人工智能背景下采礦系統(tǒng)工程發(fā)展現(xiàn)狀與展望

顧清華 江 松 李學(xué)現(xiàn) 盧才武 陳 露

(1.西安建筑科技大學(xué)資源工程學(xué)院,陜西 西安 710055;2.西安市智慧工業(yè)感知計算與決策重點(diǎn)實(shí)驗室,陜西 西安 710055;3.西安建筑科技大學(xué)管理學(xué)院,陜西 西安 710055)

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

進(jìn)入21世紀(jì)以來,運(yùn)籌學(xué)在礦業(yè)系統(tǒng)工程中的應(yīng)用趨于成熟,數(shù)字礦山建設(shè)中采礦生產(chǎn)運(yùn)作系統(tǒng)和采礦管理信息系統(tǒng)的研究及應(yīng)用成為這一時期的重點(diǎn)工作,使用人工智能技術(shù)、物聯(lián)網(wǎng)、自動化技術(shù)解決礦業(yè)中的實(shí)際問題也受到大量的關(guān)注和研究,并且成為當(dāng)下智能采礦發(fā)展的重要基礎(chǔ)。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(zhì)統(tǒng)計學(xué)應(yīng)用、資源儲量估算、礦山戰(zhàn)略規(guī)劃、機(jī)器人技術(shù)、設(shè)備自動化、自主導(dǎo)航定位及礦業(yè)數(shù)字化轉(zhuǎn)型等創(chuàng)新性IT技術(shù)內(nèi)容,并提出在未來的一段時間內(nèi),人工智能技術(shù)在采礦中的應(yīng)用將作為持續(xù)研究的熱點(diǎn)。我國采礦系統(tǒng)工程領(lǐng)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(yè)系統(tǒng)工程學(xué)術(shù)會議暨首屆智能采礦學(xué)科建設(shè)高峰論壇”,會議主題聚焦于智能礦山、智能生產(chǎn)、智能決策等礦業(yè)前沿問題。

近年來,隨著大數(shù)據(jù)、人工智能技術(shù)、物聯(lián)網(wǎng)等新一代信息技術(shù)的不斷發(fā)展以及智能礦山建設(shè)的不斷推進(jìn),采礦系統(tǒng)工程學(xué)科迎來了蓬勃發(fā)展的歷史階段。以多目標(biāo)智能優(yōu)化算法、機(jī)器學(xué)習(xí)算法為代表的新一代人工智能技術(shù)為采礦行業(yè)帶來了巨大的變革。從礦山的中長期戰(zhàn)略規(guī)劃到短期生產(chǎn)計劃,礦石的鏟—裝—運(yùn)—卸等各個采礦環(huán)節(jié)都無一不體現(xiàn)著采礦系統(tǒng)工程所帶來的優(yōu)勢。隨著《新一代人工智能發(fā)展規(guī)劃》《智能礦山建設(shè)規(guī)范》《有色金屬行業(yè)智能礦山建設(shè)指南(試行)》等國家發(fā)展戰(zhàn)略和行業(yè)標(biāo)準(zhǔn)的實(shí)施,人工智能背景下的采礦系統(tǒng)工程將如何進(jìn)一步發(fā)展,礦山開采方法及工藝、技術(shù)及裝備等將產(chǎn)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(tǒng)梳理人工智能技術(shù)在采礦系統(tǒng)工程中的發(fā)展現(xiàn)狀,對采礦系統(tǒng)工程學(xué)科的未來發(fā)展方向進(jìn)行展望。

1 采礦系統(tǒng)工程簡述

采礦系統(tǒng)工程可定義為從系統(tǒng)的觀點(diǎn)出發(fā),用定性與定量相結(jié)合的方法,根據(jù)經(jīng)濟(jì)、技術(shù)、社會因素對采礦系統(tǒng)的規(guī)劃、設(shè)計、建設(shè)和生產(chǎn)環(huán)節(jié)進(jìn)行優(yōu)化分析或評價。采礦系統(tǒng)工程離不開現(xiàn)代數(shù)學(xué)方法與計算機(jī)技術(shù),因此又稱為計算機(jī)在采礦中的應(yīng)用、計算機(jī)和運(yùn)籌學(xué)在采礦中的應(yīng)用,或計算機(jī)和數(shù)學(xué)方法在采礦中的應(yīng)用[3]。采礦系統(tǒng)工程的內(nèi)涵主要包含3個層面:①采礦系統(tǒng)工程是面向采礦系統(tǒng)的分析、優(yōu)化及評價;②采礦系統(tǒng)工程主要使用系統(tǒng)工程中的系統(tǒng)分析、優(yōu)化及控制方法,如最優(yōu)化控制、數(shù)學(xué)建模與優(yōu)化、運(yùn)籌學(xué)等;③采礦系統(tǒng)工程用到的技術(shù)主要有計算機(jī)技術(shù)及與之密切相關(guān)的其他信息技術(shù)。

1.1 采礦系統(tǒng)工程基本理論及常用方法

傳統(tǒng)意義上的采礦系統(tǒng)工程基本理論及常用方法主要包含運(yùn)籌學(xué)諸學(xué)科分支、應(yīng)用數(shù)學(xué)若干學(xué)科分支和計算機(jī)技術(shù)[1,4-6]。當(dāng)前采礦系統(tǒng)工程的理論方法隨著相關(guān)學(xué)科理論基礎(chǔ)的發(fā)展和應(yīng)用范圍的擴(kuò)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(tǒng)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(tǒng)工程研究內(nèi)容

當(dāng)前采礦系統(tǒng)工程的研究內(nèi)容涵蓋了礦山開發(fā)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(chǎn)資源遠(yuǎn)景預(yù)測、區(qū)域資源評價與分析、鉆探作業(yè)優(yōu)化、礦床儲量估計、礦床模型構(gòu)建、礦床地質(zhì)條件評價、露天礦山地表測繪等。

