基于大数据的选矿工艺参数优化与控制

20/22基于大数据的选矿工艺参数优化与控制第一部分1．基于数据指导选矿工艺优化与控制 2第二部分2．选矿工艺大数据源探析 4第三部分3．选矿工艺大数据挖掘方法 6第四部分4．选矿工艺数据关联性分析 8第五部分5．选矿工艺数据聚类分析 10第六部分6．选矿工艺数据趋势分析 11第七部分7．选矿工艺大数据建模方法 13第八部分8．选矿工艺数据预测与评估 15第九部分9．基于大数据的选矿工艺在线优化 18第十部分10．大数据环境下的选矿工艺闭环控制 20

第一部分1．基于数据指导选矿工艺优化与控制1．基于数据指导选矿工艺优化与控制

#1.1基于数据指导选矿工艺优化

基于数据指导选矿工艺优化，是指利用生产过程中收集到的数据，分析并找出工艺流程中的薄弱环节和改进措施。

1.1.1数据采集

数据采集是工艺优化的第一步。数据采集可以分为两类：

*在线数据采集：在线数据采集是指在生产过程中实时采集数据，包括产量、矿石品位、选矿指标等。

*离线数据采集：离线数据采集是指在生产过程中定期或不定期采集数据，包括矿石性质、设备参数等。

1.1.2数据预处理

在数据采集完成后，需要进行数据预处理，将原始数据转换为适合分析的数据格式，数据预处理包括：

*数据清洗：数据清洗是指删除异常值、缺失值和噪声数据。

*数据标准化：数据标准化是指将数据转换为具有相同单位和范围的数据。

*数据集成：数据集成是指将来自不同来源的数据合并在一起。

1.1.3数据分析

数据分析是工艺优化的核心步骤，数据分析可以分为两类：

*描述性分析：描述性分析是指对数据进行统计分析，找出数据中的规律和趋势。

*预测性分析：预测性分析是指利用数据建立模型，预测未来的数据。

1.1.4优化决策

在数据分析完成后，需要根据分析结果做出优化决策。优化决策可以分为两类：

*短期优化决策：短期优化决策是指针对当前生产情况的优化决策，例如调整设备参数、改变选矿工艺流程等。

*长期优化决策：长期优化决策是指针对未来生产情况的优化决策，例如投资新设备、改造选矿厂等。

#1.2基于数据指导选矿工艺控制

基于数据指导选矿工艺控制，是指利用生产过程中收集到的数据，对选矿工艺进行实时监控和调整。

1.2.1实时监控

实时监控是指对选矿工艺的运行状况进行实时监控，包括产量、矿石品位、选矿指标等。监控人员可以通过监控系统随时了解选矿工艺的运行状况。

1.2.2控制策略

控制策略是指当选矿工艺的运行状况出现异常时，采取的调整措施。控制策略可以分为两类：

*手动控制：手动控制是指由操作人员根据经验对选矿工艺进行调整。

*自动控制：自动控制是指由计算机根据预先设定的控制策略对选矿工艺进行自动调整。

1.2.3反馈控制

反馈控制是指将选矿工艺的运行状况反馈给控制器，控制器根据反馈信息调整控制策略，从而达到控制目标。反馈控制可以保证选矿工艺的稳定运行。第二部分2．选矿工艺大数据源探析2.选矿工艺大数据源探析

