赤鐵礦反浮選自動控制現(xiàn)狀及發(fā)展趨勢*

范喜杰 王子揚 徐冬林 侯 英 吳前鋒 蓋 壯

（1.鞍鋼集團鞍千礦業(yè)有限責(zé)任公司；2.遼寧科技大學(xué)礦業(yè)工程學(xué)院）

鐵礦資源是我國國民經(jīng)濟發(fā)展的戰(zhàn)略資源，是鋼鐵企業(yè)發(fā)展的支撐和重要保障［1］。受到國際鐵礦石價格的影響，我國鐵礦石企業(yè)壓力巨大，降本增效迫在眉睫［2］。我國的鐵礦資源儲量巨大，但貧礦約占總儲量的98%，在需要選別的貧礦中赤鐵礦占20.8%［3］。通過單一的選別方法很難高效選別赤鐵礦，現(xiàn)階段赤鐵礦選別工藝已發(fā)展為階段磨礦、重—磁—陰離子反浮選，我國的貧赤鐵礦選礦工藝技術(shù)已位于世界領(lǐng)先水平［4-5］。歐洲鋼鐵工業(yè)技術(shù)發(fā)展指南指出：“對于降低生產(chǎn)成本、提高產(chǎn)品質(zhì)量、減少環(huán)境污染和資源消耗只能通過全流程自動控制系統(tǒng)的優(yōu)化設(shè)計來實現(xiàn)”［6-7］。赤鐵礦選別工藝中反浮選是最重要的一步，其過程直接影響精礦的回收率和品位。為充分了解赤鐵礦反浮選控制現(xiàn)狀，提高其浮選效率，本文總結(jié)了赤鐵礦反浮選自動控制的現(xiàn)狀和發(fā)展趨勢，為赤鐵礦反浮選的自動控制提供借鑒。

1 赤鐵礦反浮選工藝過程描述

浮選是利用礦石中不同礦物表面性質(zhì)的差異將有用礦物與脈石礦物在氣-液-固相界面分離的選礦技術(shù)［8］。在赤鐵礦選礦工藝中，磁選精礦礦漿經(jīng)濃密工序處理后，將滿足一定濃度和粒度的礦漿送至浮選工序，礦漿流入攪拌槽中，將浮選藥劑添加后進行攪拌，在礦漿充分攪勻后，礦漿流入浮選機內(nèi)。在浮選工藝中，通常底流礦漿為尾礦，浮選泡沫為精礦。由于赤鐵礦選礦采用的是反浮選工藝，浮選泡沫則是各階段中不合格產(chǎn)品，底流礦漿則是各階段中的合格產(chǎn)品。通過幾次精選和掃選后，最終獲得合格的精礦礦漿再進行脫水。某選礦廠浮選工藝流程見圖1。

2 赤鐵礦反浮選過程建模

浮選過程是一個比較復(fù)雜的物理化學(xué)過程，受許多因素的影響［9-10］，例如礦物晶體結(jié)構(gòu)、礦物顆粒大小、礦物顆粒形狀、浮選機構(gòu)造、浮選柱構(gòu)造、浮選藥劑制度、礦漿濃度、礦漿pH 值、充氣量、攪拌速度、浮選時間、浮選溫度、超聲波處理、磨礦介質(zhì)類型等。要實現(xiàn)反浮選過程的實時監(jiān)控與優(yōu)化調(diào)節(jié)，首先需建立反浮選過程的數(shù)學(xué)模型。目前，隨著計算機技術(shù)的快速發(fā)展，仿真軟件已廣泛應(yīng)用于研究復(fù)雜對象，高精度的仿真模型不僅可以模擬實物的運動規(guī)律，還可以對其進行高精度的控制和優(yōu)化［11］。

