人工智能背景下采矿系统工程发展现状与展望

顾清华 江 松 李学现 卢才武 陈 露

(1.西安建筑科技大学资源工程学院,陕西 西安 710055;2.西安市智慧工业感知计算与决策重点实验室,陕西 西安 710055;3.西安建筑科技大学管理学院,陕西 西安 710055)

采矿系统工程是由1961年在美国召开的“计算 机与运筹学在矿业中的应用”(Applications of Com-puters and Operations Research in Mineral Industries,APCOM)会议的基础上发展而来的一门学科,主要研究对象是系统工程在采矿工程中的具体应用[1]。我国采矿系统工程的研究起步相比于美国要晚,但是在20世纪70年代以后迅速发展壮大[2],与采矿系统工程密切相关的全国性矿业系统工程会议每隔2a举办1次,至今已经举办了15届。经过60多年的发展,采矿系统工程领域的研究及成果已经深入到矿山开采的各个方面,并保持着蓬勃的生命力。

进入21世纪以来,运筹学在矿业系统工程中的应用趋于成熟,数字矿山建设中采矿生产运作系统和采矿管理信息系统的研究及应用成为这一时期的重点工作,使用人工智能技术、物联网、自动化技术解决矿业中的实际问题也受到大量的关注和研究,并且成为当下智能采矿发展的重要基础。最近一次APCOM会议于2019年在波兰弗罗茨瓦夫召开,其主题为“Mining Goes Digital”,主要议题为地质统计学应用、资源储量估算、矿山战略规划、机器人技术、设备自动化、自主导航定位及矿业数字化转型等创新性IT技术内容,并提出在未来的一段时间内,人工智能技术在采矿中的应用将作为持续研究的热点。我国采矿系统工程领域的会议中,最近的一次为2019年11月在西安举办的“第十五届全国矿业系统工程学术会议暨首届智能采矿学科建设高峰论坛”,会议主题聚焦于智能矿山、智能生产、智能决策等矿业前沿问题。

近年来,随着大数据、人工智能技术、物联网等新一代信息技术的不断发展以及智能矿山建设的不断推进,采矿系统工程学科迎来了蓬勃发展的历史阶段。以多目标智能优化算法、机器学习算法为代表的新一代人工智能技术为采矿行业带来了巨大的变革。从矿山的中长期战略规划到短期生产计划,矿石的铲—装—运—卸等各个采矿环节都无一不体现着采矿系统工程所带来的优势。随着《新一代人工智能发展规划》《智能矿山建设规范》《有色金属行业智能矿山建设指南(试行)》等国家发展战略和行业标准的实施,人工智能背景下的采矿系统工程将如何进一步发展,矿山开采方法及工艺、技术及装备等将产生何种变化,将是下一个10a或20a的重要议题。本研究通过系统梳理人工智能技术在采矿系统工程中的发展现状,对采矿系统工程学科的未来发展方向进行展望。

1 采矿系统工程简述

采矿系统工程可定义为从系统的观点出发,用定性与定量相结合的方法,根据经济、技术、社会因素对采矿系统的规划、设计、建设和生产环节进行优化分析或评价。采矿系统工程离不开现代数学方法与计算机技术,因此又称为计算机在采矿中的应用、计算机和运筹学在采矿中的应用,或计算机和数学方法在采矿中的应用[3]。采矿系统工程的内涵主要包含3个层面:①采矿系统工程是面向采矿系统的分析、优化及评价;②采矿系统工程主要使用系统工程中的系统分析、优化及控制方法,如最优化控制、数学建模与优化、运筹学等;③采矿系统工程用到的技术主要有计算机技术及与之密切相关的其他信息技术。

1.1 采矿系统工程基本理论及常用方法

传统意义上的采矿系统工程基本理论及常用方法主要包含运筹学诸学科分支、应用数学若干学科分支和计算机技术[1,4-6]。当前采矿系统工程的理论方法随着相关学科理论基础的发展和应用范围的扩充不断丰富,其基本理论及常用方法如图1所示。

图1 采矿系统工程基本理论及常用方法Fig.1 Basic theories and methods of mining system engineering

1.2 采矿系统工程研究内容

当前采矿系统工程的研究内容涵盖了矿山开发的各个阶段,主要包括以下方面:

(1)矿床模型及测量。主要研究方向有矿产资源远景预测、区域资源评价与分析、钻探作业优化、矿床储量估计、矿床模型构建、矿床地质条件评价、露天矿山地表测绘等。

(2)矿山开采设计及规划。如矿山开采方法选择、采矿工艺设计及优化、采矿设备选型与配置、开采境界圈定、露天矿大型设施选址规划、矿井及采区设计、矿山中长期生产计划、矿山短期生产计划等。

(3)矿山建设项目管理及评价。如新建或改扩建矿山项目投资决策及评价、矿山建设项目过程优化、矿山全生命周期管理及优化等。

(4)矿山生产工艺及作业系统。如采场工作面分析及智能化系统、地下矿山运输及提升系统、矿井通风排水系统、露天矿生产配矿、卡车调度系统、矿山生产监控系统等。

(5)矿山安全生产管理。如采场矿压及其控制、露天边坡监测及稳定性分析、回采巷道布置及支护、排土场及尾矿坝监测、人员设备定位及安全管理、采空区探测及处理等。

(6)其他方面。如自动化钻孔、爆破设计、生态环境修复、矿山经营管理、大型作业设备故障诊断等。

以上各个方面的研究在人工智能技术发展、智能矿山建设的背景下,逐步向智能化阶段发展,表1重点梳理了当前采矿系统工程的研究内容与采用的人工智能理论方法之间的对应关系,其中“√”表示对应的研究内容中曾经采用过相应的理论方法来解决相关问题。

