CC BY
62
С.М. Соколов, В.А. Маслов
СПОСОБ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ПРОЦЕССА ПЕННОЙ ФЛОТАЦИИ С ИСПОЛЬЗОВАНИЕМ ОПТИЧЕСКОЙ ОБРАТНОЙ СВЯЗИ
Рассмотрены существующие способы управления процессом пенной флотации, рассмотрены современные задачи управления процессом пенной флотации. Кратко описываются АСУ ТП пенной флотации, которые применяются на производстве. Сделан акцент на изучение возможности использования машинного зрения для повышения эффективности процесса. Рассмотрены преимущества и недостатки использования такого подхода. Рассмотрена классификация флотации пен. Рассмотрены исследования устанавливающие соотношения вида пены и качества процесса флотации. Разработан алгоритм автоматического анализа внешнего вида пены. Предложена и описана схема алгоритма автоматического управления процессом пенной флотации на основе визуальных данных. Ключевые слова: флотация, автоматизация процесса флотации, машинное зрение, сегментация изображений, методы математической морфологии, нечеткая логика, экспертные системы.
Работа посвящена использованию оптической обратной связи для повышения эффективности процесса флотации в контексте горнодобывающей, минеральной и металлургической промышленности. На сегодняшний день горнодобывающая промышленность может рассматриваться как достаточно консервативная отрасль, однако, во многих случаях это не так. Одной из главных причин постоянных исследований в этой области является тот факт, что ежегодно на производстве обрабатывается огромное количество руды, что означает, что даже небольшое улучшение в производительности оборудования или процессов обработки руды может привести к существенным экономическим выгодам (см. рис. 1. Добыча и производство рафинированной меди российскими компаниями в 2012 г., тыс. т) [11].
Функции существующих АСУ ТП флотации заключаются в стабилизации параметров первичных технологических конту-
ISSN 0236-1493. Горный информационно-аналитический бюллетень. 2016. № 6. С. 321-332. © 2016. С.М. Соколов, В.А. Маслов.
УДК 622.23.05,
681.5, 681.518.2, 681.518.22, 681.518.5
ров. Параметры, которые влияют на процесс флотации, многочисленны и разнообразны. Они включают в себя: минеральный состав руды, распределение частиц по размерам, их удельный вес, качество воды, температуру, типы реагентов и концентрации, взаимодействия между реагентами и частицами, пространственное распределение и т.д. Изобилие переменных делает управление процессом флотации чрезвычайно трудной задачей [1]. Как результат, управление процессом на практике, как правило, осуществляется вручную человеком-оператором, который принимает большинство своих решений об оперативном управлении на основе внешнего вида пены. Это часто приводит к неоптимальному управлению процессом, что в свою очередь обусловлено такими факторами, как недостаточный опыт оператора, или ввиду его неспособности выполнять свои функции оперативно при первом же признаке нарушения оптимального процесса [9]. Стоит сказать, что существуют такие инструменты анализа параметров процесса, как РСФА (Рентгено-спектраль-ный флуоресцентный анализ) и PCA (рентгеноструктурный анализ) для измерения минерального состава в режиме реального времени. Однако реализация подобного мониторинга каждого шага сложного процесса флотации будет стоить достаточно дорого и подходит только для определенных типов минеральной флотации (например, флотации элементов групп платины PGM) [2].
Развитие информационных технологий и технологий передачи и обработки видеоизображений открыло новые горизонты развития для систем, основанных на технологии машинного зрения и оптической обратной связи во многих различных отраслях промышленности, в том числе металлургической и горнодобывающей. Изучение оптической обратной связи и ее использования для контроля процесса флотации было начато в конце 90-х годов в связи с развитием платформ для анализа
Рис. 1. Добыча и производство рафинированной меди российскими компаниями в 2012 г., тыс.т
изображений процесса флотации и уже известных фактах в области знаний о процессе флотации и о влиянии внешнего вида пены на его качество [6].
В этой связи цель исследования — рассмотрение возможностей машинного зрения для получения количественных данных о визуальных характеристиках пенной флотации, и дальнейшее использование этой информации для оперативного автоматического управления процессом флотации в режиме реального времени.
