本發明涉及選礦控制與優化技術領域，尤其涉及一種選礦生產指標的優化方法。

背景技術：

目前，針對黃金的選礦生產過程是一個復雜的多階段連續生產過程，而選礦生產指標的決策主要是在選礦廠現有生產流程、設備、工藝水平及其他資源條件下，確定合理的月、日生產指標包括作業量、精礦品位等，并根據實際生產指標情況進行調整，以實現礦山企業的經營目標，并力求提高生產經營效益。選礦生產指標的決策與調度調整是一個復雜動態過程，具有下列難度，一是跨越時間尺度長，需要在年月日時間尺度內，考慮合理的產能分配；二是存在多種約束，包括生產能力、工藝水平、生產材料、藥劑、能源等多類約束；三是存在不確定干擾，包括原料性質波動、設備隨機故障等，對穩定和提升生產指標帶來困難。

現有技術方案一般采用人工決策法，該方法主要依靠經驗，不僅耗費人力，而且不能及時應對變化，調整手段比較粗放，生產指標波動大，影響經濟效益提升。

技術實現要素：

本發明的目的是提供一種選礦生產指標的優化方法，利用該優化方法可以在選礦廠現有生產流程、設備、工藝水平及其他資源條件下，實現選礦廠的綜合效益最大化，提高選礦廠的生產技術水平。

一種選礦生產指標的優化方法，所述方法包括：

設定選礦生產指標優化方法相關的參數、決策變量和輔助變量；

建立選礦生產指標優化的目標模型；

建立選礦生產的約束條件，所述約束條件包括綜合指標目標范圍約束，以及生產能力、工藝水平、生產材料和能源約束；

采用進化算法對帶約束的目標模型進行求解，得到選礦生產作業的原礦處理量、金精礦品位和金屬量優化設定值，實現選礦生產指標的優化。

由上述本發明提供的技術方案可以看出，利用該優化方法可以在選礦廠現有生產流程、設備、工藝水平及其他資源條件下，實現選礦廠的綜合效益最大化，提高選礦廠的生產技術水平。

附圖說明

為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域的普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他附圖。

