При традиционной магнитной сепарации низкосортного магнетита крупнозернистая руда часто увлекает за собой большое количество пустой породы, что приводит к неудовлетворительным результатам разделения. Значительная доля включений пустой породы попадает в последующий высокоэнергозатратный цикл измельчения, вызывая колоссальные потери ресурсов. Сегодня эта давняя проблема, беспокоящая сферу обогащения полезных ископаемых, решается с помощью новой интеллектуальной сенсорной системы распознавания. Данное решение, объединяя эмпирическую модовую декомпозицию (EMD) и сверточную нейронную сеть (CNN), выполняет точное шумоподавление и интеллектуальную классификацию сигналов магнитной индукции, обеспечивая высокоэффективную предварительную сепарацию крупнозернистого низкосортного магнетита и прокладывая новый путь для интеллектуальной трансформации традиционных процессов обогащения.
Проблема «сигнальной глухоты» при сепарации крупнозернистой руды
Предварительное обогащение магнетита является первым рубежом «сброса хвостов и повышения качества» на обогатительной фабрике, и его эффективность напрямую определяет объем загрузки и общее энергопотребление последующих операций измельчения и флотации. Однако низкосортная магнетитовая руда характеризуется высоким содержанием жильных минералов и крупным размером частиц, а разница в сигналах магнитной индукции между рудой и пустой породой крайне мала. Сигнал легко подвержен влиянию дрейфа базовой линии датчика, электромагнитных помех и импульсных шумов, что приводит к значительному снижению отношения сигнал/шум, и полезная характеристическая информация тонет в избыточном шуме.
Кроме того, при прохождении крупнозернистой руды через зону чувствительности датчика ее нестабильная кинематика усложняет модуляцию выходного сигнала. Традиционное оборудование, полагающееся на фиксированные пороговые значения для дискриминации, не способно улавливать динамические различия между отдельными кусками руды, что приводит к низкой точности классификации, большим колебаниям и неспособности удовлетворить технологические требования точной предварительной сепарации. В сценариях сброса крупнокусковой породы традиционные схемы сепарации не являются ни интеллектуальными, ни эффективными, что напрямую ограничивает уровень комплексного использования низкосортных железорудных ресурсов.
Полный прорыв от реконструкции сигнала до сквозной интеллектуальной классификации
Для решения вышеуказанных проблем исследовательская группа, включающая Жэнь Янькуя и других ученых из Цзюцюаньского профессионально-технического университета, Пекинского научно-технического университета, Хубэйского технологического университета, Цзянсийского университета науки и технологий, Наньчанского авиационного университета и других вузов, в исследовательской статье, опубликованной в ведущем международном журнале в области минералогии «Minerals», систематически предложила метод сенсорной сепарации магнетита, объединяющий EMD и CNN. Метод охватывает полную технологическую цепочку от предварительной обработки до прогнозирования классификации, а его ключевые инновации проявляются на трех уровнях.
Во-первых, на этапе предварительной обработки сигнала реализовано многомерное адаптивное шумоподавление. Исходно собранные сигналы магнитной индукции сначала подвергаются стандартизации, что эффективно подавляет дрейф базовой линии датчика и создает стабильную основу данных для последующей обработки. Затем вводится метод эмпирической модовой декомпозиции (EMD), который позволяет без предварительного задания базисных функций адаптивно разложить нестационарный зашумленный сигнал на ряд внутренних модовых функций (IMF). Исследовательская группа провела комплексную количественную оценку на основе показателя масштабирования и коэффициента эксцесса IMF, селективно удалила компоненты с преобладанием высокочастотного шума и сохранила эффективные компоненты, содержащие информацию о руде, для реконструкции, что значительно повысило отношение сигнал/шум восстановленного сигнала.
Во-вторых, на этапе извлечения признаков и преобразования биосигнала было создано представление, удобное для CNN. Восстановленный сигнал после шумоподавления EMD подвергается обработке по абсолютной величине для сохранения амплитудной информации, затем нормализации и преобразованию размерности, преобразуя одномерную последовательность датчика в формат двумерной матрицы. Это отображает слабые различия между рудой и породой в исходном сигнале в графические паттерны, легко улавливаемые CNN. Данный метод эффективно обходит ограничения традиционного ручного отбора признаков, реализуя интеллектуальную трансляцию от исходного сигнала к входным данным, понятным для глубокого обучения.
