潘慧龙

（河钢集团滦县司家营铁矿有限公司）

摘要：针对铁矿“红改磁”工艺后选矿系统强扰动、多耦合、大滞后非线性特征，传统接触式传感器在高粉尘高湿矿浆工况下测量漂移失效、人工调控滞后、故障被动处置等行业共性技术瓶颈，本文提出AI边缘视觉前馈+多参数耦合自适应PID一体化闭环管控理论与成套工程方案。以某铁矿选矿流程为试验载体，构建端-边-云分层协同感知控制架构；基于CNN目标检测、图像分割、光流特征算法建立非接触式矿浆料位、排矿流量、皮带工况量化视觉感知模型，将图像特征转化为连续可用于控制的前馈变量；建立融合视觉时序信息、工艺传感参数的深度学习磨矿优化模型，开发视觉信号驱动的变参数自适应PID控制回路，实现给料、磁选、磨矿分级、补水系统多工序协同自主调控。研究突破传统“感知-控制分离”的技术局限，建立视觉量化信息参与闭环调控的完整理论体系，为复杂矿物加工流程智能优化控制提供新思路与可复制工程范式。

关键词：矿物加工；磨矿分级；边缘机器视觉；视觉前馈；自适应PID；智能闭环控制

引言

国家《智能矿山建设规范》要求选矿流程实现智能感知、在线监测与自主优化控制。铁矿“红改磁”工艺提升了选矿产能，但会细化给矿粒度、改变矿浆流变特性，加剧磨矿分级系统耦合扰动。传统传感器易受矿浆结垢、粉尘、设备振动干扰，测量精度差、长期稳定性不足；现有控制系统依赖液位、压力滞后反馈，无前置工况预判，人工调节存在5~10min时滞，易造成磁选堵料、球磨机胀肚、工艺指标波动等生产问题。磨矿分级系统具有多变量、强耦合、时变、非线性特性，传统单一PID控制无法有效补偿来料、矿质突变等外部扰动。目前选矿领域机器视觉应用较为浅层，仅用于故障识别与预警，未建立视觉特征与控制参数的量化关联，感知与控制环节脱节，难以实现闭环优化。现存核心问题集中在三点：视觉检测缺乏量化建模，无法提供前馈控制输入；控制模型依赖滞后传感数据，扰动抑制能力不足；系统架构碎片化，多工序无法协同优化。针对上述技术短板，本文引入边缘视觉量化前馈机制，构建视觉驱动的自适应PID耦合控制体系，从感知建模、控制算法、系统架构层面实现技术突破，完成磨矿分级流程智能化闭环优化控制。

1  选矿磨分系统扰动机理与管控瓶颈分析

1.1多源扰动产生机制

“红改磁”后四大核心扰动源：给料波动、磁选料位突变、球磨机排矿不稳定、补水人工调节滞后，多扰动交叉耦合，常规反馈控制存在显著调节滞后。

1.2传统管控体系底层缺陷

改造前依靠人工点检+接触式传感器，监测盲区大、预警缺失、数据孤岛。

表1改造前后传统管控模式核心短板对比表格

图1改造前故障停机时长占比饼图

改造前年总故障停机82h，故障类型占比：给料皮带故障41.5%、磁选堵料29.3%、球磨机胀肚12.2%、其他设备故障17.0%。给料、磁选环节故障是造成停机的核心诱因，亟需前端智能监测实现提前干预。

2  视觉前馈-PID耦合管控系统总体理论与架构

2.1  核心控制理论逻辑

构建“视觉前馈补偿+反馈自适应PID”双自由度控制架构，控制方程：为反馈偏差，为视觉前馈补偿量，控制器根据工况动态自整定\(K_p、T_i、T_d\)。

2.2  六层端边云协同架构

图2系统六层端边云协同总体架构框图

感知层采集图像与工艺参数；边缘层完成AI实时推理；平台层存储数据、迭代模型；控制层执行双自由度PID调节；应用层实现可视化远程管控。

3  矿浆工况边缘视觉量化建模（感知层核心创新）

3.1  视觉硬件适配设计

400万IP66自清洁相机、50W恒流补光灯，适配高粉尘、高湿、强振动现场。通过400万像素工业摄像头进行排放口矿浆流连续视频采集，并将视频流分解为图像帧，对每帧图像应用去噪和灰度化处理，以提升画质。采用边缘检测技术和光流算法，对每帧图像进行提取矿浆流动区域的高度、宽度边界和运动方向。通过计算连续图像帧中矿浆流动区域像素的变化速率，将其与流体宽度和高度结合，计算单位时间内流量，将像素变化量精确映射为实际流量值（如立方米/小时）。当监测到流量值连续5分钟低于设定阈值（正常流量的1/3或1/2），模块触发报警并记录流量波动数据，形成时间趋势图和相关视频日志，便于后续分析。

