铁矿选矿生产过程动态成本控制技术

1）智能优化控制技术结构

铁矿选矿生产过程是一个复杂的工业过程，成本控制涉及大量的工艺参数，使得选矿成本难以用常规的方法进行成本控制。智能优化控制技术通过两层结构，即通过生产过程成本控制系统和过程优化控制系统来实现铁矿选矿生产过程动态成本控制。

生产过程成本控制系统主要包括关键生产指标设定、成本指标核算、成本动因分析、成本指标和生产指标预报等功能。关键生产指标设定模块将生产过程成本指标分解成与其相关的关键生产指标，并给出过程优化控制系统的设定值。利用成本指标核算模型核算成本指标，将成本指标核算值与成本指标设定值进行比较，从生产指标角度对差异原因进行分析，通过重新调整生产指标设定值或对控制成本的各作业区进行奖惩，实现生产过程成本的反馈控制。利用成本指标预报模型对成本指标进行预报，并与成本指标设定值进行比较，从生产指标角度分析差异原因，决定是否需要调整生产指标设定值或采取其他相关措施，对生产过程成本进行前馈控制。如图1所示。

图1生产过程成本控制系统技术结构图

过程优化控制系统由生产过程关键工艺参数优化模块、智能优化设定模块、前馈补偿模块、反馈补偿模块、关键工艺参数预报模块等模块组成。如图2所示。

图2过程优化控制系统技术结构图

该系统主要功能是利用关键工艺参数设定模型将生产指标转化成与其密切相关的工艺参数，给出其优化设定值。指标优化控制系统利用智能优化设定模型将这些工艺参数转化成控制系统的设定值。利用生产过程的输入、输出量，通过关键工艺参数预报模型向过程控制系统提供某些难以直接测量的关键工艺参数的预报值，并与其优化设定值进行比较，产生的误差经过前馈补偿来校正回路优化设定值。通过化验过程产生的工艺参数的化验值与工艺参数的优化值进行反馈校正回路设定值，通过回路控制使选矿过程实现优化，从而实现选矿生产过程成本控制。

2）成本优化控制模型

铁矿选矿产品成本由多个成本指标组成，每个成本指标又包含许多成本因素。在产品成本分解模型和成本指标核算模型中，根据成本指标组成结构和成本指标计算公式就可以对产品成本进行分解和核算。

①关键生产指标设定模型在铁矿选矿生产过程中一些关键的生产指标对企业物耗、能耗影响很大。因此，在考虑物耗、能耗、成本和产量的前提下，通过关键生产指标设定模型优化生产指标和工艺参数，设定既满足工序要求又使工序成本最低的生产指标，对于指导生产、控制生产成本至关重要。生产指标的优化设定可以采用神经网络、案例推理等智能模型。

精矿品位和金属回收率是一对重要而矛盾的指标：精矿品位反映精矿质量，金属回收率反映了选矿过程中金属回收的程度。提高两者中任何一个指标都会导致另一个指标的下降。为降低企业物耗需要在保证精矿品位的前提下，尽量地提高选矿金属回收率。利用神经网络拟合精矿品位和金属回收率的关系曲线y＝f（x），使得在精矿品位x已知的情况下，能够快速准确给出金属回收率y的指标设定值，在选矿厂的实际应用中取得了较好的效果。

②生产指标预报模型根据经济指标和生产指标之间的关系，对影响生产指标的关键参数进行在线的采集与监测，建立生产指标预报模型，可以快速准确地预报生产状况，对于企业进行生产过程控制具有较高实用价值。传统的生产指标预报一般采用统计模式建立预测方程，并结合经验指标进行。所用的统计模式多是属于线性模式，对起伏较大的非线性生产指标预测效果不是很好。径向基函数（RadialBasisFunction，RBF）神经网络是一种有效的前馈式神经网络，它具有最佳逼近和全局最优的性能，并且比BP网具有更快的学习特征，因此，生产指标预测可以采用RBF神经网络预测模型。模型可以采用两种方式：

x（t＋1）＝f（x（t），x（t－1），…，x（t－k））                                                                                             （1）

式中，x为生产指标值；k为测试步；t为测试时刻。

y（t＋1）＝f（x1（t），…，x1（t－k），x2（t），…，x2（t－k），xm（t），…，xm（t－k））           （2）

式中，y为预测指标；xi（i＝1，…，m）为k步历史数据预测y在t＋1时刻的值。

废石品位、弱尾品位、强尾品位三个指标是反映精矿质量、选矿过程中金属流失情况的重要指标，建立废石品位、弱尾品位、强尾品位以及选矿比的动态预报模型，可快速准确地预报生产状况，使企业能够优化生产运行管理，及时进行生产过程控制。

③成本指标预报模型成本预测是成本事前控制成败的关键。通过成本指标预报，可以监视成本指标变化趋势，掌握成本的动态，使企业对未来的成本水平及其变化趋势做到正确把握，为成本分析和控制提供有用的信息。由于成本预测是一种多因素、不确定性、非线性问题，成本构成的因素之间互相影响，存在耦合现象（如原材料铁矿石品位的高低将影响燃料动力的消耗、辅助材料的消耗。品位低的铁矿石降低了原料成本，却增加了燃料动力成本、辅助材料成本），根据一种基于神经网络的预报模型，本文考虑了成本因素之间的互相影响，提高了预报精度。

④成本因素分析模型要进行有效的成本控制，不但要揭示实际成本与计划（目标）成本的差异，更重要的是通过分析找出成本的影响因素及影响因素变化对成本的影响程度，以便更好地进行成本控制。成本因素分析模型用于分析影响成本的技术经济指标对成本影响程度的变动趋势，为成本控制提供依据。由于成本的组成项目复杂，影响生产成本的因素很多，各个因素之间相互影响，相互制约，存在着耦合和复杂的非线性关系。运用传统统计学方法分析时，均需建立各因素与指标间明确的数学表达式，这在实际应用中很难实现。神经网络模型不依赖于模型形式，能够实现非线性映射，具有广泛的适应性，因此，成本因素分析可以采用神经网络模型。

影响铁矿选矿工序的生产指标因素主要有块矿率、废石率、弱磁尾矿品位、强磁尾矿品位、原矿品位等，这些因素直接影响着选矿综精成本的高低。为此系统神经网络和弹性分析相结合的方法，以这些因素的统计数据为依据，构造一个三层的BP神经网络模型，分析某一段时期内块矿率等5个因素对综精成本的影响程度。经过分析不仅能得出综合铁精矿成本随某因素变化而变化的趋势，也能清楚地看出各因素变化对综合铁精矿成本的影响程度，从而解决了长期以来仅凭经验估计各因素对成本影响程度的问题。