智能揀選裝備在礦物加工中的應用現狀與發展趨勢

王 龍 林興浩 王 彬

(廣東省科學技術情報研究所,廣東 廣州 510033)

礦產資源作為人類社會生存和發展的基礎,對整個國民經濟的發展有著舉足輕重的作用。隨著社會經濟發展進入新時代,我國對礦石產品需求增長迅速,對礦產資源的開發規模達到空前的程度[1]。我國礦產資源總體稟賦條件較差,典型特點為:貧礦多、嵌布粒度細、共(伴)生關系復雜[2]。近年來,隨著礦產資源的持續過度開采,資源不斷枯竭,高品位易選礦石儲量越來越少,礦石貧化加劇,低品位難選礦石的入選比例持續攀升,導致選礦成本大幅增加。隨著我國易選礦產資源的不斷消耗及選礦技術水平的不斷提升,開采和處理貧礦和極貧礦已成為必然。但在采礦作業過程中,不可避免地會有一定量的廢石混入,使礦石進一步被貧化;同時,也會有一些高品位礦石混入圍巖中,造成資源的浪費[3]。

揀選是利用不同礦物的光學性質、導電性、磁性、放射性及不同射線輻射下的反射/吸收特性差異,通過逐一檢測后機械分離的選礦方法。揀選是解決入選礦石日益貧化趨勢的一項重要對策,是提高選礦技術經濟指標的重要途徑。對于采礦而言,揀選可使低品位礦石被高效開采利用,避免了以往常規開采帶來的資源浪費,而且可使一些低品位的表外礦石變成有用資源,提高礦山的服務年限;對于選礦而言,合理利用揀選,不僅可以降低能耗和各個后續加工段的費用,而且揀選出的廢礦石可用于回填或作建筑材料,為企業帶來額外利潤。進入21 世紀,深度學習、遺傳算法等人工智能AI 算法,以及X 射線、激光誘導、微波技術等智能光電選礦技術的快速發展,使智能揀選裝備得到了快速發展和工業應用。面對入選礦石和堆存廢石的現狀,智能揀選裝備的有效利用已經成為降低選礦成本、提高資源利用率和企業經濟效益的重要手段[4]。

1 智能揀選裝備的組成與原理

1.1 智能揀選裝備的組成與分選過程

智能揀選裝備主要由振動布料系統、信號檢測系統、計算機軟件算法系統、動作執行裝置四大模塊組成。圖1為X 射線熒光分選機結構圖,其中布料系統一般由給料機、溜槽、皮帶組成,礦物在給料系統的作用下形成單層平鋪的狀態經過信號檢測系統;信號檢測系統由射線發生器及射線接收器組成,高清圖像識別系統由高亮光源和高清數碼相機組成;算法系統通過分析礦石特征信息,實現礦石的高速準確識別;動作執行硬件控制部分由工控機、高速控制器、繼電器等原件組成,聯合算法優化實時動態分離礦廢[5]。

圖1 X 射線熒光分選機結構Fig.1 Structure diagram of X-ray fluorescence sorting machine

智能揀選過程中,礦物以單層形式通過布料系統進入信號檢測區,檢測信號經過算法系統處理后利用動作執行裝置實現礦物顆粒選擇性分離。作為一種物理分選技術,揀選對礦石分選整體效率的提升作用巨大。對于所處理礦物,在目的礦物存在礦物學或元素獨特特征的基礎上,智能揀選裝備的傳感器應對信噪比足夠敏感,算法系統應迅速對檢測信號進行校準和驗證并做出判斷,同時動作執行裝置能夠及時有效地將目的礦物與脈石分開。

1.2 智能揀選裝備的傳感器

信號檢測分析系統是智能揀選裝備最關鍵的部件,而傳感器是信號檢測分析系統的眼睛。近年來,隨著色選(Color)、X 射線熒光(XRF)、X 射線透射(XRT)、近紅外射線(NIR)、激光誘導、微波等傳感檢測技術的發展,智能揀選技術越來越獲得全球知名礦業企業的高度關注[6]。目前,世界上比較成熟的傳感器信息采集技術以Color 和XRT為主,工業應用較為成熟。XRF 技術在國內未得到大面積推廣,相關生產企業大多向XRT 技術轉型,使得XRT 成為應用最為廣泛的傳感器信息采集技術[4]。常見傳感器信息采集技術在礦石揀選中的應用如表1所示。

表1 常見傳感器信息采集技術在礦石揀選中的應用Table 1 Application of common sensor information collection technology in ore sorting

