湯化明 王 玲 楊國華 賈藍(lán)波 熊雨婷夏亮亮 王 龍 劉勝昌 聶軼苗 劉淑賢

（1.華北理工大學(xué)礦業(yè)工程學(xué)院,河北 唐山 063210;2.河北省礦業(yè)開發(fā)與安全技術(shù)重點(diǎn)實(shí)驗室,河北 唐山 063210;3.河北省礬山磷礦有限公司,河北 張家口 075000）

人工智能技術(shù)是以統(tǒng)計學(xué)為數(shù)學(xué)基礎(chǔ),通過計算機(jī)程序來模擬人類思維和判斷操作的一門新興的、高速發(fā)展的技術(shù)科學(xué)。人工智能是先將某一類問題的大量數(shù)據(jù)輸入人工智能系統(tǒng)進(jìn)行訓(xùn)練,使之學(xué)習(xí)解決問題的策略,在遇到相同的問題時,可以通過經(jīng)驗知識解決問題并積累新的經(jīng)驗數(shù)據(jù)[1]。人工智能自問世以來,經(jīng)歷了幾十年的持續(xù)發(fā)展。1956年,J.MeCarthy等首次確立了“人工智能”的概念,即是指機(jī)器具有與人類相似的理解、思考和學(xué)習(xí)的能力,表明用計算機(jī)模擬人類智能的可能性[2]。因為人工智能技術(shù)具有非線性、非限制性、非定性和非凸性等特點(diǎn),使其在互聯(lián)網(wǎng)、教育、農(nóng)業(yè)、工業(yè)等多個領(lǐng)域發(fā)展迅速,并且展現(xiàn)出煥然一新的活力,但由于存在大量的學(xué)科交叉應(yīng)用,研究人員普遍存在知識壁壘現(xiàn)象,所以在大多數(shù)領(lǐng)域的人工智能應(yīng)用發(fā)展都還有很大的發(fā)展空間[3]。

礦業(yè)一直以來都是我國經(jīng)濟(jì)發(fā)展的重要支柱,而且我國也已成為世界上最大的礦業(yè)市場[4]。礦物加工作為從低品位的礦產(chǎn)資源中通過加工、提純等物理方法和化學(xué)方法去除礦物雜質(zhì),提高目的礦物的品位的一門科學(xué)技術(shù),主要研究如何能更充分合理地利用礦物資源。隨著社會經(jīng)濟(jì)的快速發(fā)展,人類對礦產(chǎn)資源需求量的不斷增長,而可開采富礦越來越少,礦產(chǎn)資源的開發(fā)利用逐步轉(zhuǎn)向“貧、細(xì)、雜”方向發(fā)展[5],傳統(tǒng)礦物加工由于生產(chǎn)過程復(fù)雜,過程參數(shù)、控制參數(shù)與最終產(chǎn)品的品位、回收率等指標(biāo)無法用數(shù)學(xué)模型反映其對應(yīng)關(guān)系和決策原理,且生產(chǎn)過程極度依賴人工經(jīng)驗操作導(dǎo)致缺乏穩(wěn)定性和可解釋性,難以適應(yīng)當(dāng)前礦產(chǎn)資源開發(fā)利用現(xiàn)狀。為此,礦物加工及相關(guān)領(lǐng)域?qū)W者進(jìn)行了大量的理論研究和工藝試驗,其中人工智能與礦物加工相結(jié)合的相關(guān)應(yīng)用也成為國內(nèi)外學(xué)者關(guān)注的重要研究方向之一[6]。本文即對這一國內(nèi)外研究動態(tài)進(jìn)行介紹,主要從礦物識別、磨礦、浮選等礦物加工技術(shù)方面,對人工智能在礦物加工領(lǐng)域的應(yīng)用進(jìn)行闡述,分析人工智能在礦物加工方向應(yīng)用的研究思路與發(fā)展方向,為實(shí)現(xiàn)人工智能技術(shù)在礦物加工領(lǐng)域應(yīng)用、加快礦物加工向智能化方向發(fā)展研究提供借鑒。

1 人工智能礦物加工技術(shù)的基本原理

人工智能技術(shù)在礦物加工中的應(yīng)用主要通過兩種技術(shù)形式:一是計算機(jī)視覺,應(yīng)用于通過圖像來獲取礦物在加工過程中的精準(zhǔn)信息,完成礦物的識別、破碎粒度檢測、浮選泡沫監(jiān)測等工藝流程的管控,相當(dāng)于為工程師排除干擾項,進(jìn)行較復(fù)雜的判別,輔助工程師提高礦物處理的效率;二是深度學(xué)習(xí),主要應(yīng)用于預(yù)測和分類,通過對于大量礦物加工過程中產(chǎn)生的數(shù)據(jù)和診斷結(jié)果進(jìn)行特定的多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練,定量分析預(yù)測,提高礦物加工設(shè)備的工作效率、降低設(shè)備的故障頻率及提升浮選藥劑的選礦效果等。

