CN112349357B - 一种有色铜生产的长期配料方法及系统 - Google Patents
一种有色铜生产的长期配料方法及系统 Download PDFInfo
- Publication number
- CN112349357B CN112349357B CN202011221602.1A CN202011221602A CN112349357B CN 112349357 B CN112349357 B CN 112349357B CN 202011221602 A CN202011221602 A CN 202011221602A CN 112349357 B CN112349357 B CN 112349357B
- Authority
- CN
- China
- Prior art keywords
- coefficient vector
- ore
- batching
- grade
- omega
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B15/00—Obtaining copper
- C22B15/0026—Pyrometallurgy
- C22B15/0028—Smelting or converting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacture And Refinement Of Metals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种有色铜生产的长期配料方法及系统。所述有色铜生产的长期配料方法,包括:获取配料所需数据;根据所述配料所需数据计算最大配料单数;构建系数向量集合;所述系数向量集合中系数向量的个数为所述最大配料单数;依据所述配料所需数据和原矿对应的配料比例,采用差分进化算法对所述系数向量集合进行优化求解,得到最优系数向量;根据原矿中各元素的品位,构建生产约束模型;将所述最优系数向量输入所述生产约束模型得到生产约束优化模型;所述生产约束优化模型用于有色铜生产的配料。本发明使用差分进化算法对系数向量种群进行高效择优,得到长期配料计划结果,减少了原材料的浪费,使企业获得更大利润。
Description
技术领域
本发明涉及有色铜生产配料技术领域,特别是涉及一种有色铜生产的长期配料方法及系统。
背景技术
投产配料是铜冶炼生产的一个重要步骤,作为整个有色铜生产链的源头,科学、合理的配料计划对稳定炉况、平衡生产过程中的二次产物、保障产品质量及生产安全等起至关重要的作用。现有都是依靠人力来进行配料计划,由于现场配料人员缺乏长期考虑,经常出现配料单频繁切换、配料指标不达标和部分矿种存储时间过长等现象造成企业的损失,造成生产炉况不稳定和原矿囤积产生浪费等现象。因此需定制一种长期的配料计划来保证现场在稳定投料的同时,最大限度地延长现有矿量的投料时间,使企业获得更大利润。
随着研究应用工作的广泛开展,以整数线性规划和元启发方法为代表的优化方法已可以实现单个配料单的单目标或多目标的配置。然而,这些方式得到的结果缺乏对长期库存和长期来料计划的考虑,无法满足现场对长期配矿的需求。鉴于此,除了动态规划和强化学习等可以用来实现多段决策问题的优化求解,还可以将原复杂问题分成若干个决策配料单,对每一配料单逐次求解,最终得到全局最优解,然而,这些方法存在明显不足:首先,由于难以建立长期生产模型,整数线性规划方法难以实施;由于整个长期配料过程涉及变量维数巨大,且约束条件众多,直接应用差分进化算法进行求解会导致中间有效迭代过程极其有限,且结果稳定性和收敛性无法得到保障;其次,由于长期配矿问题各变量的最终状态在优化前无法预知,且整个过程不满足贝尔曼优化条件,因此无法构建学习模型,所以现在急需一种满足现场对长期配矿的需求,减少企业的损失的更加优化的配料方法。
发明内容
本发明的目的是提供一种有色铜生产的长期配料方法及系统,以通过对配料所需数据的考虑,使用差分进化算法对系数向量种群进行高效择优,得到长期配料计划结果,满足现场对长期配矿的需求,以减少原材料的浪费,从而减少企业的损失,使企业获得更大利润。
为实现上述目的,本发明提供了如下方案:
一种有色铜生产的长期配料方法,包括:
获取配料所需数据;所述配料所需数据包括:原矿的当前库存量、设定时间内的原矿最大来料量、配料单切换时间和每小时的投料量;
根据所述配料所需数据计算最大配料单数;
构建系数向量集合;所述系数向量集合中系数向量的个数为所述最大配料单数;
依据所述配料所需数据和原矿对应的配料比例,采用差分进化算法对所述系数向量集合进行优化求解,得到最优系数向量;
根据原矿中各元素的品位,构建生产约束模型;
将所述最优系数向量输入所述生产约束模型得到生产约束优化模型;所述生产约束优化模型用于有色铜生产的配料。
可选的,所述根据所述配料所需数据计算最大配料单数,具体为:
可选的,所述生产约束模型为:
