收益：
- 能够在破碎-研磨、浮选和浸出等富集步骤中使用人工智能分析过程数据
- 能够在人工智能的支持下解释回收率、品位-产量曲线和试剂消耗之间的平衡
- 能够通过冶金测试、质量平衡和工艺工程师的判断来验证人工智能推荐的工艺设置
矿山中的矿石经过加工厂成为可销售的产品：破碎、研磨（将矿石变成粉末）、分级，然后选矿（回收金属的实际过程；例如浮选、浸出、重力和磁选）。该设施是矿山中消耗能源最多的部分，直接决定效率（回收率：矿石中有多少金属进入产品）。效率的小幅提高，年收入就会有很大的变化；微小的磨削尺寸误差要么会泄漏金属，要么会浪费能源。加工厂每秒生成数据：进料等级、尺寸分布、试剂用量、纸浆密度、pH 值、温度。人工智能在分析、关联和报告这些数据方面非常强大；但工艺调整决策是通过冶金测试、质量平衡和工艺工程师的判断来做出的。
浓缩的基本步骤
- 破碎-研磨（粉碎）：将矿石减小到可以回收金属的粒度。大部分的精力都花在这里了；目标尺寸取决于释放程度（金属颗粒与脉石矿物的分离）。
- 浮选：在水-矿物-空气环境中使用试剂从泡沫中分离所需的矿物。 pH 值、试剂剂量和空气流速至关重要。
- 浸出：用化学溶液（例如氰化物、酸）溶解金属并回收。试剂消耗、时间和颗粒大小是决定性的。
- 重力/磁力分离：通过密度或磁性的差异进行分离。
每个步骤有两个主要标准：产量（回收率）和精矿品位（品位）。通常两者处于反平衡状态：如果你想要更高品位的精矿，产量往往会下降。人工智能可以解释这种品位与产量的平衡，并从您的数据中显示出来；但实际操作值必须通过冶金测试和质量平衡来验证。
一步一步：人工智能处理过程数据
- 建立质量平衡。输入=输出（浓缩+废物）规则；如果金属平衡不成立，则存在数据错误。 AI：质量平衡计算框架。
- 找到关键关系。研磨粒度↔产量，pH值↔浮选效率，试剂↔等级。 AI：相关性和趋势分析。
- 捕捉异常/变化。效率下降、试剂消耗增加的时期。 AI：时间序列异常标记。
- 他尝试了剧本。诸如“如果我们将 pH 值增加 0.3，根据模型会发生什么？”之类的假设AI：构建场景，但现实是通过测试来验证的。
- 通过金相试验确认。关键设置更改通过实验室/试点测试进行测试。
- 应用并监控。工艺工程师决定； AI 起草后续报告。
提示：在过程数据中看到“关系”并不能保证更改它会得到相同的结果。相关性不是因果关系；在更改设置之前通过冶金测试或对照试验进行验证。
质量平衡：沉默的昆虫猎人
质量平衡是工厂最强大的一致性控制。进入的金属量必须等于出来的精矿和废物中金属的总和；如果它们不相等，则测量、样本或计算不正确。人工智能在根据分散的流量数据构建质量平衡表和标记不平衡方面非常有用。但找到不平衡的原因（采样点、流量计、品位分析）需要现场和实验室确认。
“干”吨位和金属的质量平衡必须分别保持：当在设施中保持吨位时，金属平衡可能会出现赤字，因为品位分析中存在错误。经验丰富的工艺工程师在相信效率数据之前总是会问“平衡是否结束”；因为根据非期末余额计算的效率是没有意义的，不管它看起来有多好。在实际中，测量不可避免地存在一定的误差；因此，不是将余额精确为零，而是进行数据协调，根据测量的可靠性给出最一致的值。人工智能有助于显示这种调节的算术以及哪种测量比其他测量更值得怀疑；然而，对哪个测量点应该给予多少信心是由熟悉该设施的工程师决定的。简而言之，质量平衡是揭示过程数据是否“撒谎”的第一个也是最便宜的测试。在每次产量和品位分析之前必须通过此测试。
三个迷你箱子
案例 1 — 研磨粒度与产量的关系。在铜矿设施中，过去两个月浮选效率从 88% 下降至 84%。团队拥有AI分析流程数据；他们发现效率的下降与研磨尺寸 (P80) 从 150 µm 增加到 190 µm 的时期一致。磨机衬板磨损，研磨变得粗糙。产量随着衬管更换和尺寸缩小而恢复。人工智能显示了这种关系；经现场检查（底漆）确认了原因。
