选矿自动化技术及应用研究进展

1. 引言

自动化选矿即为满足选矿过程中各类的生产需求及变量（选矿指标、工艺生产、安全环保等）而根据仪表检测、计算机、控制器等对选别过程进行干预，以达到代替人工或是减少经验误差的目的[1]。相对于其他西方国家来说，我国选矿自动化起步较晚，但近些年选矿自动化已在提高矿山生产效能及节约成本上做出了巨大的贡献 [2]。据资料统计，保守估计自动化选矿厂相比于传统选矿厂来说，可使设备处理能力提高 10%～15% ，劳动生产率提高 25%～50% ，生产成本降低 3%～5%^13] 。

选矿自动化自 20 世纪 40 年代起就得到了较大的重视与发展，60 年代自动化检测仪器仪表的出现为自动化发展引入了新的血液，到了70 年代末依靠着计算机的飞速发展，控制理论的相继提出，极大促进了选矿自动化的发展 [4]。伴随着现如今矿物资源渐趋于“ 贫、细、杂 ”化，矿物入选品位越来越低，选矿成本也逐渐增加。且传统意义上选别过程中因为人工调节干预，所以存在较多的经验数据，易产生误差及加大工作量从而增大选矿成本。自动化选矿主要围绕反馈与控制，对选别过程中的现象进行检测、识别、预测后调至以达到最优效果[5～6]。为促进选矿自动化发展及装备水平进步，本文综述了选矿自动化的研究现状，从选矿自动化检测技术、选矿自动化控制技术、选矿智能机器人入手，详细概述了该领域发展现状及应用并剖析了不同技术优势与不足，为其更好发展提供借鉴。

2. 选矿自动化检测技术及应用

选矿过程中检测起关键性作用，其作用不仅在于及时反映数据，更在于对数据的监控，以方便在最短的时间内根据现象进行操作参数的优化调整。检测技术全面、可靠、快速地为选矿全流程自动化提供关键性参数信息 [7]，但在与其他行业相比，选矿厂自动化检测技术多受制于现场环境及仪表仪器的影响，高精度的耐酸、耐腐蚀、耐灰尘的检测仪器仪表受开发及成本的制约。

2.1 图像检测及应用

图像检测在选矿自动化中的应用主要包括对矿石粒度的分析、矿石种类的分拣、浮选中泡沫层变化等运用机器代替视觉判断。图像的检测过程包括两个步骤 ： 第一个阶段是图像预处理，图像预处理就是通过相关算法使图像的重要信息显现出来，为下一步做准备；第二个阶段是图像分析，图像分析是对图像信息进行挖掘，获得所需的图像信息。图像处理包括图像去噪、图像分割、图像识别、图像融合等技术 [8]。

2.1.1 矿石粒度分析检测

矿石粒度分布信息是反映破碎效果的重要数据指标。矿石粒度的检测是目前矿山应用领域的重要研究课题。矿石粒度参数主要包括面积、周长、粒度和体积等，传统选矿中对矿石粒度鉴别主要是通过筛分的方式，筛面的振动会产生较大的噪音且当干式筛分时易产生灰尘，加大了工业污染的程度。对于破碎前的矿石粒度分析，可利用激光三角对矿石进行检测，且该技术可解决矿石在传送带上发生堆叠时的测量误差 [9～10]。对于矿石粒度的分析具有一定的效果且误差也能控制在一定的范围内，但当大颗粒夹带小颗粒矿物时，会影响较小尺寸级别的启动条件，同时因破碎过程中易产生较多粉尘，容易对检测分析结果造成影响。

危发文等人 [12] 提出了一种基于图像的传送带破碎矿石粒度检测方法 ， 通过改进的HED 网络对矿石图像进行分割，设计了一种基于 Γ_0penCV 的外接矩形矿石粒度大小计算方法，使用HED 便于检测网络，并对HED 网络进行了相关研究，引入了残差可变形卷积，并使用空洞卷积替代常规池化层，提升了模型对于矿石细节信息提取的准确度，有效解决了堆叠、黏连问题。Liancheng M A 等人 [13]通过 CCD 工业相机采集图像并通过计算机中编写好的图像采集和处理程序，基于距离变换和形态梯度的图像分析和颗粒尺寸检测的改进算法实现矿石粒度检测，研究表明该检测方法误差与人工相比可控制在 5% 以内。目前矿石粒度检测仍普遍存在较难解决矿石堆叠现象下粒度精确检测的问题，这可成为今后研究重点。

2.1.2 矿石种类检测

光选又称为色选，主要是利用光学原理对矿石进行预先分拣，将具有颜色差异的非目的矿物鉴别出来，比传统手拣挑矿具有效率高、精度高等系列优点[14～15]

