多源复杂铜精矿的配矿方法、系统及产品

1.本发明涉及铜矿冶炼加工技术领域，特别是涉及一种多源复杂铜精矿的配矿方法、系统及产品。

背景技术：

2.随着高品质铜矿资源持续开采，低品位复杂铜精矿已成为当前铜火法冶炼入炉原料的主要来源，合理配矿是提高矿产资源利用率、提升企业经济效益的重要途径。开发铜冶炼过程中复杂铜原料的精准配矿显得极为重要，针对铜冶炼过程中复杂铜原料的配矿准确性低，主要依靠人工经验或半经验，而人工经验进行配矿准确性虽然有所提高，但仍达不到期望的准确性。配矿计划作为实际生产的决策及指导依据，其优化技术逐渐向信息化和智能化的方向发展。科学有效的配矿为后续的入炉冶炼等流程提供理论指导。

3.现代信息技术和智能优化配矿技术逐渐引进到企业生产中，对复杂多物相铜矿化学成分的冶金性能互补和实现多种原料的合理利用具有决定性作用。在保证铜产品质量、产量以及杂质元素排放达标前提下，根据原料种类、品位和性能合理选择入炉铜矿的配比，结合铜冶炼原理及生产数据，开发精准配料系统，达到减少杂质元素引入和污染物排放、提高产品质量的目的。

技术实现要素：

4.本发明的目的是提供一种多源复杂铜精矿的配矿方法、系统及产品，以提高配矿的准确性。

5.为实现上述目的，本发明提供了如下方案：

6.一种多源复杂铜精矿的配矿方法，包括：

7.对多种混合铜精矿进行取样成分分析，确定各种所述混合铜精矿内各个铜精矿的百分比含量；

8.以所述混合铜精矿的品质为目标函数，以所述铜精矿中杂质元素的百分比含量为约束函数建立线性多目标规划的配料模型；

9.利用所述配料模型进行线性多目标规划，重新配比所述混合铜精矿中所述铜精矿的百分比含量，确定所述混合铜精矿的配比；

10.结合熔渣结构性质，计算熔剂种类及添加量，并根据所述配比获取入炉原料；所述熔渣结构性质特征包括粘度以及渣含铜；所述入炉原料包括配比后的混合铜精矿和熔剂；

11.基于所述入炉原料，利用铜冶金原理分析熔炼产物，并预测所述熔炼产物的质量；

12.根据所述熔炼产物的质量，结合生产数据分析所述入炉原料的配比，调整所述配料模型的目标函数以及约束函数，生成最优配比的入炉原料以及最优配料方案；所述生产数据包括渣含铜、铜锍品位、磁性铁含量以及粘度。

13.可选的，所述目标函数为：

[0014][0015]

其中，f(x)为目标函数；m为所选杂质元素的总数；wi为第i条目标函数的权重值；fi(x)为混合铜精矿所含第i种杂质元素的百分比含量；fm(x)为混合铜精矿所含第m种杂质元素的百分比含量；xr为混合铜精矿中第r种铜精矿的占比；xn为混合铜精矿中第n种铜精矿的占比，n为铜精矿的总数；a

ir

为第r种铜精矿所含第i种杂质元素的百分比含量；a

in

为第n种铜精矿所含第i种杂质元素的百分比含量；a

mr

为第r种铜精矿所含第m种杂质元素的百分比含量；a

mn

为第n种铜精矿所含第m种杂质元素的百分比含量。

[0016]

可选的，所述约束函数为：

[0017][0018]

其中，bi为混合铜精矿所含第i种杂质元素的百分比含量的限制值；bm为混合铜精矿所含第m种杂质元素的百分比含量的限制值。

[0019]

可选的，所述入炉原料满足对各种杂质元素的化学成分的限制要求；

[0020]

所述限制要求为：

[0021][0022]