案例 2 — 试剂浪费。设施向人工智能提供试剂剂量和产量数据。分析表明，超过一定剂量时，效率不会增加，只会增加成本（饱和）。研究小组将剂量降低到这个阈值；冶金测试证实产量相同，且试剂成本下降 11%。 AI趋势发现；测试证实了这一决定。
情况 3 — 质量平衡不成立（警告）。一名实习生得到AI计算出他的日常工作效率为94%，很高兴。然而，当AI中建立质量平衡时，可以看到进入的金属超过离开的金属，平衡出现7%的赤字；因此，效率数字并不可靠。问题在于废物样品是从不具有代表性的点采集的。教训：如果不保持质量平衡，就不会报告产量等数字；尽管人工智能很快就建立了平衡，但它找到了原因。
可复制的提示模板
质量平衡控制“角色：您是助理选矿工程师。以下是进料、精矿和尾矿流的吨位和品位数据。建立金属质量平衡（流入物 = 精矿 + 尾矿）并计算不平衡百分比。如果平衡赤字高于 [阈值]%，请列出可能可疑的测量/采样点。对单位假设进行评论。数据：[粘贴]。”
品位-产量关系“下面是精矿品位和产量测量值。编写一个代码框架，将品位回收率可视化并解释趋势。标记哪个操作点显示浪费/损失；提出准确的设置，给出要通过冶金测试验证的假设。数据：[粘贴]。”
过程异常监测“下面是浮选回路的时间序列（pH、试剂用量、产量、进料等级）。标记产量偏离正常的周期，并显示每个变量随哪个变量发生漂移。不要说出确切原因；列出可能的原因和验证步骤。数据：[粘贴]。”
实验矩阵设计“我想通过冶金测试来测试研磨尺寸和试剂用量对产量的影响。建议我一个实验矩阵（因子水平表）并写下我在每种条件下应该测量的内容。不要给出真正的最佳值；描述如何设置测试。”
弱提示/强提示
弱提示：“如何提高产量？pH 值应该是多少？”
强烈提示：“角色：您是一名冶金/工艺助理。分析下面浮选数据中产量与 pH 值、试剂剂量和研磨粒度之间的趋势。标出哪个变量随产量下降而变化。不要建议精确的 pH 值；而是建议 2-3 个假设和一个要通过冶金测试进行测试的实验矩阵。数据：[粘贴]。”
对照表：流程基准和 AI 角色
标准
含义
人工智能角色
验证
产量（回收率）
赚取金属率
关系/异常分析
质量平衡+测试
精矿品位
产品质量
趋势
分析+测试
磨削P80
自由化维度
与产量的关系
尺寸测量
试剂用量
化学品消耗
饱和度分析
冶金测试
质量平衡
数据一致性
余额账户
现场/样品确认
常见错误
- 报告产量而不保持质量平衡。平衡赤字使效率变得不可靠。
- 将相关性误认为因果关系。仅仅因为你发现一段关系有风险就改变设置；通过测试确认。
- 依赖于整体“最佳pH”值。最佳方案取决于矿石和试剂。
- 跳过样本代表性。从错误点取样会破坏整个计算。
- 忽略能源和试剂成本。效率的提高可能并不能证明成本的增加是合理的。
注意：进程设置是相互依赖的；改变一个可能会扰乱另一个。如果人工智能指出的改进不会恶化其他指标（等级、成本、环境），并且通过测试得到验证，则可以实现该改进。
总之
选矿是将矿石转化为可销售产品的能源和效率密集型部分；产量和精矿品位一般呈反比关系。人工智能在质量平衡建立、品位产量分析、异常监测和实验矩阵设计方面具有强大的功能。但工艺调整决策是通过冶金测试和质量平衡来验证的，而不是通过相关性来验证。如果不保持质量平衡并确保样品代表性，则不会报告产量等数字。
应用任务
使用“质量平衡检查”模板和您的样品（或您自己的）流量数据来查明天平的开放程度并列出任何可疑的测量点。然后，用“品位-产量关系”模板解释您的工作点，并标记显示浪费/损失的点。最后，从“实验矩阵设计”模板中提取冶金测试计划作为改进假设。
清单
- [ ] 在报告数据之前，我建立了质量平衡并检查了赤字。
- [ ] 我不认为我看到的关系是因果关系，我打算通过测试来确认它们。
- [ ]我质疑样本点的代表性。
- [ ] 我将工艺设置的决定留给了冶金测试和工艺工程师。
- [ ] 我还评估了修复的成本/环境影响。
- [ ] 我考虑了矿石特有的“最佳”值，并不相信一般值。