人工智能在矿物加工技术中的应用与发展

汤化明 王 玲 杨国华 贾蓝波 熊雨婷夏亮亮 王 龙 刘胜昌 聂轶苗 刘淑贤

（1.华北理工大学矿业工程学院,河北 唐山 063210;2.河北省矿业开发与安全技术重点实验室,河北 唐山 063210;3.河北省矾山磷矿有限公司,河北 张家口 075000）

人工智能技术是以统计学为数学基础,通过计算机程序来模拟人类思维和判断操作的一门新兴的、高速发展的技术科学。人工智能是先将某一类问题的大量数据输入人工智能系统进行训练,使之学习解决问题的策略,在遇到相同的问题时,可以通过经验知识解决问题并积累新的经验数据[1]。人工智能自问世以来,经历了几十年的持续发展。1956年,J.MeCarthy等首次确立了“人工智能”的概念,即是指机器具有与人类相似的理解、思考和学习的能力,表明用计算机模拟人类智能的可能性[2]。因为人工智能技术具有非线性、非限制性、非定性和非凸性等特点,使其在互联网、教育、农业、工业等多个领域发展迅速,并且展现出焕然一新的活力,但由于存在大量的学科交叉应用,研究人员普遍存在知识壁垒现象,所以在大多数领域的人工智能应用发展都还有很大的发展空间[3]。

矿业一直以来都是我国经济发展的重要支柱,而且我国也已成为世界上最大的矿业市场[4]。矿物加工作为从低品位的矿产资源中通过加工、提纯等物理方法和化学方法去除矿物杂质,提高目的矿物的品位的一门科学技术,主要研究如何能更充分合理地利用矿物资源。随着社会经济的快速发展,人类对矿产资源需求量的不断增长,而可开采富矿越来越少,矿产资源的开发利用逐步转向“贫、细、杂”方向发展[5],传统矿物加工由于生产过程复杂,过程参数、控制参数与最终产品的品位、回收率等指标无法用数学模型反映其对应关系和决策原理,且生产过程极度依赖人工经验操作导致缺乏稳定性和可解释性,难以适应当前矿产资源开发利用现状。为此,矿物加工及相关领域学者进行了大量的理论研究和工艺试验,其中人工智能与矿物加工相结合的相关应用也成为国内外学者关注的重要研究方向之一[6]。本文即对这一国内外研究动态进行介绍,主要从矿物识别、磨矿、浮选等矿物加工技术方面,对人工智能在矿物加工领域的应用进行阐述,分析人工智能在矿物加工方向应用的研究思路与发展方向,为实现人工智能技术在矿物加工领域应用、加快矿物加工向智能化方向发展研究提供借鉴。

1 人工智能矿物加工技术的基本原理

人工智能技术在矿物加工中的应用主要通过两种技术形式:一是计算机视觉,应用于通过图像来获取矿物在加工过程中的精准信息,完成矿物的识别、破碎粒度检测、浮选泡沫监测等工艺流程的管控,相当于为工程师排除干扰项,进行较复杂的判别,辅助工程师提高矿物处理的效率;二是深度学习,主要应用于预测和分类,通过对于大量矿物加工过程中产生的数据和诊断结果进行特定的多层神经网络训练,定量分析预测,提高矿物加工设备的工作效率、降低设备的故障频率及提升浮选药剂的选矿效果等。

1.1 计算机视觉的基本工作原理

一般的计算机视觉系统通常包括图像的采集、处理、分割和模式识别等几个部分[7]。在计算机视觉系统中,图像采集子系统的作用是将光学图像数据转化为数字数据阵列。AWCOCK等[8]给出了一个计算机视觉系统框图（图1）。图框中列出了包括不同过程的系统和子系统。从图1可以看出,从光源出发,由图像传感器生成光学图像,通过图像阵列、数字相机或其他手段将光学图像先转换为电信号,并将其转换为最终的数字图像。利用数字化图像通过中值滤波[9]、均值滤波[10]、高斯滤波[11]等图像滤波技术对图像中的无关信息进行处理。图像分割的核心部分在于特征提取,将经过预处理的图像按模型算法的规则进行重新表述,以凸显图像特征[12]。之后系统分类器根据特征对图像进行分类和解释,并考虑场景描述,进行数据驱动,与场景图片进行交互。通过数据驱动提供了一个与原始场景图片数据的交互循环,调整或修改某些给定的条件可以获得更好的图像数据。在矿物处理方面,计算机视觉主要应用于矿物识别、破碎粒度检测、浮选泡沫、pH值、药剂用量监测等工艺流程,可以进行较复杂的信息处理,也可以为工程师排除大量的干扰因素,辅助工程师提高矿物处理的效率。FILIPPO等[13]在进行偏光显微镜下矿石图片识别时,通过输入镜下观察的矿石薄片图像,利用边缘提取将不透明矿石颗粒图像分割提取,再针对颜色、解理等矿物特性结合deeplabv3+模型对透明矿物和环氧树脂进行分类,从而实现镜下透明矿物、透明矿物和环氧树脂的分类。