选矿工艺大数据源是指在选矿工艺过程中产生的各种数据，包括生产数据、设备数据、质量数据、环境数据等。这些数据可以为选矿工艺优化与控制提供重要的依据。

#2.1生产数据

生产数据是指在选矿工艺过程中产生的与生产相关的各种数据，主要包括：

-产量数据：指矿石的产量、精矿的产量、尾矿的产量等。

-品位数据：指矿石的品位、精矿的品位、尾矿的品位等。

-回收率数据：指金属元素的回收率、精矿的回收率、尾矿的回收率等。

-能耗数据：指选矿工艺过程中的电耗、水耗、药耗等。

-设备运行数据：指选矿设备的运行时间、运行状态、故障信息等。

#2.2设备数据

设备数据是指选矿工艺过程中产生的与设备相关的各种数据，主要包括：

-设备型号数据：指选矿设备的型号、规格、参数等。

-设备状态数据：指选矿设备的运行状态、故障状态、维护状态等。

-设备运行数据：指选矿设备的运行时间、运行速度、运行负荷等。

-设备能耗数据：指选矿设备的电耗、水耗、药耗等。

#2.3质量数据

质量数据是指选矿工艺过程中产生的与产品质量相关的各种数据，主要包括：

-矿石质量数据：指矿石的品位、粒度、水分、有害杂质含量等。

-精矿质量数据：指精矿的品位、粒度、水分、有害杂质含量等。

-尾矿质量数据：指尾矿的品位、粒度、水分、有害杂质含量等。

#2.4环境数据

环境数据是指选矿工艺过程中产生的与环境相关的各种数据，主要包括：

-废水数据：指选矿工艺过程中产生的废水量、废水水质等。

-废气数据：指选矿工艺过程中产生的废气量、废气成分等。

-固体废物数据：指选矿工艺过程中产生的固体废物量、固体废物成分等。

#2.5大数据源特点

选矿工艺大数据源具有以下特点：

-数据量大：选矿工艺过程中产生的数据量非常大，每天可以达到数GB甚至数十GB。

-数据类型多样：选矿工艺大数据源中的数据类型非常多样，包括结构化数据、半结构化数据和非结构化数据。

-数据变化快：选矿工艺过程中的数据变化非常快，每秒钟都会产生大量的新数据。

-数据质量参差不齐：选矿工艺大数据源中的数据质量参差不齐，有些数据准确可靠，有些数据则存在误差或缺失。

这些特点对选矿工艺大数据分析提出了挑战，同时也为选矿工艺优化与控制提供了新的机遇。第三部分3．选矿工艺大数据挖掘方法3．选矿工艺大数据挖掘方法

选矿工艺大数据挖掘是利用数据挖掘技术从选矿工艺数据中提取有价值的信息，以帮助选矿企业优化工艺参数和控制选矿过程。常用的选矿工艺大数据挖掘方法包括：

1.关联分析法：关联分析法是一种发现数据集中频繁项集和关联规则的方法。它可以用于寻找选矿工艺中影响选矿指标的因素，并确定这些因素之间的关系。例如，关联分析法可以发现选矿工艺中影响选矿回收率的因素，并确定这些因素之间的关系。

2.聚类分析法：聚类分析法是一种将数据集中相似的数据对象划分到不同的簇中的方法。它可以用于将选矿工艺数据中的不同选矿工艺状态进行分类，并确定每个类别的特征。例如，聚类分析法可以将选矿工艺数据中的不同选矿工艺状态进行分类，并确定每个类别的特征。

3.决策树分析法：决策树分析法是一种根据数据集中属性的值对数据对象进行分类的方法。它可以用于构建选矿工艺的决策树模型，并利用该模型对选矿工艺进行控制。例如，决策树分析法可以构建选矿工艺的决策树模型，并利用该模型对选矿工艺进行控制。

4.神经网络法：神经网络法是一种模拟人脑神经元网络结构和功能的机器学习方法。它可以用于对选矿工艺数据进行分类、聚类和预测。例如，神经网络法可以对选矿工艺数据进行分类，以识别不同选矿工艺状态；还可以对选矿工艺数据进行聚类，以将不同选矿工艺状态进行分类；还可以对选矿工艺数据进行预测，以预测选矿工艺的输出。

5.支持向量机法：支持向量机法是一种二分类算法，它可以用于将选矿工艺数据中的不同选矿工艺状态进行分类。例如，支持向量机法可以将选矿工艺数据中的不同选矿工艺状态进行分类，以识别不同选矿工艺状态。

6.随机森林法：随机森林法是一种集成学习算法，它可以用于对选矿工艺数据进行分类、聚类和预测。例如，随机森林法可以对选矿工艺数据进行分类，以识别不同选矿工艺状态；还可以对选矿工艺数据进行聚类，以将不同选矿工艺状态进行分类；还可以对选矿工艺数据进行预测，以预测选矿工艺的输出。

7.梯度提升决策树法：梯度提升决策树法是一种集成学习算法，它可以用于对选矿工艺数据进行分类、聚类和预测。例如，梯度提升决策树法可以对选矿工艺数据进行分类，以识别不同选矿工艺状态；还可以对选矿工艺数据进行聚类，以将不同选矿工艺状态进行分类；还可以对选矿工艺数据进行预测，以预测选矿工艺的输出。

