基于EDEM与BP神经网络的平-摆筛参数化研究.pdf

:132doi:10.3969/j.issn.1671-9492.2024.01.015基于EDEM与 BP神经网络的平-摆筛参数化研究有色金属（选矿部分）2024年第1期张晋霞，王研1，牛福生1,石（1.华北理工大学矿业工程学院，河北唐山0 6 3 2 10；2.开滦（集团）有限责任公司，河北唐山0 6 3 0 18；3.中煤科工集团唐山研究院有限公司，河北唐山0 6 3 0 0 0)伟，丁卫清，聂志恒”，张红梅1摘要：为直观分析振动参数与料体分层效果复杂映射关系及筛分过程物料松散规律，以便振动筛参数化研究的开展。首先以振动筛简化后三维模型导人EDEM软件，利用正交试验法进行设计，并将试验方案中对应筛机参数分别导入EDEM中。基于平动与摆动双运行模式振动筛，提出以分层沉降比的定义对料体分层效果进行表征，以离散元软件分析振动筛的振幅、振动频率、振动方向角和摆动频率四个参数对分层效果的影响，将获得的仿真数据导人BP神经网络进行深度学习。采用集成学习的训练集对训练好的模型进行筛机参数影响权重的分析，得出振动频率、振动幅度，振动方向角和摆动频率和对分层效果有较大影响，故以这四种参数组合表征振动筛运行状态，对不同参数组合对应筛分效率进行分析。振动频率与振动幅度增加，可以增大筛面的振动强度，不仅加速物料松散速率，优化物料的分层效果，又可以改善物料的堵筛情况，但振动强度过大时，物料跃迁时间过长，使得物料与筛面接触时间变短，分层效果下降；随着振动方向角的增加可以加速物料的铺展速率，但角度过大时，会降低物料与筛面的碰撞概率，弱化物料的分层效果，从而影响筛分效果。当振幅为3.6 mm、振频为18.3Hz、振动方向角为3 9.1摆动频率为13.8 Hz时，振动筛的分层沉降比为0.7 7.分层效果最优，此时的分层构型最便于筛分的进行，此研究对平动与摆动双运行模式的振动筛优化设计具有一定指导意义。关键词：振动筛；振动参数；离散元；分层效果；BP神经网络中图分类号：TD452；T P7 51文献标志码：A文章编号：16 7 1-9492(2 0 2 4)0 1-0 13 2-11Research on Flat-Pendulum Sieve Parameterization Based on EDEM and BP Neural NetworkZHANG Jinxia,WANG Yan,NIU Fusheng,SHI Wei?,DING Weiqing,NIE Zhiheng,ZHANG Hongmeil(1.College of Mining Engineering,North China University of Science and Technology,Tangshan 063210,Hebei,China;2.Kailuan（G r o u p)Co.,L t d.,T a n g s h a n 0 6 3 0 18,H e b e i,Ch i n a;3.CCTEG Tangshan Research Institute Co.,Ltd.,Tangshan 063000,Hebei,China)Abstract:In order to intuitively analyze the complex mapping relationship between vibrationparameters and material body layering effect and the loose law of materials in the screening process,so as tocarry out the research on vibrating screen parameterization.Firstly,the 3D model of the simplified vibratingscreen is imported into the EDEM software,the orthogonal test method is used to design the test,and thecorresponding sieve machine parameters in the test scheme are imported into EDEM respectively.Based onthe translational and swinging dual operation mode vibrating screen,the layering effect of the material bodyby the definition of layered settlement ratio is proposed to characterize,and the influence of the fourparameters of amplitude,vibration frequency,vibration direction angle and