其中，maxi为混合铜精矿所含第i种杂质元素的百分比含量上限；mini为混合铜精矿所含第i种杂质元素的百分比含量下限。

[0023]

一种多源复杂铜精矿的配矿系统，包括：

[0024]

百分比含量确定模块，用于对多种混合铜精矿进行取样成分分析，确定各种所述混合铜精矿内各个铜精矿的百分比含量；

[0025]

配料模型建立模块，用于以所述混合铜精矿的品质为目标函数，以所述铜精矿中杂质元素的百分比含量为约束函数建立线性多目标规划的配料模型；

[0026]

配比确定模块，用于利用所述配料模型进行线性多目标规划，重新配比所述混合铜精矿中所述铜精矿的百分比含量，确定所述混合铜精矿的配比；

[0027]

入炉原料获取模块，用于结合熔渣结构性质，计算熔剂种类及添加量，并根据所述配比获取入炉原料；所述熔渣结构性质特征包括粘度以及渣含铜；所述入炉原料包括配比后的混合铜精矿和熔剂；

[0028]

预测模块，用于基于所述入炉原料，利用铜冶金原理分析熔炼产物，并预测所述熔炼产物的质量；

[0029]

最优配料方案生成模块，用于根据所述熔炼产物的质量，结合生产数据分析所述入炉原料的配比，调整所述配料模型的目标函数以及约束函数，生成最优配比的入炉原料以及最优配料方案；所述生产数据包括渣含铜、铜锍品位、磁性铁含量以及粘度。

[0030]

可选的，所述目标函数为：

[0031][0032]

其中，f(x)为目标函数；m为所选杂质元素的总数；wi为第i条目标函数的权重值；fi(x)为混合铜精矿所含第i种杂质元素的百分比含量；fm(x)为混合铜精矿所含第m种杂质元素的百分比含量；xr为混合铜精矿中第r种铜精矿的占比；xn为混合铜精矿中第n种铜精矿的占比，n为铜精矿的总数；a

ir

为第r种铜精矿所含第i种杂质元素的百分比含量；a

in

为第n种铜精矿所含第i种杂质元素的百分比含量；a

mr

为第r种铜精矿所含第m种杂质元素的百分比含量；a

mn

为第n种铜精矿所含第m种杂质元素的百分比含量。

[0033]

可选的，所述约束函数为：

[0034][0035]

其中bi为混合铜精矿所含第i种杂质元素的百分比含量的限制值；bm为混合铜精矿所含第m种杂质元素的百分比含量的限制值。

[0036]

可选的，所述入炉原料满足对各种杂质元素的化学成分的限制要求；

[0037]

所述限制要求为：

[0038][0039]

其中，maxi为混合铜精矿所含第i种杂质元素的百分比含量上限；mini为混合铜精矿所含第i种杂质元素的百分比含量下限。

[0040]

一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述多源复杂铜精矿的配矿方法。

[0041]

一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现上述多源复杂铜精矿的配矿方法。

[0042]

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：本发明提供了一种多源复杂铜精矿的配矿方法、系统及产品，以混合铜精矿的品质为目标函数，以铜精矿的百分比含量为约束函数建立线性多目标规划的配料模型；利用配料模型进行线性多目标规划，重新配比混合铜精矿中所述铜精矿的百分比含量，确定混合铜精矿的配比，获取入炉原料；并预测熔炼产物质量调整配料模型的目标函数以及约束函数，生成最优配比的入炉原料以及最优配料方案；在保证铜产品质量以及杂质元素排放达标前提下，根据原料种类、品位和性能合理选择入炉原料的配比，结合铜冶炼原理及生产数据，达到减少杂质元素引入、提高产品质量的目的，提高了配矿的准确性。

附图说明

[0043]

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的前提下，还可以根据这些附图获得其他的附图。

[0044]

图1为本发明实施例一所提供的多源复杂铜精矿的配矿方法流程图；

[0045]

图2为本发明实施例二所提供的对矿种配矿的结果示意图；

[0046]

