人工智能背景下采礦系統工程發展現狀與展望

顧清華 江 松 李學現 盧才武 陳 露

(1.西安建筑科技大學資源工程學院,陜西 西安 710055;2.西安市智慧工業感知計算與決策重點實驗室,陜西 西安 710055;3.西安建筑科技大學管理學院,陜西 西安 710055)

采礦系統工程是由1961年在美國召開的“計算 機與運籌學在礦業中的應用”(Applications of Com-puters and Operations Research in Mineral Industries,APCOM)會議的基礎上發展而來的一門學科,主要研究對象是系統工程在采礦工程中的具體應用[1]。我國采礦系統工程的研究起步相比于美國要晚,但是在20世紀70年代以后迅速發展壯大[2],與采礦系統工程密切相關的全國性礦業系統工程會議每隔2a舉辦1次,至今已經舉辦了15屆。經過60多年的發展,采礦系統工程領域的研究及成果已經深入到礦山開采的各個方面,并保持著蓬勃的生命力。

進入21世紀以來,運籌學在礦業系統工程中的應用趨于成熟,數字礦山建設中采礦生產運作系統和采礦管理信息系統的研究及應用成為這一時期的重點工作,使用人工智能技術、物聯網、自動化技術解決礦業中的實際問題也受到大量的關注和研究,并且成為當下智能采礦發展的重要基礎。最近一次APCOM會議于2019年在波蘭弗羅茨瓦夫召開,其主題為“Mining Goes Digital”,主要議題為地質統計學應用、資源儲量估算、礦山戰略規劃、機器人技術、設備自動化、自主導航定位及礦業數字化轉型等創新性IT技術內容,并提出在未來的一段時間內,人工智能技術在采礦中的應用將作為持續研究的熱點。我國采礦系統工程領域的會議中,最近的一次為2019年11月在西安舉辦的“第十五屆全國礦業系統工程學術會議暨首屆智能采礦學科建設高峰論壇”,會議主題聚焦于智能礦山、智能生產、智能決策等礦業前沿問題。

近年來,隨著大數據、人工智能技術、物聯網等新一代信息技術的不斷發展以及智能礦山建設的不斷推進,采礦系統工程學科迎來了蓬勃發展的歷史階段。以多目標智能優化算法、機器學習算法為代表的新一代人工智能技術為采礦行業帶來了巨大的變革。從礦山的中長期戰略規劃到短期生產計劃,礦石的鏟—裝—運—卸等各個采礦環節都無一不體現著采礦系統工程所帶來的優勢。隨著《新一代人工智能發展規劃》《智能礦山建設規范》《有色金屬行業智能礦山建設指南(試行)》等國家發展戰略和行業標準的實施,人工智能背景下的采礦系統工程將如何進一步發展,礦山開采方法及工藝、技術及裝備等將產生何種變化,將是下一個10a或20a的重要議題。本研究通過系統梳理人工智能技術在采礦系統工程中的發展現狀,對采礦系統工程學科的未來發展方向進行展望。

1 采礦系統工程簡述

采礦系統工程可定義為從系統的觀點出發,用定性與定量相結合的方法,根據經濟、技術、社會因素對采礦系統的規劃、設計、建設和生產環節進行優化分析或評價。采礦系統工程離不開現代數學方法與計算機技術,因此又稱為計算機在采礦中的應用、計算機和運籌學在采礦中的應用,或計算機和數學方法在采礦中的應用[3]。采礦系統工程的內涵主要包含3個層面:①采礦系統工程是面向采礦系統的分析、優化及評價;②采礦系統工程主要使用系統工程中的系統分析、優化及控制方法,如最優化控制、數學建模與優化、運籌學等;③采礦系統工程用到的技術主要有計算機技術及與之密切相關的其他信息技術。

1.1 采礦系統工程基本理論及常用方法

傳統意義上的采礦系統工程基本理論及常用方法主要包含運籌學諸學科分支、應用數學若干學科分支和計算機技術[1,4-6]。當前采礦系統工程的理論方法隨著相關學科理論基礎的發展和應用范圍的擴充不斷豐富,其基本理論及常用方法如圖1所示。

圖1 采礦系統工程基本理論及常用方法Fig.1 Basic theories and methods of mining system engineering

1.2 采礦系統工程研究內容

當前采礦系統工程的研究內容涵蓋了礦山開發的各個階段,主要包括以下方面:

(1)礦床模型及測量。主要研究方向有礦產資源遠景預測、區域資源評價與分析、鉆探作業優化、礦床儲量估計、礦床模型構建、礦床地質條件評價、露天礦山地表測繪等。

(2)礦山開采設計及規劃。如礦山開采方法選擇、采礦工藝設計及優化、采礦設備選型與配置、開采境界圈定、露天礦大型設施選址規劃、礦井及采區設計、礦山中長期生產計劃、礦山短期生產計劃等。

(3)礦山建設項目管理及評價。如新建或改擴建礦山項目投資決策及評價、礦山建設項目過程優化、礦山全生命周期管理及優化等。

(4)礦山生產工藝及作業系統。如采場工作面分析及智能化系統、地下礦山運輸及提升系統、礦井通風排水系統、露天礦生產配礦、卡車調度系統、礦山生產監控系統等。

(5)礦山安全生產管理。如采場礦壓及其控制、露天邊坡監測及穩定性分析、回采巷道布置及支護、排土場及尾礦壩監測、人員設備定位及安全管理、采空區探測及處理等。

(6)其他方面。如自動化鉆孔、爆破設計、生態環境修復、礦山經營管理、大型作業設備故障診斷等。

以上各個方面的研究在人工智能技術發展、智能礦山建設的背景下,逐步向智能化階段發展,表1重點梳理了當前采礦系統工程的研究內容與采用的人工智能理論方法之間的對應關系,其中“√”表示對應的研究內容中曾經采用過相應的理論方法來解決相關問題。

