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

А. С. Симаков, доцент кафедры автоматизации технологических процессов и производств, канд. техн. наук, e-mail: Simakov_AS@pers.spmi.ru
О. Н. Масько, ассистент кафедры автоматизации технологических процессов и производств, канд. техн. наук, e-mail: Masko_ON@pers.spmi.ru
М. Ю. Николаев, аспирант кафедры автоматизации технологических процессов и производств, e-mail: s235018@stud.spmi.ru

Одной из ключевых проблем металлургических производств является нестабильность качества исходного сырья — руд, концентратов и металлургической шихты. Оценивая в целом значимость показателей, характеризующих качество минерального сырья, главными, как правило, остаются химический и минеральный состав руды, а также их стабильность в рудопотоке. Анализ произ водственных данных выплавки технического кремния в рудно-термических печах показал, что эффективность технологического процесса, объемы пылевых выбросов и чистота конечного продукта зависят от качества кварцевого сырья. Это такие функциональные характеристики, как процент содержания вредных примесей, прочность кусков рудной массы, минеральный и структурный состав, влажность и др. Наиболее существенное влияние на результаты металлургического производства оказывает стабильность состава рудной массы. Для решения вопроса учета колебаний химического состава кварцита актуальным является применение систем технического зрения. В статье представлена автоматическая система анализа качества кварцевого сырья для производства металлургического кремния, в ее основе — оценка визуальных характеристик кварцита. Разработанный алгоритм базируется на цветовой фильтрации изображений срезов минералов. Результатом работы являются данные о доле вкраплений примесей железа, при этом средняя достоверность оценки коррелирует с данными рентгеноспектрального анализа в среднем на 90 %. Положительными эффектами внедрения предлагаемой системы технического зрения являются оперативность оценки качества материала на протяжении разгрузки и подготовки сырья, что позволяет принимать меры для корректировки пропорционального состава шихты рудно-термической печи.

1. Nemchinova N.V., Hoang V. V., Tyutrin A. A. Formation of impurity inclusions in silicon when smelting in ore-thermal furnaces // IOP Conf. Series: Materials Science and Engineering. 2020. Vol. 969. 012038. DOI: 10.1088/1757-899X/969/1/012038
2. Немчинова Н. В., Тютрин А. А., Сокольниковa Ю. В., Фереферова Т. Т. Аналитические исследования сырья и продуктов кремниевого производства // Журнал Сибирского федерального университета. Химия. 2017. Т. 10, № 1. C. 37–48.
3. Folstad M. B., Ringdalen E., Tveit H., Tangstad M. Effect of different SiO₂ polymorphs on the reaction between SiO₂ and SiC in Si production // Metallurgical and Materials Transactions B. 2021. Vol. 52, Iss. 6. DOI: 10.1007/s11663-020-02053-x
4. Legemza J., Findorák F., Buľ ko B., Briančin J. New approach in research of quartzes and quartzites for ferroalloys and silicon production // Metals. 2021. Vol. 11, Iss. 4. DOI: 10.3390/met11040670
5. Александрова Т. Н., Чантурия А. В., Кузнецов В. В. Минералого-технологические особенности и законо мерности селективного разрушения железистых кварцитов Михайловского месторождения // Записки Горного института. 2022. Т. 256. С. 517–526. DOI: 10.31897/PMI.2022.58
6. Shah S. A., Shao Y., Zhang Y. Texture and trace element geochemistry of quartz: A Review // Minerals. 2022. Vol. 12. DOI: 10.3390/min12081042
7. Okada N. et al. Automated identification of mineral types and grain size using hyperspectral imaging and deep learning for mine ral processing // Minerals. 2020. Vol. 10, Iss. 9. DOI: 10.3390/ min10090809
8. Fedorova E., Pupysheva E., Morgunov V. Modeling of particle size distribution in the presence of flocculant // Symmetry. 2024. Vol. 16. DOI: 10.3390/sym16010114
9. Fedorova E. R., Morgunov V. V., Pupysheva E. A. Effect of variation of internal diameter along the length of a rotary kiln on material movement // Non-ferrous Metals. 2024. No. 1. P. 28–34.
10. Чмыхалова С. В. Анализ качества минерального сырья как системы, формирующей качество готового продукта // Горный информационно-аналитический бюллетень. 2019. № S10. С. 147–152. DOI: 10.25018/0236-1493-2019-5-10-147-152
11. 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. DOI: 10.31897/PMI.2022.91
12. Козин В. З., Комлев А. С. Комбинированный высокочастотный отбор проб от продуктов обогащения руд // Горный информационно-аналитический бюллетень. 2022. № 5. С. 142–153. DOI: 10.25018/0236_1493_2022_5_0_ 142
13. Potrafke A., Breiter K., Ludwig T., Neuser R. D., Stalder R. Variations of OH defects and chemical impurities in natural quartz within igneous bodies // Phys. Chem. Minerals. 2020. Vol. 47, Iss. 5. DOI: 10.1007/s00269-020-01091-w
14. Елкин К. С., Рожихина И. Д., Нохрина О. И., Сивцов А. В. и др. О влиянии генетических особенностей кварцитов на показатели восстановительной плавки кремния и высокопроцентного ферросилиция // Металлургия: технологии, инновации, качество. Труды XXI Международной научно-практической конференции. Ч. 2. 2019. С. 4–12.
15. Yolkin K. S., Sivtsov A. V., Yolkin D. K., Karlina I. Silicon metallurgy and ecology problems // KnE Materials Science. 2020. P. 239–242. DOI: 10.18502/kms.v6i1.8073
16. Pierre-Henri K., Jan R. Sequential decision-making in mining and processing based on geometallurgical inputs // Minerals Engineering. 2020. Vol. 149. 106262. DOI: 10.1016/j.mineng.2020.106262
17. Бондаренко А. В. и др. Особенности построения программного обеспечения автоматической системы аналитического контроля флотационных процессов обогащения руд // Горная промышленность. 2021. № S5-2. С. 78–83.
18. Немчинова Н. В., Яковлева А. А., Леонова М. С. Распределение примесей при рудно-термической выплавке кремния // Вестник Иркутского государственного технического университета. 2013. № 12. С. 230–236.
19. Чернявский А. В., Степенщиков Д. Г. Метод сегментации изображения для подсчета процентного содержания минералов с помощью авторской программы // Труды Ферсмановской научной сессии ГИ КНЦ РАН. 2021. № 18. С. 414–418. DOI: 10.31241/FNS.2021.18.078

