大數據輔助有色金屬冶煉的智能決策方法分析

楊宇帆

（中國有色礦業集團有限公司，北京 100029）

作為工業化經濟增長基石之一的有色金屬工業近年來遇到了較大挑戰，如：金屬價格下跌、市場環境競爭日益激烈、采礦公司的資源枯竭等。這些挑戰迫使有色金屬行業重新審視其生產經營各項活動以保持競爭力，特別是采購和生產活動規劃就顯得尤其適用，因為這些活動直接影響了有色金屬行業企業的總利潤率。

1 有色金屬冶煉企業現狀概述

冶煉加工是有色金屬工業活動中重要的一環，我國冶煉企業又面臨產能大、原料供應不足或品味不穩定等問題，導致冶煉加工企業現階段對對原材料、輔料采購和生產計劃任務等各項供應要素要求非常高，對于原料配比、加工工藝、生產過程管控都有著極為有嚴格的要求。其中，采購決策既包括從具有多金屬元素和雜質的各種潛在材料中選擇合適的數量和質量的投入，又包括采購日期、運輸方式等與到貨期息息相關的采購計劃。而生產決策必須考慮到生產技術過程的復雜性、連續性，同時需要考慮金屬元素在原材料、中間產品及產成品間的流動劑量。此外，對于不同工藝的加工步驟和原材料品味，結合企業實際，必須多維度考慮經濟、環境和法規限制因素。

2 有色金屬冶煉發展中存在的問題

有色金屬供應鏈的供應結構由原材料供應、生產轉化過程和產品銷售三部分組成。

在物料供應方面，有幾類原材料來自不同的來源，例如來自礦山(例如精礦)的主要原材料，以及來自回收中心(例如電子廢料)的次要原材料，或來自其他金屬生產廠(例如陽極泥等副產品)。一般來說，采購合同是長期的，因此，在進行業務采購和生產計劃之前。然而，在原材料采購方面，通常保持一定程度的自由度，最高可達20%的能力，以應對意外事件和改進業務規劃。這些免費能力可以用來購買額外的現場優惠。在此，短期決定的質量和數量的材料，運輸方式和裝運到達日期。在原材料的選擇方面，存在著大量的潛在原材料。但市場上提供的原材料的化學成分都不相同，尤其是在有害于提純過程的雜質元素方面。隨著礦產資源的消耗，原材料呈有害雜質元素比例增加、金屬品位逐年下降的趨勢。

原材料可以通過船運、卡車運輸，也可以兩者結合運輸。根據運輸方式的不同，會出現不同的成本、交貨時間以及與貨件大小有關的限制。通過船只運輸通常需要40天的準備時間，而通過卡車運輸需要10天的準備時間?？紤]到這些裝運期限，必須在處理前40天內作出決定。

在轉化過程中，原材料在全球生產網絡的工廠內加工，使用特定的生產技術精煉金屬。每個工廠應用的技術可以根據其工藝、生產能力、工藝能力、產生的(副產品)和成本而有所不同。在這個規劃步驟中，必須對生產計劃做出操作決定，包括每個規劃期間每個工廠的工藝投入和混合以及物料流量。生產計劃需要根據生產過程的具體技術能力來確定。通常，規劃的時間跨度是幾個月，但這取決于公司的具體規劃過程。供應鏈視角是必不可少的，因為生產工廠是通過公司間的供應流程緊密相連的。根據采購決策和生產計劃，得出每種材料的庫存水平。對于個別材料以及材料組的編目存在某些限制。這些限制源于設施的特性或戰略決策。

在第三步中，每個客戶的產品銷售結果與生產計劃中使用的計劃時間相同。在這里，不同的產品質量要求，包括最低材料含量的限制，必須根據合同條款來考慮。根據生產過程的不同，產品的范圍和產品質量可能因工廠的不同而有所不同。

金屬價格的不確定性取決于外生市場動態，并直接影響公司的總貢獻利潤率。因此，應對這些不確定性仍然是有色金屬生產的核心挑戰。為了解決這些不確定性，企業依賴于復雜的預測算法和市場上的對沖價格。通過這樣做，他們可以通過在期貨市場鎖定同一種金屬的價格來抵消市場價格波動的風險。這種設置允許從業人員使用確定性的規劃方法，由價格預測證實，因為大部分價格是事先確定的，基本的價格預測顯示對剩余的不確定價格有很高的準確性。

3 大數據輔助決策的實現方案

3.1 大數據輔助采購與生產網絡決策模型的構建

為了保證神經網絡訓練樣本的技術效率和規模效率，采用DEA方法對樣本進行篩選，對智能系統進行了訓練。本研究著重于金屬的冶金熔煉。該工藝一般包括制備、粗銅冶煉、陽極銅精煉、電解精煉和制酸。能源消耗主要來自三個過程：粗銅冶煉、陽極銅精煉和電解精煉。

