本发明涉及一种铁矿石分选大数据分析决策系统。
背景技术：
1、近年来，随着我国能源产业的飞速发展，铁矿石的用量大幅攀升。需要注意的是，铁矿石作为一种中间产品并不能直接用于工业制造，必须历经分选提炼才可能有效进行工业生产。
2、当前的铁矿石的分选工艺仍然较为粗放。铁矿石的分选涉及到多个参数的应用。如果参数选择不对，则很可能严重影响铁矿石分选后最终的品位，导致出现大量的矿石浪费。
3、而此类分选参数的选择，在实践中往往依然需要依靠技术工人的经验进行，至今为止也没有提出一种科学的方式来进行智能化选择，这就导致了工作效率的降低，同时严重影响铁矿石分选后的最终品位，造成极大的浪费，从而推高了相应的原料成本。
技术实现思路
1、本发明提供一种铁矿石分选大数据分析决策系统，有效地解决了现有技术中存在的上述技术难题。
2、具体而言，本发明提供一种铁矿石分选大数据分析决策系统，在铁矿石分选过程中，首先通过磁选以特定的磁场强度从原矿中筛出铁精矿并余下首次余矿，然后通过浮选以特定的矿浆质量浓度从首次余矿中筛出铜精矿并余下二次余矿，然后通过特定次数的扫选从二次余矿中筛出尾矿，所述系统包括存储单元、运算单元、决策单元，存储单元存储有历史上n次铁矿石分选过程中的矿石数据，其中，n≥5，每一次的矿石数据包括参数数据，即，磁选所采用的磁场强度、浮选所采用的矿浆质量浓度、扫选所采用的扫选次数，还包括结果数据，即，铁精矿中的铁含量和铜含量、铜精矿中的铁含量和铜含量、尾矿中的铁含量和铜含量，在运算单元中设定原矿基础铁含量和基础铜含量，并基于所述基础铁含量和基础铜含量计算每一次矿石数据的铁铜相对含量，从而求得n次矿石数据的铁铜相对含量d1、d2、…dn，选取最大值dmax＝max{d1、d2、…dn}以及最小值dmin＝min{d1、d2、…dn}，构成含量区间[dmin,dmax]，决策单元首先将所述含量区间分成三等份形成三个子含量区间，并以n次矿石数据作为数据总集，以三个子含量区间进行分类求得经验熵h(d)，随后，以磁场强度、矿浆质量浓度、扫选次数这三个参数中的任一个参数t对数据总集进行分类来构建决策树，该决策树中根节点为参数t的分类，叶子节点为三个子含量区间的分类，求得经验条件熵h(d|t)，从而获得参数t的信息增益ζ＝h(d|t)-h(d)，即，计算得出关于磁场强度的信息增益ζ1，关于矿浆质量浓度的信息增益ζ2，关于扫选次数的信息增益ζ3，选取ζ1、ζ2、ζ3中数值最大的信息增益ζ*，并基于信息增益ζ*确定其对应的一个首次选定参数t1，在首次选定参数t1所对应的决策树中，回溯选取出叶子节点[dmax-(dmax-dmin)/3，dmax]下的所有首次选定参数t1的数值，设定t1的数值有n1个，那么这n1个t1数值就对应于n1个矿石数据，其中n1<n，由此这n1个t1数值取平均值获得首次选定参数的数值为n1’,以所述n1个矿石数据作为二次数据总集，基于该二次数据总集针对除选定参数t1之外的另外两个参数构建二级决策树，计算出所述另外两个参数的信息增益ζ1’和ζ2’，如果ζ1’>ζ2’，则基于ζ1’确定其对应的一个二次选定参数t2，并在决策树中回溯选取出叶子节点[dmax-(dmax-dmin)/3，dmax]下所有二次选定参数t2的数值，设定这些数值有n2个，其中n2<n1，由此这n2个t2参数的数值取平均值获得二次选定参数的数值为n2’,以n2个矿石数据作为三次数据总集，基于该三次数据总集针对除选定参数t1和t2之外的剩余一个参数t3构建三级决策树，在三级决策树中选取出叶子节点[dmax-(dmax-dmin)/3，dmax]下所有三次选定参数t3的数值，设定这些数值有n3个，其中n3<n2，由此这n3个t3参数的数值取平均值获得三次选定参数的数值为n3’,在拟定的第n+1次铁矿石分选过程中，决策模块就将磁选所采用的磁场强度、浮选所采用的矿浆质量浓度、扫选所采用的扫选次数这三个参数赋予各自对应的数值n1’、n2’、n3’。
3、优选地，设定基础铁含量为a0，基础铜含量为b0，每一次矿石数据中，铁精矿占原矿的质量占比为k1，铁精矿中铁含量为a1且铜含量为b1，铜精矿占原矿的质量占比为k2，铜精矿中铁含量为a2且铜含量为b2，尾矿占原矿的质量占比为k3，尾矿中铁含量为a3且铜含量为b3，由此计算该次矿石数据中的铁铜相对含量d：
4、
5、由此求得n次矿石数据的铁铜相对含量d1、d2、…dn，然后在这n个铁铜相对含量的数值中选取最大值dmax＝max{d1、d2、…dn}以及最小值dmin＝min{d1、d2、…dn}。