(2)礦山開采設(shè)計及規(guī)劃。如礦山開采方法選擇、采礦工藝設(shè)計及優(yōu)化、采礦設(shè)備選型與配置、開采境界圈定、露天礦大型設(shè)施選址規(guī)劃、礦井及采區(qū)設(shè)計、礦山中長期生產(chǎn)計劃、礦山短期生產(chǎn)計劃等。

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

(4)礦山生產(chǎn)工藝及作業(yè)系統(tǒng)。如采場工作面分析及智能化系統(tǒng)、地下礦山運(yùn)輸及提升系統(tǒng)、礦井通風(fēng)排水系統(tǒng)、露天礦生產(chǎn)配礦、卡車調(diào)度系統(tǒng)、礦山生產(chǎn)監(jiān)控系統(tǒng)等。

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

(6)其他方面。如自動化鉆孔、爆破設(shè)計、生態(tài)環(huán)境修復(fù)、礦山經(jīng)營管理、大型作業(yè)設(shè)備故障診斷等。

以上各個方面的研究在人工智能技術(shù)發(fā)展、智能礦山建設(shè)的背景下,逐步向智能化階段發(fā)展,表1重點(diǎn)梳理了當(dāng)前采礦系統(tǒng)工程的研究內(nèi)容與采用的人工智能理論方法之間的對應(yīng)關(guān)系,其中“√”表示對應(yīng)的研究內(nèi)容中曾經(jīng)采用過相應(yīng)的理論方法來解決相關(guān)問題。

由表1可知:在當(dāng)前人工智能技術(shù)發(fā)展的背景下,神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)以及遺傳算法是采礦系統(tǒng)工程中應(yīng)用最為廣泛的3種方法。神經(jīng)網(wǎng)絡(luò)具有復(fù)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(xiàn)出較強(qiáng)的優(yōu)勢;支持向量機(jī)具有特殊的分類機(jī)制,通過引入核函數(shù)可將數(shù)據(jù)映射到高維空間,具有良好的分類效果,在解決邊坡位移監(jiān)測、采場壓力與頂板控制等數(shù)據(jù)難以獲取的小樣本問題時,能夠達(dá)到較高的預(yù)測精度;遺傳算法是一類最為典型的進(jìn)化算法,具有較強(qiáng)的靈活性和適用性,可以解決大規(guī)模數(shù)學(xué)優(yōu)化問題,特別是在有限的時間和資源限制下,當(dāng)傳統(tǒng)的精確算法不能求解到問題的最優(yōu)解時,進(jìn)化算法可以提供滿意的解決方案。另外,除了機(jī)器學(xué)習(xí)、進(jìn)化算法等方法以外,粗糙集、證據(jù)理論等不確定性研究方法也得到了一定程度的應(yīng)用。

表1 采礦系統(tǒng)工程主要研究內(nèi)容與人工智能方法的對應(yīng)關(guān)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(shù)在采礦系統(tǒng)工程中的應(yīng)用及發(fā)展

在采礦系統(tǒng)工程中,人工智能技術(shù)的應(yīng)用離不開其自身的發(fā)展。為詳細(xì)分析人工智能技術(shù)在采礦系統(tǒng)工程中的應(yīng)用及發(fā)展脈絡(luò),本研究以 “人工智能(Artificial Intelligence)”“專家系統(tǒng)(Expert Systems)”“神經(jīng)網(wǎng)絡(luò)(Neural Network)”“機(jī)器學(xué)習(xí)(Machine Learning)”“深度學(xué)習(xí)(Deep Learning)”“進(jìn)化算法(Evolutionary Algorithms)”等為關(guān)鍵詞在 Google Ngram中進(jìn)行了檢索,結(jié)果如圖2所示。分析可知:2010年以前人工智能技術(shù)的發(fā)展趨勢與專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和演化算法一致,新一代人工智能技術(shù)的發(fā)展趨勢與機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等算法一致。

圖2 人工智能技術(shù)及密切相關(guān)方法的歷史發(fā)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(tǒng)工程領(lǐng)域近30a(1989—2020年)來的相關(guān)文獻(xiàn)進(jìn)行了可視化分析,相關(guān)數(shù)據(jù)來源于中國知網(wǎng)。通過將參考文獻(xiàn)的關(guān)鍵詞進(jìn)行共現(xiàn),并按照年份用不同顏色進(jìn)行了標(biāo)注,結(jié)果如圖3所示。從圖3中可以發(fā)現(xiàn),采礦系統(tǒng)工程方法的發(fā)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(tǒng)、決策系統(tǒng)等技術(shù)手段解決采礦工程中遇到的問題,對應(yīng)著人工智能技術(shù)發(fā)展的早期階段;第2階段是2000—2010年,這一階段以人工神經(jīng)網(wǎng)絡(luò)以及遺傳算法、粒子群算法等各種智能優(yōu)化算法的應(yīng)用為主要研究方向;第3階段是2010年以后,機(jī)器學(xué)習(xí)算法成為主要研究方向,多目標(biāo)優(yōu)化算法、支持向量機(jī)、隨機(jī)森林、卷積神經(jīng)網(wǎng)絡(luò)等方法更多地被廣大學(xué)者關(guān)注。因此,本節(jié)對專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)以及進(jìn)化算法為代表的人工智能技術(shù)在采礦系統(tǒng)工程中的應(yīng)用與發(fā)展進(jìn)行分析。

圖3 關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)圖Fig.3 Co-occurrence network diagram of keywords

2.1 專家系統(tǒng)

