摘要

　　介绍一则数据分析和机器学习的智能矿山实际应用案例。利用磨矿传感器实测数据分析和机器学习结果，通过自动控制系统适当调整磨机转速和矿石装载量，可以显著提高磨矿效率。

　　1 磨矿作业影响因素分析

　　选矿厂半自磨机貌似简单粗暴庞然大物，外表像个粗笨的大号洗衣机滚筒，不断吞进矿石、吐出细矿。其朴实无华的相貌却掩盖了内部精细复杂的磨矿过程。

　　半自磨机内部作业过程难以置信的复杂。矿石、磨机、衬板以及水流之间的相互作用，形成一组极其复杂的多体运动颗粒破碎方程，难住一流的力学专家。选矿专家一般用离散元建模 DEM 来描述磨矿过程，是磨机控制的理论基础，广泛应用于衬板和出料口格栅设计。

　　磨矿过程基本是个信息黑洞，影响半自磨机性能的主要参数值不断变化，难以实测。专家们通过理论分析，总结出半自磨碎矿过程主要有两种力学模式：碰撞和摩擦。碰撞是大块变成碎块的过程，以正向碰撞为主;摩擦为大块矿石表层散落细小颗粒过程，其中大块体积粗略保持不变。摩擦作用大多沿着矿石表面切线方向。

　　在任一时刻，磨机内这两种破碎机制同时进行。破碎发生在矿石从磨机内最高点下落载料底部、衬板或被下落的钢球砸中。摩擦发生在载料体积的中心摩擦力最大的地方。碎矿之间的摩擦力较小。矿块撞击效果受磨机内部作业条件的限制较大，是磨机生产能力的主要瓶颈。

　　磨机通过转动，矿块不断地升起/下落，为破碎提供作用能量。通过观察测量矿块下落矿块的运动轨迹，可以研究出将撞击破碎作用最大化的控制方法，从而提升磨机生产能力。

　　理论上来说，下落矿块的动能与下落高度呈线性正比例关系。然而，矿块破碎机制却并不是只与下落高度有关，而且还与最小载料之间存在复杂的关系。这就是为什么磨机过载时必须及时出料。当矿块破碎效果明显下降时，必须及时停止进料，等待载料量逐渐下降。

　　磨机载料量是个非常重要的因素，它限制了矿块抛落高度。磨机载料越大，抛落高度越受限制。矿石抛落高度受磨机转动速度和衬板结构的综合影响。

　　破碎作用所需能量通过下落高度获得。也许有人会认为，矿石抛升高度越高，获得能量越大。实际上不是这么回事。磨机衬板不但升抛矿石，而且还同时还施加平抛力量，因此矿石抛掷轨迹并非垂直，而是呈抛物线。磨机转速越快，不仅升高矿块，而且平抛力量也加大。而矿块并非抛落在平面，而是曲面。如果平抛力量过大，会把矿块抛到磨机对过内壁高处，因而影响矿块下落高度。因此，磨机转速越大并不意味着提供的矿块破碎能量越大。

　　更复杂的是，衬板提供的平抛力量随着衬板磨损程度而变化。假设转速恒定，那么随着时间的推移，平抛力量会逐渐减弱。这即意味着，我们无法创建一个转速与载料之间的对应经验数值图表而不考虑衬板磨损程度。因此，必须对转速、载料量与衬板磨损几何外形轮廓、尺寸分布以及载料比重进行综合优化。转速和比重容易获取，矿块尺度分布信息可以通过相机获取。我们需要测量载料量和衬板外形。传统上磨机载料量通过磨机负载压力推算出来，但缺陷很大;而衬板外形则完全是个“盲点”。

　　为了准确测量衬板外形以及载料量等重要参数，磨机内部实测传感器应运而生。

　　2 磨机内部实测传感器

　　为了改进半自磨机控制系统的实时优化能力，利用磨机实测传感器直接测量磨机载料运动轨迹，而不是依赖传统的间接推算。

　　磨矿传感器是一个可编程无线电三轴加速度仪。它附着安装在磨机内壁，可以连续测量并自动传送实测数据。它具有工业级设计制造优点，是一个能量收集器，并有专用软件解算收集到的数据。它不需外接电源，磨机转动时它就开始作业，无需外置定位信息，无论在哪个方向都能准确地自我定位，不受磨机运转速度的影响。

　　传统的磨机给料控制方案依赖于很多间接因素，例如载压、功率、声音等参数的综合推导;而磨矿传感器可以直接观察到磨机内部装载情况 ，可以获得磨机装载料位实时数据以及钢球衬板撞击数据，用于磨机作业优化控制;通过数据分析/机器学习，可以调节进料量以及磨机转速，实现最优的矿块破碎效果和生产效率。

　　衬板外形信息至关重要，它直接把磨机转动能量转换成升起矿块的动能和落体的势能。在转速确定的情况下，矿块与衬板之间的相互作用决定了矿块运动轨迹，选矿学术界以及设备制造行业对此领域有专门的研究。为了优化磨机作业，必须面对实际情况，考虑到所有影响因素。随着时间推移，衬板逐渐磨损，衬板外形也会发生变化。随之矿块抛掷曲线变化，磨机装载量也要改变。而这些参数并不容易直接测得，必须通过其他可测量值而间接推算。以下图表显示了几个月时间内随着衬板磨损加剧而导致矿块抛掷角发生变化。

　　除此之外，结合粒度信息，可以通过自动控制系统，随时针对具体的给料矿石情况确定最优装载条件。这样就可以增加磨机作业效率，减少衬板磨损。

　　磨矿传感器自带电源和数据无线传输设施;在磨机内安装，施工非常方便。外部工作站接收器(通常设在控制室)可以远程收取数据并且实时分析。

　　3 案例分析：数据就是生产力

　　使用磨矿传感器，对衬板实行生命全周期监测。可以把磨机性能与矿石种类、衬板外形相结合，进行综合分析建模;然后把模型与磨矿传感器监测结果相比对分析，从而找到磨机最优装载量和转速，达到增加磨机产量的目的。

　　通过调节给料速度和转速，维持最佳装载量和抛掷速度，达到最大破碎效果。为了达到此目的，应用机器学习算法分析大量数据，推算出实时模型。下面给出简单的例子来说明这个优化过程。

　　首先，观察一些重要参数随着衬板尺寸的变化。选取两个载压范围：低和中;选取三个抛掷角度：低，中，高。观察磨机生产能力在低载和中载的差别。下图显示参数在中压情况下的变化。可以看到，抛掷力度增加，生产能力随之增加，但是当抛掷角度超过30°以后，生产能力急速下降。

　　下面，再观察在低等载压情况下，抛掷角如何影响生产产量。

　　从这个简单的例子可以看出，抛掷角过高会降低产量，这符合以前的预测。这充分说明降低转速实际上会增加产量!更进一步，中等抛掷角和低等载压会使得给料速度达到最高值(1770吨/小时)，从而提高了磨机产量。

　　以上只是给出一个粗略说明。实际生产过程中，由于应用了机器学习，因此可以获得更准确的结果。下面的实际应用案例中，专家系统把特定的装载量和转速作为目标值，可以自动调节给料速度。

　　综上所述，使用磨机专家系统，通过限制转速、利用磨矿传感器实测数据控制装载量，可以显著提高磨机生产能力。这是一个成功应用自动控制、传感器以及大数据智能分析/机器学习模型的极佳案例。