1.1 計算機(jī)視覺的基本工作原理

一般的計算機(jī)視覺系統(tǒng)通常包括圖像的采集、處理、分割和模式識別等幾個部分[7]。在計算機(jī)視覺系統(tǒng)中,圖像采集子系統(tǒng)的作用是將光學(xué)圖像數(shù)據(jù)轉(zhuǎn)化為數(shù)字?jǐn)?shù)據(jù)陣列。AWCOCK等[8]給出了一個計算機(jī)視覺系統(tǒng)框圖（圖1）。圖框中列出了包括不同過程的系統(tǒng)和子系統(tǒng)。從圖1可以看出,從光源出發(fā),由圖像傳感器生成光學(xué)圖像,通過圖像陣列、數(shù)字相機(jī)或其他手段將光學(xué)圖像先轉(zhuǎn)換為電信號,并將其轉(zhuǎn)換為最終的數(shù)字圖像。利用數(shù)字化圖像通過中值濾波[9]、均值濾波[10]、高斯濾波[11]等圖像濾波技術(shù)對圖像中的無關(guān)信息進(jìn)行處理。圖像分割的核心部分在于特征提取,將經(jīng)過預(yù)處理的圖像按模型算法的規(guī)則進(jìn)行重新表述,以凸顯圖像特征[12]。之后系統(tǒng)分類器根據(jù)特征對圖像進(jìn)行分類和解釋,并考慮場景描述,進(jìn)行數(shù)據(jù)驅(qū)動,與場景圖片進(jìn)行交互。通過數(shù)據(jù)驅(qū)動提供了一個與原始場景圖片數(shù)據(jù)的交互循環(huán),調(diào)整或修改某些給定的條件可以獲得更好的圖像數(shù)據(jù)。在礦物處理方面,計算機(jī)視覺主要應(yīng)用于礦物識別、破碎粒度檢測、浮選泡沫、pH值、藥劑用量監(jiān)測等工藝流程,可以進(jìn)行較復(fù)雜的信息處理,也可以為工程師排除大量的干擾因素,輔助工程師提高礦物處理的效率。FILIPPO等[13]在進(jìn)行偏光顯微鏡下礦石圖片識別時,通過輸入鏡下觀察的礦石薄片圖像,利用邊緣提取將不透明礦石顆粒圖像分割提取,再針對顏色、解理等礦物特性結(jié)合deeplabv3+模型對透明礦物和環(huán)氧樹脂進(jìn)行分類,從而實(shí)現(xiàn)鏡下透明礦物、透明礦物和環(huán)氧樹脂的分類。

圖1 典型的計算機(jī)視覺系統(tǒng)操作流程[8]Fig.1 The process for the typical computer vision system operation

1.2 深度學(xué)習(xí)的基本工作原理

深度學(xué)習(xí)可被視為一類機(jī)器學(xué)習(xí)算法的集合,用于處理多層非線性變換高復(fù)雜性數(shù)據(jù)[7],如礦物加工生產(chǎn)過程中的過程參數(shù)、控制參數(shù)與最終的產(chǎn)品質(zhì)量等生產(chǎn)指標(biāo)之間的對應(yīng)關(guān)系。如圖2所示,深度神經(jīng)網(wǎng)絡(luò)由多層相互連接的節(jié)點(diǎn)組成,黑色的節(jié)點(diǎn)為輸入層和輸出層,被稱為可見層;在輸入層和輸出層之間的白色節(jié)點(diǎn)是隱藏層。每個節(jié)點(diǎn)都使用逐漸復(fù)雜的深度學(xué)習(xí)算法來提取和識別數(shù)據(jù)中的特征和模式。輸入層是深度學(xué)習(xí)模型用于接收數(shù)據(jù)進(jìn)行處理,通常為礦物加工過程的圖像、視頻或其他生產(chǎn)設(shè)備產(chǎn)生的數(shù)據(jù)。輸出層是用于得到最終識別、分類或描述的結(jié)果,如礦物分類模型會在輸入的圖像中標(biāo)注礦物種類（圖3）[14]。多層是指神經(jīng)網(wǎng)絡(luò)的隱藏層的層數(shù),深度學(xué)習(xí)的隱藏層層數(shù)通常超過3層,相較于1層的機(jī)器學(xué)習(xí)算法模型對復(fù)雜模型具備更好的擬合效果。非線性是指處理實(shí)際應(yīng)用中復(fù)雜的非線性可分問題,難以通過數(shù)學(xué)建模進(jìn)行定性定量分析和優(yōu)化等,通常是采用復(fù)雜的擬合函數(shù)進(jìn)行逼近。而傳統(tǒng)礦物加工工藝在加工過程中,受原材料自然屬性的不確定性和人為操作的不穩(wěn)定性,存在非常嚴(yán)重的非線性問題。深度學(xué)習(xí)架構(gòu)已應(yīng)用于計算機(jī)視覺、機(jī)器視覺、醫(yī)學(xué)圖像分析、材料檢測和棋盤游戲程序等領(lǐng)域,其成果在某些情況下已經(jīng)超過人類達(dá)到的最好成績[15]。同時,深度學(xué)習(xí)在礦物加工領(lǐng)域已經(jīng)有學(xué)者進(jìn)行了初步探索,并在礦物識別、浮選、磨礦和揀選等工藝流程的應(yīng)用中獲得良好的研究成果。

圖2 深度神經(jīng)網(wǎng)絡(luò)架構(gòu)Fig.2 Deep neural network architecture

圖3 礦物分類模型輸入圖像和分類結(jié)果[14]Fig.3 Mineral classification model input images and classification results

2 人工智能在礦物加工中的應(yīng)用

人工智能技術(shù)可以更快速準(zhǔn)確地完成部分繁重的工程計算,使許多需要大量專業(yè)知識和工作經(jīng)驗的工作簡單化,使研究人員從大量繁重的工程計算、多次重復(fù)的機(jī)械勞動等中解放出來,可以將更多的精力投入到其他研究當(dāng)中。人工智能在礦物加工領(lǐng)域的應(yīng)用從20世紀(jì)80年代開始[16],在礦物鑒定、磨礦過程和浮選過程的預(yù)測和監(jiān)控等工藝流程中的應(yīng)用最為廣泛。