由表1可知:在當前人工智能技術發展的背景下,神經網絡、支持向量機以及遺傳算法是采礦系統工程中應用最為廣泛的3種方法。神經網絡具有復雜的非線性處理能力,能夠有效解決分類和回歸等問題,特別是在求解高維非線性問題時體現出較強的優勢;支持向量機具有特殊的分類機制,通過引入核函數可將數據映射到高維空間,具有良好的分類效果,在解決邊坡位移監測、采場壓力與頂板控制等數據難以獲取的小樣本問題時,能夠達到較高的預測精度;遺傳算法是一類最為典型的進化算法,具有較強的靈活性和適用性,可以解決大規模數學優化問題,特別是在有限的時間和資源限制下,當傳統的精確算法不能求解到問題的最優解時,進化算法可以提供滿意的解決方案。另外,除了機器學習、進化算法等方法以外,粗糙集、證據理論等不確定性研究方法也得到了一定程度的應用。

表1 采礦系統工程主要研究內容與人工智能方法的對應關系Table 1 Corresponding relationship between the main study contents of mining system engineering and artificial intelligence methods

2 人工智能技術在采礦系統工程中的應用及發展

在采礦系統工程中,人工智能技術的應用離不開其自身的發展。為詳細分析人工智能技術在采礦系統工程中的應用及發展脈絡,本研究以 “人工智能(Artificial Intelligence)”“專家系統(Expert Systems)”“神經網絡(Neural Network)”“機器學習(Machine Learning)”“深度學習(Deep Learning)”“進化算法(Evolutionary Algorithms)”等為關鍵詞在 Google Ngram中進行了檢索,結果如圖2所示。分析可知:2010年以前人工智能技術的發展趨勢與專家系統、神經網絡和演化算法一致,新一代人工智能技術的發展趨勢與機器學習、神經網絡、深度學習等算法一致。

圖2 人工智能技術及密切相關方法的歷史發展趨勢Fig.2 Historical development trend of artificial intelligence technology and closely related methods

此外,本研究利用VOSviewer軟件對采礦系統工程領域近30a(1989—2020年)來的相關文獻進行了可視化分析,相關數據來源于中國知網。通過將參考文獻的關鍵詞進行共現,并按照年份用不同顏色進行了標注,結果如圖3所示。從圖3中可以發現,采礦系統工程方法的發展變化可大致分為3個階段:第1階段是2000年以前,該階段主要采用知識庫、專家系統、決策系統等技術手段解決采礦工程中遇到的問題,對應著人工智能技術發展的早期階段;第2階段是2000—2010年,這一階段以人工神經網絡以及遺傳算法、粒子群算法等各種智能優化算法的應用為主要研究方向;第3階段是2010年以后,機器學習算法成為主要研究方向,多目標優化算法、支持向量機、隨機森林、卷積神經網絡等方法更多地被廣大學者關注。因此,本節對專家系統、神經網絡以及進化算法為代表的人工智能技術在采礦系統工程中的應用與發展進行分析。

圖3 關鍵詞共現網絡圖Fig.3 Co-occurrence network diagram of keywords

2.1 專家系統

專家系統是一類擁有大量專業知識和經驗,通過借助一定的邏輯推理,仿照人類專家解決專業問題的計算機程序系統,包含了人機交互界面、知識庫、推理機、知識獲取接口、解釋器接口和綜合數據庫等,其中知識庫和推理機是專家系統的核心。由于專家系統在解決某一領域復雜問題時具有邏輯推理性強、效率高的優勢,自20世紀70年代末以來在采礦系統工程中得到了大量研究與應用,尤其在采礦方法優選、礦山巖體邊坡工程、礦山水文地質分析以及設備選型等方面得到了廣泛應用[1]。20世紀90年代,BP神經網絡被引入到專家系統中。通過建立BP神經網絡進行知識庫中的知識獲取和更新,進一步拓展了專家系統在采礦系統工程中的應用范圍。

專家系統在采礦系統工程后續的研究與發展過程中取得了顯著進展,主要體現在:①在知識庫構建上,不僅通過專家經驗和既有知識,還采用神經網絡將學習的知識納入知識庫中;②在推理機制上,通過使用模糊的方法使得推理機制更加靈活;③在系統構建和開發上,向大系統、功能齊全、綜合靈活應用的方向不斷發展。然而,由于專家系統過多依賴于專家知識庫的構建與更新,推理機制上缺乏更為靈活的機制和自主學習能力,應用上僅注重于既有知識的應用,因此在后續發展過程中仍然受到較大限制。目前,在采礦系統工程研究中,專家系統很少被單獨提及,更多的是作為采礦領域信息系統中決策支持系統的一部分進行不斷地發展。

2.2 神經網絡

神經網絡采用類神經元的信息傳遞及學習機制模擬人腦處理過程,是人工智能技術發展中聯接主義智能實現的重要方法和典范。它是一種黑箱優化模型,具有自組織、自適應、自學習的特點,目前在模式識別、自動控制、圖像處理、價格預測等方面得到了廣泛應用。BP神經網絡是一種最具代表性的人工神經網絡,在采礦工程中應用廣泛,涉及的主要研究方向有采礦方法優選、巷道支護方案優選、巖爆及爆破效果預測、卡車燃料消耗預測、設備故障診斷、邊坡穩定性分析等。上述成果與BP神經網絡出色的非線性學習能力有機結合,為采礦工程中存在的復雜非線性問題提供了新的解決思路和方法。如果將專家系統在采礦系統工程中的研究與應用歸納為“人工智能技術對人類采礦既有知識的運用”,則神經網絡在采礦系統工程中的研究與應用可歸納為“人工智能技術對采礦領域知識的發現”,這種改變是人工智能技術在采礦系統工程中發展的一大飛躍。

