Цифровизация горно-обогатительного производства

• Питание или подача руды
• Измельчение руды
• Флотация
• Внедрение цифрового решения для горно-обогатительного производства

Процессы горно-обогатительного производства очень сложны и требуют частой тонкой настройки. При этом не секрет, что на разных этапах горно-обогатительного производства могут быть большие потери металла. Машинное обучение и компьютерное зрение могут существенно снизить эти потери. Однако пока подобные высокотехнологичные системы используются редко, несмотря на то что потенциально могут принести огромную выгоду. Создание цифровых двойников управления мельницами и процессов флотации, определение грансостава руды, дефектов и рудозасорения, детекция пенного слоя – вот лишь немногие 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.

Питание или подача руды

Из дробильного цеха руда поступает в бункеры, откуда на ленточных конвейерах она подается в мельницу. Высокая изменчивость поступающей руды приводит к нестабильной работе мельниц, снижению их производительности, что негативным образом сказывается и на результативности процесса в целом.

Почему это происходит? Дело в том, что в разных бункерах-питателях может находиться очень разная по качеству руда. Как правило, есть возможность переключать подачи между разными бункерами. Такие потоки распределяются либо по очередности, либо произвольно, либо по договоренности операторов. 

Процесс питания можно оптимизировать с помощью интеллектуальных систем, тем самым улучшив шихтование руды. 

В простейшем случае над конвейерами устанавливаются камеры и системы компьютерного зрения, которые могут детектировать фрагменты руды и классифицировать подаваемую руду в каждый момент времени. За счет этого 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, позволяя оптимизировать подачу руды и стабилизировать питание.

Кроме вышеперечисленных опций решение можно дополнить системами определения дефектов контейнера и детекции рудозасорения. Последняя позволяет определять наличие сторонних предметов, потенциально опасных для мельниц, например обломков арматуры.

Измельчение руды

На этой стадии руда истирается буквально в пыль. Технологически измельчение может быть сухим или мокрым, но цель одна – перевести породу в порошкообразное состояние для дальнейшего выделения из нее металлов, в том числе и драгоценных.

Узкое место мельниц – неровная подача руды и ее разная крепость, которые могут вызвать перегруз машины вплоть до ее поломки. В случае, когда работа мельницы приближается к аварийному режиму, необходимо либо оперативно увеличить подачу воды (при мокром способе), либо снизить массу питания за счет скорости подачи на конвейерах. Найти этот баланс вручную не так просто. Случается, что операторы разгоняют мельницы, выходя за допустимые диапазоны мощности, после чего может произойти аварийная остановка, которая обойдется в несколько суток простоя и повлечет за собой весьма существенные финансовые потери.

Возможная стоимость суток простоя мельницы

Компьютерное зрение в сочетание с машинным обучением позволяют предупредить все эти неприятности с помощью гранулометрии и построения математических моделей. 

Используя искусственный интеллект, анализирующий информацию с камер, а также датчиков мельниц и конвейеров, можно построить полноценный цифровой двойник всего процесса измельчения руды. Благодаря этому становится возможным построение точных прогнозов работы мельниц и оптимизация производства, что потенциально может увеличить суммарную переработку на 3-4%.

​Не менее важным плюсом оптимизации работы мельниц является увеличение срока службы внутренней брони мельниц (футеровки), замена и обновление которой – весьма дорогостоящий процесс, требующий остановки машин.

И, наконец, третье преимущество – флотация на следующем этапе очень чувствительна к изменчивости потоков и качества измельченной руды. Соответственно, стабильная работа мельниц приводит к стабилизации всех процессов на горно-обогатительном предприятии.

​Финансовая отдача от такого внедрения может составить десятки миллионов долларов в год.

Флотация

Флотация – это процесс разделения минералов. Он основан на различной смачиваемости поверхности материалов. Гидрофобные (плохо смачиваемые водой) частицы минералов закрепляются на воздушных пузырьках, вводимых в среду, и переносятся в слой пены, на границу раздела фаз. Таким образом они отделяются от гидрофильных (смачиваемых) частиц. 

Цель флотации – выделение концентрата и отсев хвостов, в которых, тем не менее, может содержаться разное количество металлов.

Процесс может состоять из нескольких цепочек. На одной такой цепочке может быть до 10-20 флотокамер, образующих единую линию, работа которой зависит от множества параметров:

• уровни;
• дозировка воздуха;
• реагенты;
• плотность пульпы;
• объемный расход материала;
• содержание металлов в питании и другое.

Вручную регулировать флотацию крайне сложно. Еще сложнее – делать это оптимальным образом. Неопытность, недостаточное внимание, разная тактика операторов могут сыграть свою роль и привести к снижению извлечения.

Искусственный интеллект позволяет создавать математические модели, благодаря которым можно контролировать качество продуктов на выходе из флотомашин, строить прогнозы на несколько циклов вперед и оптимальным способом подбирать управляющее воздействия (реагенты, уровни, воздух) с тем, чтобы максимизировать извлечение ценных металлов.

​Цифровых двойников можно использовать как подсказчик для операторов, а можно их полноценно завести в систему АСУ ТП. В этом случае на основании рекомендаций искусственного интеллекта на контроллеры будут отправляться сигналы о необходимости тех или иных управляющих воздействий.

Алгоритмы таких цифровых моделей достаточно адаптивны и способны подстраиваться под требования того или иного предприятия: целевые диапазоны, управляющие параметры. 

Результаты внедрения системы оптимизации флотации:

• Увеличение извлечения полезных металлов.
• Удержание содержания металлов в концентрате в рамках заданных диапазонов.
• Минимизация содержания металлов в хвостах.
• Стабилизация фронта флотации.

Финансовая отдача от внедрения зависит от специфики предприятия. В среднем речь идет об увеличении извлечения на 0,3-2%, что может составить от $10 до 30 млн в год.

Возможной опцией на этапе флотации является детекция пенного слоя, с помощью которой можно определять: размеры пузырей, скорость и устойчивость пеносъема, стабильность пены, цветовую палитру пульпы.

​Характеристики пенного слоя могут дополнительно обогатить данные и повысить эффективность цифровых двойников, позволив:

• Контролировать пенный продукт в режиме реального времени.
• Определять дополнительные параметры для оптимизации работы флотации.
• Предотвращать внештатные ситуации.

Внедрение цифрового решения для горно-обогатительного производства

Для внедрения системы оптимизации горно-обогатительного производства специалисты интегратора проводят полную диагностику данных, выбирают технологические показатели и релевантные модели, разрабатывают и тестируют систему на исторических данных. На последующем этапе происходит внедрение пилотного проекта на производстве и дальнейшее его масштабирование и интеграция.

Типовой процесс от диагностики данных до внедрения системы занимает 5-9 месяцев.

Задать вопрос и узнать подробнсти: digital@softline.com

Получайте новые статьи моментально в  Telegram по ссылке: https://t.me/sldonline_bot.