CN115941505B - 基于大数据和地理位置信息的矿山智能配矿方法及系统 - Google Patents

Abstract

基于大数据和地理位置信息的矿山智能配矿方法及系统，包括步骤S1：建立配矿模型，基于配矿目标和配矿约束信息生成配矿方案；步骤S2：基于配矿方案和配矿完成天数生成配矿计划；步骤S3：获取完成本次配矿任务的总运力和平衡运力，所述总运力包括第一运力和第二运力，判断每日出矿总量是否大于所述平衡运力，是的情况下，执行步骤S4，否的情况下，将第一运力和第二运力的数值设置为与每日出矿总量相同；步骤S4：建立运力模型，基于智能算法求解所述运力模型，获得运力调整方案；步骤S5：更新矿山内的爆堆数据。本发明增加了资源综合利用率、爆堆和卸矿场的地理位置等约束条件，从而增加了配矿指标，使得用户可以综合多方面指标进行配矿操作。

Description

基于大数据和地理位置信息的矿山智能配矿方法及系统

技术领域

本发明属于矿山配矿技术领域，具体涉及基于大数据和地理位置信息的矿山智能配矿方法及系统。

背景技术

配矿工作是结合矿山生产目标和生产技术条件限制进行矿石质量综合的系统工程，按照一定比例将不同品位的矿石进行搭配、混匀，使其满足矿山矿石产品质量要求。通过将高低不同品位矿石进行质量匹配、中和，以增加合格矿石的产出量，减少矿山废石量的占用空间，改善矿山企业的经济效益，提高矿产资源的利用率。

当前配矿的主要过程是获取本次配矿中各种元素的目标含量，然后从高品质和低品质的爆堆中运输出一定量的矿石在堆矿场中进行搭配，从而达到配矿的目的；由于计算机技术的发展，大多数矿场已经配备了数字化配矿系统，但是现有的矿山配矿系统一般利用矿石品质数据进行简单的匹配计算，计算指标单一，这便使得系统计算出的配矿方案往往不能满足实际现场需求，还需通过人工对方案加以调整。

发明内容

为解决上述问题，本发明提供了一种基于大数据和地理位置信息的矿山智能配矿方法及系统，以解决现有技术中配矿系统的计算指标单一、使得输出的配矿方案不理想的问题：

一种基于大数据和地理位置信息的矿山智能配矿方法，包括：

步骤S1：建立配矿模型，所述配矿模型包括多个子模型，每个子模型包括目标函数和约束条件，基于历史配矿数据训练所述配矿模型，将配矿目标和配矿约束信息输入至训练完成的所述配矿模型中，所述配矿模型生成符合当前配矿目标的多种配矿方案，每种配矿方案包括爆堆名称和需要从该爆堆中获取的矿石量，配矿目标包括本次配矿任务需要输出的矿石总量和输出矿石总量中目标元素的含量，配矿约束信息包括资源综合利用率、卸矿场的地理位置和爆堆数据，其中，所述资源利用率为低品质矿石占输出矿石总量的百分比，所述爆堆数据包括爆堆名称、爆堆的地理位置、爆堆中目标元素含量的波动率、爆堆的矿石剩余量、爆堆中目标元素的含量及波动率；

步骤S2：确定当前配矿任务所采用的配矿方案后，基于配矿完成天数生成配矿计划，所述配矿计划包括每日出矿总量和每个爆堆的每日出矿量；

步骤S3：获取完成本次配矿任务的总运力和平衡运力，所述平衡运力为所述总运力的二分之一，所述总运力包括第一运力和第二运力，第一运力用于将矿石从爆堆运送至卸矿场，第二运力用于将矿石从卸矿场运出，判断每日出矿总量是否大于所述平衡运力，是的情况下，执行步骤S4，否的情况下，将第一运力和第二运力的数值设置为与每日出矿总量相同；

步骤S4：建立运力模型，所述运力模型包括卸矿点的最优堆积值目标函数：所述运力模型的约束条件包括第一约束：/>第二约束：/>第三约束a₁≥a₂≥…≥a_n＞b_n≥b_n-1…≥b₁，第四约束：b_N≥b_N-1≥…≥b_n+1＞a_n+1≥a_n+2≥…≥a_N，第五约束：0＜n≤N，其中，Z为参与本次配矿任务卸矿点的容纳值，a_i、b_i分别为卸矿点第i天的第一运力和第二运力，U为本次配矿任务需要输出的矿石总量，N为配矿完成天数,n为卸矿点达到最大堆矿值的日期，基于智能算法求解所述运力模型，获得符合最优堆积值目标函数的每日第一运力和第二运力调整方案；

