本发明涉及一种选厂对矿石品位进行预测的方法。
背景技术：
矿业是国民生产基础企业，但由于采矿生产为非连续工艺，特别是在地下矿生产中，矿石从多个采场出矿，再经过多个溜井混合溜放，导致其生产过程矿石的品质难以确定。
目前国内有企业采用在线分析仪对选厂入选原矿的品位进行化验，解决了部分企业入选原矿品位获取滞后的问题。但该方法对矿石种类有较强限制。在实际应用中，入选矿石均是由各班次生产矿石混合组成。在运输、溜放过程中，已经难以确定其混合的比例，因此仍然存在选厂入选原矿化验品位获取滞后的问题，难以有效指导选厂生产。
技术实现要素：
本发明提出了一种选厂矿石品位预测方法，其目的是：基于理数据寻找矿石混合的规律，建立入选矿石的品位预测模型，解决传统选厂入选原矿化验品位获取滞后的问题。
本发明技术方案如下：
一种选厂矿石品位预测方法，步骤为：
（1）利用采场出矿量和出矿品位计算每班的出矿平均品位pbn；
（2）基于出矿平均品位pbn，建立选厂入选品位预测模型qn；
（3）利用大数据训练预测模型qn；
（4）利用预测模型计算选厂的入选品位，指导选厂生产。
作为本方法的进一步改进：步骤（1）中，出矿平均品位pbn的计算方式为：
设在第n个班次，当班有m个采场同时生产，每个采场的出矿量分别为k1、k2、…、km，每个采场的品位分别为p1、p2、…、pm，则采场出矿平均品位pbn=（k1p1 k2p2 … kmpm）/（k1 k2 … km）。
作为本方法的进一步改进：步骤（2）中，入选品位预测模型qn的建立方式为：设第n个班次对选厂入选品位的影响力参数为λn，则预测的品位qn=λnpbn λn-1pbn-1 λn-2pbn-2 λn-3pbn-3 … λ1pb1 a。
作为本方法的进一步改进：步骤（3）中，将历史数据代入预测模型qn，求解各影响力参数为λ及常数a。
作为本方法的进一步改进：所述历史数据包括入选品位q、采出矿量k和采出矿品位p。
作为本方法的进一步改进：所述历史数据必须来源于同一选厂。
相对于现有技术，本发明具有以下有益效果：本发明通过建立预测模型，利用大数据找出矿石混合的规律，解决了选厂入选品位化验滞后、难以有效指导选厂生产的问题，适用于地下矿多采场同时生产并需要通过多溜井混合溜放矿石的矿石企业。
附图说明
图1为本方法的流程图。
具体实施方式
下面结合附图详细说明本发明的技术方案：
如图1，一种选厂矿石品位预测方法，步骤为：
（1）利用采场出矿量和出矿品位计算每班的出矿平均品位pbn；
出矿平均品位pbn的计算方式为：
设在第n个班次，当班有m个采场同时生产，每个采场的出矿量分别为k1、k2、…、km，每个采场的品位分别为p1、p2、…、pm，则采场出矿平均品位pbn=（k1p1 k2p2 … kmpm）/（k1 k2 … km）。
（2）基于出矿平均品位pbn，建立选厂入选品位预测模型qn；
入选品位预测模型qn的建立方式为：设第n个班次对选厂入选品位的影响力参数为λn，则预测的品位qn=λnpbn λn-1pbn-1 λn-2pbn-2 λn-3pbn-3 … λ1pb1 a。a为常数。
（3）利用大数据训练预测模型qn；
利用大数据矿石流管控1-2年的历史数据训练选厂入选品位预测模型qn，历史数据包括入选品位q、采出矿量k和采出矿品位p，通过训练得出最优各项λ常数值及常数项a。参与训练的历史数据必须为本企业数据；训练中，可以根据企业实际情况，将影响班次限定在一定范围。
（4）利用预测模型计算选厂的入选品位，指导选厂生产。
1.一种选厂矿石品位预测方法，其特征在于步骤为：
（1）利用采场出矿量和出矿品位计算每班的出矿平均品位pbn；
（2）基于出矿平均品位pbn，建立选厂入选品位预测模型qn；
（3）利用大数据训练预测模型qn；
（4）利用预测模型计算选厂的入选品位，指导选厂生产。
2.如权利要求1所述的选厂矿石品位预测方法，其特征在于：步骤（1）中，出矿平均品位pbn的计算方式为：
设在第n个班次，当班有m个采场同时生产，每个采场的出矿量分别为k1、k2、…、km，每个采场的品位分别为p1、p2、…、pm，则采场出矿平均品位pbn=（k1p1 k2p2 … kmpm）/（k1 k2 … km）。
3.如权利要求2所述的选厂矿石品位预测方法，其特征在于：步骤（2）中，入选品位预测模型qn的建立方式为：设第n个班次对选厂入选品位的影响力参数为λn，则预测的品位qn=λnpbn λn-1pbn-1 λn-2pbn-2 λn-3pbn-3 … λ1pb1 a。
4.如权利要求3所述的选厂矿石品位预测方法，其特征在于：步骤（3）中，将历史数据代入预测模型qn，求解各影响力参数为λ及常数a。
5.如权利要求4所述的选厂矿石品位预测方法，其特征在于：所述历史数据包括入选品位q、采出矿量k和采出矿品位p。
6.如权利要求4所述的选厂矿石品位预测方法，其特征在于：所述历史数据必须来源于同一选厂。
技术总结