CN107145970A - 一种基于矿产资源利用率最大化的入选矿石优化配矿方法 - Google Patents

Abstract

本发明公开一种基于矿产资源利用率最大化的入选矿石优化配矿方法，从配矿工作中收集历史数据；根据历史数据通过神经网络的方法拟合出入选矿石性质与综合精矿品位及精矿回收率之间的关系；通过专家经验和理论公式推导确定目标函数为综合矿产资源利用率最大化；根据现场实际需要确定约束条件；通过带精英策略的非劣排序遗传算法进行优化，计算出最合理的采出量。本发明将优化算法与专家经验相结合，在满足磨矿、选矿对矿石性质要求的基础上，保证了矿产资源利用率最大化，节约资源，降低生产成本；同时改变了配矿工作由人工计算的现状，提高了企业的工作效率。

Description

一种基于矿产资源利用率最大化的入选矿石优化配矿方法

技术领域

本发明属于矿产资源利用率优化设定技术领域，具体涉及一种基于矿产资源利用率最大化的入选矿石优化配矿方法。

背景技术

在铁矿矿山采矿以及选厂选矿作业之前，都需要进行配矿工作。合理的配矿方案应该考虑资源的合理利用以及后续磨矿、选矿工作的相关要求。目前配矿工作主要依赖人工进行，主要考虑磨矿、选矿的要求，没有从资源利用率最大化的角度入手，而是通过试凑的方法计算得到配矿结果。这种方法十分容易受到工作人员业务水平的影响，无法保证资源利用率最大化。

发明内容

针对现有技术存在的不足，本发明提供一种基于矿产资源利用率最大化的入选矿石优化配矿方法。

一种基于特定矿产资源利用率最大化的入选矿石优化配矿方法，包括如下步骤：

步骤1：收集配矿结果的历史数据，包括入选矿石的全铁品位、磁性铁值、亚铁值；

步骤2：收集每次配矿所对应的选矿结果，包括精矿回收率、综合精矿品位；

步骤3：根据已收集到的配矿结果历史数据以及所对应的选矿结果，通过神经网络算法，拟合出入选矿石性质与综合精矿品位、精矿回收率之间的关系；

步骤4：通过理论推导得出综合资源利用率与综合精矿品位以及精矿回收率之间的关系，并以综合资源利用率最大为优化目标；

步骤5：根据现场实际情况，确定约束条件，包括入选矿石的全铁品位、磁性铁值、碳酸铁及硅酸铁值、总采出车数、精矿回收率；

步骤6：确定参与配矿的镐位个数及每个镐位所对应矿石的性质，包括：全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、最低采出量、最高采出量；

步骤7：通过带精英策略的非劣排序遗传算法计算出最优值，即每个镐位最理想的采出量。

所述步骤3通过神经网络拟合出入选矿石的各项性质与综合精矿品位及精矿回收率之间的关系，具体步骤如下：

步骤3.1：对入选矿石的全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、磁选管产率以及所对应的综合精矿品位、精矿回收率进行标准化处理。

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：通过神经网络算法进行拟合，并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7通过带精英策略的非劣排序遗传算法(NSGAⅡ)计算出最优值，具体步骤如下：

步骤7.1：确定遗传代数，确保最后一代的每一组数据都符合约束条件；

步骤7.2：考虑现场实际操作习惯，确定特征值函数；

步骤7.3：根据确定的特征值函数，在遗传的最后一代的所有组数据中，选取最优的一组解。

本发明的优点是：

结合历史数据、生产现场调研及配矿理论分析，配矿结果的好坏直接影响着磨矿、选矿能否正常进行，以及资源利用率的大小。本发明基于矿产资源利用率最大化同时考虑综合精矿回收率以及全铁品位、磁性铁值、碳酸铁值和硅酸铁值，能够确保资源得到最合理的利用，降低贫化率、降低开采成本。减少了人工干预，降低了因操作者业务能力等问题造成的配矿结果不理想的可能性。现场数据自动保存，不需要人工记录，降低数据丢失、记录错误几率。

附图说明

图1是本发明的具体实施方式的选矿石优化配矿方法流程图。

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。

本实施方式的选矿石优化配矿方法，包括如下步骤：

步骤1：收集配矿结果的历史数据，包括入选矿石的全铁品位、磁性铁值、亚铁值；

表1配矿结果历史数据表

步骤2：收集每次配矿所对应的选矿结果，包括精矿回收率、综合精矿品位；

表2选矿结果数据表

步骤3：根据已收集到的配矿结果历史数据以及所对应的选矿结果，通过神经网络算法，拟合出入选矿石性质与综合精矿品位、精矿回收率之间的关系；

其中：

x_i为第i号镐产出矿石量；m为实际出矿镐位个数；TFe_i为第i号镐所处位置矿石的全铁品位；mFe_i为第i号镐所处位置矿石的磁性铁值；FeO_i为第i号镐所处位置矿石的亚铁值；h(x₁,...,x_i)为产出矿石的全铁品位；k(x₁,...,x_i)为产出矿石的磁性铁值；l(x₁,...,x_i)为产出矿石的亚铁值。