图3为本发明的ga-bp算法预测处理流程图；

[0047]

图4为本发明实施例三所提供的对矿种配矿的结果示意图；

[0048]

图5为本发明实施例三所提供的多源复杂铜精矿的配矿方法流程图。

具体实施方式

[0049]

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。

[0050]

本发明的目的是提供一种多源复杂铜精矿的配矿方法、系统及产品，提高配矿的准确性。

[0051]

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。

[0052]

实施例一

[0053]

图1为本发明所提供的多源复杂铜精矿的配矿方法流程图，如图1所示，一种多源复杂铜精矿的配矿方法，包括：

[0054]

步骤101：对多种混合铜精矿进行取样成分分析，确定各种所述混合铜精矿内各个铜精矿的百分比含量。

[0055]

步骤102：以所述混合铜精矿的品质为目标函数，以所述铜精矿中杂质元素的百分比含量为约束函数建立线性多目标规划的配料模型。

[0056]

在实际应用中，所述目标函数为：

[0057][0058]

其中，f(x)为目标函数；m为所选杂质元素的总数；wi为第i条目标函数的权重值；fi(x)为混合铜精矿所含第i种杂质元素的百分比含量；fm(x)为混合铜精矿所含第m种杂质元素的百分比含量；xr为混合铜精矿中第r种铜精矿的占比；xn为混合铜精矿中第n种铜精矿的占比，n为铜精矿的总数；a

ir

为第r种铜精矿所含第i种杂质元素的百分比含量；a

in

为第n种铜精矿所含第i种杂质元素的百分比含量；a

mr

为第r种铜精矿所含第m种杂质元素的百分比含量；a

mn

为第n种铜精矿所含第m种杂质元素的百分比含量。

[0059]fi

(x)代表的是多个目标中其中一个目标函数，而f(x)代表的是将fi(x)线性加权过后的总函数。

[0060]

在实际应用中，所述约束函数为：

[0061][0062]

其中，bi为混合铜精矿所含第i种杂质元素的百分比含量的限制值；bm为混合铜精矿所含第m种杂质元素的百分比含量的限制值。

[0063]

在实际应用中，使用遗传算法优化后的bp神经网络对各熔炼产物质量进行预测，利用遗传算法优化后的bp神经网络预测产物数据，解决了以往单独神经网络预测精度低的问题。

[0064]

遗传算法的适应度函数、选择操作、交叉操作、变异操作得到最优个体用于对bp神经网络输入、隐藏、输出节点的权值和阈值进行赋值，缩小bp神经网络对粘度、冰铜品位、渣含铜、磁性铁等熔炼结果预测误差。

[0065]

步骤103：利用所述配料模型进行线性多目标规划，重新配比所述混合铜精矿中所述铜精矿的百分比含量，确定所述混合铜精矿的配比。

[0066]

步骤104：结合熔渣结构性质，计算熔剂种类及添加量，并根据所述配比获取入炉原料；所述熔渣结构性质特征包括粘度以及渣含铜；所述入炉原料包括配比后的混合铜精矿和熔剂。

[0067]

在实际应用中，所述入炉原料满足对各种杂质元素的化学成分的限制要求；

[0068]

所述限制要求为：

[0069][0070]

其中，maxi为混合铜精矿所含第i种杂质元素的百分比含量上限；mini为混合铜精矿所含第i种杂质元素的百分比含量下限。

[0071]

在实际应用中，由建立的多目标规划模型计算得到各矿的占比和质量，结合混合铜精矿的成分特点计算入炉原料需要添加的熔剂等物质配比。

[0072]

熔剂添加量的计算公式为：

[0073][0074][0075]

其中xr为第r种铜精矿的比例；sr为第r种铜精矿中sio2的含量；cr为第r种铜精矿中cao的含量。

[0076]

步骤105：基于所述入炉原料，利用铜冶金原理分析熔炼产物，并预测所述熔炼产物的质量。

[0077]

