CN107133723A - 一种基于配矿产品性质的选矿综合指标预测方法 - Google Patents

Abstract

本发明是一种基于配矿产品性质的选矿综合指标预测方法，结合现场情况和专家经验确定能够影响选矿产品综合指标的配矿产品性质；收集配矿产品性质和选矿综合指标的历史数据，通过BP神经网络算法拟合出配矿产品性质和选矿综合指标之间的关系并保存成函数；输入配矿产品的各项性质得到选矿综合性质的预测值。本发明基于数据建模，将优化算法与专家经验相结合，快速准确的预测出选矿综合性质，为选矿策略的制定提供依据。同时改变了现行的依赖人工经验判断的预测方法，提高了企业的工作效率。

Description

一种基于配矿产品性质的选矿综合指标预测方法

技术领域

本发明属于选矿综合指标预测技术领域，具体涉及一种基于配矿产品性质的选矿综合指标预测方法。

背景技术

选矿产品综合性质的好坏是选矿厂十分关注的问题，优秀的选矿产品是选矿厂盈利的保障。一般选矿厂使用的矿石原料来源比较单一，因此选矿时针对不同批次的矿石往往在流程上保持稳定，但由于选矿作业中的程序较多，经常需要操作人员针对不同的产品指标进行微调。当选矿流程保持稳定时，配矿产品也就是入选矿石的各项性质直接影响着选矿结果。因此在矿石入选前，根据已知数据预测出某一批矿石经过选矿作业后的各项指标有利于操作人员及时发现问题并选择应对方案。现行的方法主要是根据操作人员的经验来判断，这种方法对工作人员的业务能力要求较高，不能适用于全部情况。

发明内容

针对现有技术存在的不足，本发明提供一种基于配矿产品性质的选矿综合指标预测方法。

一种基于配矿产品性质的选矿综合指标预测方法，包括如下步骤：

步骤1：收集配矿产品性质的历史数据，包括入选矿石的全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、矿石粒度、磁选管产率；

步骤2：收集配矿产品所对应的选矿产品性质历史数据，包括综合精矿品位、综合尾矿品位、矿石选比、矿石成本；

步骤3：根据收集到的配矿产品性质历史数据和选矿产品性质历史数据，通过神经网络算法拟合出输入值即配矿产品性质与输出值即选矿产品性质的关系；

步骤4：将步骤3拟合出的输入与输出的关系以函数的形式保存；

步骤5：使用若干组新的输入输出数据对该函数进行测试，若对误差不满意则需重复步骤3，若对误差满意则进行下一步骤。

步骤6：以某批次配矿产品性质实际值作为输入，通过拟合出的函数关系计算出本批次矿石选矿产品综合指标的预测值。

所述步骤3根据收集到的配矿产品性质历史数据和选矿产品性质历史数据，通过神经网络算法拟合出输入值即配矿产品性质与输出值即选矿产品性质的关系，具体步骤如下：

步骤3.1：对配矿产品的全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、矿石粒度、磁选管产率以及所对应选矿产品的综合精矿品位、综合尾矿品位、矿石选比、矿石成本进行归一化处理。

步骤3.2：对所有数据打乱顺序，随机排序。取数据的百分之九十组作为训练数据，后百分之十组作为测试数据。

步骤3.3：通过神经网络算法对训练数据进行拟合，并用测试数据对拟合结果进行测试，当测试结果满意时，保存好这组关系。

所述步骤6以某批次配矿产品性质实际值作为输入，通过拟合出的函数关系计算出本批次矿石选矿产品综合指标的预测值，具体步骤如下：

步骤6.1：对输入值进行归一化处理；

步骤6.2：通过保存的函数关系计算出对应的输出值：

步骤6.3：对输出值进行逆归一化处理，得到选矿产品综合指标的预测值。

本发明的优点是：

结合历史生产数据、现场调研情况以及专家经验理论分析，选矿产品综合指标的预测有利于操作人员及时调整选矿策略，从而得到符合指标要求的选矿产品。本发明基于配矿产品性质，对选矿产品综合指标进行预测，能够为选矿策略的选择提供依据。减少人工干预，使预测结果更具有说服力，同时降低了因操作人员业务能力问题造成失误的风险。现场数据自动保存，不需要人工记录，降低数据丢失、记录错误的几率。

附图说明

图1是本发明的具体实施方式的选矿综合指标预测方法流程图。

具体实施方式

下面结合附图1，以某选矿厂实际情况为例，对本发明的具体实施做详细说明。

本实施方式的选矿综合指标预测方法，包括如下步骤：

步骤1：收集配矿产品性质的历史数据，包括入选矿石的全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、矿石粒度、磁选管产率；