其中,xi为第i种原矿对应的配料比例,ωCui为第i种原矿中Cu的品位,ωSi为第i种原矿中S的品位,ωAui为第i种原矿中Au的品位,ωAgi为第i种原矿中 Ag品位,ωFRCul为混合矿中Cu的品位的下限,ωFRSi为混合矿中S的品位的下限,ωFRAui为混合矿中Au的品位的下限,ωFRAgi为混合矿中Ag的品位的下限,ωFRCuu为混合矿中Cu的品位的上限,ωFRSu为混合矿中S的品位的上限,ωFRAuu为混合矿中 Au的品位的上限,ωFRAgu为混合矿中Ag的品位的上限,n为原矿种类总数,τscul为混合矿的硫铜比的下限,τscuu为混合矿的硫铜比的上限,Wit为第i种矿在第j 张配料单时的库存量,μ为配料单切换时间,ωFRkl为混合矿第k种杂质的下限,ωFRku为混合矿第k种杂质的上限,ωki为第i种矿中第k种杂质的品位,为第m 张配料单的生产约束模型的系数向量。
可选的,所述依据所述配料所需数据,采用差分进化算法对所述系数向量集合进行优化求解,得到最优系数向量,具体为:
初始化系数向量种群为所述系数向量集合;
对所述系数向量种群依次进行个体变异操作和交叉操作得到繁衍后的系数向量种群;
将所述繁衍后的系数向量种群和所述系数向量种群合并得到新系数向量种
群;
采用贪婪算法对所述新系数向量种群进行计算得到最优系数向量。
可选的,所述采用贪婪算法对所述新系数向量种群进行计算得到最优系数向量,具体为:
根据当前精矿的库存量、原矿对应的配料比例和每小时的投料量计算所述新系数向量种群中所有个体的配料方案总时长;
采用贪婪算法确定所有个体的配料方案总时长中的最优配料方案总时长;
判断当前迭代次数是否达到最大迭代次数;
若否,则返回所述对所述系数向量种群依次进行个体变异操作和交叉操作得到繁衍后的系数向量种群;
若是,则确定与所述最优配料方案总时长对应的个体为最优系数向量。
一种有色铜生产的长期配料系统,包括:
数据获取模块,用于获取配料所需数据;所述配料所需数据包括:原矿的当前库存量、设定时间内的原矿最大来料量、配料单切换时间和每小时的投料量;
最大配料单数计算模块,用于根据所述配料所需数据计算最大配料单数;
集合构建模块,用于构建系数向量集合;所述系数向量集合中系数向量的个数为所述最大配料单数;
最优系数向量计算模块,用于依据所述配料所需数据和原矿对应的配料比例,采用差分进化算法对所述系数向量集合进行优化求解,得到最优系数向量;
模型构建模块,用于根据原矿中各元素的品位,构建生产约束模型;
配料确定模块,用于将所述最优系数向量输入所述生产约束模型得到生产约束优化模型;所述生产约束优化模型用于有色铜生产的配料。
可选的,所述最大配料单数计算模块,包括:
可选的,所述模型构建模块中的所述生产约束模型为:
其中,xi为第i种原矿对应的配料比例,ωCui为第i种原矿中Cu的品位,ωSi为第i种原矿中S的品位,ωAui为第i种原矿中Au的品位,ωAgi为第i种原矿中 Ag品位,ωFRCul为混合矿中Cu的品位的下限,ωFRSi为混合矿中S的品位的下限,ωFRAui为混合矿中Au的品位的下限,ωFRAgi为混合矿中Ag的品位的下限,ωFRCuu为混合矿中Cu的品位的上限,ωFRSu为混合矿中S的品位的上限,ωFRAuu为混合矿中 Au的品位的上限,ωFRAgu为混合矿中Ag的品位的上限,n为原矿种类总数,τscul为混合矿的硫铜比的下限,τscuu为混合矿的硫铜比的上限,Wit为第i种矿在第j 张配料单时的库存量,μ为配料单切换时间,ωFRkl为混合矿第k种杂质的下限,ωFRku为混合矿第k种杂质的上限,ωki为第i种矿中第k种杂质的品位,为第m 张配料单的生产约束模型的系数向量。
可选的,所述最优系数向量计算模型,包括:
集合初始化单元,用于初始化系数向量种群为所述系数向量集合;
系数向量种群确定单元,用于对所述系数向量种群依次进行个体变异操作和交叉操作得到繁衍后的系数向量种群;
新系数向量种群确定单元,用于将所述繁衍后的系数向量种群和所述系数向量种群合并得到新系数向量种群;
最优系数向量计算单元,用于采用贪婪算法对所述新系数向量种群进行计算得到最优系数向量。
可选的,所述最优系数向量计算单元,包括:
配料方案总时长确定单元,用于根据当前精矿的库存量、原矿对应的配料比例和每小时的投料量计算所述新系数向量种群中所有个体的配料方案总时长;
最优配料方案总时长确定单元,用于采用贪婪算法确定所有个体的配料方案总时长中的最优配料方案总时长;
第一判断单元,用于判断当前迭代次数是否达到最大迭代次数;
第一结果确定单元,用于若否,则返回所述系数向量种群确定单元;
第二结果确定单元,用于若是,则确定与所述最优配料方案总时长对应的个体为最优系数向量。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明根据配料所需数据计算最大配料单数,然后根据最大配料单数设定生产约束模型的系数向量并组成系数向量种群,采用差分进化算法对系数向量种群进行处理得到最优系数向量,然后根据生产约束模型得到长期配料的结果,通过对配料所需数据的考虑,使用差分进化算法对系数向量种群进行高效择优,得到长期配料计划结果,满足现场对长期配矿的需求,减少企业的损失,使企业获得更大利润。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种有色铜生产的长期配料方法的流程图;
图2为本发明实施例提供的一种有色铜生产的长期配料系统组成示意图;
