大数据辅助有色金属冶炼的智能决策方法分析

杨宇帆

（中国有色矿业集团有限公司，北京 100029）

作为工业化经济增长基石之一的有色金属工业近年来遇到了较大挑战，如：金属价格下跌、市场环境竞争日益激烈、采矿公司的资源枯竭等。这些挑战迫使有色金属行业重新审视其生产经营各项活动以保持竞争力，特别是采购和生产活动规划就显得尤其适用，因为这些活动直接影响了有色金属行业企业的总利润率。

1 有色金属冶炼企业现状概述

冶炼加工是有色金属工业活动中重要的一环，我国冶炼企业又面临产能大、原料供应不足或品味不稳定等问题，导致冶炼加工企业现阶段对对原材料、辅料采购和生产计划任务等各项供应要素要求非常高，对于原料配比、加工工艺、生产过程管控都有着极为有严格的要求。其中，采购决策既包括从具有多金属元素和杂质的各种潜在材料中选择合适的数量和质量的投入，又包括采购日期、运输方式等与到货期息息相关的采购计划。而生产决策必须考虑到生产技术过程的复杂性、连续性，同时需要考虑金属元素在原材料、中间产品及产成品间的流动剂量。此外，对于不同工艺的加工步骤和原材料品味，结合企业实际，必须多维度考虑经济、环境和法规限制因素。

2 有色金属冶炼发展中存在的问题

有色金属供应链的供应结构由原材料供应、生产转化过程和产品销售三部分组成。

在物料供应方面，有几类原材料来自不同的来源，例如来自矿山(例如精矿)的主要原材料，以及来自回收中心(例如电子废料)的次要原材料，或来自其他金属生产厂(例如阳极泥等副产品)。一般来说，采购合同是长期的，因此，在进行业务采购和生产计划之前。然而，在原材料采购方面，通常保持一定程度的自由度，最高可达20%的能力，以应对意外事件和改进业务规划。这些免费能力可以用来购买额外的现场优惠。在此，短期决定的质量和数量的材料，运输方式和装运到达日期。在原材料的选择方面，存在着大量的潜在原材料。但市场上提供的原材料的化学成分都不相同，尤其是在有害于提纯过程的杂质元素方面。随着矿产资源的消耗，原材料呈有害杂质元素比例增加、金属品位逐年下降的趋势。

原材料可以通过船运、卡车运输，也可以两者结合运输。根据运输方式的不同，会出现不同的成本、交货时间以及与货件大小有关的限制。通过船只运输通常需要40天的准备时间，而通过卡车运输需要10天的准备时间。考虑到这些装运期限，必须在处理前40天内作出决定。

在转化过程中，原材料在全球生产网络的工厂内加工，使用特定的生产技术精炼金属。每个工厂应用的技术可以根据其工艺、生产能力、工艺能力、产生的(副产品)和成本而有所不同。在这个规划步骤中，必须对生产计划做出操作决定，包括每个规划期间每个工厂的工艺投入和混合以及物料流量。生产计划需要根据生产过程的具体技术能力来确定。通常，规划的时间跨度是几个月，但这取决于公司的具体规划过程。供应链视角是必不可少的，因为生产工厂是通过公司间的供应流程紧密相连的。根据采购决策和生产计划，得出每种材料的库存水平。对于个别材料以及材料组的编目存在某些限制。这些限制源于设施的特性或战略决策。

在第三步中，每个客户的产品销售结果与生产计划中使用的计划时间相同。在这里，不同的产品质量要求，包括最低材料含量的限制，必须根据合同条款来考虑。根据生产过程的不同，产品的范围和产品质量可能因工厂的不同而有所不同。

金属价格的不确定性取决于外生市场动态，并直接影响公司的总贡献利润率。因此，应对这些不确定性仍然是有色金属生产的核心挑战。为了解决这些不确定性，企业依赖于复杂的预测算法和市场上的对冲价格。通过这样做，他们可以通过在期货市场锁定同一种金属的价格来抵消市场价格波动的风险。这种设置允许从业人员使用确定性的规划方法，由价格预测证实，因为大部分价格是事先确定的，基本的价格预测显示对剩余的不确定价格有很高的准确性。

3 大数据辅助决策的实现方案

3.1 大数据辅助采购与生产网络决策模型的构建

为了保证神经网络训练样本的技术效率和规模效率，采用DEA方法对样本进行筛选，对智能系统进行了训练。本研究着重于金属的冶金熔炼。该工艺一般包括制备、粗铜冶炼、阳极铜精炼、电解精炼和制酸。能源消耗主要来自三个过程：粗铜冶炼、阳极铜精炼和电解精炼。