目前光选机根据所采用的光类型又可细划分为可见光类型光选机与 ΔX 射线类型光选机，经过数年发展目前主要以 X 射线类型光选机为主，其主要是利用XRT （X 射线穿透 ） 技术，在一定光源的作用下，通过物料和反射而形成的合成光，传输到图像识别模块上检测识别 [16]。该检测方法可进行有效的提前抛废作业，并提高矿石入磨的品位，一定程度上节约了人工手拣的劳动力且精度更高，但对于堆叠矿石易引起光选机的误识别、光选机的喷嘴易损不耐用等目前光选机普遍存在的问题，有待后续开发改进[17]。

2.1.3 浮选泡沫检测

对于浮选泡沫的检测其主要分为图像预处理和基于模型的特征提取分析，浮选泡沫特征主要分为静态特征和动态特征两类，其中静态特征包括表层泡沫颜色（矿种颜色的差异）、泡沫纹理（泡沫矿化程度差异）、泡沫尺寸大小（药剂效果及泡沫矿化程度）等，动态特征主要包括泡沫移动速度（浮选产率）、泡沫稳定度等 [19]。浮选作为一种高效处理细粒级矿物的选别手段，在各大选矿厂中得到了充分的利用，在矿物选别过程中，浮选泡沫的表征如颜色、大小、流速、纹理、光泽等，都可作为浮选指标判断的重要参数依据[18]。传统生产过程中浮选工人仅凭借视觉判断来浮选泡沫的特征变化，因人而异，易产生误差，不具备全面性、稳定性，因此泡沫特征的描述与浮选关系的确立显得十分重要[20][23～24]。同时图像的去噪、增强以及数据库搭建也为图像的识别预处理提供了基础。预处理过程中由于一天中不同时间可能出现因照明不足或是空气中存在灰尘或雾都会影响图像质量，因此减少此类因素干扰是图像预处理的方向 [21～22]。

卢明等人 [25] 利用高清摄像机采集泡沫视频基于小波变换的多尺度统计特征及对光照的鲁棒性，对泡沫的等效尺寸特征进行提取，通过统计泡沫尺寸的分布情况可以有效地对不同工况的泡沫图像进行分类处理。刘金平等人[26] 研究了一种基于图像空间结构统计分布的最优泡沫图像颜色自动校正方法，可以实现将图像从各种未知光照条件到基准光照条件下的颜色转换。

对于泡沫动态特征提取检测，牟学民等人 [27] 提出了一种基于 SIFT 特征匹配的泡沫移动速度特征提取方法，该方法可有效解决因光照变化以及图像发生仿射变换，保证了动态特征图像识别的稳定性。泡沫动态特征提取，现今以图像特征点匹配的方法为主，该方法可以有效地提取出泡沫的移动速度同时也可用于泡沫稳定度检测 [28]。 Xu 等人 [29] 提出了一种基于闵可夫斯基距离的共识聚类算法，应用于选铜工艺过程中聚类结果得到浮选过程的状态信息，可用于泡沫浮选生产的识别和监控。

针对浮选泡沫检测的图像识别研究主要集中于对静态特征的提取，相对于动态特征提取研究较少。究其原因为动态特征提取过程中，泡沫移动不稳定提取难度较大且技术层面要求更高。同时对于静态特征提取仍存在一些问题，譬如检测识别过程中特征识别结果易受光照及现场灰尘、泡沫板结等现象影响。

目前泡沫图像识别的分类算法模型主要由如下几类：

（1）线性模型：He M 等人 [30] 基于线性模型研究了采用颜色值代替纹理单元数中的灰度值计算泡沫色纹理单元数，并将泡沫色纹理单元数的概率密度函数定义为颜色纹理分布，并采用固定核基来解决对于颜色不同泡沫识别这一难点。

（2）核 Fisher 判别分析（KFDA）：Marais C 等人 [31] 利用核 Fisher 判别分析（kFDA） 研究了泡沫纹理特征与等级之间的非线性关系。结果表明，这些特征可以作为 PGM 浮选厂基于先进模型的控制系统的输入。多元线性回归证实了这一假设，并在KFDA 特征作为预测指标时表现良好。

（3）随机森林：随机森林这一概念 （Random Forests） 最早由 Breiman 和Cutler 提出，是一种基于决策树算法的分类模型，利用 bootsrap 有放回的抽样方法从原样本集中抽取出多个样本，然后建立多个决策树模型，通过多个决策树对样本进行预测并加和汇总，最后得票数最多的作为最终预测结果 [32]。Fu Y等人 [33] 探索了使用预训练的卷积神经网络架构 AlexNet， VGG16 和 ResNet34 来开发浮选泡沫图像传感器。研究表明 AlexNet 和 VGG16 架构比使用 GLCM 特征的随机森林模型表现得更好，在 95% 以上的置信度水平上对泡沫图像进行分类。

