Productivity Increasing of the Crushing and Beneficiation Plant Based on the Optimization Model
DOI:
https://doi.org/10.14529/ctcr190315Keywords:
crushing and beneficiation plant, Data Mining, decision treesAbstract
Due to the fact that the demand for iron-ore pellets in the Russian and international markets is high, the task of increasing the volume of iron-ore concentrate production while providing required quality is urgent. The paper sets a general engineering-and-economical target to improve crushing and ore beneficiation plant (CBP) operation by the criterion of maximum marginal profit of the enterprise. The task is solved by observing technological constraints according to the regime of the technological unit operation, type of the produced concentrate, the provision of the required quality of the concentrate at the end of the process, the equipment configuration and other parameters. The specific task of increasing efficiency of the technological unit of the CBP by means of optimization of the equipment operation has been thoroughly considered. Traditionally such tasks are solved by applying a physical and chemical model coupled with experimental research of the technological process. The paper presents the approach based on the application of the optimization mathematical model, developed using intellectual analysis of statistical data – Data Mining. To develop the model, the method of decision tree was used. The search method is used to find the best decision in terms of the chosen criterion. Modelling results in evaluation of the unit efficiency depending on the influence of an input controlling factor, parameters of the base ore, as well as technological constraints. A methodological example of applying the model of control over the technological process of ironore concentrate production at the technological unit of the grinding and pellet plant with the increased efficiency of up to 7% was provided. Practical implementation of the proposed approach will allow the operator to obtain recommendations about correcting the control parameters of the technological equipment operation using the existing automated control system in a real time mode at the unit of the DOF, taking into account current conditions of the technological process.
References
Абрамов, А.А. Переработка, обогащение и комплексное использование твердых полезных ископаемых / А.А. Абрамов. – М.: Горная книга, 2012. – 656 с.
Серго, Е.Е. Дробление, измельчение и грохочение полезных ископаемых / Е.Е. Серго. – М.: Недра, 1985. – 282 с.
Андреев, С.Е. Дробление, измельчение и грохочение полезных ископаемых / С.Е. Андреев, В.В. Зверевич, В.А. Перов. – М.: Недра, 1980. – 415 с.
Авдохин, В.М. Основы обогащения полезных ископаемых / В.М. Авдохин. – М.: Горная книга, 2010. – 417 с.
Моркун, В.С. Адаптивные системы оптимального управления технологическими процессами горно-обогатительными комбинатами / В.С. Моркун, И.А. Луцевич. – М.: Минерал, 2009. – 261 с.
Тихонов, О.Н. Автоматизация производственных процессов на обогатительных фабриках / О.Н. Тихонов. – М.: Недра, 1985. – 207 с.
Козин, В.З. Автоматизация производственных процессов на обогатительных фабриках: учеб. для вузов / В.З. Козин, А.Е. Троп, А.Я. Комаров. – М.: Недра, 1980. – 336 с.
Процуто, В.С. Автоматизированные системы управления технологическими процессами обогатительных комбинатов / В.С. Процуто. – М.: Недра, 1987. – 252 с.
Принципы построения математических моделей в АСУТП производства железорудных окатышей / А.П. Буткарев, Е.В. Некрасова, Н.Г. Машир, Ю.В. Сиверин // Сталь. – 1990. – № 3. – С. 15–21.
Дюк, В.А. Data Mining: учеб. курс / В.А. Дюк, А.П. Самойленко. – СПб.: Питер, 2001. – 368 с.
Williams, G. Data Mining with Rattle and R: The Art of Excavating Data for Knowledge Discovery / Graham Williams. – USA, Springer, 2011. – 396 p. DOI: 10.1007/978-1-4419-9890-3_17
Программная реализация метода деревьев решений для реализации задач классификации и прогнозирования / Т.В. Зайцева, Н.В. Васина, О.П. Пусная и др.; НИУ БелГУ // Научные ведомости БелГУ. Сер. История. Политология. Экономика. Информатика. – 2013. – № 8 (151), вып. 26/1. – С. 121–127.
Бахвалов, Л.А. Построение и оптимизация математических моделей по экспериментальным данным / Л.А. Бахвалов, М.А. Комаров. – М.: Изд-во МГГУ, 1997. – 320 с.
Ашихмин, A.A. Разработка и принятие управленческих решений: формальные модели и методы выбора / A.A. Ашихмин. – М.: Изд-во МГГУ, 1995. – 80 с.
Краснощёков, П.С. Принципы построения моделей / П.С. Краснощёков, А.А. Петров. – М.: Фазис, 2000. – 400 с.
Kazarinov, L.S. Oblong ellipsoid method in process efficiency control / L.S. Kazarinov, T.A. Barbasova // 2015 International Conference on Mechanical Engineering, Automation and Control Systems (MEACS). – 2016. – Paper number 7414875. DOI: 10.1109/MEACS.2015.7414875
Kazarinov, L.S. Elliptic component analysis / L.S. Kazarinov, T.A. Barbasova // 2016 2nd International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). – 2017. – Paper number 7910936. DOI: 10.1109/ICIEAM.2016.7910936
Kazarinov, L.S. Identification method of blast-furnace process parameters / L.S. Kazarinov, T.A. Barbasova // Key Engineering Materials. – 2016. – Vol. 685. – P. 137–141. DOI: 10.4028/www.scientific.net/KEM.685.137
Kolesnikova, O.V. Identification of the Efficient Manufacturing Characteristics / O.V. Kolesnikova, L.S. Kazarinov, A.D. Nelubina // Energy Procedia. – 2017. – P. 79–88. DOI: 10.1016/j.egypro.2017.09.602
Ризаев, И.С. Интеллектуальный анализ данных для поддержки принятия решений / И.С. Ризаев, Я. Рахал. – Казань: Изд-во МОиН РТ, 2011. – 172 с.
Соколов, Б.В. Концептуальные основы оценивания и анализа качества моделей и полимодельных комплексов / Б.В. Соколов, Р.М. Юсупов // Изв. РАН. Теория и системы управления. – 2004. – № 6. – С. 6–16.
Ларичев, О.И. Теория и методы принятия решений / О.И. Ларичев. – М.: Логос, 2000. – 295 с.
