人工智能在礦物加工技術中的應用與發展

湯化明 王 玲 楊國華 賈藍波 熊雨婷夏亮亮 王 龍 劉勝昌 聶軼苗 劉淑賢

（1.華北理工大學礦業工程學院,河北 唐山 063210;2.河北省礦業開發與安全技術重點實驗室,河北 唐山 063210;3.河北省礬山磷礦有限公司,河北 張家口 075000）

人工智能技術是以統計學為數學基礎,通過計算機程序來模擬人類思維和判斷操作的一門新興的、高速發展的技術科學。人工智能是先將某一類問題的大量數據輸入人工智能系統進行訓練,使之學習解決問題的策略,在遇到相同的問題時,可以通過經驗知識解決問題并積累新的經驗數據[1]。人工智能自問世以來,經歷了幾十年的持續發展。1956年,J.MeCarthy等首次確立了“人工智能”的概念,即是指機器具有與人類相似的理解、思考和學習的能力,表明用計算機模擬人類智能的可能性[2]。因為人工智能技術具有非線性、非限制性、非定性和非凸性等特點,使其在互聯網、教育、農業、工業等多個領域發展迅速,并且展現出煥然一新的活力,但由于存在大量的學科交叉應用,研究人員普遍存在知識壁壘現象,所以在大多數領域的人工智能應用發展都還有很大的發展空間[3]。

礦業一直以來都是我國經濟發展的重要支柱,而且我國也已成為世界上最大的礦業市場[4]。礦物加工作為從低品位的礦產資源中通過加工、提純等物理方法和化學方法去除礦物雜質,提高目的礦物的品位的一門科學技術,主要研究如何能更充分合理地利用礦物資源。隨著社會經濟的快速發展,人類對礦產資源需求量的不斷增長,而可開采富礦越來越少,礦產資源的開發利用逐步轉向“貧、細、雜”方向發展[5],傳統礦物加工由于生產過程復雜,過程參數、控制參數與最終產品的品位、回收率等指標無法用數學模型反映其對應關系和決策原理,且生產過程極度依賴人工經驗操作導致缺乏穩定性和可解釋性,難以適應當前礦產資源開發利用現狀。為此,礦物加工及相關領域學者進行了大量的理論研究和工藝試驗,其中人工智能與礦物加工相結合的相關應用也成為國內外學者關注的重要研究方向之一[6]。本文即對這一國內外研究動態進行介紹,主要從礦物識別、磨礦、浮選等礦物加工技術方面,對人工智能在礦物加工領域的應用進行闡述,分析人工智能在礦物加工方向應用的研究思路與發展方向,為實現人工智能技術在礦物加工領域應用、加快礦物加工向智能化方向發展研究提供借鑒。

1 人工智能礦物加工技術的基本原理

人工智能技術在礦物加工中的應用主要通過兩種技術形式:一是計算機視覺,應用于通過圖像來獲取礦物在加工過程中的精準信息,完成礦物的識別、破碎粒度檢測、浮選泡沫監測等工藝流程的管控,相當于為工程師排除干擾項,進行較復雜的判別,輔助工程師提高礦物處理的效率;二是深度學習,主要應用于預測和分類,通過對于大量礦物加工過程中產生的數據和診斷結果進行特定的多層神經網絡訓練,定量分析預測,提高礦物加工設備的工作效率、降低設備的故障頻率及提升浮選藥劑的選礦效果等。

1.1 計算機視覺的基本工作原理

一般的計算機視覺系統通常包括圖像的采集、處理、分割和模式識別等幾個部分[7]。在計算機視覺系統中,圖像采集子系統的作用是將光學圖像數據轉化為數字數據陣列。AWCOCK等[8]給出了一個計算機視覺系統框圖（圖1）。圖框中列出了包括不同過程的系統和子系統。從圖1可以看出,從光源出發,由圖像傳感器生成光學圖像,通過圖像陣列、數字相機或其他手段將光學圖像先轉換為電信號,并將其轉換為最終的數字圖像。利用數字化圖像通過中值濾波[9]、均值濾波[10]、高斯濾波[11]等圖像濾波技術對圖像中的無關信息進行處理。圖像分割的核心部分在于特征提取,將經過預處理的圖像按模型算法的規則進行重新表述,以凸顯圖像特征[12]。之后系統分類器根據特征對圖像進行分類和解釋,并考慮場景描述,進行數據驅動,與場景圖片進行交互。通過數據驅動提供了一個與原始場景圖片數據的交互循環,調整或修改某些給定的條件可以獲得更好的圖像數據。在礦物處理方面,計算機視覺主要應用于礦物識別、破碎粒度檢測、浮選泡沫、pH值、藥劑用量監測等工藝流程,可以進行較復雜的信息處理,也可以為工程師排除大量的干擾因素,輔助工程師提高礦物處理的效率。FILIPPO等[13]在進行偏光顯微鏡下礦石圖片識別時,通過輸入鏡下觀察的礦石薄片圖像,利用邊緣提取將不透明礦石顆粒圖像分割提取,再針對顏色、解理等礦物特性結合deeplabv3+模型對透明礦物和環氧樹脂進行分類,從而實現鏡下透明礦物、透明礦物和環氧樹脂的分類。