由表1可知:在当前人工智能技术发展的背景下,神经网络、支持向量机以及遗传算法是采矿系统工程中应用最为广泛的3种方法。神经网络具有复杂的非线性处理能力,能够有效解决分类和回归等问题,特别是在求解高维非线性问题时体现出较强的优势;支持向量机具有特殊的分类机制,通过引入核函数可将数据映射到高维空间,具有良好的分类效果,在解决边坡位移监测、采场压力与顶板控制等数据难以获取的小样本问题时,能够达到较高的预测精度;遗传算法是一类最为典型的进化算法,具有较强的灵活性和适用性,可以解决大规模数学优化问题,特别是在有限的时间和资源限制下,当传统的精确算法不能求解到问题的最优解时,进化算法可以提供满意的解决方案。另外,除了机器学习、进化算法等方法以外,粗糙集、证据理论等不确定性研究方法也得到了一定程度的应用。

表1 采矿系统工程主要研究内容与人工智能方法的对应关系Table 1 Corresponding relationship between the main study contents of mining system engineering and artificial intelligence methods

2 人工智能技术在采矿系统工程中的应用及发展

在采矿系统工程中,人工智能技术的应用离不开其自身的发展。为详细分析人工智能技术在采矿系统工程中的应用及发展脉络,本研究以 “人工智能(Artificial Intelligence)”“专家系统(Expert Systems)”“神经网络(Neural Network)”“机器学习(Machine Learning)”“深度学习(Deep Learning)”“进化算法(Evolutionary Algorithms)”等为关键词在 Google Ngram中进行了检索,结果如图2所示。分析可知:2010年以前人工智能技术的发展趋势与专家系统、神经网络和演化算法一致,新一代人工智能技术的发展趋势与机器学习、神经网络、深度学习等算法一致。

图2 人工智能技术及密切相关方法的历史发展趋势Fig.2 Historical development trend of artificial intelligence technology and closely related methods

此外,本研究利用VOSviewer软件对采矿系统工程领域近30a(1989—2020年)来的相关文献进行了可视化分析,相关数据来源于中国知网。通过将参考文献的关键词进行共现,并按照年份用不同颜色进行了标注,结果如图3所示。从图3中可以发现,采矿系统工程方法的发展变化可大致分为3个阶段:第1阶段是2000年以前,该阶段主要采用知识库、专家系统、决策系统等技术手段解决采矿工程中遇到的问题,对应着人工智能技术发展的早期阶段;第2阶段是2000—2010年,这一阶段以人工神经网络以及遗传算法、粒子群算法等各种智能优化算法的应用为主要研究方向;第3阶段是2010年以后,机器学习算法成为主要研究方向,多目标优化算法、支持向量机、随机森林、卷积神经网络等方法更多地被广大学者关注。因此,本节对专家系统、神经网络以及进化算法为代表的人工智能技术在采矿系统工程中的应用与发展进行分析。

图3 关键词共现网络图Fig.3 Co-occurrence network diagram of keywords

2.1 专家系统

专家系统是一类拥有大量专业知识和经验,通过借助一定的逻辑推理,仿照人类专家解决专业问题的计算机程序系统,包含了人机交互界面、知识库、推理机、知识获取接口、解释器接口和综合数据库等,其中知识库和推理机是专家系统的核心。由于专家系统在解决某一领域复杂问题时具有逻辑推理性强、效率高的优势,自20世纪70年代末以来在采矿系统工程中得到了大量研究与应用,尤其在采矿方法优选、矿山岩体边坡工程、矿山水文地质分析以及设备选型等方面得到了广泛应用[1]。20世纪90年代,BP神经网络被引入到专家系统中。通过建立BP神经网络进行知识库中的知识获取和更新,进一步拓展了专家系统在采矿系统工程中的应用范围。

专家系统在采矿系统工程后续的研究与发展过程中取得了显著进展,主要体现在:①在知识库构建上,不仅通过专家经验和既有知识,还采用神经网络将学习的知识纳入知识库中;②在推理机制上,通过使用模糊的方法使得推理机制更加灵活;③在系统构建和开发上,向大系统、功能齐全、综合灵活应用的方向不断发展。然而,由于专家系统过多依赖于专家知识库的构建与更新,推理机制上缺乏更为灵活的机制和自主学习能力,应用上仅注重于既有知识的应用,因此在后续发展过程中仍然受到较大限制。目前,在采矿系统工程研究中,专家系统很少被单独提及,更多的是作为采矿领域信息系统中决策支持系统的一部分进行不断地发展。