swing frequency on thelayering effect of the vibrating screen is analyzed by discrete element software,and the simulation data intothe BP neural network is imported for deep learning.The training set of ensemble learning was used toanalyze the weight of the influence of sieve machine parameters on the trained model,and the vibration收稿日期：2 0 2 3-0 6-12基金项目：中央引导地方科技发展资金项目（2 2 6 Z4104G）；河北省高等学校科学技术研究项目（ZD2022128）作者简介：张晋霞（197 9一），女，山西晋城人，博士，教授，硕士生导师，主要从事选矿药剂及筛分工艺研究。通信作者：主研（1997 一），男，安徽宿州人，硕士研究生，主要从事选矿工艺与设备研究。2024年第1期frequency,vibration amplitude,vibration direction angle and swing frequency had a great impact on thelayering effect,so the four parameter combinations were used to characterize the vibrating screen operatingstate,and the corresponding screening efficiency of different parameter combinations was analyzed.Theincrease of vibration frequency and vibration amplitude can increase the vibration intensity of the sievesurface,which not only accelerates the loosening rate of the material,optimizes the layering effect of thematerial,but also improves the blocking of the material,but when the vibration intensity is too large,thematerial transition time is too long,so that the contact time between the material and the sieve surfacebecomes shorter,and the layering effect decreases.With the increase of the vibration direction angle,thespreading rate of the material can be accelerated,but when the angle is too large,it will reduce thecollision probability between the material and the sieve surface,weaken the layering effect of the material,and thus affect the screening effect.When the amplitude is 3.6 mm,the vibration frequency is 18.3 Hz,the vibration direction angle is 39.1,and the swing frequency is 13.8 Hz,the layered sedimentation ratioof the vibrating screen is O.77,and the layering effect is the best,and the layered configuration at this timeis the most convenient for screening,which has certain guiding significance for the optimal design of thevibrating screen in translation and swing dual operation modes.Key words:vibrating screen;vibration parameters;discrete elements;layering effect;BP neuralnetwork振动筛是工业中最常见的散体物料按照粒径分级设备，应用广泛，例如在矿产资源加工、垃圾回收利用和农产品加工处理等领域 1-2 。