圖1 典型的計算機視覺系統操作流程[8]Fig.1 The process for the typical computer vision system operation

1.2 深度學習的基本工作原理

深度學習可被視為一類機器學習算法的集合,用于處理多層非線性變換高復雜性數據[7],如礦物加工生產過程中的過程參數、控制參數與最終的產品質量等生產指標之間的對應關系。如圖2所示,深度神經網絡由多層相互連接的節點組成,黑色的節點為輸入層和輸出層,被稱為可見層;在輸入層和輸出層之間的白色節點是隱藏層。每個節點都使用逐漸復雜的深度學習算法來提取和識別數據中的特征和模式。輸入層是深度學習模型用于接收數據進行處理,通常為礦物加工過程的圖像、視頻或其他生產設備產生的數據。輸出層是用于得到最終識別、分類或描述的結果,如礦物分類模型會在輸入的圖像中標注礦物種類（圖3）[14]。多層是指神經網絡的隱藏層的層數,深度學習的隱藏層層數通常超過3層,相較于1層的機器學習算法模型對復雜模型具備更好的擬合效果。非線性是指處理實際應用中復雜的非線性可分問題,難以通過數學建模進行定性定量分析和優化等,通常是采用復雜的擬合函數進行逼近。而傳統礦物加工工藝在加工過程中,受原材料自然屬性的不確定性和人為操作的不穩定性,存在非常嚴重的非線性問題。深度學習架構已應用于計算機視覺、機器視覺、醫學圖像分析、材料檢測和棋盤游戲程序等領域,其成果在某些情況下已經超過人類達到的最好成績[15]。同時,深度學習在礦物加工領域已經有學者進行了初步探索,并在礦物識別、浮選、磨礦和揀選等工藝流程的應用中獲得良好的研究成果。

圖2 深度神經網絡架構Fig.2 Deep neural network architecture

圖3 礦物分類模型輸入圖像和分類結果[14]Fig.3 Mineral classification model input images and classification results

2 人工智能在礦物加工中的應用

人工智能技術可以更快速準確地完成部分繁重的工程計算,使許多需要大量專業知識和工作經驗的工作簡單化,使研究人員從大量繁重的工程計算、多次重復的機械勞動等中解放出來,可以將更多的精力投入到其他研究當中。人工智能在礦物加工領域的應用從20世紀80年代開始[16],在礦物鑒定、磨礦過程和浮選過程的預測和監控等工藝流程中的應用最為廣泛。

2.1 人工智能在礦物識別方向的應用

礦物識別是礦物加工的基礎,只有通過礦物識別確定包括礦物樣本、碎屑和粉末中的物理和化學成分及相關特征,如礦物組成、礦物生成序列、結構和構造等信息,才能更好地利用選別技術將礦石中的目的礦物分選出來[17]。礦物識別通常從礦物的多種性質進行鑒定,例如礦物外部形態、鏡下圖像、化學成分、晶體結構以及多種條件綜合判別等。

通常,相關工作人員首先會對待測礦物進行肉眼識別,通過對待測礦物的形態、顏色、解理、光澤、硬度等特征的觀察與經驗積累進行對比進而進行判別[18]。這種方法簡單易用,但對專業知識要求高,依賴于識別人員的經驗積累,但對于識別非常見礦物存在一定難度。利用光學顯微鏡對礦物樣本的干涉色、解理、均質性等礦物學相關鏡下特征進行觀察,是較常用且相對精度更高的礦物鑒別方法,但鏡下觀察判別礦物對研究者的專業知識有較高的要求。近年來隨著技術的發展,拉曼光譜分析法、X射線熒光光譜法、X射線衍射法等廣泛應用于礦物分析鑒定,但這些方法產生的數據并不直觀,仍需要專業人員進行分析。隨著人工智能技術的快速發展,許多學者嘗試運用人工智能技術開展礦物識別工作。