图3为本发明实施例提供的有色铜生产企业生产物料流转示意图;
图4为本发明实施例提供的配矿流程示意图;
图5为本发明实施例提供的有色铜生产的长期配料方法的思路示意图;
图6(a)为采用本实施例提供的有色铜生产的长期配料方法的一个月矿量规划收敛结果图;
图6(b)为直接采用元启发方法的一个月矿量规划收敛结果图。
图7(a)为采用本实施例提供的有色铜生产的长期配料方法的三个月矿量规划收敛结果图;
图7(b)为直接采用元启发方法的三个月矿量规划收敛结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例提供了一种有色铜生产的长期配料方法,如图1所示,所述方法包括:
101:获取配料所需数据。所述配料所需数据包括:原矿的当前库存量、设定时间内的原矿最大来料量、配料单切换时间和每小时的投料量,其中原矿包括精矿和混合矿,精矿是混合矿的原料,通过混合一定配比的不同种类精矿得到最终产物为混合矿。
102:根据所述配料所需数据计算最大配料单数。
103:构建系数向量集合;所述系数向量集合中系数向量的个数为所述最大配料单数。
104:依据所述配料所需数据和原矿对应的配料比例,采用差分进化算法对所述系数向量集合进行优化求解,得到最优系数向量。
105:根据原矿中各元素的品位,构建生产约束模型。
106:将所述最优系数向量输入所述生产约束模型得到生产约束优化模型。所述生产约束优化模型用于有色铜生产的配料。
其中,所述根据所述配料所需数据计算最大配料单数,具体为:
其中,所述生产约束模型为:
其中,xi为第i种原矿对应的配料比例,ωCui为第i种原矿中Cu的品位,ωSi为第i种原矿中S的品位,ωAui为第i种原矿中Au的品位,ωAgi为第i种原矿中Ag品位,ωFRCul为混合矿中Cu的品位的下限,ωFRSi为混合矿中S的品位的下限,ωFRAui为混合矿中Au的品位的下限,ωFRAgi为混合矿中Ag的品位的下限,ωFRCuu为混合矿中Cu的品位的上限,ωFRSu为混合矿中S的品位的上限,ωFRAuu为混合矿中 Au的品位的上限,ωFRAgu为混合矿中Ag的品位的上限,n为原矿种类总数,τscul为混合矿的硫铜比的下限,τscuu为混合矿的硫铜比的上限,Wit为第i种矿在第j 张配料单时的库存量,μ为配料单切换时间,ωFRkl为混合矿第k种杂质的下限,ωFRku为混合矿第k种杂质的上限,ωki为第i种矿中第k种杂质的品位,为第m 张配料单的生产约束模型的系数向量,为的转置。
其中,所述依据所述配料所需数据,采用差分进化算法对所述系数向量集合进行优化求解,得到最优系数向量,具体为:
初始化系数向量种群为所述系数向量集合。
对所述系数向量种群依次进行个体变异操作和交叉操作得到繁衍后的系数向量种群。
将所述繁衍后的系数向量种群和所述系数向量种群合并得到新系数向量种群。
采用贪婪算法对所述新系数向量种群进行计算得到最优系数向量。
其中,所述采用贪婪算法对所述新系数向量种群进行计算得到最优系数向量,具体为:
根据当前精矿的库存量、原矿对应的配料比例和每小时的投料量计算所述新系数向量种群中所有个体的配料方案总时长。
采用贪婪算法确定所有个体的配料方案总时长中的最优配料方案总时长。
判断当前迭代次数是否达到最大迭代次数。
若否,则返回所述对所述系数向量种群依次进行个体变异操作和交叉操作得到繁衍后的系数向量种群。
若是,则确定与所述最优配料方案总时长对应的个体为最优系数向量。
如图2所示,本实施例还提供了一种与上述方法对应的有色铜生产的长期配料系统,所述系统具体包括:
数据获取模块A1,用于获取配料所需数据;所述配料所需数据包括:原矿的当前库存量、设定时间内的原矿最大来料量、配料单切换时间和每小时的投料量。
最大配料单数计算模块A2,用于根据所述配料所需数据计算最大配料单数。
集合构建模块A3,用于构建系数向量集合;所述系数向量集合中系数向量的个数为所述最大配料单数。
最优系数向量计算模块A4,用于依据所述配料所需数据和原矿对应的配料比例,采用差分进化算法对所述系数向量集合进行优化求解,得到最优系数向量。
模型构建模块A5,用于根据原矿中各元素的品位,构建生产约束模型。
配料确定模块A6,用于将所述最优系数向量输入所述生产约束模型得到生产约束优化模型;所述生产约束优化模型用于有色铜生产的配料。
作为一种可选的实施方式,所述最大配料单数计算模块,包括:
可选的,所述模型构建模块中的所述生产约束模型为:
其中,xi为第i种原矿对应的配料比例,ωCui为第i种原矿中Cu的品位,ωSi为第i种原矿中S的品位,ωAui为第i种原矿中Au的品位,ωAgi为第i种原矿中 Ag品位,ωFRCul为混合矿中Cu的品位的下限,ωFRSi为混合矿中S的品位的下限,ωFRAui为混合矿中Au的品位的下限,ωFRAgi为混合矿中Ag的品位的下限,ωFRCuu为混合矿中Cu的品位的上限,ωFRSu为混合矿中S的品位的上限,ωFRAuu为混合矿中 Au的品位的上限,ωFRAgu为混合矿中Ag的品位的上限,n为原矿种类总数,τscul为混合矿的硫铜比的下限,τscuu为混合矿的硫铜比的上限,Wit为第i种矿在第j 张配料单时的库存量,μ为配料单切换时间,ωFRkl为混合矿第k种杂质的下限,ωFRku为混合矿第k种杂质的上限,ωki为第i种矿中第k种杂质的品位,为第m 张配料单的生产约束模型的系数向量。
