智能自動化技術在地質(zhì)機械中的應用

張瑞杰，薛奎玲

（山東省核工業(yè)二四八地質(zhì)大隊，山東 青島 266041）

引言

機器學習和人工智能是計算機科學的兩大領域，通過深度學習算法并引入智能的創(chuàng)新思想實現(xiàn)自動化，但在自主設計的地質(zhì)機械方面的應用尚不成熟，如采礦業(yè)。隨著人工技術的不斷改進，這一趨勢開始轉變，已經(jīng)有相關技術應用于采礦業(yè)的核心領域，如爆破、勘測、礦山規(guī)劃、礦物加工等，推進了采礦業(yè)的發(fā)展。需要關注的是，機械自動化不是簡單的機械技術，也不是簡單地與其他新技術相結合，它是一種融合技術，與智能改進技術相融合，與傳統(tǒng)的機電有著根本的區(qū)別。機械自動化還具有智能化的特點，實現(xiàn)了人體手和肢體的延伸，也實現(xiàn)了人的感官、思維延伸，是自動化和傳統(tǒng)技術的差異所在[1-3]。

1 自動化礦產(chǎn)勘查技術

礦產(chǎn)勘測是地質(zhì)勘查的第一步，主要是對前沿數(shù)據(jù)進行收集和整理，通過計算機算法訓練來自動識別巖石面，以區(qū)別礦物特征和其他物質(zhì)特征，然后合并不同類型的結構化和非結構化數(shù)據(jù)，更全面地反應地表與地下物質(zhì)的發(fā)生情況，有助于縮小勘測范圍，提高工作效率[4-5]。常見的地質(zhì)勘測設備如圖1所示，如SH30-2D型鉆機，配備有橡膠鋼絲履帶，在移動時十分方便，工作效率較高。同時還配置有液壓支腿，可自動找平，確保機身穩(wěn)定，廣泛應用于地質(zhì)勘測中。Al-Alawi and Tawo（1998）開發(fā)了一個基于人工神經(jīng)網(wǎng)絡的鋁土礦礦產(chǎn)資源評價模型，并將結果與地質(zhì)統(tǒng)計學數(shù)據(jù)進行對比，結果高度一致。Bokhari（2010）等人使用模糊邏輯模型對中國西南部的各種地質(zhì)進行了礦產(chǎn)潛力預測。許多研究者使用這些模型對礦產(chǎn)資源測繪，可以極大地降低鉆井成本。然而，這些模型缺乏普遍性和廣泛的適用性，因為它們僅僅是為一組特定的輸入?yún)?shù)設計的，只能特定于某種礦物成分或感興趣的礦物。但是，這些缺點可以通過使用基于圖像的識別技術來解決，該技術允許模式識別，而不管礦床的礦物成分如何。因此，有包括卷積神經(jīng)網(wǎng)絡（CNNs）在內(nèi)的最先進的深度學習算法已被證明在圖像識別方面具有非凡的準確性，研究人員可以利用地表和地下圖像數(shù)據(jù)實現(xiàn)礦產(chǎn)資源制圖和勘探。

2 自動化礦山規(guī)劃技術

人工智能和計算智能也可用于更智能的規(guī)劃和運營領域，其中數(shù)據(jù)管理、工作管理和預測分析功能可用于實時分析不同類型的數(shù)據(jù)，并優(yōu)化短期規(guī)劃、調(diào)度和運輸。智能管控平臺如下頁圖2所示。Karadogan等人（2008）利用土耳其一個地下礦山的地質(zhì)、巖土以及經(jīng)濟環(huán)境等數(shù)據(jù)，展示了模糊集方法在采礦方法選擇中的應用。Kommadath等人（2012）證明了基于模糊邏輯的模型評估采礦部門可持續(xù)性的效率和有效性。Bangian等人（2011）建立了一個模糊邏輯模型優(yōu)化伊朗一個露天銅礦的復墾過程，以證明相關成本的合理性。Anis等人（2017）展示了基于地理信息系統(tǒng)的模糊邏輯模型在印度尼西亞煤礦采礦過程結束時土地優(yōu)化利用中的應用。各大智能自動化技術應用于礦山規(guī)劃，彌補了傳統(tǒng)規(guī)劃的不足，計算機技術輔助設計發(fā)現(xiàn)導致危險、事故或死亡的事件模式，這也使礦山經(jīng)營者能夠評估和了解其安全標準的不足之處[6-8]。發(fā)現(xiàn)生產(chǎn)率差異的模式，有助于運營規(guī)劃和時間管理。

3 自動化鉆孔和爆破

鉆孔爆破是一項重要的采礦作業(yè)。模擬任何鉆孔和爆破作業(yè)的性能以及尋找自動化作業(yè)的方法的能力是需要考慮的關鍵技術進步。

最新的算法之一是神經(jīng)網(wǎng)絡和模糊邏輯模型的混合應用，它在性能、計算、模型泛化和理解方面顯示出了非凡的優(yōu)勢[9-12]。但是，這些算法目前還未被應用于鉆孔和爆破。現(xiàn)有的所有模型都是針對特定的礦石特定的開采過程和特定的感興趣的屬性（即巖石破碎、特定的鉆井液、飛石等）開發(fā)的，從而將應用范圍限制在特定的作業(yè)設施和采礦過程中。制造業(yè)已經(jīng)開始利用帶有模糊邏輯控制器的智能鉆井系統(tǒng)，嘗試在露天采礦作業(yè)中自動化鉆孔和爆破，但在開發(fā)智能鉆井系統(tǒng)用于采礦作業(yè)方面還沒有實質(zhì)性的進展，該系統(tǒng)能夠根據(jù)變化的環(huán)境自動做出正確的決定。

