ООО «Норникель Спутник», Москва, Россия

Насвищук Е. В., главный менеджер, Внутренняя разработка и привлечение внешних подрядчиков минерально-сырьевого комплекса, эл. почта: NasvischukEV@nornik.ru

Заполярный филиал ПАО «ГМК «Норильский никель», Норильск, Россия

Ушаков Р. В., начальник службы автоматизации производства Талнахской обогатительной фабрики, эл. почта: ushakovrv@nornik.ru

Демыдко Д. Н., начальник рентгеноспектральной лаборатории службы автоматизации производства Талнахской обогатительной фабрики, эл. почта: demydkodn@nornik.ru

Приказчикова М. И., инженер 1-й категории рентгеноспектральной лаборатории службы автоматизации производства Талнахской обогатительной фабрики, эл. почта: PrikazchikovaMI@nornik.ru

В работе принимали участие специалисты ПАО «ГМК «Норильский никель»: М. С. Дациев, А. Г. Арыштаев, Д. И. Ивашечкин, И. Ф. Запорожцев, В. Ю. Иванов, Е. М. Стрелецкая и др.

Современное производство требует оперативного контроля ключевых параметров. Эти данные напрямую влияют на управ ление процессом и обеспечивают достижение заданных стандартов качества готовой продукции. Любая обогатительная фабрика содержит множество приборов контроля, обеспечивающих оперативный мониторинг. Обогащение представляет собой технологический процесс, направленный на увеличение содержания целевых металлов в концентратах, превосходящее их исходное содержание в перерабатываемой руде. Используя рентгено флуоресцентные анализаторы, определяют содержания металлов и серы в накопительных балансовых и иных порошковых пробах. Накопительный характер проб не позволяет использовать подобные данные в оперативном управлении. Альтернативой выступает экспрессный анализ на рентгеновских многоканальных пульповых анализаторах, которые предоставляют информацию об интенсивностях спектров взаимодействия веществ. Эти данные позволяют восстановить содержания металлов и серы – через уравнения связи. Требуется поддержание актуальности этих уравнений, т. е. периодическая калибровка пульповых анализаторов. Дополнительным фактором сложности при этом является непостоянство состава материала (руды или пульпы), что приводит к необходимости постоянного мониторинга качества восстановления содержаний. Повышение частоты генерации и проверки качества калибровочных моделей обуславливает требование внедрения автоматизированных средств, в частности на основе машинного обучения, которые может применять персонал лабораторий рентгено-спектрального анализа. В статье приведен пример автоматической калибровки, реализованной на Талнахской обогатительной фабрике. В основе лежит перебор и оценка моделей известной структуры (уравнений связи для восстановления содержания никеля и меди с регрессорами заданного вида). Отдельно рассмотрена ситуация восстановления содержания серы: сложность дооснащения (технологических доработок) и результаты моделирования. С помощью методов машинного обучения исследована возможность оценки содержания серы по интенсивностям полос спектра никеля и меди. Ошибка восстановления оперативных значений содержания серы для применяемого метода составляет 3 % (MAPE).

1. Абраров А. Д., Дациев М. С., Чикильдин Д. Е., Федотов Д. Н. Система оптимизации процесса коллективной флотации Талнахской обогатительной фабрики на основе алгоритмов машин ного обучения // Цветные металлы. 2022. № 2. С. 87–93.
2. Дациев М. С., Лесникова Л. С., Дзансолов И. В., Ананко И. А. Повышение комплексности использования сырья за счет оптимизации конфигурации обогатительно-металлургического комплекса норильского дивизиона // Цветные металлы. 2022. № 2. С. 12–17.
3. Крупнов Л. В., Мидюков Д. О., Дациев М. С., Ильин В. Б. Изменение ресурсной базы производства тяжелых цветных металлов на примере меди и никеля // Горный журнал. 2024. № 3. С. 10–16.
4. Крупнов Л. В., Мидюков Д. О., Малахов П. В. Направления поддержания сырьевой базы медно-никелевой подотрасли // Обогащение руд. 2022. № 2. С. 37–41.
5. Крупнов Л. В., Малахов П. В., Озеров С. С., Пахомов Р. А. Анализ металлургии кобальта России и подходы по повышению извлечения металла в готовую продукцию // Цветные металлы. 2023. № 7. С. 25–33.
6. Осипова Н. В. Обзор проектов и решений по цифровым двойникам для обогатительных фабрик // Автоматизация в промышленности. 2023. № 7. С. 37–42.
7. Oosthuizen D., Williams B., Van der Spuy D. Barriers to integrated flotation control solutions: lessons from an industrial implementation // Proceedings of Internationsl Federation of Automatic Control Conference. 2023. Vol 56. P. 2335–2340.
8. Klokov A., Abrarov A., Danilov P. Flotation froth monitoring using unsupervised multiple object tracking methods // Journal of Mineral and Material Science. 2023. Vol. 4, Iss. 1. P. 1–4.
9. Rudolph M., Kurz S., Rakitsch B. Hybrid modeling design patterns // Journal of Mathematics in Industry. 2024. Vol. 4. 3.
10. Wang Z. Physics-based linear regression for high-dimensional forward uncertainty quantification // Journal of Computational Physics. 2025. DOI: 10.1016/j.jcp.2024.113668
11. Dinç E. Linear regression analysis and its application to the multivariate spectral calibrations for the multiresolution of a ternary mixture of caffeine, paracetamol and metamizol in tablets // Journal of Pharmaceutical and Biomedical Analysis. 2003. No. 33. P. 605–615.
12. Westad F., Schmidt A., Kermit M. Incorporating chemical bandassignment in near infrared spectroscopy regression models // Journal of Near Infrared Spectroscopy. 2008. Vol. 16, Iss. 3. P. 265–273.
13. Косьянов П. М. Рентгенофизический анализ неорганических веществ сложного химического состава. – Тюмень : ТИУ, 2016. – 195 с.
14. Diaz V. et al. Monitoring of multivariate calibration models in the absence of new reference values: the regression case // Chemometrics and Intelligent Laboratory Systems. 2023. Vol 240, Iss. 10. 104884.