采礦方法選擇輔助決策專家系統

劉曉亮,褚洪濤

(1.長沙礦山研究院, 湖南長沙 410012;2.國家金屬采礦工程技術研究中心, 湖南長沙 410012)

采礦方法選擇輔助決策專家系統

劉曉亮1,2,褚洪濤1

(1.長沙礦山研究院, 湖南長沙 410012;2.國家金屬采礦工程技術研究中心, 湖南長沙 410012)

通過對采礦方法專家系統的研究現狀進行分析,總結各種采礦方法選擇專家系統的優缺點,提出采礦方法選擇輔助決策專家系統。該系統并不追求單一的結果,而是通過對多個目標進行分析、計算、傾向性排序,輔助決策者進行采礦方法選擇,能夠最大限度的利用計算機和人腦的優勢進行采礦方法選擇決策。

采礦方法選擇;輔助決策系統;傾向性排序;專家系統

采礦方法的合理與否直接影響著礦山的安全、經濟及高效生產。采礦方法選擇專家系統的引入能夠更加充分利用采礦領域采礦方法選擇的經驗、理論、策略,更加快捷、全面的選擇出合適的采礦方法。由于采礦方法選擇需要考慮的因素太多,并且其中一些因素因時間、地點、個人傾向的不同而不同,故采礦方法選擇專家系統多針對特定的礦體,沒有得到普遍推廣。本文綜合之前采礦方法選擇系統的成功之處,創新性提出采礦方法選擇輔助決策專家系統。

1 采礦方法選擇專家系統

1.1 專家系統簡介

專家系統是1970年代興起的一門計算應用科學,是以廣泛的人工領域專家知識為基礎,應用推理方法模擬領域專家思維與解決領域問題的過程的計算機程序,它同模式識別和智能機器人構成了人工智能科學的三大前沿領域。

一個成功的專家系統,應當是綜合吸收了本領域的理論知識和眾多領域專家的實踐經驗及解決實踐問題的策略,并且能夠模擬專家的求解思維過程去解決本領域的問題。專家系統不僅能使領域專家的知識與智能得以充分發揮,同時作為計算機程序的專家系統又具有不受人心理因素、地域因素、時間因素的影響,以及方便,靈活、準確、快速的優點。專家系統作為一種有效而實用的工具,為人類提供了保存、傳播、利用和評價領域專家知識和經驗的一種有效手段。

一個專家系統有兩個主要的組成部分:知識庫和推理機。圖1表示了知識庫、推理機與知識工程師(KE,KnowledgeEngineer)、領域專家(DE,Domain Expert)之間的關系。

圖1 專家系統基本結構

1.2 專家系統研究現狀

采礦方法選擇專家系統在采礦方法選擇中應用較廣泛,如采礦方法選擇專家系統、采礦方法選擇神經網絡專家系統、集成多屬性效用理論和專家系統的采礦方法選擇決策支持系統、基于問題原型的采礦方法選擇專家系統、層次分析決策方法、采礦方案的模糊優選、模糊集理論等。

采礦方法專家系統包含了采礦方法決策、分類知識和查詢模塊3大模塊,結構較完整、功能豐富。但此系統推理機判斷形式單一,在處理相互影響的參數時將力不從心;系統人機界面采用命令問答形式,不利于進行參數錄入、查看和修改。

采礦方法選擇神經網絡專家系統具備神經網絡所特有的智能程度高的特點,此系統不僅使專家系統具有處理復雜問題能力,同時也使專家系統具有自我學習、完善能力。但是,相對于基于規則等流行結構的專家系統,神經網絡專家系統結構十分復雜,其研發要困難很多。并且神經網絡專家系統結構復雜,開發時容易出錯,調試、維護困難。要使采礦方法選擇神經網絡專家系統能夠根據冗繁復雜的條件選出適合的采礦方法,需要投入大量的人力、物力和時間,限制開發與推廣。

多屬性效用理論應用于采礦方法選擇專家系統的成功之處在于把復雜的問題條理化、簡單化,這使得采礦方法專家系統的目的不再是一味的追求完全滿足的單一目標,而是通過將采礦方法選擇結果進行不同傾向性排序,提供決策支持。雖然多屬性效用理論給專家系統在采礦方法選擇的應用中的提供了一個新思路,但是礦山開采的傾向性會因礦體的開采、環境的改變而改變,如果僅靠傾向性排序而確定某個適合礦山開采的采礦方法是十分困難的。

從采礦方法(方案)選擇的相關參考文獻來看,神經網絡理論、多屬性效用理論、模糊數學理論多用于特定的礦體采礦方法選擇、分析、優化,并未形成普遍適用的專家系統,雖在相關文獻中有提及,但未見詳細描述或普遍推廣應用實例。

2 采礦方法選擇輔助決策專家系統

2.1 系統特點

綜合之前各種采礦方法專家系統的成功之處,提出采礦方法選擇專家系統設計新思路:不使用采礦方法專家系統去追求完全單一目標,而是通過對多個目標進行分析、計算、傾向性排序,決策者在排序結果中選擇滿足其傾向性的采礦方法。這樣不僅利用了計算機程序在大量數據上處理上的優勢,給決策者創造更大的選擇空間,也發揮人類在處理動態問題的優勢;不但降低了專家系統的研發難度,同樣也使得采礦方法選擇結果更加符合實際。