本发明利用铜冶金原理结合热力学数据库预测粘度、冰铜品位、渣含铜、磁性铁等技术参数，将得到的产物预测数据分析入炉原料及熔剂等物质的成分，分析入炉原料及熔剂等物质的合理性，重新设定配矿模型的目标函数和约束条件，形成闭环控制对配矿模型进行优化，契合实际工业生产。

[0078]

步骤106：根据所述熔炼产物的质量，结合生产数据分析所述入炉原料的配比，调整所述配料模型的目标函数以及约束函数，生成最优配比的入炉原料以及最优配料方案；所述生产数据包括渣含铜、铜锍品位、磁性铁含量以及粘度。

[0079]

在实际应用中，依据铜冶炼过程中反应规律，分析工艺与冶炼参数间内在关联，依据热力学数据库预测粘度、冰铜品位、渣含铜、磁性铁等技术参数，通过遗传算法-bp神经网络对各指标进行分析处理。

[0080]

bp神经网络的构建、训练、预测：

[0081]

(1)newff：bp神经网络参数设置函数，构建铜熔炼预测神经网络。

[0082]

net＝newff(inputn,outputn,15)；

[0083]

其中inputn为混合铜精矿数据输入矩阵；outputn为粘度、冰铜品位、渣含铜、磁性铁等输出数据矩阵；15为设置隐含层节点数，接收混合铜精矿数据的输入，进行计算，并将信息传到下一层节点。

[0084]

(2)train：bp神经网络训练函数，铜熔炼预测神经网络训练函数。

[0085]

net.trainparam.lr＝0.001；

[0086]

net.trainparam.epochs＝1000；

[0087]

net.trainparam.goal＝0.000001；

[0088]

net＝train(net,inputn,outputn)；

[0089]

其中net为待训练网络；lr为训练函数的学习速率；epochs为训练函数的迭代次数；goal为设置的精度目标值，当网络的训练达到设定的迭代次数或者达到设置的精度时，训练结束；net为训练好的网络；inputn为用来训练的混合铜精矿输入数据；outputn为用来训练的粘度、冰铜品位、渣含铜、磁性铁等输出数据。

[0090]

(3)sim：bp神经网络预测函数，铜熔炼预测神经网络函数输出。

[0091]

函数形式:y＝sim(net,x)；

[0092]

其中net为训练好的网络；x为用来测试的混合铜精矿输入数据；y为用来测试的粘度、冰铜品位、渣含铜、磁性铁等输出数据。

[0093]

遗传算法优化bp神经网络：

[0094]

bp神经网络结构的确定由熔炼平衡的输入数据参数确定，并确定遗传算法个体的长度；通过遗传算法计算群体中每个个体适应度值、选择交叉、变异操作找到最优适应度的个体；bp神经网络的预测用遗传算法得到最优个体对bp网络的权值和阈值进行赋值，网络经训练后预测函数输出。遗传算法得到的最优个体赋给bp神经网络，用优化完的网络拟合非线性函数。利用得到的产物预测数据分析入炉原料及熔剂等物质的成分，重新设定配矿模型的目标函数和约束条件，重复以上步骤直到得到最优的配矿数据。

[0095]

实施例二

[0096]

基于实施例一的多源复杂铜精矿的配矿方法，步骤如下：

[0097]

(1)对多种铜精矿进行取样成分分析。

[0098]

(2)设定目标函数为混合铜精矿的品质，设定混合铜精矿的杂质元素含量为约束。

[0099]

目标函数如下：

[0100][0101][0102]