Задачи, которые решаются в данном направлении исследования:
1. классификация флотации пен;
2. разработка алгоритма анализа пены;
3. анализ концентрации минерального состава пены по ее цвету;
4. анализ размера и формы пузырьков, их распределение и т.д.;
5. разработка стратегии для автоматического управления процессом пенной флотации на основе визуальных данных.
Преимущество использования данного подхода, в отличие от существующих, в объективности (автоматическое исполнение с количественными оценками параметров и надежности контроля) и оперативности (в масштабе реального времени — темпе подачи контролируемого вещества) визуального контроля, а также в том, что с помощью только одного способа измерений (на основе изображений) можно получить информацию, которую обычно получают путем различных методов измерений, которые дороже. Фактором оценки качества процесса в данном случае выступает непрерывность процесса наблюдения при помощи машинного зрения по сравнению с наблюдением, производимого человеком, который не может следить за состоянием системы все время в виду своей природы. Это говорит о том, что такая система объективна. Однако данный подход не лишен недостатков, зрительный контроль может обеспечить контроль только видимого слоя/среза пены, также при различных процессах флотации общая картина пены может быть совершенно разной. Что происходит в толще, можно только экстраполировать, статистически оценивать, т.е. это уже не прямое измерение. Условия наблюдения (освещение, масштаб рассмотрения) должны обеспечивать видимость объектов интереса (цвета всей пены или ее частей, пузырьков и т.п.).
Общее направление исследований — оптимизация производства и достижение конкурентного преимущества на основе повышения эффективности процесса управления.
а)
б)
в)
: . " л ■ г ■*. а * ' 1 • - • - . V
■■,1 - ■! ' ' ■■ 1 ' ■•£■ - ' V
1 ■ ■ ' ¿у;-,. У -V 4Г- ^лЯ : ■ * «¿Я» . * * 'г1 , . - * ' -^ . • - ' * \ 9 ' 'г--4' « ♦ * ^ ' * , ' ДЭТВм. . - * - _ » . " • ■ . . ' ' '' - V" *—- ~ " V -
Рис. 2. Типы флотационных пен. Внешний вид: а) пленочно-структурная, б) агрегатная, в) пленочная
Возвращаясь к задачам исследования, а именно первому пункту, нужно сказать, что структура флотационной пены зависит, при прочих равных условиях, от характера флотореагентов и крупности минеральных зерен. В этой связи различают три типа пен: пленочно-структурные, агрегатные и пленочные (см. рис. 2. Типы флотационных пен. Внешний вид и см. рис. 3. Типы флотационных пен. Структурный вид). Тип пены можно определить по виду ее распада и содержанию воды в продуктах распада. Пленочно-структурная пена при флотации частиц обычной крупности встречается наиболее часто. Она характеризуется значительной обводненностью, имеет относительно большую высоту и повышенное содержание увлеченных потоком частиц пустой породы. Агрегатными называют плотные минерализованные пены, содержащие относительно небольшую долю воды. Образованию агрегатных пен способствуют относительно крупные флотирующиеся частицы, а также добавки аполярных масел. Они могут получаться также при распаде обычных пле-ночно-структурных пен. Агрегатным пенам часто соответствует максимальная скорость флотации. Пленочные пены аналогичны агрегатным, но имеют небольшую толщину; получаются при
Рис. 3. Типы флотационных пен. Структурный вид: а) пленочно-струк-турная, б) агрегатная, в) пленочная
флотации крупных гидрофобных частиц небольшой плотности, например угля [10].
Как было сказано ранее появление пены на поверхности во флотационной камере имеет большое значение, поскольку это явление содержит в себе информацию, которая может описать качество всего процесса. В прошлом мало внимания было уделено изучению взаимосвязи между качеством процесса флотации и возникновением пены, в основном потому, что большее значение придавалось фундаментальным систематическим исследованиям, а не наблюдения, которые трудно определить количественно.