當前研究中,采用人工智能技術識別礦物通常分為4個階段:①樣本采集,利用相關儀器設備采集包括礦物的圖像、解理、反光率等物理數據和礦物的元素組成、光譜圖像等其他重要數據;②模型建立,選擇合適的人工智能算法模型框架,建立應用于礦物識別的識別模型;③模型訓練,使用采集到的大量的礦物數據,訓練建立好的礦物識別模型,針對不同礦物種類,提取的特征不同,識別方法也有所區別;④種類識別,使用訓練好的礦物識別模型對待測礦物樣本進行識別,判斷待測礦物樣本種類。其中,最核心的是模型建立,同一類型的不同算法模型在相同數據集的情況下,其精確度、運算時間、是否需要實時檢測等方面各有優勢,針對某些特定目標的任務,選擇合適的算法模型尤為重要。而模型的準確率、運行時間也會受到礦物性質、數據集的形式和規模等因素的影響,從而使結果產生較大的差別。

2.1.1 基于顯微光學系統的礦物識別模型

基于顯微光學系統的礦物識別模型,首先通過采集礦物顯微光學特征數據,建立相關數據集,在此基礎上建立礦物識別模型,通過參數調整對模型進行優化,然后通過采集的訓練集對模型進行訓練,最終實現所建立的模型對于礦物的識別。

ALIGHOLI等[19]提出一種基于神經網絡的礦物自動分類模型,通過引入CIELab色彩空間和礦物多種光學特性,包括顏色、干涉色等,集成了局部二元模式運算器和特征建模,來實現礦物顯微圖像中的同質區域的識別,該模型針對數據集中的4種礦物樣本的識別準確率都在95%以上。ALIGHOLI等[20]還提出一種通過礦物樣本的單偏光圖像和正交偏光圖像,觀察兩組圖像變化并將圖形轉化成點云,用于計算出待測礦物與已知礦物的豪斯多夫距離來進行礦物識別的方法,通過混淆矩陣驗證模型識別精確度可以達到96.2%以上。MAITRE等[21]采用簡單的線性迭代聚類分割生成超像素,用于對樣本砂礫圖像進行預處理,通過提取樣本圖像中的顏色、光澤、解理等特征信息與掃描電鏡圖像相結合生成的數據集,可以有效地提高模型對砂礫中的礦物進行分類的準確率,最終獲得的總體結果約為90%。LIU等[22]提取一套用于進行礦物識別的綜合模型,顏色和紋理是巖石礦物識別的重要特征,深度學習方法可以有效提高識別精度,利用基于Inception-v3模型的深度學習算法模型和基于K-means算法的顏色模型搭建的一套用于進行礦物識別的綜合模型,對巖石中赤鐵礦、磁鐵礦、方解石等12種礦物進行識別,最高可達99.0%的識別準確率。AGANGIBA等[23]通過手工礦物標本圖像數據集訓練卷積神經網絡,開發出名為MINet的單標簽礦物分類模型,可以對黑石英、云母、黃鐵礦等7種礦物進行識別,準確率可達 90.75%。KHVOSTIKOV等[24]對礦物拋光截面圖像的自動識別進行研究,針對拋光截面圖像創建一套具有像素級語義標注的礦物數據集,通過這套數據集利用卷積神經網絡訓練出礦物自動識別模型,礦物鑒定的總體準確度達到了89.2%。

綜合上述可知,通過顯微光學系統的礦物識別方法主要是利用顯微圖像上可識別出的礦物的物理性質,如顏色、干涉色、光澤、解理等。但因為帶有標注的礦物圖像數據處理工作量大,標準的數據集較少,所以目前通過人工智能算法實現的基于顯微光學系統的礦物識別方法難以廣泛地應用;而且由于用于訓練的數據集包含礦物種類少,數據集格式不統一,無法通用,目前該方法難以做到普適性。

2.1.2 基于光譜分析的礦物識別模型

基于光譜分析的礦物識別模型,首先通過光譜分析獲得礦物的微觀結構特征和組成成分,獲取制作數據集的相關信息,根據現有算法模型特點選擇合適的模型進行訓練,最后對目標礦物進行識別操作。

