浮选技术是目前矿业中矿物分选主要采用的工艺方法。传统的浮选控制过程是通过各种测量仪器,分析测量矿物的品位、浮选回路中的pH值、药物浓度等参数,根据分析得出的数学模型来调整加药量,以使浮选过程处在最优状态下。但实际上,由于浮选过程十分复杂,影响浮选过程的因素非常多,所获得的数学模型并不能和实际很好吻合,因而控制过程一般并不能处在最优状态下。这是浮选控制过程的难点,一直困扰着人们。一般测量仪器测量计算参数,需要一定的时间,而这时浮选状态已经发生改变,模型吻合性进一步变差。若采用在线分析仪,数百万的价格和严格的操作维护也使一般矿场难以采用。
在实际生产过程中,通常是根据对浮选泡沫状态的观察,由操作工人来调整加药量,使得浮选过程处于一个较好的状态下。这在很大程度上取决于操作者的经验和能力。由于浮选是一个相当复杂的动态过程,加之人员的变换,以及不可靠、不准确的手动控制系统,从而使得浮选过程很难达到最优状态。
本成果主要利用计算机视觉和神经网络技术来对浮选泡沫层图像进行分析处理,建立图像测量参数与泡沫层特征参数之间的关系,通过实验建立泡沫层特征参数和浮选效果之间的人工神经网络模型。进一步根据上述泡沫层图像检测的结果来实时给出有关确定加药量的信号。本成果可与浮选自动加药系统结合,实现浮选过程的优化控制,从而提高矿物回收率和品位等指标,达到充分利用有限矿产资源,提高生产率,节约能源和资源,保护环境,提高经济效益,用高技术改造传统产业,提高企业经济技术水平和竞争力的目的。
产业化应用
扫码关注,查看更多科技成果