專家系統(tǒng)是一類擁有大量專業(yè)知識和經(jīng)驗,通過借助一定的邏輯推理,仿照人類專家解決專業(yè)問題的計算機(jī)程序系統(tǒng),包含了人機(jī)交互界面、知識庫、推理機(jī)、知識獲取接口、解釋器接口和綜合數(shù)據(jù)庫等,其中知識庫和推理機(jī)是專家系統(tǒng)的核心。由于專家系統(tǒng)在解決某一領(lǐng)域復(fù)雜問題時具有邏輯推理性強(qiáng)、效率高的優(yōu)勢,自20世紀(jì)70年代末以來在采礦系統(tǒng)工程中得到了大量研究與應(yīng)用,尤其在采礦方法優(yōu)選、礦山巖體邊坡工程、礦山水文地質(zhì)分析以及設(shè)備選型等方面得到了廣泛應(yīng)用[1]。20世紀(jì)90年代,BP神經(jīng)網(wǎng)絡(luò)被引入到專家系統(tǒng)中。通過建立BP神經(jīng)網(wǎng)絡(luò)進(jìn)行知識庫中的知識獲取和更新,進(jìn)一步拓展了專家系統(tǒng)在采礦系統(tǒng)工程中的應(yīng)用范圍。

專家系統(tǒng)在采礦系統(tǒng)工程后續(xù)的研究與發(fā)展過程中取得了顯著進(jìn)展,主要體現(xiàn)在:①在知識庫構(gòu)建上,不僅通過專家經(jīng)驗和既有知識,還采用神經(jīng)網(wǎng)絡(luò)將學(xué)習(xí)的知識納入知識庫中;②在推理機(jī)制上,通過使用模糊的方法使得推理機(jī)制更加靈活;③在系統(tǒng)構(gòu)建和開發(fā)上,向大系統(tǒng)、功能齊全、綜合靈活應(yīng)用的方向不斷發(fā)展。然而,由于專家系統(tǒng)過多依賴于專家知識庫的構(gòu)建與更新,推理機(jī)制上缺乏更為靈活的機(jī)制和自主學(xué)習(xí)能力,應(yīng)用上僅注重于既有知識的應(yīng)用,因此在后續(xù)發(fā)展過程中仍然受到較大限制。目前,在采礦系統(tǒng)工程研究中,專家系統(tǒng)很少被單獨(dú)提及,更多的是作為采礦領(lǐng)域信息系統(tǒng)中決策支持系統(tǒng)的一部分進(jìn)行不斷地發(fā)展。

2.2 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)采用類神經(jīng)元的信息傳遞及學(xué)習(xí)機(jī)制模擬人腦處理過程,是人工智能技術(shù)發(fā)展中聯(lián)接主義智能實(shí)現(xiàn)的重要方法和典范。它是一種黑箱優(yōu)化模型,具有自組織、自適應(yīng)、自學(xué)習(xí)的特點(diǎn),目前在模式識別、自動控制、圖像處理、價格預(yù)測等方面得到了廣泛應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)是一種最具代表性的人工神經(jīng)網(wǎng)絡(luò),在采礦工程中應(yīng)用廣泛,涉及的主要研究方向有采礦方法優(yōu)選、巷道支護(hù)方案優(yōu)選、巖爆及爆破效果預(yù)測、卡車燃料消耗預(yù)測、設(shè)備故障診斷、邊坡穩(wěn)定性分析等。上述成果與BP神經(jīng)網(wǎng)絡(luò)出色的非線性學(xué)習(xí)能力有機(jī)結(jié)合,為采礦工程中存在的復(fù)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(tǒng)在采礦系統(tǒng)工程中的研究與應(yīng)用歸納為“人工智能技術(shù)對人類采礦既有知識的運(yùn)用”,則神經(jīng)網(wǎng)絡(luò)在采礦系統(tǒng)工程中的研究與應(yīng)用可歸納為“人工智能技術(shù)對采礦領(lǐng)域知識的發(fā)現(xiàn)”,這種改變是人工智能技術(shù)在采礦系統(tǒng)工程中發(fā)展的一大飛躍。

然而,這一時期的研究主要集中于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本構(gòu)建和網(wǎng)絡(luò)學(xué)習(xí)能力提升方面,如對問題數(shù)據(jù)集表示、問題指標(biāo)選取以及網(wǎng)絡(luò)參數(shù)調(diào)節(jié)與優(yōu)化等,鮮有研究對神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和發(fā)現(xiàn)的知識(規(guī)律)進(jìn)行進(jìn)一步解析,探究網(wǎng)絡(luò)發(fā)現(xiàn)的知識背后的原理。此外在實(shí)際應(yīng)用過程中,神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相比,前者僅適用于小系統(tǒng)或者系統(tǒng)中的某一方面,如可構(gòu)建一個采礦全作業(yè)流程的采礦領(lǐng)域?qū)＜蚁到y(tǒng),但是無法構(gòu)建一個全作業(yè)流程通用的神經(jīng)網(wǎng)絡(luò)模型。

2.3 進(jìn)化算法

進(jìn)化算法是受自然進(jìn)化啟發(fā)并模擬這一現(xiàn)象構(gòu)建的一類啟發(fā)式優(yōu)化算法,按照自然界某種現(xiàn)象進(jìn)行假設(shè),然后模擬該現(xiàn)象的發(fā)展、進(jìn)化構(gòu)建出進(jìn)化機(jī)制,進(jìn)而使用該進(jìn)化機(jī)制在算法的迭代過程中實(shí)現(xiàn)某一問題的優(yōu)化目標(biāo)。與傳統(tǒng)的數(shù)學(xué)優(yōu)化算法相比,進(jìn)化算法由于沒有嚴(yán)格的數(shù)學(xué)理論推導(dǎo)以及對所求解的問題數(shù)學(xué)性質(zhì)要求不高,從而得到了廣泛應(yīng)用[7-8]。目前在采礦系統(tǒng)工程領(lǐng)域應(yīng)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(yīng)用方向有露天礦開采境界確定[9]、采礦方法及設(shè)備選擇[10]、礦區(qū)儲量計算[11]、生產(chǎn)計劃編制[12]、配礦計劃優(yōu)化[13-17]、運(yùn)輸路徑及調(diào)度優(yōu)化[18-25]、礦石品位估計與優(yōu)化[26]、地下礦山巷道布置與支護(hù)[27]、邊坡穩(wěn)定性分析[28]、巖爆預(yù)測[29]等方面。

