CN111915177B - 一种铁矿石取样优化和品质波动预警系统和方法 - Google Patents
一种铁矿石取样优化和品质波动预警系统和方法 Download PDFInfo
- Publication number
- CN111915177B CN111915177B CN202010720689.0A CN202010720689A CN111915177B CN 111915177 B CN111915177 B CN 111915177B CN 202010720689 A CN202010720689 A CN 202010720689A CN 111915177 B CN111915177 B CN 111915177B
- Authority
- CN
- China
- Prior art keywords
- fluctuation
- quality
- iron ore
- value
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种铁矿石取样优化和品质波动预警系统，涉及铁矿石品质检验技术领域，包括参数输入模块，数据调用模块，历史数据充足性检验模块，偏差值预测模块，到岸港检验值波动率预测模块，品质波动性类别预测模块，检验次数分配模块和品质预警模块，上述模块在逻辑上依次连接。本发明利用历史检验数据作为铁矿石品质波动大小的预测依据，优化取样机制以降低抽样误差和构建品质波动预警系统，预测结果严谨可靠。
Description
技术领域
本发明涉及铁矿石品质检验技术领域，尤其涉及一种铁矿石取样优化和品质波动预警系统和方法。
背景技术
铁矿石的品质波动直接关系到贸易风险和环境风险，涉及到巨大的经济利益和社会效益。铁矿石品质方面目前尚无统一的评定标准，仅以贸易合同相关约束条款作为评定依据。由于原矿环境、采矿工艺、混矿模式等各方面的差异，常常会导致铁矿石品质的较大差异。铁矿石品质每相差一个百分点，一艘10万吨级的整船铁矿石价格就会相差几十万美元。如果铁矿石中硫、磷等杂质元素偏高，那么这既会对冶炼设备造成损害，也会给环境保护带来巨大压力。
操作规范的采矿公司一般需要对初采的铁矿石采取碎矿、磨矿、分选、富集、混匀等工艺进行加工；而条件差的采矿公司，由于缺乏设备投入，采剥水平差，会将未进行充分加工处理的初采矿直接销售，这常常会导致铁矿石品质不均匀。有些铁矿石产地因矿山规模小、采矿公司多，又由于一次交易的铁矿石数量大，造成一条大吨位铁矿石运输船所载铁矿石分别来自多个不同品质的矿山或不同采矿条件的公司，而在装船时又未采取充分混匀等处理，很容易引起整船铁矿石的品质不均匀。有些产地的铁矿石中，硫、磷、镉、砷等杂质元素的含量普遍较高。
要从大批量的铁矿石中，抽取出具有一定代表性的样品来进行品质检验，铁矿石的取样是非常关键的环节。铁矿石取制样的现行国际标准为《Iron ores.Sampling andsample preparation procedures》(ISO 3082-2009)。我国的国家标准《铁矿石取样和制样方法》(GB/T 10322.1-2014)，等同于ISO标准。按照铁矿石取制样的ISO标准，需要先对铁矿石进行试验，以判断该批次铁矿石的品质波动属“大”“中”“小”哪个类别，然后确定该批次铁矿石检验的份样个数和份样重量。在检验实践中，铁矿石品质检验的环节多、时间长，试图通过快速试验来确定铁矿石品质波动的大小，这是很难做到的。
已有两篇文献探讨了如何利用历年积累的检验数据来分析铁矿石的品位波动。应海松等人基于历史检验数据，应用BP神经网络来预测铁矿石品位波动，为铁矿石取制样提供品位波动校核依据，但该文献没有将其作为品质波动大小的预测依据。刘四海等人搜集整理了2011年以来进口铁矿石舟山港与装货港的检测数据，并对检测结果的偏差进行统计分析，把装卸两港含铁量偏差率大小作为品质波动大小的依据，但该文献预测铁矿石品质波动大小的依据不够全面具体，还不能成为优化抽样方案的依据。其它文献，例如袁晓鹰、张恒瑞、李雪莲等，主要探讨铁矿石取制样设施的自动化程度、操作规程等，都没有考虑如何确定份样个数和份样重量。也有一些文献研究进口铁矿石中有毒有害元素对环境的影响。钟莹等人对从深圳口岸进口的132批次铁矿石中所含有毒有害元素含量进行了分析，发现部分产地的铁矿石中Cd和As的含量较高，存在环境污染风险，需要采取适当的控制措施。张鸟飞等人对浙江嵊泗马迹山口岸229批次进口铁矿石进行有害元素分析，结果表明部分国别的进口铁矿石中S、Cl、As、Cd的含量超过相关标准所规定的上限值，存在污染风险。但这些文献只是分析了有毒有害元素含量超标情况，没有将其作为优化抽样方案的依据。
因此，本领域的技术人员致力于开发一种铁矿石取样优化和品质波动预警系统和方法。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何实现利用历史检验数据作为铁矿石品质波动大小的预测依据，优化取样机制以降低抽样误差和构建品质波动预警系统。
发明人分析，由于主要的国际铁矿石供应商数量比较少，一座大中型铁矿石矿山的开采年限一般能有二三十年甚至上百年，因此每个港口的到港铁矿石品质会呈现一定的规律性。本发明利用历史到港铁矿石的到岸港检验数据和合同约定数据，分别建立铁矿石的偏差值时间序列、到岸港检验值波动率时间序列的预测模型，据此来预测即将到港检验铁矿石的品质波动属于哪个类别，以实现在不增加港口整体检验次数的前提下优化取样机制来降低抽样误差，以更好地整体把握港口卸载的铁矿石品质，并针对品质波动大的铁矿石供应商或产地向铁矿石需求方发出预警，以提示贸易风险。这里的偏差值时间序列，是指到岸港要对一批次铁矿石的某一品质指标进行多次抽样检验，抽样检验值的平均值称为该品质指标的到岸港检验值，该品质指标的到岸港检验值与合同约定值之间的偏差值称为该品质指标的偏差值，多个批次铁矿石的该品质指标的偏差值就形成了该品质指标的偏差值时间序列，所有品质指标的偏差值时间序列统称为偏差值时间序列。这里的到岸港检验值波动率时间序列，是指到岸港要对一批次铁矿石的某一品质指标进行多次抽样检验，抽样检验值的偏差用波动率表示，称为该品质指标的到岸港检验值波动率，多个批次铁矿石的该品质指标的到岸港检验值波动率就形成了该品质指标的到岸港检验值波动率时间序列，所有品质指标的到岸港检验值波动率时间序列统称为到岸港检验值波动率时间序列。