作为一种可选的实施方式,所述最优系数向量计算模型,包括:
集合初始化单元,用于初始化系数向量种群为所述系数向量集合。
系数向量种群确定单元,用于对所述系数向量种群依次进行个体变异操作和交叉操作得到繁衍后的系数向量种群。
新系数向量种群确定单元,用于将所述繁衍后的系数向量种群和所述系数向量种群合并得到新系数向量种群。
最优系数向量计算单元,用于采用贪婪算法对所述新系数向量种群进行计算得到最优系数向量。
作为一种可选的实施方式,所述最优系数向量计算单元,包括:
配料方案总时长确定单元,用于根据当前精矿的库存量、原矿对应的配料比例和每小时的投料量计算所述新系数向量种群中所有个体的配料方案总时长。
最优配料方案总时长确定单元,用于采用贪婪算法确定所有个体的配料方案总时长中的最优配料方案总时长。
第一判断单元,用于判断当前迭代次数是否达到最大迭代次数。
第一结果确定单元,用于若否,则返回所述系数向量种群确定单元。
第二结果确定单元,用于若是,则确定与所述最优配料方案总时长对应的个体为最优系数向量。
下面以国内某有色铜生产企业为例做进一步说明。如图3所示的有色铜生产物流图,其中闪速熔炼和闪速吹炼构成双闪生产单元,将原料精矿转化为粗铜;过程中产生的废料经过选矿车间的粉碎晒干后产生渣精矿,并重新作为二次原料投入生产;过程中产生的烟气通过硫酸车间制酸产出为浓硫酸。此外,粗铜在经过阳极炉和竖炉加工生成可电解的阳极板。从生产流程可以看出,合理稳定控制精矿投入对保障生产的安全进行,延长生产时间有重要作用,因此是排产人员的工作重点。如图4所示,当配料单中的一种矿消耗光时,需要重新配置配料单。配料单不但要使配料后混合矿满足生产约束,同时需要满足配料单的有效时间大于生产间隔,以防止频繁切换配料单造成生产炉况不稳定,影响生产安全。由于排产过程不但涉及当前库存矿种,也与排产期内预计到矿相关,且配料过程中矿种库存会实时消耗,因此该问题是一个具有高维时变变量空间的非凸优化问题。排产人员仅能根据当前时刻配置可行配料单,无法考虑到未来库存情况。本实施例即针对此问题,开展有色铜生产长期配料计划的优化方法研究与应用工作。
如图5所示,本实施例的具体实施步骤如下:
步骤1:数据预处理
从生产现场的SAP数据库中读取配料所需数据;所述配料所需数据包括:原矿的当前库存量、设定时间内的原矿最大来料量、配料单切换时间和每小时的投料量,并做显著误差检测、数据协调等预处理工作。
步骤2:计算最大阶段数
步骤3:分阶段模型顺序求解
首先考虑生产及安全要求,建模叙述如下:
混合矿的Cu、S、Au、Ag品位在一定范围内
其中,xi为第i种原矿对应的配料比例,ωCui、ωSi、ωAui、ωAgi为第i种原矿的Cu、S、Au、Ag品位,ωFRCul、ωFRSi、ωFRAui、ωFRAgi为混合矿Cu、S、Au、Ag 品位的下限,ωFRCuu、ωFRSu、ωFRAuu、ωFRAgu为混合矿Cu、S、Au、Ag品位的上限, n为原矿种类总数。
混合矿的硫铜比在一定范围内
转变为标准形式为
其中τscul和τscuu为混合矿的硫铜比的下限和上限。
转换为标准形式为
配料单切换时间大于μh
μ×Ptxi≤Wit (6)
转换为标准形式为
其中Wit为第i种矿在第t张配料单时的实时库存。
混合矿中杂质(包括Al2O3、F-、Sb、Bi、CaO、MgO、As、Pb、Zn、Ni、 Cd、Se、Hg)在一定范围内。
其中ωFRkl和ωFRku分别为混合矿第k种杂质的下限和上限ωki为第i种矿对应的杂质品位。
根据以上约束条件可以建立线性约束条件集合。为了求取一个可行解,采用随机线性目标函数的方式建立以下整数线性规划模型:
其中为第m张配料单的整数规划模型目标函数的系数向量,此过程是为了求得在该约束条件下的一个可行解。由于在进行配矿时需要连续配制多张配料单,因此在进行连续规划求解前,需要根据最大配料单数初始化一系列的整数规划系数向量,从而组成整体规划向量其表达式如下所示。
该种求解模式将整体配料过程划分为nmax个求解阶段,每次求解可行配料单时,从向量中抽取对应次数序号的作为整数规划求解的系数向量。对每张配料单顺序求解,直到整数规划无解时,该条配料方案结束。通过计算每张配料单的使用时长tm,可以得到该条配料方案的总时长T。
步骤4:长期配料计划全局优化
由于分阶段顺序求解的模式可以稳定获得可行解,那么每个整体规划向量与其分段顺序规划结果一一对应。为了获得一个较好长期计划,可以根据这种对应关系、采用元启发式方法对整体规划向量空间进行全局搜索。该种方法避免了直接对解空间搜索,而是通过搜索与可行解空间存在对应关系的整体规划向量空间,达到了有效减少无效搜索次数、极大加快算法收敛速度的效果。考虑不同元启发式方法的收敛性和求解速度差异,本实施例运用差分进化 (Differential Evolution,DE)算法进行求解。需要特别指出的是,由于每次进化过程种群中个体为整体规划向量,与解空间映射时需要进行若干次的整数规划求解;而对于每个个体,该过程都是相互独立的,因此本发明对种群中个体的分阶段顺序求解过程采用并行策略处理,如此可以极大地缩短算法运行时间,以达到工程实际应用要求。