2.1 人工智能在礦物識別方向的應(yīng)用

礦物識別是礦物加工的基礎(chǔ),只有通過礦物識別確定包括礦物樣本、碎屑和粉末中的物理和化學(xué)成分及相關(guān)特征,如礦物組成、礦物生成序列、結(jié)構(gòu)和構(gòu)造等信息,才能更好地利用選別技術(shù)將礦石中的目的礦物分選出來[17]。礦物識別通常從礦物的多種性質(zhì)進(jìn)行鑒定,例如礦物外部形態(tài)、鏡下圖像、化學(xué)成分、晶體結(jié)構(gòu)以及多種條件綜合判別等。

通常,相關(guān)工作人員首先會對待測礦物進(jìn)行肉眼識別,通過對待測礦物的形態(tài)、顏色、解理、光澤、硬度等特征的觀察與經(jīng)驗積累進(jìn)行對比進(jìn)而進(jìn)行判別[18]。這種方法簡單易用,但對專業(yè)知識要求高,依賴于識別人員的經(jīng)驗積累,但對于識別非常見礦物存在一定難度。利用光學(xué)顯微鏡對礦物樣本的干涉色、解理、均質(zhì)性等礦物學(xué)相關(guān)鏡下特征進(jìn)行觀察,是較常用且相對精度更高的礦物鑒別方法,但鏡下觀察判別礦物對研究者的專業(yè)知識有較高的要求。近年來隨著技術(shù)的發(fā)展,拉曼光譜分析法、X射線熒光光譜法、X射線衍射法等廣泛應(yīng)用于礦物分析鑒定,但這些方法產(chǎn)生的數(shù)據(jù)并不直觀,仍需要專業(yè)人員進(jìn)行分析。隨著人工智能技術(shù)的快速發(fā)展,許多學(xué)者嘗試運(yùn)用人工智能技術(shù)開展礦物識別工作。

當(dāng)前研究中,采用人工智能技術(shù)識別礦物通常分為4個階段:①樣本采集,利用相關(guān)儀器設(shè)備采集包括礦物的圖像、解理、反光率等物理數(shù)據(jù)和礦物的元素組成、光譜圖像等其他重要數(shù)據(jù);②模型建立,選擇合適的人工智能算法模型框架,建立應(yīng)用于礦物識別的識別模型;③模型訓(xùn)練,使用采集到的大量的礦物數(shù)據(jù),訓(xùn)練建立好的礦物識別模型,針對不同礦物種類,提取的特征不同,識別方法也有所區(qū)別;④種類識別,使用訓(xùn)練好的礦物識別模型對待測礦物樣本進(jìn)行識別,判斷待測礦物樣本種類。其中,最核心的是模型建立,同一類型的不同算法模型在相同數(shù)據(jù)集的情況下,其精確度、運(yùn)算時間、是否需要實(shí)時檢測等方面各有優(yōu)勢,針對某些特定目標(biāo)的任務(wù),選擇合適的算法模型尤為重要。而模型的準(zhǔn)確率、運(yùn)行時間也會受到礦物性質(zhì)、數(shù)據(jù)集的形式和規(guī)模等因素的影響,從而使結(jié)果產(chǎn)生較大的差別。

2.1.1 基于顯微光學(xué)系統(tǒng)的礦物識別模型

基于顯微光學(xué)系統(tǒng)的礦物識別模型,首先通過采集礦物顯微光學(xué)特征數(shù)據(jù),建立相關(guān)數(shù)據(jù)集,在此基礎(chǔ)上建立礦物識別模型,通過參數(shù)調(diào)整對模型進(jìn)行優(yōu)化,然后通過采集的訓(xùn)練集對模型進(jìn)行訓(xùn)練,最終實(shí)現(xiàn)所建立的模型對于礦物的識別。

ALIGHOLI等[19]提出一種基于神經(jīng)網(wǎng)絡(luò)的礦物自動分類模型,通過引入CIELab色彩空間和礦物多種光學(xué)特性,包括顏色、干涉色等,集成了局部二元模式運(yùn)算器和特征建模,來實(shí)現(xiàn)礦物顯微圖像中的同質(zhì)區(qū)域的識別,該模型針對數(shù)據(jù)集中的4種礦物樣本的識別準(zhǔn)確率都在95%以上。ALIGHOLI等[20]還提出一種通過礦物樣本的單偏光圖像和正交偏光圖像,觀察兩組圖像變化并將圖形轉(zhuǎn)化成點(diǎn)云,用于計算出待測礦物與已知礦物的豪斯多夫距離來進(jìn)行礦物識別的方法,通過混淆矩陣驗證模型識別精確度可以達(dá)到96.2%以上。MAITRE等[21]采用簡單的線性迭代聚類分割生成超像素,用于對樣本砂礫圖像進(jìn)行預(yù)處理,通過提取樣本圖像中的顏色、光澤、解理等特征信息與掃描電鏡圖像相結(jié)合生成的數(shù)據(jù)集,可以有效地提高模型對砂礫中的礦物進(jìn)行分類的準(zhǔn)確率,最終獲得的總體結(jié)果約為90%。LIU等[22]提取一套用于進(jìn)行礦物識別的綜合模型,顏色和紋理是巖石礦物識別的重要特征,深度學(xué)習(xí)方法可以有效提高識別精度,利用基于Inception-v3模型的深度學(xué)習(xí)算法模型和基于K-means算法的顏色模型搭建的一套用于進(jìn)行礦物識別的綜合模型,對巖石中赤鐵礦、磁鐵礦、方解石等12種礦物進(jìn)行識別,最高可達(dá)99.0%的識別準(zhǔn)確率。AGANGIBA等[23]通過手工礦物標(biāo)本圖像數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),開發(fā)出名為MINet的單標(biāo)簽礦物分類模型,可以對黑石英、云母、黃鐵礦等7種礦物進(jìn)行識別,準(zhǔn)確率可達(dá) 90.75%。KHVOSTIKOV等[24]對礦物拋光截面圖像的自動識別進(jìn)行研究,針對拋光截面圖像創(chuàng)建一套具有像素級語義標(biāo)注的礦物數(shù)據(jù)集,通過這套數(shù)據(jù)集利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練出礦物自動識別模型,礦物鑒定的總體準(zhǔn)確度達(dá)到了89.2%。