CAREY等[25]通過機器學習技術處理待分類礦物的拉曼光譜數據集,采用了基于向量相似度量的加權鄰域分類器可以有效地提升礦物光譜匹配性能,在拉曼光譜數據集中進行礦物分類任務達到了97.8%的總預測精度。LIU等[26]提出一種基于LeNets卷積神經網絡的一個變體模型,無需對數據集進行預處理,能自動識別由礦物樣品數據組成的光譜數據集,將傳統識別方法的識別率提高了20%～40%,準確率提升到了93.3%。SEVETLIDIS等[27]通過對拉曼光譜數據集進行再處理得到優化后的數據集,通過優化后的隨機森林算法訓練出的礦物識別模型,可以在保持高效利用計算資源的同時并發處理礦物識別任務,并達到較好的分析效果,將未優化的隨機森林模型的準確率從67.5%提升至88.8%。JAHODA等[28]提出結合拉曼散射、反射式可見-近紅外（VNIR）和激光誘導分解光譜（LIBS）3種光譜分析方法的數據,進行深度卷積神經網絡訓練,并且通過3種光譜分析方法兩兩結合的數據實驗結果進行對比,得到將拉曼光譜和VNIR光譜相結合的數據集可以訓練出精確度最高的識別模型,最高精確度可達88.95%。

光譜分析方法均為微觀下的分析結果,可以直接獲取礦物的原子、分子的成分信息和組成結構信息,能達到較高精度的識別效果,但由于取樣樣本量很小,分析結果具有局限性。人工智能算法的礦物識別模型采取大量的數據集進行模型訓練從宏觀角度彌補了傳統光譜分析法只能對少量試樣進行分析的局限性問題,但由于光譜分析法的分析結果為信號數據,難以直觀反映礦物成分信息,大多數算法模型需要對光譜數據結果進行預處理,數據集制作成本較高。

2.1.3 基于化學成分的礦物識別模型

化學成分分析用于確定礦物中所含化學成分的種類和含量,從而確定礦物中重要成分和較重要成分,是礦物識別的一種重要方法。在礦物識別領域常用于測定礦物化學成分的技術主要包括能量色散X射線光譜（EDS）、電子探針（EPMA）等[29]。由于礦物中含有的元素種類多,部分礦物組成相似,給人工測定礦物化學成分判斷礦物種類造成一定困難。近些年有學者通過人工智能系統利用化學成分分析結果判別礦物種類,準確率最高提升至99.2%[30]。

能量色散X射線光譜（EDS）自70年代問世以來迅速發展,對于礦物化學成分測試具有很高的效率。NIELSEN等[31]早在1998年嘗試通過Jeffreys-Matusita距離和一個類均值被歸類為另一個類的后驗概率來檢查礦物類別的可分性,分類模型采用四個監督分類器（簡單二次型、上下文二次型和2個分級二次型分類器）成功實現巖石中礦物的識別。而后LARSEN等[32]對NIELSEN的方法提出改進,通過擴展種子點區域,計算歐幾里得光譜距離和馬氏距離對種子算法相對于參數設置的敏感性進行評估。對種子算法對參數設置的敏感性的評估是通過使用標準的二次分類器,從掃描電子顯微鏡（SEM）的能量色散光譜（EDS）的薄片上測得的12種化學元素,對硅質巖或碳酸鹽巖中常遇到的礦物進行分類。近幾年,AKKA?等[30]使用掃描電鏡能譜儀產生的特征X光,無需標準化分析條件,通過C5.0決策樹算法可以快速、準確地進行礦物鑒別,在實驗的測試集中,準確率最高可達99.77%。

而在基于電子探針顯微分析儀（EPMA）圖譜數據的礦物識別模型方面,TSUJI等[33]通過使用一種競爭性學習神經網絡,KOHONEN自組織特征圖（SOM）,對多個通過電子探針獲取元素強度的X射線強度圖中對薄片中的礦物進行分類,通過無監督訓練來產生多維輸入數據的二維表示,根據圖像數據中的礦物比例設置分類閾值從而實現礦物識別效果。da Silva等[34]基于隨機森林算法訓練出一套可以自動化協助提高礦物化學數據處理和分析階段效率的應用程序,可以對電子探針顯微分析儀產生的大量數據進行輔助處理,在11 000多份礦物化學分析數據中,數據處理準確率約為99%。