振动筛对于筛分散体物料作业的生产速率与产品质量有着至关重要的作用，振动筛因其组成简单、运行稳定，成为最受欢迎与使用的分级设备。近来，数值模拟运算结合筛分机理广泛应用于筛机参数优化，获得显著成果 3-51。EDEM作为筛分模拟软件功能最丰富，兼容性最广泛，不仅可以对模拟离散体之间的接触碰撞过程进行定义，还能对每个离散单元完成跟踪研究，将离散单元行为进行积分以达到对整个系统的运动情况的客观描述 6 。目前，许多研究者开展了对振动筛分层效果的研究工作，主要以筛分机理的理论研究与筛分过程中的仿真结果进行有机结合，从而达到相互验证，以便进一步完善筛分机理，对振动筛参数设计优化提出合理建议。肖建章等7 通过结合仿真模拟，分析了细粒物占比、筛面运动参数和振动强度和筛分时间对料体群分层的影响，从微观角度分析了筛机结构参数与振动参数与筛分料体分层的关系，奠定了筛分物料分层的概念基础。张恩来等L8通过对料体群进行分区定义，丰富了料体物料的筛分模型，以分层后小粒径物料占比为依据，定性分析了振动筛振动参数对分层效果的影响关系。王中营等 9基于离散元软件PFC3D完成颗粒筛分过程仿真分析，通过改变筛面与筛体参数进行了多角度分析颗粒运动行张晋霞等：基于EDEM与BP神经网络的平-摆筛参数化研究1仿真模型的建立EDEM为筛分仿真中经常用到的用于对料体受力分析及运动的离散元软件，为探究不同粒级的料体在筛面上的松散及分层现象，分析筛机与不同参数组合下的分层效果，故将筛机的简化模型导出Solid works建模软件时为 stl文件，并导人EDEM软件进行数值计算，如图1所示。经多次仿真分析后发现，由于散体物料的数量较多，现场筛机是穴余部件较多，故综合考虑计算机的处理精度与计算速度，将筛机简化为如图2 所示的简易模型，仅保留筛机的入料口、筛面和筛体三部:133为的研究，总结筛分现象分析筛分参数与筛分效果之间的影响规律，所获得的结论对现场生产实践具有一定的指导意义 10。多数对于振动筛分层效果与参数关系影响多为单因素分析，而振动筛各参数之间与分层效果呈现出复杂非线性关系，与多种参数交互影响相比，单因素参数分析对于指导现场试验意义不大。故本文采用基于平动与摆动双运行模式振动筛，采用正交试验法对振幅、振频、振动方向角和振动频率四个影响料体分层显著参数进行多组试验设计，以离散元软件EDEM为载体进行筛分试验，通过BP神经网络算法进行数据分析，寻找高效分层效果对应的振动参数组合范围，从而为振动筛的参数优化设计提供依据1。:134:图1EDEM软件中振动筛简化模型筛分分层过程Fig.1Vibrating screens in EDEM software simplifythe model screening and layering process颗粒工厂筛下物收集箱图2 EDEM软件中振动筛简化模型Fig.2Simplified model of vibrating screen inEDEM software分，其中筛箱尺寸为2 8 0 mmX680mm，筛面材料选用3 0 4不锈钢，筛孔尺寸为边长3 mm方形筛孔。筛分进行时，物料开始从颗粒工厂产生，筛面开始以一定振动强度运动，物料群在筛面运动方向角的施加有色金属（选矿部分）下变得松散，粗粒级料体与细粒级料体开始分层。为使得筛分过程与现场吻合，将EDEM软件中建立一个颗粒工厂以取代人料口，分别采用平均直径为2 mm与3 mm双峰正态分布生产物料，设定物料总量为0.6 kg，给料速率为0.1kg/s，为保证颗粒工厂颗粒生成质量，避免生成颗粒多次失败，设置单个颗粒尝试生成次数为2 0 次，总模拟时长为6 s，筛t=0.1s机的振动参数可在EDEM软件中对筛面施加正弦周期强度的往复运动与摆动的实现。通过查找相关资料得到仿真中使用各物料材料属性如表1所示，碰撞特性如表2 所示。表1材料属性Table 11Material properties参数泊松比颗粒0.30筛网0.29t=0.4s表2 碰撞特性Table2Collision characteristics参数弹性恢复系数颗粒与颗粒0.1颗粒与筛网0.22分层效果评价t=0.7.s2.1分层构型当不同粒级散体混合物料进行筛分时，料体进人筛箱接触筛面后，料体通过筛面的振动相撞获得能量，能量的获得使得料体运行状态发生变化，产生一种类似流体运动的特征，大粒径料体由于惯性作用开始上浮，小粒径料体能量较快消耗归于低动态t=1 s范围运动，开始相对下沉，这就是散体物料中常见的巴西果效应 12 。而对于多粒径散体混合物料系统下，当垂直方向下收到连续振动激励时，随振动条件的不同会出现不同的分层效果结构。1)巴西果分层构型筛面巴西果分层为筛分中最理想的分层效果结构，如图3(a)所示。当多种粒级的混合散体物料接触筛面发生碰撞，获得振动能量后，粗粒级料体开始向上筛上物收集箱2024年第1期剪切模量/MPa密度/(kgm-3)23267879.927850静摩擦因数滚动摩擦因数0.5450.010.50.01运动，细粒级料体相对向下运动，最终形成料体分层行为，获得较优分层现象。