1.3 智能揀選裝備在分選中的作用

采礦的剝離作業和表外礦石的堆存是造成金屬流失的重要原因,智能揀選裝備最常用于處理低開采成本的邊際開采區塊礦,對已達到工業入選品位的礦石可通過揀選預先拋除廢石以提高入選品位;為了獲得合適的塊礦粒度,一般還需在揀選前增加粗碎和中碎作業[7]。此外,一些銅礦礦山將智能揀選裝備置于自磨機前,揀選出低品位廢石,從而顯著降低了入磨量和磨機功耗,應用潛力巨大[8]。

總的來說,礦石預選流程主要分為3種:① 直接預選流程,適宜礦石粒度均勻、細粒粉狀礦石較少的原礦;② 篩分—預選流程,通過篩分去除粒度過小部分;③ 破碎—篩分—預選流程,經破碎和篩分后,過大顆粒返回破碎形成閉路;3種流程圖見圖2。

圖2 常見揀選流程Fig.2 Common sorting flowsheet

2 常見智能揀選裝備的應用

國外在智能揀選裝備領域的技術研發企業主要有挪威Tomra 集團、德國Steinert 公司、俄羅斯Rados、芬蘭IMA Engineering、挪威Comex、美國Thermo Fisher、加拿大MineSense、澳大利亞NextOre 和澳大利亞CRC ORE 等;中國企業主要有贛州好朋友、天津美騰、北京霍里思特和沈陽隆基等。

2.1 X 射線透射(XRT)揀選

XRT 透射揀選技術是依靠X 射線穿透礦石后,不同成分對X 射線吸收能力不同而實現品位識別的揀選方法[9]。由于XRT 分揀裝備根據物料的特定原子密度識別和分離,直接反映礦石內部信息,可以避免礦石大小、濕度或表面污染程度的影響,具有較高的精度,因此在市場上得到最多的關注[10]。

相比于重介質選礦,XRT 智能揀選裝備對中低品位粗顆粒磷礦拋尾效果好,綜合技術指標優于重介質選礦指標,分選流程簡單,運行成本低,且不產生廢水,有利于環境保護。對四川某地鎂硅質磷礦石研究發現,相較于傳統的“破碎—磨礦—正浮選—反浮選”工藝,在磨礦作業前使用XRT 揀選,采用“破碎—XRT 分選—磨礦—反浮選”工藝,最終磷精礦中的石英去除率可提高26個百分點,礦山產能提高一倍[11]。沙特磷礦在分選中使用XRT 揀選裝備可使大量廢石在中碎之前就被分離拋棄,使全廠能源、水量和藥劑消耗分別降低了19、22 和31個百分點,并獲得了尾礦庫筑壩所需的粗顆粒尾礦[12]。

XRT 智能揀選裝備一段分選就可以使酒鋼鏡鐵山鐵礦在較大拋廢率的情況下,尾礦品位保持在12%以內,同時揀選粗精礦鐵品位提高了3.6個百分點以上,智能揀選指標較人工揀選好[13];進一步采用智能揀選—1 粗1 掃強磁干式揀選工藝聯合拋廢,鐵精礦品位提高了3.85個百分點[14]。安徽某鏡鐵礦揀選試驗結果也證明使用XRT 智能揀選裝備,在控制廢石鐵品位8%左右的情況下的拋廢率為6%,同時拋除的大塊尾礦可以加工成砂石料出售,節能降耗效果明顯,說明該裝備在難選鐵礦石的揀選領域具有較好的應用前景[15]。

湖南某鎢礦使用XRT 智能揀選機對鎢礦進行了揀選研究,可獲得富集比和拋廢率分別為2.32 和65.37%的良好指標,使選礦成本降低了34.91個百分點,提高選廠處理量53.33個百分點,提高了低品位鎢礦資源利用率[16-17]。XRT 射線智能揀選裝備對稀土礦的富集比在3～4,稀土的損失量可控制在2%以下,對于銅和錫的富集比分別為1.73 和1.24,拋廢率達16%左右[9,18]。

2.2 X 射線熒光(XRF)揀選

XRF 揀選技術是利用探測器接收礦石受到X 射線照射后所激發的二次X 射線來分選礦石。基于元素被激發躍遷時釋放的本征X 射線,通過射線能量及其強弱獲知該元素信息[19]。