圖1為本發明實施例所提供選礦生產指標的優化方法流程示意圖。

具體實施方式

下面結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明的保護范圍。

下面將結合附圖對本發明實施例作進一步地詳細描述，如圖1所示為本發明實施例所提供選礦生產指標的優化方法流程示意圖，所述方法包括：

步驟11：設定選礦生產指標優化方法相關的參數、決策變量和輔助變量；

在該步驟中，首先設定相關變量，具體所設定的選礦生產指標優化方法相關的參數包括：

α_m第m月的平均原礦品位；

w₁原礦處理量對經濟效益貢獻的權重系數；

w₂金屬量對經濟效益貢獻的權重系數；

C_1,1,basic核定工資單價，按單位原礦處理量提取的費用；

C_2,1,basic核定工資單價，按單位金屬量提取的費用；

C_1,3原礦處理量的計劃調整系數；

C_2,3金屬量的計劃調整系數；

C₄全月尾礦品位低于或超過基準值時的獎懲費用，元/(0.001g/t)；

C₅月生產過程中已經違反班次尾礦品位基準的懲罰費用，元；

C₆月生產過程中已經違反車次精礦品位基準的懲罰費用，元；

C₇月份金屬平衡誤差率超限懲罰費用，元；

C₈峰平谷用電超限懲罰費用，元；

C_other其他懲罰費用，元；

Q_RW,basic月原礦處理量目標值，噸；

Q_RW,m,L,Q_RW,m,H第m月原礦處理量目標下限和上限；

Q_RW,davg,H日原礦處理量能力上限；

Q_RW,consumed當月累計已完成的原礦處理量，噸；

M_{CC,dct_basic}月金屬量目標值(返金率折算后)，kg；

M_CC,m,L,M_CC,m,H第m月金屬量(返金率折算后)目標下限和上限，kg；

M_{CC,dct_produced}當月累計已生產的金屬量(返金率折算量)，kg；

M_TL,produced當月累計已生產尾礦中所含的金屬量(未折算)，kg；

[β_L,β_H]精礦品位目標區間，g/t；

v_basic尾礦品位基準值g/t；

v_L尾礦品位工藝水平下限g/t；

v_H尾礦品位約束上限g/t；

ε_L金屬回收率下限％；

q_water水量單耗t/t；

Q_{water_day,H}日供水能力上限t；

T_remain第m月中剩余的生產運行時間，單位天(如20.5天)；

[β_L1,β_H1],[β_L2,β_H2],...[β_Ln,β_Hn]各精礦品位等級范圍；

D₁,D₂,...D_n不同等級精礦品位的金屬量折算率；

P₁,P₂生產完成率。

所設定的決策變量具體包括：

X＝(X_1,davg,X_2,davg,X_3,davg)^T決策變量矢量；其中，X_1,davg為日均原礦處理量，X_2,davg為日均金屬量，X_3,davg為日均精礦品位。

所設定得輔助變量具體包括：

Q_RW,m(X)第m月的原礦總處理量；

Q_CC,m(X)第m月內的精礦產量；

M_CC,m(X)第m月精礦產品中的金屬量；

Q_TL,m(X)第m月內的尾礦產量；

M_TL,m(X)第m月尾礦產品中的金屬量；

Q_TL,davg(X)第m月的日均尾礦產量；

M_TL,davg(X)第m月的日均尾礦金屬量；

f_discount(X_3,davg)銷售返金率，即銷售金精礦中的金屬量按品位等級折算的比例；

f_{tail_grade,davg}(X)日均尾礦品位；

f_{tail_grade,m}(X)第m月總尾礦品位；

C_1,1(X)按原礦處理量的計劃完成率核定的單位效益；

C_1,2(X)原礦處理量的計劃完成率；

C_2,1(X)按金屬量的計劃完成率核定的單位效益；

C_2,2(X)金屬量的計劃完成率。

步驟12：建立選礦生產指標優化的目標模型；

在該步驟中，所建立的目標模型具體為：

J_1,m＝A₁(X)+A₂(X)-C(X)；

A₁(X)表示按金礦原礦處理量完成率折算的相對經濟效益；

A₂(X)表示按黃金金屬量完成率折算的相對經濟效益；

C(X)表示品位超限、精礦品位超限、實際金屬平衡誤差率超限、實際峰平谷用電超限后的效益懲罰。

具體實現中，需要針對該目標模型實現對選礦廠的相對經濟效益最大化maxJ_1,m。

舉例來說，依據上述步驟11所創建的參數、決策變量和輔助變量來建立目標模型，一種典型的方法為：

選礦廠的相對經濟效益最大化maxJ_1,m (1)

其中：

Q_RW,m(X)＝(X_1,davgT_remain+Q_RW,consumed) (3)

Q_TL,m(X)＝Q_RW,m(X)-Q_CC,m(X) (5)

M_CC,m(X)＝(X_2,davgT_remainf_discount(X_3,davg)+M_{CC,dct_produced}) (6)

M_TL,m(X)＝(0.001×α_mX_1,davg-X_2,davg)T_remain+M_TL,produced (7)

上述所建立的公式中，目標函數為最大化相對經濟效益maxJ_1,m，如式(1)所示；相對經濟效益性能指標函數如式(2)所示。

指標函數包括三部分，其中w₁Q_RW,m(X)×C_1,1(X)×C_1,2(X)×C_1,3，表示按金礦原礦處理量計劃完成率折算的相對經濟效益部分，w₂M_CC,m(X)×C_2,1(X)×C_2,2(X)×C_2,3表示按黃金金屬量計劃完成率折算的相對經濟效益部分，1000×C₄×(f_{tail_grade,m}(X)-v_basic)表示全月尾礦品位低于或超過基準值時的獎懲費用，尾礦品位高于基準值時，金屬流失浪費進行懲罰，反之進行獎勵。