步骤S5：开始执行本次配矿任务后，更新矿山内的爆堆数据，当需要进行下一个配矿任务时，重新执行步骤S1至步骤S4。

进一步的，步骤S4之前，基于以下步骤对卸矿点进行筛选，

基于第一公式计算本次配矿的最小堆积量，所述第一公式为：H＝Y×(2×α-1)×N,0.6≤α≤0.7，其中，H为本次配矿的最小堆积值，Y为参与本次配矿任务的总运力，α为预设权重，在卸矿场内筛选出容纳值大于等于最小堆积量的卸矿点作为参与本次配矿任务的卸矿点。

进一步的，确定当前配矿任务最大堆矿值后，判断未来λ天内是否存在与当前配矿目标相同的新配矿任务，是的情况下，将当前配矿任务最大堆矿值增大η倍，获得超额堆矿值，在卸矿场中选择容纳量大于等于超额堆矿值的卸矿点作为本次配矿任务的卸矿点。

进一步的，步骤S5，基于以下步骤在第一运力基础上分配各个爆堆的车辆运力：

获取每个爆堆在本次配矿方案中出矿量，以及第一运力中各个车辆单次运输矿石的能力，将运输能力最小的车辆优先分配至出矿量最小的爆堆运输中，将运输能力最大的车辆优先分配至出矿量最大的爆堆运输中。

进一步的，步骤S1中，建立配矿模型包括以下步骤：

步骤S11：所述子模型包括第一方案模型、第二方案模型和第三方案模型，所述第一方案模型包括成本最低目标函数：所述第二方案模型包括低品质爆堆最大使用率目标函数：/>所述第三方案模型包括矿区最大出矿量目标函数：/>其中，c车辆每公里的平均运输成本，D_k为爆堆k的位置，d为卸矿场的位置，p_k为爆堆k的出矿量，K为所有爆堆，L为低品质爆堆，R_t为第t个矿区的爆堆；

步骤S12：设置约束条件，约束条件包括矿石总量约束：元素含量约束：资源综合利用率约束：/>爆堆元素波动率约束：/>其中，为矿堆中元素m含量的下限，/>为矿堆中元素m含量的上限，/>为矿堆中元素m的实际含量，/>为矿堆中元素m的目标含量，/>为爆堆中元素m的波动率下限，/>为爆堆中元素m的波动率上限，/>为爆堆中元素m的实际波动率；

步骤S13：基于智能算法求解所述配矿模型，获得满足各个目标函数和各个约束条件的第一配矿方案、第二配矿方案和第三配矿方案。

进一步的，所述配矿模型包括爆堆约束条件，所述爆堆约束条件为：p_k≥V，其中V爆堆k最低出矿量。

本发明还提供了一种基于大数据和地理位置信息的矿山智能配矿系统，该系统主要包：

输入单元，用于输入所述配矿模型的历史配矿数据、配矿目标、配矿约束信息、参与本次配矿任务的总运力，以及所述运力模型中的目标函数及各个约束条件；

配矿计划生成单元，存储有所述配矿模型，所述配矿计划生成单元基于输入的配矿目标和配矿约束信息输出多种配矿方案，并根据配矿方案生成完成本次配矿目标的配矿计划；

抓取单元，抓取参与本次配矿任务的总运力及配矿计划中每日出矿总量和每个爆堆的每日出矿量；

判断单元，基于配矿总运力计算所述平衡运力，并判断每日出矿总量与所述平衡运力之间的大小关系；

运力规划单元，存储有运力模型，所述运力规划单元获取所述判断单元的判断结果，所述运力规划单元基于判断结果和所述运力模型的求解结果规划每日的第一运力和第二运力，

输出单元，输出本次配矿的配矿方案、配矿计划和每日第一运力和第二运力的分配数值；

更新单元，执行本次配矿任务后，更新矿山内的爆堆数据。

与现有技术相比，本发明的有益效果至少如下所述：

1、本发明的配矿模型中包含有多个子模型，因此将配矿数据输入至配矿模型中可以获得多个配矿方案，从而供用户进行选择；而且本发明还增加了资源综合利用率、入场矿石元素的波动率、爆堆和卸矿场的地理位置等约束条件，从而增加了配矿指标，使得用户可以综合多方面指标进行配矿操作。