相比于傳統(tǒng)的精確算法,啟發(fā)式算法具有求解速度快、問題限制條件少等優(yōu)點(diǎn)。但是啟發(fā)式算法具有一些固有的不足,如容易陷入局部最優(yōu)值,學(xué)者們常常嘗試采用各種方法及策略對其進(jìn)行改進(jìn),以期取得更精確的優(yōu)化結(jié)果。此外,進(jìn)化算法在采礦工程優(yōu)化應(yīng)用過程中,常常需要對原有問題進(jìn)行轉(zhuǎn)換,這也是限制其實(shí)際應(yīng)用的一個重要因素。盡管進(jìn)化算法在實(shí)際應(yīng)用中存在著上述不足,但是隨著實(shí)際問題越來越復(fù)雜,傳統(tǒng)的運(yùn)籌學(xué)方法無法在有限的時間段內(nèi)求得問題最優(yōu)解,進(jìn)化算法則可以得到滿足實(shí)際生產(chǎn)要求的滿意解,因此此類方法在采礦系統(tǒng)工程中仍然具有廣闊的應(yīng)用前景。

3 采礦系統(tǒng)工程中新一代人工智能技術(shù)的研究進(jìn)展

新一代人工智能指的是在近10a發(fā)展迅速的人工智能技術(shù),其主要新特征為深度學(xué)習(xí)、跨界融合、人機(jī)協(xié)同、群智開放、自主操控等,標(biāo)志性的研究成果為2006年HINTON提出的PCA數(shù)據(jù)降維和神經(jīng)網(wǎng)絡(luò)逐層預(yù)訓(xùn)練方法[30],以及于2009年構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)模型[31]。目前,新一代人工智能技術(shù)的核心方法包括深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks,DNN)、支持向量機(jī)(Support Vector Machine,SVM)、決策樹(Decision Tree,DT)、隨機(jī)森林(Random Forest,RF)等機(jī)器學(xué)習(xí)方法和多目標(biāo)優(yōu)化進(jìn)化算法(Multi-objective Optimization Evolutionary Algorithms,MOEAs)等,常被用于數(shù)據(jù)分析及預(yù)測、智能控制和智能優(yōu)化等方面,在智能采礦領(lǐng)域中發(fā)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(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)即為含多隱含層的神經(jīng)網(wǎng)絡(luò),是深度學(xué)習(xí)的主要內(nèi)容。深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中由于參數(shù)較多,需要大量的訓(xùn)練樣本來防止網(wǎng)絡(luò)過擬合。在采礦系統(tǒng)工程中,由于目前視覺類數(shù)據(jù)相對于其他的數(shù)據(jù)更容易獲取,因此應(yīng)用較多的為卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)。如通過采集露天礦采場圖像信息,可利用CNN網(wǎng)絡(luò)對露天礦道路網(wǎng)進(jìn)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(jīng)過卷積層、隱含層、池化層等多層神經(jīng)網(wǎng)絡(luò)傳遞處理后,可精確提取到道路網(wǎng)的基本骨架。

圖4 基于CNN網(wǎng)絡(luò)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(jī)

支持向量機(jī)(Support Vector Machine,SVM)是一種基于小樣本數(shù)據(jù)的分類和預(yù)測技術(shù),屬于機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)。SVM的基本理論是尋找一個魯棒的超平面將線性可分的數(shù)據(jù)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(nèi)數(shù)據(jù)線性可分的情況。然而在實(shí)際中,大量的數(shù)據(jù)為非線性特征數(shù)據(jù),需要引入核函數(shù)將其映射至更高維的空間中,使其變得線性可分。數(shù)據(jù)通過核函數(shù)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(yù)測問題,在采礦領(lǐng)域中的應(yīng)用主要涉及成礦預(yù)測、邊坡位移監(jiān)測、卡車行程時間預(yù)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(jī)森林

決策樹是基于樹結(jié)構(gòu)進(jìn)行決策的機(jī)器學(xué)習(xí)方法,具有一個根節(jié)點(diǎn)、若干內(nèi)部節(jié)點(diǎn)、若干葉節(jié)點(diǎn)[32],基本原理如圖7(a)所示。以數(shù)據(jù)分類為例,決策樹的葉節(jié)點(diǎn)對應(yīng)著待分類數(shù)據(jù)的決策結(jié)果,即數(shù)據(jù)中的某一類別,其他節(jié)點(diǎn)對應(yīng)著數(shù)據(jù)的某一或某些屬性。決策樹學(xué)習(xí)過程中,為了對數(shù)據(jù)的屬性進(jìn)行最優(yōu)化劃分,常用信息熵來衡量數(shù)據(jù)的類別。為了防止對樣本集學(xué)習(xí)的過擬合,采用“預(yù)剪枝”或“后剪枝”的處理方式使其具有更好的泛化性能。隨機(jī)森林是以Bagging集成學(xué)習(xí)方式為基礎(chǔ),將多個決策樹進(jìn)行集成的集成學(xué)習(xí)方法,是集成學(xué)習(xí)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(jī)森林原理示意Fig.7 Schematic of the principle decision tree and random forest