Первым, кто предложил описание качества процесса флотации пены на основе ее визуального состояния, был профессор В.А. Глембоцкий в 1972 г. [5]. Обобщая его исследования и описания можно свести их в следующую таблицу (см. таблицу):
Зависимость внешнего вида пены и качества процесса флотации
Изменение параметров процесса Результат (внешний вид пены)
Скорость образования пены выше оптимального уровня Пена устойчива, пузыри очень маленькие
Скорость образования пены ниже оптимального уровня Пена менее устойчива, образуются большие пузыри при слиянии друг с другом
Скорость подачи реагентов выше оптимального уровня Пена водянистая, низкая минерализация, небольшие пузырьки
Скорость подачи реагентов ниже оптимального уровня Пена слишком вязкая, низкая мобильность, большие пузыри
Уровень пульпы выше оптимального уровня Водянистая пена с высокой мобильностью
Уровень пульпы ниже оптимального уровня Липкая, вязкая пена с низкой мобильностью
Плотность пульпы выше оптимального уровня Вязкая пена с низкой мобильностью
Плотность пульпы ниже оптимального уровня Водянистая, жидкая, неустойчивая пена
Скорость аэрации выше оптимального уровня Высокая мобильность пены, большие пузыри
Скорость аэрации ниже оптимального уровня Низкая мобильность пены, маленькие пузыри
Как можно видеть из таблицы часто результат изменения разных параметров приводит к одному и тому же качественному изменению пены (например: уменьшение или увеличение пузырьков), что говорит о том, что вынесение суждения о необходимом управляющем воздействии с целью улучшения качества процесса является достаточно сложной задачей. Данная таблица позволяет увидеть, что существует зависимость, которая позволяет оценивать качество процесса по виду пены. Соответственно встает задача по наполнению этой таблицы реальными данными от технологов на производстве с целью разработки алгоритмов количественной характеристики классов пен.
Дальнейшие исследования в этой области показали [12], что содержание воды в пене напрямую связано с коэффициентом извлечения, а также было установлено, что содержание воды в пене связано с ее устойчивостью. Другими словами пена с высоким содержанием воды характеризуется небольшими пузырьками с низким уровнем слияния и наоборот. Оптимальная структура пены (что соответствует максимальному качеству обогащения) была описана как структура, в которой пена состоит из плотно-упакованных сферических пузырьков сотовой формы. Отмечается важность размера, формы пузырей и их пространственное распределение. Эти исследования позволили конкретизировать такие суждения как «низкая мобильность пены» или «маленькие пузыри» и описать их численными значениями. Таким образом, появилась возможность оценить качество процесса, исследуя новые образования пены и сравнивая их с эталонными.
Исследования зависимости между качественными параметрами пены и фактическим протеканием процесса ведутся и по нынешнее время в основном за рубежом [13]. Ввиду этого использование методов обработки изображений для определения размеров, количества и пространственных распределений пузырьков, а также цвета пены представляется весьма привлекательной возможностью для анализа качества процесса. В общих чертах алгоритмы анализа концентрации минерального состава пены по ее цвету и анализа размера и формы пузырьков, их распределения представляют собой использование математических методов анализа изображений (методов математической морфологии), получаемых с камер.
Алгоритм анализа изображения пены состоит из нескольких этапов:
1. Подготовительный этап к обработке изображения. После того как изображение с камеры получено необходимо произ-
вести над ним изменения с целью упрощения его дальнейшего рассмотрения и для улучшения качества обработки.
Внешний вид пены позволяет с целью дальнейшей сегментации и вычисления параметров пузырьков применять к нему методы математической морфологии, а именно выделение границ. Недостатком такого метода служит тот факт, что он вызывает сильное зашумление изображения, и делает необходимым применение соединения исходного кадра с зашумленным и выполнение интерполяции, после этого необходимо провести фильтрацию изображения, что даст на выходе улучшенную картинку с четкими границами контура пузырьков. После этого на выходе имеем подготовленное к сегментации изображение. Схематичное представление алгоритма изображено на рис. 4. Алгоритм подготовительного этапа обработки изображения.
2. Сегментация изображения. Подготовленное изображение служит для финальной обработки и вычисления параметров.