2、通过创建运力模型不仅能够根据输入的数据自动生成卸矿点的配矿计划，而且生成的计划使得在配矿作业中，卸矿点的矿石堆积量不会超过容纳量，此方式通过制定固定日期，使得卸矿点在该前期快速积累矿石量，当后期有额外运力时可以直接投入至第二运力中，将矿石直接从卸矿点运出，无需再前往矿山补足第一运力，从而增加了运输效率。

附图说明

图1为本发明的基于大数据和地理位置信息的矿山智能配矿方法的步骤流程图；

图2为本发明的基于大数据和地理位置信息的矿山智能配矿系统的组成结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。

如图1所示，一种大数据和地理位置信息的矿山智能配矿方法，包括以下步骤：

步骤S1：建立配矿模型，配矿模型包括多个子模型，每个子模型包括目标函数和约束条件，基于历史配矿数据训练配矿模型，将配矿目标和配矿约束信息输入至训练完成的配矿模型中，配矿模型生成符合当前配矿目标的多种配矿方案，每种配矿方案包括爆堆名称和需要从该爆堆中获取的矿石量，配矿目标包括本次配矿任务需要输出的矿石总量和输出矿石总量中目标元素的含量，配矿约束信息包括资源综合利用率、卸矿场的地理位置和爆堆数据，其中，资源利用率为低品质矿石占输出矿石总量的百分比，爆堆数据包括爆堆名称、爆堆的地理位置、爆堆中目标元素含量的波动率、爆堆的矿石剩余量、爆堆中目标元素的含量及波动率；

具体的，每个子模型对应有不同的目标函数，因此将配矿目标和配矿约束信息输入至配矿模型后，配矿目标和配矿约束信息被分配到每个子模型中进行求解计算，从而获得基于不同目标函数的多个计算结果，每个计算结果代表一种配矿方案，如此便会生成多种配矿方案，供用户根据实际需求进行选择；而且输入的配矿目标不仅包含输出的矿石总量和输出矿石总量中各种元素的目标含量，而且还可以对资源综合利用率和爆堆中元素含量的波动率进行设置，因此，当需要改变输出矿石量内低品质矿石的占有率时，可以通过修改资源综合利用率实现，需要保证输出矿石中某个元素波动率较小时，可以通过修改入场矿石的波动率来筛选合适的爆堆；通过输入爆堆和卸矿场的位置，从而可以根据爆堆和卸矿场的位置计算出最近距离运输方案，使得运输成本降至最低。

步骤S2：确定当前配矿任务所采用的配矿方案后，基于配矿完成天数生成配矿计划，配矿计划包括每日出矿总量和每个爆堆的每日出矿量；

具体的，本发明中配矿完成天数限制是指矿石从矿山中运输至卸矿场的时间限制。

步骤S3：获取完成本次配矿任务的总运力和平衡运力，平衡运力为总运力的二分之一，总运力包括第一运力和第二运力，第一运力用于将矿石从爆堆运送至卸矿场，第二运力用于将矿石从卸矿场运出，判断每日出矿总量是否大于平衡运力，是的情况下，执行步骤S4，否的情况下，将第一运力和第二运力的数值设置为与每日出矿总量相同；

具体的，若每日出矿总量小于等于平衡运力，则表明参与当前配矿任务的运力较大，将总运力平均分为第一运力和第二运力后，第一运力可以完成每日出矿总量的运输，即将每日出矿总量数量的矿石从矿山运输至配矿场的卸矿点，在卸矿点的矿石完成混合后，第二运力便可以将卸矿点内的矿石完全运输出去，如此不仅能够保证配矿任务的完成，而且还能将配矿完成的矿石及时从卸矿点运输出去。

步骤S4：建立运力模型，运力模型包括卸矿点的最优堆积值目标函数：运力模型的约束条件包括第一约束：/>第二约束：/>第三约束a₁≥a₂≥…≥a_n＞b_n≥b_n-1…≥b₁，第四约束：b_N≥b_N-1≥…≥b_n+1＞a_n+1≥a_n+2≥…≥a_N，第五约束：0＜n≤N，其中，Z为参与本次配矿任务卸矿点的容纳值，a_i、b_i分别为卸矿点第i天的第一运力和第二运力，U为本次配矿任务需要输出的矿石总量，N为配矿完成天数,n为卸矿点达到最大堆矿值的日期，基于智能算法求解运力模型，获得符合最优堆积值目标函数的每日第一运力和第二运力调整方案；