DE是一种基于全局的启发式搜索算法,在迭代过程中加入了全局最优个体 (适应度函数值最高的个体)作为指导信息,提高了交叉变异的指向性,以下为采用DE方法进行长期排料计划全局优化的计算步骤:
步骤202:进行个体变异操作:
其中F为缩放因子,其计算公式为:
F=F0·2λ
其中F0为进化算子,Gmax为最大迭代次数,G为当前迭代次数。
步骤203:进行交叉操作:
其中r为0至1之间的随机数,CR为交叉概率,jr为小于个体维度的随机正整数。
步骤205:将新旧两个种群混合并采用贪婪取优的方式保留配料方案总时长较长的前d个个体,组成新种群,并将最优个体标记为Gbest。
步骤206:若算法未达到最大迭代次数,则回到步骤202;否则返回最优个体及其对应的配料单。
将模型中参数设置为μ=5并分别采用本发明方法与直接规划方法进行对比实验。图6和图7是针对熔炼厂一个月和三个月计划配料的优化结果,其中图6(a)和图7(a)对应本发明方法,图6(b)和图7(b)对应直接规划方法,即每次随机各阶段配料单并采用罚函数方式以获得每阶段可行解。最终收敛结果及运算效率比较,衡量指标包括迭代次数(Iterations,IT),适应度函数值(Fitness function value,FF),精矿消耗比例(Concentrate consumption ratio,CCR)以及运行时间(Computing Time,CT)。
通过表1的结果可以明显看出,本实施例提供的方法在精度表现和运算效率上均优于直接规划方法。
表1两种方法在长期规划配矿规划的收敛结果及耗时比较
本实施例的有益效果:本实施例的长期配料优化方法将元启发式寻优方法与组合优化相结合,克服了传统直接规划方法获取每阶段配料单可能解困难的问题,简化人工配料流程,避免采用试凑方式的低效作业模式,所提出的分阶段优化方法将原本庞大的变量空间划分为若干变量组,并保证了元启发式算法中每次进化得到的解都是可行解,避免了无效的迭代。此外,利用元启发式方法全局搜索择优的特点,通过迭代进化的方式使得每一代得到的最优个体对应的目标函数呈递增趋势。加之并行计算在顺序求解过程中的运用,保障了本发明的计算效率符合实际应用需求,是一种精确求解方法与元启发式方法相结合的有色铜生产长期配料计划优化方法。本实施例采用真实配料数据,首先根据生产工艺需求获取最大排产单数;由于生产过程中约束条件众多,本发明对每一配料单采用随机线性目标函数,并应用整数线性规划方法获取可行解;为了能在全局解空间内搜索得到较优配料计划,本发明采用差分进化算法,随机生成基于最大排产单数的线性目标函数系数序列种群,并运用并行计算策略,优化迭代得较优的配料计划。此方法所得到结果均为可行解,且计算效率符合实际应用要求,在铜生产企业其他原料排产中亦可推广应用。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种有色铜生产的长期配料方法,其特征在于,包括:
获取配料所需数据;所述配料所需数据包括:原矿的当前库存量、设定时间内的原矿最大来料量、配料单切换时间和每小时的投料量;
根据所述配料所需数据计算最大配料单数;
构建系数向量集合;所述系数向量集合中系数向量的个数为所述最大配料单数;
依据所述配料所需数据和原矿对应的配料比例,采用差分进化算法对所述系数向量集合进行优化求解,得到最优系数向量;
根据原矿中各元素的品位,构建生产约束模型;
将所述最优系数向量输入所述生产约束模型得到生产约束优化模型;所述生产约束优化模型用于有色铜生产的配料;
所述根据所述配料所需数据计算最大配料单数,具体为:
2.如权利要求1所述的有色铜生产的长期配料方法,其特征在于,所述生产约束模型为:
其中,xi为第i种原矿对应的配料比例,ωCui为第i种原矿中Cu的品位,ωSi为第i种原矿中S的品位,ωAui为第i种原矿中Au的品位,ωAgi为第i种原矿中Ag品位,ωFRCul为混合矿中Cu的品位的下限,ωFRSi为混合矿中S的品位的下限,ωFRAui为混合矿中Au的品位的下限,ωFRAgi为混合矿中Ag的品位的下限,ωFRCuu为混合矿中Cu的品位的上限,ωFRSu为混合矿中S的品位的上限,ωFRAuu为混合矿中Au的品位的上限,ωFRAgu为混合矿中Ag的品位的上限,n为原矿种类总数,τscul为混合矿的硫铜比的下限,τscuu为混合矿的硫铜比的上限,Wit为第i种矿在第j张配料单时的库存量,μ为配料单切换时间,ωFRkl为混合矿第k种杂质的下限,ωFRku为混合矿第k种杂质的上限,ωki为第i种矿中第k种杂质的品位,为第m张配料单的生产约束模型的系数向量,Pt为每小时的投料量。
3.如权利要求1所述的有色铜生产的长期配料方法,其特征在于,所述依据所述配料所需数据,采用差分进化算法对所述系数向量集合进行优化求解,得到最优系数向量,具体为:
初始化系数向量种群为所述系数向量集合;
对所述系数向量种群依次进行个体变异操作和交叉操作得到繁衍后的系数向量种群;
将所述繁衍后的系数向量种群和所述系数向量种群合并得到新系数向量种群;
采用贪婪算法对所述新系数向量种群进行计算得到最优系数向量。