2.1 數(shù)據(jù)建模

浮選選別效果通常由很多因素決定，各因素間往往都是一種非線性的關(guān)系。采集現(xiàn)場數(shù)據(jù)，并對現(xiàn)場數(shù)據(jù)進行分析，確定浮選精礦品位、尾礦品位與影響選別效果因素之間的關(guān)系，可以通過多元線性回歸分析、神經(jīng)網(wǎng)絡(luò)等方法對其建立數(shù)學(xué)模型。現(xiàn)場實際生產(chǎn)數(shù)據(jù)搭建的數(shù)學(xué)模型的仿真結(jié)果表明，雖然該方法對現(xiàn)場具有一定的指導(dǎo)作用，但很難從已有模型中找到一個可以普遍適用的模型。

2.2 機理建模

浮選過程的機理模型出發(fā)點不同，建立的機理模型類型也不同。從浮選過程中的速度角度出發(fā)建立的動力學(xué)模型，可以研究浮選速率的規(guī)律，進而分析各個影響因素，當(dāng)中單相動力學(xué)模型和多相動力學(xué)模型最為普遍，但是這些模型只能用于解釋和說明一些浮選過程，很難應(yīng)用到實際生產(chǎn)中去。從浮選過程中顆粒成功浮出概率的角度出發(fā)建立概率模型，可以研究各種回收機理，但基礎(chǔ)概率模型應(yīng)用在復(fù)雜的浮選過程中，只能采用近似法，還包含一些難以計算的參數(shù)，此外還受限于顆粒-氣泡碰撞機理與氣泡礦化機理研究的不成熟，概率模型難以實際應(yīng)用。從浮選過程的工藝機理和物料平衡的角度出發(fā)建立浮選過程模型，可以模擬礦物的實際浮選過程，對浮選過程的設(shè)計具有一定的指導(dǎo)作用，但也僅限于一些數(shù)值研究和模擬。由于浮選過程的機理建模比較復(fù)雜，以上方法只能建立部分或者近似模型，很難直接應(yīng)用于實際生產(chǎn)中。

3 浮選過程關(guān)鍵工藝指標檢測技術(shù)

浮選過程中有許多影響浮選效果的關(guān)鍵因素，例如浮選給礦量、礦漿濃度、礦漿pH 值、浮選槽充氣量及攪拌速度、藥劑添加量等［12］，要對整個浮選過程進行自動控制，需要借助過程檢測技術(shù)進行監(jiān)控，獲得工藝過程中的一些參數(shù)，從而對整個浮選過程進行調(diào)節(jié)，保證工藝的穩(wěn)定性。精礦和尾礦的鐵品位是浮選過程中最重要的2 個選別指標，這2 個指標直接影響企業(yè)的經(jīng)濟效益。其中，濃度、流量、液位、溫度等可在線檢測，但精礦和尾礦的鐵品位通常需要進行采樣和化驗才能得到，其過程不僅耗時耗力且具有滯后性，故在線檢測鐵品位是困擾整個過程控制的主要因素。另外，在整個浮選控制過程中，浮選液位也是一個重要的因素，液位的高低將影響泡沫刮板工作是否順利進行，進而影響精礦和尾礦的品位，浮選液位的穩(wěn)定需要礦漿流量的穩(wěn)定，因此需要將礦漿流量控制在工藝規(guī)定的操作范圍內(nèi)。藥劑的自動添加也是自動控制的重點，藥劑可以改變礦物的物理化學(xué)性質(zhì)，控制藥劑添加量可以提高礦物的可浮性，獲得最大的經(jīng)濟效益。

4 浮選過程控制研究現(xiàn)狀

浮選過程是十分復(fù)雜的，至今都沒有一種控制方法能實現(xiàn)高效控制，通過現(xiàn)有技術(shù)進行不斷優(yōu)化顯得尤為重要。隨著計算機技術(shù)的發(fā)展，許多智能算法涌現(xiàn)出來，浮選過程的控制技術(shù)隨著算法的改進而優(yōu)化，同時推動了浮選自動化控制技術(shù)的發(fā)展。在浮選過程中，算法控制的變量分為操作變量、中間變量和控制指標，通過控制不同的變量來實現(xiàn)自動控制的目的。

