基于机器学习的矿物洗选过程智能监控系统

基于机器学习的矿物洗选过程智能监控系统

李建1李龙华2曹淼3

1山东裕隆矿业集团有限公司唐阳煤矿，山东 济宁   272000

2山东裕隆矿业集团有限公司单家村煤矿 ， 山东 济宁   272000

3山东裕隆矿业集团有限公司唐阳煤矿，山东 济宁   272000

摘要：矿产资源在国民经济发展过程中占有举足轻重的地位,选矿是矿产资源加工中的一个重要环节，选矿水平高低直接影响矿物资源回收率。由于泡沫浮选工艺流程长、内部机理不明确、影响因素多、关键工艺参数不能在线检测等原因,造成我国选矿过程能耗物耗高、有价矿物回收率低、精矿品位波动大。

关键词：机器视觉；泡沫浮选；在线检测；特征选择；工况识别；

矿物浮选流程长、分布范围广、控制变量多、关键工艺参数无法在线检测,导致实时监控困难,严重制约了浮选生产的优化运行及选矿自动化水平的提升。浮选泡沫表面视觉特征是浮选工况和工艺指标的直接指示器,为此将机器视觉应用到矿物浮选过程的监控中,以提高浮选过程的资源回收率。

一、基于视觉特征的浮选过程关键工艺参数检测

1.矿浆pH值软测量。矿浆pH作为浮选过程重要参数,对浮选性能有着直接关系:1)直接影响矿物的可浮性;2)影响许多药剂的浮选活性;3)影响矿浆中的离子组成;4)影响矿泥的分散和凝聚.目前矿浆pH的检测大多采用两种方法:人工化验和pH检测仪在线检测.人工化验方法滞后严重,导致生产操作频繁调节,使得精矿品位和回收率低,药剂浪费严重.而pH在线检测仪大多价格昂贵、使用寿命短、维护困难.基于机器视觉的软测量技术为实时检测矿浆pH提供了有效途径.研究发现,浮选生产过程中pH与泡沫图像表观特征有很强的相关性,不同矿浆酸碱度对应不同泡沫状态,但是国内外pH软测量相关的研究工作尚不多见。所在研究组提出了基于数字图像统计特征、过程工艺检测数据以及工艺机理知识的多信息智能融合方法。该方法通过人工取样离线化验矿浆实际pH作为输出量,并结合对应取样时刻的泡沫图像表观特征(颜色、尺寸、纹理、流速等)建立了软测量模型,利用多元回归、神经网络及支持向量机等手段实现了浮选矿浆pH的在线检测。

2.精矿品位和回收率预测。由于浮选过程金属品位的在线检测困难,大多数选厂精矿品位和回收率的检测采用人工化验获得,但检测数据的滞后性严重影响了生产工况的及时调整,导致产品质量难以提高.如何在线检测这些浮选生产的关键指标受到国内外学者的关注。针对锌粗选过程,通过获取锌粗选的泡沫红色分量、破碎率和尺寸等视觉特征,寻找与精矿品位的关系,建立预测模型估计精矿品位,并给出了生产操作的专家控制策略。融合常规的统计方法和神经网络模型建立了泡沫颜色参数与浮选性能指标(包括精矿品位、矿浆的流量等)之间的关系模型。提取泡沫流速、稳定度、承载率等视觉特征,发现与精矿品位相关性强,在单个浮选槽的监视基础上,开发粗选槽、精选槽及扫选槽的多像机浮选监控系统,提高了浮选泡沫分类的准确率.此外,提取了铜锌浮选泡沫图像中的速度、泡沫尺寸分布、承载率、泡沫颜色等视觉特征,采用偏最小二乘(Partial least-square,PLS)方法预测铜浮选泡沫品位。把泡沫图像处理技术应用到钼浮选过程中,从图像中提取能量、熵、惯性和相关性等纹理特征,建立了神经网络预测模型,对精矿品位和回收率进行预测。上述研究表明根据泡沫图像特征建立精矿品位和回收率预测模型是可行的,但浮选过程的内部机理极其复杂,图像特征、操作变量与性能指标之间存在非线性关系,而上述研究主要采用PLS的线性回归建模方法,由于PLS方法本质上是一种线性结构的多元回归方法,随着输入冗余信息增加,矩阵的维数增加高,易导致过拟合,降低模型精度。所在研究组对浮选机理深入研究,利用样条映射的PLS、最小二乘支持向量机和BP-PBF神经网络模型,提出了基于数据驱动的精矿品位和回收率非线性建模方法,形成了机理建模和数据驱动建模相结合的浮选性能指标集成预测模型,实现了浮选指标的软测量。