綜合來看,在礦物識別方面,通過人工智能方法在基于化學成分分析法方面的應用,可以很好地彌補傳統化學成分分析法因測試元素過多、光譜數據范圍較廣、元素組成類似難以判別的問題,又保留了化學成分分析法能快速地、準確地、定量地對礦物進行識別分析的優點,但測試需要特定的設備,分析成本較高,且因為不同研究人員使用的設備品牌、型號不同,導致測試結果的數據類型不同,也給后續研究在數據處理方面造成困難。

2.1.4 基于多條件綜合利用的礦物識別模型

礦物的多種性質綜合利用也是基于人工智能技術的礦物識別研究關注的方向之一。由于礦物樣本顯微圖像攜帶信息有限,有些研究人員將礦物光學性質與其他性質相結合來提升神經網絡模型識別的準確度。ZENG等[35]提出一種基于EfficientNet-b4深度神經網絡礦物識別模型,結合礦物光學圖像和礦物自身莫氏硬度對應生成數據集,實現對73種礦物樣本的識別,最高精度達到99.6%。

總體來看,人工智能技術在礦物識別方向的應用更多的是通過原有的鑒別方法,通過訓練好的人工智能算法模型取代以往的依靠經驗、需要專業的分析工具和知識儲備的鑒定方法。人工智能算法模型通過對礦物的物理性質和化學性質數據集進行學習,可以準確地對待測礦物進行判別,彌補了人工鑒別時礦物種類判斷錯誤或無法判斷的問題。在傳統礦物鑒定方法中,根據礦物鏡下晶形和晶體光學性質進行礦物識別也是常用的鑒別方法,目前在晶體結構方面基于人工智能技術相關礦物鑒定工作尚未展開,值得更多研究人員進行深入研究。

2.2 人工智能在浮選過程中的應用

浮選工藝是一種利用有用礦物與脈石礦物之間疏水性差異進行分離的工藝。通過使用活化劑和抑制劑,增加或改變有用礦物和脈石之間的疏水性差異,使有用礦物成為疏水性物質,附著在氣泡上,當氣泡上升到礦漿頂部的泡沫層,將氣泡中的有價值礦物收集起來,以達到分選的目的。浮選效果受許多因素的影響,如藥劑劑量、氣泡流量、浮選礦漿的pH值、給礦品位、磨礦粒度等,任一條件的改變對于泡沫質量、分選結果都會產生偏差和影響。由于基礎微觀現象本身具有混沌性,浮選過程的控制一直是一個具有挑戰性的研究方向。當前,人工智能在浮選過程中的應用研究主要包括對浮選礦漿pH的監測和對浮選泡沫的監控兩方面。

2.2.1 對浮選礦漿pH的監測

在礦物浮選過程中,pH值是浮選過程中對浮選效果產生直接影響的重要因素之一,礦物顆粒表面的化學性質、與藥劑作用解離成離子的程度、與水的親疏性等均與礦漿中的pH值有關,pH值的大小變化對浮選過程的監測和優化控制非常重要。目前大多數選礦廠采用的pH值測定儀對礦漿中的pH值變化非常不敏感,且容易被其他因素干擾,同時還存在著交叉感染的問題,容易造成測量結果不準確,對試劑的調整造成很大的影響[36]。在實際浮選過程中,由于礦漿與藥劑是持續反應的過程,同時還有持續添加的新礦漿和其他過程的回水,控制礦漿pH值是一個復雜的非線性問題。

唐朝暉等[37]提出了一種基于浮選泡沫圖像中的特征信息的礦漿pH值預測和控制的方法。利用BP神經網絡的優良性能可以準確建模、精準仿真等特點和RBF神經網絡可以快速適應樣本變化的特點,組合出一種混合神經網絡模型。基于此模型研究礦漿pH值與浮選泡沫圖像中的特征信息之間的關系,建立了一種礦漿pH值預測和控制模型,解決了礦漿pH值不穩定的問題。陽春華等[38]對隸屬函數和輸出權值通過變尺度分級混沌方法進行優化,利用浮選礦漿泡沫大小、流速等特征建立了有關浮選礦漿pH值的軟測量神經網絡模型,主要用于解決pH值檢測設備長時間使用后因積垢等原因導致測量不準確的問題。

在浮選過程中,通過人工智能技術對礦漿pH值進行預測和控制的優勢在于:精準控制礦漿pH值,可以有效排除因為設備不敏感、人工操作不精細等導致礦漿pH值控制不當造成不必要的損失。

