赤铁矿反浮选自动控制现状及发展趋势*

2023-04-21范喜杰王子扬徐冬林吴前锋

现代矿业 2023年11期

范喜杰王子扬徐冬林侯英吴前锋盖壮

（1.鞍钢集团鞍千矿业有限责任公司；2.辽宁科技大学矿业工程学院）

铁矿资源是我国国民经济发展的战略资源，是钢铁企业发展的支撑和重要保障［1］。受到国际铁矿石价格的影响，我国铁矿石企业压力巨大，降本增效迫在眉睫［2］。我国的铁矿资源储量巨大，但贫矿约占总储量的98%，在需要选别的贫矿中赤铁矿占20.8%［3］。通过单一的选别方法很难高效选别赤铁矿，现阶段赤铁矿选别工艺已发展为阶段磨矿、重—磁—阴离子反浮选，我国的贫赤铁矿选矿工艺技术已位于世界领先水平［4-5］。欧洲钢铁工业技术发展指南指出：“对于降低生产成本、提高产品质量、减少环境污染和资源消耗只能通过全流程自动控制系统的优化设计来实现”［6-7］。赤铁矿选别工艺中反浮选是最重要的一步，其过程直接影响精矿的回收率和品位。为充分了解赤铁矿反浮选控制现状，提高其浮选效率，本文总结了赤铁矿反浮选自动控制的现状和发展趋势，为赤铁矿反浮选的自动控制提供借鉴。

1 赤铁矿反浮选工艺过程描述

浮选是利用矿石中不同矿物表面性质的差异将有用矿物与脉石矿物在气-液-固相界面分离的选矿技术［8］。在赤铁矿选矿工艺中，磁选精矿矿浆经浓密工序处理后，将满足一定浓度和粒度的矿浆送至浮选工序，矿浆流入搅拌槽中，将浮选药剂添加后进行搅拌，在矿浆充分搅匀后，矿浆流入浮选机内。在浮选工艺中，通常底流矿浆为尾矿，浮选泡沫为精矿。由于赤铁矿选矿采用的是反浮选工艺，浮选泡沫则是各阶段中不合格产品，底流矿浆则是各阶段中的合格产品。通过几次精选和扫选后，最终获得合格的精矿矿浆再进行脱水。某选矿厂浮选工艺流程见图1。

2 赤铁矿反浮选过程建模

浮选过程是一个比较复杂的物理化学过程，受许多因素的影响［9-10］，例如矿物晶体结构、矿物颗粒大小、矿物颗粒形状、浮选机构造、浮选柱构造、浮选药剂制度、矿浆浓度、矿浆pH 值、充气量、搅拌速度、浮选时间、浮选温度、超声波处理、磨矿介质类型等。要实现反浮选过程的实时监控与优化调节，首先需建立反浮选过程的数学模型。目前，随着计算机技术的快速发展，仿真软件已广泛应用于研究复杂对象，高精度的仿真模型不仅可以模拟实物的运动规律，还可以对其进行高精度的控制和优化［11］。

2.1 数据建模

浮选选别效果通常由很多因素决定，各因素间往往都是一种非线性的关系。采集现场数据，并对现场数据进行分析，确定浮选精矿品位、尾矿品位与影响选别效果因素之间的关系，可以通过多元线性回归分析、神经网络等方法对其建立数学模型。现场实际生产数据搭建的数学模型的仿真结果表明，虽然该方法对现场具有一定的指导作用，但很难从已有模型中找到一个可以普遍适用的模型。

2.2 机理建模

浮选过程的机理模型出发点不同，建立的机理模型类型也不同。从浮选过程中的速度角度出发建立的动力学模型，可以研究浮选速率的规律，进而分析各个影响因素，当中单相动力学模型和多相动力学模型最为普遍，但是这些模型只能用于解释和说明一些浮选过程，很难应用到实际生产中去。从浮选过程中颗粒成功浮出概率的角度出发建立概率模型，可以研究各种回收机理，但基础概率模型应用在复杂的浮选过程中，只能采用近似法，还包含一些难以计算的参数，此外还受限于颗粒-气泡碰撞机理与气泡矿化机理研究的不成熟，概率模型难以实际应用。从浮选过程的工艺机理和物料平衡的角度出发建立浮选过程模型，可以模拟矿物的实际浮选过程，对浮选过程的设计具有一定的指导作用，但也仅限于一些数值研究和模拟。由于浮选过程的机理建模比较复杂，以上方法只能建立部分或者近似模型，很难直接应用于实际生产中。

3 浮选过程关键工艺指标检测技术

浮选过程中有许多影响浮选效果的关键因素，例如浮选给矿量、矿浆浓度、矿浆pH 值、浮选槽充气量及搅拌速度、药剂添加量等［12］，要对整个浮选过程进行自动控制，需要借助过程检测技术进行监控，获得工艺过程中的一些参数，从而对整个浮选过程进行调节，保证工艺的稳定性。精矿和尾矿的铁品位是浮选过程中最重要的2 个选别指标，这2 个指标直接影响企业的经济效益。其中，浓度、流量、液位、温度等可在线检测，但精矿和尾矿的铁品位通常需要进行采样和化验才能得到，其过程不仅耗时耗力且具有滞后性，故在线检测铁品位是困扰整个过程控制的主要因素。另外，在整个浮选控制过程中，浮选液位也是一个重要的因素，液位的高低将影响泡沫刮板工作是否顺利进行，进而影响精矿和尾矿的品位，浮选液位的稳定需要矿浆流量的稳定，因此需要将矿浆流量控制在工艺规定的操作范围内。药剂的自动添加也是自动控制的重点，药剂可以改变矿物的物理化学性质，控制药剂添加量可以提高矿物的可浮性，获得最大的经济效益。