蔡國良［12］通過建立浮選穩(wěn)定控制和優(yōu)化控制2個模型，對浮選液位進行控制。在穩(wěn)定浮選過程的前提下，使用案例學(xué)習(xí)和智能決策技術(shù)優(yōu)化并調(diào)節(jié)整個過程，并且可以預(yù)測出最佳的液位高度并保持穩(wěn)定，可以保證選廠精礦和尾礦的品位在預(yù)定的范圍內(nèi)，保證最大的回收率，增加選廠的經(jīng)濟效益。

郭西進等［13］對浮選柱液位進行了PID-模糊聯(lián)合控制，該操作具有控制精度高、響應(yīng)快、適應(yīng)性強和操作簡單的特點，在浮選柱的液位控制中取得了較好的成效，有效解決了浮選柱大滯后、大慣性的問題。

王威［14］使用模糊控制系統(tǒng)對浮選液位進行控制，采用改進的超聲波測量法對液位進行距離測量，然后將模糊控制器使用在液位控制中，并使用神經(jīng)網(wǎng)絡(luò)技術(shù)對控制器的變量因子進行優(yōu)化。研究結(jié)果表明，該方法穩(wěn)定性好，可以保證浮選過程中的液位要求，對浮選指標的穩(wěn)定起到了一定的作用。

劉潭等［15］收集了影響浮選液位的各項參數(shù)，采用粗糙集的BP 神經(jīng)網(wǎng)絡(luò)對浮選液位進行建模，建模后的仿真試驗誤差可以控制在0.2%以內(nèi)，該精度可以滿足控制的要求，且比人工手動控制更可靠。

吳剛等［16］采用圖像處理技術(shù)與人工智能技術(shù)對趙樓煤礦選煤中心浮選加藥工藝進行研究，設(shè)計了一種自動加藥系統(tǒng)。該系統(tǒng)可以根據(jù)灰分要求分析浮選泡沫的工作情況，進而相對應(yīng)地調(diào)整加藥量來改變浮選效果，提高選別效率，同時解決了長久以來依賴人工經(jīng)驗改變藥劑量的弊端，進一步推進了浮選自動化的發(fā)展。

董志勇等［17］對影響煤泥浮選可測數(shù)據(jù)進行收集，采用LSSVM 算法對其輸入變量和輸出變量建模，并將模型采用PSO 算法進行優(yōu)化。應(yīng)用實踐表明，該模型可以很好地實現(xiàn)自動添加藥劑，并可以根據(jù)工作情況進行調(diào)節(jié)用量，優(yōu)化藥劑添加制度，推進了整個選廠的自動化進程。

周開軍等［18］收集了大量的泡沫與回收率之間的視覺信息，并將這些信息進行分析后，采用LSSVM 算法對其輸入變量和輸出變量建模并進行預(yù)測。通過對收集的數(shù)據(jù)進行模型訓(xùn)練，結(jié)果表明，該模型可有效預(yù)測泡沫視覺信息與回收率之間的關(guān)系，為浮選回收率的在線檢驗提供了一種思路。

黃佳煒［19］采集了13 類泡沫表征信息，對多視覺特征組合與精礦品位之間的關(guān)系進行研究，建立了基于SVM-RFE-BPSO 的精礦品位預(yù)測模型，首先利用SVM-RFE 算法去除部分冗余特征，縮減粒子群算法的搜索空間，并通過BPSO 算法尋找最佳特征子集，再通過SVM 實現(xiàn)精礦品位的預(yù)測。試驗結(jié)果表明，通過SVM-RFE 算法和BPSO 算法的結(jié)合，實現(xiàn)了泡沫圖像特征的最優(yōu)組合，減少了冗余特征，提高了預(yù)測精度。