具体步骤如下：

步骤3.1：对入选矿石的全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、磁选管产率以及所对应的综合精矿品位、精矿回收率进行标准化处理。

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：通过神经网络算法进行拟合，并对拟合结果进行测试，当测试结果满意时，保存好这组关系。

拟合得到的精矿回收率为f[h(x₁,...,x_i),k(x₁,...,x_i),l(x₁,...,x_i)]。

步骤4：通过理论推导得出综合资源利用率与综合精矿品位以及精矿回收率之间的关系，并以综合资源利用率最大为优化目标；

目标函数为：

max((1-η₁)×η₂×f[h(x₁,...,x_i),k(x₁,...,x_i),l(x₁,...,x_i)])

其中：

n为全部镐位个数；N_i为第i号镐最高产出矿石量；η₁为矿石贫化率；η₂为矿石回采率。

步骤5：根据现场实际情况，确定约束条件，包括入选矿石的全铁品位、磁性铁值、碳酸铁及硅酸铁值、总采出车数、精矿回收率；

表3现场情况对应的约束条件表

步骤6：确定参与配矿的镐位个数及每个镐位所对应矿石的性质，包括：全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、最低采出量、最高采出量；

表4每个镐位所对应矿石性质表

约束条件：

其中：

cFe_i为第i号镐所处位置矿石的碳酸铁值；SiFe_i为第i号镐所处位置矿石的硅酸铁值；O_i为第i号镐最低产出矿石量；W_r为需要产出矿石的总量；ε₀为期望精矿回收率。

步骤7：通过带精英策略的非劣排序遗传算法(NSGAⅡ)计算出最优值，即每个镐位最理想的采出量。具体步骤如下：

步骤7.1：确定遗传代数，确保最后一代的每一组数据都符合约束条件；

步骤7.2：考虑现场实际操作习惯，确定特征值函数；

步骤7.3：根据确定的特征值函数，在遗传的最后一代的所有组数据中，选取最优的一组解。

优化得到的结果如下表所示：

表5优化结果数据表

本发明基于矿产资源利用率最大化的入选矿石优化配矿方法与现在人工配矿方法相比较具有以下的优点：保证了矿产资源利用率最大化，保证综合精矿品位保持在目标值附近。优化算法与专家经验相结合，快速准确的计算出优秀的矿石配比方案。减少人工干预，预防不必要的错误。

Claims (3)

1.一种基于矿产资源利用率最大化的入选矿石优化配矿方法，其特征在于：包括如下步骤：

步骤1：收集配矿结果的历史数据，包括入选矿石的全铁品位、磁性铁值、亚铁值；

步骤2：收集每次配矿所对应的选矿结果，包括精矿回收率、综合精矿品位；

步骤3：根据已收集到的配矿结果历史数据以及所对应的选矿结果，通过神经网络算法，拟合出入选矿石性质与综合精矿品位、精矿回收率之间的关系；

步骤4：通过理论推导得出综合资源利用率与综合精矿品位以及精矿回收率之间的关系，并以综合资源利用率最大为优化目标；

步骤5：根据现场实际情况，确定约束条件，包括入选矿石的全铁品位、磁性铁值、碳酸铁及硅酸铁值、总采出车数、精矿回收率；

步骤6：确定参与配矿的镐位个数及每个镐位所对应矿石的性质，包括：全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、最低采出量、最高采出量；

步骤7：通过带精英策略的非劣排序遗传算法(NSGAⅡ)计算出最优值，即每个镐位最理想的采出量。

2.根据权利要求1所述的一种基于矿产资源利用率最大化的入选矿石优化配矿方法，其特征在于：所述步骤3通过神经网络拟合出入选矿石的各项性质与综合精矿品位及精矿回收率之间的关系，具体步骤如下：

步骤3.1：对入选矿石的全铁品位、磁性铁值、亚铁值、碳酸铁值、硅酸铁值、磁选管产率以及所对应的综合精矿品位、精矿回收率进行标准化处理。

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：通过神经网络算法进行拟合，并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所述的一种基于矿产资源利用率最大化的入选矿石优化配矿方法，其特征在于：所述步骤7通过带精英策略的非劣排序遗传算法(NSGAⅡ)计算出最优值，具体步骤如下：

步骤7.1：确定遗传代数，确保最后一代的每一组数据都符合约束条件；

步骤7.2：考虑现场实际操作习惯，确定特征值函数；

步骤7.3：根据确定的特征值函数，在遗传的最后一代的所有组数据中，选取最优的一组解。