本发明的一个实施例中，提供了一种铁矿石取样优化和品质波动预警系统，包括：
参数输入模块，支持相关参数的输入；
数据调用模块，调用与即将到港检验铁矿石具有相同产地、相同供应商和相同品种的历史到港铁矿石的品质数据；
历史数据充足性检验模块，检验历史数据量是否符合统计预测对于历史数据的要求；
偏差值预测模块，预测即将到港检验铁矿石的各品质指标的到岸港检验值与合同约定值之间的差异值；
到岸港检验值波动率预测模块，预测即将到港检验铁矿石的各品质指标的到岸港检验值波动率；
品质波动性类别预测模块，预测即将到港检验铁矿石的各品质指标的波动性类别；
检验次数分配模块，分配这个时段内到港的各个批次铁矿石的每一个品质指标的检验次数；
品质预警模块，针对铁矿石品质波动大的供应商或产地，向铁矿石需求方发出预警以提示贸易风险；
上述参数输入模块、历史数据充足性检验模块、偏差值预测模块、到岸港检验值波动率预测模块、品质波动性类别预测模块、检验次数分配模块和品质预警模块在逻辑上依次连接。
可选地，在上述实施例中的铁矿石取样优化和品质波动预警系统，上述相关参数包括需要优化取样的时间段、该时间段内各品质指标可实施的最大检验次数、该时间段内到港检验的铁矿石相关信息、统计预测对于历史数据的要求、各品质指标的波动性类别分别对应的偏差值区间和到岸港检验值波动率区间。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警系统，到港检验铁矿石的相关信息包括产地、供应商、铁矿石品种、合同约定数据。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警系统，统计预测对于历史数据的要求包括历史数据的时间段及需要的最少历史数据量。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警的方法，各品质指标的波动性类别包括“大”、“中”、“小”。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警系统，上述偏差值预测模块基于各品质指标的历史到岸港检验值与合同约定值之间的偏差值时间序列，预测即将到港检验铁矿石的各品质指标的到岸港检验值与合同约定值之间的偏差值。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警系统，到岸港检验值波动率预测模块，基于历史到港检验数据的各品质指标的到岸港检验值波动率时间序列，预测即将到港检验铁矿石的各品质指标的到岸港检验值波动率。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警系统，品质波动性类别预测模块，结合由偏差值预测模块预测得到的即将到港检验铁矿石的各品质指标的到岸港检验值与合同约定值之间的偏差值和由到岸港检验值波动率预测模块预测得到的即将到港检验铁矿石的各品质指标的到岸港检验值波动率，预测得到即将到港检验铁矿石的各品质指标的波动性类别。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警系统，检验次数分配模块，结合同一段时间内需要检验的铁矿石数量、基于历史检验数据预测得到的即将到港检验铁矿石的各品质指标的波动性类别和港口检验机构能够实施的最大检验次数，分配这个时段内到港的各个批次铁矿石的每一个品质指标的检验次数。
基于上述任一实施例，本发明的另一个实施例中，提供了一种铁矿石取样优化和品质波动预警的方法，包括如下步骤：
S100、输入相关参数，在参数输入模块输入相关参数；
S200、调用历史到港铁矿石的品质数据，需与即将到港检验铁矿石具有相同产地、相同供应商和相同品种；
S300、检验历史数据量充足性，如果不符合统计预测需要的数据量要求，则执行S400，否则执行S500；
S400、认定该批次铁矿石的各品质指标的波动性类别，执行S800；
S500、预测偏差值，通过偏差值预测模块来预测即将到港检验铁矿石的各品质指标的到岸港检验值与合同约定值之间的偏差值；
S600、预测到岸港检验值波动率，通过到岸港检验值波动率预测模块预测得到即将到港检验铁矿石的各品质指标的到岸港检验值波动率；
S700、预测品质波动性类别，结合预测得到的各品质指标的偏差值和到岸港检验值波动率，预测得到即将到港检验铁矿石的各品质指标的波动性类别；
S800、确定检验方案，通过检验次数分配模块，分配这个时段内到港检验的各个批次铁矿石的每一个品质指标的检验次数；
S900，预警贸易风险，通过品质预警模块，针对铁矿石品质波动大的供应商或产地，向铁矿石需求方发出预警，以提示贸易风险。
可选地，在上述实施例中的铁矿石取样优化和品质波动预警的方法中，步骤S100中的相关参数包括需要优化取样的时间段、该时间段内各品质指标可实施的最大检验次数、该时间段内到港检验的铁矿石相关信息、统计预测对于历史数据的要求、各品质指标的波动性类别分别对应的偏差值区间和到岸港检验值波动率区间。