结束语

选矿工艺大数据挖掘方法可以帮助选矿企业优化工艺参数和控制选矿过程，从而提高选矿回收率和选矿质量。随着选矿工艺数据量的不断增加，选矿工艺大数据挖掘方法将发挥越来越重要的作用。第四部分4．选矿工艺数据关联性分析4．选矿工艺数据关联性分析

选矿工艺数据关联性分析是选矿工艺优化与控制的重要手段，通过分析选矿工艺数据之间的相关性，可以识别工艺中的关键变量，确定变量之间的关系，为工艺参数优化和控制提供依据。

选矿工艺数据关联性分析的方法有很多，常用的方法包括：

（1）相关分析：相关分析是用于度量两个变量之间线性相关程度的一种统计方法。相关系数的值在-1到1之间，正相关系数表示变量之间呈正相关关系，负相关系数表示变量之间呈负相关关系，相关系数越接近1，变量之间的相关性越强。

（2）因子分析：因子分析是一种用于识别变量之间潜在结构的方法。因子分析将一组变量分解成几个因子，每个因子代表变量之间的一种共同模式。因子分析可以帮助识别工艺中的关键变量，确定变量之间的关系。

（3）主成分分析：主成分分析是一种用于减少变量数量的方法。主成分分析将变量转化为一组主成分，每个主成分都是变量的线性组合。主成分分析可以剔除变量之间的冗余信息，保留变量的主要信息，简化工艺模型。

（4）聚类分析：聚类分析是一种用于将变量分为几组的方法。聚类分析根据变量之间的相似性将变量分为不同的簇。聚类分析可以识别工艺中的相似变量，确定变量之间的关系。

选矿工艺数据关联性分析的目的是识别工艺中的关键变量，确定变量之间的关系，为工艺参数优化和控制提供依据。通过关联性分析，可以识别工艺中的异常情况，发现工艺中的潜在问题，为工艺改进提供依据。

以下是一些选矿工艺数据关联性分析的应用案例：

（1）通过相关分析，发现选矿工艺中的浮选药剂用量与浮选回收率之间存在正相关关系，即浮选药剂用量增加，浮选回收率提高。

（2）通过因子分析，识别出了选矿工艺中的几个关键变量，包括浮选药剂用量、浮选时间和浮选温度。

（3）通过主成分分析，将选矿工艺中的变量转化为几个主成分，主成分分析剔除了变量之间的冗余信息，保留了变量的主要信息，简化了工艺模型。

（4）通过聚类分析，将选矿工艺中的变量分为几组，聚类分析识别出了工艺中的相似变量，确定了变量之间的关系。

选矿工艺数据关联性分析是一个复杂的过程，需要结合多种方法和技术。通过关联性分析，可以识别工艺中的关键变量，确定变量之间的关系，为工艺参数优化和控制提供依据。第五部分5．选矿工艺数据聚类分析5．选矿工艺数据聚类分析

选矿工艺数据聚类分析是一种利用大数据技术将选矿工艺数据划分为不同类别或组别的方法。其目的是发现数据中的潜在模式和规律，以便更好地理解选矿工艺并优化工艺参数。聚类分析在选矿工艺优化与控制中有着广泛的应用，包括：

*工艺参数优化：通过对选矿工艺数据进行聚类分析，可以发现工艺参数的不同组合对选矿指标的影响。例如，可以将选矿工艺数据按照不同的选矿药剂用量、选矿设备类型等参数进行聚类，然后分析不同类别的数据之间的差异。这样可以帮助选矿工程师优化工艺参数，提高选矿指标。

*工艺故障诊断：通过对选矿工艺数据进行聚类分析，可以发现工艺中的异常情况。例如，可以将选矿工艺数据按照不同的时间段进行聚类，然后分析不同类别的数据之间的差异。这样可以帮助选矿工程师诊断工艺故障，及时采取措施进行修复。

*工艺控制：通过对选矿工艺数据进行聚类分析，可以建立工艺控制模型。例如，可以将选矿工艺数据按照不同的选矿指标进行聚类，然后建立选矿指标与工艺参数之间的关系模型。这样可以帮助选矿工程师控制工艺参数，使选矿指标稳定在目标值范围内。

