АО «Кольская ГМК», Мончегорск, Россия

М. И. Рябушкин, первый заместитель генерального директора — главный инженер
Д. О. Санников, директор департамента по инновациям и цифровым технологиям

ООО «Рокет Контрол», Москва, Россия
С. А. Ковтун, старший дата-инженер разработчик команды ключевого проекта, эл. почта: s.kovtun@rocketcontrol.ai
Ф. В. Рыжков, инженер по управлению технологическими процессами, канд. хим. наук, эл. почта: f.ryzhkov@rocketcontrol.ai

Содержание полезных компонентов в питании перечистной машины оказывает существенное влияние на эффективность процесса флотации. В зависимости от геолого-минералогических свойств входящей руды, режима механического и реагентного регулирования флотации, стабильности содержания полезных компонент и потоков входящего сырья актуальны различные качественные показатели пенного продукта перечистных операций, которые необходимо стабильно выдерживать. Для точного и эффективного управления технологическим узлом в данных условиях подходят решения из развивающейся области искусственного интеллекта, способные регулировать контур посредством точечных и частых воздействий на ключевые рычаги управления. В своей основе решения могут использовать предсказательные модели, задающие направление оптимизации состояния. Для сложной динамической системы предсказание поведения параметров важно для обеспечения возможности достижения целевого (оптимального) состояния, которое будет поддерживаться контроллерами, что делает актуальным применение моделей машинного обучения на данных временных рядов. Это позволяет целенаправленно решать поставленную задачу и выдерживать требуемые значения производственных показателей. В рамках исследования предложена новая технология модельно-предсказательного (модельно-прогнозного) управления для стабилизации качества пенного продукта в условиях технологического процесса перечист ной флотации обогатительной фабрики АО “Кольская ГМК” в Заполярном. Применение технологии на флотационной машине пере чистной операции указанной площадки позволило снизить колебания динамики содержания никеля в пенном продукте на 0,35 % по сравнению с работой базового алгоритма опти мизации, что позволило внести вклад в повышение стабильности содержания полезного продукта в питании отделения разделения концентрата.

1. Богданов О. С., Максимов И. И., Поднек А. К., Янис Н. А. Теория и технология флотации руд. — М. : Недра, 1990. — 363 с.
2. Воробьев Н. И., Новик Д. М. Обогащение полезных ископаемых. — Минск : БГТУ, 2008. — 174 с.
3. Allgöwer F., Badgwell T. A., Qin J. S., Rawlings J. B. et al. Nonlinear predictive control and moving horizon estimation: an introductory overview // Advances in control: Highlights of ECC’99. Springer, 1999. P. 391–449.
4. Пегат А. Нечеткое моделирование и управление : пер. с англ. — 2-е изд. — М. : Бином. Лаборатория знаний, 2013. — 798 с.
5. García C. E., Prett D. M., Morari M. Model predictive control: Theory and practice—A survey // Automatica. 1989. Vol. 25, Iss. 3. P. 335–348. DOI: 10.1016/0005-1098(89)90002-2
6. Dawson P., Koorts R. Flotation control incorporating fuzzy logic and image analysis // IFAC Proceedings. 2014. Vol. 47, Iss. 3. P. 352–357. DOI: 10.3182/20140824-6-za-1003.01864
7. Carvalho M. T., Durão F. Control of a flotation column using fuzzy logic inference. Fuzzy Sets and Systems // International Journal in Information Science and Engineering. 2002. Vol. 125, Iss. 1. P. 121–133. DOI: 10.1016/s0165-0114(01)00048-3
8. Yanhuai J., Zheng W. Application of artificial intelligence based on the fuzzy control algorithm in enterprise innovation // Helion. 2024. Vol. 10, Iss. 6. e28116.
9. Quintanilla P., Neethling S. J., Brito-Parada P. R. Modelling for froth flotation control: A review // Minerals Engineering. 2021. Vol. 162. 106718. DOI: 10.1016/j.mineng.2020.106718
10. Bergh L., Yianatos J., Pino C. Advances in developing supervisory control strategies for flotation plants // IFAC Proceedings. 2013. Vol.46. P. 110–115. DOI: 10.3182/20130825-4-us-2038.00003
11. Edwards R. P. Expert system control of a flotation circuit (T). — University of British Columbia, 1990. — 266 p.
12. Rogers B. D., Dalrymple R. A., Stansby P. K. SPH modeling of floating bodies in the surf zone // Coastal Engineering. 2009. P. 204–215. DOI: 10.1142/9789814277426_0017
13. Foucaud Y., Badawi M., Filippov L. O., Filippova I. et al. A review of atomistic simulation methods for surface physical-chemistry phenomena applied to froth flotation // Minerals Engineering. 2019. Vol. 143. 106020. DOI: 10.1016/j.mineng.2019.106020
14. Brunton S. L., Proctor J. L., Kutz J. N. Discovering governing equations from data by sparse identification of nonlinear dynamical systems // Proceedings of the National Academy of Sciences of the United States of America. 2016. Vol. 113. P. 3932–3937. DOI: 10.1073/pnas.1517384113
15. Fu Y., Aldrich C. Flotation froth image recognition with convolutional neural networks // Minerals Engineering. 2019. Vol. 132. P. 183–190. DOI: 10.1016/j.mineng.2018.12.011
16. Shean B. J., Cilliers J. J. A review of froth flotation control // International Journal of Mineral Processing. 2011. Vol. 100. P. 57–71. DOI: 10.1016/j.minpro.2011.05.002
17. Ибраева Л. К., Хисаров Б. Д. Моделирование и идентификация объектов управления : учебное пособие. — Алматы : АИЭС, 2009. — 212 с.
18. Абрамов А. А. Переработка, обогащение и комплексное использование твердых полезных ископаемых. Том 2. — М. : Издательство Московского государственного горного университета, 2004. — 510 с.
19. Cook J. Docker for data science. 2017. DOI: 10.1007/978-1-4842-3012-1