可选地，在上述实施例中的铁矿石取样优化和品质波动预警的方法，到港检验铁矿石的相关信息包括产地、供应商、铁矿石品种、合同约定数据。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警的方法，上述统计预测对于历史数据的要求包括历史数据的时间段及需要的最少历史数据量。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警的方法，上述历史到港铁矿石的品质数据包括历史到港铁矿石的每一个品质指标的到岸港检验值和到岸港检验值波动率。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警的方法，步骤S500还包括：
S510，计算偏差值，针对每一批次铁矿石的每一个品质指标，计算到岸港检验值和合同约定值之间的偏差值，获得每一个品质指标的偏差值时间序列；
S520，偏差值时间序列白噪声检验，检验每一个品质指标的偏差值时间序列是否为白噪声序列，这里的白噪声序列是指不包含任何可以利用的动态规律的序列；
S530，如果某一个品质指标的偏差值时间序列为白噪声序列，那么计算该偏差值时间序列的平均值，获得即将到港检验铁矿石的该品质指标的偏差值的预测值；
S540，如果某一个品质指标的偏差值时间序列不是白噪声序列，那么开始进行时间序列模型拟合，获得即将到港检验铁矿石的该品质指标的偏差值的预测值。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警的方法，步骤S540还包括：
S541、初始化差分阶数d＝0；
S542、判断偏差值时间序列是否是平稳序列；
S543、如果偏差值时间序列是平稳序列，则执行S544；否则，取差分阶数d＝d+1，然后对偏差值时间序列进行一阶差分得到新的偏差值时间序列，继续判断新的偏差值时间序列是否为平稳序列，如果不是，则返回取差分阶数d＝d+1进行循环，直至偏差值时间序列为平稳序列，则执行S544；
S544、利用衡量统计模型拟合优良性的AIC准则确定ARIMA(p,d,q)模型(差分整合移动平均自回归模型)，即进行ARIMA模型参数p,q的确定，其中p为自回归阶数，d为差分阶数，q为移动平均阶数；
S545、生成残差序列εt，并进行ARCH检验(自回归条件异方差检验)，判断残差序列εt是否存在异方差；
S546、如果存在异方差，那么对残差序列εt构造GARCH(P,Q)模型(广义自回归条件异方差模型)，估计滞后阶数P和Q的值，然后执行S547；否则，直接执行S547；
S547、结合上述ARIMA(p,d,q)模型和残差序列的异方差性，确定预测模型，并预测即将到港检验铁矿石的该品质指标的偏差值。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警的方法，步骤S600还包括：
S610，历史到岸检验值波动率时间序列的白噪声检验，即检验每一个品质指标的历史到岸港检验值波动率时间序列是否为白噪声序列，这里的白噪声序列是指不包含任何可以利用的动态规律的序列；
S620，如果某一个品质指标的历史到岸港检验值波动率时间序列为白噪声序列，那么计算该历史到岸港检验值波动率时间序列的平均值，获得作为即将到港检验铁矿石的该品质指标的到岸港检验值波动率的预测值；
S630，如果某一个品质指标的历史到岸港检验数据的波动率时间序列不是白噪声序列，那么开始进行时间序列模型拟合，获得即将到港检验铁矿石的该品质指标的到岸港检验值波动率的预测值。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警的方法，步骤S630还包括：
S631、初始化差分阶数d＝0；
S632、判断检验值波动率时间序列是否是平稳序列；
S633、如果检验值波动率时间序列是平稳序列，则执行S634；否则，取差分阶数d＝d+1，然后对检验值波动率时间序列进行一阶差分，得到新的检验值波动率时间序列，继续判断新的检验值波动率时间序列是否为平稳序列，如果不是，则返回取差分阶数d＝d+1进行循环，直至检验值波动率时间序列为平稳序列，则执行S634；
S634、利用衡量统计模型拟合优良性的AIC准则确定ARIMA(p,d,q)模型(差分整合移动平均自回归模型)，即进行ARIMA模型参数p,q的确定，这里p为自回归阶数，d为差分阶数，q为移动平均阶数；
S635、生成残差序列εt，并进行ARCH检验(自回归条件异方差检验)，判断残差序列εt是否存在异方差；
S636、如果存在异方差，那么对残差序列εt构造GARCH(P,Q)模型(广义自回归条件异方差模型)，估计滞后阶数P和Q的值，执行S637；否则，直接执行S637；
S637、结合ARIMA(p,d,q)模型和残差序列的异方差性，确定预测模型，并预测即将到港检验铁矿石的该品质指标的到岸港检验值波动率。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警的方法，步骤S700还包括：
S710、结合即将到港检验铁矿石的各品质指标的偏差值预测值和对应波动性大小类别的偏差值区间，确定该批次铁矿石的该品质指标的波动性类别D1；
S720、结合即将到港检验铁矿石的各品质指标的到岸港检验值波动率预测值和对应波动性大小类别的检验值波动率区间，确定该批次铁矿石的该品质指标的波动性类别D2；
S730，对于各品质指标，结合由偏差值推断得到的波动性类别D1和由到岸港检验值波动率推断得到的波动性类别D2，取两者波动性中大的类别(即取MAX(D1,D2))作为最终推断的该批次铁矿石的该品质指标的波动性类别。
可选地，在上述任一实施例中的铁矿石取样优化和品质波动预警的方法，步骤S800结合同一段时间内需要检验的铁矿石数量、基于历史检验数据推断得到的即将到港检验铁矿石的品质波动性类别和港口检验机构能够实施的最大检验次数，分配该时段内到港的各个批次铁矿石的每一个品质指标的检验次数。
