Процессы горно-обогатительного производства очень сложны и требуют частой тонкой настройки. При этом не тайна, что на разных этапах горно-обогатительного производства могут быть большие потери металла. Машинное обучение и компьютерное зрение могут значительно снизить эти потери. Однако пока подобные передовые системы используются редко, несмотря на то, что потенциально могут принести огромную выгоду. Создание цифровых двойников управления мельницами и процессами флотации, определение гранулометрического состава руды, дефектов и рудозасорения, детекция пенного слоя – вот лишь некоторые из возможностей цифровизации.
Решения для горно-обогатительного производства, основанные на машинном обучении и компьютерном зрении, могут увеличить выработку металлов до 3% и до 20% снизить потери в хвостах (в пустом материале). Чаще всего они направлены на оптимизацию процессов питания, измельчения и флотации.
Подача или питание руды начинается с дробильного цеха, откуда руда поступает в бункеры. Оттуда на ленточных конвейерах она подается в мельницу. Высокая изменчивость поступающей руды приводит к нестабильной работе мельниц, снижению их производительности, что негативно сказывается и на результативности процесса в целом.
Почему это происходит? Дело в том, что в различных бункерах-питателях может находиться очень разная по качеству руда. Обычно есть возможность переключать подачи между различными бункерами. Такие потоки распределяются либо по очередности, либо произвольно, либо по договоренности операторов.
Процесс питания можно оптимизировать с помощью интеллектуальных систем, улучшив шихтование руды.
В простейшем случае над конвейерами устанавливаются камеры и системы компьютерного зрения, способные обнаруживать фрагменты руды и классифицировать подаваемую руду в каждый момент времени. Благодаря этому можно оперативно подстраивать мельницы и контролировать работу питателей.
Также система может анализировать расход и приход руды в бункерах, фиксировать распределение руды по слоям и в дальнейшем использовать эти данные в математической модели, что позволяет оптимизировать подачу руды и стабилизировать питание.
Кроме вышеперечисленных опций, решение можно дополнить системами определения дефектов контейнера и обнаружения рудозасорения. Последняя позволяет определять наличие сторонних предметов, потенциально опасных для мельниц, например, обломков арматуры.
На этапе измельчения руда превращается практически в порошок. Технологии могут быть разными – сухие или мокрые, но цель одна: превратить породу в порошок для дальнейшего извлечения металлов, включая драгоценные.
Самая сложная часть работы мельниц – неравномерная подача руды и ее различная прочность, что может привести к перегрузке машины и даже ее поломке. Когда мельница приближается к аварийному состоянию, необходимо оперативно реагировать: увеличивать подачу воды (при мокром способе) или уменьшать массу питания на конвейерах. Но найти баланс трудно. Иногда операторы перегружают мельницы, выходя за пределы допустимой мощности, и это может привести к аварийной остановке, стоящей не только дорого, но и забирающей несколько дней времени.
Комбинация компьютерного зрения и машинного обучения помогает предотвратить подобные неприятности.
С использованием искусственного интеллекта, анализирующего данные с камер и датчиков, можно создать цифровую копию процесса измельчения руды. Это позволяет точно прогнозировать работу мельниц и оптимизировать производство, что потенциально увеличит общую переработку на 3-4%.
Оптимизация работы мельниц также продлевает срок службы их брони – замена которой дорогостоящий процесс.
Следующий этап – флотация, процесс разделения минералов. Он основан на различной смачиваемости поверхности материалов.
Флотация направлена на выделение концентрата и отделение хвостов, которые могут содержать различные металлы.
Процесс состоит из нескольких цепочек, каждая может содержать до 10-20 флотокамер. Ручное управление флотацией сложно, особенно оптимальное. Неопытность или разная тактика операторов могут снизить эффективность процесса.
Искусственный интеллект позволяет создавать математические модели для контроля качества продукции и оптимизации процесса флотации.
Цифровые двойники можно использовать для помощи операторам или интегрировать в систему автоматизации. Это позволяет максимизировать извлечение металлов.
Внедрение цифровых решений в горно-обогатительном производстве требует анализа данных, выбора технологий и тестирования системы. Обычно этот процесс занимает 5-9 месяцев.
