基于机器视觉的铜浮选控制探讨.pdfVIP

理论 基 于 机 器 视 觉 的 铜 浮 选 控 制 探 讨 金言 中南大学材料科学与工程学院 苏婷婷 曹威 中南大学信息科学与工程学院 摘 要：本文根据某矿山铜浮选的图像分析得到泡沫破碎率和承载率与尾矿品位之间的关系，运用聚类分析方法得到专家规则，从而给尾矿锌 品位的调节提供指导。 关键词：浮选 机器视觉 专家规则 聚类分析 引言: 选矿中最主要的是浮选法，该选矿方法是在特定工 艺路线条件下，通过在矿浆中加入浮选药剂，充入空气并搅 拌 （自吸式浮选机不需要鼓气），形成含矿泡沫，通过回收 含矿泡沫来提高原矿品位，以此满足冶炼的要求。本文研究 的是通过机器视觉观察浮选尾槽表面的泡沫从而预测出铜矿 中锌的品位。 一、PLS 模型探讨 因为 PLS 模型能够很好解决共线性问题，所 以本文运用 PLS 模型预测锌品位得到的预测结果和测量结果作对 比。如 图 1 （a ）所示，经分析得出泡沫承载率和破碎率是 PLS 模型 中最重要的变量。锌品位被分为三类，即 “坏”“中”“好”， 这里的 “好”指锌品位小于 1. 75%， “中”包括 1. 75%到 2. 5% 的范围， “坏”品位为大于 2 . 5%。这些品位是由工厂工程师 定义的。上面方法的标准是人工给出的，为了更加合理地评 价尾矿锌品位，我们直接根据图像特征中泡沫承载率和破碎 率，采用聚类分析方法给出判断的专家规则。 二、承载率和破碎率介绍 图 1 锌的预测品位和测量品位比较 （a ） 有很低回收率 （干泡沫）和很高回收率 （湿泡沫）的泡 及泡沫承载率的破碎率的聚类分析 （b ） 沫在视觉上有很大的区别。其对应的泡沫透明度如下计算[ 2] ： 从上面图 1 中可以看出，好和坏的品位呈现聚集状态， 1. 通过计算泡沫图像的每个像素。如果像素的值是等于 从而可以得到泡沫承载率和破碎率在一个范围类泡沫是好的 ( 2 55, 255, 255) ，那么标记这个像素为湿的像素。 范围，这个区间范围定为专家规则，如果承载率大于 62 和泡 2 . 对有湿泡沫的像素进行标记分割的算法。标记这些气 沫破碎率小于 4. 5，那么做出相应的操作减少锌的百分比。 泡为湿泡沫。 应该把最后的铜产品中浪费的锌总量减到最少。操作者 3 . 计算出属于湿气泡的总共的像素点个数。用它除以图 可以采取许多有效的行为去控制锌的含量。这种新规则可以 像的总像素点个数，再乘以 100%。这个数 （其值在 0%到 100% 之间）就是承载量。 通过修改软件来调整控制器达到减少铜尾槽锌品位的目的。 浮选中泡沫的作用是有用矿粒带出浮选槽，当泡沫中矿 四、实验结论 物含量下降时，可能是矿物的类型改变，或是药剂用量不合 由上述的分析可以看出，只需要修改软件在线快速预测 理，这时的气泡较虚，顶部会出现大面积的亮点，这些亮点 出尾矿中锌品位，给出相应的评价，为操作工人的操作提供 与气泡表面的矿粒有关。泡沫亮点大，泡沫含矿面积小，矿 参考。 物回收率低。反之，泡沫亮点小，泡沫含矿面积大，矿物回 收率高。承载率反映气泡中矿物含量情况[3] 。 本文是中南大学校团委 20 11- 20 12 年创新启航项目《基 破碎率能够反映工况变化，当药剂过量或风压超过额定 于二次特征提取与 SVM 的浮选过程故障诊断