4.如权利要求3所述的有色铜生产的长期配料方法,其特征在于,所述采用贪婪算法对所述新系数向量种群进行计算得到最优系数向量,具体为:
根据当前精矿的库存量、原矿对应的配料比例和每小时的投料量计算所述新系数向量种群中所有个体的配料方案总时长;
采用贪婪算法确定所有个体的配料方案总时长中的最优配料方案总时长;
判断当前迭代次数是否达到最大迭代次数;
若否,则返回所述对所述系数向量种群依次进行个体变异操作和交叉操作得到繁衍后的系数向量种群;
若是,则确定与所述最优配料方案总时长对应的个体为最优系数向量。
5.一种有色铜生产的长期配料系统,其特征在于,包括:
数据获取模块,用于获取配料所需数据;所述配料所需数据包括:原矿的当前库存量、设定时间内的原矿最大来料量、配料单切换时间和每小时的投料量;
最大配料单数计算模块,用于根据所述配料所需数据计算最大配料单数;
集合构建模块,用于构建系数向量集合;所述系数向量集合中系数向量的个数为所述最大配料单数;
最优系数向量计算模块,用于依据所述配料所需数据和原矿对应的配料比例,采用差分进化算法对所述系数向量集合进行优化求解,得到最优系数向量;
模型构建模块,用于根据原矿中各元素的品位,构建生产约束模型;
配料确定模块,用于将所述最优系数向量输入所述生产约束模型得到生产约束优化模型;所述生产约束优化模型用于有色铜生产的配料;
所述最大配料单数计算模块,包括:
6.如权利要求5所述的有色铜生产的长期配料系统,其特征在于,所述模型构建模块中的所述生产约束模型为:
其中,xi为第i种原矿对应的配料比例,ωCui为第i种原矿中Cu的品位,ωSi为第i种原矿中S的品位,ωAui为第i种原矿中Au的品位,ωAgi为第i种原矿中Ag品位,ωFRCul为混合矿中Cu的品位的下限,ωFRSi为混合矿中S的品位的下限,ωFRAui为混合矿中Au的品位的下限,ωFRAgi为混合矿中Ag的品位的下限,ωFRCuu为混合矿中Cu的品位的上限,ωFRSu为混合矿中S的品位的上限,ωFRAuu为混合矿中Au的品位的上限,ωFRAgu为混合矿中Ag的品位的上限,n为原矿种类总数,τscul为混合矿的硫铜比的下限,τscuu为混合矿的硫铜比的上限,Wit为第i种矿在第j张配料单时的库存量,μ为配料单切换时间,ωFRkl为混合矿第k种杂质的下限,ωFRku为混合矿第k种杂质的上限,ωki为第i种矿中第k种杂质的品位,为第m张配料单的生产约束模型的系数向量,Pt为每小时的投料量。
7.如权利要求5所述的有色铜生产的长期配料系统,其特征在于,所述最优系数向量计算模型,包括:
集合初始化单元,用于初始化系数向量种群为所述系数向量集合;
系数向量种群确定单元,用于对所述系数向量种群依次进行个体变异操作和交叉操作得到繁衍后的系数向量种群;
新系数向量种群确定单元,用于将所述繁衍后的系数向量种群和所述系数向量种群合并得到新系数向量种群;
最优系数向量计算单元,用于采用贪婪算法对所述新系数向量种群进行计算得到最优系数向量。
8.如权利要求7所述的有色铜生产的长期配料系统,其特征在于,所述最优系数向量计算单元,包括:
配料方案总时长确定单元,用于根据当前精矿的库存量、原矿对应的配料比例和每小时的投料量计算所述新系数向量种群中所有个体的配料方案总时长;
最优配料方案总时长确定单元,用于采用贪婪算法确定所有个体的配料方案总时长中的最优配料方案总时长;
第一判断单元,用于判断当前迭代次数是否达到最大迭代次数;
第一结果确定单元,用于若否,则返回所述系数向量种群确定单元;
第二结果确定单元,用于若是,则确定与所述最优配料方案总时长对应的个体为最优系数向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011221602.1A CN112349357B (zh) | 2020-11-05 | 2020-11-05 | 一种有色铜生产的长期配料方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011221602.1A CN112349357B (zh) | 2020-11-05 | 2020-11-05 | 一种有色铜生产的长期配料方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112349357A CN112349357A (zh) | 2021-02-09 |
CN112349357B true CN112349357B (zh) | 2021-07-30 |
Family
ID=74428734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011221602.1A Active CN112349357B (zh) | 2020-11-05 | 2020-11-05 | 一种有色铜生产的长期配料方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112349357B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267695A (zh) * | 2014-09-23 | 2015-01-07 | 东北大学 | 一种选矿过程工艺指标优化决策系统及方法 |