夜長坪300～150 mm粒級鉬礦通過XRF 智能揀選機預選使富集比達到1.25～1.50,顯著提高了選廠技術經濟指標和綜合效益[20];150～20 mm粒級新華鉬礦使用XRF 揀選機獲得富集比1.44、精礦回收率95.87%的良好指標[21];湖南某鎢鉬礦(40～20 mm)經過XRF 揀選機預選后鎢和鉬的富集比分別為1.72和1.88,綜合拋廢率39%[22]。

XRF 智能揀選廣泛應用于銅礦及銅金、銅鋅等共生礦揀選中[23]。紅透山銅礦150～20 mm粒級廢石含銅0.1%,經XRF 揀選后獲得銅品位為1.10%、回收率為70.80%的揀選產品,進一步的研究發現礦石粒度對揀選指標有影響,在其他試驗條件相同的情況下,150～100 mm粒級的分選指標明顯優于其他粒級,適當增大給礦塊粒度有利于改善該銅礦廢石的分選指標[24,7]。對于入選粒度對揀選指標的影響方面,內蒙古赤峰大井子銅礦圍巖XRF 揀選結果證明100～60 mm粒級的分選效果要明顯好于60～20 mm粒級[25]。靈寶金源金-石英-金屬硫化物型金礦石,有用礦物主要為自然金和銀金礦,脈石礦物主要為石英,原礦金品位2.34 g/t,對150～30 mm粒級礦石進行揀選半工業試驗,揀選后的精礦金品位提高至3.40 g/t,金損失率僅為1.95%[5]。

XRF 智能揀選裝備還廣泛應用于磷礦[26]、金剛石[27]、稀土礦[28]等非金屬礦和其它稀有礦石的揀選中,除此之外,也可用于鐵礦揀選(圖3),用于分離鐵礦石和石英,分離效果高效,但應用并不廣泛[29]。

圖3 鐵礦與石英純礦物分選情況[29]Fig.3 Separation of pure mineral iron ore and quartz

XRF 技術具有分析速度快,分析過程不受樣品形態影響等優點,使得XRF 智能揀選裝備起步較XRT 早,但由于其容易受元素相互干擾和疊加峰影響,在實際使用時可能出現的頻繁校正、擬合等問題在一定程度上限制了其應用和發展。

2.3 近紅外射線(NIR)揀選

NIR 主要是基于非諧振性分子振動,使分子振動從基態向高能級躍遷時產生的光譜分析,記錄的是分子中單個化學鍵的基頻振動的倍頻和合頻信息,是一種優良的振動光譜,檢測性能優于常規的表面檢測[30]。

對于NIR 分析,在相似波長位置,吸收特征峰和峰寬不受礦物顆粒尺寸的影響,但是特征峰深度受顆粒尺寸和礦石類型的影響。例如,對于富含孔雀石的銅礦而言,較大顆粒尺寸礦石在整個波長范圍內對光譜的吸收度比較小顆粒尺寸礦石高,且特征吸收峰波長位置是最優識別參數[31]。利用基于不同NIR 活性礦物的銅品位與NIR 響應的間接關系,可以有效預測銅品位。NIR 智能揀選裝備也可用于鐵礦,對粒徑10 mm的高鋁鐵礦揀選后可使鐵品位由59%提高至69%,此過程伴隨鋁富集,鋁含量由0.35%升高至8.85%[32]。NIR 揀選應用于納米比亞Scorpion 氧化鋅礦和加拿大Renard 礦的金伯利巖選礦,均獲得了成功[33]。

由于NIR 光譜的表面激活厚度約30 μm,一定程度上能夠耐受較薄粉塵的干擾,雖然濕篩或脫水后顆粒的表面水分不會對分選效率產生負面影響,但在多變量校準中仍需要考慮表面水分的影響。

2.4 顏色揀選(色選)

顏色揀選(色選)是利用礦物對光的反射率、吸收率和投射率等光學信息差異來實現目的礦物和廢石分離的方法。色選所用光源多為漫反射光源,不同光源的光譜特征有差異,需根據礦石的表面光學性質選擇合適的光源和濾光片,有時還需要對光源進行設計[34]。

色選裝備廣泛應用于石英砂、鉀長石、碳酸鹽、鎢礦、錫礦和螢石等揀選[35]。趙秀鳥等[36]建立了一套鎢礦初選系統,為了確保機器視覺技術在鎢礦初選環節的可行性和高效性,作者針對鎢礦的特征提出了SUSAN 邊緣檢測算法,如圖4所示,該算法在灰度變換和邊緣檢測的基礎上可顯著提高鎢礦在圖像中的顯示程度。陳明文等[34]在分析鉀長石光反射特性和LED 光源在鉀長石光電揀選中技術特點的基礎上,總結并提出了LED 光源應用于鉀長石智能揀選系統光源的配光設計方法,為鉀長石智能揀選系統光源的制備提供了技術依據。但在金礦分選方面,河南某金礦色選研究發現,其含有的綠色廢石與金礦石不容易區分,造成較高的誤揀率或較低的揀出率問題[37]。