然而,這一時期的研究主要集中于神經網絡學習樣本構建和網絡學習能力提升方面,如對問題數據集表示、問題指標選取以及網絡參數調節與優化等,鮮有研究對神經網絡學習和發現的知識(規律)進行進一步解析,探究網絡發現的知識背后的原理。此外在實際應用過程中,神經網絡與專家系統相比,前者僅適用于小系統或者系統中的某一方面,如可構建一個采礦全作業流程的采礦領域專家系統,但是無法構建一個全作業流程通用的神經網絡模型。

2.3 進化算法

進化算法是受自然進化啟發并模擬這一現象構建的一類啟發式優化算法,按照自然界某種現象進行假設,然后模擬該現象的發展、進化構建出進化機制,進而使用該進化機制在算法的迭代過程中實現某一問題的優化目標。與傳統的數學優化算法相比,進化算法由于沒有嚴格的數學理論推導以及對所求解的問題數學性質要求不高,從而得到了廣泛應用[7-8]。目前在采礦系統工程領域應用最廣泛的主要有遺傳算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization,PSO)、蟻群算法(Ant Colony Optimization,ACO)等多種群智能算法。主要研究與應用方向有露天礦開采境界確定[9]、采礦方法及設備選擇[10]、礦區儲量計算[11]、生產計劃編制[12]、配礦計劃優化[13-17]、運輸路徑及調度優化[18-25]、礦石品位估計與優化[26]、地下礦山巷道布置與支護[27]、邊坡穩定性分析[28]、巖爆預測[29]等方面。

相比于傳統的精確算法,啟發式算法具有求解速度快、問題限制條件少等優點。但是啟發式算法具有一些固有的不足,如容易陷入局部最優值,學者們常常嘗試采用各種方法及策略對其進行改進,以期取得更精確的優化結果。此外,進化算法在采礦工程優化應用過程中,常常需要對原有問題進行轉換,這也是限制其實際應用的一個重要因素。盡管進化算法在實際應用中存在著上述不足,但是隨著實際問題越來越復雜,傳統的運籌學方法無法在有限的時間段內求得問題最優解,進化算法則可以得到滿足實際生產要求的滿意解,因此此類方法在采礦系統工程中仍然具有廣闊的應用前景。

3 采礦系統工程中新一代人工智能技術的研究進展

新一代人工智能指的是在近10a發展迅速的人工智能技術,其主要新特征為深度學習、跨界融合、人機協同、群智開放、自主操控等,標志性的研究成果為2006年HINTON提出的PCA數據降維和神經網絡逐層預訓練方法[30],以及于2009年構建的深度神經網絡模型[31]。目前,新一代人工智能技術的核心方法包括深度神經網絡(Deep Neural Networks,DNN)、支持向量機(Support Vector Machine,SVM)、決策樹(Decision Tree,DT)、隨機森林(Random Forest,RF)等機器學習方法和多目標優化進化算法(Multi-objective Optimization Evolutionary Algorithms,MOEAs)等,常被用于數據分析及預測、智能控制和智能優化等方面,在智能采礦領域中發揮著越來越重要的作用。

3.1 新一代人工智能方法

3.1.1 深度神經網絡

深度神經網絡即為含多隱含層的神經網絡,是深度學習的主要內容。深度神經網絡在訓練過程中由于參數較多,需要大量的訓練樣本來防止網絡過擬合。在采礦系統工程中,由于目前視覺類數據相對于其他的數據更容易獲取,因此應用較多的為卷積神經網絡(Convolutional Neural Networks,CNN)。如通過采集露天礦采場圖像信息,可利用CNN網絡對露天礦道路網進行精確提取,基本原理如圖4所示。原始道路圖像的特征信息經過卷積層、隱含層、池化層等多層神經網絡傳遞處理后,可精確提取到道路網的基本骨架。

圖4 基于CNN網絡的露天礦道路特征提取原理Fig.4 Principle of road feature extraction in open-pit mine based on CNN network

3.1.2 支持向量機

支持向量機(Support Vector Machine,SVM)是一種基于小樣本數據的分類和預測技術,屬于機器學習中的監督學習。SVM的基本理論是尋找一個魯棒的超平面將線性可分的數據分開,具有支持向量、超平面這兩個重要的概念。圖5表示的是2維空間內數據線性可分的情況。然而在實際中,大量的數據為非線性特征數據,需要引入核函數將其映射至更高維的空間中,使其變得線性可分。數據通過核函數映射到高維空間變得線性可分的過程如圖6所示。圖6左圖表示低維空間,右圖表示映射之后的高維空間。SVM常用于分類和預測問題,在采礦領域中的應用主要涉及成礦預測、邊坡位移監測、卡車行程時間預測等方面。

