AI（人工智能）在选矿生产的应用，主要依赖CV（计算机视觉）和NLP（自然语言处理）这两大方面的技术。其中，CV在浮选智能化的研究应用，已经有近20年的历史，在这么长的时间里，AI技术本身的发展可以说日新月异，非常迅猛。选矿智能化产品的研发到底涉及哪些技术，笔者浅谈一点自己的拙见。

　　以浮选智能化为例，浮选智能化产品可以形象地理解为选矿厂的“机器人浮选工”，这个机器人跟人类一样，有它自己的大脑、神经脉络、感应器官和手脚肢体。笔者理解的AI机器人的结构如图1所示。这个机器人的架构形式可能是一个分布式的软硬件系统，而非一个有明确物理边界的实体。它的大脑可能在选厂的集控室，也可能在某座城市的写字楼里。

　　如果不了解人工智能技术，该如何判断一个系统是否具备人工智能？一个系统需要学习才能获得能力，那么它就具备人工智能。举个pH测量的例子，传统的pH测试仪，是通过待测液体氢离子活性作为两根电极之间产生的电位差来测量pH值，不管外部条件怎样变化，它都不要重新学习就能准确测量，所以这就不是人工智能系统。人工智能判断浮选矿浆的pH值，需要先学习各种不同pH值下的矿浆泡沫图像，然后才能具备判断能力。当矿石性质改变，导致图像与pH值的对应关系改变，那么必须重新采集图像样本，模型要重新学习这些新采集的图像才能准确地判断新条件下的pH值。从这里不难看出，人工智能系统对某个任务的能力，跟人类非常相似，都需要不断学习，才能掌握新任务的解决方法。看它像不像人，是判断机器是否具备人工智能的简单方法。

　　机器的这种类似于人的“基于经验的直觉思维”来源于人工智能算法，而思维能力的范围取决于输入算法的样本的范围。在选矿领域可以赋予机器怎样的“直觉思维”，应该从“算法”的角度去剖析。

　　目前的CV（计算机视觉）技术主要解决对图像的分类、检测、分割、距离估计、三维重建以及跟踪等任务，这些也是人类视觉的主要功能，选矿AI大脑的视觉中枢也应能具备这些功能。具体的任务，可以只是某些功能的组合。

　　以浮选智能化的“泡沫图像分析仪”为例，目前投入使用的此类设备多是采用“分割”方法进行泡沫尺寸特征的提取，如图2所示。“分割法”提特征，要求泡沫尺寸易于辨认，目前的CV技术在分割任务上的表现，基本可以达到人眼的辨别能力。当泡沫边缘清晰，尺寸较大时，“分割法”可以工作得很好。但这种方法的局限性也很大，当泡沫尺寸过小，边缘不清晰时，便无法正常工作。

　　不同的选矿厂，入浮矿石性质、药剂制度以及工艺操作参数都不尽相同，这要求“泡沫图像分析仪”必须有足够强的鲁棒性。即使同一选厂的泡沫形态也不可能总是很清晰的，所以笔者认为“分割法”并不是实现浮选智能化的好方法。要想获得满意的使用效果，对图像中的泡沫进行分类是更可行的技术路线为笔者采集的某浮选厂实际生产时的泡沫图像，可以看出，这3种工况下，泡沫的尺寸非常小，肉眼无法识别，对这种情况，“分割法”是无法工作的。但笔者采用“分类”的方法（基于深度学习的CV检测算法），只训练了一百多张图像，模型便能很好的区分出每个图像对应的工况类别。而且这些图像仅仅是用笔者的手机随手所拍，并未用特别的图像采集设备和补加光源。可见，“分类法”的鲁棒性是明显强于现在使用的“分割法”的。

　　“分类法”虽然鲁棒性强，但需要更多的训练数据，这就意味着产品的研发和使用成本都会更高。如果选厂的泡沫形态大部分是清晰的，“分割法”依然有很大的应用潜力。“分割法”提取泡沫尺寸后，再配合“跟踪”算法提取流速等信息，利用这些信息组成结构化数据，使用基于决策树的集成机器学习算法可以很好的对操作进行决策。笔者认为，“分类法”和“分割法”相结合的复合算法会是以后“泡沫图像分析仪”的主要技术路线工况