3.1.4 多目標(biāo)優(yōu)化算法

在實(shí)際生產(chǎn)決策中,經(jīng)常會遇到多個目標(biāo)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(biāo)優(yōu)化問題是指一個優(yōu)化問題存在多個優(yōu)化目標(biāo),且這多個優(yōu)化目標(biāo)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(biāo)上是最優(yōu)的,但是在其他目標(biāo)上可能是比較差的。多目標(biāo)優(yōu)化算法正是在這樣的背景下提出來的一類智能優(yōu)化算法。近幾年隨著研究問題的復(fù)雜化,多目標(biāo)算法在采礦系統(tǒng)工程中逐漸顯現(xiàn)出獨(dú)特的優(yōu)勢。在采礦生產(chǎn)中應(yīng)用較多的幾類多目標(biāo)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(biāo)粒子群算法(Multi-objective Particle Swarm Optimization,MOPSO)等。本研究對多目標(biāo)優(yōu)化算法中涉及的一些基本概念進(jìn)行詳細(xì)分析。

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

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

3.1.4.1 多目標(biāo)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(jīng)典的基于Pareto支配關(guān)系的多目標(biāo)遺傳算法[33]。NSGA算法是以遺傳算法為基礎(chǔ)并根據(jù)非支配排序的思想進(jìn)行設(shè)計的。其基本思想是在種群進(jìn)化的過程中對個體進(jìn)行適應(yīng)度排序,通過適應(yīng)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(zhí)行之前對種群中的個體進(jìn)行支配關(guān)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(yīng)用,但是也存在一些不足,如計算復(fù)雜度較高、缺乏最優(yōu)個體保留機(jī)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(diǎn)改進(jìn):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(fù)雜度;②提出了“擁擠距離”的概念代替了原有的適應(yīng)度共享方法;③引入了精英保留機(jī)制,有利于保持種群最優(yōu)個體。

3.1.4.2 多目標(biāo)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(yōu)化算法[35],通過將鳥類覓食行為抽象成數(shù)學(xué)模型對優(yōu)化問題進(jìn)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(jīng)驗和個體歷史經(jīng)驗進(jìn)行個體的位置更新,經(jīng)過多次迭代最終求得問題的最優(yōu)解。為了求解多目標(biāo)優(yōu)化問題,COELLO等[36]在2002年提出了多目標(biāo)粒子群算法(Multiple Objective Particle Swarm Optimization,MOPSO),利用粒子群算法快速收斂的優(yōu)勢對多目標(biāo)優(yōu)化問題進(jìn)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(jìn)行了改進(jìn),并對速度和位置更新公式進(jìn)行了優(yōu)化。MOPSO算法有兩點(diǎn)創(chuàng)新之處:①引入自適應(yīng)網(wǎng)格機(jī)制來保存外部檔案,當(dāng)外部檔案中的個體數(shù)目超過設(shè)定的閾值時,將這些個體的目標(biāo)函數(shù)空間進(jìn)行均勻劃分,通過選擇密度較小的個體提高最優(yōu)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(qū)域進(jìn)行變異。

3.2 研究及應(yīng)用進(jìn)展

近年來,以機(jī)器學(xué)習(xí)、多目標(biāo)優(yōu)化算法等為代表的新一代人工智能技術(shù)在采礦系統(tǒng)工程中發(fā)揮著越來越重要的作用。以下重點(diǎn)從生產(chǎn)作業(yè)優(yōu)化、爆破預(yù)測與礦巖識別、安全生產(chǎn)監(jiān)測以及礦石價格預(yù)測4個方面系統(tǒng)分析新一代人工智能技術(shù)在采礦系統(tǒng)工程中的應(yīng)用進(jìn)展。

3.2.1 生產(chǎn)作業(yè)優(yōu)化

3.2.1.1 生產(chǎn)計劃多目標(biāo)優(yōu)化

采礦生產(chǎn)計劃包括中長期生產(chǎn)計劃和短期配礦計劃。中長期生產(chǎn)計劃優(yōu)化的目標(biāo)是確定每年的采剝量、采剝位置和礦山總的服務(wù)年限[37],并為短期作業(yè)計劃編制提供指導(dǎo)。配礦就是在長期生產(chǎn)計劃指導(dǎo)下,按照一定比例將不同品位的礦石進(jìn)行搭配、混勻,使其滿足礦山礦石產(chǎn)品質(zhì)量要求[38]?？紤]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(chǎn)計劃優(yōu)化問題。早期的生產(chǎn)計劃優(yōu)化主要采用整數(shù)規(guī)劃、動態(tài)規(guī)劃等數(shù)學(xué)規(guī)劃方法進(jìn)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(yīng)用受到一定限制。啟發(fā)式算法由于具有計算的并行性,能在有限的時間段內(nèi)得到問題的滿意解,可以很好地解決大規(guī)模生產(chǎn)計劃問題。當(dāng)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(chǎn)要求的多樣化和復(fù)雜化,考慮到礦山企業(yè)進(jìn)行多礦種綜合利用和精細(xì)化開采的實(shí)際需求,單一目標(biāo)的優(yōu)化技術(shù)已經(jīng)不能滿足要求。多目標(biāo)優(yōu)化技術(shù)可以在多個相互沖突的目標(biāo)中得到一組滿足實(shí)際生產(chǎn)需求的方案,以供礦山管理人員在不同情況下進(jìn)行最優(yōu)決策。因此,針對多目標(biāo)優(yōu)化技術(shù)的研究就變得十分必要。最近幾年有部分學(xué)者嘗試將生產(chǎn)計劃問題建立為多目標(biāo)優(yōu)化模型進(jìn)行了研究[39-43]。在中長期生產(chǎn)計劃中考慮的主要因素有開采塊體的凈現(xiàn)值、運(yùn)輸成本等,而在短期的配礦計劃中考慮較多的優(yōu)化目標(biāo)主要有采掘運(yùn)輸成本、配礦品位偏差、卡車運(yùn)輸能耗、礦石巖性配比等方面。