2.2.2 對浮選泡沫監控

浮選是通過礦漿中的泡沫攜帶目的礦物進行分選的一種選礦方法。眾所周知,泡沫的顏色、氣泡結構、形態、流速等泡沫特征分別與礦物品位（濃度）、工藝狀態和回收率有密切的定量關系[39]。目前,礦物浮選效果很大程度依賴于浮選工人依據自身經驗對泡沫的觀察判斷。浮選過程中難以精確管控的問題主要來源于浮選工人的主觀經驗問題和缺乏準確的測量設備。所以泡沫質量監控對于浮選效果至關重要。

LIU等[40]提出一種結合多尺度去模糊全卷積網絡和多級跳躍特征融合全卷積網絡的浮選泡沫監控方案。多尺度去模糊全卷積網絡可以對由于空氣水霧、相機振動和高速流造成場景中泡沫模糊的圖像進行還原,多級跳躍特征融合全卷積網絡以準確分割各種具有全占位和緊密粘附的易碎氣泡的泡沫圖像,自適應地劃分各種大小的氣泡。通過結合兩種卷積神經網絡特性組合出一種在線浮選泡沫監控方案,經過對實際生產銅礦浮選過程實驗,驗證所提方案對于浮選泡沫狀態有良好的監控效果。ZARIE等[41]提出一種用于對工業煤浮選柱在不同工藝條件下采集的泡沫圖像進行分類的卷積神經網絡模型,通過對浮選過程中空氣流速、泡沫劑用量、礦漿固體含量百分比、泡沫深度等不同的條件下運行的泡沫圖像收集處理,利用卷積神經網絡算法對采集的泡沫圖像進行分類,按照可燃物回收率和精煤灰品位將圖像快速準確分為4個泡沫等級,避免浮選工人依靠自身經驗判斷不準確的問題。ZHANG等[42]通過XRD分析儀對浮選泡沫品位進行分級,利用浮選泡沫監控視頻和浮選泡沫等級建立數據集,通過長短時記憶網絡（LSTM）訓練出一種預估鋅浮選回路中第一粗選浮選機的尾礦品位的預測模型,對比感知器網絡模型,均方根誤差降低約8.48%、擬合優度增加約9.32%。

選礦過程中,浮選工藝因其工藝繁雜,需要控制的因素較多,一直是選礦流程中較難把控的工藝。在與人工智能技術結合過程中,神經網絡算法可以精確預測浮選過程中所需監控的指標參數,也可通過浮選泡沫圖像對浮選進度進行判斷,配合視覺傳感器達到實時測量精礦品位的效果。

2.3 人工智能在磨礦過程中的應用

磨礦是借助球磨機、棒磨機等研磨機械,通過研磨介質和礦物之間的機械力克服礦物內部黏結力來破壞結構,使礦物達到目標粒度的作業。研究人員分別將磨礦過程中的介質配比、礦石粒度、磨機振動信號等數據收集處理,建立對應的數據集,利用人工智能算法模型對磨礦作業的控制過程進行改進,提升磨機磨礦工作效率。

張勝東等[43]通過利用BP神經網絡建立球磨機鋼球配比預測模型,通過保持其他條件不變,控制球磨機中大、中、小鋼球的配比這一單一變量,進行多次試驗,以此實驗方法得到磨礦產品粒度分布,再將磨礦產品粒度分布作為輸入,鋼球各自質量分數作為輸出,訓練出的神經網絡預測模型可用于預測不同磨礦產品粒度對應的鋼球配比。ZHANG等[44]使用灰色模型進行磨礦粒度預測,并用神經網絡進行誤差補償,比未使用神經網絡的預測模型更加接近實際值。NAYAK等[45]通過監測球磨機的振動信號,建立人工神經網絡模型,用于定期監測球磨機內部的料位。該實驗在球磨機底部采集振動信號,通過使用快速傅里葉變換分析信號的方法,從振動信號中提取特征,將這些特征作為人工神經網絡的輸入,用于預測球磨機內部的物料填充百分比。ZAKAMALDIN等[46]使用外部輸入的非線性自回歸神經網絡對中心排料球磨機進行識別,在帶篩分的閉路研磨中獲得細碎的磨機填充技術過程的簡化模型,之后在實際研磨過程中對最佳模型進行測試,通過神經網絡建立的模型與實際最佳估值達到了72.1%的匹配度。