这为最适合筛分的分层现象，最小粒径料体最接近筛面，获得最大透筛率，当最小粒径透筛完成后，次小粒径料体开始透筛，这也遵循振动筛筛分粒级的重要原理。2)三明治分层构型 13 三明治分层结构为另一种分层结构，如图3（b)所示。当振动参数进行调整，可以形成细粒级颗粒料层顶层2024年第1期分布于两端，粗粒级颗粒包裹于其中，因其特殊分层特点被称为三明治分层构型。3)反巴西果分层构型 14反巴西果分层为筛分中最差的分层效果结构，如图3(c)所示。当多种粒级的混合散体物料接触筛面发生碰撞，获得振动能量后，粗粒级料体开始向下运动，细粒级料体相对向上运动，获得最不利于筛分的构型分布。这是筛分中最不想遇到的分层结构，筛分进行时大粒径料体不断下沉，堵住筛孔，小颗粒分布于上层结构，无法透过大颗粒到达筛面，完成透筛，导致筛分行为无法充分进行，故现场筛分时要避免此种构型发生，影响筛分结果。颗粒运动方向(a)巴西果分层结构颗粒运动方向颗粒运动方向(b)三明治分层构型颗粒运动方向颗粒运动方向(c)反巴西果分层构型图3 不同筛分状态下的分层构型Fig.3 Stratified configurations in differentsieving states上述三种分层结构都为理想效果下的分层效果，实际筛分如图3 所示。实际筛分为多种分层结构的混合构型。多种粒级的散体物料并非完全按照理想状态分层，其料体并非按照理论模式下整齐排列。故为确定料体群物料分层情况，基于统计学研张晋霞等：基于EDEM与BP神经网络的平-摆筛参数化研究颗粒运动方向料层底层图41EDEM中振动筛筛分料层选取模型过程Fig.4 Model selection process of vibrating screenscreening and distribution layer in EDEM分层沉降比作为散体物料运移过程的中间特征量，根据其分层结构类型的特征，赋予其全新的定义，以对筛分中不同粒级料体群分层效果优劣进行评价。分层沉降系数比T定义为所在料体层中细颗粒距离筛面的平均距离与所有料体距离料体底层的平均距离之比 16 ,其公式如式(1)所示。TH,-HH-H式中，H，为细粒料体距离筛面平均高度，mm；H为底层料体距离筛面高度,mm;H为所有颗粒距离筛面的平均高度，mm。鉴于筛分过程进行时，料体群处于动态运动过程，仿真中对筛面施加周期性平动与摆动，故通过选取7 个平均分布的时间监测点，将一个周期的筛分时间平均分成6 段，以这六个时间点的料体群分离情况及分层沉降比S,作为筛分分层效果的表征参数,最后以平均值S作为样本值，其计算过程如式(2)、(3)所示。92s,S=1(j=1,2,6)6:135究料体颗粒分布概率，以数值范围对分层效果做出表征。2.2分层沉降比的定义料体群在筛分过程中一般按照粒径进行分层 15，因此，筛分中不同粒径的散体物料运移速率对筛分效果影响十分显著。料体分层范围的选取对于判断分层效果具有关键作用，以筛上物料作为研究目标样本，而样本的选择须具有表征性。由于筛分过程是一个分层的行为过程，靠近筛面端的细粒料体为分层结果区域，缺乏代表性；而远离筛面端的料体区域因经常出现细微颗粒漂浮，该区域料体物料不具代表性，故也排除分层取样范围。而选取样本时要考虑样本容量问题，故将料体区域的15%85%作为样本区间参与计算，这样所得振动参数与分层效果更具实际意义，其料层选取模型如图4所示。筛面(1)(（2):136:Hj-HS,=X100%H,-H一般来说，当对多粒级复杂散体物料进行筛分时，分层沉降比随粒径的增加而上升，表明分层效果较好，属于巴西果分层构型；而分层沉降比随粒径的增加而下降时，分层效果较差，反巴西果便为其极限效果。3试验设计与仿真分析3.1试验设计本文以振动筛振动频率、振动幅度、振动方向角Table 3 The stratified sedimentation ratio corresponding to the vibrating parameters of the vibrating screen序号方向角/）振幅/mm振频/Hz摆动频率/Hz分层沉降比1352303454505556607408309501050113512451335144515401650173018351945206021452235234524452535264527352840295030553160323033353.2仿真趋势变化分析振动筛的分层效果是由振动频率、振幅、方向角和摆动频率四个参数之间不同水平下组合而获得的结果，筛分过程中随着振动参数增大，分层沉降比都呈现先减小后逐渐增大的变化趋势，当分层沉降比数值最小时，料体群分层效果最优，其分层构型最便有色金属（选矿部分）和摆动频率四个因素为参数变量，使用离散元软件(3)EDEM进行仿真分析。为使得仿真试验所得数据具有合理性，以及四个参数之间交互影响结果，对每个因素定为7 水平，进行正交试验。