原矿品位一天一个样？线性规划模型把配矿从经验变成算数

本文速览

• 锡矿选厂最常见的生产波动来源不是设备问题，而是给矿品位忽高忽低

• 配矿靠经验估算，结果就是今天品位高明天品位低，摇床和浮选永远在调整

• 线性规划模型把配矿问题变成数学运算：约束条件列清楚，最优配比算出来

• 某锡矿应用后原矿品位波动幅度收窄60%，回收率提升2到3个百分点

品位一波动，整个选厂都在跟着乱

锡矿选矿厂的生产管理中，最让人头疼的问题往往不是设备故障，而是原矿品位的不稳定。

同一个矿山、同一个采区，不同采掘面的矿石品位可能相差数倍。今天采出的矿石锡品位0.8%，明天来的只有0.3%。堆场上的矿石来自不同位置，高品位块和低品位块混杂堆放。给矿皮带上的物料，前一天还是深色的富矿，第二天就变成了浅色的贫矿。

品位的剧烈波动对选矿流程的影响是全方位的。摇床的给矿浓度和粒度没变，但床面上的分带却变模糊了，因为轻重矿物的比例变了。浮选的药剂制度是针对特定品位设定的，给矿品位一降，捕收剂就显得过量，泡沫发虚；给矿品位一升，药剂又显得不足，回收率下降。磨矿的循环负荷跟着变，重选的尾矿品位跟着变，最终的精矿指标也跟着变。

选矿厂操作工最怕的就是这种不确定。今天调的参数明天就用不上了，追着品位跑，永远慢半拍。工艺指标没有稳定性，产能发挥不出来，药剂和电耗的控制也无从谈起。

一个成熟的解决办法是配矿。把不同品位的矿石按一定比例混合后送入选矿流程，使给矿品位尽可能稳定在目标值附近。但配矿这件事说起来简单，做起来并不容易。堆场上的矿石品位怎么分布、每种矿石有多少量、需要配到什么品位、约束条件有哪些，这些问题如果靠经验估算，很难做到精准。

锡矿选矿厂原矿配矿优化需要的是一个工具，能够把配矿从经验判断升级为定量计算。线性规划模型就是这样一个工具。

配矿怎么变成数学题

线性规划的基本框架很简单：在满足一系列约束条件的前提下，找到一个目标函数的最优解。

应用到配矿场景中，目标通常是使配矿后的给矿品位与目标值偏差最小，或者在给定目标品位的前提下使配矿成本最低。约束条件包括：各来源矿石的可用量上限、配矿后的品位范围、选矿工艺对给矿品位的要求、以及各来源矿石的物理性质约束（如含水量、含泥量等）。

以一个简化的配矿问题为例。假设堆场上有三个品位的矿石：A品位1.0%（高品位矿，存量2000吨）、B品位0.5%（中品位矿，存量3000吨）、C品位0.2%（低品位矿，存量5000吨）。目标是配出品位0.6%的混合矿，每天消耗2000吨。各来源矿的使用比例是多少？

设A、B、C的使用比例分别为x、y、z（三者之和为1）。约束条件包括：品位约束 1.0x + 0.5y + 0.2z = 0.6，比例约束 x + y + z = 1，各来源不超过可用存量，每日消耗总量等于配矿目标量。

求解这个三元一次方程组，得到x=0.25（500吨），y=0.25（500吨），z=0.5（1000吨）。即每天使用高品位矿500吨、中品位矿500吨、低品位矿1000吨，混合后的品位恰好为0.6%。

这只是最简单的线性方程组情况。实际配矿问题要复杂得多，可能涉及七八个来源、四五个质量指标（锡品位、含砷量、含铁量、含水率、含泥量），约束条件和目标函数都不是单一的。手工计算几乎不可能，需要用专门的求解工具。

线性规划模型的构建步骤

构建一个可用的配矿线性规划模型，需要经过以下几个步骤。

第一步：数据采集。 对堆场上的矿石按来源分区，每个区的矿石取代表性样品进行化验，记录锡品位、含砷量、含铁量、含水率等关键指标。同时测量或估算每个区的矿石存量。数据的准确性决定了模型输出的可靠性。

第二步：确定目标和约束。 目标通常是配矿后的综合品位与目标值的偏差最小化，或者配矿总成本最小化（如果各来源矿石的成本不同）。约束条件包括：品位上下限、有害元素限值、各来源最大可用量、配矿总量、配矿后的物理性质要求等。

第三步：模型求解。 将上述数据录入求解软件，调用线性规划求解器进行运算。结果输出各来源矿石的建议使用量或使用比例，以及配矿后的各项指标预测值。

第四步：方案验证和执行。 将模型输出的配矿方案在堆场上实际执行，通过皮带取样化验验证实际配矿效果。如果实际值与预测值偏差较大，需要检查数据采集或模型参数是否有误。

第四步是最容易被忽略但最关键的环节。很多选厂做了模型，算了配比，但在堆场上执行不下去。原因是堆场管理混乱，各来源矿石混在一起无法区分；或者装载机操作工不按配比装料，凭感觉铲。配矿优化模型的效果最终依赖于现场的执行力度。