聚类分析算法有多种，常用的聚类分析算法包括：

*K-均值聚类算法：K-均值聚类算法是一种简单的聚类算法，其原理是将数据点划分为K个簇，使得每个簇内的点与簇中心的距离之和最小。

*层次聚类算法：层次聚类算法是一种自底向上的聚类算法，其原理是将数据点一层一层地聚合起来，直到形成最终的簇。

*密度聚类算法：密度聚类算法是一种基于密度的聚类算法，其原理是将数据点划分为密度较高的簇和密度较低的噪声点。

在选矿工艺数据聚类分析中，需要根据具体情况选择合适的聚类分析算法。聚类分析的结果可以通过各种可视化工具进行展示，以便更好地理解数据中的模式和规律。第六部分6．选矿工艺数据趋势分析6.选矿工艺数据趋势分析

选矿工艺数据的趋势分析是工艺优化和控制的重要手段。通过对工艺数据的分析可以发现工艺运行中的问题，诊断故障，并预测工艺的变化趋势。

趋势分析可以应用于选矿工艺的各个方面，包括原料性质、工艺条件、产品质量和设备运行状况等。数据趋势分析的主要目的是发现工艺运行中的变化趋势，并根据这些变化趋势来调整工艺条件，以实现工艺的优化和控制。

数据趋势分析的方法有很多种，包括：

*时间序列分析：时间序列分析是一种统计分析方法，用于分析时间序列数据。时间序列数据是指在时间轴上按一定时间间隔采集的数据。时间序列分析可以用于发现数据中的趋势、周期性和季节性。

*回归分析：回归分析是一种统计分析方法，用于确定两个或多个变量之间的关系。回归分析可以用于预测一个变量的值，根据另一个变量的值。

*主成分分析：主成分分析是一种多元统计分析方法，用于将多个变量减少到几个主要成分。主成分分析可以用于发现数据中的主要趋势和模式。

*聚类分析：聚类分析是一种多元统计分析方法，用于将数据点分组。聚类分析可以用于发现数据中的相似点和差异点。

数据趋势分析是一种强大的工具，可以用于选矿工艺的优化和控制。通过对工艺数据的分析，可以发现工艺运行中的问题，诊断故障，并预测工艺的变化趋势。这些信息可以帮助选矿企业及时调整工艺条件，以实现工艺的优化和控制。

以下是一些选矿工艺数据趋势分析的具体示例：

*原料性质趋势分析：原料性质趋势分析可以发现原料性质的变化趋势。例如，如果原料的粒度变细，则需要调整磨矿工艺条件，以适应原料性质的变化。

*工艺条件趋势分析：工艺条件趋势分析可以发现工艺条件的变化趋势。例如，如果磨矿机的转速提高，则需要调整选矿工艺条件，以适应工艺条件的变化。

*产品质量趋势分析：产品质量趋势分析可以发现产品质量的变化趋势。例如，如果产品的品位下降，则需要调整选矿工艺条件，以提高产品的品位。

*设备运行状况趋势分析：设备运行状况趋势分析可以发现设备运行状况的变化趋势。例如，如果某台设备的振动加剧，则需要及时检修该设备，以防止故障发生。

通过对工艺数据的趋势分析，选矿企业可以及时发现工艺运行中的问题，诊断故障，并预测工艺的变化趋势。这些信息可以帮助选矿企业及时调整工艺条件，以实现工艺的优化和控制。第七部分7．选矿工艺大数据建模方法7．选矿工艺大数据建模方法

选矿工艺大数据建模方法是指利用选矿工艺大数据来建立数学模型的方法。数学模型可以用来描述选矿工艺的运行规律，并可以用来预测选矿工艺的运行结果。选矿工艺大数据建模方法有很多种，常用的有以下几种：

1.物理模型

物理模型是根据选矿工艺的物理原理建立的数学模型。物理模型可以用来描述选矿工艺的质量平衡、能量平衡和动量平衡等。物理模型通常比较复杂，需要较多的数据来进行参数估计。

2.统计模型

统计模型是根据选矿工艺的历史数据建立的数学模型。统计模型可以用来描述选矿工艺的运行规律，并可以用来预测选矿工艺的运行结果。统计模型通常比较简单，不需要太多的数据来进行参数估计。

