Intelligent System for Assessing the Quality of Ore

Full Text

Введение

Продукция горнодобывающего производства представляет собой минеральное сырье для металлургических и других производств. От качества продукции, получаемой из рудников, шахт и карьеров зависят производственные и экономические показатели как ее потребителей, так и самих горных предприятий. Руда при обогащении подвергается механической обработке, поэтому минералы в процессе обогащения не изменяют своих основных химических свойств и состава. Обогащение руд совокупность методов разделения металлов и минералов друг от друга по разнице их физических и/или химических свойств. Из железных руд промышленное значение имеют главным образом красный железняк (оксида железа Fe₂O₃ от 60 до 70%) и магнитный железняк (оксида железа Fe₃O₄ от 55 до 60%) [2].

К основному процессу обогащения относится разделение минералов, в результате которого полезные компоненты выделяются в виде концентратов, а порода и примеси удаляются в виде хвостов. На обогатительной фабрике железная руда проходит подготовительную, обогатительную и вспомогательную обработку, причем после каждого этапа руда исследуется на наличие примесей железа.

Обеспечение высокой эффективности использования материальных и энергетических ресурсов и экологической результативности в добыче железных руд при производстве железорудного сырья и железа прямого восстановления влияет на количество выбросов загрязняющих веществ, водопользования и обращения с отходами. Отходы обогатительных фабрик образуются при добыче и обогащении железной руды. В связи с этим, основная задача подготовительного этапа – классификация железной руды по крупности зерен минералов, входящих в породу [1, 2]. После каждой операции руда подвергается анализу на наличие минералов [3]. Целью данного исследования является совершенствование процесса классификации качества руды с помощью комплексного подхода, включающего интеллектуальные и классические математические методы, лежащие в основе разработанной интеллектуальной системы. Предлагаемая интеллектуальная система, в основе которой лежит модель нейронной сети, позволит классифицировать руду по физико-химическим характеристикам на обогатительной фабрике в режиме реального времени. Это позволит без задержки оптимизировать технологические параметры дробления и увеличить производительность обогатительной фабрики.

1. Современные средства и подходы к оценке качества руды

В научной литературе подробно описаны подходы к обогащению железных руд, применяемые в условиях высокой финансовой затратности и энергоемкости. Проверка эффективности работы оборудования включает традиционные методы, использующие, как физико-химические модели, модели оптимального управления производственными процессами, так и методы интеллектуального анализа [4-6].

Причинно-следственные связи параметров математических моделей, оптимизирующих управление технологическими процессами обогатительной фабрики, зависимы от многих факторов, связанных с человеческой деятельностью. Автоматизированные методы обработки данных, включающие интеллектуальный анализ о химическом и гранулометрическом составе руды, позволяют рассчитать корреляционные зависимости, снизить человеческий фактор и отбраковать остатки [7]. Так, техническим результатом разработки Топчаева В.П. и др. «Интеллектуальная система автоматического мониторинга качества и количества потока руды в процессах подготовки к обогащению» является повышение эффективности мониторинга и надежности работы устройства, содержащего автоматические весоизмерители руды и камеру с видеодрайвером [8]. Недостатком этой системы является невозможность получения прогностической информации о параметрах руды. Она не идентифицирует контролируемые качественные показатели, поэтому не обеспечивает требуемую точность и оперативность контроля или мониторинга.

Прогнозная оценка, включающая классификацию, характеристику крупности продуктов дробления на основе математических моделей циклов помола, позволяет улучшить эффективность оборудования обогатительной фабрики, но в то же время не учитывает гранулометрический состав руды [9, 10].

В работах других авторов уже встречался комплексный подход, включающий имитационную модель с учетом физико-механических свойств, описывающих прочностные характеристики руды, текстуру горной породы [11].

Применение нейросетевых алгоритмов для распознавания графических образов руды, полученных сканированием, является альтернативным методом минимизации влияния человеческого фактора в задачах изображений [12-14].

В работах [15-18] в нейро-нечетких сетевых моделей, оценивающих параметры процесса обогащения, не учитываются количественные параметры руды, влияющие на технологические показатели процесса дробления.

В работах [5, 6, 19] авторами разрабатываются модели с использованием как стандартных методов математической обработки данных, так и методов интеллектуального анализа, позволяющие прогнозировать изменение эффективности работы мельниц обогатительной фабрики горно-обогатительного комбината.

Анализ научной литературы показал перспективность использования нейронных сетей для разработки информационных систем по оценке качества руды. В сравнении с традиционными подходами, современные методы, такие как нейронные сети, демонстрируют повышенную эффективность и точность в данной области [20].

Для получения более точной информации требуется применение методов химического анализа и визуального исследования образцов руды, которые требуют высокой квалификации специалистов и больших временных затрат. Совместное использование интеллектуальных и математических классических методов для анализа изображений руды позволяет качественно прогнозировать измельчаемость, обогащаемость и другие характеристики технологической ценности руды.