在确定配矿任务的卸矿点后，若每日配矿总量大于平衡运力，则表明参与当前配矿任务的运力不足，若设置第一运力等于第二运力，会使得第一运力小于每日出矿总量，无法按期将矿石从矿山的爆堆中运输卸矿场内；因此只能将第一运力设置大于第二运力，使得第一运力能在配矿完成天数将矿石从矿场中运出，如此虽然能够使得第一运力完成配矿任务，但此时的第二运力小于第一运力，因此第二运力无法及时将卸矿点内的矿石完全运输出去，矿石会逐渐在卸矿点堆积，当卸矿点无法再接受卸矿时，只能选择新的卸矿点进行卸矿，如此会再占用一个卸矿点，因此现有做法是，在矿石堆积量即将达到卸矿点的容纳量时，将第一运力中的部分运力调至第二运力，使得卸矿点的矿石堆积量较小到一定值后，再将第二运力中的部分运力调至第一运力中，然而当配矿任务较多时，如此动态调整第一运力和第二运力的数值，会产生大量的人工规划成本。

因此本发明通过步骤S4建立运力模型，可以生成每个卸矿点基于其容纳量的第一运力和第二运力的整计划，具体的，最优堆积值目标函数的意义为，当确定卸矿点达到最大堆矿量的日期n及卸矿点Z后，通过求解目标函数，使得卸矿点的矿石堆积量在该日期最接近卸矿点的容纳量,从而最大化的利用该卸矿点的容纳量；第一约束的目的为卸矿点的容纳量要大于在日期n达到最大堆矿量，第二约束目的为保证在配矿完成天数内完成配矿计划，第三约束的目的为，在日期n前，第一运力大于第二运力，使得在日期n之前运载大量的矿石至卸矿点，第四约束的目的为，在日期n后，第一运力小于第二运力，使得卸矿点的矿石量逐渐减少，从而避免卸矿点的堆矿量超过其容纳量。

通过运力模型不仅能够根据输入的数据自动生成卸矿点的配矿计划，而且生成的计划使得在配矿作业中，卸矿点的矿石堆积量不会超过容纳量，而且，此方式通过制定固定日期n，使得卸矿点在该前期快速积累矿石量，当后期有额外运力时可以直接投入至第二运力中，将矿石直接从卸矿点运出，无需再前往矿山补足第一运力，从而增加了运输效率。

下面时步骤S4的一种示意实施例，需要说明的是，在运力模型中对于卸矿点的选择，还可以通过人工输入的方式进行确定，例如选择卸矿点的容纳量为Z＝1600吨，设置n＝3时达到最大堆矿量，N＝5时完成配矿任务，本次配矿需要输出的矿石总量U＝2500吨，总运力Y＝800吨，那么求解后，选择可行解中的其中一个，得到第一运力计划为800、700、500、300、200，第二运力计划为0、100、300、500、600，该计划在第3天达到卸矿点的最大堆矿量，且在前期完成大部分的矿石输出工作。

步骤S5：开始执行本次配矿任务后，更新矿山内的爆堆数据，当需要进行下一个配矿任务时，重新执行步骤S1至步骤S4；

由于本发明的配矿模型中包含有多个子模型，因此将配矿数据输入至配矿模型中可以获得多个配矿方案，从而供用户进行选择；而且本发明还增加了资源综合利用率、入场矿石元素的波动率、爆堆和卸矿场的地理位置等约束条件，从而增加了配矿指标，使得用户可以综合多方面指标进行配矿操作。

步骤S4之前，基于以下步骤对卸矿点进行筛选，

基于第一公式计算本次配矿的最小堆积量，第一公式为：H＝Y×(2×α-1)×N,0.6≤α≤0.7，其中，H为本次配矿的最小堆积值，Y为参与本次配矿任务的总运力，α为预设权重，在卸矿场内筛选出容纳值大于等于最小堆积量的卸矿点作为参与本次配矿任务的卸矿点。