圖5 支持向量與超平面示意Fig.5 Schematic of support vector and hyperplane

圖6 特征空間映射示意Fig.6 Schematic of feature space mapping

3.1.3 決策樹與隨機森林

決策樹是基于樹結構進行決策的機器學習方法,具有一個根節點、若干內部節點、若干葉節點[32],基本原理如圖7(a)所示。以數據分類為例,決策樹的葉節點對應著待分類數據的決策結果,即數據中的某一類別,其他節點對應著數據的某一或某些屬性。決策樹學習過程中,為了對數據的屬性進行最優化劃分,常用信息熵來衡量數據的類別。為了防止對樣本集學習的過擬合,采用“預剪枝”或“后剪枝”的處理方式使其具有更好的泛化性能。隨機森林是以Bagging集成學習方式為基礎,將多個決策樹進行集成的集成學習方法,是集成學習的代表方法之一,基本原理如圖7(b)所示。

圖7 決策樹與隨機森林原理示意Fig.7 Schematic of the principle decision tree and random forest

3.1.4 多目標優化算法

在實際生產決策中,經常會遇到多個目標相互沖突的求解問題,比如如何在成本投入最低的同時取得最大的收益。多目標優化問題是指一個優化問題存在多個優化目標,且這多個優化目標是相互沖突的,或者存在無法比較的情況。如一個解在某個目標上是最優的,但是在其他目標上可能是比較差的。多目標優化算法正是在這樣的背景下提出來的一類智能優化算法。近幾年隨著研究問題的復雜化,多目標算法在采礦系統工程中逐漸顯現出獨特的優勢。在采礦生產中應用較多的幾類多目標算法主要有快速非支配排序遺傳算法(Non-dominated Sorting Genetic Algorithm Ⅱ,NSGA-Ⅱ)、多目標粒子群算法(Multi-objective Particle Swarm Optimization,MOPSO)等。本研究對多目標優化算法中涉及的一些基本概念進行詳細分析。

(1)Pareto支配關系。Pareto支配關系定義的是種群中兩兩個體之間的比較關系,主要用于種群適應度排序從而選擇非支配個體。對于存在多個目標值的自變量x1和x2,如果任意一個目標函數都存在f( x1)

(2)Pareto最優解和最優解集。當優化問題有多個目標時,不同目標之間會存在沖突和無法比較的現象。在改進任何目標函數的同時,必然會削弱其他目標函數的值。這種無法在改進任何目標函數的同時不削弱至少一個其他目標函數的解稱作Pareto最優解或非支配解。由一組兩兩互不支配的Pareto最優解所組成的解集被稱為Pareto最優解集。

3.1.4.1 多目標遺傳算法

DEB等于1995年提出的非支配排序遺傳算法(Non-dominated Sorting Genetic Algorithm,NSGA)是一種經典的基于Pareto支配關系的多目標遺傳算法[33]。NSGA算法是以遺傳算法為基礎并根據非支配排序的思想進行設計的。其基本思想是在種群進化的過程中對個體進行適應度排序,通過適應度分層找出所有的非支配個體,最終得到一組互不支配的滿意解。該算法在選擇操作執行之前對種群中的個體進行支配關系分層,其選擇、交叉和變異操作與基本遺傳算法相同。NSGA算法在很多問題上得到了應用,但是也存在一些不足,如計算復雜度較高、缺乏最優個體保留機制等。對此,DEB等在2000年提出了快速非支配排序遺傳算法NSGA-Ⅱ[34]。相比于NSGA算法,NSGA-Ⅱ算法主要有3點改進:①提出了新的基于分級的快速非支配排序方法,降低了問題求解的復雜度;②提出了“擁擠距離”的概念代替了原有的適應度共享方法;③引入了精英保留機制,有利于保持種群最優個體。

3.1.4.2 多目標粒子群算法

粒子群算法(Particle Swarm Optimization,PSO)是由KENNEDY和EBERHART于1995年提出的一種智能優化算法[35],通過將鳥類覓食行為抽象成數學模型對優化問題進行求解。種群中的每個個體看作是問題的解,通過全局歷史經驗和個體歷史經驗進行個體的位置更新,經過多次迭代最終求得問題的最優解。為了求解多目標優化問題,COELLO等[36]在2002年提出了多目標粒子群算法(Multiple Objective Particle Swarm Optimization,MOPSO),利用粒子群算法快速收斂的優勢對多目標優化問題進行求解。與PSO算法相比,MOPSO算法在全局極值和個體極值選擇上進行了改進,并對速度和位置更新公式進行了優化。MOPSO算法有兩點創新之處:①引入自適應網格機制來保存外部檔案,當外部檔案中的個體數目超過設定的閾值時,將這些個體的目標函數空間進行均勻劃分,通過選擇密度較小的個體提高最優個體被選中的概率;②為了提高種群的多樣性,MOPSO算法采用變異策略對粒子分布的區域進行變異。

3.2 研究及應用進展

近年來,以機器學習、多目標優化算法等為代表的新一代人工智能技術在采礦系統工程中發揮著越來越重要的作用。以下重點從生產作業優化、爆破預測與礦巖識別、安全生產監測以及礦石價格預測4個方面系統分析新一代人工智能技術在采礦系統工程中的應用進展。

3.2.1 生產作業優化

3.2.1.1 生產計劃多目標優化

采礦生產計劃包括中長期生產計劃和短期配礦計劃。中長期生產計劃優化的目標是確定每年的采剝量、采剝位置和礦山總的服務年限[37],并為短期作業計劃編制提供指導。配礦就是在長期生產計劃指導下,按照一定比例將不同品位的礦石進行搭配、混勻,使其滿足礦山礦石產品質量要求[38]。考慮到較多的決策變量和約束條件,采用一般的方法難以解決生產計劃優化問題。早期的生產計劃優化主要采用整數規劃、動態規劃等數學規劃方法進行求解,但是由于模型中存在較多的變量和約束條件使得這些方法的應用受到一定限制。啟發式算法由于具有計算的并行性,能在有限的時間段內得到問題的滿意解,可以很好地解決大規模生產計劃問題。當前比較有代表性的有遺傳算法、粒子群算法、免疫克隆算法、灰狼算法等。