图1 典型的计算机视觉系统操作流程[8]Fig.1 The process for the typical computer vision system operation

1.2 深度学习的基本工作原理

深度学习可被视为一类机器学习算法的集合,用于处理多层非线性变换高复杂性数据[7],如矿物加工生产过程中的过程参数、控制参数与最终的产品质量等生产指标之间的对应关系。如图2所示,深度神经网络由多层相互连接的节点组成,黑色的节点为输入层和输出层,被称为可见层;在输入层和输出层之间的白色节点是隐藏层。每个节点都使用逐渐复杂的深度学习算法来提取和识别数据中的特征和模式。输入层是深度学习模型用于接收数据进行处理,通常为矿物加工过程的图像、视频或其他生产设备产生的数据。输出层是用于得到最终识别、分类或描述的结果,如矿物分类模型会在输入的图像中标注矿物种类（图3）[14]。多层是指神经网络的隐藏层的层数,深度学习的隐藏层层数通常超过3层,相较于1层的机器学习算法模型对复杂模型具备更好的拟合效果。非线性是指处理实际应用中复杂的非线性可分问题,难以通过数学建模进行定性定量分析和优化等,通常是采用复杂的拟合函数进行逼近。而传统矿物加工工艺在加工过程中,受原材料自然属性的不确定性和人为操作的不稳定性,存在非常严重的非线性问题。深度学习架构已应用于计算机视觉、机器视觉、医学图像分析、材料检测和棋盘游戏程序等领域,其成果在某些情况下已经超过人类达到的最好成绩[15]。同时,深度学习在矿物加工领域已经有学者进行了初步探索,并在矿物识别、浮选、磨矿和拣选等工艺流程的应用中获得良好的研究成果。

图2 深度神经网络架构Fig.2 Deep neural network architecture

图3 矿物分类模型输入图像和分类结果[14]Fig.3 Mineral classification model input images and classification results

2 人工智能在矿物加工中的应用

人工智能技术可以更快速准确地完成部分繁重的工程计算,使许多需要大量专业知识和工作经验的工作简单化,使研究人员从大量繁重的工程计算、多次重复的机械劳动等中解放出来,可以将更多的精力投入到其他研究当中。人工智能在矿物加工领域的应用从20世纪80年代开始[16],在矿物鉴定、磨矿过程和浮选过程的预测和监控等工艺流程中的应用最为广泛。

2.1 人工智能在矿物识别方向的应用

矿物识别是矿物加工的基础,只有通过矿物识别确定包括矿物样本、碎屑和粉末中的物理和化学成分及相关特征,如矿物组成、矿物生成序列、结构和构造等信息,才能更好地利用选别技术将矿石中的目的矿物分选出来[17]。矿物识别通常从矿物的多种性质进行鉴定,例如矿物外部形态、镜下图像、化学成分、晶体结构以及多种条件综合判别等。

通常,相关工作人员首先会对待测矿物进行肉眼识别,通过对待测矿物的形态、颜色、解理、光泽、硬度等特征的观察与经验积累进行对比进而进行判别[18]。这种方法简单易用,但对专业知识要求高,依赖于识别人员的经验积累,但对于识别非常见矿物存在一定难度。利用光学显微镜对矿物样本的干涉色、解理、均质性等矿物学相关镜下特征进行观察,是较常用且相对精度更高的矿物鉴别方法,但镜下观察判别矿物对研究者的专业知识有较高的要求。近年来随着技术的发展,拉曼光谱分析法、X射线荧光光谱法、X射线衍射法等广泛应用于矿物分析鉴定,但这些方法产生的数据并不直观,仍需要专业人员进行分析。随着人工智能技术的快速发展,许多学者尝试运用人工智能技术开展矿物识别工作。