綜合上述可知,通過顯微光學(xué)系統(tǒng)的礦物識別方法主要是利用顯微圖像上可識別出的礦物的物理性質(zhì),如顏色、干涉色、光澤、解理等。但因為帶有標(biāo)注的礦物圖像數(shù)據(jù)處理工作量大,標(biāo)準(zhǔn)的數(shù)據(jù)集較少,所以目前通過人工智能算法實(shí)現(xiàn)的基于顯微光學(xué)系統(tǒng)的礦物識別方法難以廣泛地應(yīng)用;而且由于用于訓(xùn)練的數(shù)據(jù)集包含礦物種類少,數(shù)據(jù)集格式不統(tǒng)一,無法通用,目前該方法難以做到普適性。

2.1.2 基于光譜分析的礦物識別模型

基于光譜分析的礦物識別模型,首先通過光譜分析獲得礦物的微觀結(jié)構(gòu)特征和組成成分,獲取制作數(shù)據(jù)集的相關(guān)信息,根據(jù)現(xiàn)有算法模型特點(diǎn)選擇合適的模型進(jìn)行訓(xùn)練,最后對目標(biāo)礦物進(jìn)行識別操作。

CAREY等[25]通過機(jī)器學(xué)習(xí)技術(shù)處理待分類礦物的拉曼光譜數(shù)據(jù)集,采用了基于向量相似度量的加權(quán)鄰域分類器可以有效地提升礦物光譜匹配性能,在拉曼光譜數(shù)據(jù)集中進(jìn)行礦物分類任務(wù)達(dá)到了97.8%的總預(yù)測精度。LIU等[26]提出一種基于LeNets卷積神經(jīng)網(wǎng)絡(luò)的一個變體模型,無需對數(shù)據(jù)集進(jìn)行預(yù)處理,能自動識別由礦物樣品數(shù)據(jù)組成的光譜數(shù)據(jù)集,將傳統(tǒng)識別方法的識別率提高了20%～40%,準(zhǔn)確率提升到了93.3%。SEVETLIDIS等[27]通過對拉曼光譜數(shù)據(jù)集進(jìn)行再處理得到優(yōu)化后的數(shù)據(jù)集,通過優(yōu)化后的隨機(jī)森林算法訓(xùn)練出的礦物識別模型,可以在保持高效利用計算資源的同時并發(fā)處理礦物識別任務(wù),并達(dá)到較好的分析效果,將未優(yōu)化的隨機(jī)森林模型的準(zhǔn)確率從67.5%提升至88.8%。JAHODA等[28]提出結(jié)合拉曼散射、反射式可見-近紅外（VNIR）和激光誘導(dǎo)分解光譜（LIBS）3種光譜分析方法的數(shù)據(jù),進(jìn)行深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練,并且通過3種光譜分析方法兩兩結(jié)合的數(shù)據(jù)實(shí)驗結(jié)果進(jìn)行對比,得到將拉曼光譜和VNIR光譜相結(jié)合的數(shù)據(jù)集可以訓(xùn)練出精確度最高的識別模型,最高精確度可達(dá)88.95%。

光譜分析方法均為微觀下的分析結(jié)果,可以直接獲取礦物的原子、分子的成分信息和組成結(jié)構(gòu)信息,能達(dá)到較高精度的識別效果,但由于取樣樣本量很小,分析結(jié)果具有局限性。人工智能算法的礦物識別模型采取大量的數(shù)據(jù)集進(jìn)行模型訓(xùn)練從宏觀角度彌補(bǔ)了傳統(tǒng)光譜分析法只能對少量試樣進(jìn)行分析的局限性問題,但由于光譜分析法的分析結(jié)果為信號數(shù)據(jù),難以直觀反映礦物成分信息,大多數(shù)算法模型需要對光譜數(shù)據(jù)結(jié)果進(jìn)行預(yù)處理,數(shù)據(jù)集制作成本較高。

2.1.3 基于化學(xué)成分的礦物識別模型

化學(xué)成分分析用于確定礦物中所含化學(xué)成分的種類和含量,從而確定礦物中重要成分和較重要成分,是礦物識別的一種重要方法。在礦物識別領(lǐng)域常用于測定礦物化學(xué)成分的技術(shù)主要包括能量色散X射線光譜（EDS）、電子探針（EPMA）等[29]。由于礦物中含有的元素種類多,部分礦物組成相似,給人工測定礦物化學(xué)成分判斷礦物種類造成一定困難。近些年有學(xué)者通過人工智能系統(tǒng)利用化學(xué)成分分析結(jié)果判別礦物種類,準(zhǔn)確率最高提升至99.2%[30]。