本发明针对每一个铁矿石品质指标，从偏差值和到岸港检验值波动率两个维度分别预测即将到港检验铁矿石的品质波动性大小，取两者波动性大的类别作为最终预测的波动性类别，体现了预测结果的严谨性；并且针对每一个铁矿石品质指标的偏差值时间序列和到岸港检验值波动率时间序列，应用时间序列拟合模型进行动态预测，以获得最好的预测结果，体现了预测结果的可靠性。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是图示根据示例性实施例的铁矿石取样优化和品质波动预警系统的结构示意图；
图2是图示根据示例性实施例的铁矿石取样优化和品质波动预警的流程图；
图3是图示根据示例性实施例的偏差值时间序列值预测的流程图；
图4是图示根据示例性实施例的检验值波动率时间序列值预测的流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方示意性地适当夸大了部件的厚度。
发明人设计了一种铁矿石取样优化和品质波动预警系统，如图1所示，包括：
参数输入模块，支持相关参数的输入，包括需要优化取样的时间段、该时间段内各品质指标可实施的最大检验次数、该时间段内到港检验的铁矿石相关信息、统计预测对于历史数据的要求、各品质指标的波动性类别分别对应的偏差值区间和到岸港检验值波动率区间，其中到港检验铁矿石的相关信息包括产地、供应商、铁矿石品种、合同约定数据；
数据调用模块，调用与即将到港检验铁矿石具有相同产地、相同供应商和相同品种的历史到港铁矿石的品质数据；
历史数据充足性检验模块，检验历史数据量是否符合统计预测对于历史数据的要求，包括历史数据的时间段及需要的最少历史数据量；
偏差值预测模块，预测即将到港检验铁矿石的各品质指标的到岸港检验值与合同约定值之间的差异值，具体地，基于各品质指标的历史到岸港检验值与合同约定值之间的偏差值时间序列，预测即将到港检验铁矿石的各品质指标的到岸港检验值与合同约定值之间的偏差值；
到岸港检验值波动率预测模块，预测即将到港检验铁矿石的各品质指标的到岸港检验值波动率，具体地，基于历史到港检验数据的各品质指标的到岸港检验值波动率时间序列，预测即将到港检验铁矿石的各品质指标的到岸港检验值波动率；
品质波动性类别预测模块，预测即将到港检验铁矿石的各品质指标的波动性类别，各品质指标的波动性类别包括“大”、“中”、“小”；具体地，结合由偏差值预测模块预测得到的即将到港检验铁矿石的各品质指标的到岸港检验值与合同约定值之间的偏差值和由到岸港检验值波动率预测模块预测得到的即将到港检验铁矿石的各品质指标的到岸港检验值波动率，预测得到即将到港检验铁矿石的各品质指标的波动性类别；
检验次数分配模块，分配这个时段内到港的各个批次铁矿石的每一个品质指标的检验次数，具体地，结合同一段时间内需要检验的铁矿石数量、基于历史检验数据预测得到的即将到港检验铁矿石的各品质指标的波动性类别和港口检验机构能够实施的最大检验次数，分配这个时段内到港的各个批次铁矿石的每一个品质指标的检验次数；
品质预警模块，针对铁矿石品质波动大的供应商或产地，向铁矿石需求方发出预警以提示贸易风险；
上述参数输入模块、历史数据充足性检验模块、偏差值预测模块、到岸港检验值波动率预测模块、品质波动性类别预测模块、检验次数分配模块和品质预警模块在逻辑上依次连接。
基于上述实施例，发明人提供了一种铁矿石取样优化和品质波动预警的方法，如图2所示，包括如下步骤：
包括如下步骤：
S100、输入相关参数，在参数输入模块输入相关参数，包括需要优化取样的时间段、该时间段内各品质指标可实施的最大检验次数、该时间段内到港检验的铁矿石相关信息、统计预测对于历史数据的要求、各品质指标的波动性类别分别对应的偏差值区间和到岸港检验值波动率区间，其中到港检验铁矿石的相关信息包括产地、供应商、铁矿石品种、合同约定数据；
S200、调用历史到港铁矿石的品质数据，需与即将到港检验铁矿石具有相同产地、相同供应商和相同品种，包括历史到港铁矿石的每一个品质指标的到岸港检验值和到岸港检验值波动率；
S300、检验历史数据量充足性，具体包括历史数据的时间段及需要的最少历史数据量，如果不符合统计预测需要的数据量要求，则执行S400，否则执行S500；
S400、认定该批次铁矿石的各品质指标的波动性类别，执行S800；
S500、预测偏差值，通过偏差值预测模块来预测即将到港检验铁矿石的各品质指标的到岸港检验值与合同约定值之间的偏差值；具体包括：
S510，计算偏差值，针对每一批次铁矿石的每一个品质指标，计算到岸港检验值和合同约定值之间的偏差值，获得每一个品质指标的偏差值时间序列；
S520，偏差值时间序列白噪声检验，检验每一个品质指标的偏差值时间序列是否为白噪声序列，这里的白噪声序列是指不包含任何可以利用的动态规律的序列；
S530，如果某一个品质指标的偏差值时间序列为白噪声序列，那么计算该偏差值时间序列的平均值，获得即将到港检验铁矿石的该品质指标的偏差值的预测值；
S540，如果某一个品质指标的偏差值时间序列不是白噪声序列，那么开始进行时间序列模型拟合，获得即将到港检验铁矿石的该品质指标的偏差值的预测值；如图3所示，具体包括：
S541、初始化差分阶数d＝0；
S542、判断偏差值时间序列是否是平稳序列；
S543、如果偏差值时间序列是平稳序列，则执行S544；否则，取差分阶数d＝d+1，然后对偏差值时间序列进行一阶差分得到新的偏差值时间序列，继续判断新的偏差值时间序列是否为平稳序列，如果不是，则返回取差分阶数d＝d+1进行循环，直至偏差值时间序列为平稳序列，则执行S544；
S544、利用衡量统计模型拟合优良性的AIC准则来确定ARIMA(p,d,q)模型(差分整合移动平均自回归模型)，即进行ARIMA模型参数p,q的确定，其中p为自回归阶数，d为差分阶数，q为移动平均阶数；
