笔名探矿者—一个立志执着于探索自然和学术的“打工者”。1962年5月生,福建人,1982年毕业于成都地质学院找矿系,地质调查专业 工学学士 高级工程师。长期从事地质调查、矿产勘查以及矿床学和矿床地球化学研究。在该职业生涯中,积累了三十多年来的地质勘查和找矿经验,脚踏实地一步一个脚印一路走来,具有丰富的工作经验,认识了矿产资源在地壳中的成矿机理,掌握了构造控矿因素与成矿地质规律对找矿预测的意义。本人的专长是既懂理论研究、也精通矿产勘查,善于将两者紧密结合,因而有关成果受到各地政府的关注及业内专家的高度肯定。
一、生产成本的模块化模型
矿山企业成本的控制与核算存在路径组成不一样的情况，即成本核算是按照成本的组成进行的，如生产成本包括生产人工费、材料消耗费和设备折旧费等，而成本控制是通过部门来实现的。因此，要做成本的有效控制，必须将成本核算与控制结合在一起，按照现有的成本控制路径进行，即按照成本控制单位进行成本的划分与核算。据此，按照生产过程对生产成本进行了模块化划分，即采矿模块、选矿模块与冶炼模块三大模块，并对这三大模块的成本组成进行了详细的划分。
（一）生产模块的成本组成
采矿作业成本分为采矿作业成本、掘进作业成本、探矿作业成本、坑内运输作业成本、通风作业成本、充填作业成本、提升作业成本、排水作业成本和坑口制造作业成本，不同作业分别发生对应成本。由于每月所采矿石量不同，影响到每月各个工作段的成本。为取消因采矿量不同对各个成本的影响，在成本分析中的数据采用每吨矿石负担的作业成本为原始数据，即以每月每吨矿石负担的各个作业成本：采矿作业成本、掘进作业成本、探矿作业成本、坑内运输作业成本、通风作业成本、充填作业成本、提升作业成本，排水作业成本和坑口制造作业成本作为分析变量。
（二）选冶模块的成本组成
金属矿山的生产过程中，选矿和冶炼过程从概念上讲是同筹重要，都很复杂，但在许多矿山企业的生产实际中本来由冶炼过程完成的许多工序都被作为冶炼前期准备工作，归入了选矿过程，如“金属的分类过程”本该属于冶炼的过程归入了选矿的过程，这样就使得冶炼这个重要复杂的过程变得相当简单，并且花费成本较少且固定，可控制的地方少。在实际的生产中，企业也将选矿和冶炼的过程合并在一起，冶炼成为选矿的最后一步。因此，将选矿和冶炼的过程合并在一起研究，将冶炼看做是选矿过程的最后一步，称为选冶过程，又分为选矿和冶炼过程。
选矿过程发生的成本有原矿处理作业成本，精矿处理作业成本、供水处理作业成本、污水处理作业成本等费用。原始数据仍然以每吨矿石负担的各个作业成本：原矿处理作业成本、精矿处理作业成本、供水处理作业成本、污水处理作业成本；冶炼过程发生的成本有冶炼作业、电解作业，选冶制造等费用作为分析变量（本矿山暂不产生冶炼过程）。
选矿处理作业按照其作业工序分为一道手选作业、二道手选作业、破碎作业、磨矿作业、新二段再磨作业、浮选作业、尾矿作业和精尾输送作业等。根据选矿处理作业的各个工序，将其成本归纳（即每月每吨矿石负担的各个作业成本）分为一道手选作业、二道手选作业、破碎作业成本、磨矿作业成本、新二段再磨作业成本、浮选作业成本、尾矿作业成本、精尾输送作业成本和选矿制造等费用。
二、生产成本的预测模型
对生产成本的预测由于矿山企业生产成本所受因素的影响较多，且变化大，因而需要反复学习、修正而成，所以最适合的预测模型是人工神经网络模型，我们采用人工神经网络中应用比较成熟的BP网络模型作为成本预测模型，其建立模型的步骤如下。
（一）BP网络的设计