3.人工智能模型

人工智能模型是利用人工智能技术来建立的数学模型。人工智能模型可以用来描述选矿工艺的复杂非线性关系，并可以用来预测选矿工艺的运行结果。人工智能模型通常比较复杂，需要较多的数据来进行训练。

选矿工艺大数据建模技术的应用

选矿工艺大数据建模技术可以应用于选矿工艺的优化和控制。选矿工艺优化是指利用选矿工艺大数据建模技术来找到选矿工艺的最佳运行参数，以提高选矿工艺的效率和降低选矿工艺的成本。选矿工艺控制是指利用选矿工艺大数据建模技术来实时监测选矿工艺的运行状态，并及时调整选矿工艺的运行参数，以保持选矿工艺的稳定运行。

选矿工艺大数据建模技术的展望

选矿工艺大数据建模技术是一门新兴的技术，还有很大的发展空间。随着选矿工艺大数据量的不断增加，以及选矿工艺大数据建模技术的不断进步，选矿工艺大数据建模技术在选矿工艺优化和控制中的应用将会越来越广泛。

（1）选矿工艺大数据建模技术的精度和可靠性将进一步提高。随着选矿工艺大数据量的不断增加，以及选矿工艺大数据建模技术的不断进步，选矿工艺大数据建模技术的精度和可靠性将进一步提高。这将使选矿工艺大数据建模技术在选矿工艺优化和控制中的应用更加广泛。

（2）选矿工艺大数据建模技术将与其他技术相结合，形成新的选矿工艺优化和控制技术。例如，选矿工艺大数据建模技术可以与专家系统技术相结合，形成基于专家系统的选矿工艺优化和控制技术。这将使选矿工艺优化和控制更加智能化。

（3）选矿工艺大数据建模技术将在选矿工艺的智能化和自动化中发挥越来越重要的作用。随着选矿工艺大数据建模技术的不断发展，选矿工艺大数据建模技术将在选矿工艺的智能化和自动化中发挥越来越重要的作用。这将使选矿工艺更加高效、稳定和可靠。第八部分8．选矿工艺数据预测与评估8.选矿工艺数据预测与评估

8.1选矿工艺数据预测

选矿工艺数据预测是指基于历史数据和当前工艺参数，对选矿工艺的未来数据进行预测。选矿工艺数据预测方法众多，包括：

（1）时间序列预测方法：时间序列预测方法是基于历史数据，利用统计模型对未来数据进行预测的方法。常用的时间序列预测方法包括：移动平均法、指数平滑法、自回归滑动平均模型（ARMA）和自回归综合移动平均模型（ARIMA）。

（2）机器学习预测方法：机器学习预测方法是指利用机器学习算法，从历史数据中学习知识，并利用这些知识对未来数据进行预测的方法。常用的机器学习预测方法包括：决策树、随机森林、支持向量机和神经网络。

（3）物理模型预测方法：物理模型预测方法是指基于选矿工艺的物理原理，建立数学模型，并利用该模型对选矿工艺的未来数据进行预测的方法。常用的物理模型预测方法包括：浮选动力学模型、重选动力学模型和磁选动力学模型。

8.2选矿工艺数据评估

选矿工艺数据评估是指对选矿工艺数据的准确性和可靠性进行评估，以确保数据的可用性。选矿工艺数据评估方法众多，包括：

（1）数据一致性检查：数据一致性检查是指检查数据之间是否存在矛盾和不一致的情况。常用的数据一致性检查方法包括：极值检查、缺失值检查和数据类型检查。

（2）数据完整性检查：数据完整性检查是指检查数据是否完整，是否存在缺失值和异常值的情况。常用的数据完整性检查方法包括：缺失值分析、异常值分析和数据完整性指数计算。

（3）数据准确性检查：数据准确性检查是指检查数据是否准确，是否存在误差和错误的情况。常用的数据准确性检查方法包括：数据重复性检查、数据可重复性检查和数据有效性检查。