当前研究中,采用人工智能技术识别矿物通常分为4个阶段:①样本采集,利用相关仪器设备采集包括矿物的图像、解理、反光率等物理数据和矿物的元素组成、光谱图像等其他重要数据;②模型建立,选择合适的人工智能算法模型框架,建立应用于矿物识别的识别模型;③模型训练,使用采集到的大量的矿物数据,训练建立好的矿物识别模型,针对不同矿物种类,提取的特征不同,识别方法也有所区别;④种类识别,使用训练好的矿物识别模型对待测矿物样本进行识别,判断待测矿物样本种类。其中,最核心的是模型建立,同一类型的不同算法模型在相同数据集的情况下,其精确度、运算时间、是否需要实时检测等方面各有优势,针对某些特定目标的任务,选择合适的算法模型尤为重要。而模型的准确率、运行时间也会受到矿物性质、数据集的形式和规模等因素的影响,从而使结果产生较大的差别。

2.1.1 基于显微光学系统的矿物识别模型

基于显微光学系统的矿物识别模型,首先通过采集矿物显微光学特征数据,建立相关数据集,在此基础上建立矿物识别模型,通过参数调整对模型进行优化,然后通过采集的训练集对模型进行训练,最终实现所建立的模型对于矿物的识别。

ALIGHOLI等[19]提出一种基于神经网络的矿物自动分类模型,通过引入CIELab色彩空间和矿物多种光学特性,包括颜色、干涉色等,集成了局部二元模式运算器和特征建模,来实现矿物显微图像中的同质区域的识别,该模型针对数据集中的4种矿物样本的识别准确率都在95%以上。ALIGHOLI等[20]还提出一种通过矿物样本的单偏光图像和正交偏光图像,观察两组图像变化并将图形转化成点云,用于计算出待测矿物与已知矿物的豪斯多夫距离来进行矿物识别的方法,通过混淆矩阵验证模型识别精确度可以达到96.2%以上。MAITRE等[21]采用简单的线性迭代聚类分割生成超像素,用于对样本砂砾图像进行预处理,通过提取样本图像中的颜色、光泽、解理等特征信息与扫描电镜图像相结合生成的数据集,可以有效地提高模型对砂砾中的矿物进行分类的准确率,最终获得的总体结果约为90%。LIU等[22]提取一套用于进行矿物识别的综合模型,颜色和纹理是岩石矿物识别的重要特征,深度学习方法可以有效提高识别精度,利用基于Inception-v3模型的深度学习算法模型和基于K-means算法的颜色模型搭建的一套用于进行矿物识别的综合模型,对岩石中赤铁矿、磁铁矿、方解石等12种矿物进行识别,最高可达99.0%的识别准确率。AGANGIBA等[23]通过手工矿物标本图像数据集训练卷积神经网络,开发出名为MINet的单标签矿物分类模型,可以对黑石英、云母、黄铁矿等7种矿物进行识别,准确率可达 90.75%。KHVOSTIKOV等[24]对矿物抛光截面图像的自动识别进行研究,针对抛光截面图像创建一套具有像素级语义标注的矿物数据集,通过这套数据集利用卷积神经网络训练出矿物自动识别模型,矿物鉴定的总体准确度达到了89.2%。

综合上述可知,通过显微光学系统的矿物识别方法主要是利用显微图像上可识别出的矿物的物理性质,如颜色、干涉色、光泽、解理等。但因为带有标注的矿物图像数据处理工作量大,标准的数据集较少,所以目前通过人工智能算法实现的基于显微光学系统的矿物识别方法难以广泛地应用;而且由于用于训练的数据集包含矿物种类少,数据集格式不统一,无法通用,目前该方法难以做到普适性。

2.1.2 基于光谱分析的矿物识别模型

基于光谱分析的矿物识别模型,首先通过光谱分析获得矿物的微观结构特征和组成成分,获取制作数据集的相关信息,根据现有算法模型特点选择合适的模型进行训练,最后对目标矿物进行识别操作。