К подготовленному изображению применяются методы математической морфологии, благодаря которым пузырьки пред-
Рис. 4. Алгоритм подготовительного Рис. 5. Алгоритм этапа сегмента-этапа обработки изображения ции изображения
ставляются в виде многоугольных областей с разной яркостью и насыщенностью. Это позволяет вычислить количество пузырьков, их размеры, а так же понять пространственное распределение. Так как методы математической морфологии позволяют работать с полутоновыми изображениями, то для установления цвета пены можно использовать преобразование значения серого оттенка в приближенные значения в палитре RGB. Схематичное представление алгоритма изображено на рис. 5. Алгоритм этапа сегментации изображения.
Проанализировав внешний вид пены и получив численные значения, можно говорить о создании автоматической системы управления процессом пенной флотации на основе данных полученных с камеры.
Стоит сказать, что на данный момент уже существуют несколько промышленных решений, которые позволяют осуществлять контроль над процессом флотации на основе контроля визуальных параметров, это системы FrothMaster (Outotec), JK FrothCam (JKTech Pty. Ltd.), VisioFroth (Metso Minerals Cisa), PlantVision (KnowledgeScape) и WipFroth (WipWare) [12].
Анализ имеющейся информации о существующих решениях показывает, что, несмотря на широкое разнообразие существующих методологий для управления процессом флотации, только небольшое их количество привело к коммерческим продуктам, которые применяются в промышленности. Эти методы можно разделить на две категории:
• интеллектуальное управление (использование алгоритмов экспертных систем и нечеткой логики);
• модель прогнозирования управления, использование линейных или нелинейных моделей, которые корректируется на основании оперативных данных.
Это справедливо ввиду того, что в рассматриваемой системе все суждения о качестве процесса не численные. Для реализации подобной системы всегда требуется набор экспертных мнений, коими являются исследования, которые устанавливают зависимости качества протекания процесса и внешнего вида пены. О них было сказано выше. В такой экспертной системе целесообразно использовать методы нечеткой логики. При таком подходе, функции принадлежности ^ присваивается лингвистические переменные на интервале 0 < ^(х) < 1.
Таким образом, стратегию для автоматического управления процессом пенной флотации на основе визуальных данных, можно представить в виде следующей схемы алгоритма (см.
Рис. 6. Схема алгоритма автоматического управления процессом пенной флотации на основе визуальных данных
рис. 6. Схема алгоритма автоматического управления процессом пенной флотации на основе визуальных данных).
• Формирование изображения — этап формирования изображения включает в себя ввод изображения в ЭВМ и его предварительную обработку. Ввод изображений слоя вещества осуществляется с помощью камеры.
• Подготовительный этап — на этом этапе происходит преобразование изображения к виду, удобному для дальнейшего анализа, и подготовка его к этому анализу.
• Сегментация — на этом этапе происходит разбиение полученного изображения, распознавание пузырьков, вычисление их размера и цвета при помощи методов математической морфологии.
• Представление и описание — на этом этапе выполняется сравнение результатов сегментации с базой знаний (используя методы нечеткой логики), полученные данные сохраняются в базе для дальнейшего сравнения и представляются в числовом виде.
• Интерпретация — на данном этапе происходит передача численных значений результатов измерений в АСУ ТП.
В большей степени, описанные выше алгоритмы распознавания изображений и общая схема алгоритма автоматического управления, были разработаны на основе исследований, проведенных в секторе робототехники и мехатроники ордена Ленина Института прикладной математики им. М.В. Келдыша РАН. Приведенные алгоритмы и схемы опираются на опыт разработки и внедрения подобных систем технического зрения в различных отраслях промышленности, в частности на опыт таких работ, как «Автоматизированная система контроля чистоты и
гран состава металлического порошка», «Усовершенствованная система контроля металлического порошка с классификацией цветных включений», «Контроль чистоты жидкости в закупоренных емкостях на конвейере» [3, 4, 7, 8].
Как итог, в работе были выполнены: анализ существующих способов управления процессом пенной флотации, предложен способ автоматизации процесса на основе системы технического зрения, а также скомпонована общая схема алгоритма автоматического управления процессом пенной флотации на основе визуальных данных. На последующих этапах исследования предполагается: разработать алгоритмы количественной характеристики классов пен на основе данных полученных от технологов на производстве, выполнить программную реализацию алгоритмического обеспечения, исследовать количественные характеристики поверхностного контроля с точки зрения оценки качества всего объема вещества, приступить к экспериментальной проверке схемы.
