -massenströmen sowie dazu geeignete mühle
AU2011335385B2 (en) * 2010-11-30 2014-10-30 Siemens Aktiengesellschaft Method for the operation of a mill at continuous input and output mass flows
DE102010062204B4 (de) * 2010-11-30 2015-06-18 Siemens Aktiengesellschaft Nutzung von Temperaturmessungen zur indirekten Messung von Prozessvariablen in Mahlanlagen
US9486809B2 (en) 2010-11-30 2016-11-08 Siemens Aktiengesellschaft Use of temperature measurements for indirect measurement of process variables in milling systems
IT201800010468A1 (it) * 2018-11-20 2020-05-20 Aixprocess Gmbh Metodo e dispositivo per controllare un processo all'interno di un sistema, in particolare un processo di combustione all'interno di una centrale elettrica
WO2020104255A1 (de) * 2018-11-20 2020-05-28 Aixprocess Gmbh Verfahren und vorrichtung zur regelung eines prozesses innerhalb eines systems, insbesondere eines verbrennungsprozesses innerhalb eines kraftwerks
CN113167473A (zh) * 2018-11-20 2021-07-23 Aix制程有限公司 用于调控系统内过程、特别是发电站内燃烧过程的方法和装置
CN113167473B (zh) * 2018-11-20 2024-05-28 Aix制程有限公司 一种对系统内燃烧过程进行调控的方法及装置
US12031717B2 (en) 2018-11-20 2024-07-09 Aixprocess Gmbh Method and device for regulating a process within a system, in particular a combustion process in a power station
EP4268963A1 (de) * 2022-04-26 2023-11-01 Siemens Aktiengesellschaft Verfahren und anordnung zur grosstechnischen herstellung einer suspension für eine batterie
US12311379B2 (en) 2022-04-26 2025-05-27 Siemens Aktiengesellschaft Method and arrangement for industrial scale production of a suspension for a battery
GB2619744A (en) * 2022-06-15 2023-12-20 Intellisense Io Ltd System and method for continuous optimization of mineral processing operations
WO2023242752A1 (en) * 2022-06-15 2023-12-21 Intellisense.Io System and method for continuous optimization of mineral processing operations
GB2619744B (en) * 2022-06-15 2024-09-18 Intellisense Io Ltd System and method for continuous optimization of mineral processing operations
CN119076188A (zh) * 2024-08-30 2024-12-06 京华日钢(日照)信息技术有限公司 一种立磨饱磨状态的识别与控制方法及装置

Also Published As

Publication number Publication date
DE102006019417A1 (de) 2007-11-15

Similar Documents

Publication Publication Date Title
WO2007124981A1 (de) Verfahren zum betrieb eines mühlensystems
DE102016011532B4 (de) Maschinenlernvorrichtung und Maschinenlernverfahren zum Optimieren der Häufigkeit einer Werkzeugkorrektur einer Werkzeugmaschine und Werkzeugmaschine mit der Maschinenlernvorrichtung
DE102016117773B4 (de) Werkzeugmaschine, die eine optimale Beschleunigung/Verlangsamung erzeugt, Simulationsvorrichtung und Maschinenlernvorrichtung
DE102018004048B4 (de) Steuerung und Maschinenlernvorrichtung
DE102016011402A1 (de) Maschinelles Lernverfahren und maschinelle Lernvorrichtung zum Einlernen von Betriebsbefehlen für einen Elektromotor und Werkzeugmaschine mit maschineller Lernvorrichtung
DE102019003601A1 (de) Vorrichtung zur Lebensdauervorhersage und Vorrichtung für maschinelles Lernen
DE102018108778B4 (de) Beschleunigungs- und verzögerungssteuereinheit, maschinenlernvorrichtung und maschinenlernverfahren
WO2012028384A1 (de) Verfahren zur steuerung eines mühlensystems mit zumindest einer mühle, insbesondere einer erzmühle oder zementmühle
DE102018004330B4 (de) Steuerung und maschinelle Lernvorrichtung
DE102019102250A1 (de) Vorhersagen der Abnutzung des Polierwerkzeugs, Maschinenlernvorrichtung und System
DE4325187A1 (de) Verfahren zur Steuerung einer Walzenmühle sowie eine Steuerung zur Ausführung des Verfahrens
Lestage et al. Constrained real-time optimization of a grinding circuit using steady-state linear programming supervisory control
DE102018000342A1 (de) Numerische steuerung und maschinelle lernvorrichtung
DE102016009106A1 (de) Mit Steuerung ausgerüstete Bearbeitungsvorrichtung mit Bearbeitungszeit- Messfunktion und Messfunktion auf der Maschine
DE102018126429A1 (de) Bearbeitungsbedingungsanpassungsvorrichtung und Maschinenlernvorrichtung
WO2016038705A1 (ja) 圧延シミュレーション装置
DE102019001783A1 (de) Steuerung, maschinelle lernvorrichtung und system
DE112011101443T5 (de) Servoregler
DE102019001177B4 (de) Steuergerät, maschinelle Lernvorrichtung und System
DE102019001044A1 (de) Steuervorrichtung und maschinelle lernvorrichtung
Atta et al. Control oriented modeling of flow and size distribution in cone crushers
Chen et al. Supervisory expert control for ball mill grinding circuits
DE102019106939A1 (de) Bearbeitungszustandsanpassungsvorrichtung und maschinenlernvorrichtung
DE102019104922A1 (de) Kollisionspositionsschätzvorrichtung und maschinenlernvorrichtung
EP1055180B1 (de) Verfahren und anordnung zum entwurf eines technischen systems

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 07712536

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 07712536

Country of ref document: EP

Kind code of ref document: A1