　　选矿厂的破碎系统生产中，如何测量矿石的粒度也是个重要任务。这方面的研究，也多是采用“分割法”的较多，这方面的文章已经有很多，笔者不再赘述。在这里表达一下自己的个人观点，目前的CV技术不可能像筛子一样，将矿石的粒度组成分析出来，只能对矿石的最大粒度进行软测量。

　　矿石的分割比泡沫更难做，因为石头之间有大量的堆叠，要测量最大粒度首先要识别出上层的，未被堆叠遮挡的矿石，然后再进行分割和尺寸估计。图6、图7是笔者做的几个碎石检测的图像效果示意，由于样本很少，效果不可能很理想，但笔者认为这个技术路线是没有问题的。

　　NLP（自然语言处理）的工程应用比CV领域要晚，但近年来，在医疗和工业上，也取得了有价值的应用。宁德时代，上汽大众为了有效组织老师傅的经验，建立了一个类似于“人工客服”的系统，可以实现对技术问题的解答。但是NLP技术在选矿智能化领域的研究应用还鲜有报道。训练NLP的人工智能模型，需要非常大规模的数据集，对硬件的算力要求更高，这些都不是一般的研究机构能承受的。因此要让NLP在选矿领域落地，需要行业的共同努力，尤其是大型矿企和科研单位的带领才有可能实现。

　　图神经网络在生物医疗领域应用广泛。包括新药物的发现、化合物筛选、蛋白质相互作用点检测、以及疾病预测。目前国外包括耶鲁、哈佛，国内像北大清华都有很多实验室研究图神经网络在医学方面的应用。选矿药剂的研发或许也可以借助图神经网络来实现突破。

　　数字孪生是工业4.0的一个重要概念。要实现工厂的数字孪生体，必须建立工厂的工艺原理模型，机电设备的运维模型，生产管理的ERP、MES模型，当然还有各种实体的几何模型。基于3D点云的三维几何体重建是当前应用比较多的技术，但刚方法成本较高。基于多视角的图像进行三维重建具有成本低的优势，值得研究和应用。

　　笔者在2022年上半年接触过某盐湖加工厂的智能化项目，该项目可以说是目前信息化在选厂的典型应用。该项目的目的是采集水环式真空泵的机电参数，如轴承的振动、温度，电流和电压等信息，然后将这些信息通过网络传送到相关人员的手机APP上实时显示，最终由人根据APP上显示的信息，判断真空泵当前是否运转正常，界面如图8所示。

　　简单点说，目前工业领域的信息化，不管是无人开采、智慧矿山还是智慧选厂，采用的信息化技术，可以说是移动互联网的工业翻版。这个技术在民用领域发展成熟后，现在已经开始在工业领域寻找新的蓝海了。笔者认龙8体育官网为，在选矿智能化的建设过程中，对于信息化系统，应该与华为、中兴、阿里、百度这样的移动互联网大厂合作，采用外部合作的方式解决技术问题。

　　自动化系统是选厂比较熟悉的老朋友，不管是设计院还是选矿厂，都不缺乏熟悉自动化的人才。目前选矿行业内部，从事智能化研究的团队，多半也是由自动化专业的工程师组成。自动化虽然是智能化系统的重要组成部分，但笔者认为，自动化的技术难度要相对小些，因为大家对他更熟悉，新东西没有其他子系统多。但是自动化系统也并非没有新东西。比如，轴承监测的传感器，近年来已经普遍使用新一代产品了，两代传感器的比较如图9所示。另外，像自动加药机等执行机构也在不断发展着。这些新产品的性能如何，都需要自动化工程师去了解，这样才能做好选型工作。

　　免责声明：信息派转载此文目的在于传递更多信息，不代表本网的观点和立场。文章内容仅供参考，不构成投资建议。投资者据此操作，风险自担。

　　平台声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。