3.2 案例分析

鋁合金作為一種重要的有色金屬結構材料，廣泛應用于工業和生產中，在國民經濟和工業生產中顯示出巨大的價值?；诩す庹T導擊穿光譜的分類方法近年來已有報道。盡管LIBS是一種先進的檢測技術，但為了達到快速、準確分類的目的，有必要將其與一些算法相結合。隨機森林算法作為一種重要的機器學習方法，在模式識別和材料分類中發揮著重要作用。通過LIBS和RF算法的鋁合金快速分類方法，揭示了精度隨射頻中樹木數目和射頻中訓練樣本集大小的變化而變化。根據這些規律，研究人員可以在射頻算法中找出優化的參數，從而達到預期的良好效果。實驗結果表明，采用RF算法的LIBS能夠準確、快速、準確、高精度地對鋁合金進行分類，具有明顯的實用價值。

激光誘導擊穿光譜近年來發展迅速。在中國，LIBS的研究在定性和定量分析方面都取得了很大的進展。LIBS在快速檢測、半定量分析和定性分析方面具有很大的優勢，其重要應用之一就是對材料進行準確、快速的分類。LIBS具有復雜的過程和深刻的物理原理。它會受到許多已知甚至未知因素的影響。因此，如何提高結果的可重復性是一個困難而又熱門的話題。有不同的方法來做到這一點，如改善信號產生和信號收集。影響LIBS性能的因素很多，如透鏡到樣品距離、延遲時間、大氣條件、激光脈沖能量、電子溫度和密度等。

LIBS與算法相結合可以提供一種新的、創新的思路來提高效率。LIBS技術結合模式識別和機器學習方法進行一些分類或檢測任務對研究人員來說并不陌生。結合主成分分析(PCA)和偏最小二乘判別分析(PLS-DA)的LIBS方法在炸藥檢測領域具有應用價值。帶有支持向量機的LIBS(SVM)也被報道用于識別和分類聚氯乙烯聚合物。LIBS與機器學習方法也被報道用于識別爆炸物指紋。研究和實驗表明，利用這些方法進行LIBS分類是有效和穩健的。

隨機森林算法也是機器學習領域中最重要的分類算法之一。關于它有許多數學和算法研究。該方法通過構造大量的決策樹并采用投票機制對樣本進行分類和決策，具有計算速度快、泛化能力強、避免過擬合風險等優點。這是一種成功的分類算法，已被證明能夠提高分類精度，取得較好的分類效果。本文采用LIBS與RF相結合的方法對鋁合金進行分級。雖然一些研究已經嘗試利用LIBS和PCA等模式識別方法對鋁合金樣品進行分類，但只有當鋁合金的種類非常不同時才有效。試圖從一個類別對不同類別的樣本進行分類似乎是徒勞的。而采用射頻激光誘導離子注入技術可以很好地解決這一問題，對于差異較小的鋁合金樣品的分類提供了較好的結果。

本研究對鋁合金試樣進行了不同的分類。從不同類別中取得的樣品可能含有不同種類的元素。盡管鋁合金樣品來自同一類別，但不同元素的含量存在細微差別。帶有RF的LIBS技術可以在一定程度上對這些類別的鋁合金樣品進行分類。此外，這項研究的目的不是試圖使用盡可能多的鋁合金樣品來證明這種方法適用于所有類別。這為證明采用這種方法可以很好地對鋁合金進行分類提供了一種有效的方法。通過實例驗證了該方法的有效性。此外，在現實生活中，要分類的鋁合金種類通常并不多。

為了確定未知鋁合金樣品的種類，需要在分類開始前進行一些實驗，獲得大量的光譜數據。然后，將硬件系統采集的光譜數據分為兩組。例如，多達80%的數據被劃分到訓練樣本集中;剩下的20%被劃分到測試樣本集中進行測試。對于訓練樣本集，利用訓練樣本集中的頻譜數據重組生成n個子訓練樣本集，每個子訓練樣本集可以生成一個決策樹模型。因此，n個子訓練樣本集將生成n個決策樹模型，每個模型都可以給出未知測試樣本的分類輸出。N分類輸出最終產生一個投票表決，提供未知測試樣本的分類，因為一個類別得到的投票越多，未知測試樣本就越有可能屬于該類別。

RF方法的核心代碼源自MATLAB的函數庫。然而，基于實際的原始代碼，本文提出的方法在源代碼的基礎上更進一步，并進行了大量的預處理和改進，將該方法應用于鋁合金樣品，從而獲得更高的精度和效率。

4 結語

本文提出了一種將LIBS與RF算法相結合處理鋁合金樣品分類問題的重要而創新的方法。這項研究中使用的樣本來自四個主要類別，每個類別有不同數量的小班。因此，總共有十一小類的鋁合金樣品用于LIBS實驗，為每個樣品創建一定數量的光譜。對于這些光譜數據，選取一定比例的光譜數據作為訓練集，其余光譜數據作為測試集。Bootstrap用于對訓練集進行抽樣，以獲得多個樣本集。每個樣本集可以構造決策樹，它們的所有輸出都可以投票決策。得票最多的類別作為RF決策的分類結果。