S545、生成残差序列εt，并进行ARCH检验(自回归条件异方差检验)，判断残差序列εt是否存在异方差；
S546、如果存在异方差，那么对残差序列εt构造GARCH(P,Q)模型(广义自回归条件异方差模型)，估计滞后阶数P和Q的值，然后执行S547；否则，直接执行S547；
S547、结合ARIMA模型和残差序列的异方差性，确定预测模型，并预测即将到港检验铁矿石的该品质指标的偏差值。
S600、预测到岸港检验值波动率，通过到岸港检验值波动率预测模块预测得到即将到港检验铁矿石的各品质指标的到岸港检验值波动率；具体包括：
S610，历史到岸检验值波动率时间序列的白噪声检验，即检验每一个品质指标的历史到岸港检验值波动率时间序列是否为白噪声序列，这里的白噪声序列是指不包含任何可以利用的动态规律的序列；
S620，如果某一个品质指标的历史到岸港检验值波动率时间序列为白噪声序列，那么计算该历史到岸港检验值波动率时间序列的平均值，获得作为即将到港检验铁矿石的该品质指标的到岸港检验值波动率的预测值；
S630，如果某一个品质指标的历史到岸港检验数据的波动率时间序列不是白噪声序列，那么开始进行时间序列模型拟合，获得即将到港检验铁矿石的该品质指标的到岸港检验值波动率的预测值；如图4所示，具体包括：
S631、初始化差分阶数d＝0；
S632、判断检验值波动率时间序列是否是平稳序列；
S633、如果检验值波动率时间序列是平稳序列，则执行S634；否则，取差分阶数d＝d+1，然后对检验值波动率时间序列进行一阶差分，得到新的检验值波动率时间序列，继续判断新的检验值波动率时间序列是否为平稳序列，如果不是，则返回取差分阶数d＝d+1进行循环，直至检验值波动率时间序列为平稳序列，则执行S634；
S634、利用衡量统计模型拟合优良性的AIC准则确定ARIMA(p,d,q)模型(差分整合移动平均自回归模型)，即进行ARIMA模型参数p,q的确定，这里p为自回归阶数，d为差分阶数，q为移动平均阶数；
S635、生成残差序列εt，并进行ARCH检验(自回归条件异方差检验)，判断残差序列εt是否存在异方差；
S636、如果存在异方差，那么对残差序列εt构造GARCH(P,Q)模型(广义自回归条件异方差模型)，估计滞后阶数P和Q的值，执行S637；否则，直接执行S637；
S637、结合ARIMA模型和残差序列的异方差性，确定预测模型，并预测即将到港检验铁矿石的该品质指标的到岸港检验值波动率。
S700、预测品质波动性类别，结合预测得到的各品质指标的偏差值和到岸港检验值波动率，预测得到即将到港检验铁矿石的各品质指标的波动性类别；具体包括：
S710、结合即将到港检验铁矿石的各品质指标的偏差值预测值和对应波动性大小类别的偏差值区间，确定该批次铁矿石的该品质指标的波动性类别D1；
S720、结合即将到港检验铁矿石的各品质指标的到岸港检验值波动率预测值和对应波动性大小类别的检验值波动率区间，确定该批次铁矿石的该品质指标的波动性类别D2；
S730，对于各品质指标，结合由偏差值推断得到的波动性类别D1和由到岸港检验值波动率推断得到的波动性类别D2，取两者波动性中大的类别(即取MAX(D1,D2))作为最终推断的该批次铁矿石的该品质指标的波动性类别。
S800、确定检验方案，通过检验次数分配模块，分配这个时段内到港检验的各个批次铁矿石的每一个品质指标的检验次数；具体地，结合同一段时间内需要检验的铁矿石数量、基于历史检验数据推断得到的即将到港检验铁矿石的品质波动性类别和港口检验机构能够实施的最大检验次数，分配该时段内到港的各个批次铁矿石的每一个品质指标的检验次数。
S900，预警贸易风险，通过品质预警模块，针对铁矿石品质波动大的供应商或产地，向铁矿石需求方发出预警，以提示贸易风险。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种铁矿石取样优化和品质波动预警系统，其特征在于，包括：
参数输入模块，支持相关参数的输入；
数据调用模块，调用与即将到港检验铁矿石具有相同产地、相同供应商和相同品种的历史到港铁矿石的品质数据；
历史数据充足性检验模块，检验历史数据量是否符合统计预测对于历史数据的要求；
偏差值预测模块，预测所述即将到港检验铁矿石的各品质指标的到岸港检验值与合同约定值之间的差异值；
到岸港检验值波动率预测模块，预测所述即将到港检验铁矿石的各品质指标的到岸港检验值波动率；
品质波动性类别预测模块，预测所述即将到港检验铁矿石的各品质指标的波动性类别；
检验次数分配模块，分配这个时段内到港的各个批次铁矿石的每一个品质指标的检验次数；
品质预警模块，针对铁矿石品质波动大的供应商或产地，向铁矿石需求方发出预警以提示贸易风险；
所述参数输入模块、所述历史数据充足性检验模块、所述偏差值预测模块、所述到岸港检验值波动率预测模块、所述品质波动性类别预测模块、所述检验次数分配模块和所述品质预警模块在逻辑上依次连接。
2.如权利要求1所述的铁矿石取样优化和品质波动预警系统，其特征在于，所述相关参数包括需要优化取样的时间段、所述时间段内各品质指标可实施的最大检验次数、所述时间段内到港检验的铁矿石相关信息、统计预测对于历史数据的要求、各品质指标的波动性类别分别对应的偏差值区间和到岸港检验值波动率区间。
3.如权利要求2所述的铁矿石取样优化和品质波动预警系统，其特征在于，所述统计预测对于历史数据的要求包括历史数据的时间段及需要的最少历史数据量。
4.如权利要求1所述的铁矿石取样优化和品质波动预警系统，其特征在于，所述各品质指标的波动性类别包括“大”、“中”、“小”。
5.一种铁矿石取样优化和品质波动预警系统方法，其特征在于，使用如权利要求1-4任一所述铁矿石取样优化和品质波动预警系统，包括如下步骤：