采礦生產(chǎn)計劃優(yōu)化的代表性研究主要有:劉定一等[39]以凈現(xiàn)值、品位和金屬量為目標(biāo)建立多目標(biāo)規(guī)劃模型,對地下礦山中長期計劃進(jìn)行了編制;李志國等[40]構(gòu)建了磷礦堆場多目標(biāo)優(yōu)化配礦模型,采用改進(jìn)的多目標(biāo)遺傳算法對模型進(jìn)行求解,取得了較常規(guī)優(yōu)化方案更高的資源利用率;顧清華等[17]考慮運(yùn)輸中的能耗問題,構(gòu)建了以運(yùn)輸功和配礦品位偏差最小為目標(biāo)函數(shù)的多目標(biāo)短期配礦模型,并采用自適應(yīng)粒子群算法對模型進(jìn)行了求解;FOROUGHI等[41]采用NSGA-Ⅱ算法對地下礦山采場布局設(shè)計和生產(chǎn)計劃問題進(jìn)行了相關(guān)研究。另外,東北大學(xué)王訓(xùn)洪等[42]和顧曉薇等[43]分別從經(jīng)濟(jì)利潤和資源利效率角度研究了多目標(biāo)生產(chǎn)優(yōu)化問題?，F(xiàn)有研究表明:利用多目標(biāo)優(yōu)化技術(shù)得到的生產(chǎn)計劃更加符合礦山的實(shí)際需求,在降低生產(chǎn)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(guān)的研究仍略顯不足。比如,如何有效處理模型中大規(guī)模的變量和復(fù)雜的約束條件,以及如何設(shè)計與采礦優(yōu)化問題相適應(yīng)的多目標(biāo)優(yōu)化技術(shù)等仍有待進(jìn)一步研究。

3.2.1.2 運(yùn)輸系統(tǒng)多目標(biāo)優(yōu)化

礦石運(yùn)輸是采礦生產(chǎn)過程中的關(guān)鍵環(huán)節(jié)。在露天礦運(yùn)輸系統(tǒng)中涉及了非常多的工藝流程,如卡車電鏟配置、最優(yōu)路徑選擇、車流規(guī)劃、實(shí)時調(diào)度等。由于各作業(yè)流程之間相互影響,只針對單一環(huán)節(jié)的優(yōu)化并不能使得系統(tǒng)整體達(dá)到最優(yōu)狀態(tài),因此,運(yùn)輸系統(tǒng)優(yōu)化是一個復(fù)雜的系統(tǒng)工程。近幾年的相關(guān)研究表明,運(yùn)輸系統(tǒng)優(yōu)化問題已經(jīng)從追求單一目標(biāo)的最優(yōu)化逐漸轉(zhuǎn)向多個目標(biāo)之間的權(quán)衡;考慮的優(yōu)化目標(biāo)從單一的運(yùn)輸成本最小化,發(fā)展到現(xiàn)在的綜合考慮經(jīng)濟(jì)效益、資源效率以及設(shè)備利用率最大化等多個方面。如在卡車調(diào)度優(yōu)化中,采用多目標(biāo)優(yōu)化技術(shù)得到的調(diào)度方案可同時使得卡車運(yùn)費(fèi)最低和等待時間最短;在運(yùn)輸設(shè)備路線規(guī)劃中,以運(yùn)輸距離最短、運(yùn)輸消耗最小等為目標(biāo)的最佳路線可更好地滿足礦山實(shí)際需求。

運(yùn)輸系統(tǒng)優(yōu)化的代表性研究主要有:譚期仁等[44]對井下電機(jī)車的路線選擇問題進(jìn)行了研究,以總運(yùn)輸量和總運(yùn)輸距離為目標(biāo)建立了多目標(biāo)優(yōu)化模型,并采用NSGA-Ⅱ算法進(jìn)行了求解;秦玉鑫等[45]提出了一種改進(jìn)的標(biāo)號修正算法用于解決煤礦災(zāi)害探測機(jī)器人的多目標(biāo)路徑規(guī)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(jìn)行了相關(guān)研究;張明等[47]、章賽等[48]分別采用多目標(biāo)遺傳算法研究了露天礦卡車調(diào)度問題,在獲得最優(yōu)運(yùn)輸方案的同時實(shí)現(xiàn)了運(yùn)輸成本的最小化和卡車?yán)眯实淖畲蠡Ｍㄟ^以上研究發(fā)現(xiàn),多目標(biāo)優(yōu)化算法已經(jīng)在井下電機(jī)車路徑規(guī)劃、露天礦卡車配置、多目標(biāo)卡車調(diào)度等多個方面進(jìn)行了應(yīng)用,并取得了良好的求解效果。相比于傳統(tǒng)的數(shù)學(xué)規(guī)劃和單目標(biāo)優(yōu)化算法,多目標(biāo)優(yōu)化算法可以在多個可選方案之間進(jìn)行權(quán)衡,從而為礦山管理者提供更加科學(xué)全面的決策依據(jù)。但是在實(shí)際應(yīng)用過程中,如何有效構(gòu)建精確的多目標(biāo)數(shù)學(xué)模型是求解問題的關(guān)鍵。另外,如何處理模型中復(fù)雜的約束條件也是需要重點(diǎn)關(guān)注的方向。

3.2.1.3 設(shè)備故障智能診斷

由于采礦生產(chǎn)需要很多大型機(jī)械設(shè)備,對設(shè)備的運(yùn)行狀態(tài)進(jìn)行有效監(jiān)測,保障生產(chǎn)設(shè)備正常運(yùn)轉(zhuǎn)是實(shí)現(xiàn)經(jīng)濟(jì)高效生產(chǎn)的關(guān)鍵。在設(shè)備故障診斷研究中,以往主要采用專家系統(tǒng)、故障樹分析等技術(shù)進(jìn)行檢測,但是隨著故障難度和復(fù)雜度不斷加大,這些技術(shù)在某些方面已經(jīng)不能有效滿足實(shí)際工作需求。相比之下,機(jī)器學(xué)習(xí)技術(shù)可從設(shè)備歷史運(yùn)行數(shù)據(jù)中提取關(guān)鍵特征并進(jìn)行學(xué)習(xí)訓(xùn)練,從而進(jìn)行故障的精準(zhǔn)判斷。比較有代表性的有支持向量機(jī)(SVM)、決策樹(DT)、隨機(jī)森林(RF)等算法和深度學(xué)習(xí)技術(shù)。