隨著礦山生產要求的多樣化和復雜化,考慮到礦山企業進行多礦種綜合利用和精細化開采的實際需求,單一目標的優化技術已經不能滿足要求。多目標優化技術可以在多個相互沖突的目標中得到一組滿足實際生產需求的方案,以供礦山管理人員在不同情況下進行最優決策。因此,針對多目標優化技術的研究就變得十分必要。最近幾年有部分學者嘗試將生產計劃問題建立為多目標優化模型進行了研究[39-43]。在中長期生產計劃中考慮的主要因素有開采塊體的凈現值、運輸成本等,而在短期的配礦計劃中考慮較多的優化目標主要有采掘運輸成本、配礦品位偏差、卡車運輸能耗、礦石巖性配比等方面。

采礦生產計劃優化的代表性研究主要有:劉定一等[39]以凈現值、品位和金屬量為目標建立多目標規劃模型,對地下礦山中長期計劃進行了編制;李志國等[40]構建了磷礦堆場多目標優化配礦模型,采用改進的多目標遺傳算法對模型進行求解,取得了較常規優化方案更高的資源利用率;顧清華等[17]考慮運輸中的能耗問題,構建了以運輸功和配礦品位偏差最小為目標函數的多目標短期配礦模型,并采用自適應粒子群算法對模型進行了求解;FOROUGHI等[41]采用NSGA-Ⅱ算法對地下礦山采場布局設計和生產計劃問題進行了相關研究。另外,東北大學王訓洪等[42]和顧曉薇等[43]分別從經濟利潤和資源利效率角度研究了多目標生產優化問題。現有研究表明:利用多目標優化技術得到的生產計劃更加符合礦山的實際需求,在降低生產成本的同時可以提高多礦種伴生資源的利用率。但是,目前與此相關的研究仍略顯不足。比如,如何有效處理模型中大規模的變量和復雜的約束條件,以及如何設計與采礦優化問題相適應的多目標優化技術等仍有待進一步研究。

3.2.1.2 運輸系統多目標優化

礦石運輸是采礦生產過程中的關鍵環節。在露天礦運輸系統中涉及了非常多的工藝流程,如卡車電鏟配置、最優路徑選擇、車流規劃、實時調度等。由于各作業流程之間相互影響,只針對單一環節的優化并不能使得系統整體達到最優狀態,因此,運輸系統優化是一個復雜的系統工程。近幾年的相關研究表明,運輸系統優化問題已經從追求單一目標的最優化逐漸轉向多個目標之間的權衡;考慮的優化目標從單一的運輸成本最小化,發展到現在的綜合考慮經濟效益、資源效率以及設備利用率最大化等多個方面。如在卡車調度優化中,采用多目標優化技術得到的調度方案可同時使得卡車運費最低和等待時間最短;在運輸設備路線規劃中,以運輸距離最短、運輸消耗最小等為目標的最佳路線可更好地滿足礦山實際需求。

運輸系統優化的代表性研究主要有:譚期仁等[44]對井下電機車的路線選擇問題進行了研究,以總運輸量和總運輸距離為目標建立了多目標優化模型,并采用NSGA-Ⅱ算法進行了求解;秦玉鑫等[45]提出了一種改進的標號修正算法用于解決煤礦災害探測機器人的多目標路徑規劃問題;ALEXANDRE等[46]分別采用NSGA-Ⅱ、SPEA2算法和一種 Pareto迭代局部搜索算法對露天礦卡車配置問題進行了相關研究;張明等[47]、章賽等[48]分別采用多目標遺傳算法研究了露天礦卡車調度問題,在獲得最優運輸方案的同時實現了運輸成本的最小化和卡車利用效率的最大化。通過以上研究發現,多目標優化算法已經在井下電機車路徑規劃、露天礦卡車配置、多目標卡車調度等多個方面進行了應用,并取得了良好的求解效果。相比于傳統的數學規劃和單目標優化算法,多目標優化算法可以在多個可選方案之間進行權衡,從而為礦山管理者提供更加科學全面的決策依據。但是在實際應用過程中,如何有效構建精確的多目標數學模型是求解問題的關鍵。另外,如何處理模型中復雜的約束條件也是需要重點關注的方向。

3.2.1.3 設備故障智能診斷

由于采礦生產需要很多大型機械設備,對設備的運行狀態進行有效監測,保障生產設備正常運轉是實現經濟高效生產的關鍵。在設備故障診斷研究中,以往主要采用專家系統、故障樹分析等技術進行檢測,但是隨著故障難度和復雜度不斷加大,這些技術在某些方面已經不能有效滿足實際工作需求。相比之下,機器學習技術可從設備歷史運行數據中提取關鍵特征并進行學習訓練,從而進行故障的精準判斷。比較有代表性的有支持向量機(SVM)、決策樹(DT)、隨機森林(RF)等算法和深度學習技術。

(1)支持向量機。SVM算法可有效針對小樣本、非線性的數據進行分類,非常適合故障診斷類問題的預測。目前利用SVM算法進行故障診斷的研究主要有礦井通風系統故障診斷[49-51],以及礦用電機[52]、變壓器[53-54]、液壓系統[55]、車輛變速箱[56]等設備的故障診斷。但是SVM算法的參數優化是一個難點,為了提高SVM的故障診斷效果,近年來學者們分別采用網格搜索法[51]、布谷鳥算法[54]、粒子群算法[55]等多種優化算法進行了SVM算法參數優化,優化后的算法預測精度優于經典SVM算法。