S100、输入相关参数，在所述参数输入模块输入相关参数；
S200、调用历史到港铁矿石的品质数据，需与所述即将到港检验铁矿石具有相同产地、相同供应商和相同品种；
S300、检验历史数据量充足性，如果不符合统计预测需要的数据量要求，则执行S400，否则执行S500；
S400、认定该批次铁矿石的各品质指标的波动性类别，执行S800；
S500、预测偏差值，通过所述偏差值预测模块来预测所述即将到港检验铁矿石的各品质指标的到岸港检验值与合同约定值之间的偏差值；
S600、预测到岸港检验值波动率，通过所述到岸港检验值波动率预测模块预测得到所述即将到港检验铁矿石的各品质指标的到岸港检验值波动率；
S700、预测品质波动性类别，结合预测得到的各品质指标的偏差值和到岸港检验值波动率，预测得到所述即将到港检验铁矿石的各品质指标的波动性类别；
S800、确定检验方案，通过所述检验次数分配模块，分配这个时段内到港检验的各个批次铁矿石的每一个品质指标的检验次数；
S900，预警贸易风险，通过所述品质预警模块，针对铁矿石品质波动大的供应商或产地，向铁矿石需求方发出预警，以提示贸易风险。
6.如权利要求5所述的铁矿石取样优化和品质波动预警系统方法，其特征在于，所述S500还包括：
S510，计算偏差值，针对每一批次铁矿石的每一个品质指标，计算到岸港检验值和合同约定值之间的偏差值，获得每一个品质指标的偏差值时间序列；
S520，所述偏差值时间序列白噪声检验，检验每一个品质指标的所述偏差值时间序列是否为白噪声序列；
S530，如果某一个品质指标的所述偏差值时间序列为白噪声序列，那么计算所述偏差值时间序列的平均值，获得所述即将到港检验铁矿石的该品质指标的偏差值的预测值；
S540，如果某一个品质指标的所述偏差值时间序列不是白噪声序列，那么开始进行时间序列模型拟合，获得所述即将到港检验铁矿石的该品质指标的偏差值的预测值。
7.如权利要求6所述的铁矿石取样优化和品质波动预警系统方法，其特征在于，所述S540还包括：
S541、初始化差分阶数d=0；
S542、判断所述偏差值时间序列是否是平稳序列；
S543、如果所述偏差值时间序列是平稳序列，则执行S544；否则，取差分阶数d=d+1，然后对所述偏差值时间序列进行一阶差分得到新的偏差值时间序列，继续判断所述新的偏差值时间序列是否为平稳序列，如果不是，则返回取差分阶数d=d+1进行循环，直至所述新的偏差值时间序列为平稳序列，则执行S544；
S544、利用衡量统计模型拟合优良性的AIC准则确定ARIMA(p,d,q)模型，即进行ARIMA模型参数
的确定；
S545、生成残差序列
，并进行ARCH检验，判断所述残差序列/>
是否存在异方差；
S546、如果存在所述异方差，那么对所述残差序列
构造GARCH（P,Q）模型，估计滞后阶数P和Q的值，然后执行S547；否则，直接执行S547；
S547、结合所述ARIMA(p,d,q)模型和所述残差序列的异方差性，确定预测模型，并预测所述即将到港检验铁矿石的该品质指标的偏差值。
8.如权利要求5所述的铁矿石取样优化和品质波动预警系统方法，其特征在于，所述S600还包括：
S610，历史到岸检验值波动率时间序列的白噪声检验，即检验每一个品质指标的所述历史到岸港检验值波动率时间序列是否为白噪声序列；
S620，如果某一个品质指标的所述历史到岸港检验值波动率时间序列为白噪声序列，那么计算所述历史到岸港检验值波动率时间序列的平均值，获得作为所述即将到港检验铁矿石的该品质指标的所述到岸港检验值波动率的预测值；
S630，如果某一个品质指标的所述历史到岸港检验数据的波动率时间序列不是白噪声序列，那么开始进行时间序列模型拟合，获得所述即将到港检验铁矿石的该品质指标的所述到岸港检验值波动率的预测值。
9.如权利要求8所述的铁矿石取样优化和品质波动预警系统方法，其特征在于，所述S630还包括：
S631、初始化差分阶数d=0；
S632、判断检验值波动率时间序列是否是平稳序列；
S633、如果所述检验值波动率时间序列是平稳序列，则执行S634；否则，取差分阶数d=d+1，然后对所述检验值波动率时间序列进行一阶差分，得到新的检验值波动率时间序列，继续判断所述新的检验值波动率时间序列是否为平稳序列，如果不是，则返回取差分阶数d=d+1进行循环，直至所述检验值波动率时间序列为平稳序列，则执行S634；
S634、利用衡量统计模型拟合优良性的AIC准则确定ARIMA(p,d,q)模型，即进行ARIMA模型参数
的确定；
S635、生成残差序列
，并进行ARCH检验，判断所述残差序列/>
是否存在异方差；
S636、如果存在所述异方差，那么对所述残差序列
构造GARCH（P,Q）模型，估计滞后阶数P和Q的值，执行S637；否则，直接执行S637；
S637、结合所述ARIMA(p,d,q)模型和所述残差序列的异方差性，确定预测模型，并预测所述即将到港检验铁矿石的该品质指标的到岸港检验值波动率。
10.如权利要求5至9任一所述的铁矿石取样优化和品质波动预警系统方法，其特征在于，所述S700还包括：
S710、结合所述即将到港检验铁矿石的各品质指标的偏差值预测值和对应波动性大小类别的偏差值区间，确定该批次铁矿石的该品质指标的波动性类别D1；
S720、结合所述即将到港检验铁矿石的各品质指标的到岸港检验值波动率预测值和对应波动性大小类别的检验值波动率区间，确定该批次铁矿石的该品质指标的波动性类别D2；
