自动化控制技术在选矿中的应用探讨

刘紫鹏

（长沙矿冶研究院有限责任公司，湖南 长沙 410000）

根据矿物的不同化学性质特征，采用具有智能化或自适应效果的技术，对不同区域的矿山掩藏区域进行找矿分析，得到高精度的矿物材料所在位置。在选矿过程中，最关键的步骤就是将脉石矿物与矿物隔离开，分离具有共生关系的矿物，实现对开采位置的精准定位。通过选矿工艺获得高品位矿石，为各项工作与领域提供丰富的能源和资源[1]。针对常规的选矿方案，发现大多数方案通过研磨打碎矿石、人工处理模式分离选矿中的杂质。但这些常规选矿方案的实际应用效果，并没有达到理想化标准，此次研究引入自动化控制技术，解决实际应用过程中，常规方案选择位置不佳、矿产资源相对贫乏的问题。自动化控制技术以现有的计算机技术、互联网技术为依托，以智能化、自适应化、自动化的模式采集与处理各项来源不同的数据，是一种十分先进的信息处理与管理技术，为选矿工作提高其工作效率的同时，加强选矿结果的合理性[2]。本此研究通过自动化控制技术，设计一种新型选矿方案，从根本上提高方案应用下的选矿产率，为日后开展选矿工作提供帮助。

1 基于自动化控制技术的选矿方案

1.1 构建模糊化控制数据库

数据库中包含与矿石破碎和磨碎程度相关的参数，要求构建的数据库满足模糊化控制功能。设置模糊集合的论域在(-m,-m- 1 ,… ,0 ,… ,m- 1,m)之间，用M来表示，其中m表示连续变化过程中，不同的数据划分级数。设置数据库的允许偏差在[-e,e]内，则在允许偏差不为零的情况下，量化因子可通过下列公式计算获得

选定量化因子、确定数据库的允许偏差，当数据库的约束规则发生变化时，则偏差基本论域变为[-ae,ae]，则量化因子在参数a的影响下转化为：

当量化因子λe通过上述公式（2）计算获得时，说明量化因子λae与λe之间特性相同。则综合上述计算得到输出比例因子，公式为：

公式中：λs表示控制量的变动系数为s时，得到的输出比例因子[3]。综合上述三组计算公式，构建模糊化控制数据库的信息输入与输出模块，为自动控制选矿工作，提供基础信息存储。

1.2 设计模糊控制算法控制规则

模糊控制是自动化控制技术中的一项核心，通过新型计算方法，控制模糊逻辑的运行。结合模糊化控制数据库计算控制变量，模糊化处理得到的计算结果，并设置具有映射关系的模糊控制规则，通过不同模糊决策模块求得模糊控制解。根据上述设计原理，模糊化处理数据库的输入变量。在模糊控制算法中，数据库接受模糊语言或者模糊数据段的输入，此时需要变换真实论域，在数据库内部讨论事物变量的语言特征，根据实际选矿控制要求，生成不同的描述词汇。下列公式为模糊控制算法的一般控制规则：

按照公式（4）显示的模糊控制一般规则，约束模糊控制算法对于数据库的信息处理工作，通过得到的不同的模糊子集，求得不同选矿参数之间的内在关联，为矿石破碎和磨碎程度的控制，提供约束性数据[4]。

1.3 自动化控制矿石破碎和磨碎程度

将上述数据库和算法上传到破碎设备和磨碎设备中，自动化控制矿石破碎和磨碎程度。选择的破碎机为圆锥形，通过自动化控制技术动态调节排矿口，调整与确定矿品粒度。同时针对废矿量的大小，自动调节主机的矿石破碎和磨碎进度，为后期的矿石筛分提供更为符合标准的破碎矿石。矿石破碎后需要磨碎破碎的矿石，这一过程共包含四个步骤，计算磨矿处理量、确定分级粒度、设置磨矿周期以及控制碎矿石的溢流浓度。由于矿石流量、返砂水量及充填率等指标，会影响上述四个步骤中的数据计算，因此自动化控制技术通过模糊控制算法，从数据库中选择满足要求的数据，控制矿石破碎和磨碎程度[5]。

1.4 选矿方案智能化应用

将生成的选矿方案应用到运输带设备中，借助网络监控实时观察各项选矿工具的运作状态。将选矿方案应用到提升机的工作过程当中，自动化控制深度指示器和监控硬件，测试选矿时的工具所在位置，通过控制井筒位置开关约束工作的运行速度。将选矿方案应用到排水设备当中，利用选矿方案的智能化自动控制技术，控制泵站自动排水，实现排水泵的排真空、开关出水阀、设备状态等方面的逻辑控制。将选矿方案应用到通风设备中，明确主扇、局扇的使用标准，实时监测通风设备的风量、风速、气体等各项参数。将选矿方案应用到采掘设备中，控制采掘机械设备的电力和液压驱动运转效果，通过数据采集与变化分析，完成整个矿山选矿工作[6]。至此，实现基于自动化控制技术的选矿方案。

2 应用测试与分析

2.1 实验准备

将此次提出的选矿方案作为实验组，将常规设计下的选矿方案A作为对照组，以实地应用测试的方式，测试不同方案应用下的选矿效果。以R市中的某一矿山为实际测试地点，已知该测试区域的整体范围，被控制在5km范围内，选矿区域土层较厚，土体中多含碎石，当开采深度达到25.8m米时，土体中包含质软的细致土壤。已知该矿山中包含8种主要的化学成分，调查结果如下表1所示。

表1 矿山包含的主要化学成分（%）

根据上表统计得到的主要化学成分可知，该应用测试区域中，矿山中包含的SiO2成分最高。因此以该成分的矿物学属性为参考，确定两组方案的矿石选择条件。

2.2 方案应用效果测试

分别利用两组不同的应用方案，在表1的数据前提下，选择应用测试范围内的最优矿产资源的所在位置，结果如下图1所示。

图1 不同方案的选矿位置

为了保证测试结果具有一定程度说服性，两组方案在第一轮测试应用中，均选择5个选矿位置。根据图1显示的测试结果可知，在同样的测试条件下，5组矿藏区域中，实验组得到的选矿位置，非常贴合矿藏区域，可以说通过5次选矿定位，可以获得较为准确的选矿结果。尽管对照组有若干次选矿位置非常接近矿藏区域，但综合下来得到的选矿位置，还是存在较大的偏移量。进一步论证实验测试结果，第二轮测试共进行10次，整理实验测试结果，计算两组选矿方案应用下，不同选矿位置的矿产率预测结果均值，如下表2所示。

表2 矿产率预测值%

表2中实验组选矿方案的平均选矿产率，明显高于对照组。为了便于比较分析，计算10轮测试下不同选矿方案的平均矿产率预测值，分别为83.53%和50.74%。可见文中提出的选矿方案，能够得到更好的选矿结果。

3 结语

本文通过实例分析的方式，证明了设计选矿方法在实际应用中的适用性，以此为依据，证明此次优化设计的必要性。因此，有理由相信通过本文设计，能够解决传统选矿中存在的效率低的缺陷。但本文同样存在不足之处，主要表现为未对本次选矿产率测定结果的精密度与准确度进行检验，进一步提高选矿产率测定结果的可信度。这一点，在未来针对此方面的研究中可以加以补足。与此同时，还需要对选矿方法的优化设计提出深入研究，以此为提高选矿质量提供建议。