能量色散X射線光譜（EDS）自70年代問世以來迅速發(fā)展,對于礦物化學(xué)成分測試具有很高的效率。NIELSEN等[31]早在1998年嘗試通過Jeffreys-Matusita距離和一個類均值被歸類為另一個類的后驗概率來檢查礦物類別的可分性,分類模型采用四個監(jiān)督分類器（簡單二次型、上下文二次型和2個分級二次型分類器）成功實(shí)現(xiàn)巖石中礦物的識別。而后LARSEN等[32]對NIELSEN的方法提出改進(jìn),通過擴(kuò)展種子點(diǎn)區(qū)域,計算歐幾里得光譜距離和馬氏距離對種子算法相對于參數(shù)設(shè)置的敏感性進(jìn)行評估。對種子算法對參數(shù)設(shè)置的敏感性的評估是通過使用標(biāo)準(zhǔn)的二次分類器,從掃描電子顯微鏡（SEM）的能量色散光譜（EDS）的薄片上測得的12種化學(xué)元素,對硅質(zhì)巖或碳酸鹽巖中常遇到的礦物進(jìn)行分類。近幾年,AKKA?等[30]使用掃描電鏡能譜儀產(chǎn)生的特征X光,無需標(biāo)準(zhǔn)化分析條件,通過C5.0決策樹算法可以快速、準(zhǔn)確地進(jìn)行礦物鑒別,在實(shí)驗的測試集中,準(zhǔn)確率最高可達(dá)99.77%。

而在基于電子探針顯微分析儀（EPMA）圖譜數(shù)據(jù)的礦物識別模型方面,TSUJI等[33]通過使用一種競爭性學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),KOHONEN自組織特征圖（SOM）,對多個通過電子探針獲取元素強(qiáng)度的X射線強(qiáng)度圖中對薄片中的礦物進(jìn)行分類,通過無監(jiān)督訓(xùn)練來產(chǎn)生多維輸入數(shù)據(jù)的二維表示,根據(jù)圖像數(shù)據(jù)中的礦物比例設(shè)置分類閾值從而實(shí)現(xiàn)礦物識別效果。da Silva等[34]基于隨機(jī)森林算法訓(xùn)練出一套可以自動化協(xié)助提高礦物化學(xué)數(shù)據(jù)處理和分析階段效率的應(yīng)用程序,可以對電子探針顯微分析儀產(chǎn)生的大量數(shù)據(jù)進(jìn)行輔助處理,在11 000多份礦物化學(xué)分析數(shù)據(jù)中,數(shù)據(jù)處理準(zhǔn)確率約為99%。

綜合來看,在礦物識別方面,通過人工智能方法在基于化學(xué)成分分析法方面的應(yīng)用,可以很好地彌補(bǔ)傳統(tǒng)化學(xué)成分分析法因測試元素過多、光譜數(shù)據(jù)范圍較廣、元素組成類似難以判別的問題,又保留了化學(xué)成分分析法能快速地、準(zhǔn)確地、定量地對礦物進(jìn)行識別分析的優(yōu)點(diǎn),但測試需要特定的設(shè)備,分析成本較高,且因為不同研究人員使用的設(shè)備品牌、型號不同,導(dǎo)致測試結(jié)果的數(shù)據(jù)類型不同,也給后續(xù)研究在數(shù)據(jù)處理方面造成困難。

2.1.4 基于多條件綜合利用的礦物識別模型

礦物的多種性質(zhì)綜合利用也是基于人工智能技術(shù)的礦物識別研究關(guān)注的方向之一。由于礦物樣本顯微圖像攜帶信息有限,有些研究人員將礦物光學(xué)性質(zhì)與其他性質(zhì)相結(jié)合來提升神經(jīng)網(wǎng)絡(luò)模型識別的準(zhǔn)確度。ZENG等[35]提出一種基于EfficientNet-b4深度神經(jīng)網(wǎng)絡(luò)礦物識別模型,結(jié)合礦物光學(xué)圖像和礦物自身莫氏硬度對應(yīng)生成數(shù)據(jù)集,實(shí)現(xiàn)對73種礦物樣本的識別,最高精度達(dá)到99.6%。

總體來看,人工智能技術(shù)在礦物識別方向的應(yīng)用更多的是通過原有的鑒別方法,通過訓(xùn)練好的人工智能算法模型取代以往的依靠經(jīng)驗、需要專業(yè)的分析工具和知識儲備的鑒定方法。人工智能算法模型通過對礦物的物理性質(zhì)和化學(xué)性質(zhì)數(shù)據(jù)集進(jìn)行學(xué)習(xí),可以準(zhǔn)確地對待測礦物進(jìn)行判別,彌補(bǔ)了人工鑒別時礦物種類判斷錯誤或無法判斷的問題。在傳統(tǒng)礦物鑒定方法中,根據(jù)礦物鏡下晶形和晶體光學(xué)性質(zhì)進(jìn)行礦物識別也是常用的鑒別方法,目前在晶體結(jié)構(gòu)方面基于人工智能技術(shù)相關(guān)礦物鑒定工作尚未展開,值得更多研究人員進(jìn)行深入研究。