S730，对于各品质指标，结合由所述偏差值推断得到的波动性类别D1和由所述到岸港检验值波动率推断得到的波动性类别D2，取两者波动性中大的类别作为最终推断的该批次铁矿石的该品质指标的波动性类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010720689.0A CN111915177B (zh) | 2020-07-24 | 2020-07-24 | 一种铁矿石取样优化和品质波动预警系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010720689.0A CN111915177B (zh) | 2020-07-24 | 2020-07-24 | 一种铁矿石取样优化和品质波动预警系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111915177A CN111915177A (zh) | 2020-11-10 |
| CN111915177B true CN111915177B (zh) | 2023-05-26 |
Family
ID=73280720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010720689.0A Active CN111915177B (zh) | 2020-07-24 | 2020-07-24 | 一种铁矿石取样优化和品质波动预警系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111915177B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004318273A (ja) * | 2003-04-11 | 2004-11-11 | Canon System Solutions Inc | データ分析装置及びその制御方法、並びにコンピュータプログラム及びコンピュータ可読記憶媒体 |
| CN102156405A (zh) * | 2011-01-24 | 2011-08-17 | 王爱民 | 小样本贫信息下的烧结矿化学成分预测与智能控制系统 |
| CN102609784A (zh) * | 2012-01-16 | 2012-07-25 | 东北大学 | 一种钢铁原料场铁矿石配置方法 |
| CN103514324A (zh) * | 2013-09-17 | 2014-01-15 | 中华人民共和国北仑出入境检验检疫局 | 一种利用小波时间序列确定交货批铁矿石品位波动的方法 |
| CN104929687A (zh) * | 2015-07-02 | 2015-09-23 | 中国黄金集团内蒙古矿业有限公司 | 矿山数字化生产管控系统和方法 |
| WO2016086665A1 (zh) * | 2014-12-01 | 2016-06-09 | 曹树槐 | 基于三维评价与时域追溯的质量感知信息管理方法和系统 |
| CN105865830A (zh) * | 2015-01-23 | 2016-08-17 | 鞍钢股份有限公司 | 一种混匀铁矿石取样及化学成分预测方法 |
| CN109754118A (zh) * | 2018-12-26 | 2019-05-14 | 复旦大学 | 一种系统自适应的预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2010201891B2 (en) * | 2009-05-13 | 2015-02-12 | The University Of Sydney | A method and system for data analysis and synthesis |
-
2020
- 2020-07-24 CN CN202010720689.0A patent/CN111915177B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004318273A (ja) * | 2003-04-11 | 2004-11-11 | Canon System Solutions Inc | データ分析装置及びその制御方法、並びにコンピュータプログラム及びコンピュータ可読記憶媒体 |
| CN102156405A (zh) * | 2011-01-24 | 2011-08-17 | 王爱民 | 小样本贫信息下的烧结矿化学成分预测与智能控制系统 |
| CN102609784A (zh) * | 2012-01-16 | 2012-07-25 | 东北大学 | 一种钢铁原料场铁矿石配置方法 |
| CN103514324A (zh) * | 2013-09-17 | 2014-01-15 | 中华人民共和国北仑出入境检验检疫局 | 一种利用小波时间序列确定交货批铁矿石品位波动的方法 |
| WO2016086665A1 (zh) * | 2014-12-01 | 2016-06-09 | 曹树槐 | 基于三维评价与时域追溯的质量感知信息管理方法和系统 |
| CN105865830A (zh) * | 2015-01-23 | 2016-08-17 | 鞍钢股份有限公司 | 一种混匀铁矿石取样及化学成分预测方法 |
| CN104929687A (zh) * | 2015-07-02 | 2015-09-23 | 中国黄金集团内蒙古矿业有限公司 | 矿山数字化生产管控系统和方法 |
| CN109754118A (zh) * | 2018-12-26 | 2019-05-14 | 复旦大学 | 一种系统自适应的预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 某矿铁精矿品位与粒度自动控制系统研究;李刚等;《现代矿业》(第1期);第183-185页 * |
| 用神经网络评估进口铁矿石品位波动及品质特性;应海松等;《金属矿山》;第413卷(第11期);第121-124+188页 * |