2.2 其他检测及应用

2.2.1 液位检测

矿浆液位作为浮选过程中的一项重要关键参数，对浮选指标有着较大的影响。且浮选矿浆通常具有一定的腐蚀性、黏附性对矿浆液位检测仪表损耗较大[34]。由此对矿浆液位检测仪表提出了耐磨、耐腐、可靠性强的要求。目前矿浆液位检测的方法主要围绕：电容式液位检测仪、吹气式液位检测仪、浮力式（浮子式）液位检测仪、超声波液位检测仪。

各类型液位检测器见表1。

2.2.2 品位检测

X 射线光谱荧光分析（XRF）是针对矿浆品位的快速检测方式之一，利用辐射源激发矿浆中金属元素特征光谱并将光谱识别信号转为数字信号以达到品位测量的目的，其具有测定元素范围广、精度高、化验时间短等系列优点[35～36]。但传统 XRF 采样间隔时间较长，为此 Olli Haavisto 等人 [37] 并提出采用基于递归偏最小二乘算法的传感器融合方法，将稀疏和异步X 射线光谱荧光分析（XRF）样本信息与高频近红外成像光谱仪（VNIR）分析相结合。针对某一选厂的铜锌品位检测，表明 VNIR 与 XRF 的结合下可显著缩短元素分析的采样间隔。朱思露等人 [38] 基于磁铁矿铁精矿的强磁特性，采用电感检测线圈对铁矿铁芯进行品位测试，该装置于具有性能稳定、结构简单、成本低、体积小等特点。张宝金等人 [39] 研究了一种基于 MobileNet 搭建的 SSD 神经网络模块，该模型可有效区分不同品位的铁矿石，识别正确率大于 97% 。目前品位检测通常只能针对较少或单一矿种，受限于矿石性质与精度，并未广泛使用。

2.2.3 流量检测

流量作为选矿中的重要参数，主要为矿浆流量检测包括给矿量的检测、溢流检测、补加水量检测等，同时也可作为药剂流量的检测。目前选矿行业流量检测计主要为电磁流量计、超声流量计、孔板流量计和多普勒超声流量计[40～41]。流量作为一项重要的参数其对精度要求也显得苛刻，对于特定选矿作业采用特殊对应的流量计才能有效保证数据的准确性。

3. 选矿自动化控制技术及应用

3.1 破碎自动化控制

借助外力将大颗粒矿物变为小颗粒矿物的过程称为破碎，破碎作为矿石选别前的预处理作业，起着至关重要的作用。“多碎少磨”或“以碎代磨”有助于选矿厂节能降耗，同时也凸显了破碎的地位 [42～43]。因破碎多结合筛分为后续磨矿提供合格粒度的矿石，为此下文将破碎自动化控制与筛分、物料输送一并论述。

目前破碎自动化控制主要围绕排矿口尺寸自动化调整、各级碎矿负荷优化、碎磨间的负荷优化、润滑系统保养、故障检测这几方面[44]，再辅以筛分、运输系统的控制实现整个系统安全、稳定、高效运转。

各级的联锁控制确保了生产过程的稳定有序，周仪清等人[45] 通过对破碎系统的自动化改造中便可看出，该碎矿车间将中碎、筛分、干抛、细碎、筛分、装仓整个控制系统设置为联锁反应。通过功率变送器对破碎机进行监测，收集负荷再通过变频机调节给矿速度，优化破碎过程，根据系统监测各点状况，搭建服务器统一管理，构成了一条完整的破碎控制系统。金川选矿厂对于破碎作业进行了自动化升级改造工作，通过现场手动加上 PLC 集中联锁，每台破碎机根据检测获得的负荷值和排矿口尺寸，自动调整相应的排矿口或给矿量，在最终产品粒度和破碎效率都达到工艺要求的条件下，使每台破碎机都满负荷运行，应用表明该车间破碎效率显著提高 15% ，并有效减少了非计划停车事件发生，有效提高了选厂经济效益 [46]。

3.2 磨矿分级自动化控制

磨矿分级控制最初由单纯的机械控制发展而来，到 21 世纪随着计算机及控制理论的发展，磨矿分级控制也取得了进步，由于磨矿分级自动控制系统易受到外界各种因素的干扰，易使得运行参数发生变化，造成系统误差及控制精度低的问题 [47～ 49]。磨矿分级作业作为选矿中相当重要的作业，既是对破碎产品质量的鉴定又是对后续选别指标的直接干预，对于磨矿过程中装球制度、矿石性质的变化可直接影响分级作业乃至整个选别流程，磨矿分级系统因其受多变量及多因素干扰，总的来说属于大滞后系统，因此为了提高磨矿分级效率，不仅是控制单个参数那么简单，而是要控制整个磨矿分级流程的参数，通过合理化方案和先进技术来满足控制要求  。