(1)支持向量機(jī)。SVM算法可有效針對小樣本、非線性的數(shù)據(jù)進(jìn)行分類,非常適合故障診斷類問題的預(yù)測。目前利用SVM算法進(jìn)行故障診斷的研究主要有礦井通風(fēng)系統(tǒng)故障診斷[49-51],以及礦用電機(jī)[52]、變壓器[53-54]、液壓系統(tǒng)[55]、車輛變速箱[56]等設(shè)備的故障診斷。但是SVM算法的參數(shù)優(yōu)化是一個難點(diǎn),為了提高SVM的故障診斷效果,近年來學(xué)者們分別采用網(wǎng)格搜索法[51]、布谷鳥算法[54]、粒子群算法[55]等多種優(yōu)化算法進(jìn)行了SVM算法參數(shù)優(yōu)化,優(yōu)化后的算法預(yù)測精度優(yōu)于經(jīng)典SVM算法。

(2)決策樹與隨機(jī)森林。利用多個決策樹模型所組合的隨機(jī)森林是一種集成模型,可根據(jù)不同的數(shù)據(jù)類型進(jìn)行結(jié)構(gòu)改變,從而有效處理大規(guī)模的數(shù)據(jù)分類問題。近年來利用決策樹進(jìn)行故障診斷的相關(guān)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(jī)故障預(yù)警系統(tǒng),通過參數(shù)優(yōu)化和數(shù)據(jù)預(yù)處理來提高模型的預(yù)測精度;為提高煤礦井下供電系統(tǒng)的可靠性,劉艷麗等[58]建立了基于隨機(jī)森林算法的串聯(lián)型故障電弧診斷模型,試驗結(jié)果證明該方法有效提高了故障預(yù)測精度。

(3)深度學(xué)習(xí)技術(shù)。在設(shè)備故障預(yù)警研究中,有學(xué)者引入了深度學(xué)習(xí)中的機(jī)器視覺技術(shù)用于機(jī)械設(shè)備故障預(yù)警和運(yùn)行狀態(tài)監(jiān)測。如針對礦用皮帶運(yùn)輸機(jī)的運(yùn)行狀態(tài),現(xiàn)有技術(shù)主要采用光電傳感器、壓力傳感器等各類傳感器進(jìn)行監(jiān)測,但是由于傳感設(shè)備穩(wěn)定性差等問題可能會導(dǎo)致監(jiān)測效果不理想,而利用基于深度學(xué)習(xí)技術(shù)的設(shè)備生產(chǎn)實(shí)時監(jiān)測有助于實(shí)現(xiàn)故障提前預(yù)警。這方面也有學(xué)者進(jìn)行了研究,頊熙亮[59]提出了一種基于機(jī)器視覺的新型智能檢測系統(tǒng),該系統(tǒng)采用相機(jī)和光源來監(jiān)控皮帶輸送機(jī)事故,實(shí)現(xiàn)了設(shè)備故障的提前預(yù)警;為了對皮帶跑偏和灑料情況進(jìn)行實(shí)時監(jiān)測,滕悅等[60]設(shè)計了一種基于圖像處理技術(shù)的皮帶跑偏監(jiān)測系統(tǒng),有助于實(shí)現(xiàn)事故的及時預(yù)警。

綜上分析可知,支持向量機(jī)、決策樹等機(jī)器學(xué)習(xí)算法在設(shè)備故障診斷方面發(fā)揮著越來越重要的作用。但是現(xiàn)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(yù)測精度都受到歷史數(shù)據(jù)準(zhǔn)確性和模型參數(shù)取值的影響。因此,如何建立可以預(yù)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(jìn)一步研究。

3.2.2 爆破預(yù)測與礦巖識別

3.2.2.1 爆破效果智能預(yù)測

爆破效果預(yù)測可為選擇合理的爆破參數(shù)、提高爆破效果提供科學(xué)依據(jù)。以往的預(yù)測技術(shù)大多基于統(tǒng)計學(xué)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(yù)測效果。但由于成本、風(fēng)險等因素導(dǎo)致實(shí)踐中無法大量采集數(shù)據(jù),使得爆破預(yù)測可獲得的樣本數(shù)據(jù)較少,致使預(yù)測效果不理想。因此,爆破預(yù)測屬于小樣本數(shù)據(jù)條件下的回歸問題?，F(xiàn)有的爆破預(yù)測技術(shù)主要有BP神經(jīng)網(wǎng)絡(luò)[61-62]、RBF神經(jīng)網(wǎng)絡(luò)[63]、小波神經(jīng)網(wǎng)絡(luò)[64]、SVM算法[65-67]等。神經(jīng)網(wǎng)絡(luò)由于需要大量的樣本數(shù)據(jù)才能保證預(yù)測的準(zhǔn)確率,所以應(yīng)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(yōu)勢,非常適合解決爆破效果預(yù)測問題,但SVM中核函數(shù)和超參數(shù)的確定對于預(yù)測效果有著很大影響,因此許多學(xué)者利用多種算法對其進(jìn)行了優(yōu)化。劉希亮等[65]通過分析礦區(qū)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(jìn)行了評定,并建立了基于遺傳算法優(yōu)化的支持向量機(jī)模型GA-SVM進(jìn)行爆破效果預(yù)測。GASVM與BP、RBF等神經(jīng)網(wǎng)絡(luò)相比具有更好的魯棒性和預(yù)測精度。江國華[66]采用高斯徑向基核函數(shù)的SVM算法建立了臺階爆破預(yù)測模型RBF-SVM,預(yù)測結(jié)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(yōu)化算法對SVM算法參數(shù)進(jìn)行了尋優(yōu)。根據(jù)上述研究可知,大量學(xué)者從參數(shù)優(yōu)化角度出發(fā)對SVM算法進(jìn)行了改進(jìn),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(diǎn)關(guān)注的方向。