CN104699957A (zh) * | 2015-02-10 | 2015-06-10 | 山西太钢不锈钢股份有限公司 | 基于改进差分进化算法的炼焦配煤比优化方法 |
CN110874511A (zh) * | 2019-11-19 | 2020-03-10 | 武汉晨曦芸峰科技有限公司 | 一种智能炉料配比计算方法 |
US10678233B2 (en) * | 2017-08-02 | 2020-06-09 | Strong Force Iot Portfolio 2016, Llc | Systems and methods for data collection and data sharing in an industrial environment |
CN111798940A (zh) * | 2020-06-28 | 2020-10-20 | 南方科技大学 | 一种基于深度神经网络算法预测超导材料的方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112017005255A5 (de) * | 2016-10-18 | 2019-07-11 | Reifenhäuser GmbH & Co. KG Maschinenfabrik | Verfahren und datenerfassungsgerät zum bereitstellen, abrufen und nutzen eines datenelements im rahmen eines prozesses zum herstellen einer bahnware aus kunststoff |
KR102072445B1 (ko) * | 2018-01-30 | 2020-02-03 | 서강대학교 산학협력단 | 마이크로웰 어레이의 이미지 분석을 위한 분석 알고리즘 형성방법 |
CN111765445B (zh) * | 2020-07-01 | 2021-10-15 | 河北工业大学 | 一种锅炉在线燃烧优化控制方法、系统及计算机设备 |
-
2020
- 2020-11-05 CN CN202011221602.1A patent/CN112349357B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267695A (zh) * | 2014-09-23 | 2015-01-07 | 东北大学 | 一种选矿过程工艺指标优化决策系统及方法 |
CN104699957A (zh) * | 2015-02-10 | 2015-06-10 | 山西太钢不锈钢股份有限公司 | 基于改进差分进化算法的炼焦配煤比优化方法 |
US10678233B2 (en) * | 2017-08-02 | 2020-06-09 | Strong Force Iot Portfolio 2016, Llc | Systems and methods for data collection and data sharing in an industrial environment |
CN110874511A (zh) * | 2019-11-19 | 2020-03-10 | 武汉晨曦芸峰科技有限公司 | 一种智能炉料配比计算方法 |
CN111798940A (zh) * | 2020-06-28 | 2020-10-20 | 南方科技大学 | 一种基于深度神经网络算法预测超导材料的方法及装置 |
Non-Patent Citations (2)
Title |
---|
《an improved differential evolution for batching problem in steelmaking》;Wenjie Xu等;《2015 IEEE congress onevolutionary computation》;20150528;全文 * |
《钢铁原料库存及布局优化》;马彩凤;《全国优秀硕士学位论文全文库》;20150515;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112349357A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107168267A (zh) | 基于改进粒子群与启发式策略的生产排产方法及系统 | |
Qin et al. | A collaborative iterative greedy algorithm for the scheduling of distributed heterogeneous hybrid flow shop with blocking constraints | |
CN111783254B (zh) | 一种基于多目标混合整数规划的钢材切割控制方法及装置 | |
CN108710970B (zh) | 一种巨型梯级水电系统的多目标调度并行降维方法 | |