其中，f(x)为目标函数；m为所选杂质元素的总数；wi为第i条目标函数的权重值；fi(x)为混合铜精矿所含第i种杂质元素的百分比含量；fm(x)为混合铜精矿所含第m种杂质元素的百分比含量；xr为混合铜精矿中第r种铜精矿的占比；xn为混合铜精矿中第n种铜精矿的占比，n为铜精矿的总数；a

ir

为第r种铜精矿所含第i种杂质元素的百分比含量；a

in

为第n种铜精矿所含第i种杂质元素的百分比含量；a

mr

为第r种铜精矿所含第m种杂质元素的百分比含量；a

mn

为第n种铜精矿所含第m种杂质元素的百分比含量。

[0103]

约束函数如下：

[0104][0105]

其中，bi为混合铜精矿所含第i种杂质元素的百分比含量的限制值；bm为混合铜精矿所含第m种杂质元素的百分比含量的限制值。

[0106]

(3)各复杂铜精矿入炉配料满足对铜矿的杂质元素as、sb、bi、pb、zn等化学成分的限制要求。即：

[0107][0108]

maxi为混合铜精矿所含某种杂质元素i(as、sb、bi、pb、zn等)百分比含量上限；mini为混合铜精矿所含某种杂质元素i(as、sb、bi、pb、zn等)百分比含量下限。且cu、sio2、as、

pb、sb的区间分别为17％-21％、10％-13％、0.5％-0.9％、1.1％-1.4％、0.2％-0.3％。矿种各元素含量如表1所示，配矿结果如图2所示。

[0109]

表1 矿种各元素含量示意表

[0110][0111]

由建立的多目标规划模型计算得到各矿的占比和质量，结合混合铜精矿的成分特点计算入炉原料需要添加的熔剂等物质配比。

[0112]

(4)根据目标产物熔锍中元素特征，计算熔剂等物质组成配比关系，获得入炉原料配比。

[0113]

熔剂添加量的计算公式为：

[0114][0115][0116]

其中xr为第r种铜精矿的比例；sr为第r种铜精矿中sio2的含量；cr为第r种铜精矿中cao的含量。

[0117]

(5)程序完成遗传算法的适应度函数、选择操作、交叉操作、变异操作得到最优个体用于对bp神经网络权值和阈值进行赋值。流程如图3所示。

[0118]

(6)依据铜冶炼过程中反应规律，分析工艺与冶炼参数间内在关联，依据热力学数据库预测粘度、冰铜品位、渣含铜、磁性铁等技术参数，通过遗传算法-bp神经网络对各指标进行分析处理。

[0119]

(7)得到的粘度精度可以达到99％、铜锍等预测精度经测试可以达到94.6％。

[0120]

(8)利用预测的数据再次分析入炉原料及熔剂等物质的成分配比，当得到的粘度数据很高时可以在入炉原料中适当增加含feo的矿料，用来指导配矿参数设定，以此得到更优的熔炼产物。

[0121]

实施例三

[0122]

基于实施例一的多源复杂铜精矿的配矿方法，步骤如下：

[0123]

(1)对9不同矿种的铜精矿进行取样分析。

[0124]

(2)设定目标函数为混合铜精矿的品质，设定混合铜精矿的杂质元素含量为约束。

[0125]

目标函数如下：

[0126][0127]

其中，f(x)为目标函数；m为所选杂质元素的总数；wi为第i条目标函数的权重值；fi(x)为混合铜精矿所含第i种杂质元素的百分比含量；fm(x)为混合铜精矿所含第m种杂质元素的百分比含量；xr为混合铜精矿中第r种铜精矿的占比；xn为混合铜精矿中第n种铜精矿的占比，n为铜精矿的总数；a

ir

为第r种铜精矿所含第i种杂质元素的百分比含量；a

in

为第n种铜精矿所含第i种杂质元素的百分比含量；a

mr

为第r种铜精矿所含第m种杂质元素的百分比含量；a

mn

为第n种铜精矿所含第m种杂质元素的百分比含量。

[0128]

约束函数如下：

[0129][0130]

其中，bi为混合铜精矿所含第i种杂质元素的百分比含量的限制值；bm为混合铜精矿所含第m种杂质元素的百分比含量的限制值。

[0131]