2.2 人工智能在浮選過程中的應(yīng)用

浮選工藝是一種利用有用礦物與脈石礦物之間疏水性差異進(jìn)行分離的工藝。通過使用活化劑和抑制劑,增加或改變有用礦物和脈石之間的疏水性差異,使有用礦物成為疏水性物質(zhì),附著在氣泡上,當(dāng)氣泡上升到礦漿頂部的泡沫層,將氣泡中的有價值礦物收集起來,以達(dá)到分選的目的。浮選效果受許多因素的影響,如藥劑劑量、氣泡流量、浮選礦漿的pH值、給礦品位、磨礦粒度等,任一條件的改變對于泡沫質(zhì)量、分選結(jié)果都會產(chǎn)生偏差和影響。由于基礎(chǔ)微觀現(xiàn)象本身具有混沌性,浮選過程的控制一直是一個具有挑戰(zhàn)性的研究方向。當(dāng)前,人工智能在浮選過程中的應(yīng)用研究主要包括對浮選礦漿pH的監(jiān)測和對浮選泡沫的監(jiān)控兩方面。

2.2.1 對浮選礦漿pH的監(jiān)測

在礦物浮選過程中,pH值是浮選過程中對浮選效果產(chǎn)生直接影響的重要因素之一,礦物顆粒表面的化學(xué)性質(zhì)、與藥劑作用解離成離子的程度、與水的親疏性等均與礦漿中的pH值有關(guān),pH值的大小變化對浮選過程的監(jiān)測和優(yōu)化控制非常重要。目前大多數(shù)選礦廠采用的pH值測定儀對礦漿中的pH值變化非常不敏感,且容易被其他因素干擾,同時還存在著交叉感染的問題,容易造成測量結(jié)果不準(zhǔn)確,對試劑的調(diào)整造成很大的影響[36]。在實(shí)際浮選過程中,由于礦漿與藥劑是持續(xù)反應(yīng)的過程,同時還有持續(xù)添加的新礦漿和其他過程的回水,控制礦漿pH值是一個復(fù)雜的非線性問題。

唐朝暉等[37]提出了一種基于浮選泡沫圖像中的特征信息的礦漿pH值預(yù)測和控制的方法。利用BP神經(jīng)網(wǎng)絡(luò)的優(yōu)良性能可以準(zhǔn)確建模、精準(zhǔn)仿真等特點(diǎn)和RBF神經(jīng)網(wǎng)絡(luò)可以快速適應(yīng)樣本變化的特點(diǎn),組合出一種混合神經(jīng)網(wǎng)絡(luò)模型?；诖四Ｐ脱芯康V漿pH值與浮選泡沫圖像中的特征信息之間的關(guān)系,建立了一種礦漿pH值預(yù)測和控制模型,解決了礦漿pH值不穩(wěn)定的問題。陽春華等[38]對隸屬函數(shù)和輸出權(quán)值通過變尺度分級混沌方法進(jìn)行優(yōu)化,利用浮選礦漿泡沫大小、流速等特征建立了有關(guān)浮選礦漿pH值的軟測量神經(jīng)網(wǎng)絡(luò)模型,主要用于解決pH值檢測設(shè)備長時間使用后因積垢等原因?qū)е聹y量不準(zhǔn)確的問題。

在浮選過程中,通過人工智能技術(shù)對礦漿pH值進(jìn)行預(yù)測和控制的優(yōu)勢在于:精準(zhǔn)控制礦漿pH值,可以有效排除因為設(shè)備不敏感、人工操作不精細(xì)等導(dǎo)致礦漿pH值控制不當(dāng)造成不必要的損失。

2.2.2 對浮選泡沫監(jiān)控

浮選是通過礦漿中的泡沫攜帶目的礦物進(jìn)行分選的一種選礦方法。眾所周知,泡沫的顏色、氣泡結(jié)構(gòu)、形態(tài)、流速等泡沫特征分別與礦物品位（濃度）、工藝狀態(tài)和回收率有密切的定量關(guān)系[39]。目前,礦物浮選效果很大程度依賴于浮選工人依據(jù)自身經(jīng)驗對泡沫的觀察判斷。浮選過程中難以精確管控的問題主要來源于浮選工人的主觀經(jīng)驗問題和缺乏準(zhǔn)確的測量設(shè)備。所以泡沫質(zhì)量監(jiān)控對于浮選效果至關(guān)重要。

LIU等[40]提出一種結(jié)合多尺度去模糊全卷積網(wǎng)絡(luò)和多級跳躍特征融合全卷積網(wǎng)絡(luò)的浮選泡沫監(jiān)控方案。多尺度去模糊全卷積網(wǎng)絡(luò)可以對由于空氣水霧、相機(jī)振動和高速流造成場景中泡沫模糊的圖像進(jìn)行還原,多級跳躍特征融合全卷積網(wǎng)絡(luò)以準(zhǔn)確分割各種具有全占位和緊密粘附的易碎氣泡的泡沫圖像,自適應(yīng)地劃分各種大小的氣泡。通過結(jié)合兩種卷積神經(jīng)網(wǎng)絡(luò)特性組合出一種在線浮選泡沫監(jiān)控方案,經(jīng)過對實(shí)際生產(chǎn)銅礦浮選過程實(shí)驗,驗證所提方案對于浮選泡沫狀態(tài)有良好的監(jiān)控效果。ZARIE等[41]提出一種用于對工業(yè)煤浮選柱在不同工藝條件下采集的泡沫圖像進(jìn)行分類的卷積神經(jīng)網(wǎng)絡(luò)模型,通過對浮選過程中空氣流速、泡沫劑用量、礦漿固體含量百分比、泡沫深度等不同的條件下運(yùn)行的泡沫圖像收集處理,利用卷積神經(jīng)網(wǎng)絡(luò)算法對采集的泡沫圖像進(jìn)行分類,按照可燃物回收率和精煤灰品位將圖像快速準(zhǔn)確分為4個泡沫等級,避免浮選工人依靠自身經(jīng)驗判斷不準(zhǔn)確的問題。ZHANG等[42]通過XRD分析儀對浮選泡沫品位進(jìn)行分級,利用浮選泡沫監(jiān)控視頻和浮選泡沫等級建立數(shù)據(jù)集,通過長短時記憶網(wǎng)絡(luò)（LSTM）訓(xùn)練出一種預(yù)估鋅浮選回路中第一粗選浮選機(jī)的尾礦品位的預(yù)測模型,對比感知器網(wǎng)絡(luò)模型,均方根誤差降低約8.48%、擬合優(yōu)度增加約9.32%。