Ярким примером успешного применения такого подхода является оптико-геометрический анализ в технологической минералогии, объединяющий в себе методы оптической и электронной микроскопии, с применением компьютерных средств обработки и анализа изображений [21, 22], включающий в себя ручные и автоматизированные методы анализа. Выше указанные методы крайне трудоемки, и сопровождаются существенными погрешностями в результатах оценки структурно-фазовых характеристик руды: характеристик минералов, их морфологию, характер срастаний, степень и модальность раскрытия, распределение сростков по качеству в зависимости от режимов подготовки руды и т.д. В настоящее время автоматизированные методы оптико-геометрического анализа характеристик минеральных комплексов руды опираются на использование специализированных функций анализа цифровых изображений, которые реализованы уже в целом ряде лабораторных установок (в частности в анализаторе «Минерал С7» производства ООО «СИАМС»), сформированного на базе оптического минералогического микроскопа отраженного и проходящего света, цифровой камеру и блока обработки информации.

Точность распознавания изображения минералов на анализаторе зависит от их оптических свойств, оказывающих определяющее влияние на их контрастность на общем фоне цифровой фотографии. Эта проблема может быть уменьшена путем использования изображений в обратнорассеянных электронах. Как показал наш опыт, в этом случае зачастую получаемые изображения имели характеристики не позволяющие выполнить качественное распознавание зерен минералов с помощью классических методов анализа изображений.

Успешное решение задачи оценки характеристик минеральных комплексов руды в этом случае возможно только с применением методов глубокого обучения на основе нейронных сетей, результатом которого будет выделение нераспознанных зерен минералов с последующей их обработкой классическими методами анализа изображений.

В этой связи применение комплексного подхода, предлагаемого авторами для оценки качества руды в количественном виде, позволит объединить интеллектуальные и количественные методы для обоснования решений по управлению качеством руды и повышением точности и эффективности этого процесса в интеллектуальной системе.

2. Разработка интеллектуальной системы

Основные этапы разработки интеллектуальной системы: выбор модели нейронной сети, составление алгоритма обучения нейросетевой модели, разработка пользовательского интерфейса. Разработка системы основана на моделях нейронных сетей для автоматической оценки качества руды, включающей определение перечня требований и контролируемых характеристик, размера выделяемых зерен, их тип показателей, необходимость исключения зерен, часть которых не попадает на изображение, также степень раскрытия, доля свободной поверхности, доли поверхностей срастаний с другими минералами, распределение зерен по классам крупности, факторы формы зерен. Их совокупность характеризует степень раскрытия, выбор методов для определения значений показателей качества, определение численных значений срезов. Сопоставление полученных данных с характеристиками, полученными классическими методами анализа изображений (пороговыми, адаптивными), в том числе ручными, предполагающими подсчет и измерение объектов путем визуального контроля через окуляры оптического микроскопа, что позволит оптимизировать процессы добычи и обогащения. Ручной метод, включающий химический анализ и визуальное исследование, является долгим и трудоемким процессом по получению информации, необходимой для оперативного управления процессом обогащения руды.

Для первичной обработки данных были взяты образцы руды Стойленского ГОКа. Эффективность планирования и проведения операций по добыче железной руды зависит от точности и быстроты проведения анализа содержания железа в руде. Предлагаемый комплексный подход к определению качества руды и содержания в ней металлов включает химический и спектральный методы, гравиметрический анализ и алгоритм, основанный на интеллектуальном анализе снимков срезов рудной массы.

Для разработки интеллектуальной системы классификации качества руды и извлекаемости железа с помощью комплексного подхода необходимо:

• создать алгоритм обработки данных рудных месторождений и их классификации с использованием нейронных сетей;
• сформировать базу данных, включающую типы руд и их характеристики;
• провести обучение нейронной сети на обширном объеме данных для достижения высокой точности оценки качества руды;
• разработать пользовательский интерфейс, с возможностью обучения нейронной сети с учетом новых данных.

Классификация изображений срезов руды на основе обнаружения объектов проводилась с использованием интеллектуальных методов анализа данных на базе архитектуры нейронных сетей YOLO (You Only Lock Once), которая относится к алгоритмам быстрого обнаружения объектов в реальном времени. На вход подается пакет всех изображений, которые проходят через сеть один раз, что не могут выполнить другие алгоритмы [19, 20].

Разработанная интеллектуальная система, где обученная модель с весовыми коэффициентами позволит: провести анализ и нормализацию характеристик руды, включая содержание полезных компонентов, примесей и других параметров; классифицировать качество руды на основе полученных данных с оценкой показателей от 0 до 100 %; спрогнозировать характеристики руды на основе имеющихся данных. Для обучения нейронной сети была создана обширная база данных, содержащая информацию о качестве руды и ее характеристиках (Рис. 1).

 

Рис. 1. База данных срезов руды

 

Особое внимание уделялось корректности и разнообразию данных в обучающей выборке, чтобы обеспечить высокую эффективность работы системы.

 

Первоначальное тестирование системы показало ее высокую точность и надежность в оценке качества обработки руды. При этом, система может быть доработана и улучшена с увеличением объема обучающей выборки и оптимизацией нейронных сетей.