简单来说磨矿分级控制系统主要由三部分构成，即输入量、控制量、输出量 [54]。输入量的构成主要依赖仪表检测，控制量所对应的即为控制策略，对于磨矿分级控制策略的发展，传统策略通常是指 PID 控制、Smith 控制、解耦控制等 [55]。现代控制策略和智能控制策略能更好地弥补传统控制策略的不足，更好地适应复杂多变的磨矿分级系统。譬如为应用现代控制策略以预测模型、反馈校正等可精确补偿控制过程中的不足，孙志民等人[56] 研究了一种基于高斯搜索的改进粒子群算法，并将该算法与 LS-SVM 相融合建立非线性预测控制器，仿真结果表明对磨矿控制回路有较好的控制效果，且控制器有很快的响应速度和较高的鲁棒性。智能控制策略作为当今主流的磨矿分级控制策略，能够精确解决控制过程中的问题点，且对于节能降耗、提高分级效率有较好的战略及实际意义。

目前智能控制策略可细分为传统控制、现代控制、模糊控制、专家控制、神经网络控制五个方向， DingJ 等人 [50] 利用线性模型和非线性补偿的方法对精矿粒度建立了预测模型，并通过概率密度来估计和选择最优的参数，但其模型泛化性较差且对于多因素干扰较难适应。Chen X S 等人[51] 针对磨矿粒度和球磨机给矿量，利用球磨机磨矿机理和现场专家的操作经验，建立起了专家知识库来对磨矿过程进行监督。通过磨矿生产过程来对泵池补加水量、泵池液位和磨矿浓度这几个控制回路当中的设定值进行调整，使粒度保持在设定值附近，提高磨机生产能力，进料吨位增加了 10% 。在模糊控制实际应用中，模糊 -PID是最为常用的控制方法，郑州某选厂在改进控制系统过程中，采用一种模糊控制与 PID 相结合的控制系统，应用表明该系统通过对给矿量的优化，确定了最优给矿量，PID 控制保证其供料的稳定，确保了磨矿分级系统控制的高效与稳定 [57]。关于神经网络对磨矿分级的控制主要体现在对磨机的软测量上，基于BP 神经网络的果蝇优化算法，在对磨机磨矿粒度软测量上可获得较为准确的预测数据且收敛速度快，具有较好的算法鲁棒性和收敛性 [58]。灰熵关联分析法和径向基函数神经网络以及最小二乘算法也都可应用于对磨机的软测量上，仿真测试结果表明这几类方法都对磨机软测量具有不错的应用效果 [59～60]。各磨矿控制策略优缺点见表 3AA

3.3 浮选自动化控制

浮选自动化控制主要是依赖于检测仪器仪表再结合上 PLC、PID 算法等，以实现对浮选液位、浮选加药、浮选充气等的控制。

3.3.1 浮选加药控制

加药过程作为对浮选一项重要干预，药剂制度及用量直接关乎着浮选的选别效果。传统加药过程通过阀门控制药管直接导入到浮选槽中，具有较大的误差性和不稳定性，随着电磁流量阀的引入再结合上 PLC，现已成为了一种主流的浮选自动加药控制策略 [62～63]。Cubillos F A 等人 [61] 基于人工神经网络建立了浮选加药模型，选取浮选过程参数如矿浆流量、矿浆浓度、矿浆灰分等变量视为该模型的输入变量，以精矿品位作为监督目标，把加药量作为该神经网络的输出，并基于该模型做了仿真验证实验，引入了当时最为先进的非核子测量方法，核心结构包括：信号检测模块、信号传输模块、程序控制模块、末端执行模块以及其他辅助模块。其中，在矿物浮选时进行自动加药的末端执行件是隔膜泵；控制器硬件和工业控制系统通过光导纤维进行数据通讯；在矿物浮选时先后进行分段式自动加药，人工结合现场指标参与调控，属于早期加药控制系统。试验结果表明该模型可以有效地用于浮选加药过程的辨识和优化控制。

在黄陵一号选煤厂智能建设中，依靠操作人员结合现场浮选现象设置加药比例、PLC 与电磁阀相结合实现药量大小的控制 [63]。同样在金川选厂与多宝山铜（钼）矿中应用表明，PLC 与电磁阀的结合应用对选矿厂浮选流程实现定点、定时、定量加药有着重要的指导意义，且误差得到较好控制 [65～66]。Zhang 等人[67]研究了基于浮选泡沫图像和变压器算法，建立了尾矿品位软测量模型，实现了对产品质量的实时监测。基于ELM 算法建立的浮选加药模型可自动更新药剂系统并智能分配控制器。Barsasskoye Tovarischestvo 公司 [68] 研发的适用于煤泥浮选的SAC 或SAR - 自动调节系统，应用证明可对浮选自动加药过程进行较好的补充，还实现了对煤泥、煤泥中固体物质和废药剂量的自动计量功能，从而能够评价系统的整体性能。容积泵式与称重数控式虽为另外两种加药控制的方式，但应用较少，且容积泵式较依赖于高差[69]。