СПИСОК ЛИТЕРАТУРЫ
1. Абрамов А. А. Флотационные методы обогащения. — М.: Горная книга, 2008. - 711с.
2. Бахтиаров А. В. Рентгеноспектральный флуоресцентный анализ в геологии и геохимии (монография). — Л.: Недра, 1985. — 144 с.
3. Богуславский А. А., Гарибов Г. С., Касаткин В. В., Соколов С. М., Ко-шелев В.Я., Трифонов О.В., Форсунова М.М. Способ определения наличия и размера инородных включений в массе металлических гранул. Патент РФ №2347209 (приоритет 10.05.2007) 20.02.2009.
4. Богуславский А. А., Кошелев В. Я., Касаткин В. В., Соколов С. М. Автоматизированная система визуального контроля чистоты и гран-состава массы гранул / Материалы научно-технической конференции «30 лет металлургии гранул». Всероссийский институт легких сплавов. — М.: ВИЛС, 2003. — С. 44—45.
5. ГлембоцкийВ. А., КлассенВ.И. Флотация. — М.: Недра, 1973. — 384 с.
6. Гребенешников А. Л., Курчуков А. М., Лучков Н. В., Смирнов А. О. Применение систем технического зрения при управлении процессом флотации // Автоматизация в промышленности. —2009. — № 11.
7. Касаткин В. В., Соколов С. М., Воронин Ф. В., Александров Е. И., Белов С. А., Ходкин В. И., Кольцов В. Н., Лямина Э. С. Способ контроля инородных включений в массе металлических гранул а.с. СССР №1805338. Решение о выдаче а.с. от 9 октября 1992 г.
8. Соколов С. М. Проблемы машинного видения в робототехнике и автоматизации производства // Будущее прикладной математики. Лекции для молодых исследователей / Под ред. Г. Г. Малинецкого. — М.: Едиториал УРСС, 2005. — С. 336—350.
9. Троп А. Е., Козин В. З. и др. Автоматическое управление технологическими процессами обогатительных фабрик. — М.: Недра, 1986. — 303 с.
10. Шубов Л. Я., Иванков С. И, Щеглова Н. К.. Флотационные реагенты в процессах обогащения минерального сырья. Книга 1. — М.: Недра, 1990. - 384 с.
11. По данным информационно-аналитического центра «Минерал» [Электронный ресурс]. Режим доступа — http://www.mineral.ru/ Facts/russia/161/533/3_09_cu.pdf/
12. Woodburn E. T., Stockton J. B., Robbins D. J. Vison-based characterisation of 3 phase froths. International Colloquium: Developments in Froth Flotation, SAIMM,Gordon's Bay, South Africa, 1:1—30, 1989.
13. René del Villar, Daniel Sbârbaro. Advanced Control and Supervision of Mineral Processing Plants, 2010. tî^
КОРОТКО ОБ АВТОРАХ
Соколов Сергей Михайлович1 — профессор, Маслов Виктор Александрович1 — аспирант, e-mail: vict.maslov@yandex.ru, НИТУ «МИСиС».
Gornyy informatsionno-analiticheskiy byulleten'. 2016. No. 6, pp. 321-332. S.M. Sokolov, V.A. Maslov
METOD FOR IMPROVING THE EFFICIENCY OF THE FROTH FLOTATION PROCESS USING OPTICAL FEEDBACK
This article considers the ways of control of froth flotation process, deals with modern problems of control of froth flotation process. Article briefly describes the APCS of froth flotation, which are used in the production. Article focuses on the study of the possibility of using machine vision to improve the efficiency of the process. The advantages and disadvantages of this approach were presented. The classification of the froth flotation was presented. Investigations which establishing relations of the type and quality of the froth flotation process were reviewed. An algorithm for the automatic analysis of the froth was presented. Chart of process control froth flotation on the basis of visual data was proposed and described.
Key words: flotation, automation of the flotation process, vision system, image segmentation, methods of mathematical morphology, fuzzy logic, expert systems.