2.2 神经网络

神经网络采用类神经元的信息传递及学习机制模拟人脑处理过程,是人工智能技术发展中联接主义智能实现的重要方法和典范。它是一种黑箱优化模型,具有自组织、自适应、自学习的特点,目前在模式识别、自动控制、图像处理、价格预测等方面得到了广泛应用。BP神经网络是一种最具代表性的人工神经网络,在采矿工程中应用广泛,涉及的主要研究方向有采矿方法优选、巷道支护方案优选、岩爆及爆破效果预测、卡车燃料消耗预测、设备故障诊断、边坡稳定性分析等。上述成果与BP神经网络出色的非线性学习能力有机结合,为采矿工程中存在的复杂非线性问题提供了新的解决思路和方法。如果将专家系统在采矿系统工程中的研究与应用归纳为“人工智能技术对人类采矿既有知识的运用”,则神经网络在采矿系统工程中的研究与应用可归纳为“人工智能技术对采矿领域知识的发现”,这种改变是人工智能技术在采矿系统工程中发展的一大飞跃。

然而,这一时期的研究主要集中于神经网络学习样本构建和网络学习能力提升方面,如对问题数据集表示、问题指标选取以及网络参数调节与优化等,鲜有研究对神经网络学习和发现的知识(规律)进行进一步解析,探究网络发现的知识背后的原理。此外在实际应用过程中,神经网络与专家系统相比,前者仅适用于小系统或者系统中的某一方面,如可构建一个采矿全作业流程的采矿领域专家系统,但是无法构建一个全作业流程通用的神经网络模型。

2.3 进化算法

进化算法是受自然进化启发并模拟这一现象构建的一类启发式优化算法,按照自然界某种现象进行假设,然后模拟该现象的发展、进化构建出进化机制,进而使用该进化机制在算法的迭代过程中实现某一问题的优化目标。与传统的数学优化算法相比,进化算法由于没有严格的数学理论推导以及对所求解的问题数学性质要求不高,从而得到了广泛应用[7-8]。目前在采矿系统工程领域应用最广泛的主要有遗传算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization,PSO)、蚁群算法(Ant Colony Optimization,ACO)等多种群智能算法。主要研究与应用方向有露天矿开采境界确定[9]、采矿方法及设备选择[10]、矿区储量计算[11]、生产计划编制[12]、配矿计划优化[13-17]、运输路径及调度优化[18-25]、矿石品位估计与优化[26]、地下矿山巷道布置与支护[27]、边坡稳定性分析[28]、岩爆预测[29]等方面。

相比于传统的精确算法,启发式算法具有求解速度快、问题限制条件少等优点。但是启发式算法具有一些固有的不足,如容易陷入局部最优值,学者们常常尝试采用各种方法及策略对其进行改进,以期取得更精确的优化结果。此外,进化算法在采矿工程优化应用过程中,常常需要对原有问题进行转换,这也是限制其实际应用的一个重要因素。尽管进化算法在实际应用中存在着上述不足,但是随着实际问题越来越复杂,传统的运筹学方法无法在有限的时间段内求得问题最优解,进化算法则可以得到满足实际生产要求的满意解,因此此类方法在采矿系统工程中仍然具有广阔的应用前景。

3 采矿系统工程中新一代人工智能技术的研究进展

新一代人工智能指的是在近10a发展迅速的人工智能技术,其主要新特征为深度学习、跨界融合、人机协同、群智开放、自主操控等,标志性的研究成果为2006年HINTON提出的PCA数据降维和神经网络逐层预训练方法[30],以及于2009年构建的深度神经网络模型[31]。目前,新一代人工智能技术的核心方法包括深度神经网络(Deep Neural Networks,DNN)、支持向量机(Support Vector Machine,SVM)、决策树(Decision Tree,DT)、随机森林(Random Forest,RF)等机器学习方法和多目标优化进化算法(Multi-objective Optimization Evolutionary Algorithms,MOEAs)等,常被用于数据分析及预测、智能控制和智能优化等方面,在智能采矿领域中发挥着越来越重要的作用。

3.1 新一代人工智能方法

3.1.1 深度神经网络

深度神经网络即为含多隐含层的神经网络,是深度学习的主要内容。深度神经网络在训练过程中由于参数较多,需要大量的训练样本来防止网络过拟合。在采矿系统工程中,由于目前视觉类数据相对于其他的数据更容易获取,因此应用较多的为卷积神经网络(Convolutional Neural Networks,CNN)。如通过采集露天矿采场图像信息,可利用CNN网络对露天矿道路网进行精确提取,基本原理如图4所示。原始道路图像的特征信息经过卷积层、隐含层、池化层等多层神经网络传递处理后,可精确提取到道路网的基本骨架。

图4 基于CNN网络的露天矿道路特征提取原理Fig.4 Principle of road feature extraction in open-pit mine based on CNN network

3.1.2 支持向量机

支持向量机(Support Vector Machine,SVM)是一种基于小样本数据的分类和预测技术,属于机器学习中的监督学习。SVM的基本理论是寻找一个鲁棒的超平面将线性可分的数据分开,具有支持向量、超平面这两个重要的概念。图5表示的是2维空间内数据线性可分的情况。然而在实际中,大量的数据为非线性特征数据,需要引入核函数将其映射至更高维的空间中,使其变得线性可分。数据通过核函数映射到高维空间变得线性可分的过程如图6所示。图6左图表示低维空间,右图表示映射之后的高维空间。SVM常用于分类和预测问题,在采矿领域中的应用主要涉及成矿预测、边坡位移监测、卡车行程时间预测等方面。

