光电选矿技术通过X射线、光学相机与智能算法的结合，能够在矿石入磨前实现精准抛废，显著提升入选品位、降低能耗和成本。然而，在实际生产中，精矿品位、回收率、尾矿品位与入选颗粒度这四个核心指标之间存在着天然的矛盾与制约关系——追求高精矿品位往往意味着回收率的牺牲，而提高回收率又可能导致尾矿品位上升；入选颗粒度的宽窄则从根本上影响着前三项指标的实现水平。如何在四者之间找到最优平衡点，是光电选矿工艺设计的核心命题。

一、四维指标的内在矛盾与统一

精矿品位与回收率是衡量分选效果的一对经典矛盾。以某方解石型低品位萤石矿为例，在抛废率为30%时，光电抛废的精矿回收率仅为82.46%，尾矿品位却高达19.12%。这说明在相同的抛废率下，分选越“干净”（精矿品位越高），就有越多的有用矿物被误入尾矿，回收率随之下降，尾矿品位上升。

尾矿品位则是上述矛盾的直接体现——它既是损失的度量，也是分选精度的反向标尺。尾矿品位越低，说明有用矿物损失越少，但往往需要更“激进”的分选策略，可能反过来影响精矿品位。三者形成一个相互制约的“铁三角”：调整任何一个参数，都会牵动另外两个。

而入选颗粒度则是这个“铁三角”的底层变量。光电分选设备的入选矿石粒级通常在10～300 mm范围内，颗粒度的大小与均齐程度直接影响传感器识别精度、喷吹执行效果以及有用矿物与脉石的解离状态，从而从根本上制约着精矿品位、回收率和尾矿品位的可实现水平。

二、入选颗粒度：决定其他指标的基础变量

粒度对识别精度的影响。矿石的粒度是影响分选效果的基础性因素。当矿块粒度过大时，有用矿物特征信号的辨识度会显著下降。研究表明，当矿块粒度从35～75 mm增大到100～150 mm时，矿石的品位与特征信号的相关系数从0.84降至0.14。粒度越大，传感器获取的信号越趋于“平均化”，难以准确区分有用矿物与脉石。

宽粒度分布的“兼容”困境。当入料中同时存在大量大块物料和细小颗粒，即粒级区间跨度过大时，设备的整体分选效果会显著下降。大块物料需要较大的喷吹力和较长的识别时间，而细粒物料则容易因气流扰动而偏离预定轨迹，两者共用同一套参数必然顾此失彼。因此，实施严格的预先筛分，将原矿按粒度分成不同级别分别处理，是提高分选效果的关键策略。

粒度与解离度的关系。入选颗粒度还直接关系到有用矿物与脉石的解离程度。粒度过大时，矿块内部可能同时包含有用成分和废石，传感器获取的是混合信号，难以准确判断。而过度破碎虽然能提高解离度，但细粒物料在光电分选中的分选精度往往下降，且过粉碎会增加后续磨矿成本。因此，需要根据矿石的嵌布特征，合理选择破碎工艺流程和破碎粒度。

三、分选阈值的调节：在品位与回收率之间寻找平衡点

在确定了合理的入选粒度之后，分选阈值的设定成为调节精矿品位、回收率和尾矿品位的直接手段。分选阈值决定了什么样的物料被判定为精矿、什么样的被抛入尾矿——阈值设置越严格，精矿品位越高，但回收率下降、尾矿品位上升；阈值设置越宽松，回收率提高、尾矿品位降低，但精矿品位也随之下降。

这一调节过程本质上是根据矿山的经济模型做出的权衡。对于精矿售价高、尾矿处理成本低的矿山，可以适当提高分选阈值以追求更高的精矿品位；而对于资源稀缺、强调充分利用的矿山，则可能选择较低的阈值以最大化回收率。

四、系统性的平衡策略

实现四维指标的优化平衡，需要从以下几个层面系统施策：

第一，严控入料粒度范围。实施严格的筛分分级，避免宽粒度级差带来的识别干扰。同时根据矿石嵌布特征确定最佳破碎粒度，在保证解离度的前提下控制过粉碎。

第二，动态调节分选参数。 处理量、分选精度和带出比这三个关键指标相互关联，需要根据生产目标合理权衡。通过工业试验确定不同矿石性质下的最优参数组合，并在生产中根据原矿性质变化及时调整。

第三，采用多传感融合与智能算法。针对单一识别技术的局限性，采用可见光与X射线透射检测等多传感融合方案，突破基于表面特征的识别局限。植入基于深度学习的目标检测算法，可从复杂背景中准确提取矿石特征，实现更高精度的分类。

第四，做好给料系统的稳定性控制。 优化给料系统的结构参数，降低给料重叠率和速度波动。当矿石在输送带上多层堆积或首尾相连时，位于下层或被遮挡的颗粒无法被有效检测，甚至导致误喷或漏喷。稳定的给料状态是保证识别精度的前提。

光电选矿中精矿品位、回收率、尾矿品位与入选颗粒度的平衡，本质上是一个多目标优化问题。入选颗粒度是基础变量——合理的粒度范围既保证了解离度，又为精准识别创造了条件；分选阈值是调节手段——在品位与回收率之间做出符合经济效益的选择；系统化的工艺控制是保障——从入料准备到给料稳定再到智能识别，每个环节都影响着最终的平衡结果。只有在深刻理解四者内在关系的基础上，针对具体矿石特性进行精细化工艺设计，才能在光电选矿中实现资源利用效率与经济效益的双重最大化。