CAREY等[25]通过机器学习技术处理待分类矿物的拉曼光谱数据集,采用了基于向量相似度量的加权邻域分类器可以有效地提升矿物光谱匹配性能,在拉曼光谱数据集中进行矿物分类任务达到了97.8%的总预测精度。LIU等[26]提出一种基于LeNets卷积神经网络的一个变体模型,无需对数据集进行预处理,能自动识别由矿物样品数据组成的光谱数据集,将传统识别方法的识别率提高了20%～40%,准确率提升到了93.3%。SEVETLIDIS等[27]通过对拉曼光谱数据集进行再处理得到优化后的数据集,通过优化后的随机森林算法训练出的矿物识别模型,可以在保持高效利用计算资源的同时并发处理矿物识别任务,并达到较好的分析效果,将未优化的随机森林模型的准确率从67.5%提升至88.8%。JAHODA等[28]提出结合拉曼散射、反射式可见-近红外（VNIR）和激光诱导分解光谱（LIBS）3种光谱分析方法的数据,进行深度卷积神经网络训练,并且通过3种光谱分析方法两两结合的数据实验结果进行对比,得到将拉曼光谱和VNIR光谱相结合的数据集可以训练出精确度最高的识别模型,最高精确度可达88.95%。

光谱分析方法均为微观下的分析结果,可以直接获取矿物的原子、分子的成分信息和组成结构信息,能达到较高精度的识别效果,但由于取样样本量很小,分析结果具有局限性。人工智能算法的矿物识别模型采取大量的数据集进行模型训练从宏观角度弥补了传统光谱分析法只能对少量试样进行分析的局限性问题,但由于光谱分析法的分析结果为信号数据,难以直观反映矿物成分信息,大多数算法模型需要对光谱数据结果进行预处理,数据集制作成本较高。

2.1.3 基于化学成分的矿物识别模型

化学成分分析用于确定矿物中所含化学成分的种类和含量,从而确定矿物中重要成分和较重要成分,是矿物识别的一种重要方法。在矿物识别领域常用于测定矿物化学成分的技术主要包括能量色散X射线光谱（EDS）、电子探针（EPMA）等[29]。由于矿物中含有的元素种类多,部分矿物组成相似,给人工测定矿物化学成分判断矿物种类造成一定困难。近些年有学者通过人工智能系统利用化学成分分析结果判别矿物种类,准确率最高提升至99.2%[30]。

能量色散X射线光谱（EDS）自70年代问世以来迅速发展,对于矿物化学成分测试具有很高的效率。NIELSEN等[31]早在1998年尝试通过Jeffreys-Matusita距离和一个类均值被归类为另一个类的后验概率来检查矿物类别的可分性,分类模型采用四个监督分类器（简单二次型、上下文二次型和2个分级二次型分类器）成功实现岩石中矿物的识别。而后LARSEN等[32]对NIELSEN的方法提出改进,通过扩展种子点区域,计算欧几里得光谱距离和马氏距离对种子算法相对于参数设置的敏感性进行评估。对种子算法对参数设置的敏感性的评估是通过使用标准的二次分类器,从扫描电子显微镜（SEM）的能量色散光谱（EDS）的薄片上测得的12种化学元素,对硅质岩或碳酸盐岩中常遇到的矿物进行分类。近几年,AKKAŞ等[30]使用扫描电镜能谱仪产生的特征X光,无需标准化分析条件,通过C5.0决策树算法可以快速、准确地进行矿物鉴别,在实验的测试集中,准确率最高可达99.77%。

而在基于电子探针显微分析仪（EPMA）图谱数据的矿物识别模型方面,TSUJI等[33]通过使用一种竞争性学习神经网络,KOHONEN自组织特征图（SOM）,对多个通过电子探针获取元素强度的X射线强度图中对薄片中的矿物进行分类,通过无监督训练来产生多维输入数据的二维表示,根据图像数据中的矿物比例设置分类阈值从而实现矿物识别效果。da Silva等[34]基于随机森林算法训练出一套可以自动化协助提高矿物化学数据处理和分析阶段效率的应用程序,可以对电子探针显微分析仪产生的大量数据进行辅助处理,在11 000多份矿物化学分析数据中,数据处理准确率约为99%。

