Dans le traitement traditionnel par séparation magnétique des magnétites à faible teneur, les minerais à gros grains entraînent souvent une grande quantité de stériles, ce qui conduit à une mauvaise efficacité de séparation. Une grande partie des déchets rocheux inclus est acheminée vers l'étape de broyage, très énergivore, entraînant un gaspillage considérable de ressources. Aujourd'hui, ce problème qui affecte depuis longtemps le domaine du traitement des minerais est en passe d'être résolu par un nouveau système intelligent de reconnaissance par capteurs. Cette solution, en combinant la décomposition modale empirique (EMD) et les réseaux de neurones convolutifs (CNN), réalise un débruitage précis et une classification intelligente des signaux d'induction magnétique, permettant une préconcentration efficace des magnétites à faible teneur et à gros grains, ouvrant ainsi une nouvelle voie pour la transition intelligente des procédés de traitement des minerais traditionnels.
Le problème de la « surdité au signal » dans la séparation des minerais à gros grains
La préconcentration de la magnétite est la première étape dans une usine de traitement pour « rejeter les stériles et augmenter la teneur », et son efficacité détermine directement la quantité d'alimentation et la consommation énergétique globale des opérations ultérieures de broyage et de flottation. Cependant, dans les minerais de magnétite à faible teneur, la teneur en minéraux de gangue est élevée et les particules sont grossières. La différence de signal d'induction magnétique entre le minerai et les stériles est extrêmement faible et facilement affectée par la superposition de la dérive de la ligne de base du capteur, des interférences électromagnétiques et du bruit impulsionnel, ce qui entraîne une réduction significative du rapport signal/bruit et la submersion des informations caractéristiques utiles dans un bruit redondant.
De plus, lorsque les minerais à gros grains traversent la zone de détection du capteur, leur attitude de mouvement est instable, ce qui complexifie la modulation du signal de sortie. Les équipements traditionnels, qui reposent sur des seuils fixes pour la discrimination, peinent à capturer les différences dynamiques entre les particules de minerai individuelles, ce qui se traduit par une faible précision de classification et une grande variabilité, inadaptées aux exigences de précision du procédé de préconcentration. Face au scénario de rejet de gros blocs stériles, les solutions de tri traditionnelles ne sont ni intelligentes ni efficaces, limitant directement le niveau d'utilisation intégrée des ressources de minerai de fer à faible teneur.
Une percée complète, de la reconstruction du signal à la classification intelligente de bout en bout
Pour résoudre les problèmes susmentionnés, une équipe de recherche composée de Ren Yankui et d'autres chercheurs de plusieurs universités, dont l'Université Technique de Jiuquan, l'Université des Sciences et Technologies de Pékin, l'Université de Technologie du Hubei, l'Université des Sciences et Technologies du Jiangxi et l'Université de l'Aviation de Nanchang, a publié un article de recherche dans la revue internationale de premier plan en minéralogie, Minerals. Cet article propose systématiquement une méthode de tri par capteur pour la magnétite combinant l'EMD et les CNN, couvrant toute la chaîne technique, du prétraitement à la prédiction de classification. Ses innovations principales se manifestent à trois niveaux.
Premièrement, au stade du prétraitement du signal, un débruitage adaptatif multidimensionnel est réalisé. Le signal d'induction magnétique brut collecté subit d'abord une standardisation, ce qui supprime efficacement la dérive de la ligne de base du capteur et établit une base de données stable pour le traitement ultérieur. Ensuite, la méthode de décomposition modale empirique (EMD) est introduite, permettant de décomposer de manière adaptative le signal bruité non stationnaire en une série de fonctions de mode intrinsèque (IMF) sans nécessiter de fonctions de base prédéfinies. L'équipe de recherche effectue une évaluation quantitative complète basée sur l'exposant d'échelle et la valeur de kurtosis des IMF, élimine sélectivement les composantes dominées par le bruit haute fréquence, conserve les composantes efficaces contenant les informations sur le minerai et reconstruit le signal, améliorant ainsi significativement le rapport signal/bruit du signal reconstruit.
Deuxièmement, dans la phase d'extraction des caractéristiques et de conversion des signaux biologiques, une représentation adaptée aux CNN est construite. Le signal reconstruit après débruitage par EMD subit un traitement en valeur absolue pour conserver l'information d'amplitude, puis, par normalisation et transformation dimensionnelle, la séquence unidimensionnelle du capteur est convertie en un format matriciel bidimensionnel, transposant les faibles différences entre minerai et roche du signal original en motifs graphiques facilement capturables par le CNN. Cette méthode contourne efficacement les limites de la sélection manuelle traditionnelle des caractéristiques, réalisant une traduction intelligente du signal brut vers une entrée compréhensible par l'apprentissage profond.
