赤鐵礦反浮選自動控制現狀及發展趨勢*

范喜杰 王子揚 徐冬林 侯 英 吳前鋒 蓋 壯

（1.鞍鋼集團鞍千礦業有限責任公司；2.遼寧科技大學礦業工程學院）

鐵礦資源是我國國民經濟發展的戰略資源，是鋼鐵企業發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，現階段赤鐵礦選別工藝已發展為階段磨礦、重—磁—陰離子反浮選，我國的貧赤鐵礦選礦工藝技術已位于世界領先水平［4-5］。歐洲鋼鐵工業技術發展指南指出：“對于降低生產成本、提高產品質量、減少環境污染和資源消耗只能通過全流程自動控制系統的優化設計來實現”［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狀，提高其浮選效率，本文總結了赤鐵礦反浮選自動控制的現狀和發展趨勢，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［8］。在赤鐵礦選礦工藝中，磁選精礦礦漿經濃密工序處理后，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。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品，底流礦漿則是各階段中的合格產品。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雜的物理化學過程，受許多因素的影響［9-10］，例如礦物晶體結構、礦物顆粒大小、礦物顆粒形狀、浮選機構造、浮選柱構造、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、磨礦介質類型等。要實現反浮選過程的實時監控與優化調節，首先需建立反浮選過程的數學模型。目前，隨著計算機技術的快速發展，仿真軟件已廣泛應用于研究復雜對象，高精度的仿真模型不僅可以模擬實物的運動規律，還可以對其進行高精度的控制和優化［11］。

2.1 數據建模

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系。采集現場數據，并對現場數據進行分析，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系，可以通過多元線性回歸分析、神經網絡等方法對其建立數學模型。現場實際生產數據搭建的數學模型的仿真結果表明，雖然該方法對現場具有一定的指導作用，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建立的動力學模型，可以研究浮選速率的規律，進而分析各個影響因素，當中單相動力學模型和多相動力學模型最為普遍，但是這些模型只能用于解釋和說明一些浮選過程，很難應用到實際生產中去。從浮選過程中顆粒成功浮出概率的角度出發建立概率模型，可以研究各種回收機理，但基礎概率模型應用在復雜的浮選過程中，只能采用近似法，還包含一些難以計算的參數，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用。從浮選過程的工藝機理和物料平衡的角度出發建立浮選過程模型，可以模擬礦物的實際浮選過程，對浮選過程的設計具有一定的指導作用，但也僅限于一些數值研究和模擬。由于浮選過程的機理建模比較復雜，以上方法只能建立部分或者近似模型，很難直接應用于實際生產中。

3 浮選過程關鍵工藝指標檢測技術

浮選過程中有許多影響浮選效果的關鍵因素，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進行監控，獲得工藝過程中的一些參數，從而對整個浮選過程進行調節，保證工藝的穩定性。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的經濟效益。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，浮選液位的穩定需要礦漿流量的穩定，因此需要將礦漿流量控制在工藝規定的操作范圍內。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性質，控制藥劑添加量可以提高礦物的可浮性，獲得最大的經濟效益。

4 浮選過程控制研究現狀

浮選過程是十分復雜的，至今都沒有一種控制方法能實現高效控制，通過現有技術進行不斷優化顯得尤為重要。隨著計算機技術的發展，許多智能算法涌現出來，浮選過程的控制技術隨著算法的改進而優化，同時推動了浮選自動化控制技術的發展。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自動控制的目的。

蔡國良［12］通過建立浮選穩定控制和優化控制2個模型，對浮選液位進行控制。在穩定浮選過程的前提下，使用案例學習和智能決策技術優化并調節整個過程，并且可以預測出最佳的液位高度并保持穩定，可以保證選廠精礦和尾礦的品位在預定的范圍內，保證最大的回收率，增加選廠的經濟效益。

郭西進等［13］對浮選柱液位進行了PID-模糊聯合控制，該操作具有控制精度高、響應快、適應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，并使用神經網絡技術對控制器的變量因子進行優化。研究結果表明，該方法穩定性好，可以保證浮選過程中的液位要求，對浮選指標的穩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，采用粗糙集的BP 神經網絡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，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］采用圖像處理技術與人工智能技術對趙樓煤礦選煤中心浮選加藥工藝進行研究，設計了一種自動加藥系統。該系統可以根據灰分要求分析浮選泡沫的工作情況，進而相對應地調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驗改變藥劑量的弊端，進一步推進了浮選自動化的發展。

董志勇等［17］對影響煤泥浮選可測數據進行收集，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 算法進行優化。應用實踐表明，該模型可以很好地實現自動添加藥劑，并可以根據工作情況進行調節用量，優化藥劑添加制度，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測。通過對收集的數據進行模型訓練，結果表明，該模型可有效預測泡沫視覺信息與回收率之間的關系，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系進行研究，建立了基于SVM-RFE-BPSO 的精礦品位預測模型，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 實現精礦品位的預測。試驗結果表明，通過SVM-RFE 算法和BPSO 算法的結合，實現了泡沫圖像特征的最優組合，減少了冗余特征，提高了預測精度。

5 浮選過程優化算法設定

浮選過程自動控制的目標是為了盡可能使被控量穩定在設定值的范圍內，以優化回收率、精礦品位等經濟效益指標，提高產品質量及礦物回收率，這些都需要隨著浮選過程的動態發展不斷更新控制變量的最優值［20-23］。

5.1 單個指標的浮選優化設置

在實際生產中，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化目標，其中可以分為基于規則設置的優化方法和基于機器學習設置的優化方法。基于規則設置的優化方法是將現場的實際經驗和根據實際數據進行神經網絡建立的模型轉化為一個規則集合，可根據實際情況中遇到的不同情況進行設定值的調整。這樣對于獲取原始數據和規則的建立更為容易，可以調整為更優的設定值。在優化多個指標時，可將其分為幾個不相干的單一指標對其建立規則和優化。通過機器視覺方法對指標進行優化時，將圖像的特征一直保持為最優狀態很有必要。由于浮選過程中有些特征無法設定值進行計算，可采用基于機器學習的優化方法，該方法可在對浮選過程不了解的情況下優化運行指標，并可應用于未知模型的優化控制。

5.2 多個指標的浮選優化設置

在浮選過程中，許多影響因素都會對選礦指標產生影響，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，優化指標之間會經常發生相互沖突，針對此類問題，常用的方法是求解帕累托最優前沿，并根據實際情況和專家經驗選擇最優解作為最優設定值。

單目標優化的方法較為簡單且容易實現，但是未能考慮選礦指標之間的相關性，經常在優化某個指標時降低其他指標。多目標優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化，該方法計算復雜且計算量大，很難在工業應用中大規模推廣使用。

6 結 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、控制方法和優化算法進行了描述。

（2）建模方法分為機理建模和數據建模，目前常采用數據建模，機理建模仍在發展中，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）浮選過程關鍵指標的測量方法不同，則需采用相應的方法進行控制。由于浮選過程的最優值是一個動態更新的過程，需要通過不同的優化算法進行優化，以保證運行指標最優。目前，算法的優化還有很大的發展空間，越來越多的優化算法也將會出現。