工业大数据环境下泡沫浮选过程浮选工况串级识别关键问题研究

Froth floatation is the most important beneficiation method in the process of ore processing.At present, operation of the flotation process is mainly completed by the operator "artificial observation", this mode of operation is subjective, and result in unstable flow operation, makes the capacity of production and the volatility of product quality,leading to large amounts of waste of energy and resource depletion. How to use automated means to identify and stabilize the operation condition of the flotation process is the focus of the current flotation enterprise, and is also one of the problems to be solved.This project based on industrial data, research of flotation conditions identify key issues, mainly including: research about effective characteristics extraction method of froth image base on multi-scale image analysis method;The method of recognition into the ore types based on multi-source data fusion and the depth learning of the neural network algorithm;The method of flotation condition recognition model establishment and the mechanism of online feedback correction .This project face to industrial data,the research of the project based on the theory and method of data mining and pattern recognition,at the same time selecting typical froth flotation process to carry out empirical research. The establishment of new method for the identification of flotation conditions by using large data,and establishing a unified framework for the identification of the process conditions .Expected results has important theoretical significance and application value.It can improve the automation level of flotation process and expand the application of large data technology in the process industry.

泡沫浮选是矿石加工处理过程中最为重要的选矿方法。目前，浮选过程的操作主要由操作人员“人工看泡”完成，这种操作方式主观性大、造成流程运行不稳定，使得产能和产品质量的的剧烈波动，导致大量能源浪费和资源损耗。如何利用自动化手段识别、稳定浮选过程运行工况，是目前浮选企业较为关注，也是亟待解决的难题之一。本项目基于工业大数据，研究浮选工况识别关键问题，主要包括：基于多元多尺度图像分析方法的泡沫图像有效特征提取方法研究；基于多源数据关联融合和深度神经网络学习算法的入矿类型识别方法研究；浮选工况识别模型建立及在线反馈校正方法研究。项目面向工业大数据，基于数据挖掘和模式识别等理论方法开展理论研究，同时选取典型泡沫浮选过程开展实证研究。构建了采用大数据手段进行浮选工况识别的新方法，建立了浮选过程工况识别统一框架。预期成果对提高浮选过程自动化水平，拓展大数据技术在流程工业的应用，具有重要理论意义和应用价值。

泡沫浮选是一种从矿石中提取所需矿物的常用工艺，该工艺概念简单，细节复杂，其适应性和有效性使泡沫浮选成为选别复杂、低品位矿石时应用最广的一种方法。当前常规采用的“人工看泡”方法效率低下、稳定性欠佳且主观性大，使得产能和产品质量波动剧烈，因此浮选过程的自动化研究是一个值得关注的领域。本项目的研究目的是通过理论、仿真和实验，系统而深入的对浮选过程工况串级识别问题进行研究。基于对铜浮选工艺特点的深入分析，根据泡沫图像局部颜色特征和工艺参数的融合信息，建立识别模型识别供矿类型；基于不对称二叉树支持向量机多分类方法(WCP-BTSVM)对铜粗浮选条件进行识别；基于多项式对灰度直方图进行曲线拟合，结合Otsu阈值分割中的灰度直方图谷值特征，对泡沫图像进行快速分割；基于卡尔曼滤波和RANSAC算法提出R-K匹配算法，使用R-K算法对浮选泡沫进行特征匹配，结合R-K匹配算法与SURF算子提取浮选泡沫的动态特征；基于矿浆流量和‎泡沫直径提出泡沫多变量识别算法，结合模糊逻辑与趋势分析提高识别精准度。项目取得了以下主要研究成果：（1）基于直方图和多项式拟合建立泡沫的像素分布模型，提出基于像素分布特性的泡沫图像的快速阈值分割方法；（2）建立粗铜矿选工况识别系统，提出泡沫浮选串级识别方法；（3）提出一种泡沫浮选特征匹配算法，基于R-K匹配算法算法和surf算子提取泡沫浮选的动态特征；（4）提出一种以矿浆流量和泡沫粒径为参数的粗选浮选多变量识别方法；提出一种多变量粗选条件下知识库的建立方案。项目的研究贴合泡沫浮选的发展要求，为矿选过程自动化发展提供了不可或缺的技术与理论支持，对我国抢占新的战略制高点具有重要的战略意义，因此本项目的研究具有重大的科学意义和应用价值。