浮选自动加药控制较受限于加药阀的选型，浮选药剂通常具有一定的腐蚀性且对于一些特定浮选工艺如加温浮选又对浮选的加药阀提出了新的挑战，因此寻求耐温、耐腐、灵敏度高的控制阀传感器对该领域发展具有重大意义。

3.3.2 浮选液位控制

浮选槽的液位控制是一项非常复杂的任务，因为过程变量之间存在高度的相互作用。在浮选回路中任意一点执行的控制动作往往会传递到上游和下游单元，且现场实际过程浮选作业基本为联选作业，并非实验室单槽浮选，因此对于连通器控制难度也加大。

液位控制已成为当前工业中的一般过程控制，同时亦是现代工程中的一个重要研究领域。液位控制系统以液位为受控参数，运用适当的控制措施和调整来保证达到设定的需要 [70]。浮选液位控制技术主要原理是将液位检测传感器的检测值与液位设定值进行对比，并将液位差值输入浮选液位控制器（目前以PID 算法为主），经过液位控制器的运算输出调节信号，并将其转换成调节阀门开度的信号，通过控制阀门开度控制尾矿排量，实现对浮选液位的有效调节 [71]。

其主要分类方式是根据液位检测的仪器仪表不同来进行划分。尹丰丰等人[72] 研究了一种基于 BP 网络的 PID 算法自动液位控制系统，由激光测距仪及气动装置、控制柜构成，已应用于在国内大型铅锌硫矿。王泽坤等人[73] 研究应用于生产的 GF-8 浮选机，其根据 Intouch 和 PID 控制算法实现液位自动控制，满足高效化、自动化选矿需求，提高了浮选指标。

P. K€aampj€aarvi 等人 [74] 研究了四种控制策略对于六连浮选槽液位控制的影响，结合前馈控制器、解耦控制器、类似于 Floatstar 的多变量控制器、新型多变量控制器四种控制策略试验研究表明，经典的带前馈控制器的单输入单输出策略甚至不能接近多输入多输出控制器的性能。这是由于控制回路之间的高度相互作用，这是单输入单输出系统无法考虑的，不同多输入多输出系统之间的差异较小。所有控制器对浆料进料扰动和设定点变化均具有鲁棒性。解耦控制器具有最佳的 IAE 和 IDE 指标。然而，解耦控制器对模型不确定性敏感，会导致解耦控制的性能降低。

Paulina Quintanilla 等人 [75] 研究了一种浮选的蠕动泵液位控制系统，SIMC（Simple Internal Model Control） 调优规则设计了比例 - 积分 - 导数控制器，采用经典反馈控制策略以及在线反馈- 前馈控制策略，用实验数据验证了调谐参数。结果表明，考虑前馈策略可以更好地考虑过程扰动，使液位控制性能显著提高。

3.3.3 浮选充气量控制

充气量是影响浮选效果的重要因素之一，合理调控充气量是提高浮选机的处理能力和选别指标的技术关键。传统浮选过程充气多由人工手动调节，精度较差且劳动强度大。浮选自动充气控制的引入可有效解决这一系列问题，对于云南某选厂铜、锌混合粗选作业浮选机充气量的自动控制，采用一种基于德尔塔巴流量计新型气体流量控制回路和基于模糊控制算法的空气量控制策略，克服了空气流量具有非线性、时变性强、大滞后的难题，控制精度高、响应快、稳定性好。

4. 选矿智能机器人技术及应用

为解决传统选矿厂工人单一化操作、工作强度大、巡检量大，且工作环境烟尘大、噪音大、药剂气味刺鼻等系列问题，选矿智能机器人的引入是一个不错的解决方案。如今选矿机器人主要围绕“巡迹”和“识别处理”方面进行深入研究。矿冶科技集团 [78～79] 开发的一款摇床巡检机器人已在选矿上取得不错的应用效果，该型号机器人是一款基于VSLAM导航技术和图像处理技术开发而成，可实现定点巡检并对摇床矿带宽度、边界和颜色特征的数字化识别解析。云南华联锌铟股份有限公司新田车间工业应用表明，该机器人器人通过计算机视觉方式识别矿带和接取合格精矿的能力水平能够达到生产要求，但在一致性方面稍逊于人工，提高了摇床的智能化水平和生产效率，减少了人工成本，有利于重选装备的技术水平进步。