图5 支持向量与超平面示意Fig.5 Schematic of support vector and hyperplane

图6 特征空间映射示意Fig.6 Schematic of feature space mapping

3.1.3 决策树与随机森林

决策树是基于树结构进行决策的机器学习方法,具有一个根节点、若干内部节点、若干叶节点[32],基本原理如图7(a)所示。以数据分类为例,决策树的叶节点对应着待分类数据的决策结果,即数据中的某一类别,其他节点对应着数据的某一或某些属性。决策树学习过程中,为了对数据的属性进行最优化划分,常用信息熵来衡量数据的类别。为了防止对样本集学习的过拟合,采用“预剪枝”或“后剪枝”的处理方式使其具有更好的泛化性能。随机森林是以Bagging集成学习方式为基础,将多个决策树进行集成的集成学习方法,是集成学习的代表方法之一,基本原理如图7(b)所示。

图7 决策树与随机森林原理示意Fig.7 Schematic of the principle decision tree and random forest

3.1.4 多目标优化算法

在实际生产决策中,经常会遇到多个目标相互冲突的求解问题,比如如何在成本投入最低的同时取得最大的收益。多目标优化问题是指一个优化问题存在多个优化目标,且这多个优化目标是相互冲突的,或者存在无法比较的情况。如一个解在某个目标上是最优的,但是在其他目标上可能是比较差的。多目标优化算法正是在这样的背景下提出来的一类智能优化算法。近几年随着研究问题的复杂化,多目标算法在采矿系统工程中逐渐显现出独特的优势。在采矿生产中应用较多的几类多目标算法主要有快速非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm Ⅱ,NSGA-Ⅱ)、多目标粒子群算法(Multi-objective Particle Swarm Optimization,MOPSO)等。本研究对多目标优化算法中涉及的一些基本概念进行详细分析。

(1)Pareto支配关系。Pareto支配关系定义的是种群中两两个体之间的比较关系,主要用于种群适应度排序从而选择非支配个体。对于存在多个目标值的自变量x1和x2,如果任意一个目标函数都存在f( x1)

(2)Pareto最优解和最优解集。当优化问题有多个目标时,不同目标之间会存在冲突和无法比较的现象。在改进任何目标函数的同时,必然会削弱其他目标函数的值。这种无法在改进任何目标函数的同时不削弱至少一个其他目标函数的解称作Pareto最优解或非支配解。由一组两两互不支配的Pareto最优解所组成的解集被称为Pareto最优解集。

3.1.4.1 多目标遗传算法

DEB等于1995年提出的非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm,NSGA)是一种经典的基于Pareto支配关系的多目标遗传算法[33]。NSGA算法是以遗传算法为基础并根据非支配排序的思想进行设计的。其基本思想是在种群进化的过程中对个体进行适应度排序,通过适应度分层找出所有的非支配个体,最终得到一组互不支配的满意解。该算法在选择操作执行之前对种群中的个体进行支配关系分层,其选择、交叉和变异操作与基本遗传算法相同。NSGA算法在很多问题上得到了应用,但是也存在一些不足,如计算复杂度较高、缺乏最优个体保留机制等。对此,DEB等在2000年提出了快速非支配排序遗传算法NSGA-Ⅱ[34]。相比于NSGA算法,NSGA-Ⅱ算法主要有3点改进:①提出了新的基于分级的快速非支配排序方法,降低了问题求解的复杂度;②提出了“拥挤距离”的概念代替了原有的适应度共享方法;③引入了精英保留机制,有利于保持种群最优个体。

3.1.4.2 多目标粒子群算法

粒子群算法(Particle Swarm Optimization,PSO)是由KENNEDY和EBERHART于1995年提出的一种智能优化算法[35],通过将鸟类觅食行为抽象成数学模型对优化问题进行求解。种群中的每个个体看作是问题的解,通过全局历史经验和个体历史经验进行个体的位置更新,经过多次迭代最终求得问题的最优解。为了求解多目标优化问题,COELLO等[36]在2002年提出了多目标粒子群算法(Multiple Objective Particle Swarm Optimization,MOPSO),利用粒子群算法快速收敛的优势对多目标优化问题进行求解。与PSO算法相比,MOPSO算法在全局极值和个体极值选择上进行了改进,并对速度和位置更新公式进行了优化。MOPSO算法有两点创新之处:①引入自适应网格机制来保存外部档案,当外部档案中的个体数目超过设定的阈值时,将这些个体的目标函数空间进行均匀划分,通过选择密度较小的个体提高最优个体被选中的概率;②为了提高种群的多样性,MOPSO算法采用变异策略对粒子分布的区域进行变异。

3.2 研究及应用进展

近年来,以机器学习、多目标优化算法等为代表的新一代人工智能技术在采矿系统工程中发挥着越来越重要的作用。以下重点从生产作业优化、爆破预测与矿岩识别、安全生产监测以及矿石价格预测4个方面系统分析新一代人工智能技术在采矿系统工程中的应用进展。

3.2.1 生产作业优化

3.2.1.1 生产计划多目标优化

采矿生产计划包括中长期生产计划和短期配矿计划。中长期生产计划优化的目标是确定每年的采剥量、采剥位置和矿山总的服务年限[37],并为短期作业计划编制提供指导。配矿就是在长期生产计划指导下,按照一定比例将不同品位的矿石进行搭配、混匀,使其满足矿山矿石产品质量要求[38]。考虑到较多的决策变量和约束条件,采用一般的方法难以解决生产计划优化问题。早期的生产计划优化主要采用整数规划、动态规划等数学规划方法进行求解,但是由于模型中存在较多的变量和约束条件使得这些方法的应用受到一定限制。启发式算法由于具有计算的并行性,能在有限的时间段内得到问题的满意解,可以很好地解决大规模生产计划问题。当前比较有代表性的有遗传算法、粒子群算法、免疫克隆算法、灰狼算法等。