Принцип работы алгоритма заключается в том, что на вход ему подаются изображения срезов рудной массы, полученные с помощью технологического оборудования. Затем сама руда детектируется на изображении, показанном на Рис. 2.

 

Рис. 2. Детектирование и сегментация руды

 

На фотографиях срезов руды могут присутствовать металлические включения – слойки. По их текстурным характеристикам производится анализ обработанной руды. Определяется, какая доля магнетида, по сравнению с другими веществами, содержится в руде. В результате, алгоритм дает оценку степени раскрытия руды, которая может быть использована для управления процессом добычи и улучшения качества производимой продукции. После окончания вычислений результаты показываются в таблице (Табл. 1).

 

Табл. 1. Доли веществ для каждого промежутка

Name	0-5	5-13	13-22	22-31	31-40	40-49	49-58	58-67	67-77	77-88	88-100
21-1_1	0.475	0.023	0.011	0.011	0.01	0.014	0.02	0.048	0.142	0.227	0.02
21-1_2	0.636	0.02	0.016	0.013	0 02	0.035	0.065	0.083	0.071	0036	0.006
21-1_3	0.641	0.019	0.022	0.018	0.023	0.028	0.037	0.037	0068	0.085	0.021
21-1_6	0.359	0.038	0.032	0.03	0.027	0048	0.057	0.106	0.174	0.118	0.011
21-1_7	029	0.075	0049	0.058	0.046	0.07	0.085	0.093	0.17	0.061	0.003
21-1_8	0298	0.093	0.093	0.056	0.118	0.05	0.05	0.118	0.062	0.043	0.019
21-1_9_sshivka	0.397	0088	0.132	0.103	0088	0088	0.029	0.044	0.015	0.015	0

 

С помощью чекбокса Percent можно выбирать между просмотром результатов таблицы в виде доли от общего количества и количества объектов на данном промежутке (Табл. 2).

 

Табл. 2. Количество объектов для каждого промежутка

Name	0-5	5-13	13-22	22-31	31-40	40-49	49-58	58-67	67-77	77-88	88-100
21-1_1	398	19	9	9	8	12	17	40	119	190	17
21-1_2	875	27	22	18	27	48	89	114	98	50	8
21-1_3	796	24	27	22	29	35	46	46	85	106	26
21-1_6	506	53	45	43	38	67	81	149	246	166	16
21-1_7	171	44	29	34	27	41	50	55	100	36	2
21-1-8	48	15	15	9	19	8	8	19	10	7	3
21-1_9_sshivka	27	6	9	7	6	6	2	3	1	1	0

 

Таким образом, разработанная информационная система, основанная на нейронных сетях YOLO, представляет собой эффективный инструмент для автоматизации процесса оценки качества руды, что способствует повышению эффективности добычи и обогащения полезных ископаемых.

Модель позволила увеличить эффективность распознавания изображений срезов руды не менее чем на 5% по сравнению с традиционным способом анализа руды.

Заключение

Была разработана интеллектуальная система, имеющая функционал нахождения зерен минералов руды на изображении с последующей оценкой степени ее раскрытия.

Комплексный подход дал возможность обрабатывать большие объемы данных и выявлять скрытые зависимости между различными параметрами руды, на основе имеющихся данных прогнозировать и предсказывать ее характеристику, что позволит оптимизировать процесс добычи и обогащения.

Таким образом, интеллектуальная система, представленная совокупностью сведений о количественных и качественных показателях железа в руде, содержит блок реализации системы управления качеством руды, включающий в себя базу данных для принятия оптимальных решений, модели, основанные на нейронных сетях и классических математических методах, технических средствах, технологических операций и организационных приемов, позволяющих осуществить мероприятия по управлению качеством руд.

About the authors

Orest D. Ivashchuk

Belgorod National Research University

Email: ivaschuk_o@bsu.edu.ru

Candidate of Technical Sciences, Associate Professor

Russian Federation, Belgorod

Elena V. Nesterova

Belgorod National Research University

Email: nesterova@bsu.edu.ru

Candidate of Technical Sciences, Associate Professor

Russian Federation, Belgorod

Svetlana V. Igrunova

Belgorod National Research University

Author for correspondence.
Email: igrunova@bsu.edu.ru

Candidate of Sociological Sciences, Associate Professor

Russian Federation, Belgorod

Oleg O. Ivashchuk

Caspian University of Technology and Engineering named after Sh.Yessenov

Email: ivaschuk@bsu.edu.ru

Candidate of Physical and Mathematical Sciences, Associate Professor

Kazakhstan, Aktau

Vyacheslav I. Fedorov

Belgorod National Research University

Email: fedorov_v@bsu.edu.ru

Candidate of Technical Sciences, Associate Professor

Russian Federation, Belgorod

Alexey Yu. Rodionov

Belgorod National Research University

Email: 1410495@bsu.edu.ru

Graduate Student

Russian Federation, Belgorod

References

Supplementary files