選礦過程中,浮選工藝因其工藝繁雜,需要控制的因素較多,一直是選礦流程中較難把控的工藝。在與人工智能技術(shù)結(jié)合過程中,神經(jīng)網(wǎng)絡(luò)算法可以精確預(yù)測浮選過程中所需監(jiān)控的指標(biāo)參數(shù),也可通過浮選泡沫圖像對浮選進(jìn)度進(jìn)行判斷,配合視覺傳感器達(dá)到實(shí)時測量精礦品位的效果。

2.3 人工智能在磨礦過程中的應(yīng)用

磨礦是借助球磨機(jī)、棒磨機(jī)等研磨機(jī)械,通過研磨介質(zhì)和礦物之間的機(jī)械力克服礦物內(nèi)部黏結(jié)力來破壞結(jié)構(gòu),使礦物達(dá)到目標(biāo)粒度的作業(yè)。研究人員分別將磨礦過程中的介質(zhì)配比、礦石粒度、磨機(jī)振動信號等數(shù)據(jù)收集處理,建立對應(yīng)的數(shù)據(jù)集,利用人工智能算法模型對磨礦作業(yè)的控制過程進(jìn)行改進(jìn),提升磨機(jī)磨礦工作效率。

張勝東等[43]通過利用BP神經(jīng)網(wǎng)絡(luò)建立球磨機(jī)鋼球配比預(yù)測模型,通過保持其他條件不變,控制球磨機(jī)中大、中、小鋼球的配比這一單一變量,進(jìn)行多次試驗,以此實(shí)驗方法得到磨礦產(chǎn)品粒度分布,再將磨礦產(chǎn)品粒度分布作為輸入,鋼球各自質(zhì)量分?jǐn)?shù)作為輸出,訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)預(yù)測模型可用于預(yù)測不同磨礦產(chǎn)品粒度對應(yīng)的鋼球配比。ZHANG等[44]使用灰色模型進(jìn)行磨礦粒度預(yù)測,并用神經(jīng)網(wǎng)絡(luò)進(jìn)行誤差補(bǔ)償,比未使用神經(jīng)網(wǎng)絡(luò)的預(yù)測模型更加接近實(shí)際值。NAYAK等[45]通過監(jiān)測球磨機(jī)的振動信號,建立人工神經(jīng)網(wǎng)絡(luò)模型,用于定期監(jiān)測球磨機(jī)內(nèi)部的料位。該實(shí)驗在球磨機(jī)底部采集振動信號,通過使用快速傅里葉變換分析信號的方法,從振動信號中提取特征,將這些特征作為人工神經(jīng)網(wǎng)絡(luò)的輸入,用于預(yù)測球磨機(jī)內(nèi)部的物料填充百分比。ZAKAMALDIN等[46]使用外部輸入的非線性自回歸神經(jīng)網(wǎng)絡(luò)對中心排料球磨機(jī)進(jìn)行識別,在帶篩分的閉路研磨中獲得細(xì)碎的磨機(jī)填充技術(shù)過程的簡化模型,之后在實(shí)際研磨過程中對最佳模型進(jìn)行測試,通過神經(jīng)網(wǎng)絡(luò)建立的模型與實(shí)際最佳估值達(dá)到了72.1%的匹配度。

磨礦作業(yè)在與人工智能技術(shù)相結(jié)合的過程中,人工智能算法模型將磨機(jī)中介質(zhì)和礦物配比、磨礦粒度、磨礦作業(yè)技術(shù)流程等精細(xì)化定量預(yù)測,解決了傳統(tǒng)磨礦工藝存在的多條件相互作用導(dǎo)致的非線性問題,有效地提升了磨機(jī)作業(yè)率、磨機(jī)利用系數(shù)等指標(biāo),使目的礦物和脈石礦物更大程度地達(dá)到單體解離,同時降低選礦成本,對于工業(yè)生產(chǎn)具有重大作用。