5. 结论与展望

我国选矿自动化仍有很长的路要走，但还是取得了长足的进步，自动化选矿在选厂生产效率提高、降低成本、节能降耗、稳定生产指标等方面起到了显著作用，选矿厂部分综合自动化到全流程自动化亦是必然。未应加强以下几方面的研究：

（1）开发更智能的矿石检测系统，加深矿石粒度检测过程中对堆叠状态下矿石颗粒进行粒度检测的研究；（2）浮选过程控制实现智能化是时代发展的必然趋势；（3）加深泡沫特征识别分析及泡沫图像动态特征分析，目前对于泡沫特征只停留在泡沫表面的图像识别，实际上浮选过程中譬如泡沫层厚度、泡沫移动速度、泡沫稳定度都对浮选指标有着重要影响；（4）伴随 5G 通信的深入，基于 5G 的新型数据库搭建，同时对于泡沫图像识别系统进行基于深度神经系统开发研究；（5）自动化控制的发展离不开新型仪器仪表的支持，矿用特殊高精度仪器仪表开发有待发展；（6）目前液位控制多集中在对单纯液位控制，实际选矿过程中这是远远不够的，需要的是根据选矿指标合理调控液位，指导干预浮选指标；（7）智能机器人的开发是未来发展趋势，代替人力进行简单判别及重复性操作；（8）磁选自动化方面研究较少，后续可成为研究方向，诸如磁场强度、脉冲等的控制系统等。

参考文献：

[1] 韩 龙 . 选 矿 过 程 控制 的 发 展、 现 状 和 前 景 展 望 [J]. 有 色 金属 ，2000，52（4）：123-126.

[2] 陈军， 卫亚儒， 王宇斌. 矿业新形势下选矿自动化技术应用及建议[J]. 中国矿山工程，2018，47（3）：66-69.

[3] 丁长兴， 韩龙. 实现选矿过程控制是选矿工业发展的必由之路[J]. 国外金属矿选矿，1999（9）：29-33.

[4] 聂光华， 林和荣.选矿厂过程控制的现状及发展前景[J]. 矿产综合利用，2007（5）：28-31.

[5] 王丰雨， 张覃， 黄宋魏. 我国选矿自动化评述[J]. 国外金属矿选矿，2006（8）：18-21+17.

[6] 韩丽娟. 选矿自动化技术的应用及发展[J]. 科技与企业，2012（14）：337+339.

[7] 徐宁， 周俊武， 王清. 关于选矿过程智能化控制技术的探讨[J]. 铜业工程，2011（01）：54-60.

[8] 冯小雨. 矿石粒度图像的研究与分析[D]. 郑州： 郑州大学，2020.

[9]Matthew J. Thurley， Automated online measurement of limestone particle sizedistributions using 3D range data[J]. Journal of Process Control， 2011，21（2）：254-262.

[10]Matthew J. Thurley， Automated online measurement of particle sizedistribution using 3D range data， IFAC Proceedings Volumes[J]， 2009，42（23）：134-139.

[11] 黄习敏. 基于图像识别的在线粒度检测方法研究与检测系统设计[D].赣州： 江西理工大学，2019.

[12] 危发文. 金属露天矿区传送带破碎矿石粒度检测方法研究及应用[D].西安： 西安建筑科技大学，2022.

[13] Liancheng M A， Zhang Y， Song G， et al. Ore granularity detection andanalysis system based on image processing[C]// 2019 Chinese Control And DecisionConference （CCDC）. 2019.

[14] 第旺平， 吴志虎.智能光电选矿预选抛废技术研究及应用[J]. 有色金属（ 选矿部分），2021（1）：117-121.

[15] 马崇振. 光电色选机在石英砂选矿中的工艺研究[J]. 湖南有色金属，2021，37（05）：12-14+48.

[16] 叶鑫， 叶芩沁. 色选机选矿在萤石矿的应用[J]. 内燃机与配件，2018（08）：237-238.

[17] 张建强， 赵德志.云南某钨矿光电预先抛废选矿工业试验研究[J]. 云南冶金，2022，51（04）：60-66.

[18]J.F. Reddick， A.H. Hesketh， S.H. Morar， D.J. Bradshaw， An evaluation offactors affecting the robustness of colour measurement and its potential topredict thegrade of flotation concentrate， Minerals Engineering， Volume[J]，2009，22（01）：64-69

[19] 余华富. 浮选机泡沫动态特征信息提取及泡沫层厚度控制模型研究[D].江西：江西理工大学，2022.

[20] 邱冠周， 伍喜庆，王毓华， 冯其明， 胡岳华. 近年浮选进展[J]. 金属矿山，2006（01）：41-52.