圖4 經過處理的原始礦石圖像和SUSAN 檢測效果Fig.4 Processed raw ore images and SUSAN inspection results

雖然色選裝備可應用于很多礦種,但在金礦揀分選中的效果較差,還需輔助其他傳感設備以提高分揀精度。

2.5 其他類型揀選

放射性揀選依據礦物天然放射性的差異(如含鈾的礦石和廢石)實現分離,主要用于放射性礦物,具有識別精度高、處理量大、分選效率高等優點[38]。紅外線熱成像特性揀選(IRT)是利用物料不同組分受熱后紅外線輻射強度差異進行分選,此類揀選裝備無需額外照射,但在分選前需對礦石加熱,如圖5所示,微波-熱紅外成像技術(WM-IRT)可以有效改善難處理斑銅礦的分揀效果[39]。

圖5 測試碎片布局和50.8～25.4 mm碎片微波處理后的熱圖像Fig.5 Example test fragment layout and thermal image after microwave treatment for 50.8～25.4 mmfragments

3 智能揀選裝備的發展趨勢

3.1 硬件方面

作為智能分揀裝備的信息源頭,傳感器在滿足實時測量、無損、無接觸、空間和光譜分辨率足夠、成本合理的基礎上,越來越多光源優質、分辨率高、識別速度快、抗干擾性強的傳感器被研究并用于智能分揀裝備中。傳感器光源也已經從可見光發展到近紅外線、高能X 射線和同步加速X 射線(sXRF)甚至中子伽馬射線,其分辨率、穿透性和互補性更好。

sXRF 傳感器具有極高的分辨率(10 nm),可以在更高空間分辨率下分析礦石的化學組成,評估流體包裹體形態特征等[40]。研究發現多通道激光(MCL)傳感技術特別適合石英的識別,可有效檢測500 μm大小的塊狀、脈狀石英,并成功用于石英共生金礦的分選和高純石英提純[6]。快速中子激活分析(PGNAA)穿透性很強,但對不同元素品位檢測下限和測量時長不同,礦石類型變化時需要重新校準,主要用于元素含量或比例的測定,其測定時間范圍為0.5～5 min,該方法對分揀裝備中布料傳送帶上物料流的過程控制要求較高,可有效用于塊狀礦石的分揀。磁共振分揀裝備(MR)穿透能力強,可以直接檢測礦石中目標礦物的存在,對體積較小的礦石,具有測量時間短、分辨率高、測量數據準確、無需頻繁校準等特點,而且此類分揀裝備無需對礦塊進行表面清潔和嚴格的物料尺寸分布或預混合處理,即可獲得可靠的數據,目前適用于硫化銅、鐵礦、黃金等礦石[41]。激光誘導擊穿光譜法(LIBS)是一種新興的物質成分檢測與分析技術,有快速、簡單、在線等特點,已被用于礦石的品位分析,如分析鐵礦石中Mn 和Si[42]。激光誘導熒光(LIF)具有靈敏度高、可在線等優點,近年來得到快速發展,其技術已在瑞典Kiruna 鐵礦獲得應用,實現了對鐵礦石中磷含量的準確在線檢測和揀選[43]。β延遲中子分析法用于預測鈾礦含量,該方法可以消除由U-Ra 不平衡問題引起的系統誤差問題[38]。

除了新型傳感器不斷涌現外,傳統傳感器間相互組合有時可獲得更好的效果,如雙能X 射線智能分選裝備(DE-XRT)、NIR-XRT、MW-IRT、PGNAA-XRF等,其中最為典型的是DE-XRT,該技術采用兩種獨立能量級水平的射線對礦石進行檢測,其優點是能記錄一些與物料粒度變化無關的數據,有利于提高目標礦物成像建模的準確率,從而提高礦石的分選精度;例如可以記錄一種礦物的原子密度與另一種礦物的差異,DE-XRT 適用于如銅、鉛鋅、鉬、金銀等金屬礦物,螢石、石英、磷輝石等一般礦物與脈石原子系數相差較小的礦石[44-46]。在煤礦分揀煤矸石過程中,DEXRT 可有效節省人工成本,改善作業環境,降低勞動強度,提升安全管理效率。廣西某低品位鉛鋅礦試驗研究結果顯示,經DE-XRT 3 次揀選的綜合拋廢率可達34.05%,Pb 和Zn 的損失率分別僅為2.41%和1.61%,揀選效果良好[47]。

