Journals →  Цветные металлы →  2022 →  #2 →  Back

Контроль, опробование, автоматизация технологических процессов
ArticleName Система оптимизации процесса коллективной флотации Талнахской обогатительной фабрики на основе алгоритмов машинного обучения
DOI 10.17580/tsm.2022.02.11
ArticleAuthor Абраров А. Д., Дациев М. С., Чикильдин Д. Е., Федотов Д. Н.
ArticleAuthorData

ПАО «ГМК «Норильский никель», Москва, Россия:

А. Д. Абраров, руководитель проектов Центра инновационного развития, эл. почта: Abrarovad@nornik.ru

 

ЗФ ПАО «ГМК «Норильский никель», Норильск, Россия:
М. С. Дациев, начальник Научно-технического управления, эл. почта: DatsievMS@nornik.ru
Д. Е. Чикильдин, заместитель главного инженера – начальник технического отдела, эл. почта: ChikildinDE@nornik.ru

 

ООО «Норникель — Общий центр обслуживания», Москва, Россия:
Д. Н. Федотов, старший менеджер, эл. почта: FedotovDN@nornik.ru

Abstract

В последние несколько лет в России отмечено активное развитие проектов по цифровизации промышленных площадок, что обусловлено общим повышением качества данных, установкой большого числа датчиков («полевых» приборов контроля), наличием достаточного объема исторической ин формации о технологических процессах и появлением узко специализированной экспертизы на стыке технологии производственных процессов и современных инструментов анализа данных, например машинного обучения. С конца 2018 г. на Талнахской обогатительной фабрике ЗФ ПАО «ГМК «Норильский никель» реализуют ряд проектов с использованием технологий искусственного интеллекта. Эта программа получила название «Цифровая фабрика». Ее про- екты делятся на несколько категорий: цифровые двойники оператора, датчики машинного зрения на основе видеоаналитики и цифровые двойники производственного агрегата. Цифровые двойники оператора представляют собой помощник для управления технологическим процессом, датчики машинного зрения на основе видеоаналитики дают возможность в режиме реального времени получать информацию о технологическом процессе (например, размеры кусков руды на конвейере), а цифровые двойники производственного агрегата позволяют оценивать поведение материала в местах, недоступных для человеческого глаза (например, измельчение руды в мельнице). Приведен процесс реализации одного из проектов «Цифровой фабрики», на примере участка коллективной флотации Талнахской обогатительной фабрики был создан цифровой двойник оператора — система, имитирующая действия оператора и разгружающая его внимание, стабилизирующая флотационный процесс и самостоятельно совершающая управляющие действия в режиме реального времени. В результате стабилизации работы флотационного процесса улучшаются производственные показатели фабрики, после внедрения алгоритма на одном участке (из десяти) уже можно отметить экономический эффект в виде прироста к извлечению никеля и меди в коллективный концентрат 0,1 и 0,04 % соответственно.

keywords Обогатительная фабрика, флотационные машины, оптимизация процесса, повышение извлечения, анализ данных, машинное обучение, цифровой двойник оператора
References

1. Maldonado M., Araya R., Finch J. An overview of optimizing strategies for flotation banks // Minerals. 2012. Vol. 2, Iss. 4. P. 258–271.
2. Maldonado M., Araya R., Finch J. Optimizing flotation bank performance by recovery profiling // Minerals Engineering. 2011. Vol. 24, Iss. 8. P. 939–943.
3. Harris A., Venkatesan L., Greyling M. A practical approach to plant-scale flotation optimization // The Journal of The Southern African Institute of Mining and Metallurgy. 2013. Vol. 113. P. 263–272.
4. Smith C., Hadler K., Cilliers J. Flotation control using froth stability: past, present and future // 14th AusIMM Mill Operators’ Conference, Brisbane. 2018.
5. Jin Zhang, Zhaohui Tanga, Yongfang Xie, Mingxi Ai, Guoyong Zhang, Weihua Gui. Data-driven adaptive modeling method for industrial processes and its application in flotation reagent control // ISA Transactions. 2021. Vol. 108. P. 305–316.
6. Oosthuizen D. J., Craig I. K. Predicting optimal operating points by modelling different flotation mechanisms // IFAC-PapersOnLine. 2019. Vol. 52, Iss. 14. P. 60–65.
7. Kejonen I., Haavisto O., Martikainen J., Suontaka V., Musuku B. Improving grade control efficiency with rapid on-line elemental analysis // Minerals Engineering. 2018. Vol. 124. P. 68–73.
8. Базоев Х. А. История создания и развития Талнахской обогатительной фабрики // Цветные металлы. 2006. № 8. С. 29–33.
9. Головина Ю. С., Смирнов Г. Н., Смирнов А. Н. Этапы реализации проекта реконструкции Талнахской обогатительной фабрики // Обогащение руд. 2012. № 1. С. 43–47.
10. Цымбал А. С., Волянский И. В., Лесникова Л. С., Арабаджи Я. Н. Этапы развития и наращивания мощностей переработки минерального сырья на Талнахской обогатительной фабрике // Цветные металлы. 2015. № 6. С. 17–19. DOI: 10.17580/tsm.2015.06.03.
11. Волянский И. В., Лихачева Т. А., Курчуков А. М., Миллер А. А. Реконструкция и модернизация Талнахской обогатительной фабрики. Основные аспекты // Цветные металлы. 2020. № 6. С. 6–10. DOI: 10.17580/tsm.2020.06.01.
12. Couture G., Dubé J.-F. Implementation of a flotation expert control system at the raglan mine // 47th Annual Canadian Mineral Processors Operators Conference, Ontario. 2015. P. 165–172.
13. Bergh L., Yianatos J., Carrasco C. Operation of rougher flotation circuits aided by industrial simulator // 18th IFAC World Congress Milano, Italy. 2011. P. 9917–9922.
14. Александрова Т. Н., Арустамян К. М., Романенко С. А. Применение математических методов анализа при оценке мировой практики селективной флотации медно-цинковых и колчеданно-полиметаллических руд // Обогащение руд. 2017. № 5. С. 21–27. DOI: 10.17580/or.2017.05.04.
15. Бериашвили А. Т., Пикулина В. М. Новый подход к решению проблемы вариабельности извлечения меди на примере Жезказганского рудного поля // Обогащение руд. 2018. № 5. С. 40–44. DOI: 10.17580/or.2018.05.07.
16. Арустамян А. М., Санакулов К. С. Применение методологии гармонического разложения случайных функций для исследования флотационных процессов // Горный журнал. 2017. № 10. С. 33–40. DOI: 10.17580/gzh.2017.10.07.
17. Арустамян А. М., Романенко С. А. Разработка математической модели флотации медных колчеданных руд // Новые исследования в обогащении полезных ископаемых и техносферной безопасности: Материалы конференции молодых ученых и специалистов с международным участием. 2018. С. 11–17.
18. Pua Y., Szmigiel А., Chen J., Apel D. B. FlotationNet: a hierarchical deep learning network for froth flotation recovery prediction // Powder Technology. 2020. Vol. 375. P. 317–326.
19. Курчуков А. М. Автоматизированная система управления процессом флотации медно-никелевых руд на основе оптимизации параметров ионного состава и пенообразования: дис. … канд. техн. наук. — СПб., 2011. — 10 c.
20. Мелкумова Л. Э., Шатских С. Я. Сравнение методов Риджрегрессии и LASSO в задачах обработки данных // Сборник трудов III Международной конференции и молодежной школы «Информационные технологии и нанотехнологии». — Самара : Новая техника, 2017. С. 1748–1755.

Language of full-text russian
Full content Buy
Back