具体的，通过第一公式可以计算出配矿作业过程中矿石堆积量达到峰值的最小点，且当第一运力与第二运力越接近时，矿石堆积量在配矿完成天数内达到峰值的数值越小，例如将α设置为0.6，则引用上述实施例的数值可得本次配矿的最小堆积量为800吨，那么就将容纳量小于800吨的卸矿点剔除，如此可以筛选出不适合参与本次配矿的卸矿点，从而为用户提供范围更小且更为合适的卸矿点供其选择。

在实际堆矿过程中，当旧配矿任务完成，空闲出新运力，使得新的配矿任务可以进行时，新配矿任务在选择卸矿点时一般是直接在卸矿场中选择空闲的卸矿点，或选择相同配矿目标、且具有空闲容纳量的卸矿点进行卸矿，前者会直接占用额外的卸矿点，后者未考虑两者的实际配矿量，当当前卸矿点新旧配矿任务的卸矿量在某天超出卸矿点的容纳量时，依旧还需再选择空闲的卸矿点进行堆放，因此，为解决该问题，本发明提出了以下方法。

确定当前配矿任务最大堆矿值后，判断未来λ天内是否存在与当前配矿目标相同的新配矿任务，是的情况下，将当前配矿任务最大堆矿值增大η倍，获得超额堆矿值，在卸矿场中选择容纳量大于等于超额堆矿值的卸矿点作为本次配矿任务的卸矿点。

具体的，当未来λ天存在与当前配矿目标相同的新配矿任务，当前配矿任务与新配矿任务的最大堆矿量均为1600吨，那么就选择容纳量大于且接近3200吨的卸矿点，作为本次配矿任务的卸矿点，当出现新配矿任务时，该矿点由于存有空闲空间，可以与新配矿任务同时堆放，且不会存在超出卸矿点最大容纳量的情况，最终实现堆矿场利用率的提升。

本步骤还可以结合上述步骤S4,根据新任务的实际开始日期指定n的数值，使得卸矿点在新任务开始之前，旧配矿任务处于第二运力大于第一运力的时刻，如此则会使得卸矿点具有较大的空间供新任务进行堆放。

步骤S5，基于以下步骤在第一运力基础上分配各个爆堆的车辆运力：

获取每个爆堆在本次配矿方案中出矿量，以及第一运力中各个车辆单次运输矿石的能力，将运输能力最小的车辆优先分配至出矿量最小的爆堆运输中，将运输能力最大的车辆优先分配至出矿量最大的爆堆运输中。

由于每个爆堆的出矿量不同，运输能力最小的车辆优先分配至出矿量最小的爆堆运输中，将运输能力最大的车辆优先分配至出矿量最大的爆堆运输，由于出矿量较小的爆堆被运输能力小的车辆运输，因此其运输时间被延长，而出矿量较大的爆堆，被运输能力大的车辆运输，缩短了运输时间，平衡各个爆堆的运输时间，而且还能使得卸矿点的矿石堆积更加均匀，避免某个爆堆提前被运输完，使其大部分矿石被堆积在卸矿点底部的情况发生。

建立配矿模型包括以下步骤：

步骤S1中，建立配矿模型包括以下步骤：

步骤S11：子模型包括第一方案模型、第二方案模型和第三方案模型，第一方案模型包括成本最低目标函数：第二方案模型包括低品质爆堆最大使用率目标函数：/>第三方案模型包括矿区最大出矿量目标函数：/>其中，c车辆每公里的平均运输成本，D_k为爆堆k的位置，d为卸矿场的位置，p_k为爆堆k的出矿量，K为所有爆堆，L为低品质爆堆，R_t为第t个矿区的爆堆；

步骤S12：设置约束条件，约束条件包括矿石总量约束：元素含量约束：资源综合利用率约束：/>爆堆元素波动率约束：/>其中，为矿堆中元素m含量的下限，/>为矿堆中元素m含量的上限，/>为矿堆中元素m的实际含量，/>为矿堆中元素m的目标含量，/>为爆堆中元素m的波动率下限，/>为爆堆中元素m的波动率上限，/>为爆堆中元素m的实际波动率；

步骤S13：基于智能算法求解配矿模型，获得满足各个目标函数和各个约束条件的第一配矿方案、第二配矿方案和第三配矿方案。

具体的，本发明中的智能算法可以为遗传算法、粒子群算法或人工蜂群算法的一种；本发明在配矿模型中提供三个子模型，基于三个子模型的目标函数可以分别获取成本最低配矿方案、低品质爆堆最大使用率配矿方案和指定矿区内爆堆最大出矿量方案，从而满足用户的不同需求，且目标函数被求解后，基于求解结果，将其转换为每个爆堆名称、爆堆的位置及该爆堆需要输出的矿石量。