(2)決策樹與隨機森林。利用多個決策樹模型所組合的隨機森林是一種集成模型,可根據不同的數據類型進行結構改變,從而有效處理大規模的數據分類問題。近年來利用決策樹進行故障診斷的相關研究主要有:劉濤等[57]提出了一種基于C4.5決策樹的礦用提升機故障預警系統,通過參數優化和數據預處理來提高模型的預測精度;為提高煤礦井下供電系統的可靠性,劉艷麗等[58]建立了基于隨機森林算法的串聯型故障電弧診斷模型,試驗結果證明該方法有效提高了故障預測精度。

(3)深度學習技術。在設備故障預警研究中,有學者引入了深度學習中的機器視覺技術用于機械設備故障預警和運行狀態監測。如針對礦用皮帶運輸機的運行狀態,現有技術主要采用光電傳感器、壓力傳感器等各類傳感器進行監測,但是由于傳感設備穩定性差等問題可能會導致監測效果不理想,而利用基于深度學習技術的設備生產實時監測有助于實現故障提前預警。這方面也有學者進行了研究,頊熙亮[59]提出了一種基于機器視覺的新型智能檢測系統,該系統采用相機和光源來監控皮帶輸送機事故,實現了設備故障的提前預警;為了對皮帶跑偏和灑料情況進行實時監測,滕悅等[60]設計了一種基于圖像處理技術的皮帶跑偏監測系統,有助于實現事故的及時預警。

綜上分析可知,支持向量機、決策樹等機器學習算法在設備故障診斷方面發揮著越來越重要的作用。但是現有研究大多針對特定故障類型所建立的診斷模型,任何一種模型的預測精度都受到歷史數據準確性和模型參數取值的影響。因此,如何建立可以預測多種故障類型的診斷模型,以及如何提高模型的適用性和泛化能力仍有待進一步研究。

3.2.2 爆破預測與礦巖識別

3.2.2.1 爆破效果智能預測

爆破效果預測可為選擇合理的爆破參數、提高爆破效果提供科學依據。以往的預測技術大多基于統計學手段,只有保證樣本量足夠大的前提下才能獲得較理想的預測效果。但由于成本、風險等因素導致實踐中無法大量采集數據,使得爆破預測可獲得的樣本數據較少,致使預測效果不理想。因此,爆破預測屬于小樣本數據條件下的回歸問題。現有的爆破預測技術主要有BP神經網絡[61-62]、RBF神經網絡[63]、小波神經網絡[64]、SVM算法[65-67]等。神經網絡由于需要大量的樣本數據才能保證預測的準確率,所以應用范圍受到一定限制。SVM算法在解決小樣本、非線性以及高維問題時具有優勢,非常適合解決爆破效果預測問題,但SVM中核函數和超參數的確定對于預測效果有著很大影響,因此許多學者利用多種算法對其進行了優化。劉希亮等[65]通過分析礦區拋擲爆破效果的主要影響因素,采用平均影響值對各因素的影響程度進行了評定,并建立了基于遺傳算法優化的支持向量機模型GA-SVM進行爆破效果預測。GASVM與BP、RBF等神經網絡相比具有更好的魯棒性和預測精度。江國華[66]采用高斯徑向基核函數的SVM算法建立了臺階爆破預測模型RBF-SVM,預測結果的平均相對誤差僅為3.03%,證明了模型的可靠性。另外,岳中文等[67]和林春平[68]分別利用粒子群算法和果蠅優化算法對SVM算法參數進行了尋優。根據上述研究可知,大量學者從參數優化角度出發對SVM算法進行了改進,如何提高SVM算法的問題適用性和魯棒性仍然是今后需要重點關注的方向。

3.2.2.2 礦巖智能識別

礦石開采后經過的第一道工序是將礦石與廢石進行分離,分離的準確度直接影響到資源的回收和利用水平。以往的選礦技術都是基于人工控制手段,選礦精度和效率都比較低。當前基于深度學習的圖像識別技術的快速發展,為實現高精度的自動化選礦作業提供了技術支撐。近年來代表性研究的有:徐校竹[69]利用卷積神經網絡對礦巖數字圖像進行深度學習訓練,建立了礦巖識別的深度學習模型;王李管等[70]利用卷積神經網絡對黑鎢礦石及其圍巖廢石進行了識別分析,識別精度優于97%。礦石的粒度分析同樣是選礦作業環節的關鍵性問題,通常選礦廠采用篩分方式進行處理,但是效率較低。近年來,有學者將圖像識別技術引入到礦石粒度檢測中,提高了礦石粒度檢測水平。如盧才武等[71]針對圖像處理技術在細粒度礦石分級測定時存在的精度不足問題,提出了一種基于深度圖像分析的分級測定方法;馬連銘等[72]對比了多種圖像處理技術的礦石粒度分析效果,并總結評價了各種方法的性能。以上研究圍繞基于圖像識別技術的礦巖識別方法進行了初步探索,但是大部分的研究只停留在理論分析和實驗室試驗階段,礦巖識別的實際應用效果有待進一步驗證。