Наконец, на уровне прогнозирования классификации реализовано сквозное автоматическое распознавание CNN. Исследовательская группа спроектировала и оптимизировала сверточную нейронную сеть, ориентированную на задачи предварительной сепарации. Предварительно обработанные характеристические выборки автоматически подаются в CNN для глубокого извлечения признаков и иерархической абстракции, что позволяет отделить сущностные различия между полезным минералом и пустой породой. Экспериментальные результаты показывают, что благодаря стандартизации и шумоподавлению EMD способность CNN распознавать различные сорта магнетита неуклонно повышается, успешно достигая стабильно контролируемой точности для разных сортов руды, что предлагает новое интеллектуальное решение для высокоэффективной предварительной сепарации низкосортной крупнозернистой руды.
Начиная с сепарационного модуля, добиться снижения затрат и повышения эффективности во всей цепочке обогащения
Эта мультистратегическая гибридная сенсорная сепарационная схема обладает значительной ценностью для инженерного внедрения и широкими перспективами применения. В аспекте эффективного использования низкосортных минеральных ресурсов, огромное количество низкосортного магнетита и железосодержащей пустой породы в Китае долгое время оставалось невостребованным из-за трудностей сброса хвостов традиционными методами и высокой стоимости повторного обогащения. Данная система может быть развернута после стадии дробления и перед стадией измельчения, перехватывая с чрезвычайно низкими энергозатратами около 30%-50% выхода пустой породы, что значительно сокращает количество руды, поступающей на измельчение, снижает энергопотребление, расход стали и объем складируемых хвостов, эффективно раскрывая экономически извлекаемую ценность низкосортных ресурсов.
В аспекте создания безлюдных производств на сложных рудниках, данная система способна ускорить построение цепочки операций «подземная или наземная сенсорная сепарация – онлайн-распознавание – мгновенный сброс хвостов», принципиально избавляя от зависимости от присутствия оператора, поддерживая надежную безлюдную эксплуатацию обогатительной фабрики в суровых условиях и обеспечивая прочную технологическую базу для интеллектуального строительства рудников. Кроме того, гибридная структура EMD и CNN обладает высокой способностью к обобщению и может быть быстро перенесена на сценарии предварительной сепарации различных низкосортных руд, таких как фосфориты, вольфрамовые руды, свинцово-цинковые руды, основанные на различиях электромагнитных или оптических сигналов. Это закладывает основу для изучения и создания единой «модели интеллектуальной сенсорной сепарации» и способствует итеративному внедрению дифференцированной стратегии сепарации «предварительное обогащение крупных частиц – тонкое измельчение – точное обогащение».
Определение «интеллектуального гена» сенсорного обогащения
Фундаментальная ценность этого исследования заключается в органичном слиянии передовых методов обработки сигналов с динамической адаптивной моделью глубокого обучения, что предлагает сквозное глубинное решение для давних проблем в области обогащения, таких как «серьезное загрязнение сигнала и узкие места ручной разработки признаков». Совместное использование эмпирической модовой декомпозиции (EMD) и сверточной нейронной сети (CNN) позволяет оборудованию перейти от пассивного сравнения сигналов к активному извлечению значимых признаков, наделяя сенсорную сепарацию прорывным интеллектом — способностью не просто «слышать», но и «понимать».
Когда шумоподавление сигнала переходит от фиксированной фильтрации к адаптивной декомпозиции, а принятие решений о классификации — от ручной настройки параметров к автоматическому извлечению CNN, технологический перелом в сенсорном обогащении уже наступил. Это не простая итерация оборудования, а системный прорыв, достигнутый благодаря глубокой интеграции трех областей: сенсоров, обработки сигналов и глубокого обучения. Это знаменует собой решающий шаг Китая в области интеллектуальной сепарации низкосортных железных руд и вливает новую мощную движущую силу в цифровую трансформацию горнодобывающей промышленности и ее экологичное и высокоэффективное развитие.