3.2 案例分析

铝合金作为一种重要的有色金属结构材料，广泛应用于工业和生产中，在国民经济和工业生产中显示出巨大的价值。基于激光诱导击穿光谱的分类方法近年来已有报道。尽管LIBS是一种先进的检测技术，但为了达到快速、准确分类的目的，有必要将其与一些算法相结合。随机森林算法作为一种重要的机器学习方法，在模式识别和材料分类中发挥着重要作用。通过LIBS和RF算法的铝合金快速分类方法，揭示了精度随射频中树木数目和射频中训练样本集大小的变化而变化。根据这些规律，研究人员可以在射频算法中找出优化的参数，从而达到预期的良好效果。实验结果表明，采用RF算法的LIBS能够准确、快速、准确、高精度地对铝合金进行分类，具有明显的实用价值。

激光诱导击穿光谱近年来发展迅速。在中国，LIBS的研究在定性和定量分析方面都取得了很大的进展。LIBS在快速检测、半定量分析和定性分析方面具有很大的优势，其重要应用之一就是对材料进行准确、快速的分类。LIBS具有复杂的过程和深刻的物理原理。它会受到许多已知甚至未知因素的影响。因此，如何提高结果的可重复性是一个困难而又热门的话题。有不同的方法来做到这一点，如改善信号产生和信号收集。影响LIBS性能的因素很多，如透镜到样品距离、延迟时间、大气条件、激光脉冲能量、电子温度和密度等。

LIBS与算法相结合可以提供一种新的、创新的思路来提高效率。LIBS技术结合模式识别和机器学习方法进行一些分类或检测任务对研究人员来说并不陌生。结合主成分分析(PCA)和偏最小二乘判别分析(PLS-DA)的LIBS方法在炸药检测领域具有应用价值。带有支持向量机的LIBS(SVM)也被报道用于识别和分类聚氯乙烯聚合物。LIBS与机器学习方法也被报道用于识别爆炸物指纹。研究和实验表明，利用这些方法进行LIBS分类是有效和稳健的。

随机森林算法也是机器学习领域中最重要的分类算法之一。关于它有许多数学和算法研究。该方法通过构造大量的决策树并采用投票机制对样本进行分类和决策，具有计算速度快、泛化能力强、避免过拟合风险等优点。这是一种成功的分类算法，已被证明能够提高分类精度，取得较好的分类效果。本文采用LIBS与RF相结合的方法对铝合金进行分级。虽然一些研究已经尝试利用LIBS和PCA等模式识别方法对铝合金样品进行分类，但只有当铝合金的种类非常不同时才有效。试图从一个类别对不同类别的样本进行分类似乎是徒劳的。而采用射频激光诱导离子注入技术可以很好地解决这一问题，对于差异较小的铝合金样品的分类提供了较好的结果。

本研究对铝合金试样进行了不同的分类。从不同类别中取得的样品可能含有不同种类的元素。尽管铝合金样品来自同一类别，但不同元素的含量存在细微差别。带有RF的LIBS技术可以在一定程度上对这些类别的铝合金样品进行分类。此外，这项研究的目的不是试图使用尽可能多的铝合金样品来证明这种方法适用于所有类别。这为证明采用这种方法可以很好地对铝合金进行分类提供了一种有效的方法。通过实例验证了该方法的有效性。此外，在现实生活中，要分类的铝合金种类通常并不多。

为了确定未知铝合金样品的种类，需要在分类开始前进行一些实验，获得大量的光谱数据。然后，将硬件系统采集的光谱数据分为两组。例如，多达80%的数据被划分到训练样本集中;剩下的20%被划分到测试样本集中进行测试。对于训练样本集，利用训练样本集中的频谱数据重组生成n个子训练样本集，每个子训练样本集可以生成一个决策树模型。因此，n个子训练样本集将生成n个决策树模型，每个模型都可以给出未知测试样本的分类输出。N分类输出最终产生一个投票表决，提供未知测试样本的分类，因为一个类别得到的投票越多，未知测试样本就越有可能属于该类别。

RF方法的核心代码源自MATLAB的函数库。然而，基于实际的原始代码，本文提出的方法在源代码的基础上更进一步，并进行了大量的预处理和改进，将该方法应用于铝合金样品，从而获得更高的精度和效率。

4 结语

本文提出了一种将LIBS与RF算法相结合处理铝合金样品分类问题的重要而创新的方法。这项研究中使用的样本来自四个主要类别，每个类别有不同数量的小班。因此，总共有十一小类的铝合金样品用于LIBS实验，为每个样品创建一定数量的光谱。对于这些光谱数据，选取一定比例的光谱数据作为训练集，其余光谱数据作为测试集。Bootstrap用于对训练集进行抽样，以获得多个样本集。每个样本集可以构造决策树，它们的所有输出都可以投票决策。得票最多的类别作为RF决策的分类结果。