2.4 人工智能在礦物加工中的其他應(yīng)用

近年來,人工智能技術(shù)在礦物揀選、浸出等領(lǐng)域中也受到礦物加工工作者的關(guān)注。

張永超等[47]基于傳統(tǒng)煤矸石分揀機(jī)器人對于煤矸石的位置不敏感的問題,通過單激發(fā)多盒探測器機(jī)器視覺算法對煤矸石檢測方法進(jìn)行優(yōu)化,有效地提升了煤矸石分揀機(jī)器人的感知與分揀能力。卜斤革等[48]利用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立了浸出率的預(yù)測模型,得到的預(yù)測結(jié)果與實(shí)際值相差甚小,同時驗證了神經(jīng)網(wǎng)絡(luò)可以在一定條件下有效地把控浸出作業(yè)過程中的不確定性,提升浸出率。PEREIRA等[49]對比了多項式建模和人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于磷灰石、方解石和白云石生物沉積的基本原理,采用遺傳算法優(yōu)化的全二次模型和三層前饋神經(jīng)網(wǎng)絡(luò)來描述礦物回收率,實(shí)驗發(fā)現(xiàn)使用標(biāo)準(zhǔn)數(shù)值訓(xùn)練算法生成的人工神經(jīng)網(wǎng)絡(luò)模型具有更高的精度,與多項式模型相比,人工神經(jīng)網(wǎng)絡(luò)模型更適合描述和預(yù)測礦物回收率。

人工智能技術(shù)與其他礦物加工工藝流程的應(yīng)用還在起步階段,但根據(jù)現(xiàn)有研究人員的實(shí)驗結(jié)果觀測,人工智能技術(shù)在礦物加工中的其他工藝流程中依然具有很大的研究空間。

3 結(jié) 論

人工智能技術(shù)作為一門新興技術(shù)具有很好地處理非線性問題的優(yōu)勢,可以排除依賴人為經(jīng)驗操作所導(dǎo)致的穩(wěn)定性低和可解釋性差等問題,成為礦物加工領(lǐng)域新的研究方向。利用人工智能技術(shù)在礦物識別、磨礦、浮選等相關(guān)領(lǐng)域的研究成果,對已經(jīng)得到的精確數(shù)據(jù)進(jìn)行在線分析處理,可以使礦物加工工藝流程更精細(xì)化,有效地提升礦物加工效果、提高精礦品位,同時也降低相關(guān)工藝流程操作難度,有利于選礦廠人力成本的降低。展現(xiàn)了其在推動礦物加工高質(zhì)、高效、綠色與創(chuàng)新發(fā)展,助力我國綠色礦山、生態(tài)礦山建設(shè)方面的重要意義與潛在前景。但是,當(dāng)前現(xiàn)有研究成果尚存在不足的地方,主要有以下4個方面:①缺少統(tǒng)一標(biāo)準(zhǔn)的、全品類的礦物加工領(lǐng)域的數(shù)據(jù)集?，F(xiàn)有研究成果絕大多數(shù)是基于自建數(shù)據(jù)集進(jìn)行實(shí)驗研究,而數(shù)據(jù)集的質(zhì)量對實(shí)驗的結(jié)果會產(chǎn)生較大的影響,統(tǒng)一標(biāo)準(zhǔn)、格式的數(shù)據(jù)集將有助于更好地評判算法模型;②缺乏應(yīng)用在實(shí)際生產(chǎn)中的人工智能算法模型。目前人工智能算法在礦物加工領(lǐng)域的應(yīng)用仍然處于早期的探索階段,大量的研究成果依然來源于實(shí)驗室,而并非實(shí)際的選礦廠;③人工智能在礦物加工領(lǐng)域中的應(yīng)用大多用于研究某一工藝流程,缺乏整體性。礦物加工領(lǐng)域工藝流程多,整體性強(qiáng),依靠人工智能對浮選、磨礦或其他某一工藝的改善對于礦物加工的最終結(jié)果很難產(chǎn)生質(zhì)的變化;④選礦廠大量生產(chǎn)數(shù)據(jù)未加以合理利用。礦物加工設(shè)備每日產(chǎn)生大量各種類型的數(shù)據(jù),許多形式的數(shù)據(jù)（如球磨機(jī)的振動信號）在選礦廠甚至尚未采集,而單純?nèi)斯ぬ幚砗秃唵嗡惴o法體現(xiàn)數(shù)據(jù)的最大價值。

人工智能在礦物加工領(lǐng)域的應(yīng)用快速增長,反映了當(dāng)前工業(yè)領(lǐng)域?qū)τ诳茖W(xué)前沿技術(shù)的需求,但還需要很長一段時間的磨合和探索。未來可以從以下4個方面對人工智能在礦物加工領(lǐng)域的應(yīng)用進(jìn)行探索:①建立統(tǒng)一規(guī)范的、全品類的標(biāo)準(zhǔn)數(shù)據(jù)集和數(shù)據(jù)集測試標(biāo)準(zhǔn),通過標(biāo)準(zhǔn)數(shù)據(jù)集對人工智能算法模型進(jìn)行性能評估;②通過使用選礦廠的真實(shí)生產(chǎn)數(shù)據(jù)進(jìn)行算法模型的建立,從實(shí)際生產(chǎn)角度出發(fā),將算法模型實(shí)際應(yīng)用于選礦廠的生產(chǎn)當(dāng)中;③加強(qiáng)人工智能技術(shù)結(jié)合礦物加工領(lǐng)域中其他工藝的應(yīng)用研究,包括但不限于揀選、浸出等技術(shù);④通過人工智能算法模型開發(fā)具有高可用性、高魯棒性的自動化礦物加工設(shè)備,在礦物加工領(lǐng)域充分發(fā)揮人工智能優(yōu)勢。人工智能技術(shù)在礦物加工領(lǐng)域的應(yīng)用已經(jīng)成為未來發(fā)展的大方向。隨著人工智能的不斷迭代創(chuàng)新,礦物加工領(lǐng)域也將迎來飛速發(fā)展。