随着矿山生产要求的多样化和复杂化,考虑到矿山企业进行多矿种综合利用和精细化开采的实际需求,单一目标的优化技术已经不能满足要求。多目标优化技术可以在多个相互冲突的目标中得到一组满足实际生产需求的方案,以供矿山管理人员在不同情况下进行最优决策。因此,针对多目标优化技术的研究就变得十分必要。最近几年有部分学者尝试将生产计划问题建立为多目标优化模型进行了研究[39-43]。在中长期生产计划中考虑的主要因素有开采块体的净现值、运输成本等,而在短期的配矿计划中考虑较多的优化目标主要有采掘运输成本、配矿品位偏差、卡车运输能耗、矿石岩性配比等方面。

采矿生产计划优化的代表性研究主要有:刘定一等[39]以净现值、品位和金属量为目标建立多目标规划模型,对地下矿山中长期计划进行了编制;李志国等[40]构建了磷矿堆场多目标优化配矿模型,采用改进的多目标遗传算法对模型进行求解,取得了较常规优化方案更高的资源利用率;顾清华等[17]考虑运输中的能耗问题,构建了以运输功和配矿品位偏差最小为目标函数的多目标短期配矿模型,并采用自适应粒子群算法对模型进行了求解;FOROUGHI等[41]采用NSGA-Ⅱ算法对地下矿山采场布局设计和生产计划问题进行了相关研究。另外,东北大学王训洪等[42]和顾晓薇等[43]分别从经济利润和资源利效率角度研究了多目标生产优化问题。现有研究表明:利用多目标优化技术得到的生产计划更加符合矿山的实际需求,在降低生产成本的同时可以提高多矿种伴生资源的利用率。但是,目前与此相关的研究仍略显不足。比如,如何有效处理模型中大规模的变量和复杂的约束条件,以及如何设计与采矿优化问题相适应的多目标优化技术等仍有待进一步研究。

3.2.1.2 运输系统多目标优化

矿石运输是采矿生产过程中的关键环节。在露天矿运输系统中涉及了非常多的工艺流程,如卡车电铲配置、最优路径选择、车流规划、实时调度等。由于各作业流程之间相互影响,只针对单一环节的优化并不能使得系统整体达到最优状态,因此,运输系统优化是一个复杂的系统工程。近几年的相关研究表明,运输系统优化问题已经从追求单一目标的最优化逐渐转向多个目标之间的权衡;考虑的优化目标从单一的运输成本最小化,发展到现在的综合考虑经济效益、资源效率以及设备利用率最大化等多个方面。如在卡车调度优化中,采用多目标优化技术得到的调度方案可同时使得卡车运费最低和等待时间最短;在运输设备路线规划中,以运输距离最短、运输消耗最小等为目标的最佳路线可更好地满足矿山实际需求。

运输系统优化的代表性研究主要有:谭期仁等[44]对井下电机车的路线选择问题进行了研究,以总运输量和总运输距离为目标建立了多目标优化模型,并采用NSGA-Ⅱ算法进行了求解;秦玉鑫等[45]提出了一种改进的标号修正算法用于解决煤矿灾害探测机器人的多目标路径规划问题;ALEXANDRE等[46]分别采用NSGA-Ⅱ、SPEA2算法和一种 Pareto迭代局部搜索算法对露天矿卡车配置问题进行了相关研究;张明等[47]、章赛等[48]分别采用多目标遗传算法研究了露天矿卡车调度问题,在获得最优运输方案的同时实现了运输成本的最小化和卡车利用效率的最大化。通过以上研究发现,多目标优化算法已经在井下电机车路径规划、露天矿卡车配置、多目标卡车调度等多个方面进行了应用,并取得了良好的求解效果。相比于传统的数学规划和单目标优化算法,多目标优化算法可以在多个可选方案之间进行权衡,从而为矿山管理者提供更加科学全面的决策依据。但是在实际应用过程中,如何有效构建精确的多目标数学模型是求解问题的关键。另外,如何处理模型中复杂的约束条件也是需要重点关注的方向。

3.2.1.3 设备故障智能诊断

由于采矿生产需要很多大型机械设备,对设备的运行状态进行有效监测,保障生产设备正常运转是实现经济高效生产的关键。在设备故障诊断研究中,以往主要采用专家系统、故障树分析等技术进行检测,但是随着故障难度和复杂度不断加大,这些技术在某些方面已经不能有效满足实际工作需求。相比之下,机器学习技术可从设备历史运行数据中提取关键特征并进行学习训练,从而进行故障的精准判断。比较有代表性的有支持向量机(SVM)、决策树(DT)、随机森林(RF)等算法和深度学习技术。

(1)支持向量机。SVM算法可有效针对小样本、非线性的数据进行分类,非常适合故障诊断类问题的预测。目前利用SVM算法进行故障诊断的研究主要有矿井通风系统故障诊断[49-51],以及矿用电机[52]、变压器[53-54]、液压系统[55]、车辆变速箱[56]等设备的故障诊断。但是SVM算法的参数优化是一个难点,为了提高SVM的故障诊断效果,近年来学者们分别采用网格搜索法[51]、布谷鸟算法[54]、粒子群算法[55]等多种优化算法进行了SVM算法参数优化,优化后的算法预测精度优于经典SVM算法。