在外觀上,智能分揀裝備呈現出微型-移動化與大型-規模化兩極分化的發展趨勢,微型化具有靈活可拆接的優點,可用于地下礦山;而大型化則向動力學模擬智能型發展,智能分揀裝備大型化在降低生產成本方面效果顯著。例如,博茨瓦納Karow 鉆石礦,通過增加XRT 分選設備的設計容量,使其設計進料能力與10年前相比增加了近5 倍,而投資成本和運營成本幾乎減半,設備的配件壽命以及保養和維護的綜合經驗也為新一代設備的開發奠定了基礎[48]。

3.2 軟件方面

高效的算法不僅節省計算資源而且可以提高檢測精度和響應速度,提高分揀效率[49]。在XRF 揀選裝備的算法方面,劉明寶等[50]引入峰背比法,采用單點法對鉬礦XRF 譜圖分析確定鉬礦分揀的最佳工藝條件,此方法也可用于低品位釔族稀土礦的品位預測。聯合使用PGNAA 和XRF、Nadolski 等[51]利用內在異質性參數優化成功實現了對礦石中銅品位的預測。李根壯[52]針對常規揀選算法中金屬分布頻率曲線內在異質性和分布異質性對礦石特性反映不全,無法對揀選的可行性進行直接評價等問題,通過引入分形理論,優化礦石揀選的決策算法,縮小了銅礦揀選預測與實際效果的差距。

在色選算法領域,中值濾波原理、邊緣檢測算法、基于DSP 的改進邊緣檢測算法、深度學習和基于CNN 卷積神經網絡算法等新型算法開始被用于圖形預處理與識別,新算法的使用在一定程度上克服了利用顏色灰度特征區分被礦泥覆蓋脈石和多處鏡面反光帶來的干擾,提高了分揀精度和效率。

SUSAN 算法的邊緣檢測算法用于鎢礦粗選環節的圖像分割,為提升鎢礦初選環節的機械化程度和分選效率提供了理論依據[36]。LIU 等[53]在考慮模型深度、模型結構和數據集大小的前提下,基于Alex Net和VGG Net 建立了不同深度的卷積神經網絡結構模型(VGG19_BN),用于煤炭圖像分類器的運行過程進行可視化分析。K均值聚類算法[54]是一種迭代下降聚類方法,具有計算簡單、能夠動態聚類、自適應性強等特點,將其用于鉀長石礦粒圖像分選判定,獲得了富集比1.3 的較理想揀選效果。

卷積神經網絡(convolutional neural network,CNN)近年來被廣泛應用于自然語言處理、圖像處理與醫學研究等自然科學領域,特別在圖像處理方面,它能夠對圖像進行多層次特征提取和分類輸出,在運算速度和準確率方面,也比以往任何一種圖像識別模式具有優勢。王莉等[55]提出了一種基于CNN 的煤矸石自動分選算法,它根據煤塊和矸石的顏色、紋理不同,通過CNN 模型進行深層特征提取來識別,避免了常規檢測中煤礦表面粉塵污染的干擾和必須在相同的照明環境下進行樣本取樣的苛刻要求,且準確率和辨識速度均優于傳統色選算法。

如今,利用先進模型預測控制技術、智能學習與遠程協同技術,以及對礦石特性或工藝參數變化的迅捷響應,智能揀選裝備將進一步實現動態控制和持續優化,以提高礦物加工的效率和盈利能力。

4 結 語

(1)揀選具有提高低品位礦區開采效率,增加礦山服務年限,降低選礦成本的優點,是提高選礦技術經濟指標的重要途徑。雖然國內在智能分揀裝備方面的研究起步較晚,但發展較快。

(2)組合式傳感器、高速高分辨率探測器、快速中子激活分析、激光誘導擊穿光譜、3D 掃描等新技術還需要進一步探索和優化。隨著計算機性能的提升和高效算法的引入,視覺識別和智能圖像處理技術的重要性日趨顯現。

(3)智能分揀裝備大小兩極化發展趨勢明顯,模塊化已嵌入先進過程控制中。云計算、多端數據處理等與協同中心的普及對企業整體智能生產系統的完善具有推動作用。

(4)近年來,雖然國內智能分揀技術和裝備方面的熱度持續攀高,但成功的工業應用案例卻不多,未來在技術的實際推廣應用方面還需加大投入。