每个因素定为水平如下：振动频率选用10、13、16、19、2 2、2 5、2 8 Hz，振动幅度选用1.5、2、2.5、3、3.5、4、4.5mm，振动方向角选用3 0 3 540 4550、55、6 0，摆动频率选用5、10、15、2 0、2 5、3 0、3 5Hz。并将各组振动参数输人EDEM中进行仿真模拟，进行各因素在不同水平下筛分，所得部分参数组合及分层沉降比如表3 所示。表3 振动筛振动参数对应的分层沉降比序号方向角/（）振幅/mm振频/Hz摆动频率/Hz分层沉降比1.5103.5191.5101.5101.5101.5103192.5192.5163133163193.5223.5252.5192.5194224224.5164.5192132132162192283.5193.5193.5193.5193.5193.519.4221.5102024年第1期51.15150.8951.1651.1851.2151.23300.96300.98101.00151.01200.97200.93251.00251.04300.95301.00301.01351.02150.92150.97200.99151.07151.06151.02201.11150.87150.84150.79150.92151.01151.04301.0551.153435363738394041424344454647484950515253545556575859606162636465于筛分的高效进行。当其他运动参数为相同参数（振动方向角3 0 振动幅值4mm，摆动频率3 0 Hz）时，当振动频率为16 Hz时，分层沉降比为1.0 7；当提升振动频率为19Hz时，物料松散速率明显加快，分层沉降比降低为1.0 3；而继续提高振动频率，物料空间停滞时间过长，触筛时间变短，分层效果变差，3030304040404035354040354540454540404050556030553545354540453030444.544.5322.52.52.52.52.5333333444422.54444.51.523.542816161919191928131916161616161919131325252513162813131610101925303030151515152020151520253025252525353535355103030353551515301.121.071.080.810.850.830.870.990.940.810.850.901.04.0.990.950.920.890.981.031.061.081.091.051.021.071.051.031.021.121.010.911.082024年第1期分层沉降比上升为1.0 6。可知，振动频率对料体群分层的重要影响。振动幅值对料体群分层效果的影响也极为显著，当其他运动参数为相同参数（振动方向角40 振动频率19Hz、摆动频率15Hz)时，当振动幅值为3 mm时，分层沉降比为0.8 1，筛面振动强度较低，物料运动跃动空间较小；当振动幅值为3.5mm时，分层沉降比为0.7 9，物料振动后粒级分层明显；当振动幅值为4mm时，分层沉降比下降为0.82，物料振动强度过大，细物料还未完成分层就被物料群裹挟进入筛上物收集箱，导致分层过程不充分。振动方向角主要通过控制物料跃动方向与触筛角度影响料体群松散分层进行，当其他运动参数为相同参数（振动幅值3.5mm、振动频率19 Hz、摆动频率15Hz)时，当振动方向角为3 0 时，分层沉降比为0.8 9；当提高振动方向角为40 时，分层沉降比下降到0.7 9，物料颗粒分级效果较优；继续提高振动方向角为50 时，物料跃动加剧，导致大量料体触筛时间变少 16 ，分层沉降比上升为0.92。摆动频率通过筛面摆动赋予料体横向动能，使其筛分过程中拥有足够分层的运动状态，当其他运动参数为相同参数（振动幅值3.5mm、振动频率19Hz、振动方向角40）时，当摆动频率为10 Hz时，分层沉降比为0.8 3；当摆动频率为15Hz时，料体群运动速度适中，分层效果较优，分层沉降比为0.7 9；当摆动频率为2 0 Hz时，料体群运动过于剧烈，存在料体飞溅现象，不利于分层发生，分层沉降比上升为0.8 4。4BP神经网络模型寻优本文以构建BP神经网络为基础，不断利用筛分数据作为样本进行迭代训练，连续完善检验样本的模型，以实现对不同参数组合下振动筛的分层效果的精准预测与优化。4.1神经网络模型建立BP神经网络为一种类似人脑且具有自发性可自主进行的多节点反馈式双向传递信息误差的分析方式，其结构共由输入层、隐含层、输出层组成。一般将输人参数变量的结构定义为输人层；将进行信息提取过程的结构区间定义为隐含层；将网络结构与输入参数相联系并最终输出结果的区间定义为输出层。在对平-摆式振动筛振动参数分层效果预测时，选择合适的输入层参数、隐含层节点数和适当的权重分析处理对最终结果分析具有重要影响。