AUTHORS
Sokolov S.M.1, Professor,
Maslov V.A}, Graduate Student, e-mail: vict.maslov@yandex.ru, 1 National University of Science and Technology «MISiS», 119049, Moscow, Russia.
REFERENCES
1. Abramov A. A. Flotatsionnye metody obogashcheniya (Flotation methods), Moscow, Gornaya kniga 2008, 711 p.
2. Bakhtiarov A. V. Rentgenospektral'nyy fluorestsentnyy analiz, v geologii i geokhimii, monografiya (X-ray fluorescence analysis in geology and geochemistry, monograph), Leningrad, Nedra, 1985, 144 p.
UDC 622.23.05,
681.5, 681.518.2, 681.518.22, 681.518.5
3. Boguslavskiy A. A., Garibov G. S., Kasatkin V. V., Sokolov S. M., Koshelev V. Ya., Trifonov O. V., Forsunova M. M. Patent RU2347209, 20.02.2009.
4. Boguslavskiy A. A., Koshelev V. Ya., Kasatkin V. V., Sokolov S. M. Materialy nauch-no-tekhnicheskoy konferentsii «30 let metallurgii granul» (Materials of the scientific-technical conference «30 years of the metallurgy of pellets»), Moscow, VILS, 2003, pp. 44—45.
5. Glembotskiy V. A., Klassen V. I. Flotatsiya (Flotation), Moscow, Nedra, 1973, 384 p.
6. Grebeneshnikov A. L., Kurchukov A. M., Luchkov N. V., Smirnov A. O. Avtomati-zatsiya vpromyshlennosti. 2009, no 11.
7. Kasatkin V. V., Sokolov S. M., Voronin F. V., Aleksandrov E. I., Belov S. A., Khod-kin V. I., Kol'tsov V. N., Lyamina E. S. Copyright certificate USSR no 1805338, 9.10.1992.
8. Sokolov S. M. Budushcheeprikladnoy matematiki. Lektsii dlya molodykh issledovate-ley. Pod red. G. G. Malinetskogo (The future of applied mathematics. Lectures for young researchers. Malinetskiy G. G. (Ed.)), Moscow, Editorial URSS, 2005, pp. 336-350.
9. Trop A. E., Kozin V. Z. Avtomaticheskoe upravlenie tekhnologicheskimi protsessami obogatitel'nykh fabrik (Automatic management of technological processes in concentrating plants), Moscow, Nedra, 1986, 303 p.
10. Shubov L. Ya., Ivankov S. I., Shcheglova N. K. Flotatsionnye reagenty vprotsessakh obogashcheniya mineral'nogo syr'ya. Kniga 1 (Flotation agents in the processes of mineral beneficiation, book 1), Moscow, Nedra, 1990, 384 p.
11. Po dannym informatsionno-analiticheskogo tsentra «Mineral», available at: http:// www.mineral.ru/Facts/russia/161/533/3_09_cu.pdf/
12. Woodburn E. T., Stockton J. B., Robbins D. J. Vison-based characterisation of 3 phase froths. International Colloquium: Developments in Froth Flotation, SAIMM,Gordon's Bay, South Africa, 1:1-30, 1989.
13. René del Villar, Daniel Sbarbaro. Advanced Control and Supervision of Mineral Processing Plants, 2010.
I НОВИНКИ ИЗДАТЕЛЬСТВА «ГОРНАЯ КНИГА»
Коллектив авторов
Современные инновационные технологии добычи и переработки полезных ископаемых: Сборник докладов II международной научно-технической конференции
Год: 2015 Страниц: 328 ISBN: 978-5-98672-422-5 UDK: 622., 622.277; 621.039.7:504
Сборник содержит доклады, прочитанные на II международной конференции АО «ВНИПИпромтехнологии» (апрель 2015 г.). Тематика конференции звучала как «Современные инновационные технологии добычи и переработки полезных ископаемых» и охватывала широкий круг вопросов от строительства поселений человека на Луне до новых систем подземной разработки урановых месторождений, а также технологий переработки руд. Конференция собрала более 100 специалистов, представивших около 30 научных и проектных организаций. Для широкого круга специалистов горного дела.