6、优选地，决策单元以n次矿石数据作为数据总集，以上述三个子含量区间进行分类，由此求得经验熵，其计算公式为：
7、
8、其中，k表示子含量区间的数量的数值取值，即，在上述求和公式中，k从1取值至3，nk为每个子含量区间下对应的样本数。
9、优选地，在作为根节点的参数t的分类中，与n次铁矿石分选的矿石数据对应就有参数t的n个参数数值t1、t2、…、tn，于是在这n个参数数值中求取最大值tmax＝max{t1、t2、…、tn}以及最小值tmin＝min{t1、t2、…、tn}，将参数区间[tmin,tmax]分成三等份，即，形成三个子参数区间[tmin,tmin+(tmax-tmin)/3]、[tmin+(tmax-tmin)/3,tmax-(tmax-tmin)/3]、[tmax-(tmax-tmin)/3，tmax]，上述根节点对参数t的分类，基于上述三个子参数区间对数据总集进行分类。
10、优选地，所述经验条件熵的计算公式如下：
11、
12、其中，h(d|t)表示数据总集在以子参数区间为根节点分类且子含量区间为叶子节点分类下的经验条件熵，h(di)表示每个根节点下的经验熵，ti表示特定子参数区间分类下每个分类的数量，dik表示在每个叶子节点分类下的样本数。
13、优选地，基于二次数据总集针对除选定参数t1之外的另外两个参数构建二级决策树，该二级决策树在二次数据总集下针对所述另外两个参数以子参数区间作为根节点并以子含量区间作为叶子节点，由此计算出所述另外两个参数的信息增益ζ1’和ζ2’，如果ζ1’>ζ2’，则基于ζ1’确定其对应的一个二次选定参数t2，并在决策树中回溯选取出叶子节点[dmax-(dmax-dmin)/3，dmax]下所有二次选定参数t2的数值，设定这些数值有n2个，其中n2<n1，由此这n2个t2参数的数值取平均值获得二次选定参数的数值为n2’。
14、概括而言，本发明提供一种铁矿石分选大数据分析决策系统，该系统分为存储单元、运算单元和决策单元，存储单元里存储有历史上的矿石数据，运算单元则基于矿石数据计算铁铜相对含量，决策单元构建多级决策树来以信息增益判断所选取的参数的先后次序并给出合适的数值，并将此类数值应用于将来的铁矿石分选之中。本发明以大数据计算为依托，结合了人工智能的相关算法，实现了铁矿石分选中数值选取的智能化和自动化。
1.一种铁矿石分选大数据分析决策系统，在铁矿石分选过程中，首先通过磁选以特定的磁场强度从原矿中筛出铁精矿并余下首次余矿，然后通过浮选以特定的矿浆质量浓度从首次余矿中筛出铜精矿并余下二次余矿，然后通过特定次数的扫选从二次余矿中筛出尾矿，其特征在于，
2.根据权利要求1所述的系统，其特征在于，设定基础铁含量为a0，基础铜含量为b0，每一次矿石数据中，铁精矿占原矿的质量占比为k1，铁精矿中铁含量为a1且铜含量为b1，铜精矿占原矿的质量占比为k2，铜精矿中铁含量为a2且铜含量为b2，尾矿占原矿的质量占比为k3，尾矿中铁含量为a3且铜含量为b3，由此计算该次矿石数据中的铁铜相对含量d：
3.根据权利要求1所述的系统，其特征在于，决策单元以n次矿石数据作为数据总集，以上述三个子含量区间进行分类，由此求得经验熵，其计算公式为：
4.根据权利要求3所述的系统，其特征在于，在作为根节点的参数t的分类中，与n次铁矿石分选的矿石数据对应就有参数t的n个参数数值t1、t2、…、tn，于是在这n个参数数值中求取最大值tmax＝max{t1、t2、…、tn}以及最小值tmin＝min{t1、t2、…、tn}，将参数区间[tmin,tmax]分成三等份，即，形成三个子参数区间[tmin,tmin+(tmax-tmin)/3]、[tmin+(tmax-tmin)/3,tmax-(tmax-tmin)/3]、[tmax-(tmax-tmin)/3，tmax]，上述根节点对参数t的分类，基于上述三个子参数区间对数据总集进行分类。
5.根据权利要求4所述的系统，其特征在于，所述经验条件熵的计算公式如下：
6.根据权利要求1所述的系统，其特征在于，基于二次数据总集针对除选定参数t1之外的另外两个参数构建二级决策树，该二级决策树在二次数据总集下针对所述另外两个参数以子参数区间作为根节点并以子含量区间作为叶子节点，由此计算出所述另外两个参数的信息增益ζ1’和ζ2’，如果ζ1’>ζ2’，则基于ζ1’确定其对应的一个二次选定参数t2，并在决策树中回溯选取出叶子节点[dmax-(dmax-dmin)/3，dmax]下所有二次选定参数t2的数值，设定这些数值有n2个，其中n2<n1，由此这n2个t2参数的数值取平均值获得二次选定参数的数值为n2’。