(3)各复杂铜精矿入炉配料满足对铜矿的杂质元素as、sb、bi、pb、zn等化学成分的限制要求。即：

[0132][0133]

maxi为混合铜精矿所含某种杂质元素i(as、sb、bi、pb、zn等)百分比含量上限；mini为混合铜精矿所含某种杂质元素i(as、sb、bi、pb、zn等)百分比含量下限。且cu、sio2、as、pb、sb的区间分别为18％-21％、11％-13％、0.4％-0.85％、1.0％-1.35％、0.15％-0.25％。配矿结果如图4。

[0134]

(4)根据目标产物熔锍中元素特征，计算熔剂等物质组成配比关系，获得入炉原料配比。

[0135]

熔剂添加量的计算公式为：

[0136][0137][0138]

其中xr为第r种铜精矿的比例；sr为第r种铜精矿中sio2的含量；cr为第r种铜精矿中cao的含量。(其中由配矿得到sio2含量为11.50％，cao含量为2.42％)。需要额外加入1.02％的cao。

[0139]

程序完成遗传算法的适应度函数、选择操作、交叉操作、变异操作得到最优个体用于对bp神经网络权值和阈值进行赋值。

[0140]

依据铜冶炼过程中反应规律，分析工艺与冶炼参数间内在关联，依据热力学数据库预测粘度、冰铜品位、渣含铜、磁性铁等技术参数，通过遗传算法-bp神经网络对各指标进行分析处理。

[0141]

(7)得到的粘度精度可以达到99％、铜锍、熔炼渣、烟气量、尖晶石、铁橄榄石等预测精度经测试可以达到94.6％。

[0142]

(8)利用预测的数据再次分析入炉原料及熔剂等物质的成分配比，当得到的铜锍数据较低时可以在入炉原料中适当提高feo、cao等含量高的矿料，用来指导配矿参数设定，以此得到更优的熔炼产物。流程如图5。

[0143]

实施例四

[0144]

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种多源复杂铜精矿的配矿系统。

[0145]

一种多源复杂铜精矿的配矿系统，包括：

[0146]

百分比含量确定模块，用于对多种混合铜精矿进行取样成分分析，确定各种所述混合铜精矿内各个铜精矿的百分比含量。

[0147]

配料模型建立模块，用于以所述混合铜精矿的品质为目标函数，以所述铜精矿中杂质元素的百分比含量为约束函数建立线性多目标规划的配料模型。

[0148]

配比确定模块，用于利用所述配料模型进行线性多目标规划，重新配比所述混合铜精矿中所述铜精矿的百分比含量，确定所述混合铜精矿的配比。

[0149]

入炉原料获取模块，用于结合熔渣结构性质，计算熔剂种类及添加量，并根据所述配比获取入炉原料；所述熔渣结构性质特征包括粘度以及渣含铜；所述入炉原料包括配比后的混合铜精矿和熔剂。

[0150]

预测模块，用于基于所述入炉原料，利用铜冶金原理分析熔炼产物，并预测所述熔炼产物的质量。

[0151]

最优配料方案生成模块，用于根据所述熔炼产物的质量，结合生产数据分析所述入炉原料的配比，调整所述配料模型的目标函数以及约束函数，生成最优配比的入炉原料以及最优配料方案；所述生产数据包括渣含铜、铜锍品位、磁性铁含量以及粘度。

[0152]

实施例五

[0153]

本发明实施例提供一种电子设备包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的多源复杂铜精矿的配矿方

法。

[0154]

在实际应用中，上述电子设备可以是服务器。

[0155]

在实际应用中，电子设备包括：至少一个处理器(processor)、存储器(memory)、总线及通信接口(communications interface)。

[0156]

其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。

[0157]

通信接口，用于与其它设备进行通信。

[0158]

处理器，用于执行程序，具体可以执行上述实施例所述的多源复杂铜精矿的配矿方法。

[0159]