5 浮選過程優(yōu)化算法設(shè)定

浮選過程自動控制的目標是為了盡可能使被控量穩(wěn)定在設(shè)定值的范圍內(nèi)，以優(yōu)化回收率、精礦品位等經(jīng)濟效益指標，提高產(chǎn)品質(zhì)量及礦物回收率，這些都需要隨著浮選過程的動態(tài)發(fā)展不斷更新控制變量的最優(yōu)值［20-23］。

5.1 單個指標的浮選優(yōu)化設(shè)置

在實際生產(chǎn)中，可將精礦品位、尾礦品位和礦物回收率等指標作為唯一的優(yōu)化目標，其中可以分為基于規(guī)則設(shè)置的優(yōu)化方法和基于機器學(xué)習(xí)設(shè)置的優(yōu)化方法。基于規(guī)則設(shè)置的優(yōu)化方法是將現(xiàn)場的實際經(jīng)驗和根據(jù)實際數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)建立的模型轉(zhuǎn)化為一個規(guī)則集合，可根據(jù)實際情況中遇到的不同情況進行設(shè)定值的調(diào)整。這樣對于獲取原始數(shù)據(jù)和規(guī)則的建立更為容易，可以調(diào)整為更優(yōu)的設(shè)定值。在優(yōu)化多個指標時，可將其分為幾個不相干的單一指標對其建立規(guī)則和優(yōu)化。通過機器視覺方法對指標進行優(yōu)化時，將圖像的特征一直保持為最優(yōu)狀態(tài)很有必要。由于浮選過程中有些特征無法設(shè)定值進行計算，可采用基于機器學(xué)習(xí)的優(yōu)化方法，該方法可在對浮選過程不了解的情況下優(yōu)化運行指標，并可應(yīng)用于未知模型的優(yōu)化控制。

5.2 多個指標的浮選優(yōu)化設(shè)置

在浮選過程中，許多影響因素都會對選礦指標產(chǎn)生影響，例如液位、藥劑量、礦漿濃度、攪拌速度、充氣量、浮選溫度和礦漿pH 值等；選礦指標例如精礦品位、尾礦品位和礦物回收率等。同時控制多種選礦指標，是控制浮選過程的一個重要問題。在實際控制過程中，優(yōu)化指標之間會經(jīng)常發(fā)生相互沖突，針對此類問題，常用的方法是求解帕累托最優(yōu)前沿，并根據(jù)實際情況和專家經(jīng)驗選擇最優(yōu)解作為最優(yōu)設(shè)定值。

單目標優(yōu)化的方法較為簡單且容易實現(xiàn)，但是未能考慮選礦指標之間的相關(guān)性，經(jīng)常在優(yōu)化某個指標時降低其他指標。多目標優(yōu)化方法通過各種算法獲得帕累托前沿，對選礦指標取舍后再優(yōu)化，該方法計算復(fù)雜且計算量大，很難在工業(yè)應(yīng)用中大規(guī)模推廣使用。

6 結(jié) 論

（1）針對赤鐵礦的浮選，描述了浮選過程及其浮選過程的自動控制現(xiàn)狀，并揭示了影響浮選過程的因素。自動控制分別從建模方法、控制方法和優(yōu)化算法進行了描述。

（2）建模方法分為機理建模和數(shù)據(jù)建模，目前常采用數(shù)據(jù)建模，機理建模仍在發(fā)展中，如何解決時間序列不匹配問題，提高建模精度，仍是未來值得深入探究的問題。

（3）浮選過程關(guān)鍵指標的測量方法不同，則需采用相應(yīng)的方法進行控制。由于浮選過程的最優(yōu)值是一個動態(tài)更新的過程，需要通過不同的優(yōu)化算法進行優(yōu)化，以保證運行指標最優(yōu)。目前，算法的優(yōu)化還有很大的發(fā)展空間，越來越多的優(yōu)化算法也將會出現(xiàn)。