综合来看,在矿物识别方面,通过人工智能方法在基于化学成分分析法方面的应用,可以很好地弥补传统化学成分分析法因测试元素过多、光谱数据范围较广、元素组成类似难以判别的问题,又保留了化学成分分析法能快速地、准确地、定量地对矿物进行识别分析的优点,但测试需要特定的设备,分析成本较高,且因为不同研究人员使用的设备品牌、型号不同,导致测试结果的数据类型不同,也给后续研究在数据处理方面造成困难。

2.1.4 基于多条件综合利用的矿物识别模型

矿物的多种性质综合利用也是基于人工智能技术的矿物识别研究关注的方向之一。由于矿物样本显微图像携带信息有限,有些研究人员将矿物光学性质与其他性质相结合来提升神经网络模型识别的准确度。ZENG等[35]提出一种基于EfficientNet-b4深度神经网络矿物识别模型,结合矿物光学图像和矿物自身莫氏硬度对应生成数据集,实现对73种矿物样本的识别,最高精度达到99.6%。

总体来看,人工智能技术在矿物识别方向的应用更多的是通过原有的鉴别方法,通过训练好的人工智能算法模型取代以往的依靠经验、需要专业的分析工具和知识储备的鉴定方法。人工智能算法模型通过对矿物的物理性质和化学性质数据集进行学习,可以准确地对待测矿物进行判别,弥补了人工鉴别时矿物种类判断错误或无法判断的问题。在传统矿物鉴定方法中,根据矿物镜下晶形和晶体光学性质进行矿物识别也是常用的鉴别方法,目前在晶体结构方面基于人工智能技术相关矿物鉴定工作尚未展开,值得更多研究人员进行深入研究。

2.2 人工智能在浮选过程中的应用

浮选工艺是一种利用有用矿物与脉石矿物之间疏水性差异进行分离的工艺。通过使用活化剂和抑制剂,增加或改变有用矿物和脉石之间的疏水性差异,使有用矿物成为疏水性物质,附着在气泡上,当气泡上升到矿浆顶部的泡沫层,将气泡中的有价值矿物收集起来,以达到分选的目的。浮选效果受许多因素的影响,如药剂剂量、气泡流量、浮选矿浆的pH值、给矿品位、磨矿粒度等,任一条件的改变对于泡沫质量、分选结果都会产生偏差和影响。由于基础微观现象本身具有混沌性,浮选过程的控制一直是一个具有挑战性的研究方向。当前,人工智能在浮选过程中的应用研究主要包括对浮选矿浆pH的监测和对浮选泡沫的监控两方面。

2.2.1 对浮选矿浆pH的监测

在矿物浮选过程中,pH值是浮选过程中对浮选效果产生直接影响的重要因素之一,矿物颗粒表面的化学性质、与药剂作用解离成离子的程度、与水的亲疏性等均与矿浆中的pH值有关,pH值的大小变化对浮选过程的监测和优化控制非常重要。目前大多数选矿厂采用的pH值测定仪对矿浆中的pH值变化非常不敏感,且容易被其他因素干扰,同时还存在着交叉感染的问题,容易造成测量结果不准确,对试剂的调整造成很大的影响[36]。在实际浮选过程中,由于矿浆与药剂是持续反应的过程,同时还有持续添加的新矿浆和其他过程的回水,控制矿浆pH值是一个复杂的非线性问题。

唐朝晖等[37]提出了一种基于浮选泡沫图像中的特征信息的矿浆pH值预测和控制的方法。利用BP神经网络的优良性能可以准确建模、精准仿真等特点和RBF神经网络可以快速适应样本变化的特点,组合出一种混合神经网络模型。基于此模型研究矿浆pH值与浮选泡沫图像中的特征信息之间的关系,建立了一种矿浆pH值预测和控制模型,解决了矿浆pH值不稳定的问题。阳春华等[38]对隶属函数和输出权值通过变尺度分级混沌方法进行优化,利用浮选矿浆泡沫大小、流速等特征建立了有关浮选矿浆pH值的软测量神经网络模型,主要用于解决pH值检测设备长时间使用后因积垢等原因导致测量不准确的问题。

在浮选过程中,通过人工智能技术对矿浆pH值进行预测和控制的优势在于:精准控制矿浆pH值,可以有效排除因为设备不敏感、人工操作不精细等导致矿浆pH值控制不当造成不必要的损失。