| 经济全球化背景下的矿产资源开发利用与对外贸易研究;叶卉;《中国博士学位论文全文数据库 经济与管理科学辑》(第8期);第J150-8页 * |
| 进口铁矿石取样优化技术研究;赵家梁等;《科技创新与应用》(第11期);第56-57页 * |
| 进口铁矿石装卸两港铁含量检测值差异统计分析;刘四海等;《广州化工》;第41卷(第23期);第108-109页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111915177A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685289B (zh) | 高炉炉况顺行预测方法、装置及系统 | |
| Pan et al. | Pavement performance prediction through fuzzy regression | |
| US20130179092A1 (en) | Global crude oil quality monitoring using direct measurement and advanced analytic techniques for raw material valuation | |
| CN112308306A (zh) | 一种多模态输入的煤与瓦斯突出危险预测方法 | |
| CN109829534B (zh) | 露天煤矿排土场群落稳定性的评价方法、装置和系统 | |
| Sakar et al. | Analysing the effects of liquefaction on capsizing through integrating interpretive structural modelling (ISM) and fuzzy Bayesian networks (FBN) | |
| Ghorbani et al. | Systematic framework toward a highly reliable approach in metal accounting | |
| CN106442122A (zh) | 基于图像分割和辨识的钢材料落锤撕裂试验断口韧性断面百分比检测方法 | |
| Dudin et al. | Strategy for monitoring and ensuring safe operation of Russian gas transportation systems | |
| CN111915177B (zh) | 一种铁矿石取样优化和品质波动预警系统和方法 | |
| US20160371657A1 (en) | Systems and methods for managing populations of utility poles | |
| Engström et al. | Evaluation of sampling systems in iron ore concentrating and pelletizing processes–Quantification of Total Sampling Error (TSE) vs. process variation | |
| KR102500944B1 (ko) | 해양 수질 데이터의 변동성을 이용한 기후변화 취약해역 평가 방법 | |
| CN116823011A (zh) | 一种废弃硫铁矿区环境风险分级评价方法 | |
| CN114974452B (zh) | 一种确定二次转化来源的管控目标的方法和装置 | |
| Helia et al. | Failure Mode and Effect Analysis (FMEA) Applications to Identify Iron Sand Reject and Losses in Cement Industry: A Case Study | |
| Huynh et al. | Data analytics for intermodal freight transportation applications | |
| Junior et al. | Reliability of the sustainability assessment | |
| Mervelito et al. | Internal Auditing Paradigm Shift: From Traditional Audits to Audits in the 4.0 Industry Era | |
| Tobe et al. | A new method for predicting of rock fall from the tunnel face | |
| Nelson | Estimating acceptance-sampling plans for dependent production processes | |
| Fouet et al. | Standardising the reconciliation factors required in governance reporting | |
| CN113537684B (zh) | 多目标耦合约束下的海外炼化工程风险管理控制方法 | |
| Gaylard et al. | Metal accounting and corporate governance | |
| CN117291351B (zh) | 一种电缆智能化生产管理系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |