ООО «Лаборатория инжиниринга», Санкт-Петербург, РФ

Ануфриев А. С., директор по развитию, a@ануфриев.рф

Санкт-Петербургский горный университет императрицы Екатерины II, Санкт-Петербург, РФ

Лебедик Е. А., ассистент, канд. техн. наук, ecaterinalebedik@yandex.ru

АО «Карельский окатыш», Костомукша, РФ

Смирнов А. А., заместитель начальника Управления производства концентрата и окатышей по оперативной работе, smirn0ffaa@yandex.ru

По результатам анализа существующих систем с учетом их недостатков создан метод оперативного контроля заполнения шаровой мельницы. Он основан на концепции виртуального анализатора, позволяющего определять степень заполнения шарами агрегата с помощью математической модели мельницы и связи с реальным объектом посредством геометрических измерений рабочего пространства внутри мельницы и контроля энергопотребления. Математическая модель представлена в виде идеального перемешивания с функциями разрушения и классификации. По результатам испытаний предлагаемая система контроля шарового заполнения мельницы АО «Карельский окатыш» позволила снизить погрешность измерений с 4,1 до 1 % по сравнению с действующей на предприятии системой управления, которая учитывала только потребляемую электроэнергию. Внедрение разработанной системы позволит повысить эффективность процесса помола за счет снижения удельного расхода шаров.

1. Жуковский Ю. Л., Королев Н. А., Малькова Я. М. Мониторинг состояния измельчения в барабанных мельницах по результирующему моменту на валу // Записки Горного института. 2022. Т. 256. С. 686–700.
2. Жуковский Ю. Л., Малькова Я. М. Классификация способов повышения эффективности процесса измельчения и реализация энергоэффективных алгоритмов управления двухдвигательным электроприводом мельницы // Горное оборудование и электромеханика. 2022. № 4. С. 20–35.
3. Huang G., Pan J., Xia Zh. et al. Efficient preparation and characterization of graphene based on ball milling // Diamond and Related Materials. 2022. Vol. 130. DOI: 10.1016/j.diamond.2022.109438
4. Yu J., Qin Yo., Gao P., Han Yu., Li Ya. An innovative approach for determining the grinding media system of ball mill based on grinding kinetics and linear superposition principle // Powder Technology. 2021. Vol. 378. P. 172–181.
5. Пелевин А. Е. Технологии обогащения железных руд России и пути повышения их эффективности // Записки Горного института. 2022. Т. 256. С. 579–592.
6. Mhadhbi M. Modelling of the high-energy ball milling process // Advances in Materials Physics and Chemistry. 2021. Vol. 11, No. 1. P. 31–44.
7. Zhou W., Han Y., Li Ya., Yang J., Ma Sh., Sun Yo. Research on prediction model of ore grinding particle size distribution // Journal of Dispersion Science and Technology. 2019. Vol. 41, No. 4. DOI: 10.1080/01932691.2019.1592688
8. De Oliveira A. L. R., Tavares L. M. Modeling and simulation of continuous open circuit dry grinding in a pilot-scale ball mill using Austin's and Nomura's models // Powder Technology. 2018. Vol. 340. P. 77–87.
9. Morrell S. Modelling the influence on power draw of the slurry phase in autogenous (AG), semi-autogenous (SAG) and ball mills // Minerals Engineering. Vol. 89. P. 148–156.
10. Mukhitdinov D. P., Boybutayev S. Problems of modeling and control of the technological process of ore grinding // Chemical Technology, Control and Management. 2021. Vol. 2021, No. 4. P. 49–62.
11. Lee H., Kim K., Lee H. Analysis of grinding kinetics in a laboratory ball mill using population-balance-model and discrete-element-method // Advanced Powder Technology. 2019. Vol. 30, No. 11. P. 2517–2526.
12. Li Ya., Bao J., Chen T., Yu A., Yang R. Prediction of ball milling performance by a convolutional neural network model and transfer learning // Powder Technology. 2022. Vol. 403. DOI: 10.1016/j.powtec.2022.117409
13. Wang J., Zou B., Liu M., Li Yi., Ding H., Xue K. Milling force prediction model based on transfer learning and neural network // Journal of Intelligent Manufacturing. 2020. Vol. 32. P. 947–956.
14. Xie C., Zhao Y., Song T., Zhao Y. Investigation of the effect of filling level on the wear and vibration of a SAG mill by DEM // Particuology. 2022. Vol. 63. P. 24–34.
15. Jayasundara C. T., Zhu H. P. Impact energy of particles in ball mills based on DEM simulations and data-driven approach // Powder Technology. 2022. Vol. 395. P. 226–234.
16. Hilden M. M., Powell M. S., Yahyaei M. An improved method for grinding mill filling measurement and the estimation of load volume and mass // Minerals Engineering. 2021. Vol. 160. DOI: 10.1016/j.mineng.2020.106638
17. Liao Ya., Ragai I., Huang Z., Kerner S. Manufacturing process monitoring using time-frequency representation and transfer learning of deep neural networks // Journal of Manufacturing Processes. 2021. Vol. 68. P. 231–248.
18. Tang J., Yan G., Liu Zh., Liu Ye., Yu G. Experimental analysis of wet mill load parameter based on multiple channel mechanical signals under multiple grinding conditions // Minerals Engineering. 2020. Vol. 159. DOI: 10.1016/j.mineng.2020.106609
19. Li Y., Bao J., Yu A., Yang A. ANN prediction of particle flow characteristics in a drum based on synthetic acoustic signals from DEM simulations // Chemical Engineering Science. 2021. Vol. 246. DOI: 10.1016/j.ces.2021.117012
20. Pérez-García E. M., Bouchard J., Poulin É. Systematic calibration of a simulated semi-autogenous/ball-mill grinding circuit // IFAC-PapersOnLine. 2020. Vol. 53, Iss. 2. P. 12026–12031.
21. Читалов Л. С., Львов В. В. Сравнительная оценка методов определения рабочего индекса шарового измельчения Бонда // Горный информационно-аналитический бюллетень. 2021. № 1. С. 130–145.
22. Голик В. И., Дмитрак Ю. В. Взаимодействие шаровой загрузки тел с материалом в мельницах // Вектор ГеоНаук. 2021. Т. 4, № 1. С. 20–27.
23. Petrakis E., Komnitsas K. Effect of energy input in a ball mill on dimensional properties of grinding products // Mining, Metallurgy & Exploration. 2019. Vol. 36, No. 4. P. 803–816.
24. Deniz V. The effects of ball filling and ball diameter on kinetic breakage parameters of barite powder // Powder Technology. 2012. Vol. 23, No. 5. P. 640–646.
25. Bortnowski P., Gładysiewicz L., Król R., Ozdoba M. Energy efficiency analysis of copper ore ball mill drive systems // Energies. 2021. Vol. 14, No. 6. DOI: 10.3390/en14061786
26. Liu B., Hao D., Gao X. Research on data driven modeling method of grinding process based on RBF neural network // Chinese control and decision conference (CCDC). 2019. P. 5205–5209.
27. Guo X., Yan F., Pang Y., Yan G. Soft sensor for ball mill load based on multi-view domain adaptation learning // Chinese control and decision conference (CCDC). 2019. P. 6082–6087.
28. Huang P., Guo J., Sang G., Miao Q. Soft measurement of ball mill load under variable working conditions based on deep transfer learning // Measurement Science and Technology. 2022. Vol. 33, No. 7. DOI: 10.1088/1361-6501/ac5c92