镍矿浮选控制策略研究

发布时间：2020-04-19 07:58

【摘要】：随着矿物资源大量开采,高品位矿物资源日趋枯竭,有用矿物在矿石中分布越来越细和越来越杂,加之材料和化工行业对细粒、超细物料的分选的要求和精度越来越高~([1-4]),为充分利用这部分低品位矿产资源,泡沫浮选工艺越来越显示出优于其它选矿方法的优势,成为目前应用最广,效果最好的选矿方法~([5])。异于传统重力选矿方式,泡沫浮选工艺是是利用矿物颗粒表面物理化学性质不同导致的可浮性差异来进行物料分选的一种选矿方式。其中涉及到多个工艺流程,传统浮选作业中,现场工艺人员根据浮选泡沫的形态、颜色、动态特征依据生产经验判断泡沫浮选生产状况,并根据生产经验进行适当的调整。这种操作方式对现场人员经验依赖性比较大,易产生较大的产品质量波动,且由于系统本身的长时滞性,当发生产品质量问题时需通过相当长时间调整才能保证产品质量稳定。因此亟待引入自动化控制技术来解决这些问题。泡沫浮选过程是一个复杂的多相、多态、多输入输出、耦合关联的系统。影响最终产品质量的参数众多,其中包括:原料品位、磨矿方法、磨矿细度、矿浆浓度、矿浆粒度、给矿速度、浮选液位、矿浆温度、矿浆PH值、浮选药剂类型、浮选药剂量、浮选时间、进气量、进气压力等。因此传统的基于机理建模的方法无法有效的拟合出浮选过程模型,近年大多数专家学者倾向于采用机器学习的方式来拟合这种复杂系统,同时也取得了相对满意的效果。本项目基于泡沫浮选工艺流程控制参数、过程参数与图像特征之间的关系进行分析,并分别建立过程参数与加药量关系模型、图像特征与加药量关系模型。本论文面向工业应用,针对工艺现场工自动控制系统预测能力差、泛化能力不佳等技术难点,提出一种基于多源数据信息熵的补偿控制策略模型,主要工作如下:(1)针对机器学习模型预测能力差、泛化能力不佳问题。通过近两年的现场数据实时采集。机器学习样本涵盖了生产过程的大部分工况,从而提高模型的泛化能力。通过对采集到的数据样本进行数据清洗、降维,在不牺牲模型精度的前提下提高模型计算速度。(2)针对单一模型适应性差、精度低的问题。分析影响生产指标的多源数据(过程数据和泡沫特征),然后依次建立预测子模型和误差补偿模型,最后通过信息熵集成构建加药量预测模型。(3)在金川集团镍矿浮选生产线搭建了浮选数据采集系统、生产指导系统。根据现场工况开发了专用的泡沫图像分析仪,并根据功能需求开发了数据采集、数据分析、数据清洗、数据库存储、生产指导等功能。
【图文】：

照片,硫浮选,高镍,浮选车间

电子科技大学硕士学位论文费，精矿品味频繁波动，工艺人员劳动强度过大。其次浮选药剂具有性，长期接触影响工艺人员身体健康。这已经成为了制约泡沫浮选生颈。能化自动控制系统的引入就非常必要，近年来有不少专家学者利用机来拟合泡沫浮选过程，通过计算机仿真来指导生产。虽然取得了在一低了工艺人员的劳动强度，但是现阶段的机器学习算法仍然不够智能适应生产过程，，对于长期生产的意义聊胜于无。由金川集团与电子科技大学的校企合作项目“高镍硫浮选优化控制仿究与实现”的部分理论研究和实际应用成果。通过对金川集团镍浮选的过程数据和泡沫特征数据的采集，通过对数据清洗、整理来提高模时考虑到现场工艺调整，以及传感器可靠性问题，采用过程数据与泡进行信息熵互补的方式来动态适应生产过程。图 1-1 为金川集团高镍间生产照片。

工艺流程图,泡沫浮选,工艺流程

虽然近几十年国内外学者进行了大量的相关研究，但迄今为止，浮选过程的控制还主要集中在简单的前馈控制方式，这导致控制始终无法达到满意的效果。因此，浮选过程变量的过程控制的基础理论以及闭环控制具有较大的研究空间[19-22]。2.1 浮选基本理论概述2.1.1 浮选工艺流程如图 2-1 所示，泡沫浮选流程包括采矿、粗碎、磨矿、矿石分级、浮选五个部分。一般矿山附近地形地貌不宜建设选矿厂，因此需要将矿石通过铁路、道路交通的方式运往选矿厂。为了便于运输，需要在采矿现场利用颚式破碎机等设备进行粗碎。粗碎的矿石运抵浮选厂以后，首先将粗碎过后的矿石通过搅拌机配置成矿浆。为了满足浮选流程对于矿物粒度要求，需要通过球磨机将矿浆研磨成符合浮选工艺要求的单体颗粒。再经过矿浆分级机进行分选，满足粒度要求的矿浆直接送入浮选柱进行分选，对不满足粒度要求的矿浆，进行二次研磨，。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TD923;TD954

【参考文献】