20. Оксенгойт Е. А., Куницкий Н. А., Петров П. А., Шестаков А. К. Современные приборы АО «СоюзЦМА» для контроля аэрозолей и фиксации разливов агрессивных сред // Цветные металлы. 2023. № 4. С. 61–65.
21. Ilyushin Y. V., Kapostey E. I. Developing a comprehensive mathematical model for aluminium production in a soderberg electrolyser // Energies. 2023. Vol. 16. DOI: 10.3390/en16176313
22. Морозов В. В. и др. Испытания установки для комбинированного визиометрического анализа руды на конвейере // Инновационные технологии обогащения минерального и техногенного сырья. Науч.-практ. конф. — Екатеринбург, 2017. С. 24–27.
23. Хурэлчулуун И., Морозов В. В., Круглов В. Н. Применение визиометрического анализа руды для автоматизированного управления процессом дробления // Проблемы и перспективы эффективной переработки минерального сырья в 21 веке (Плаксинские чтения-2019). 2019. С. 92–95.
24. Beloglazov I. I., Suslov A. P., Pedro A. A. Process control in ore-smelting furnace at based on constant component of the phase voltages // Steel Transl. 2014. Vol. 44. P. 901–905. DOI: 10.3103/S0967091214120031
25. Pardo F. R. O. et al. Scientific fundamentals for the use of serpentinized rocks from the eastern region of Cuba // Journal of Physics: Conference Series. 2023. Vol. 2573, Iss. 1. DOI: 10.1088/1742 -6596/2573/1/012033
26. Akkoyun F. A real-time machine vision system for grading quartz mineral // Journal of Testing and Evaluation. 2022. Vol. 50, Iss. 5. P. 2422–2437. DOI: 10.1520/JTE20210758
27. Liu H. et al. Rock thin-section analysis and identification based on artificial intelligent technique // Petroleum Science. 2022. Vol. 19, Iss. 4. P. 1605–1621. DOI: 10.1016/j.petsci.2022.03.011
28. Naseri A., Rezaei Nasab A. Automatic identification of minerals in thin sections using image processing // Journal of Ambient Intelligence and Humanized Computing. 2021. P. 1–13. DOI: 10.1007/s12652-021-03474-5
29. Ануфриев А. С., Лебедик Е. А., Смирнов А. А. Автоматизированная система управления шаровым заполнением мелющих агрегатов // Обогащение руд. 2024. № 1. С. 3–9. DOI: 10.17580/or.2024.01.01
30. Nguyen H. H., Bazhin V. Yu. Optimization of the сontrol system for electrolytic copper refining with digital twin during dendritic precipitation // Metallurgist. 2023. Vol. 67, Iss. 1. P. 41–50. DOI: 10.1007/s11015-023-01487-3
31. Xu Y., Dai Z., Luo Y. Research on application of image enhancement technology in automatic recognition of rock thin section // IOP Conference Series. 2020. Vol. 605, Iss. 1. P. 20–22. DOI: 10.1088/1755-1315/605/1/012024
32. Ran X. et al. Rock classification from field image patches analyzed using a deep convolutional neural network // Mathematics. 2019. Vol. 7, Iss. 8. DOI: 10.3390/math7080755
33. Skamyin A., Shklyarskiy Y., Lobko K., Dobush V. et al. Impedance analysis of squirrel-cage induction motor at high harmonics condition // Indonesian Journal of Electrical Engineering and Computer Science. 2024. Vol. 33, Iss. 1. P. 31–41. DOI: 10.11591/ijeecs.v33.i1.pp31-41
34. Ануфриев А. С., Лебедик Е. А., Бажин В. Ю. Новые подходы для повышения эффективности автоматизированных систем управления переделами рудоподготовки // Горный информационно-аналитический бюллетень. 2024. № 2. С. 76–92. DOI: 10.25018/0236_1493_2024_2_0_76
35. Саадун А., Фредж М., Букарм Р., Хаджи Р. Анализ дробления с использованием цифровой обработки изображений и эмпирической модели (KuzRam): сравнительное исследование // Записки Горного института. 2022. Т. 257. С. 822–832. DOI: 10.31897/PMI.2022.84
36. Caggiano A. et al. Machine learning-based image processing for on-line defect recognition in additive manufacturing // CIRP Ann. 2019. Vol. 68. P. 451–454. DOI: 10.1016/j.cirp.2019.03.021
37. Santoro L. et al. A novel method for evaluation of ore minerals based on optical microscopy and image analysis: preliminary results // Minerals. 2022. Vol. 12, Iss. 11. DOI: 10.1016/j.cirp.2019.03.021