(2)决策树与随机森林。利用多个决策树模型所组合的随机森林是一种集成模型,可根据不同的数据类型进行结构改变,从而有效处理大规模的数据分类问题。近年来利用决策树进行故障诊断的相关研究主要有:刘涛等[57]提出了一种基于C4.5决策树的矿用提升机故障预警系统,通过参数优化和数据预处理来提高模型的预测精度;为提高煤矿井下供电系统的可靠性,刘艳丽等[58]建立了基于随机森林算法的串联型故障电弧诊断模型,试验结果证明该方法有效提高了故障预测精度。

(3)深度学习技术。在设备故障预警研究中,有学者引入了深度学习中的机器视觉技术用于机械设备故障预警和运行状态监测。如针对矿用皮带运输机的运行状态,现有技术主要采用光电传感器、压力传感器等各类传感器进行监测,但是由于传感设备稳定性差等问题可能会导致监测效果不理想,而利用基于深度学习技术的设备生产实时监测有助于实现故障提前预警。这方面也有学者进行了研究,顼熙亮[59]提出了一种基于机器视觉的新型智能检测系统,该系统采用相机和光源来监控皮带输送机事故,实现了设备故障的提前预警;为了对皮带跑偏和洒料情况进行实时监测,滕悦等[60]设计了一种基于图像处理技术的皮带跑偏监测系统,有助于实现事故的及时预警。

综上分析可知,支持向量机、决策树等机器学习算法在设备故障诊断方面发挥着越来越重要的作用。但是现有研究大多针对特定故障类型所建立的诊断模型,任何一种模型的预测精度都受到历史数据准确性和模型参数取值的影响。因此,如何建立可以预测多种故障类型的诊断模型,以及如何提高模型的适用性和泛化能力仍有待进一步研究。

3.2.2 爆破预测与矿岩识别

3.2.2.1 爆破效果智能预测

爆破效果预测可为选择合理的爆破参数、提高爆破效果提供科学依据。以往的预测技术大多基于统计学手段,只有保证样本量足够大的前提下才能获得较理想的预测效果。但由于成本、风险等因素导致实践中无法大量采集数据,使得爆破预测可获得的样本数据较少,致使预测效果不理想。因此,爆破预测属于小样本数据条件下的回归问题。现有的爆破预测技术主要有BP神经网络[61-62]、RBF神经网络[63]、小波神经网络[64]、SVM算法[65-67]等。神经网络由于需要大量的样本数据才能保证预测的准确率,所以应用范围受到一定限制。SVM算法在解决小样本、非线性以及高维问题时具有优势,非常适合解决爆破效果预测问题,但SVM中核函数和超参数的确定对于预测效果有着很大影响,因此许多学者利用多种算法对其进行了优化。刘希亮等[65]通过分析矿区抛掷爆破效果的主要影响因素,采用平均影响值对各因素的影响程度进行了评定,并建立了基于遗传算法优化的支持向量机模型GA-SVM进行爆破效果预测。GASVM与BP、RBF等神经网络相比具有更好的鲁棒性和预测精度。江国华[66]采用高斯径向基核函数的SVM算法建立了台阶爆破预测模型RBF-SVM,预测结果的平均相对误差仅为3.03%,证明了模型的可靠性。另外,岳中文等[67]和林春平[68]分别利用粒子群算法和果蝇优化算法对SVM算法参数进行了寻优。根据上述研究可知,大量学者从参数优化角度出发对SVM算法进行了改进,如何提高SVM算法的问题适用性和鲁棒性仍然是今后需要重点关注的方向。

3.2.2.2 矿岩智能识别

矿石开采后经过的第一道工序是将矿石与废石进行分离,分离的准确度直接影响到资源的回收和利用水平。以往的选矿技术都是基于人工控制手段,选矿精度和效率都比较低。当前基于深度学习的图像识别技术的快速发展,为实现高精度的自动化选矿作业提供了技术支撑。近年来代表性研究的有:徐校竹[69]利用卷积神经网络对矿岩数字图像进行深度学习训练,建立了矿岩识别的深度学习模型;王李管等[70]利用卷积神经网络对黑钨矿石及其围岩废石进行了识别分析,识别精度优于97%。矿石的粒度分析同样是选矿作业环节的关键性问题,通常选矿厂采用筛分方式进行处理,但是效率较低。近年来,有学者将图像识别技术引入到矿石粒度检测中,提高了矿石粒度检测水平。如卢才武等[71]针对图像处理技术在细粒度矿石分级测定时存在的精度不足问题,提出了一种基于深度图像分析的分级测定方法;马连铭等[72]对比了多种图像处理技术的矿石粒度分析效果,并总结评价了各种方法的性能。以上研究围绕基于图像识别技术的矿岩识别方法进行了初步探索,但是大部分的研究只停留在理论分析和实验室试验阶段,矿岩识别的实际应用效果有待进一步验证。