二、基于视觉特征的浮选工况识别

由于原矿性质经常变化,导致工况不稳定、指标波动,如果不能及时调整生产操作,常常引发工况故障。当前一般由经验丰富的操作工观察泡沫进行工况判断,但浮选现场环境恶劣、劳动强度大、人工判别方式的主观性太强,易导致工况波动。近年来国内外学者对基于数字图像处理技术的浮选泡沫图像分类以及工况识别开展了一些研究工作。利用数字图像分析和人工神经网络方法对浮选泡沫表面进行分类识别。通过将矿物浮选图像分成5×5大小的分块,提取每个小分块的RGB颜色信息,并通过径向基神经网络对浮选图像进行分类识别。利用灰度共生矩阵算法提取浮选泡沫的纹理特征后,通过自组织神经网络对煤泥浮选泡沫图像进行分类识别。利用GLCM提取泡沫图像纹理特征时会产生特征相互重叠的问题,提出了一种新的泡沫状态识别方法,利用正交投影对提取到的原始纹理参数进行变换,并用支持向量机对泡沫图像进行分类识别。则利用主成分分析法对浮选泡沫的纹理特征参数进行变换处理以解决各纹理参数相互重叠的问题,并利用神经网络进行泡沫状态的分类。上述研究的共同特点是:1)未考虑入矿条件的影响;2)随机选择泡沫视觉特征作为分类识别的输入变量,未考虑具体类别图像特征对应的浮选工况;3)未考虑工况与其他操作参数的融合.为此,采用工况识别模块先识别故障工况及趋势,再识别正常工况及趋势的分级识别方法.具体步骤为:首先,基于提出的泡沫图像特征选择算法,提取某一类能明显体现浮选生产故障工况的视觉特征进行故障工况与正常工况的识别,并结合浮选工艺特点,分析故障趋势;然后,确定关键视觉特征进行正常工况分类,同时利用数据的时序匹配,依据浮选生产指标特征的变化趋势结合入矿类型,进行生产状态的趋势类别识别;最后,融合获取的实时工艺参数和基于机器视觉的关键参数预测值,给出相应的操作指导信息。

三、基于机器视觉的泡沫浮选过程监控系统

在实际工业应用方面,国外已研发的泡沫图像系统包括VisioFroth(Metso),SmartFroth(UCT),JKFrothCam(JKMRC),FrothMaster(Outokumpu).其中ForthMaster是奥拓昆普公司开发的一个商业化系统,目前应用比较广泛,该系统可通过摄像头采集视频信号,提取泡沫速度、稳定度、泡沫大小等泡沫表面视觉特征。所在研究组在前期的浮选泡沫图像处理方法基础上,与国内多家大型有色冶金企业合作研究了基于机器视觉的浮选泡沫过程监控技术,研发了铝土矿、铜矿、金锑矿等多种矿物浮选泡沫图像处理系统,主要性能指标与世界上最先进的芬兰奥托昆普泡沫分析仪相比,泡沫特征更完备、气泡颜色特征更准确以及气泡尺寸检测范围大,具有很好的推广应用价值。特别是针对我国首创的选矿拜耳法高硅铝矿石处理新工艺,研发了铝土矿泡沫浮选图像分析系统。该系统通过对浮选泡沫图像的分析处理,能够自动提取出表示泡沫颜色、大小、速度、纹理、稳定性、流动性等泡沫特征,并提供泡沫图像实时显示、特征曲线及工艺参数曲线实时显示,实现浮选泡沫状态的分类、识别与综合评价和自动生成生产报表等功能,该系统有效改善工人工作环境和劳动强度,为现场浮选操作提供指导信息,提高了浮选过程的自动化技术水平。

总之，浮选生产过程各浮选工序关联耦合严重,全流程优化控制难以实施.浮选生产流程长,包括粗选、精选、扫选等多个工序,生产过程的影响因素多,包含众多工艺参数和操作变量,这些变量相互耦合,往往一个操作变量的改变会同时引起多个被控变量的变化。为使控制变量满足生产要求,需要合理地协调优化多个操作变量,导致浮选生产过程全流程优化控制难以实施。

参考文献：

[1]刘浩宇，矿物浮选泡沫图像处理及过程监测技术.2021.

[2]王海英，基于机器学习的矿物洗选过程智能监控系统探讨.2022.