[21]Liu J， Gao Q， Tang Z， et al. Online monitoring of flotation froth bubblesizedistributions via multiscale deblurring and multistage jumping feature-fused fullconvolutional networks[J]. IEEE Transactions on Instrumentation and Measurement，2020， PP（99）：1-1.

[22]Xiao W， Tang Z， Liu J. Spatial-temporal joint zinc flotation froth imagedenoising based on bubble dynamic features[J]. International Journal ofEmbeddedSystems， 2022（2）：15.

[23]Chris Aldrich， Erica Avelar， Xiu Liu， Recent advances in flotation frothimage analysis，Minerals Engineering[J]，Volume 188， 2022

[24] 桂卫华， 阳春华，徐德刚， 卢明， 谢永芳. 基于机器视觉的矿物浮选过程监控技术研究进展[J]. 自动化学报，2013，39（11）：1879-1888.

[25] 卢明， 桂卫华， 彭涛等. 浮选泡沫图像等效尺寸分布特征提取[J]. 控制与决策，2015，30（01）：131-136.

[26] 刘金平. 泡沫图像统计建模及其在矿物浮选过程监控中的应用[D]. 长沙： 中南大学，2013.

[27] 牟学民， 刘金平，桂卫华等. 基于SIFT 特征配准的浮选泡沫移动速度提取与分析[J]. 信息与控制，2011，40（04）：525-531.

[28] 牟学民. 矿物浮选泡沫图像序列动态特征提取及工业应用[D]. 长沙： 中南大学，2012.

[29]Xu D， Zhao P， Yang C， et al.A novel minkowski-distance-basedconsensus clustering algorithm[J].International Journal of Automation andComputing，2017，14（01）：33-44.

[30]He M， Yang C， Wang X， et al. Nonparametric density estimation of frothcolour texture distribution for monitoring sulphur flotation process[J]. MineralsEngineering， 2013， 53（Complete）：203-212.

[31]Marais C. The relationship between froth image features and platinumflotation grade[J]. 2011.

[32] 张荣倩. 基于泡沫图像处理的钼矿浮选过程质量评价方法研究[D]. 西安： 西安建筑科技大学，2021.

[33]Fu Y， Aldrich C. Flotation froth image recognition with convolutional neuralnetworks[J]. Minerals Engineering， 2019， 132：183-190.

[34] 冒守靖. 矿浆液位与浓度智能监测与控制系统研究[D]. 长沙： 长沙矿山研究院，2022.

[35] 王毅民. 化探样品分析中的X 荧光光谱法[J]. 岩矿测试，1987（01）：64-67.

[36] 丁元明， 张学东，张宏勋， 王雪.X 射线过程分析仪器及其应用[J]. 分析测试仪器通讯，1997（02）：16-20.

[37]Haavisto O， HyTyniemi H. Reflectance spectroscopy in the analysis ofmineral flotation slurries[J]. Journal of Process Control， 2011， 21（2）：246-253.

[38] 朱思露. 铁精矿铁品位检测装置研究[D]. 哈尔滨： 哈尔滨理工大学，2021.

[39] 张宝金， 刘伟新，任海龙等. 基于Mobile Net-SSD 算法的铁矿石品位识别[J]. 采矿技术，2022，22（03）：183-185.

[40] 黄万抚， 胡运祯，黄李金鸿， 曾祥荣， 张天锡. 超声技术在矿物加工中的应用进展[J]. 应用化工，2020，49（12）：3172-3177+3184.

[41] 陈明. 面向案例教学的选矿全流程虚拟仪表和执行机构仿真平台的设计与开发[D]. 沈阳： 东北大学，2018.

[42] 高强， 张建华. 破碎理论及破碎机的研究现状与展望[J]. 机械设计，2009，26（10）：72-75.

[43] 肖庆飞， 罗春梅，石贵明， 段希祥. 多碎少磨的理论依据及应用实践[J].矿山机械，2009，37（21）：51-53.

[44] 汪昭乾， 汪兴亮，尹斌， 陈之功， 王福震. 破碎机控制器的研制及应用[J].金属矿山，2001（11）：33-36.

[45] 周仪清. 金安矿业选矿厂碎矿车间自动化控制系统的应用[J]. 中国金属通报，2022（03）：61-63.

[46] 朱黎阳， 王国文，樊俊杰. 金川选矿厂碎矿自动控制系统技术改造及应用[J]. 矿山机械，2021，49（10）：31-34.

[47]David A. Méndez， Edelmira D. Gálvez， Luis A. Cisternas， Modelingof grinding and classification circuits as applied to the design of flotationprocesses，Computers & Chemical Engineering[J]， 2009，33（01）：97-111.

[48]Yao J. Effects of mechanical grinding on pozzolanic activity and hydrationproperties of quartz[J]. Advanced Powder Technology： The internation Journal of theSociety of Powder Technology， Japan， 2020， 31（11）.