2.2.2 对浮选泡沫监控

浮选是通过矿浆中的泡沫携带目的矿物进行分选的一种选矿方法。众所周知,泡沫的颜色、气泡结构、形态、流速等泡沫特征分别与矿物品位（浓度）、工艺状态和回收率有密切的定量关系[39]。目前,矿物浮选效果很大程度依赖于浮选工人依据自身经验对泡沫的观察判断。浮选过程中难以精确管控的问题主要来源于浮选工人的主观经验问题和缺乏准确的测量设备。所以泡沫质量监控对于浮选效果至关重要。

LIU等[40]提出一种结合多尺度去模糊全卷积网络和多级跳跃特征融合全卷积网络的浮选泡沫监控方案。多尺度去模糊全卷积网络可以对由于空气水雾、相机振动和高速流造成场景中泡沫模糊的图像进行还原,多级跳跃特征融合全卷积网络以准确分割各种具有全占位和紧密粘附的易碎气泡的泡沫图像,自适应地划分各种大小的气泡。通过结合两种卷积神经网络特性组合出一种在线浮选泡沫监控方案,经过对实际生产铜矿浮选过程实验,验证所提方案对于浮选泡沫状态有良好的监控效果。ZARIE等[41]提出一种用于对工业煤浮选柱在不同工艺条件下采集的泡沫图像进行分类的卷积神经网络模型,通过对浮选过程中空气流速、泡沫剂用量、矿浆固体含量百分比、泡沫深度等不同的条件下运行的泡沫图像收集处理,利用卷积神经网络算法对采集的泡沫图像进行分类,按照可燃物回收率和精煤灰品位将图像快速准确分为4个泡沫等级,避免浮选工人依靠自身经验判断不准确的问题。ZHANG等[42]通过XRD分析仪对浮选泡沫品位进行分级,利用浮选泡沫监控视频和浮选泡沫等级建立数据集,通过长短时记忆网络（LSTM）训练出一种预估锌浮选回路中第一粗选浮选机的尾矿品位的预测模型,对比感知器网络模型,均方根误差降低约8.48%、拟合优度增加约9.32%。

选矿过程中,浮选工艺因其工艺繁杂,需要控制的因素较多,一直是选矿流程中较难把控的工艺。在与人工智能技术结合过程中,神经网络算法可以精确预测浮选过程中所需监控的指标参数,也可通过浮选泡沫图像对浮选进度进行判断,配合视觉传感器达到实时测量精矿品位的效果。

2.3 人工智能在磨矿过程中的应用

磨矿是借助球磨机、棒磨机等研磨机械,通过研磨介质和矿物之间的机械力克服矿物内部黏结力来破坏结构,使矿物达到目标粒度的作业。研究人员分别将磨矿过程中的介质配比、矿石粒度、磨机振动信号等数据收集处理,建立对应的数据集,利用人工智能算法模型对磨矿作业的控制过程进行改进,提升磨机磨矿工作效率。

张胜东等[43]通过利用BP神经网络建立球磨机钢球配比预测模型,通过保持其他条件不变,控制球磨机中大、中、小钢球的配比这一单一变量,进行多次试验,以此实验方法得到磨矿产品粒度分布,再将磨矿产品粒度分布作为输入,钢球各自质量分数作为输出,训练出的神经网络预测模型可用于预测不同磨矿产品粒度对应的钢球配比。ZHANG等[44]使用灰色模型进行磨矿粒度预测,并用神经网络进行误差补偿,比未使用神经网络的预测模型更加接近实际值。NAYAK等[45]通过监测球磨机的振动信号,建立人工神经网络模型,用于定期监测球磨机内部的料位。该实验在球磨机底部采集振动信号,通过使用快速傅里叶变换分析信号的方法,从振动信号中提取特征,将这些特征作为人工神经网络的输入,用于预测球磨机内部的物料填充百分比。ZAKAMALDIN等[46]使用外部输入的非线性自回归神经网络对中心排料球磨机进行识别,在带筛分的闭路研磨中获得细碎的磨机填充技术过程的简化模型,之后在实际研磨过程中对最佳模型进行测试,通过神经网络建立的模型与实际最佳估值达到了72.1%的匹配度。

