人工智能助力有色金屬工業轉型升級

袁小鋒，桂衛華，陳曉方，黃科科，陽春華

（中南大學，長沙 410083）

一、有色金屬工業現狀與面臨的挑戰

在黨的“十九大”報告中，習近平總書記號召加快建設制造強國，加快發展先進制造業，特別強調加快發展實體經濟，筑牢現代化經濟體系的堅實基礎。實體經濟是一國經濟的立身之本，是財富創造的根本源泉，是國家強盛的重要支柱。李克強總理在2018年政府工作報告中明確指出實施《中國制造2025》，推進工業強基、智能制造、綠色制造等重大工程。《中國制造2025》從國家層面確定了我國建設制造強國的總體戰略，推進智能制造是主攻方向[1]。有色金屬工業是我國實體經濟的基石，是實現制造強國的重要支撐，也是我國結構性改革和綠色發展的主戰場之一，其智能制造的發展尤為重要。

改革開放以來，經過技術引進、消化吸收和自主創新，我國有色金屬工業在裝備提升、工藝技術改進、產能結構調整、境外資源開發利用等方面取得了明顯成效。目前，我國已成為世界上品種最齊全、規模最龐大的有色金屬制造大國和消費大國，形成了較為完整的現代有色金屬工業體系。然而，我國整體上還不是有色金屬工業制造強國，仍面臨著綠色化與高效化發展的挑戰與問題，主要表現為：①優質資源枯竭，難冶資源比例大，生產裝備和工藝水平有待進一步改善；②廢水、廢氣和廢固排放體量大，能耗總量大，能效與環保有待進一步提高；③生產過程自動化程度不高，對操作人員依賴性大，生產控制優化有待進一步智能自動化；④企業生產、經營和管理缺乏快速和主動響應市場變化的敏捷決策機制，智能決策水平有待進一步提升。由此可知，資源、能源、效益和環境是制約我國有色金屬工業發展的主要瓶頸問題。我國有色金屬工業綠色化和高效化轉型升級已迫在眉睫。為此，智能制造是有色金屬工業綠色化、高效化轉型升級的必經之路。其中，以高效綜合利用復雜礦產資源的綠色選冶技術、實現生產過程的智能自主控制、提升企業經營決策的智能化水平，是我國有色金屬工業高效化和綠色化轉型升級的關鍵問題。

新一輪科技革命和產業變革與我國加快轉變經濟發展方式形成歷史性交匯，為有色金屬工業實施創新驅動發展戰略提供了重大機遇。新一代人工智能、大數據等現代信息技術和有色金屬工業的緊密結合，為我國有色金屬工業的轉型升級提供了重要技術保障。以人工智能驅動有色金屬工業綠色化和高效化轉型，實現智能化發展，對我國有色金屬工業智能制造具有重大意義。

二、人工智能助力有色金屬工業轉型升級案例

智能制造是由智能機器和人類專家共同組成的人機一體化智能系統，在制造過程中進行諸如分析、推理、判斷、構思和決策等智能活動，擴大、延伸和部分地取代人類專家在制造過程中的腦力勞動，已成為公認的提升制造業整體競爭力的核心高技術。有色冶金生產過程生產原料多變、工況復雜、生產工藝復雜且生產流程長，從綠色、高效和智能化生產的轉型升級要求出發，需要通過靈敏感知、精細操作、智能分析和敏捷決策來應對處理這些復雜變化和嚴苛要求。因此，人工智能技術在有色金屬工業綠色化、高效化和智能化的進程中發揮著重要作用，并取得了實際的應用和經濟效果。在此，以基于分布機器視覺的浮選過程智能化和冶煉企業原料采購決策知識自動化為例，分別從控制級和決策級闡述人工智能技術助力有色金屬工業優化升級的重要作用和意義。

（一）基于分布機器視覺的泡沫浮選過程智能化升級

選礦是礦產資源加工的一個重要環節，選礦水平高低直接影響礦物資源回收率和環保效益。泡沫浮選是一種主要的選礦方法，廣泛應用于鋼鐵、有色金屬、煤炭等工業部門。泡沫浮選是以一定的工藝路線，在礦漿中加入浮選藥劑，產生攜帶礦粒的穩定氣泡，通過收集含礦物質點的泡沫，從而提高被加工礦物品位的過程。由于泡沫浮選工藝流程長、礦源組分頻繁波動、工況多變、關鍵質量指標無法在線檢測等原因，其生產過程主要是依賴操作人員根據自身經驗對多工序多槽泡沫的視覺特征（大小分布、顏色、虛實等）進行綜合關聯分析，判斷浮選和工況狀態，完成多槽藥劑添加量、液位、流量、鼓風量等的協調操作，如圖1所示。然而，由于人的主觀性強、分析判斷誤差大、工作效率低等原因，很難及時應對原料的變化，造成工況不穩定、生產指標頻繁波動和精礦產品質量不穩定，從而導致藥劑消耗大、資源回收率低、環境污染嚴重等問題。