由于振动频率、振动幅度、振动方向角和摆动频率这四个因素对分层效果影响较大，故决定以这张晋霞等：基于EDEM与BP神经网络的平-摆筛参数化研究隐含层图5BP神经网络模型Fig,5 BP neural network model其中，输入层可用向量X表示，即X=（x 1，X2，X3，x 4）；隐含层的加权系数可用向量W表示，即W=（w 1，W 2，,w i,，w。）T,通过对输人层数据的加权计算后，按照公式（5）计算得到输入加权和；f为映射函数，将输入层的数据通过某种映射关系，映射到输出层，输出层向量为Y=（y 1）19,其计算公式（6）:137四个因素作为网络的输人参数。但在分析计算之前由于不同参数单位不同，变化速率差别较大，故需要对不同参数进行归一化处理，分析其变化对分层效果的影响显著程度。最后，将归一化后的参数模型于网络中进行分析，不断训练、修正和记忆储存 17。隐含层为神经网络中最重要的结构组成，不仅连接输入层对输入参数变量进行分析处理。还决定分析节点的设置，承担对于输出层的传递效果，以实现对分层效果复杂的非线性映射关系的映照。其结构可以由单层结构，也可以由多层结构组成，本文利用Sigmoid型函数作为隐含层的传递函数，以实现对于复杂参数于分层效果的非线性映射关系。经过多次论证分析，本次试验采用的BP神经网络包含一个隐含层即可实现，隐含层的节点个数用经验公式 18 (4)计算为9个。n=2+1式中，n为神经网络中隐含层的节点个数；为输人层节点个数。经过对此次搭建的神经网络结构使用Eedforwardent函数进行分析，使用已有数据进行多次训练，明确网络结构间的权值分布，并对数据进行多次的学习训练，确定BP神经网络的各个范围参数影响，其中学习速率为0.0 1，循环次数为50 0，网络的精度为1E-5时，可构建精度较高的4个输人、1个隐层9 个节点、1个输出的3 层神经网络预测模型，模型如图5所示。振动方向角振动幅值振动频率摆动频率输入层(4)分层沉降比输出层138如下所示：输人加权和：n=w;a;-0j-1输出：y:=f(ZWiX;-0)=14.1.1模型的集成学习与预测以EDEM仿真软件为工具对4个参数进行正交试验仿真，得到如下6 5组数据，其中前55组筛机的分层沉降比已经获取，后10 组数据的分层沉降比需要通过模型参数变量进行预测。本文将第16 5组数据作为训练样本，将其导人BP神经网络中进行算法的原始模型搭建，如图6 所示。预测建模的原始数据1.31.21.11.00.90.80.761.151.101.051.000.95O0.901Fig.6 Predictive modeling raw dataBP神经网络正常运行时，将确定输出值的几组数据随机分割成三组，本文以对分层效果影响最大的振频、振幅、振动方向角和摆动频率参数作为输入层，结合不同参数权重信息与网络结构特征作为隐含层，将最终分层效果作为输出层。通过对初始模型进行训练、验证和预测，建立分层效果的神经网络预测模型，如图7 所示。有色金属（选矿部分）Input(5)4(6)图7分层沉降比神经网络预测模型Fig.7Hierarchical sedimentation rationeural network prediction model4.1.2模型预测的结果分析BP神经网络正常运行时，会将不同参数变化范围值分为三类，分别为训练、验证和预测数据，且各组数据均会产生均方误差值，图8 为均方误差随网络迭代次数Epochs的变化规律。由图8 可知，在预测筛分效果时，训练、验证和预测组数据的最小均方误差出现在第4次训练送代，出现最小均方误差后继续进行训练，直到误差收敛，网络训练终止，本次试验在第10 次实现均方误差收敛，BP神经网络训OO8%8实际的试验结果。神经网络预测的结果1020对比的数据点(a)训练样本预测剩下的数据实际的试验结果神经网络预测的结果2345678对比的数据点(b)预测样本图6 预测建模原始数据2024年第1期HiddenOutput9练停止。%80d%30OutputBP神经网络训练状态图，如图9所示，表明构Best validation performance is 0.000 678 02 at epoch 41010-14050O9TrainValidationTest-Best6010-10-10-410-50图：MSE随Epochs变化规律Fig.8MSE changes with EpochsGradient=0.000 278 46,at epoch 101001010-10-310-10-5L6420Fig.9BP neural network training status1223图9BP神经网络训练状态一410 epochsMu=1E-05,at epoch 10Mu=1E-05,at epoch 104510 epochs66878910102024年第1期建网络模型经过10 次送代后准确性最优，此时网络达到最佳模型性能，故最终以第10 次网络训练结果的权值作为最终响应比重，凭此根据进行相应的输入层数据对输出层的预测。