3.2.3 安全生产监测

3.2.3.1 边坡位移监测

边坡位移反映了岩体边坡在内外部因素的作用下发生变形的过程,对边坡位移进行监测有助于掌握边坡灾害发展趋势和演变规律,便于及时进行滑坡预警及灾害处置。边坡位移监测属于时间序列预测范畴,目前采用的主要方法有时间序列分析法、灰色预测方法、人工神经网络等。但是这些方法都有着不同程度的局限性,也存在适用性不足的问题。由于边坡变形影响因素十分复杂,这些方法难以完全准确可靠地确定边坡位移与其影响因素之间的关系[73]。相对而言,SVM算法由于具有较强的学习能力和泛化能力,可以有效地对边坡位移进行监测。目前此方面的研究多数是利用其他算法对SVM算法参数进行优化,从而提高预测精度。如利用粒子群算法[74]、蚁群算法[75]等启发式算法对SVM算法参数进行优化,或者采用小波神经网络[76]、Elman神经网络[73]等结合SVM算法进行边坡位移监测,此外,还有混沌支持向量机[77]、最小二乘支持向量机[78]等组合模型的相关研究。

3.2.3.2 岩爆烈度预测

岩爆是因在高地应力条件下进行地下岩土工程开挖或者深部资源开采,导致围岩中聚积的弹性应变能瞬间释放,产生的一种突发的动力失稳地质灾害[79]。对岩爆烈度等级进行预测可有效预防风险发生。现有的岩爆预测技术大致可以分为3类:①基于岩爆机理的判断方法;②基于现场实测的岩爆预测方法;③基于岩爆指标和实测数据的预测方法。由于岩爆发生的作用机理十分复杂,影响因素众多,因此岩爆预测是一个复杂的非线性预测问题,目前实现岩爆烈度的准确预测仍然十分困难。近几年发展起来的机器学习算法由于可以处理高维复杂非线性的数据,从历史数据中学习经验规律,被广泛应用于预测、回归、分类等问题中。目前已经有神经网络、集成学习、支持向量机以及深度学习等多种方法应用在岩爆预测中。

(1)神经网络。现阶段应用于岩爆预测的神经网络有极限学习机、BP神经网络、RBF神经网络、概率神经网络等。相关代表性研究有:李永松等[80]综合考虑围岩产生岩爆的内在、外在因素,采用地应力大小、岩石抗压和抗拉强度、岩石弹性能量指数等参数作为指标,建立了BP神经网络岩爆预测模型。但是BP神经网络也有一定的不足,比如对于复杂问题收敛速度慢、易陷入局部最优值等。张德永等[81]利用泛化能力更好的RBF神经网络进行岩爆预测研究,得到了与实际情况相符合的预测结果。总体来看,利用神经网络进行预测的前提是要有足够多的学习样本,以提高模型的泛化能力才能保证较高的拟合精度。

(2)集成学习。集成学习算法通过一定的策略将多个基分类器进行组合来增强单个分类器的效果,主要有Bagging、Boosting以及Stacking几种分类,其中在Bagging算法中以随机森林最为典型。董陇军等[82]、杨悦增等[83]分别采用随机森林算法建立了岩爆等级预测模型,适用于解决数据不完全的小样本问题;田睿等[84]将随机森林(RF)与层次分析法(AHP)相结合,构建了一种RF-AHP指标权重计算方法,并用于岩爆烈度分级预测,试验结果表明模型预测的准确率能达到88%以上。梯度提升(Gradient Boosting Decision Tree,GBDT)是一种Boosting的机器学习算法,XG-Boost算法是在GBDT的基础上对Boosting算法的改进。张钧博等[85]提出了一种基于交叉验证的XG-Boost算法,有助于解决数据量较少情况下的岩爆烈度预测问题。经过分析可知,当训练样本较少时,模型预测精度容易受到样本划分影响,造成一定的预测误差,但是可以通过多次交叉验证方式降低预测误差,尽可能消除随机性所带来的影响,提高预测结果的可靠性。

(3)支持向量机。近年来,支持向量机解决岩爆预测问题的研究比较丰富,主要集中于采用粒子群算法、遗传算法等智能优化算法对支持向量机进行性能优化,从而提高预测精度。现阶段相关代表性研究有:李宁等[86]通过粗糙集理论确定岩爆发生的主要影响因素,并利用粒子群算法优化后的支持向量机进行岩爆等级预测;温廷新等[87]将交叉、变异操作引入粒子群算法中,提出了一种基于组合赋权的混合粒子群优化支持向量机岩爆倾向性预测模型,提高了原有模型的预测精度。另外,为了提高模型的适用性和稳定性,有学者提出了结合多种方法的组合模型。如许瑞等[88]研究了基于多种核函数的主成分分析方法对支持向量机所带来的影响,并将其与粒子群算法或遗传算法相结合建立组合预测模型。试验结果证明,基于RBF核函数的主成分分析方法与PSO-SVM相结合的模型预测准确率达到了92.3%,为试验中表现最佳的组合模型。此外,现有研究中,还有深度神经网络[89]、贝叶斯判别分析[90-92]等方法应用于岩爆等级预测的探索,并取得了一定的成效。

3.2.4 矿产品价格预测

矿产品价格预测是矿山生产经营管理的重要环节,矿产品价格预测影响因素众多,如国家政策、市场供需变化、生产成本波动等方面。这些因素使得矿石价格呈现出非线性、非平稳、高噪声等特点,因此矿产品价格预测是一个复杂的非线性问题。目前进行矿产品价格预测的方法大致可以分为3类,即统计学方法、机器学习方法以及组合模型预测方法。