機器視覺作為人工智能的一個重要分支，已被廣泛用于國民經濟的各個行業。工業機器視覺系統通過圖像視頻攝取裝置，將目標轉換成圖像視頻信號，經過圖像視頻處理系統，抽取目標的特征，通過特征識別來指導和控制生產過程。因此，機器視覺具有能夠用機器代替人進行感知和認知的潛能，其具有處理速度快和精度高的特點，可以極大地提高生產的靈活性和自動化程度。并且，在高危和大批量重復性生產過程中，機器視覺具有比人工視覺更強的感知能力和更精確的識別能力。為了解決人工操作在浮選過程中的缺陷，通過引入機器視覺技術，利用分布機器視覺提取泡沫圖像敏感特征，達到生產過程金屬品位實時預測，浮選工況識別，浮選流程藥劑添加量協調優化控制，從而能夠有效應對礦源條件的頻繁變化，提高資源回收率，降低藥劑消耗和污染物排放，為實現浮選過程的智能化提供關鍵技術之一[2]。圖2給出了基于分布機器視覺的泡沫浮選生產過程工況智能識別與協調優化控制流程圖。

1. 浮選泡沫圖像敏感特征提取與關鍵指標預測

基于泡沫對藥劑變化的敏感性分析，可確定浮選過程中泡沫尺寸、紋理、流動速度、顏色、穩定度和承載率等敏感特征集，通過一定的特征描述方法，并融合泡沫圖像特征、機理模型和運行數據實現金屬品位預測（見圖3），從而能夠為浮選過程的工況識別、分析與協調控制提供一定依據 [3～5]。

圖1 基于人工的泡沫特征分析與操作

圖2 基于機器視覺的浮選過程工況智能識別與協調優化控制

2. 基于泡沫圖像特征的浮選過程工況識別

浮選過程工況和泡沫圖像具有較強的相關性，不同的工況產生不同的泡沫圖像特征，不同的泡沫圖像能夠反映不同的生產工況。針對機器視覺特征與工況之間的關系，可建立基于機器視覺特征的多工況智能識別方法，如基于泡沫視覺特征與工藝參數融合的浮選入礦類型識別、基于泡沫大小動態分布特征的加藥量健康狀態自學習識別；基于多尺度泡沫特征和嵌入先驗知識聚類的病態工況識別等 [6～8]。

3. 基于泡沫圖像敏感特征的浮選全流程智能協調優化控制

智能協調優化是基于不同工序泡沫圖像特征的分析和工況智能識別，確定每道工序最佳的泡沫圖像特征，并通過加藥量、風量等操作量的自動控制，確保工況穩定運行在最佳狀態，從而改變人工觀察泡沫、手動調節的工作方式[9～11]。圖4給出了基于泡沫圖像敏感特征的浮選全流程智能協調優化控制方案。

上述研究工作已應用于多家礦物浮選企業，實現了根據泡沫圖像自動識別、分析和控制工況的智能化操作，穩定了精礦品位，有效提升了選礦過程有價金屬回收率，取得了很好的社會和經濟效益。

圖3 浮選過程金屬品位智能預測建模

圖4 浮選全流程智能協調優化控制框架

（二）冶煉企業原料采購決策知識自動化

在現代有色金屬工業企業中，許多體力勞動已逐漸被機器所替代，企業的管理和控制主要依靠知識型工作者來完成，其核心是知識型工作。隨著企業規模的擴大和信息化技術的深化應用，知識型工作者無法勝任新信息環境和海量數據下的工作，人工操作、決策存在主觀性和不一致性，無法實現工業生產全流程的整體優化，知識的推廣、積累和傳承十分困難。知識型工作是對知識的利用和創造，其核心要求是完成復雜分析，精確判斷和創新決策的任務[12]。知識自動化主要是指知識型工作的自動化[13]。著名的McKinsey 全球研究院曾在其發布的名為《展望2025：決定未來經濟的12 大顛覆技術》的報告中，將知識型工作自動化 (automation of knowledge work) 列為第二大顛覆性技術[14]。因此，知識自動化在有色金屬工業中應用潛力大、前景廣闊。

本文以某鉛鋅冶煉企業原料采購決策為例，闡述知識自動化的重要意義。我國有色金屬冶煉企業在原料采購時往往面臨以下問題：原料資源來源廣（往往超過百家的供應商），成分復雜多變，品位、價格不一；企業生產規模大，對原料需求量大，原料采購占用企業大量資金；生產對原料有嚴格的質量要求（如金屬品位、雜質含量等）；由于生產的連續性要求企業有合理的庫存來應對各種不確定性因素；市場變化快，企業產品市場與原料市場存在脫節現象。

在以往的生產經營管理中，企業的原料采購主要憑借采購人員自身經驗進行決策，是一項典型的知識型工作。人工決策時要考慮采購目標、外部狀況、供應狀況、企業狀況，以及資金、庫存、供應商關系等復雜問題，并時常會因決策考慮不周全而給企業帶來損失。為此，在該鉛鋅冶煉企業構建如圖5所示的原料采購決策知識自動化系統。