[49]Koeninger K E. Dynamics of fine grinding in a fluidized bed opposed jetmill[J]. Powder Technology： An International Journal on the Science and Technologyof Wet and Dry Particulate Systems， 2018， 327.

[50]Ding J， Chai T， Wang H. Offline Modeling for Product Quality Prediction ofMineral Processing Using Modeling Error PDF Shaping and EntropyMinimization[J].IEEE Transactions on Neural Networks， 2011， 22（3）：408-419.

[51]Chen X S， Li Q， Fei S M. Supervisory expert control for ball mill grindingcircuits[J]. Expert Systems with Applications， 2008， 34（3）：1877-1885.

[52] 祁中培. 基于模糊神经网络的磨矿分级控制与优化研究[D]. 赣州： 江西理工大学，2022.

[53] 张玉婷. 磨矿综合自动化的研究与设计[D]. 唐山： 华北理工大学，2020

[54] 石立， 张国旺， 肖骁. 金属矿山选矿厂磨矿分级自动控制研究现状[J].有色金属（ 选矿部分），2013（S1）：44-49.

[55] 甘泽， 赵礼兵， 赵留成， 刘立伟. 磨矿分级系统自动控制策略研究现状[J].金属矿山，2016（09）：170-173.

[56] 孙志民， 赵珺， 王伟. 基于高斯搜索的改进粒子群优化在磨矿预测控制中应用[J]. 大连： 大连理工大学学报，2015，55（01）：89-96.

[57] 罗会清. 基于模糊-PID 的磨矿分级给矿控制系统[J]. 矿山机械，2014，42（07）：82-85.

[58] 杨刚， 王建民. 基于改进果蝇优化BP 神经网络的磨矿粒度软测量[J].仪表技术与传感器，2018（08）：122-126.

[59] 韩良云， 陆金桂.神经网络球磨机出力软测量模型的建立[J]. 动力工程学报，2015，35（11）：901-905+933.

[60] 张云刚， 王志春.基于RBF 神经网络的磨矿粒度软测量模型及实现[J].计算机测量与控制，2017，25（01）：38-39+43.

[61]Cubillos F A， Lima E L. Identification and optimizing control of a rougherflotation circuit using an adaptable hybrid-neural model[J]. Minerals Engineering，1997， 10（7）：707-721.

[62] 范富博. 浮选加药系统智能控制研究与应用[D]. 太原： 太原理工大学，2022.

[63] 吉晓潇. 选矿厂浮选过程自动加药控制系统的研究[D]. 西安： 西安建筑科技大学，2016.

[64] 何晨. 黄陵一号煤矿选煤厂智能化建设实践与思考[J]. 煤炭加工与综合利用，2022（07）：14-16+20.

[65] 王建绒， 江敏. 金川选矿厂智慧生产的探索实践[J]. 世界有色金属，2022（12）：49-52.

[66] 严凡涛， 王志民，杨树亮. 新型自动加药系统的设计与应用[J]. 矿冶，2016，25（03）：61-64.

[67]Zhang D， Gao X. A digital twin dosing system for iron reverse flotation[J].Journal of Manufacturing Systems， 2022（63-）：63.

[68]Myshlyaev L P， Lyakhovets M V ， Makarov G V， et al. Flotationreagent dosing control system at the coil preparation plant LLC JV “BarsasskoyeTovarischestvo”[J]. IOP Conference Series： Materials Science and Engineering， 2020，865（1）：012012 （7pp）.

[69] 尉佳怡， 黄宋魏，肖玮， 朱佳钦， 汪洋. 浮选过程自动加药技术研究进展[J]. 化工自动化及仪表，2022，49（02）：127-132+161.

[70] 冒守靖. 矿浆液位与浓度智能监测与控制系统研究[D]. 长沙： 长沙矿山研究院，2022.

[71] 余华富. 浮选机泡沫动态特征信息提取及泡沫层厚度控制模型研究[D].赣州： 江西理工大学，2022.

[72] 尹丰丰， 王旭， 严凡涛. 浮选液位自动控制系统优化设计与应用[J]. 有色金属工程，2020，10（12）：75-81.

[73] 王泽坤. 搅拌式浮选自动液位控制的设计及应用[J]. 世界有色金属，2019（16）：15-16.

[74]K？Mpj？Rvi P， J？Ms？-Jounela S L. Level control strategies for flotation cells[J].Minerals Engineering， 2003， 16（11）：1061-1068.

[75]Paulina Quintanilla， Daniel Navia， Felipe Moreno， et al. A methodology toimplement a closed-loop feedback-feedforward level control in a laboratory-scaleflotation bank using peristaltic pumps[J]， MethodsX，Volume 10，2023，102081