某锡矿的配矿优化案例

来看一个完整的应用案例。

广西某锡矿选厂，日处理原矿600吨。矿山有三个采区同时出矿，各采区矿石锡品位波动范围分别为0.3%到1.0%（1号采区）、0.2%到0.6%（2号采区）、0.5%到1.2%（3号采区）。选厂设计入选品位为0.55%到0.65%，但在配矿优化前，实际给矿品位在0.25%到0.9%之间大幅波动。

该厂建立了配矿线性规划模型。模型输入包括：各采区的矿石品位分布数据、各采区每日可供矿量、各采区的含砷和含铁指标、选矿工艺对给矿品位的要求。模型目标设定为配矿后品位与目标值（0.6%）的偏差最小，约束条件包括品位上限（0.7%）、下限（0.5%）、各采区供矿能力上限等。

模型每周运行一次，根据各采区的品位变化和出矿计划输出下周每日的配矿方案。方案细化到每班次各采区的出矿量，由矿山调度室下达给采矿队执行。

实施配矿优化后连续6个月的运行数据：

品位波动的收窄带来了多方面的效益。操作工反馈最大的变化是摇床和浮选的操作参数现在基本不需要频繁调整了，每班次之间的工艺状态更加连续。工段长说现在交接班更容易了，因为上一班的操作条件在下一班仍然适用，不需要重新摸索。

回收率方面，从69%提升到72%，3个百分点的增幅对于这座年处理18万吨矿石的选厂来说，意味着每年多回收锡金属约32吨（按原矿品位0.55%计算），年增效益约480万元。配矿优化模型的建立和运行几乎没有硬件投入，主要投入是数据化验和软件工具，投资回报率极高。

从简单配矿到动态配矿

基础的线性规划模型做的是静态配矿，即根据已知的堆场数据和品位的配矿计划。更进一步的动态配矿模型则可以实时响应变化。

动态配矿的思路是在线监测与模型迭代相结合。在皮带运输线上安装在线品位分析仪，实时检测进入选厂的矿石品位。当检测值偏离目标时，模型自动调整后续配矿比例进行补偿。如果今天来的矿石品位偏高，明天就相应增加低品位矿石的比例来拉平。

动态配矿对数据采集和自动化的要求更高。需要在线品位分析仪提供实时数据，需要模型求解器能够快速运算并输出调整方案，需要堆场管理系统能够精准执行调整后的配比。目前国内部分大型锡选厂正在向这个方向迈进。

对于大多数选厂而言，先做好静态配矿就已经能获得显著效果。动态配矿是在静态配矿运行稳定基础上的升级选项，两者不是替代关系，而是进阶关系。

配矿模型好用但有边界

线性规划模型在配矿中的应用有明确的适用条件，也有局限性。

模型的精度高度依赖输入数据的准确性。如果各采区的品位数据是通过取样化验得到的，取样是否具有代表性、化验是否存在系统误差，都会影响模型输出的可靠性。建议在模型运行初期增加取样频次，验证模型输出与实际配矿结果的一致性。

模型处理的是线性关系，但实际选矿过程中，品位和回收率之间的关系往往是非线性的。给矿品位从0.4%升到0.6%可能带来回收率的显著提升，但从0.6%升到0.8%的回收率提升幅度可能小得多。在设定品位目标时，需要结合实际的选矿试验数据，而不是简单地以中间值为目标。

配矿模型解决了品位稳定性问题，但不解决品位高低问题。如果所有来源矿石的平均品位已经低于选厂设计的入选品位下限，配矿无论如何优化也无法达到目标值。这种情况下需要调整采矿计划或重新评估选厂的经济边界品位。

模型执行的核心在执行环节。无论模型算得多好，堆场上的装载机操作工如果不按方案装料，一切都等于零。建议在实施配矿优化时，同步建立配矿方案的下达、执行和反馈机制，明确各岗位的责任。

品位稳定是一切稳定的前提

在选矿生产管理中，给矿品位的稳定性是影响其他所有工艺指标的基础变量。品位不稳定，操作参数就缺乏设定依据，回收率和精矿品质就处于随机波动之中。配矿优化的本质是为选矿流程创造了一个更稳定的作业环境，让设备和药剂在相对一致的条件下持续工作。

线性规划模型的价值在于把配矿从经验依赖变成了数据驱动。各来源矿石有多少、品位多高、需要配到什么目标，不再是拍脑袋估算，而是经过约束条件校验的最优解。模型可以反复使用、持续迭代，随着数据的积累，配矿精度会逐步提高。

如果你的选厂也存在给矿品位大幅波动的问题，第一步是建立堆场管理台账，记录各来源矿石的存量和品位数据。有了基础数据之后，配矿模型的建立就是水到渠成的事。把这些数据整理好发给我们，一周内可以出具配矿优化方案的框架和预期效果评估，帮你算清楚品位稳定之后选厂能多收多少锡。