当存在多个爆堆的质量、元素含量相近，且某个爆堆的存放时间较长，需要及时对其进行消耗时，由于存在与该爆堆性质相似的其他爆堆，使得系统输出的配矿方案不包含此爆堆，只能在输出配矿方案后，再通过人工修改爆堆方案，因此，本发明为解决该问题，又提出如下步骤。

配矿模型包括爆堆约束条件，爆堆约束条件为：p_k≥V，其中V爆堆k最低出矿量。

具体的，V的数值为至少为总出矿量的13％，当用户指定爆堆后，系统内增加爆堆约束条件，在此约束条件下，配矿模型输出的所有配矿方案均会从指定爆堆中抽取一定数量的矿石；通过设置增设爆堆约束条件，使得用户可以根据实际需求选择需要消耗的爆堆，从而提升了智能配矿系统的可操作性。

本发明还提供一种基于大数据和地理位置信息的矿山智能配矿系统，该系统包括：

输入单元，用于输入所述配矿模型的历史配矿数据、配矿目标、配矿约束信息、参与本次配矿任务的总运力，以及所述运力模型中的目标函数及各个约束条件；

配矿计划生成单元，存储有所述配矿模型，所述配矿计划生成单元基于输入的配矿目标和配矿约束信息输出多种配矿方案，并根据配矿方案生成完成本次配矿目标的配矿计划；

抓取单元，抓取参与本次配矿任务的总运力及配矿计划中每日出矿总量和每个爆堆的每日出矿量；

判断单元，基于配矿总运力计算所述平衡运力，并判断每日出矿总量与所述平衡运力之间的大小关系；

运力规划单元，存储有运力模型，所述运力规划单元获取所述判断单元的判断结果，所述运力规划单元基于判断结果和所述运力模型的求解结果规划每日的第一运力和第二运力，

输出单元，输出本次配矿的配矿方案、配矿计划和每日第一运力和第二运力的分配数值；

更新单元，执行本次配矿任务后，更新矿山内的爆堆数据。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一个非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上上述的实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上上述的实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上上述的仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于大数据和地理位置信息的矿山智能配矿方法，其特征在于，包括：

步骤S1：建立配矿模型，所述配矿模型包括多个子模型，每个子模型包括目标函数和约束条件，基于历史配矿数据训练所述配矿模型，将配矿目标和配矿约束信息输入至训练完成的所述配矿模型中，所述配矿模型生成符合当前配矿目标的多种配矿方案，每种配矿方案包括爆堆名称和需要从该爆堆中获取的矿石量，配矿目标包括本次配矿任务需要输出的矿石总量和输出矿石总量中目标元素的含量，配矿约束信息包括资源综合利用率、卸矿场的地理位置和爆堆数据，其中，所述资源综合利用率为低品质矿石占输出矿石总量的百分比，所述爆堆数据包括爆堆名称、爆堆的地理位置、爆堆中目标元素含量的波动率、爆堆的矿石剩余量；

步骤S2：确定当前配矿任务所采用的配矿方案后，基于配矿完成天数生成配矿计划，所述配矿计划包括每日出矿总量和每个爆堆的每日出矿量；

步骤S3：获取完成本次配矿任务的总运力和平衡运力，所述平衡运力为所述总运力的二分之一，所述总运力包括第一运力和第二运力，第一运力用于将矿石从爆堆运送至卸矿场，第二运力用于将矿石从卸矿场运出，判断每日出矿总量是否大于所述平衡运力，是的情况下，执行步骤S4，否的情况下，将第一运力和第二运力的数值设置为与每日出矿总量相同；

步骤S4：建立运力模型，所述运力模型包括卸矿点的最优堆积值目标函数：所述运力模型的约束条件包括第一约束：/>第二约束：/>第三约束a₁≥a₂≥…≥a_n＞b_n≥b_n-1…≥b₁，第四约束：b_N≥b_N-1≥…≥b_n+1＞a_n+1≥a_n+2≥…≥a_N，第五约束：0＜n≤N，其中，Z为参与本次配矿任务卸矿点的容纳值，a_i、b_i分别为卸矿点第i天的第一运力和第二运力，U为本次配矿任务需要输出的矿石总量，N为配矿完成天数,n为卸矿点达到最大堆矿值的日期，基于智能算法求解所述运力模型，获得符合最优堆积值目标函数的每日第一运力和第二运力调整方案；

