A METHODOLOGICAL FRAMEWORK FOR FROTH-VISION SOFT SENSING IN REVERSE FELDSPAR FLOTATION

Diese Masterarbeit untersucht die froth-image-basierte Pipeline des industriellen Partnersystems zur Vorhersage von Oxidgehalten in der Feldspat-Reversflotation und entwickelt einen strukturierten Entwicklungsweg für ihre Erweiterung hin zu multimodalen, temporalen und physikgeleiteten Modellierungsansätzen. Das Thema ist relevant, da Flotationsanlagen zeitnahe und interpretierbare Prozessinformationen benötigen, während direkte chemische Messungen wie XRF zwar genau, aber nur intermittierend verfügbar sind und den kontinuierlich veränderlichen Schaumzustand nicht vollständig erfassen. Das offene Problem besteht darin, wie ein bestehendes froth-vision-basiertes Soft-Sensing-System bewertet und systematisch über eine statische, deskriptorbasierte Vorhersage hinaus erweitert werden kann, mit Fokus auf der Lücke zwischen der aktuellen neuronalen Pipeline mit ingenieurbasierten Merkmalen und fortgeschritteneren Modellen, die mehrere Schaumansichten, Prozessvariablen, Zeitverhalten und Prozesswissen einbeziehen. Das Problem wird durch eine empirisch-diagnostische Rekonstruktion des Partnersystems und ein literaturbasiertes Design-Synthese-Framework für die zukünftige Modellentwicklung adressiert. Die rekonstruierte Pipeline nutzt mehrere fest installierte Schaumkameras, ingenieurbasierte Bilddeskriptoren, eine zeitstempelbasierte Verknüpfung mit XRF-abgeleiteten Oxidlabels und ein neuronales Multi-Output-Basismodell, das als Referenzpunkt für die Bewertung zukünftiger Modelle dient. Der multimodale Pfad umfasst hybride Repräsentationen aus ingenieurbasierten und tiefen visuellen Merkmalen, Multi-Kamera-Fusion sowie die mögliche Einbindung von Prozessvariablen wie Luftdurchsatz, Reagenzdosierung und Trübehöhe, sofern zum Inferenzzeitpunkt verfügbar. Der temporale Pfad adressiert die Flotationsdynamik durch rekurrente, aufmerksamkeitsbasierte und sequenzbewusste Architekturen, die geordnete Schaumbeobachtungen statt isolierter Deskriptoren nutzen. Der physikgeleitete Pfad wird als spätere Entwicklungsrichtung diskutiert, bei der empirisches Lernen durch flotationsspezifisches Domänenwissen und physikalisch sinnvolle Beziehungen unterstützt wird. Zusammen bilden diese drei Pfade ein phasenweises Framework vom aktuellen deskriptorbasierten Soft Sensor hin zu einer stärker prozessbewussten Froth Intelligence. Die Ergebnisse zeigen, dass das Partnersystem ein nützliches industrielles Basismodell darstellt, mit stärkerer Leistung für die Hauptoxide als für mehrere Nebenoxide; genaue Leistungswerte werden nicht berichtet. Die zentrale Schlussfolgerung ist, dass diese drei Modellfamilien vielversprechende Richtungen sind, ihr Nutzen jedoch von einem Vergleich mit dem aktuellen neuronalen Basismodell unter konsistenten Daten-, Validierungs- und Leistungskriterien abhängt. Die Arbeit liefert daher sowohl eine Bewertung der bestehenden Pipeline als auch eine praktische Modellentwicklungs-Roadmap für eine robustere, prozessbewusstere Oxidgehaltsvorhersage.