3.2.3 安全生產監測

3.2.3.1 邊坡位移監測

邊坡位移反映了巖體邊坡在內外部因素的作用下發生變形的過程,對邊坡位移進行監測有助于掌握邊坡災害發展趨勢和演變規律,便于及時進行滑坡預警及災害處置。邊坡位移監測屬于時間序列預測范疇,目前采用的主要方法有時間序列分析法、灰色預測方法、人工神經網絡等。但是這些方法都有著不同程度的局限性,也存在適用性不足的問題。由于邊坡變形影響因素十分復雜,這些方法難以完全準確可靠地確定邊坡位移與其影響因素之間的關系[73]。相對而言,SVM算法由于具有較強的學習能力和泛化能力,可以有效地對邊坡位移進行監測。目前此方面的研究多數是利用其他算法對SVM算法參數進行優化,從而提高預測精度。如利用粒子群算法[74]、蟻群算法[75]等啟發式算法對SVM算法參數進行優化,或者采用小波神經網絡[76]、Elman神經網絡[73]等結合SVM算法進行邊坡位移監測,此外,還有混沌支持向量機[77]、最小二乘支持向量機[78]等組合模型的相關研究。

3.2.3.2 巖爆烈度預測

巖爆是因在高地應力條件下進行地下巖土工程開挖或者深部資源開采,導致圍巖中聚積的彈性應變能瞬間釋放,產生的一種突發的動力失穩地質災害[79]。對巖爆烈度等級進行預測可有效預防風險發生。現有的巖爆預測技術大致可以分為3類:①基于巖爆機理的判斷方法;②基于現場實測的巖爆預測方法;③基于巖爆指標和實測數據的預測方法。由于巖爆發生的作用機理十分復雜,影響因素眾多,因此巖爆預測是一個復雜的非線性預測問題,目前實現巖爆烈度的準確預測仍然十分困難。近幾年發展起來的機器學習算法由于可以處理高維復雜非線性的數據,從歷史數據中學習經驗規律,被廣泛應用于預測、回歸、分類等問題中。目前已經有神經網絡、集成學習、支持向量機以及深度學習等多種方法應用在巖爆預測中。

(1)神經網絡。現階段應用于巖爆預測的神經網絡有極限學習機、BP神經網絡、RBF神經網絡、概率神經網絡等。相關代表性研究有:李永松等[80]綜合考慮圍巖產生巖爆的內在、外在因素,采用地應力大小、巖石抗壓和抗拉強度、巖石彈性能量指數等參數作為指標,建立了BP神經網絡巖爆預測模型。但是BP神經網絡也有一定的不足,比如對于復雜問題收斂速度慢、易陷入局部最優值等。張德永等[81]利用泛化能力更好的RBF神經網絡進行巖爆預測研究,得到了與實際情況相符合的預測結果。總體來看,利用神經網絡進行預測的前提是要有足夠多的學習樣本,以提高模型的泛化能力才能保證較高的擬合精度。

(2)集成學習。集成學習算法通過一定的策略將多個基分類器進行組合來增強單個分類器的效果,主要有Bagging、Boosting以及Stacking幾種分類,其中在Bagging算法中以隨機森林最為典型。董隴軍等[82]、楊悅增等[83]分別采用隨機森林算法建立了巖爆等級預測模型,適用于解決數據不完全的小樣本問題;田睿等[84]將隨機森林(RF)與層次分析法(AHP)相結合,構建了一種RF-AHP指標權重計算方法,并用于巖爆烈度分級預測,試驗結果表明模型預測的準確率能達到88%以上。梯度提升(Gradient Boosting Decision Tree,GBDT)是一種Boosting的機器學習算法,XG-Boost算法是在GBDT的基礎上對Boosting算法的改進。張鈞博等[85]提出了一種基于交叉驗證的XG-Boost算法,有助于解決數據量較少情況下的巖爆烈度預測問題。經過分析可知,當訓練樣本較少時,模型預測精度容易受到樣本劃分影響,造成一定的預測誤差,但是可以通過多次交叉驗證方式降低預測誤差,盡可能消除隨機性所帶來的影響,提高預測結果的可靠性。

(3)支持向量機。近年來,支持向量機解決巖爆預測問題的研究比較豐富,主要集中于采用粒子群算法、遺傳算法等智能優化算法對支持向量機進行性能優化,從而提高預測精度。現階段相關代表性研究有:李寧等[86]通過粗糙集理論確定巖爆發生的主要影響因素,并利用粒子群算法優化后的支持向量機進行巖爆等級預測;溫廷新等[87]將交叉、變異操作引入粒子群算法中,提出了一種基于組合賦權的混合粒子群優化支持向量機巖爆傾向性預測模型,提高了原有模型的預測精度。另外,為了提高模型的適用性和穩定性,有學者提出了結合多種方法的組合模型。如許瑞等[88]研究了基于多種核函數的主成分分析方法對支持向量機所帶來的影響,并將其與粒子群算法或遺傳算法相結合建立組合預測模型。試驗結果證明,基于RBF核函數的主成分分析方法與PSO-SVM相結合的模型預測準確率達到了92.3%,為試驗中表現最佳的組合模型。此外,現有研究中,還有深度神經網絡[89]、貝葉斯判別分析[90-92]等方法應用于巖爆等級預測的探索,并取得了一定的成效。

3.2.4 礦產品價格預測

礦產品價格預測是礦山生產經營管理的重要環節,礦產品價格預測影響因素眾多,如國家政策、市場供需變化、生產成本波動等方面。這些因素使得礦石價格呈現出非線性、非平穩、高噪聲等特點,因此礦產品價格預測是一個復雜的非線性問題。目前進行礦產品價格預測的方法大致可以分為3類,即統計學方法、機器學習方法以及組合模型預測方法。