CN104680012A (zh) | 一种烧结配料计算模型 | |
CN107146039A (zh) | 一种多目标协同控制的定制式混流装配生产方法及装置 | |
Li et al. | Multi-objective flexible job-shop scheduling problem in steel tubes production | |
CN113537568A (zh) | 一种钢铁热轧生产调度计划确定方法及系统 | |
CN112349357B (zh) | 一种有色铜生产的长期配料方法及系统 | |
CN101587573A (zh) | 一种纸厂纸卷分切与库存综合优化的方法 | |
Cheng et al. | Optimal scheduling of copper concentrate operations under uncertainty | |
CN115145235A (zh) | 一种铸造全流程的多目标智能调度方法 | |
CN102621941A (zh) | 一种冷轧电镀锌机组钢卷排序方法及系统 | |
Sun et al. | RESCHEDULING OPTIMIZATION OF STEELMAKING-CONTINUOUS CASTING PROCESS BASED ON THE LAGRANGIAN HEURISTIC ALGORITHM. | |
Chaudhry et al. | No-wait flowshop scheduling using genetic algorithm | |
Kumar et al. | Optimal load scheduling for industrial load-Analysis for a generalized industrial load model | |
Wu et al. | A cooperative coevolutionary algorithm with problem-specific knowledge for energy-efficient scheduling in seru system | |
CN104503382A (zh) | 一种制药化工生产中原料结晶过程的优化调度方法 | |
Guirong et al. | Solving the steelmaking-continuous casting production scheduling problem with uncertain processing time under the TOU electricity price | |
Ahmadi Basir et al. | A green mathematical model for a single-machine scheduling problem with batch delivery system | |
Al-Ashhab et al. | Multi-Product Master Production Scheduling Optimization Modelling Using Mixed Integer Linear Programming And Genetic Algorithms | |
Almasarwah et al. | Loading And Batch-Cyclic Flowshop Scheduling In Cellular Manufacturing Systems | |
Li et al. | A novel collaborative iterative greedy algorithm for hybrid flowshop scheduling problem with batch processing machines and variable sublots | |
Wang et al. | Heuristic for hot-rolled batch scheduling of seamless steel tubes with machine maintenance and tardiness | |
CN112766615B (zh) | 一种平行工序间量平衡的产线分工方法及装置 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Long Term Batching Method and System for Nonferrous Copper Production Effective date of registration: 20230727 Granted publication date: 20210730 Pledgee: Agricultural Bank of China Limited Dalian high tech Industrial Park sub branch Pledgor: Dalian YingDaSi Intelligent Technology Co.,Ltd. Registration number: Y2023980050194 |