A Novel Approach to Optimizing Material Processing Yield

Sistemas de processamento de materiais Função como linhas de montagem, mas mantêm um fluxo contínuo de Materiais através de várias etapas interconectadas. A otimização desses sistemas normalmente se concentra em maximizar o rendimento total, equilibrando os dois principais indicadores de desempenho de taxa de transferência e qualidade. Isso requer a identificação do Operação ideal Parâmetros que maximizarão o rendimento dadas as variações em matérias-primas e condições ambientais. Primeiro, são feitas previsões sobre como cada parâmetro operacional afetará o rendimento. Em seguida, essas previsões são usadas para formular um algoritmo de otimização que recomenda pontos de ajuste. Essas soluções normalmente adotaram a seguinte abordagem:

Previous solutions to optimization problems have traditionally involved two high-level steps. First, predictions are made on how each operating parameter will impact yield. Then, those predictions are used to formulate an optimization algorithm that recommends setpoints. These solutions have typically taken the following approach:

1. Um modelo preditivo é construído que maximiza a precisão, incluindo o maior número possível de variáveis ​​e usando algos de caixa preta (por exemplo, árvores aumentadas de gradiente, redes neurais, etc.). Os pontos de ajuste são escolhidos com a maior previsão para cada tipo de minério (às vezes usando solucionadores heurísticos ou evolutivos para acelerar). Análise complica. Por exemplo, um gargalo a jusante pode reduzir a taxa de transferência a montante. e distorção
2. These black box algos are then used to make predictions across a range of ore types and setpoints. Setpoints are then chosen with the highest prediction for each ore type (sometimes using heuristic or evolutionary solvers to expedite).

However, there are several challenges unique to material processing systems that these previous methods fail to address:

Challenges in predicting impact of each variable on yield:

• Each step influences others, causing upstream or downstream effects that complicate analysis. For example, a bottleneck downstream can reduce upstream throughput.
• Controlling certain variables (such as torque and RPM) indirectly controls others (such as power), requiring selective management of variables.
• Some steps are influenced by uncontrollable factors, such as ambient temperature.
• Human operators respond in real time to changes, potentially biasing data and skewing Analtical Insights. (Por exemplo, toda vez que o rendimento cai de um lote, os operadores pressionam um ponto de ajuste que melhora um pouco o rendimento, fazendo parecer que o ponto de ajuste está associado ao rendimento de queda). Desenvolvimento do modelo.
• Physical relationships between variables must be respected to avoid unsafe or nonsensical outcomes (i.e., you can’t use black box algos).
• Variables interact in complex, non-linear ways, complicating model development.

Desafios na formulação do problema de otimização:

• Funções objetivas devem ser contínuas para evitar alterações selvagens nos pontos de ajuste recomendados, dadas pequenas alterações nas mesmas minério. Pontos fixos, forçando assim os operadores a se ajustar dinamicamente para manter a segurança. Esses diagramas podem variar de simples a complexo, mostrando camadas de causa e efeito. Do-cálculo para identificar variáveis ​​essenciais para modelagem preditiva, garantindo que os modelos se concentrem na causa e não na correlação.
• The system must consistently produce the same results under the same conditions, limiting the use of heuristic or evolutionary methods.
• Recommendations must provide a range of options rather than fixed points, thereby forcing operators to adjust dynamically to maintain safety.

To address these challenges, our patented process includes:

• Causal Diagram Development: Collaborate with process experts to map out the causal relationships between variables through diagrams. These diagrams can range from simple to complex, showing layers of cause and effect.
• Encoding Prior Knowledge: Integrate expert insights about expected relationships, including the direction and strength of effects, and the functional forms of these relationships (e.g., quadratic, convex).
• Applying Do-Calculus: Use Judea Pearl’s Do-calculus to identify essential variables for predictive modeling, ensuring that models focus on causation rather than correlation.
• Probabilistic Programming: Accurately estimate relationships between variables by developing models using probabilistic programming, strengthened by strong priors based on expert input and historical data.
• Convex Stochastic Optimization: Formule um problema convexo de otimização estocástica para determinar bandas ideais de ponto de ajuste, maximizando o rendimento e acomodando ajustes e segurança em tempo real. Podemos fazer isso, caracterizando corretamente como os processos físicos mudam dadas as alterações nas matérias -primas (por exemplo, minério de cobre). Portanto, podemos ajustar continuamente a receita correta à medida que o minério muda - e quanto mais tempo gasto na melhor receita para um determinado tipo de minério, quanto maior o elevação. Siga -nos

Incorporated into our solution for natural resource processing, our novel approach enables us to yield uplift than with past approaches. We can do this by correctly characterizing how physical processes change given changes in raw materials (e.g., copper ore). We can, therefore, continuously adjust to the correct recipe as the ore changes – and the more time spent at the best recipe for a given ore type, the higher the uplift.