Enfin, au niveau de la prédiction de classification, une reconnaissance automatique de bout en bout par CNN est réalisée. L'équipe de recherche a conçu et optimisé un réseau de neurones convolutifs dédié à la tâche de préconcentration. Les échantillons de caractéristiques prétraités sont automatiquement introduits dans le CNN pour une extraction profonde des caractéristiques et une abstraction hiérarchique, permettant de séparer les différences essentielles entre les minéraux utiles et les stériles. Les résultats expérimentaux montrent que, grâce au traitement de standardisation et au débruitage EMD, la capacité du CNN à identifier les différents grades de magnétite s'améliore régulièrement, permettant de contrôler de manière stable la précision à travers les différents grades de minerai, offrant ainsi une nouvelle solution intelligente pour la préconcentration efficace des minerais à faible teneur et à gros grains.
Intervenir sur l'unité de tri pour réduire les coûts et améliorer l'efficacité de l'ensemble du flux de traitement des minerais
Cette solution de tri par capteur, combinant plusieurs stratégies, présente une valeur significative pour la généralisation technique et de vastes perspectives d'application. En ce qui concerne l'utilisation efficace des ressources minérales à faible teneur, une grande quantité de magnétite à faible teneur et de stériles ferrugineux en Chine a longtemps été mise de côté en raison de la difficulté de rejet des stériles par les procédés traditionnels et du coût élevé du retraitement. Ce système peut être déployé en aval de l'étape de concassage et en amont de l'étape de broyage, interceptant environ 30 à 50 % du rendement en stériles à un coût énergétique extrêmement faible, réduisant considérablement la quantité de minerai entrant dans le broyeur, diminuant la consommation d'énergie et d'acier du broyage ainsi que le volume de résidus miniers, et libérant effectivement la valeur économique exploitable des ressources à faible teneur.
Concernant la construction de mines complexes sans présence humaine, ce système est susceptible d'accélérer la mise en place d'une chaîne opératoire souterraine ou en surface de tri par capteurs - identification en ligne - rejet immédiat des stériles, s'affranchissant fondamentalement de la dépendance à la surveillance humaine, permettant aux usines de traitement de fonctionner de manière fiable et sans personnel dans des environnements difficiles, et fournissant une base technique solide pour la construction de mines intelligentes. De plus, le cadre de fusion EMD et CNN possède une forte capacité de généralisation et peut être rapidement transposé à d'autres scénarios de préconcentration de minerais à faible teneur basés sur les différences de signaux électromagnétiques ou photoélectriques, tels que les minerais de phosphate, de tungstène ou de plomb-zinc. Cela jette les bases pour explorer l'établissement d'un « modèle intelligent de tri par capteurs » unifié et favorise la mise en œuvre itérative de stratégies de tri différenciées « préconcentration à gros grains - broyage fin - enrichissement précis ».
Définir le « gène intelligent » du tri des minerais par capteurs
La valeur fondamentale de cette recherche réside dans l'intégration organique de techniques avancées de traitement du signal avec des modèles d'apprentissage profond dynamiques et adaptatifs, offrant une solution profonde de bout en bout au problème persistant dans le domaine du traitement des minerais : « pollution sévère du signal et goulot d'étranglement de l'ingénierie manuelle des caractéristiques ». L'utilisation conjointe de la décomposition modale empirique (EMD) et des réseaux de neurones convolutifs (CNN) fait passer l'équipement d'une comparaison passive des signaux à une extraction active des caractéristiques pertinentes, conférant au tri par capteurs une intelligence lui permettant de passer de l'« audition » à la « compréhension ».
Lorsque le débruitage du signal passe du filtrage fixe à la décomposition adaptative, et que la décision de classification passe du réglage manuel des paramètres à l'extraction automatique par CNN, le tournant technologique pour le tri par capteurs est désormais atteint. Il ne s'agit pas d'une simple itération d'équipement, mais d'une percée systémique issue de l'intégration profonde de trois domaines : les capteurs, le traitement du signal et l'apprentissage profond. Cela marque une étape clé franchie par la Chine dans le domaine du tri intelligent du minerai de fer à faible teneur, injectant un nouvel élan de fond dans la transformation numérique du secteur minier et son développement vert et efficace.