4 浮选过程控制研究现状

浮选过程是十分复杂的，至今都没有一种控制方法能实现高效控制，通过现有技术进行不断优化显得尤为重要。随着计算机技术的发展，许多智能算法涌现出来，浮选过程的控制技术随着算法的改进而优化，同时推动了浮选自动化控制技术的发展。在浮选过程中，算法控制的变量分为操作变量、中间变量和控制指标，通过控制不同的变量来实现自动控制的目的。

蔡国良［12］通过建立浮选稳定控制和优化控制2个模型，对浮选液位进行控制。在稳定浮选过程的前提下，使用案例学习和智能决策技术优化并调节整个过程，并且可以预测出最佳的液位高度并保持稳定，可以保证选厂精矿和尾矿的品位在预定的范围内，保证最大的回收率，增加选厂的经济效益。

郭西进等［13］对浮选柱液位进行了PID-模糊联合控制，该操作具有控制精度高、响应快、适应性强和操作简单的特点，在浮选柱的液位控制中取得了较好的成效，有效解决了浮选柱大滞后、大惯性的问题。

王威［14］使用模糊控制系统对浮选液位进行控制，采用改进的超声波测量法对液位进行距离测量，然后将模糊控制器使用在液位控制中，并使用神经网络技术对控制器的变量因子进行优化。研究结果表明，该方法稳定性好，可以保证浮选过程中的液位要求，对浮选指标的稳定起到了一定的作用。

刘潭等［15］收集了影响浮选液位的各项参数，采用粗糙集的BP 神经网络对浮选液位进行建模，建模后的仿真试验误差可以控制在0.2%以内，该精度可以满足控制的要求，且比人工手动控制更可靠。

吴刚等［16］采用图像处理技术与人工智能技术对赵楼煤矿选煤中心浮选加药工艺进行研究，设计了一种自动加药系统。该系统可以根据灰分要求分析浮选泡沫的工作情况，进而相对应地调整加药量来改变浮选效果，提高选别效率，同时解决了长久以来依赖人工经验改变药剂量的弊端，进一步推进了浮选自动化的发展。

董志勇等［17］对影响煤泥浮选可测数据进行收集，采用LSSVM 算法对其输入变量和输出变量建模，并将模型采用PSO 算法进行优化。应用实践表明，该模型可以很好地实现自动添加药剂，并可以根据工作情况进行调节用量，优化药剂添加制度，推进了整个选厂的自动化进程。

周开军等［18］收集了大量的泡沫与回收率之间的视觉信息，并将这些信息进行分析后，采用LSSVM 算法对其输入变量和输出变量建模并进行预测。通过对收集的数据进行模型训练，结果表明，该模型可有效预测泡沫视觉信息与回收率之间的关系，为浮选回收率的在线检验提供了一种思路。

黄佳炜［19］采集了13 类泡沫表征信息，对多视觉特征组合与精矿品位之间的关系进行研究，建立了基于SVM-RFE-BPSO 的精矿品位预测模型，首先利用SVM-RFE 算法去除部分冗余特征，缩减粒子群算法的搜索空间，并通过BPSO 算法寻找最佳特征子集，再通过SVM 实现精矿品位的预测。试验结果表明，通过SVM-RFE 算法和BPSO 算法的结合，实现了泡沫图像特征的最优组合，减少了冗余特征，提高了预测精度。

5 浮选过程优化算法设定

浮选过程自动控制的目标是为了尽可能使被控量稳定在设定值的范围内，以优化回收率、精矿品位等经济效益指标，提高产品质量及矿物回收率，这些都需要随着浮选过程的动态发展不断更新控制变量的最优值［20-23］。

5.1 单个指标的浮选优化设置

在实际生产中，可将精矿品位、尾矿品位和矿物回收率等指标作为唯一的优化目标，其中可以分为基于规则设置的优化方法和基于机器学习设置的优化方法。基于规则设置的优化方法是将现场的实际经验和根据实际数据进行神经网络建立的模型转化为一个规则集合，可根据实际情况中遇到的不同情况进行设定值的调整。这样对于获取原始数据和规则的建立更为容易，可以调整为更优的设定值。在优化多个指标时，可将其分为几个不相干的单一指标对其建立规则和优化。通过机器视觉方法对指标进行优化时，将图像的特征一直保持为最优状态很有必要。由于浮选过程中有些特征无法设定值进行计算，可采用基于机器学习的优化方法，该方法可在对浮选过程不了解的情况下优化运行指标，并可应用于未知模型的优化控制。

5.2 多个指标的浮选优化设置

在浮选过程中，许多影响因素都会对选矿指标产生影响，例如液位、药剂量、矿浆浓度、搅拌速度、充气量、浮选温度和矿浆pH 值等；选矿指标例如精矿品位、尾矿品位和矿物回收率等。同时控制多种选矿指标，是控制浮选过程的一个重要问题。在实际控制过程中，优化指标之间会经常发生相互冲突，针对此类问题，常用的方法是求解帕累托最优前沿，并根据实际情况和专家经验选择最优解作为最优设定值。

单目标优化的方法较为简单且容易实现，但是未能考虑选矿指标之间的相关性，经常在优化某个指标时降低其他指标。多目标优化方法通过各种算法获得帕累托前沿，对选矿指标取舍后再优化，该方法计算复杂且计算量大，很难在工业应用中大规模推广使用。