2.2 系統組成

采礦方法選擇輔助決策系統有6個模塊組成:采礦方法知識庫(MMKD,Mining Method Knowledge Database)、推理機(IE,In ference Engine)、解釋器(IP,Interpreter)、知識收集器(KC,Knowledge Collector)、知識查詢器(KQE,Knowledge Query Engineer),系統用戶界面(UI,User Inter face)。

采礦方法知識庫中主要存貯了采礦方法知識子庫和采礦方法選擇判斷規則子庫兩部分內容。采礦方法知識子庫內存儲了采礦方法分類、適用礦體參數、應用情況、技術經濟指標等數據,采礦方法選擇判斷規則子庫內存儲了采礦方法選擇判斷規則和響應的解釋記錄。

推理機的功能是模擬采礦專家選擇采礦方法的思維,通過調用采礦方法知識庫中的內容進行分析、傾向性排序。

解釋器用來解釋系統推理機做出判斷的依據,是實現系統透明性的主要部件。

知識查詢器主要用于采礦方法相關知識的查詢,如典型方案圖、實際應用情況、技術經濟指標等的查詢。

知識收集器有兩大主要功能:系統研發人員通過知識收集器對采礦方法知識庫內專家知識進行修改、優化、補充;用戶通過知識收集器提交應用回饋信息。

用戶通過用戶圖形界面與專家系統進行專家系統各項功能操作,以實現數據輸入、知識查詢、推理解釋等功能。

2.3 實現過程

2.3.1 系統實現過程

用戶通過UI輸入礦體賦存參數、技術經濟參數、開采特殊性要求等數據。IE調用用戶輸入的參數,結合采礦方法知識庫中的信息,按照推理規則推理。IP對推理過程中的各個步驟進行實時追蹤、記錄、解釋。在推理過程完畢之后,推理結果將存儲至MMKD,同時由UI進行輸出。用戶通過KC反饋使用信息,也能通過KQE查詢采礦方法具體應用實例。圖2為系統的結構與流程。

圖2 采礦方法選擇輔助決策系統結構與流程

2.3.2 采礦方法知識庫

采礦方法知識庫主要由礦山基本信息、礦山地質條件、礦床賦存要素、采礦方法名稱、礦床開采特殊要求及技術經濟指標等數據構成。其中采礦方法分類及命名屬于描述性知識,將采礦方法名稱類參數化后存儲,如CT_UP_FC_DZ表示“點柱上向分層充填法”。判斷規則以判斷語句形式存儲,解釋規則以文字描述形式存儲。

2.3.3 推理機實現過程

本系統主要采用正向推理方式,基本思想是從已知事實出發,應用產生式規則,經過逐步推理得出結論。本系統推理機由兩個模塊組成,第一個模塊是采礦方法初選,其功能是根據礦山地質條件、礦體賦存情況等自然因素,參照MMKD中的采礦方法,淘汰技術不可行的采礦方法;第二個模塊是傾向性分析,其功能是結合MMKD中類似礦山的技術經濟指標,將初選的采礦方法進行如傾向于額外安全考慮、最高礦石回收率、最快收益、最低開采成本、最高開采效率等方面的計算、分析、排序。從而實現給投資者提供采礦方法選擇傾向性建議。

2.3.4 解釋器實現過程

解釋器負責回答用戶提出的問題,解釋專家系統做出判斷的依據,是實現系統透明性的主要部件。解釋器有兩個部分組成:監視程序和解釋記錄。監視程序集成于推理機中,當推理機進行某步驟的推理需要進行解釋時,自動調用監視程序,監視程序調用相應的解釋記錄進行解釋。解釋記錄存儲在MMKD中,由問題編號和解釋內容構成。

3 總 結

本文通過對采礦方法選擇專家系統、神經網絡專家系統、集成多屬性效用理論和采礦方法選擇決策支持系統等進行研究,根據采礦方法選擇的特點,提出一個新的專家系統設計思維:專家系統最終的目的不是要選擇出能夠滿足決策者全部需求的單一采礦方法,而是通過對所有滿足礦山開采技術條件的采礦方法進行不同傾向性排序,給決策者提供決策參考,輔助其采礦方法選擇決策。這不僅大大減輕了專家系統的研發難度,同時也利用人腦根據實際進行動態決策采礦方法,使采礦方法的選擇結果更加準確、更加符合實際需求。

[1]蔣瑾瑜.關于采礦方法選擇的專家系統設想[J].有色冶金設計與研究,1998,19(2):17～200.

[2]婁富昌,等.地下金屬礦山采礦方法選擇及應用[J].世界礦業快報,1992,12:27～46.

[3]楊洪軍,等.基于問題原型的采礦方法選擇專家系統的研究[J].黃金,1997,18:19～22.

[4]王廣成,等.采礦方法選擇:集成多屬性效用理論和專家系統的決策支持系統[J].國外金屬礦山,1996,(1):24～27.

[5]馮 定.神經網絡專家系統[M].北京:科學出版社,2006:1～11.

[6]黃可鳴.專家系統[M].南京:東南大學出版社,1991.

2010-02-05)

劉曉亮(1984-),男,甘肅蘭州人,碩士,助理工程師,主要從事采礦工藝及礦山數字化研究工作,E-mail:lightlau@msn.com。