具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。

[0160]

处理器可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

[0161]

存储器，用于存放程序。存储器可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

[0162]

基于以上实施例的描述，本技术实施例提供一种存储介质，其上存储有计算机程序指令，计算机程序指令可被处理器执行以实现任意实施例所述的多源复杂铜精矿的配矿方法

[0163]

本技术实施例的提供的多源复杂铜精矿的配矿系统以多种形式存在，包括但不限于：

[0164]

(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iphone)、多媒体手机、功能性手机，以及低端手机等。

[0165]

(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网性能。这类终端包括：pda、mid和umpc设备等，例如ipad。

[0166]

(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如ipod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

[0167]

(4)其他具有数据交互功能的电子设备。

[0168]

至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。

[0169]

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

[0170]

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员

应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

[0171]

本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0172]

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0173]

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0174]

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

[0175]

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

[0176]

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、

[0177]

数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备

[0178]

或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

[0179]

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个

……”

限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

[0180]

本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。

因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

[0181]

本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

[0182]

本发明形成一种多源复杂铜精矿的配矿方法的计算机程序，解决了人工计算复杂的问题。

[0183]

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。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0184]

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。技术特征：

1.一种多源复杂铜精矿的配矿方法，其特征在于，包括：对多种混合铜精矿进行取样成分分析，确定各种所述混合铜精矿内各个铜精矿的百分比含量；以所述混合铜精矿的品质为目标函数，以所述铜精矿中杂质元素的百分比含量为约束函数建立线性多目标规划的配料模型；利用所述配料模型进行线性多目标规划，重新配比所述混合铜精矿中所述铜精矿的百分比含量，确定所述混合铜精矿的配比；结合熔渣结构性质，计算熔剂种类及添加量，并根据所述配比获取入炉原料；所述熔渣结构性质特征包括粘度以及渣含铜；所述入炉原料包括配比后的混合铜精矿和熔剂；基于所述入炉原料，利用铜冶金原理分析熔炼产物，并预测所述熔炼产物的质量；根据所述熔炼产物的质量，结合生产数据分析所述入炉原料的配比，调整所述配料模型的目标函数以及约束函数，生成最优配比的入炉原料以及最优配料方案；所述生产数据包括渣含铜、铜锍品位、磁性铁含量以及粘度。2.根据权利要求1所述的多源复杂铜精矿的配矿方法，其特征在于，所述目标函数为：2.根据权利要求1所述的多源复杂铜精矿的配矿方法，其特征在于，所述目标函数为：其中，f(x)为目标函数；m为所选杂质元素的总数；w

i

为第i条目标函数的权重值；f

i

(x)为混合铜精矿所含第i种杂质元素的百分比含量；f

m

(x)为混合铜精矿所含第m种杂质元素的百分比含量；x

r

为混合铜精矿中第r种铜精矿的占比；x

n

为混合铜精矿中第n种铜精矿的占比，n为铜精矿的总数；a

ir

为第r种铜精矿所含第i种杂质元素的百分比含量；a

in

为第n种铜精矿所含第i种杂质元素的百分比含量；a

mr

为第r种铜精矿所含第m种杂质元素的百分比含量；a

mn

为第n种铜精矿所含第m种杂质元素的百分比含量。3.根据权利要求2所述的多源复杂铜精矿的配矿方法，其特征在于，所述约束函数为：

其中，b

i

为混合铜精矿所含第i种杂质元素的百分比含量的限制值；b

m

为混合铜精矿所含第m种杂质元素的百分比含量的限制值。4.根据权利要求3所述的多源复杂铜精矿的配矿方法，其特征在于，所述入炉原料满足对各种杂质元素的化学成分的限制要求；所述限制要求为：其中，max