BP神经网络主要由输入层、隐含层和输出层组成。此过程最主要的是确定各层的数目。输入层的数目就是成本组成的数量，输出层一般就是预测的成本值。对于隐层单元数的选择是一个十分复杂的问题，因为隐层单元数的选择没有很好的解析式来表示，除单元数的选择与问题的要求和输入/输出单元的多少都有直接关系。如果隐单元数过少，网络不强壮，不能识别以前没有看到的样本，容错性差，或由于网络太小可能训练不出来；但隐单元数太多又使学习时间过长，误差也不一定最小，因此存在一个最佳的隐单元数。隐含层节点的数目选择与需解决的实际问题、输入／输出单元都有关系，但目前没有一个较好的解析式来表达，常见的经验公式有：n1＝
+α，n1＝log2n,式中n1为隐含层节点数，n为输入层节点数，m为输出层节点数，α为1～10之间的常数。
（二）初始值的选取
由于系统是非线性的，初始值对于学习是否达到全局最小，或学习是否能收敛的关系很大，一个重要的要求是希望初始值在输入累加时使每个神经元的状态值接近于零，这样可保证一开始时不落到那些平坦区上。权一般取随机数，权值要求比较小，这样可以保证每个神经元一开始都在它们转换函数变化最大的地方进行。对于输入样本同样希望能够进行归一化，使那些比较大的输入仍落在神经元转换函数递度大的那些地方。
（三）网络学习
取一定数量的训练样本和检测样本，输入样本后系统按期望输出与实际输出误差平方和的最小化规则来进行学习，调整权值矩阵和阀值问量。当误差减小到要求范围内，系统停止学习，此时的权值矩阵与阀值向量固定下来，成为系统内部知识。
BP网络学习的过程是一种边向后边传播边修正权的过程。在这种网络中，学习过程南正向传播和反向传播组成。在正向过程中，输入信号从输入层经隐层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转向反向传播，将输出的误差按原来的连接通路返回。通过修改各层神经元的权值，使得误差信号最小乞得到合适的网络连接值后，便可对新样本进行非线性映像。
（四）网络训练
网络初始化，用一组随机数对网络赋初始权值，设置学习步长、允许误差、网络结构（即网络层数L和每层节点数n1），进行网络训练。
三、生产成本的控制模型
生产成本的分析与预测是实施成本控制的基础，成本控制是成本分析与成本预测的最终目的，如何有效地控制成本是目前企业最急需解决的问题之一。根据成本模块化分析，设计了成本控制的逻辑体系，其控制过程与基础如图1所示。在成本控制过程主要解决以下几个主要问题。
（一）控制指标的选择
控制指标的选择是实现控制目标的核心，它必须起到关键支撑的作用。它的实现可最大地实现企业成本控制的目的。对于控制指标的选择必须在计划部门的参与下，组织相关专家与现场工作人员进行充分的讨论，最后[归企业的主要负责人进行决策。
（二）控制方法的选择
控制方法的选择必须对企业成本控制过程中的经验进行总结，找出本企业各部门有效的控制方法，在此基础上，再进行筛选实验，最后确定出最有效的控制方法并加以推广。
（三）成本控制
企业生产成本涉及到生产的各个环节，情况复杂，部门多、影响因素多，且随时间与地点的变化而变化，具有很强的实时性与随机性，特别是我们矿山企业，生产地点随时间的变化生产地点而发生相应的变化，生产条件与环境也会发生变化，因而带来生产成本的变化，这对生产成本的控制造成了复杂性。任何一个环节的变化都可能对整个成本的控制造成不利或有利的影响。各生产部门必须根据生产条件与环境变化作出相适应的计划调整，选择合适的控制方法以达到有效控制成本的目的。
（四）加强生产成本的信息化建设
矿山企业由于其生产成本的组成受生产条件与环境的影响较大，且具有较大的随机性与不可预测性，在实际生产中，计划控制管理部门对生产条件与环境的掌握相对滞后，这对生产成本的控制是及其不利的，因此必须加强企业生产成本的信息化建设，对生产一线的情况了如指掌，只有这样才能达到成本控制的目的。
图1 成本模块化控制的逻辑体系
评论