3.2  三类工况量化识别模型

1）给矿皮带CNN目标检测模型：识别大块、异物、跑偏，输出负荷量化系数；2）磁选机图像分割料位模型：像素-料位标定，测量误差≤±5mm；3）球磨机光流流量模型：光流矢量+边缘检测，实时量化排矿流量。

图3球磨机排矿光流流量检测流程示意图

3.3  模型测试对比

表2不同工况下视觉识别模型性能对比表格

4  视觉前馈自适应PID耦合控制算法（控制层核心创新）

4.1  双自由度控制回路结构

图4视觉前馈自适应PID闭环控制框图

4.2  控制效果对比曲线分析

图5泵池液位24h连续控制效果对比曲线

4.3  多参数耦合深度学习磨矿模型

融合视觉流量、给矿负荷、旋流器压力、磨机电流等参数训练神经网络，以粒度合格率、台时产量为优化目标，自动输出最优控制设定值。

5  智能集控与数据迭代平台

集控中心集成工艺流程图、AI实时视频、参数趋势曲线、分级声光报警；数据平台基于时序数据库存储全量图像与工艺数据，支持模型在线迭代、指标报表自动生成。

6  工业应用试验与多维量化图表分析

系统连续12个月稳定运行，采用图表多维度量化对比改造前后指标。

6.1  设备故障频次柱状图分析

图6改造前后月度各类故障次数对比柱状图

整体故障发生率下降，视觉前置预警大幅减少堵料、胀肚类重大故障。

6.2  台时产量波动分析

单日24h台时产量波动对比改造前台时波动区间±12%，曲线起伏剧烈；改造后波动压缩至±2.5%，曲线平缓，磨矿工况稳定性显著提升。

6.3  停机时长、运维成本量化表

表3改造前后设备运维与停机指标对比表格

6.4  现场人员工时占比双饼图对比

图表结论：自动化调控大幅削减现场操作工时，降低人员安全暴露风险。

6.5  经济效益构成饼图

图8项目年度综合效益构成饼图

6.6  安全指标

危险区域作业人员削减65%，异常处置响应时间由30min缩短至10s，全年隐患闭环率100%。

7  系统核心创新与理论价值

1）控制理论创新：首创机器视觉量化前馈与自适应PID双自由度耦合控制体系，建立图像特征到控制补偿量的量化映射模型，完善非线性矿物加工流程智能控制理论；2）感知技术创新：开发适配高粉尘矿浆工况的成套边缘视觉量化建模方法，突破接触式传感器失效瓶颈；3）系统架构创新：端边云一体化分层架构，深度学习多参数耦合模型实现全局协同优化；4）工程应用创新：标准化成套落地工艺，配套多维度可视化数据分析体系，适配各类金属选矿现场。

8  推广保障与行业应用前景

8.1  长效运行保障机制

成立专项实施小组，配套AI运维、PID操作、应急处置管理制度，分层开展操作人员、维修人员、技术人员专项培训。

8.2  推广价值

方案适用于铁矿、有色选矿、建材破碎等流程工业，模块化感知与控制单元可拓展至采矿、筛分、尾矿全流程，为智慧矿山智能化升级提供理论支撑与标准化工程示范。

9  结论与展望

本文针对选矿磨分多耦合、大滞后、强扰动控制难题，构建视觉前馈自适应PID耦合智能闭环管控体系，搭建六层端边云协同架构，完成视觉量化感知、双自由度控制算法、工业落地全链条研究。通过图表量化验证：系统大幅降低工艺参数波动、削减故障停机、降低运维与人工成本，成套技术通用性强、可复制推广。后续融合多光谱、音频多模态感知，优化多矿种自适应磨矿模型，推进采-选-充全厂一体化协同智能优化。

参考文献：

[1]  选矿磨矿分级过程智能控制理论与应用[M].北京：科学出版社，2021.柴天佑.

[2]  矿物加工过程智能控制[M].北京：冶金工业出版社，2026.邹文杰.

[3]  复杂冶金过程智能控制[M].北京：科学出版社，2016.吴敏.

[4]  智能选矿概论[M].徐州：中国矿业大学出版社，2024.廖寅飞.

[5]  数字矿山建设架构与关键技术[M].北京：冶金工业出版社，2024.柳小波，曲福明，邵安林.

[6]  选矿工程师手册：第4册[M].北京：冶金工业出版社，2015.孙传尧.