表1配矿产品性质历史数据表

步骤2：收集配矿产品所对应的选矿产品性质历史数据，包括综合精矿品位、综合尾矿品位、矿石选比、矿石成本；

表2选矿产品性质历史数据

步骤3：根据收集到的配矿产品性质历史数据和选矿产品性质历史数据，通过神经网络算法拟合出输入值即配矿产品性质与输出值即选矿产品性质的关系；

输入数据：

TFe为全铁品位；mFe为磁性铁值；FeO为氧化亚铁值；cFe为碳酸铁值；SiFe为硅酸铁值；G为矿石粒度；R为磁选管产率。

输出数据：

α为综合精矿品位；β为综合尾矿品位；θ为矿石选比；δ为矿石成本。

具体步骤如下：

步骤3.1：对配矿产品的全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、矿石粒度、磁选管产率以及所对应选矿产品的综合精矿品位、综合尾矿品位、矿石选比、矿石成本进行归一化处理。

步骤3.2：对所有数据打乱顺序，随机排序。取数据的百分之九十组作为训练数据，后百分之十组作为测试数据。

步骤3.3：通过神经网络算法对训练数据进行拟合，并用测试数据对拟合结果进行测试，当测试结果满意时，保存好这组关系。

步骤4：将步骤3拟合出的输入与输出的关系以函数的形式保存；

(α,β,θ,δ)＝f(TFe,mFe,FeO,cFe,SiFe,G,R)

步骤5：使用若干组新的输入输出数据对该函数进行测试，若对误差不满意则需重复步骤3，若对误差满意则进行下一步骤。

步骤6：以某批次配矿产品性质实际值作为输入，通过拟合出的函数关系计算出本批次矿石选矿产品综合指标的预测值。

表3配矿产品性质

具体步骤如下：

步骤6.1：对输入值进行归一化处理；

步骤6.2：通过保存的函数关系计算出对应的输出值：

步骤6.3：对输出值进行逆归一化处理，得到选矿产品综合指标的预测值。

表4选矿综合指标

本发明基于配矿产品性质，对选矿产品综合指标进行预测，与现行的依赖人工经验预测的方法相比较具有以下优点：快速准确的预测选矿产品综合指标，为选矿策略的选择提供依据。神经网络算法与专家经验以及历史数据相结合，结果可信度更高。减少人工干预，预防不必要的错误。

Claims (3)

1.一种基于配矿产品性质的选矿综合指标预测方法，其特征在于：包括如下步骤：

步骤1：收集配矿产品性质的历史数据，包括入选矿石的全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、矿石粒度、磁选管产率；

步骤2：收集配矿产品所对应的选矿产品性质历史数据，包括综合精矿品位、综合尾矿品位、矿石选比、矿石成本；

步骤3：根据收集到的配矿产品性质历史数据和选矿产品性质历史数据，通过神经网络算法拟合出输入值即配矿产品性质与输出值即选矿产品性质的关系；

步骤4：将步骤3拟合出的输入与输出的关系以函数的形式保存；

步骤5：使用若干组新的输入输出数据对该函数进行测试，若对误差不满意则需重复步骤3，若对误差满意则进行下一步骤。

步骤6：以某批次配矿产品性质实际值作为输入，通过拟合出的函数关系计算出本批次矿石选矿产品综合指标的预测值。

2.根据权利要求1所述的一种基于配矿产品性质的选矿综合指标预测方法，其特征在于：

所述步骤3根据收集到的配矿产品性质历史数据和选矿产品性质历史数据，通过神经网络算法拟合出输入值即配矿产品性质与输出值即选矿产品性质的关系，具体步骤如下：

步骤3.1对配矿产品的全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、矿石粒度、磁选管产率以及所对应选矿产品的综合精矿品位、综合尾矿品位、矿石选比、矿石成本进行归一化处理；

步骤3.2对所有数据打乱顺序，随机排序；取数据的百分之九十组作为训练数据，后百分之十组作为测试数据；

步骤3.3通过神经网络算法对训练数据进行拟合，并用测试数据对拟合结果进行测试，当测试结果满意时，保存好这组关系。

3.根据权利要求1所述的一种基于配矿产品性质的选矿综合指标预测方法，其特征在于：

所述步骤6以某批次配矿产品性质实际值作为输入，通过拟合出的函数关系计算出本批次矿石选矿产品综合指标的预测值，具体步骤如下：

步骤6.1：对输入值进行归一化处理；

步骤6.2：通过保存的函数关系计算出对应的输出值：

步骤6.3：对输出值进行逆归一化处理，得到选矿产品综合指标的预测值。