4 自動化勘察數(shù)據(jù)分析

大數(shù)據(jù)時代到來，對地質(zhì)數(shù)據(jù)的分析有了更強有力的輔助手段，地質(zhì)數(shù)據(jù)因其量大，傳統(tǒng)分析技術已經(jīng)遠遠落后，很難實時輔助地面工作人員進行下一步開采工作。因此，在進行礦產(chǎn)資源開發(fā)的同時，開發(fā)信息化技術（如：虛表設計），用戶在實際應用的過程中，可通過各種復雜的表數(shù)據(jù)向某個容易觀察的對象映射，將用戶從表中抽象出來，并建立相關的業(yè)務分析模型，這個模型是十分符合當前新興技術時代的要求。另外，可利用以太網(wǎng)交換機原理，根據(jù)實際應用環(huán)境，從安全、可靠的角度進行擴展。使用這個模型對設備和操作人員有較高的要求，如要求端口密度高，為海量數(shù)據(jù)提供強大的處理和轉發(fā)能力，同時還要滿足抗干擾等。自動數(shù)據(jù)分析的設備和方式還有很多，這些分析都具有一個共同的特點，都要圍繞環(huán)保、安全等必不可少的部分發(fā)揮作用，以實現(xiàn)更安全、更高效、更專業(yè)的開采[13-14]。

5 自動化技術發(fā)展方向

盡管我國在機械自動化的發(fā)展上取得了長足的進步，由于整體發(fā)展時間并不長，與日本等先進國家相比，仍有相當大的差距。因此，政府呼吁相關部門和機構要大力支持機械自動化的發(fā)展，并頒布了相關激勵政策。機械自動化的發(fā)展有目共睹，在技術和工程系統(tǒng)方面的成就也不容小覷，但我們知道，任何科學都不僅僅是技術和工程系統(tǒng)兩個方面，還包括基礎理論。未來，自動化技術的發(fā)展方向有：機電一體化、智能一體化、網(wǎng)絡一體化、小型功能化以及綠色、清潔等。

6 討論與建議

大多數(shù)機器學習和人工智能模型應用于各個采礦部門，即礦產(chǎn)勘探、礦山規(guī)劃、設備選擇、鉆孔和爆破、礦石選礦以及礦物加工等。基于人工神經(jīng)網(wǎng)絡或模糊邏輯方法，算法運行良好。然而，它們都有局限性，神經(jīng)網(wǎng)絡難以處理基于推理的決策過程，模糊邏輯缺乏有效的知識提取和模式識別能力。最近已經(jīng)引入了混合神經(jīng)模糊算法來克服神經(jīng)網(wǎng)絡和模糊邏輯模型的這些缺點，可以實施這些新的最先進的算法來提高模型性能、泛化能力和應用范圍[15-16]。在礦石選礦和礦物加工領域，所有現(xiàn)有的智能模型都是針對某個應用、操作和礦石類型。不同的操作和加工廠涉及不同的控制參數(shù)，即使是稍微不同的工藝應用也需要新的模型。因此，有必要開發(fā)一個包括所有可能的控制參數(shù)的廣義智能系統(tǒng)，同時具有自學習特性，以便擴大其實施范圍，對所有不同領域具備統(tǒng)一和有效的適用性。

7 結語

人工智能和機器學習是目前現(xiàn)代自動化技術的兩大支柱，這兩個領域幾乎影響了每一個行業(yè)。采礦業(yè)對這些先進領域的重要性認識較晚，但是，以利用機器學習和人工智能進行技術開發(fā)為重點的采礦研究開始加速。在這項研究中，在建立現(xiàn)有的技術進步前沿時，回顧和分析了近期采礦業(yè)各個部門的所有工作。在機器操作自動化方面，拖運車自動化沒有任何進步。因此，需要專注于開發(fā)和實施基于視覺的技術，以基于變化的環(huán)境在運輸卡車內(nèi)引入決策能力。

關于挖掘自動化，現(xiàn)有框架需要通過延長模型訓練、增加訓練模塊、更好的地形和環(huán)境分類、更好的感知技術等方式進行重大改進，才能取得滿意的效果。在礦物加工領域，需要一個具有自學習能力的統(tǒng)一、通用的基于機器學習的模型，其適用性可以擴展到不同類礦物成分的礦石浮選過程。現(xiàn)代算法包括混合神經(jīng)網(wǎng)絡、深度學習和卷積網(wǎng)絡，具有卓越的模式識別和知識提取能力，應用于鉆井、爆破、礦產(chǎn)勘查和選礦等領域，可實現(xiàn)智能自動化操作。