-C₅-C₆-C₇-C₈-C₉表示對計劃期內實際發生的班次尾礦品位超限、精礦品位超限、實際金屬平衡誤差率超限、實際峰平谷用電超限進行懲罰。

式(3)、(4)、(5)分別為金礦的原礦、精礦、尾礦處理量與決策變量的關系表達式。

式(6)、(7)分別為精礦、尾礦中所含金屬量與決策變量關系表達式。

式(8)表示計劃期總尾礦品位的關系表示式。

式(9)為按原礦處理量的完成率核定的效益系數計算方法，按基準值和完成率進行折算。

式(10)為原礦處理量的完成率與決策變量的關系表達式。

式(11)為銷售返金率的表達式，即銷售金精礦中的金屬量按品位等級折算的金屬量比例。

式(12)為按金屬量的完成率核定的效益系數計算方法，按基準值和完成率進行折算。

式(13)為金屬量的完成率與決策變量的關系表達式。

步驟13：建立選礦生產的約束條件；

在該步驟中，所述約束條件包括綜合指標目標范圍約束，以及生產能力、工藝水平、生產材料和能源約束，其中具體包括有：

1)綜合指標目標范圍約束表示為：

Q_RW,m,L≤Q_RW,m(X)≤Q_RW,m,H

M_CC,m,L≤M_CC,m(X)≤M_CC,m,H

2)生產能力約束表示為：

X_1,davg≤Q_RW,davg,H

3)物料與金屬平衡關系約束

0.001×α_mX_1,davg＝X_2,davg+M_TL,davg(X)

4)精礦品位目標約束：

β_L≤X_3,davg≤β_H

5)尾礦品位目標范圍及工藝水平約束：

f_{tail_grade,m}(X)≤v_H

v_L≤f_{tail_grade,davg}(X)≤v_H

6)金屬回收率約束：

7)供水能力約束：

X_1,davgq_water≤Q_{water_day,H}

步驟14：采用進化算法對帶約束的目標模型進行求解，得到選礦生產作業的原礦處理量、金精礦品位和金屬量優化設定值，實現選礦生產指標的優化。

在該步驟中，一種典型的計算過程為：

1)初始化及產生種群：主要是設置初始化參數(如種群大小、進化代數、初始步長等)，并產生初始化種群；

2)適應度分配：計算種群中個體的適應值，確定約束支配關系；

3)交配選擇：采用二元競爭選擇來確定交配個體；

4)個體更新：針對交配池中的個體，以一定的概率應用交叉(重組)、變異算子產生新的個體；

5)環境選擇：根據適應度值和約束支配關系選擇子代個體，并更新代數gen＝gen+1；

6)終止準則：如果達到終止條件(最大代數或最佳個體的適應度值變化率閾值)，則結束，否則根據新形成的種群回到第2)步開始下一代搜索。

綜上所述，本發明實施例所述方法具有以下優點：

1、通過設定生產指標優的參數、決策變量、輔助變量，建立相對經濟效益目標函數與約束函數，采用智能算法快速求解，在選礦廠綜合生產目標范圍和資源約束條件下，有利于實現選礦廠的綜合經濟效益最大化；

2、考慮了選礦廠的實際指標完成情況，以及礦石屬性、設備能力等資源條件隨生產周期變化情況，有利于生產指標的穩定和快速調整，為生產過程提供了控制目標和方向；

3、在同樣滿足生產約束條件下，本發明實施例所提供的生產指標優化方法比人工經驗設定方法得到的相對經濟效益超過20％以上。

以上所述，僅為本發明較佳的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明披露的技術范圍內，可輕易想到的變化或替換，都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應該以權利要求書的保護范圍為準。