步骤S5：开始执行本次配矿任务后，更新矿山内的爆堆数据，当需要进行下一个配矿任务时，重新执行步骤S1至步骤S4；

步骤S1中，建立配矿模型包括以下步骤：

步骤S11：所述子模型包括第一方案模型、第二方案模型和第三方案模型，所述第一方案模型包括成本最低目标函数：所述第二方案模型包括低品质爆堆最大使用率目标函数：/>所述第三方案模型包括矿区最大出矿量目标函数：其中，c为车辆每公里的平均运输成本，D_k为爆堆k的位置，d为卸矿场的位置，p_k为爆堆k的出矿量，K为所有爆堆，L为低品质爆堆，R_t为第t个矿区的爆堆；

步骤S12：设置约束条件，约束条件包括矿石总量约束：元素含量约束：资源综合利用率约束：/>爆堆元素波动率约束：/>其中，为矿堆中元素m含量的下限，/>为矿堆中元素m含量的上限，/>为矿堆中元素m的实际含量，/>为爆堆中元素m的波动率下限，/>为爆堆中元素m的波动率上限，/>为爆堆中元素m的实际波动率；

步骤S13：基于智能算法求解所述配矿模型，获得满足各个目标函数和各个约束条件的第一配矿方案、第二配矿方案和第三配矿方案。

2.根据权利要求1所述的基于大数据和地理位置信息的矿山智能配矿方法，其特征在于，步骤S4之前，基于以下步骤对卸矿点进行筛选，

基于第一公式计算本次配矿的最小堆积量，所述第一公式为：H＝Y×(2×α-1)×N,0.6≤α≤0.7，其中，H为本次配矿的最小堆积量，Y为参与本次配矿任务的总运力，α为预设权重，在卸矿场内筛选出容纳值大于等于最小堆积量的卸矿点作为参与本次配矿任务的卸矿点。

3.根据权利要求2所述的基于大数据和地理位置信息的矿山智能配矿方法，其特征在于，确定当前配矿任务最大堆矿值后，判断未来λ天内是否存在与当前配矿目标相同的新配矿任务，是的情况下，将当前配矿任务最大堆矿值增大η倍，获得超额堆矿值，在卸矿场中选择容纳量大于等于超额堆矿值的卸矿点作为本次配矿任务的卸矿点。

4.根据权利要求1所述的基于大数据和地理位置信息的矿山智能配矿方法，其特征在于，步骤S5，基于以下步骤在第一运力基础上分配各个爆堆的车辆运力：

获取每个爆堆在本次配矿方案中出矿量，以及第一运力中各个车辆单次运输矿石的能力，将运输能力最小的车辆优先分配至出矿量最小的爆堆运输中，将运输能力最大的车辆优先分配至出矿量最大的爆堆运输中。

5.根据权利要求1所述的基于大数据和地理位置信息的矿山智能配矿方法，其特征在于，所述配矿模型包括爆堆约束条件，所述爆堆约束条件为：p_k≥V，其中V为爆堆k最低出矿量。

6.一种基于大数据和地理位置信息的矿山智能配矿系统，用于实现如权利要求1-5任一项所述的方法，其特征在于，包括：

输入单元，用于输入所述配矿模型的历史配矿数据、配矿目标、配矿约束信息、参与本次配矿任务的总运力，以及所述运力模型中的目标函数及各个约束条件；

配矿计划生成单元，存储有所述配矿模型，所述配矿计划生成单元基于输入的配矿目标和配矿约束信息输出多种配矿方案，并根据配矿方案生成完成本次配矿目标的配矿计划；

抓取单元，抓取参与本次配矿任务的总运力及配矿计划中每日出矿总量和每个爆堆的每日出矿量；

判断单元，基于配矿总运力计算所述平衡运力，并判断每日出矿总量与所述平衡运力之间的大小关系；

运力规划单元，存储有运力模型，所述运力规划单元获取所述判断单元的判断结果，所述运力规划单元基于判断结果和所述运力模型的求解结果规划每日的第一运力和第二运力，

输出单元，输出本次配矿的配矿方案、配矿计划和每日第一运力和第二运力的分配数值；

更新单元，执行本次配矿任务后，更新矿山内的爆堆数据。