锂云母的选矿方法及其系统与流程

本申请涉及化工领域，且更为具体地，涉及一种锂云母的选矿方法及其系统。

背景技术：

1、锂是广泛应用于新能源、陶瓷、航天、医学、国防军工等领域的金属元素。目前我国虽然拥有丰富的锂资源储量，但由于盐湖卤水锂资源存在高海拔和镁锂比高的缺点，尚未形成规模化生产。因此，我国锂工业主要依赖伟晶岩型锂矿资源。与此同时，我国拥有世界最大的伴生锂云母矿资源，锂云母是提取锂元素的重要资源之一。因此，提高锂云母资源利用率对于我国锂工业高质量发展具有重要意义。

2、目前，锂云母的选矿主要采用浮选法，而采用的捕收剂则有阴离子脂肪酸类、脂肪酸+胺阴阳离子组合以及阳离子胺类等。然而，单一使用脂肪酸类捕收剂时，锂云母难以上浮，需要先使用活化剂来活化矿物表面。而脂肪酸+胺阴阳离子组合捕收剂则药剂制度较为复杂，需要配合大量抑制剂或分散剂使用，这会造成后续过滤作业困难，生产流程难以畅通。因此，应用最广、指标相对稳定的是胺类捕收剂。然而，胺类捕收剂存在对矿泥适应性差、精矿品位和回收率指标较低等问题。此外，胺类凝固点较高，在配置使用过程中需添加大量的盐酸，挥发性、腐蚀性强，对人体危害较大，存在安全隐患。同时，胺类捕收剂也存在溶解性不好和选择性差、药剂用量大、浮选指标不高等问题。

3、因此，期望一种优化的锂云母的选矿方案。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种锂云母的选矿方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出浆液状态的时序动态变化特征的充分表达，以基于浆液的状态变化情况来精准地进行捕捉剂的添加控制，从而避免造成捕收剂的浪费，以及避免过度使用而影响后续的分离效果，以优化锂云母的选矿效率和效果。

2、根据本申请的一个方面，提供了一种锂云母的选矿方法，其包括：

3、将锂云母原矿经过磨矿、一级脱泥和二级脱泥，得到沉砂和矿泥；

4、将所述沉砂调浆后，加入ph调整剂和捕收剂进行粗选，得到粗选精矿和粗选尾矿；

5、将所述粗选精矿进行精选，得到锂云母精矿；以及

6、对所述粗选尾矿进行扫选，加入所述捕收剂后得到锂云母扫选精矿和尾矿。

7、在上述锂云母的选矿方法中，所述将沉砂调浆后，加入ph调整剂和捕收剂进行粗选，得到粗选精矿和粗选尾矿，包括：获取由摄像头采集的加入捕捉剂后预定时间段的浆液状态监控视频；从所述浆液状态监控视频提取多个浆液状态监控关键帧；从所述多个浆液状态监控关键帧提取光流图像的序列；将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到浆液状态时间流特征图；将所述多个浆液状态监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到浆液状态空间流特征图；融合所述浆液状态时间流特征图和所述浆液状态空间流特征图以得到分类特征图；将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止加入捕捉剂。

8、根据本申请的另一方面，提供了一种锂云母的选矿系统，其包括：

9、信息采集模块，用于获取由摄像头采集的加入捕捉剂后预定时间段的浆液状态监控视频；

10、采样模块，用于从所述浆液状态监控视频提取多个浆液状态监控关键帧；

11、图像提取模块，用于从所述多个浆液状态监控关键帧提取光流图像的序列；

12、第一卷积模块，用于将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到浆液状态时间流特征图；

13、第二卷积模块，用于将所述多个浆液状态监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到浆液状态空间流特征图；

14、融合模块，用于融合所述浆液状态时间流特征图和所述浆液状态空间流特征图以得到分类特征图；

15、分类结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止加入捕捉剂。

16、根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的锂云母的选矿方法。

17、根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的锂云母的选矿方法。

18、与现有技术相比，本申请提供的一种锂云母的选矿方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出浆液状态的时序动态变化特征的充分表达，以基于浆液的状态变化情况来精准地进行捕捉剂的添加控制，从而避免造成捕收剂的浪费，以及避免过度使用而影响后续的分离效果，以优化锂云母的选矿效率和效果。

技术特征：

1.一种锂云母的选矿方法，其特征在于，包括：

2.根据权利要求1所述的锂云母的选矿方法，其特征在于，所述将沉砂调浆后，加入ph调整剂和捕收剂进行粗选，得到粗选精矿和粗选尾矿，包括：

3.根据权利要求2所述的锂云母的选矿方法，其特征在于，将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到浆液状态时间流特征图，包括：使用所述基于三维卷积神经网络模型的时间流特征提取器的各层在层的正向传递中分别对输入数据进行：

4.根据权利要求3所述的锂云母的选矿方法，其特征在于，将所述多个浆液状态监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到浆液状态空间流特征图，包括：使用所述基于三维卷积神经网络模型的空间流特征提取器的各层在层的正向传递中分别对输入数据进行：

5.根据权利要求4所述的锂云母的选矿方法，其特征在于，融合所述浆液状态时间流特征图和所述浆液状态空间流特征图以得到分类特征图，包括：以如下级联公式来融合所述浆液状态时间流特征图和所述浆液状态空间流特征图以得到分类特征图；

6.根据权利要求5所述的锂云母的选矿方法，其特征在于，还包括训练步骤：用于对所述基于三维卷积神经网络模型的时间流特征提取器、所述基于三维卷积神经网络模型的空间流特征提取器和所述分类器进行训练。

7.根据权利要求6所述的锂云母的选矿方法，其特征在于，所述训练步骤，包括：

8.根据权利要求7所述的锂云母的选矿方法，其特征在于，对所述训练分类特征图进行线性变换以得到转换后的训练分类特征图，并对所述转换后的训练分类特征图进行基于特征矩阵的优化以得到优化训练分类特征图，包括：

9.根据权利要求8所述的锂云母的选矿方法，其特征在于，将所述优化训练分类特征图通过所述分类器以得到分类损失函数值，包括：

10.一种锂云母的选矿系统，其特征在于，包括：

技术总结
本申请涉及化工领域，其具体地公开了一种锂云母的选矿方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出浆液状态的时序动态变化特征的充分表达，以基于浆液的状态变化情况来精准地进行捕捉剂的添加控制，从而避免造成捕收剂的浪费，以及避免过度使用而影响后续的分离效果，以优化锂云母的选矿效率和效果。

技术研发人员：黄鸣剑
受保护的技术使用者：宁波春泥新材料有限公司
技术研发日：
技术公布日：2024/2/19