圖5 企業原料采購決策知識自動化系統

決策過程中將從100多家礦山的原料采購決策問題分為兩步決策：首先根據配礦數據知識、配礦機理知識及原礦分類基準模型，將100多種礦源按質量分為若干類，以每類采購資金最小為目標，以滿足生產要求為約束，建立原料分類采購模型，依據分類采購決策模型以及市場知識、企業生產知識等決策每一類原料各自采購量。在實際的采購過程中，采購決策者還需要考慮同一種類型的精礦，可能由于地區和分承包方的不同而價格會有不同；各個分承包方履行合同的情況可能不同，有些分承包方的到貨量超過了合同量，有些則不能完成合同量；有些分承包方屬于經營性公司，每年提供的精礦品位可能不同。為此，第二步決策是對每一類的采購進行進一步優化，即在分類決策結果的基礎上根據基于知識分析的供應商評估結果和礦源信息建立的供應商采購模型，優化得到各供應商的采購計劃。兩步決策知識自動化系統采購方案借鑒了人工憑借知識進行采購決策的思路，不僅能夠簡化優化決策的計算量，而且一旦由于供應商原因導致某礦源供貨不足時，可以很容易從同大類礦源中找到替代供應商，從而避免人工決策的弊端，每年為企業節約數百萬至數千萬元的原料采購經費[15,16]。

上述兩個案例分別從控制層面和決策層面說明，人工智能技術能夠助力有色金屬生產智能制造，實現從傳統生產方式向綠色化、高效化和智能化生產方式的轉變。借助人工智能技術，建立具有智能感知、智能認知和智能控制的智能自主系統和具有智能協同的優化決策系統，是實現有色金屬全流程綠色高效化生產的必由之路。

三、有色金屬工業轉型升級對人工智能的挑戰

有色金屬工業高效化、綠色化轉型升級的主要途徑是生產過程智能化，其關鍵是通過人工智能技術實現生產過程的智能感知、認知和決策。

從人工智能技術發展史看，主要可以分為兩大流派，一類是以框架知識和語義網絡為代表的基于規則的方法，模仿人類認識處理對象的方法，自上而下地建立規則體系解決智能問題；另一類是以機器學習和神經網絡為代表的基于數據統計的方法，依托大規模數據集和強大計算能力進行學習，自下而上地通過訓練得到計算模型實現智能計算的目的。從IBM深藍到AlphaGo的成功說明了面向數據的人工智能具有強大的生命力，其決策是按照確定勝負規則，從精確信息中評估學習找出最優解，其適用對象一般仍然是封閉集合、完備規則和有限約束的問題，在互聯網、安保、金融等領域已經取得了重要的應用。由于有色金屬工業的復雜性和大規模性，其智能化轉型升級對人工智能技術提出了更高的挑戰。

有色金屬生產過程智能化面臨的問題主要在于：①需要面對開放受擾、不確定的動態生產環境，多時空尺度和不完備數據集進行全局工況態勢感知和認知；②生產情境難以表征，生產控制和決策對應的復雜信息難以計算，需要學習處理沖突不完備小樣本數據中包含的碎片化隱性知識；③過程機理復雜，無法精確建模，多工序關聯耦合，協同操作優化難度大；④影響決策的各種要素存在定義不清晰、尺度不一致和多目標沖突等問題，分層跨域敏捷決策困難。由此可知，有色金屬工業生產并不滿足封閉集合、完備規則和有限約束等現有前提，其智能化對人工智能具有更大的挑戰性。要實現有色金屬生產過程的智能化，應當把自上而下的規則和自下而上的數據兩類資源在有色金屬工業生產過程的人機物信息物理空間中有效融合起來，從有色金屬制造環境的智能感知、人機物系統協同的智能自主控制以及動態智能優化決策等方面實現有色金屬工業智能化。主要科學問題包括：

（1）復雜過程動態建模和工況動態感知。①具有復雜機理的生產過程動態建模、虛擬仿真與可視化；②復雜環境下物料成分、特殊生產參數快速檢測技術；③多源異構多模態動態數據特征表示與提取；④大數據與機理知識相結合的運行工況動態感知。

（2）動態特性認知和知識發現。①多時空動態數據時序因果關聯的深度學習；②大數據環境下生產過程知識發現與高效獲取；③知識關聯建模與自學習方法；④生產過程多源知識的融合與遷移學習。

（3）大數據環境下知識驅動的多目標動態決策。①大數據與知識驅動的多尺度、多沖突目標動態協同決策理論；②高動態性能的智能自主控制方法；③生產全流程動態性能評估與智能調整方法。

（4）信息物理系統融合與協同。①人機物系統自主協同控制與智能優化；②信息物理系統的防御與安全；③不確定、開放環境下的人機合作決策與互學習。

四、結語

目前，我國有色金屬工業在生產裝置與工藝技術等方面與世界先進水平相比，正處于從大到強的關鍵時期，迫切需要通過生產全流程的智能化實現綠色高效生產，人工智能技術與有色金屬工業的深度融合，可為有色金屬工業轉型升級提供強有力的支撐，把我國建成具有技術引領能力的有色金屬工業強國，同時也可促進人工智能技術的進一步發展，實現工業文明與生態文明的協同發展。