8.3选矿工艺数据可视化

选矿工艺数据可视化是指将选矿工艺数据以图形化的方式表示出来，以帮助人们更好地理解和分析数据。选矿工艺数据可视化方法众多，包括：

（1）折线图：折线图是指将数据点按照时间或其他变量的顺序连接起来形成的图形。折线图可以显示数据的变化趋势。

（2）柱状图：柱状图是指将数据点表示为矩形条状的图形。柱状图可以显示数据的分布情况。

（3）饼图：饼图是指将数据点表示为圆形扇形块的图形。饼图可以显示数据的比例关系。

（4）散点图：散点图是指将数据点表示为二维平面上的点状图形。散点图可以显示数据之间的相关性。

（5）热力图：热力图是指将数据点表示为二维平面上的颜色块状图形。热力图可以显示数据的分布情况和变化趋势。

8.4选矿工艺数据分析

选矿工艺数据分析是指对选矿工艺数据进行分析，以发现数据中的规律和趋势，并为选矿工艺的优化和控制提供指导。选矿工艺数据分析方法众多，包括：

（1）描述性统计分析：描述性统计分析是指对数据进行汇总和统计，以了解数据的分布情况和中心趋势。常用的描述性统计分析方法包括：平均值、中位数、众数、标准差和方差。

（2）相关分析：相关分析是指分析两个或多个变量之间的相关性。常用的相关分析方法包括：皮尔逊相关系数、斯皮尔曼相关系数和肯德尔相关系数。

（3）回归分析：回归分析是指建立一个数学模型来描述两个或多个变量之间的关系。常用的回归分析方法包括：线性回归、非线性回归和多重回归。

（4）聚类分析：聚类分析是指将数据点分组，使组内数据点之间的相似度较高，而组间数据点之间的相似度较低。常用的聚类分析方法包括：k-均值聚类、层次聚类和密度聚类。

（5）分类分析：分类分析是指根据数据点的特征将其分为不同的类别。常用的分类分析方法包括：决策树、随机森林、支持向量机和神经网络。第九部分9．基于大数据的选矿工艺在线优化9.基于大数据的选矿工艺在线优化

9.1在线优化原理

基于大数据的选矿工艺在线优化是利用大数据分析技术，实时采集选矿工艺过程数据，并结合数学模型和优化算法，实时调整选矿工艺参数，以实现选矿工艺的在线优化。在线优化的基本原理是：

（1）数据采集：通过传感器、仪表等设备，实时采集选矿工艺过程数据，如矿石粒度、矿石品位、选矿药剂用量、选矿设备运行参数等。

（2）数据预处理：对采集到的数据进行清洗、预处理，去除异常值和噪声，并将其标准化，以提高数据的质量。

（3）数学建模：根据选矿工艺的物理和化学原理，建立选矿工艺的数学模型。数学模型可以是经验模型、理论模型或半经验模型，其目的是描述选矿工艺过程的输入和输出之间的关系。

（4）优化算法：选择合适的优化算法，如线性规划、非线性规划、混合整数规划或元启发式算法等，对数学模型进行优化。优化算法的目标是找到一组最优的选矿工艺参数，以实现选矿工艺的在线优化。

（5）参数调整：根据优化算法计算出的最优选矿工艺参数，实时调整选矿工艺设备的运行参数，以实现选矿工艺的在线优化。

9.2在线优化方法

基于大数据的选矿工艺在线优化方法主要有以下几种：

（1）基于数据驱动的在线优化方法：这种方法利用历史数据来训练一个预测模型，然后利用该模型来预测选矿工艺的输出。根据预测的输出，可以实时调整选矿工艺参数，以实现选矿工艺的在线优化。

（2）基于模型驱动的在线优化方法：这种方法利用选矿工艺的数学模型来优化选矿工艺参数。数学模型可以是经验模型、理论模型或半经验模型，其目的是描述选矿工艺过程的输入和输出之间的关系。根据数学模型，可以计算出最优的选矿工艺参数，并实时调整选矿工艺设备的运行参数，以实现选矿工艺的在线优化。

（3）基于混合驱动的在线优化方法：这种方法结合了数据驱动和模型驱动的在线优化方法的优点。它利用历史数据来训练一个预测模型，然后利用该模型来预测选矿工艺的输出。同时，它也利用选矿工艺的数学模型来优化选矿工艺参数。根据预测的输出和数学模型的计算结果，可以实时调整选矿工艺设备的运行参数，以实现选矿工艺的在线优化。

9.3在线优化应用实例

基于大数据的选矿工艺在线优化已在许多选矿厂得到成功应用。例如，某选矿厂利用大数据分析技术，实时采集选矿工艺过程数据，并结合数学模型和优化算法，实现了选矿工艺的在线优化。通过在线优化，该选矿厂的选矿