(1)统计学方法。在统计学方法中,自回归滑动平均模型(Auto Regressive Moving Average model,ARMA)和差分自回归滑动平均模型(Auto Regressive Integrated Moving Average model,ARIMA)最为典型。ARMA模型在使用时要求时间序列满足平稳性条件,但是大多数的时间序列是非平稳的,因此需要对其进行平稳化处理。郝家龙等[93]和MATYJASZEK等[94]分别利用了ARMA模型对煤炭价格进行了预测。ARIMA模型是在ARMA模型的基础上进行差分所建立的,但是这类方法在解决波动情况复杂的价格序列预测方面效果不是很理想。比如,陶磊等[95]、王帮俊等[96]分别采用ARIMA模型对有色金属和原煤产品进行了价格预测。

(2)机器学习方法。近年来,应用于矿产品价格预测的机器学习方法主要包括BP神经网络[97]、支持向量机(SVM)[98-100]、长短期记忆网络(Long Short-Term Memory,LSTM)[101-103]等。传统的神经网络方法虽然具有很好的预测能力,但是在处理小样本数据,特别是面对动态、非线性的时间序列数据时,求解精度不是很理想;与之相比,SVM算法可以有效解决小样本数据问题,在进行短期价格预测时具有较高精度,但是对于价格的长期走势预测可能会存在较大误差[98]。现有研究表明:LSTM是能够有效处理时间序列数据的深度学习模型之一[103]。

(3)组合预测模型。不同模型之间的预测原理的差异性,使得难以利用一个模型充分学习到时间序列数据中所包含的各类信息,因此有学者将几种单一模型进行优势互补,并按照一定规则进行组合,提出了不同的组合预测模型。由“分而治之”原则驱动的“分解”和“集成”框架是最有效的组合预测模型之一,主要采用小波分解、傅里叶分解、经验模态分解等分解策略与单一模型组合进行时间序列预测[104-108]。

4 采矿系统工程研究趋势

“绿色”“安全”“智能”“高效”已成为矿业可持续发展的时代要求,采矿系统工程的战略目标是充分应用现代数学和新一代信息技术,全面实现矿山的最优规划、最优设计、最优管理和最优控制,从整体上充分提升矿山企业的效益。随着物联网、大数据、人工智能技术、5G等新一代信息技术的不断发展与应用,采矿系统工程迎来了新的发展机遇,未来发展方向主要表现在以下几个方面。

(1)采矿生产过程各工艺环节智能算法的应用不断深入。采矿系统是一个多目标、多因素、多变量、随机性强的复杂动态系统。如在露天矿运输调度优化中,需要考虑运输成本、运输效率以及卡车等待时间等多个优化目标。多目标配矿优化是一个复杂的动态过程,需要兼顾采矿指标和选矿甚至冶炼指标的影响,以获得最佳的配矿执行计划。采矿工程在系统结构上普遍具有层次较多、环节紧密、相互之间关系复杂等特点,因此需要从总体上进行全过程、全流程智能优化。对于具有采矿—选矿—冶炼主要工艺的矿业集团而言,随着企业资源计划系统ERP、生产制造执行系统MES以及底层自动控制系统的不断应用,融入工业大数据、多目标和多变量因素以及全流程生产为优化对象的智能算法将不断得到发展。

(2)原有的单一信息系统向融合大数据平台的方向不断演变。随着过去近20a的数字矿山建设,井下智能通风系统、井下智能监测控制系统等井下六大系统以及露天矿生产智能管控系统不断得到应用。如通过大量矿山开采信息化系统的应用和部署,露天开采的爆破—铲装—运输—破碎等工艺环节已逐步由单一信息化向多系统融合智能化方向发展,并产生大量的工业流程数据。这些工业流程数据将通过大数据的相关技术进行深入挖掘并研究其应用价值,从而反向优化采矿工艺流程。由此可见,全流程作业一体化管控、无人智能装备智能化控制、生产大数据智能分析挖掘及决策等将成为智能矿山未来的重要研究方向。

(3)新一代新能源智能化无人采矿装备将不断涌现。随着国家“碳达峰、碳中和”战略目标的提出,污染物排放严重的传统燃油装备将逐渐被淘汰,采矿装备的电动化将成为未来发展的主流方向。目前,针对传统采矿装备的线控化改造在某些应用场景下已经实现,但由于存在设备差异化大、改装成本高、不易批量标准化生产等不足,在全行业内推行仍存在诸多困难。随着5G通信、物联网和无人驾驶技术的逐渐成熟,逐步实现新能源纯电动采矿装备的线控化、智能化、无人化,应是下一代新能源智能化无人采矿装备发展的主要趋势。

(4)无人采矿的新技术、新工艺及新模式不断应用。传统的采矿行业一般是劳动力密集型产业,现阶段这一生产模式正在进行颠覆性的变革。当前,从业人员老龄化趋势严重,技术人才严重短缺,加之相对恶劣的工作环境和频繁发生的安全事故严重影响了矿山行业的持续高效发展。随着远程遥控和无人驾驶技术的逐渐成熟,无人机高清地形建模、遥控铲运机及钻机5G远程遥控、无人驾驶卡车集群控制等技术不断得到应用,传统的采矿方法、采矿设计及工艺等已无法有效满足智能装备在露天或井下进行作业的实际要求。在此背景下,依据采矿智能装备作业的特点,从采矿方法、采矿设计及无人作业生产等矿山全生命周期的角度,不断变革传统的采矿方法、采矿工艺及流程,形成无人采矿的新技术、新工艺、新模式,将成为未来重要的发展趋势。