磨礦作業在與人工智能技術相結合的過程中,人工智能算法模型將磨機中介質和礦物配比、磨礦粒度、磨礦作業技術流程等精細化定量預測,解決了傳統磨礦工藝存在的多條件相互作用導致的非線性問題,有效地提升了磨機作業率、磨機利用系數等指標,使目的礦物和脈石礦物更大程度地達到單體解離,同時降低選礦成本,對于工業生產具有重大作用。

2.4 人工智能在礦物加工中的其他應用

近年來,人工智能技術在礦物揀選、浸出等領域中也受到礦物加工工作者的關注。

張永超等[47]基于傳統煤矸石分揀機器人對于煤矸石的位置不敏感的問題,通過單激發多盒探測器機器視覺算法對煤矸石檢測方法進行優化,有效地提升了煤矸石分揀機器人的感知與分揀能力。卜斤革等[48]利用粒子群算法優化BP神經網絡建立了浸出率的預測模型,得到的預測結果與實際值相差甚小,同時驗證了神經網絡可以在一定條件下有效地把控浸出作業過程中的不確定性,提升浸出率。PEREIRA等[49]對比了多項式建模和人工神經網絡技術應用于磷灰石、方解石和白云石生物沉積的基本原理,采用遺傳算法優化的全二次模型和三層前饋神經網絡來描述礦物回收率,實驗發現使用標準數值訓練算法生成的人工神經網絡模型具有更高的精度,與多項式模型相比,人工神經網絡模型更適合描述和預測礦物回收率。

人工智能技術與其他礦物加工工藝流程的應用還在起步階段,但根據現有研究人員的實驗結果觀測,人工智能技術在礦物加工中的其他工藝流程中依然具有很大的研究空間。

3 結 論

人工智能技術作為一門新興技術具有很好地處理非線性問題的優勢,可以排除依賴人為經驗操作所導致的穩定性低和可解釋性差等問題,成為礦物加工領域新的研究方向。利用人工智能技術在礦物識別、磨礦、浮選等相關領域的研究成果,對已經得到的精確數據進行在線分析處理,可以使礦物加工工藝流程更精細化,有效地提升礦物加工效果、提高精礦品位,同時也降低相關工藝流程操作難度,有利于選礦廠人力成本的降低。展現了其在推動礦物加工高質、高效、綠色與創新發展,助力我國綠色礦山、生態礦山建設方面的重要意義與潛在前景。但是,當前現有研究成果尚存在不足的地方,主要有以下4個方面:①缺少統一標準的、全品類的礦物加工領域的數據集。現有研究成果絕大多數是基于自建數據集進行實驗研究,而數據集的質量對實驗的結果會產生較大的影響,統一標準、格式的數據集將有助于更好地評判算法模型;②缺乏應用在實際生產中的人工智能算法模型。目前人工智能算法在礦物加工領域的應用仍然處于早期的探索階段,大量的研究成果依然來源于實驗室,而并非實際的選礦廠;③人工智能在礦物加工領域中的應用大多用于研究某一工藝流程,缺乏整體性。礦物加工領域工藝流程多,整體性強,依靠人工智能對浮選、磨礦或其他某一工藝的改善對于礦物加工的最終結果很難產生質的變化;④選礦廠大量生產數據未加以合理利用。礦物加工設備每日產生大量各種類型的數據,許多形式的數據（如球磨機的振動信號）在選礦廠甚至尚未采集,而單純人工處理和簡單算法無法體現數據的最大價值。

人工智能在礦物加工領域的應用快速增長,反映了當前工業領域對于科學前沿技術的需求,但還需要很長一段時間的磨合和探索。未來可以從以下4個方面對人工智能在礦物加工領域的應用進行探索:①建立統一規范的、全品類的標準數據集和數據集測試標準,通過標準數據集對人工智能算法模型進行性能評估;②通過使用選礦廠的真實生產數據進行算法模型的建立,從實際生產角度出發,將算法模型實際應用于選礦廠的生產當中;③加強人工智能技術結合礦物加工領域中其他工藝的應用研究,包括但不限于揀選、浸出等技術;④通過人工智能算法模型開發具有高可用性、高魯棒性的自動化礦物加工設備,在礦物加工領域充分發揮人工智能優勢。人工智能技術在礦物加工領域的應用已經成為未來發展的大方向。隨著人工智能的不斷迭代創新,礦物加工領域也將迎來飛速發展。