(1)統計學方法。在統計學方法中,自回歸滑動平均模型(Auto Regressive Moving Average model,ARMA)和差分自回歸滑動平均模型(Auto Regressive Integrated Moving Average model,ARIMA)最為典型。ARMA模型在使用時要求時間序列滿足平穩性條件,但是大多數的時間序列是非平穩的,因此需要對其進行平穩化處理。郝家龍等[93]和MATYJASZEK等[94]分別利用了ARMA模型對煤炭價格進行了預測。ARIMA模型是在ARMA模型的基礎上進行差分所建立的,但是這類方法在解決波動情況復雜的價格序列預測方面效果不是很理想。比如,陶磊等[95]、王幫俊等[96]分別采用ARIMA模型對有色金屬和原煤產品進行了價格預測。

(2)機器學習方法。近年來,應用于礦產品價格預測的機器學習方法主要包括BP神經網絡[97]、支持向量機(SVM)[98-100]、長短期記憶網絡(Long Short-Term Memory,LSTM)[101-103]等。傳統的神經網絡方法雖然具有很好的預測能力,但是在處理小樣本數據,特別是面對動態、非線性的時間序列數據時,求解精度不是很理想;與之相比,SVM算法可以有效解決小樣本數據問題,在進行短期價格預測時具有較高精度,但是對于價格的長期走勢預測可能會存在較大誤差[98]。現有研究表明:LSTM是能夠有效處理時間序列數據的深度學習模型之一[103]。

(3)組合預測模型。不同模型之間的預測原理的差異性,使得難以利用一個模型充分學習到時間序列數據中所包含的各類信息,因此有學者將幾種單一模型進行優勢互補,并按照一定規則進行組合,提出了不同的組合預測模型。由“分而治之”原則驅動的“分解”和“集成”框架是最有效的組合預測模型之一,主要采用小波分解、傅里葉分解、經驗模態分解等分解策略與單一模型組合進行時間序列預測[104-108]。

4 采礦系統工程研究趨勢

“綠色”“安全”“智能”“高效”已成為礦業可持續發展的時代要求,采礦系統工程的戰略目標是充分應用現代數學和新一代信息技術,全面實現礦山的最優規劃、最優設計、最優管理和最優控制,從整體上充分提升礦山企業的效益。隨著物聯網、大數據、人工智能技術、5G等新一代信息技術的不斷發展與應用,采礦系統工程迎來了新的發展機遇,未來發展方向主要表現在以下幾個方面。

(1)采礦生產過程各工藝環節智能算法的應用不斷深入。采礦系統是一個多目標、多因素、多變量、隨機性強的復雜動態系統。如在露天礦運輸調度優化中,需要考慮運輸成本、運輸效率以及卡車等待時間等多個優化目標。多目標配礦優化是一個復雜的動態過程,需要兼顧采礦指標和選礦甚至冶煉指標的影響,以獲得最佳的配礦執行計劃。采礦工程在系統結構上普遍具有層次較多、環節緊密、相互之間關系復雜等特點,因此需要從總體上進行全過程、全流程智能優化。對于具有采礦—選礦—冶煉主要工藝的礦業集團而言,隨著企業資源計劃系統ERP、生產制造執行系統MES以及底層自動控制系統的不斷應用,融入工業大數據、多目標和多變量因素以及全流程生產為優化對象的智能算法將不斷得到發展。

(2)原有的單一信息系統向融合大數據平臺的方向不斷演變。隨著過去近20a的數字礦山建設,井下智能通風系統、井下智能監測控制系統等井下六大系統以及露天礦生產智能管控系統不斷得到應用。如通過大量礦山開采信息化系統的應用和部署,露天開采的爆破—鏟裝—運輸—破碎等工藝環節已逐步由單一信息化向多系統融合智能化方向發展,并產生大量的工業流程數據。這些工業流程數據將通過大數據的相關技術進行深入挖掘并研究其應用價值,從而反向優化采礦工藝流程。由此可見,全流程作業一體化管控、無人智能裝備智能化控制、生產大數據智能分析挖掘及決策等將成為智能礦山未來的重要研究方向。

(3)新一代新能源智能化無人采礦裝備將不斷涌現。隨著國家“碳達峰、碳中和”戰略目標的提出,污染物排放嚴重的傳統燃油裝備將逐漸被淘汰,采礦裝備的電動化將成為未來發展的主流方向。目前,針對傳統采礦裝備的線控化改造在某些應用場景下已經實現,但由于存在設備差異化大、改裝成本高、不易批量標準化生產等不足,在全行業內推行仍存在諸多困難。隨著5G通信、物聯網和無人駕駛技術的逐漸成熟,逐步實現新能源純電動采礦裝備的線控化、智能化、無人化,應是下一代新能源智能化無人采礦裝備發展的主要趨勢。

(4)無人采礦的新技術、新工藝及新模式不斷應用。傳統的采礦行業一般是勞動力密集型產業,現階段這一生產模式正在進行顛覆性的變革。當前,從業人員老齡化趨勢嚴重,技術人才嚴重短缺,加之相對惡劣的工作環境和頻繁發生的安全事故嚴重影響了礦山行業的持續高效發展。隨著遠程遙控和無人駕駛技術的逐漸成熟,無人機高清地形建模、遙控鏟運機及鉆機5G遠程遙控、無人駕駛卡車集群控制等技術不斷得到應用,傳統的采礦方法、采礦設計及工藝等已無法有效滿足智能裝備在露天或井下進行作業的實際要求。在此背景下,依據采礦智能裝備作業的特點,從采礦方法、采礦設計及無人作業生產等礦山全生命周期的角度,不斷變革傳統的采礦方法、采礦工藝及流程,形成無人采礦的新技術、新工藝、新模式,將成為未來重要的發展趨勢。