i

为混合铜精矿所含第i种杂质元素的百分比含量上限；min

i

为混合铜精矿所含第i种杂质元素的百分比含量下限。5.一种多源复杂铜精矿的配矿系统，其特征在于，包括：百分比含量确定模块，用于对多种混合铜精矿进行取样成分分析，确定各种所述混合铜精矿内各个铜精矿的百分比含量；配料模型建立模块，用于以所述混合铜精矿的品质为目标函数，以所述铜精矿中杂质元素的百分比含量为约束函数建立线性多目标规划的配料模型；配比确定模块，用于利用所述配料模型进行线性多目标规划，重新配比所述混合铜精矿中所述铜精矿的百分比含量，确定所述混合铜精矿的配比；入炉原料获取模块，用于结合熔渣结构性质，计算熔剂种类及添加量，并根据所述配比获取入炉原料；所述熔渣结构性质特征包括粘度以及渣含铜；所述入炉原料包括配比后的混合铜精矿和熔剂；预测模块，用于基于所述入炉原料，利用铜冶金原理分析熔炼产物，并预测所述熔炼产物的质量；最优配料方案生成模块，用于根据所述熔炼产物的质量，结合生产数据分析所述入炉原料的配比，调整所述配料模型的目标函数以及约束函数，生成最优配比的入炉原料以及最优配料方案；所述生产数据包括渣含铜、铜锍品位、磁性铁含量以及粘度。6.根据权利要求5所述的多源复杂铜精矿的配矿系统，其特征在于，所述目标函数为：

其中，f(x)为目标函数；m为所选杂质元素的总数；w

i

为第i条目标函数的权重值；f

i

(x)为混合铜精矿所含第i种杂质元素的百分比含量；f

m

(x)为混合铜精矿所含第m种杂质元素的百分比含量；x

r

为混合铜精矿中第r种铜精矿的占比；x

n

为混合铜精矿中第n种铜精矿的占比，n为铜精矿的总数；a

ir

为第r种铜精矿所含第i种杂质元素的百分比含量；a

in

为第n种铜精矿所含第i种杂质元素的百分比含量；a

mr

为第r种铜精矿所含第m种杂质元素的百分比含量；a

mn

为第n种铜精矿所含第m种杂质元素的百分比含量。7.根据权利要求6所述的多源复杂铜精矿的配矿系统，其特征在于，所述约束函数为：其中，b

i

为混合铜精矿所含第i种杂质元素的百分比含量的限制值；b

m

为混合铜精矿所含第m种杂质元素的百分比含量的限制值。8.根据权利要求7所述的多源复杂铜精矿的配矿系统，其特征在于，所述入炉原料满足对各种杂质元素的化学成分的限制要求；所述限制要求为：其中，max

i

为混合铜精矿所含第i种杂质元素的百分比含量上限；min

i

为混合铜精矿所含第i种杂质元素的百分比含量下限。9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1-4中任一项所述的多源复杂铜精矿的配矿方法。10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的多源复杂铜精矿的配矿方法。

技术总结

本发明涉及一种多源复杂铜精矿的配矿方法、系统及产品。该方法包括：对多种混合铜精矿取样成分分析，确定各种混合铜精矿内各个铜精矿的百分比含量；以混合铜精矿的品质为目标函数，以铜精矿中杂质元素的百分比含量为约束函数建立线性多目标规划的配料模型；利用配料模型进行线性多目标规划，重新配比混合铜精矿中铜精矿的百分比含量，确定混合铜精矿的配比；结合熔渣结构性质，计算熔剂种类及添加量，并根据配比获取入炉原料；基于入炉原料，利用铜冶金原理分析熔炼产物，预测熔炼产物的质量；根据熔炼产物的质量，结合生产数据分析入炉原料的配比，调整目标函数以及约束函数，生成最优配比的入炉原料及配料方案。本发明能够提高配矿的准确性。配矿的准确性。配矿的准确性。

技术研发人员：周世伟 王光彪 李博 魏永刚 王华

受保护的技术使用者：昆明理工大学

技术研发日：2022.09.30

技术公布日：2023/1/2