磨矿作业在与人工智能技术相结合的过程中,人工智能算法模型将磨机中介质和矿物配比、磨矿粒度、磨矿作业技术流程等精细化定量预测,解决了传统磨矿工艺存在的多条件相互作用导致的非线性问题,有效地提升了磨机作业率、磨机利用系数等指标,使目的矿物和脉石矿物更大程度地达到单体解离,同时降低选矿成本,对于工业生产具有重大作用。

2.4 人工智能在矿物加工中的其他应用

近年来,人工智能技术在矿物拣选、浸出等领域中也受到矿物加工工作者的关注。

张永超等[47]基于传统煤矸石分拣机器人对于煤矸石的位置不敏感的问题,通过单激发多盒探测器机器视觉算法对煤矸石检测方法进行优化,有效地提升了煤矸石分拣机器人的感知与分拣能力。卜斤革等[48]利用粒子群算法优化BP神经网络建立了浸出率的预测模型,得到的预测结果与实际值相差甚小,同时验证了神经网络可以在一定条件下有效地把控浸出作业过程中的不确定性,提升浸出率。PEREIRA等[49]对比了多项式建模和人工神经网络技术应用于磷灰石、方解石和白云石生物沉积的基本原理,采用遗传算法优化的全二次模型和三层前馈神经网络来描述矿物回收率,实验发现使用标准数值训练算法生成的人工神经网络模型具有更高的精度,与多项式模型相比,人工神经网络模型更适合描述和预测矿物回收率。

人工智能技术与其他矿物加工工艺流程的应用还在起步阶段,但根据现有研究人员的实验结果观测,人工智能技术在矿物加工中的其他工艺流程中依然具有很大的研究空间。

3 结 论

人工智能技术作为一门新兴技术具有很好地处理非线性问题的优势,可以排除依赖人为经验操作所导致的稳定性低和可解释性差等问题,成为矿物加工领域新的研究方向。利用人工智能技术在矿物识别、磨矿、浮选等相关领域的研究成果,对已经得到的精确数据进行在线分析处理,可以使矿物加工工艺流程更精细化,有效地提升矿物加工效果、提高精矿品位,同时也降低相关工艺流程操作难度,有利于选矿厂人力成本的降低。展现了其在推动矿物加工高质、高效、绿色与创新发展,助力我国绿色矿山、生态矿山建设方面的重要意义与潜在前景。但是,当前现有研究成果尚存在不足的地方,主要有以下4个方面:①缺少统一标准的、全品类的矿物加工领域的数据集。现有研究成果绝大多数是基于自建数据集进行实验研究,而数据集的质量对实验的结果会产生较大的影响,统一标准、格式的数据集将有助于更好地评判算法模型;②缺乏应用在实际生产中的人工智能算法模型。目前人工智能算法在矿物加工领域的应用仍然处于早期的探索阶段,大量的研究成果依然来源于实验室,而并非实际的选矿厂;③人工智能在矿物加工领域中的应用大多用于研究某一工艺流程,缺乏整体性。矿物加工领域工艺流程多,整体性强,依靠人工智能对浮选、磨矿或其他某一工艺的改善对于矿物加工的最终结果很难产生质的变化;④选矿厂大量生产数据未加以合理利用。矿物加工设备每日产生大量各种类型的数据,许多形式的数据（如球磨机的振动信号）在选矿厂甚至尚未采集,而单纯人工处理和简单算法无法体现数据的最大价值。

人工智能在矿物加工领域的应用快速增长,反映了当前工业领域对于科学前沿技术的需求,但还需要很长一段时间的磨合和探索。未来可以从以下4个方面对人工智能在矿物加工领域的应用进行探索:①建立统一规范的、全品类的标准数据集和数据集测试标准,通过标准数据集对人工智能算法模型进行性能评估;②通过使用选矿厂的真实生产数据进行算法模型的建立,从实际生产角度出发,将算法模型实际应用于选矿厂的生产当中;③加强人工智能技术结合矿物加工领域中其他工艺的应用研究,包括但不限于拣选、浸出等技术;④通过人工智能算法模型开发具有高可用性、高鲁棒性的自动化矿物加工设备,在矿物加工领域充分发挥人工智能优势。人工智能技术在矿物加工领域的应用已经成为未来发展的大方向。随着人工智能的不断迭代创新,矿物加工领域也将迎来飞速发展。