根据BP神经网络训练的回归分析图，如图101.20DataFit-Y=T1.15Y=0.89T+0.1R=0.961 131.10F1.05F1.10F0.95H0.90F0.851.20F1.151.10F1.05F1.100.950.9050.854.1.3影响权重的分析对于料体群分层效果的影响因素众多，如：振动频率、振动幅度、振动方向角、筛面倾角、摆动频率、筛长、筛孔尺寸和筛丝直径等，每个参数变化都会对分层效果造成影响，但影响速率不一，在对筛分数据进行分析处理之前，明晰参数权重对分层效果数据分析十分必要。故本文使用集成学习方式对网络模型进行参数权重比较，以明确试验重点分析因素，筛机参数影响分层效果的权重如图11张晋霞等：基于EDEM与BP神经网络的平-摆筛参数化研究模型比较好，预测精度比较高。1.25ODataFit1.20F.-Y=TY=0.8T+0.181.15R=0.85431.10FO?OO0.91.0TDataFit-Y-TY=0.8T+0.23R=0.939 790.9139可知，训练样本、检验样本、测试样本和总体的预测结果回归系数R值分别为0.9 6 113、0.8 543 0、0.93947和0.9 0 7 14，且R值越接近1,建立的模型越好，该试验所得的四个R值均接近1，说明建立的?1.05FO1.10F0.950.900.851.11.2OO1.01.1T图10预测回归分析图Fig.10Predictive regression analysis所示。由图9可知，振频、振幅、振动方向角和摆动频率为筛分分层效果最重要的影响因素，它们的权重分别为0.2 14、0.17 7、0.18 9、0.17 7。故本文重点建立筛机参数模型对影响分层效果权重最大的四个参数进行仿真分析，通过BP神经网络算法自学习能力对振动筛进行预测与寻优，最终得到分层效果最优时的最优参数组合为：振幅为3.6 mm、振频为18.3 Hz、振动方向角为3 9.1摆动频率为13.8 Hz。O0.91.20DataFit.-Y=T1.15FY=0.82T+0.181.10R=0.907 141.05F1.100.95F0.900.850.80EL1.20.81.0TOO0.91.1O1.01.1T1.21.21.021.00:1400.300.250.200.150.10F0.050振频摆频方向角振幅倾角筛面筛丝长度直径参数图11筛机参数影响分层效果的权重Fig.11Effect of screen parameters on theweight of stratification4.2BP神经网络预测与验证依据训练样本和检验样本的误差较小，以及回归系数R接近于1均可知，搭建的BP神经网络预测模型合理，可用其对筛机模型的筛分效率进行预测分析，对振动参数组合与筛分效率非线性映射关系进行表征。以下五组数据的筛分效率尚未得知，现通过该模型对此数据进行预测，结果如图12 所示。将此五组振动参数重新在EDEM模型中调整筛机参数，获得筛分数据，并将神经网络预测分层沉表4BP神经网络预测分层沉降比与实际分层沉降比Table4BP neural network prediction of layered settlement ratio and actual layered settlement ratio序号方向角/）1352403504405355结论1)依据试验筛分现场，对平-摆振动筛进行特征提取并简化处理，搭建简易仿真模型，以实际筛分中振动筛的常用参数变化区间为基础，使用正交试验方法进行试验方案设计，确保仿真的合理性同时确保其代表性，并将最终分层数据提取导人BP神经网络进行优化。2)根据筛分目标动态范围变化，调整神经网络结构基函数，以使其具有强大的训练和学习能力，获得对样本数据进行学习和预测能力，并求出多个不同筛机参数对分层效果的影响权重。对该模型输入有色金属（选矿部分）1.100.2141.080.1920.1890.177振幅/mm31.52432024年第1期1.061.04F0.090.0880.05振频/Hz13151610200.981.0Fig.12Neural network prediction results降比导出，结果如表4所示。由表4可看出，预测数据与仿真结果误差较小，预测数据准确性极高，表明模型具有可行性。BP神经网络不仅可以对单参数变化的分层效果进行预测，又可同时对多参数变化的数据进行结果预测，并通过算法寻优，与正交试验结果对比，验证其计算结果可靠。因此,引人BP神经网络对筛机模型的分层效果进行预测分析，解决了以往数据处理的程序繁琐、计算杂等问题，有利于节约试验时间和场地等，同时也可为筛机优化设计提供创新基础。摆频/Hz分层沉降比预测值151.013151.001201.11201.064301.05665组筛机组合参数进行分析和验证效果，真实值和预测值误差较小。该模型的最小均方误差出现在第4次迭代，在第10 次迭代时误差收敛，神经网络训练停止。由BP神经网络模型的预测回归分析图可知，回归系数R值最小为0.96 113，证明其预测精度比较高。3)使用BP神经网络算法对筛机数据模型进行最优分层效果解寻找，得出最优参数组合为