3.2.2.2 礦巖智能識別

礦石開采后經(jīng)過的第一道工序是將礦石與廢石進(jìn)行分離,分離的準(zhǔn)確度直接影響到資源的回收和利用水平。以往的選礦技術(shù)都是基于人工控制手段,選礦精度和效率都比較低。當(dāng)前基于深度學(xué)習(xí)的圖像識別技術(shù)的快速發(fā)展,為實(shí)現(xiàn)高精度的自動化選礦作業(yè)提供了技術(shù)支撐。近年來代表性研究的有:徐校竹[69]利用卷積神經(jīng)網(wǎng)絡(luò)對礦巖數(shù)字圖像進(jìn)行深度學(xué)習(xí)訓(xùn)練,建立了礦巖識別的深度學(xué)習(xí)模型;王李管等[70]利用卷積神經(jīng)網(wǎng)絡(luò)對黑鎢礦石及其圍巖廢石進(jìn)行了識別分析,識別精度優(yōu)于97%。礦石的粒度分析同樣是選礦作業(yè)環(huán)節(jié)的關(guān)鍵性問題,通常選礦廠采用篩分方式進(jìn)行處理,但是效率較低。近年來,有學(xué)者將圖像識別技術(shù)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(shù)在細(xì)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(shù)的礦石粒度分析效果,并總結(jié)評價了各種方法的性能。以上研究圍繞基于圖像識別技術(shù)的礦巖識別方法進(jìn)行了初步探索,但是大部分的研究只停留在理論分析和實(shí)驗室試驗階段,礦巖識別的實(shí)際應(yīng)用效果有待進(jìn)一步驗證。

3.2.3 安全生產(chǎn)監(jiān)測

3.2.3.1 邊坡位移監(jiān)測

邊坡位移反映了巖體邊坡在內(nèi)外部因素的作用下發(fā)生變形的過程,對邊坡位移進(jìn)行監(jiān)測有助于掌握邊坡災(zāi)害發(fā)展趨勢和演變規(guī)律,便于及時進(jìn)行滑坡預(yù)警及災(zāi)害處置。邊坡位移監(jiān)測屬于時間序列預(yù)測范疇,目前采用的主要方法有時間序列分析法、灰色預(yù)測方法、人工神經(jīng)網(wǎng)絡(luò)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(fù)雜,這些方法難以完全準(zhǔn)確可靠地確定邊坡位移與其影響因素之間的關(guān)系[73]。相對而言,SVM算法由于具有較強(qiáng)的學(xué)習(xí)能力和泛化能力,可以有效地對邊坡位移進(jìn)行監(jiān)測。目前此方面的研究多數(shù)是利用其他算法對SVM算法參數(shù)進(jìn)行優(yōu)化,從而提高預(yù)測精度。如利用粒子群算法[74]、蟻群算法[75]等啟發(fā)式算法對SVM算法參數(shù)進(jìn)行優(yōu)化,或者采用小波神經(jīng)網(wǎng)絡(luò)[76]、Elman神經(jīng)網(wǎng)絡(luò)[73]等結(jié)合SVM算法進(jìn)行邊坡位移監(jiān)測,此外,還有混沌支持向量機(jī)[77]、最小二乘支持向量機(jī)[78]等組合模型的相關(guān)研究。

3.2.3.2 巖爆烈度預(yù)測

巖爆是因在高地應(yīng)力條件下進(jìn)行地下巖土工程開挖或者深部資源開采,導(dǎo)致圍巖中聚積的彈性應(yīng)變能瞬間釋放,產(chǎn)生的一種突發(fā)的動力失穩(wěn)地質(zhì)災(zāi)害[79]。對巖爆烈度等級進(jìn)行預(yù)測可有效預(yù)防風(fēng)險發(fā)生?，F(xiàn)有的巖爆預(yù)測技術(shù)大致可以分為3類:①基于巖爆機(jī)理的判斷方法;②基于現(xiàn)場實(shí)測的巖爆預(yù)測方法;③基于巖爆指標(biāo)和實(shí)測數(shù)據(jù)的預(yù)測方法。由于巖爆發(fā)生的作用機(jī)理十分復(fù)雜,影響因素眾多,因此巖爆預(yù)測是一個復(fù)雜的非線性預(yù)測問題,目前實(shí)現(xiàn)巖爆烈度的準(zhǔn)確預(yù)測仍然十分困難。近幾年發(fā)展起來的機(jī)器學(xué)習(xí)算法由于可以處理高維復(fù)雜非線性的數(shù)據(jù),從歷史數(shù)據(jù)中學(xué)習(xí)經(jīng)驗規(guī)律,被廣泛應(yīng)用于預(yù)測、回歸、分類等問題中。目前已經(jīng)有神經(jīng)網(wǎng)絡(luò)、集成學(xué)習(xí)、支持向量機(jī)以及深度學(xué)習(xí)等多種方法應(yīng)用在巖爆預(yù)測中。

(1)神經(jīng)網(wǎng)絡(luò)。現(xiàn)階段應(yīng)用于巖爆預(yù)測的神經(jīng)網(wǎng)絡(luò)有極限學(xué)習(xí)機(jī)、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)等。相關(guān)代表性研究有:李永松等[80]綜合考慮圍巖產(chǎn)生巖爆的內(nèi)在、外在因素,采用地應(yīng)力大小、巖石抗壓和抗拉強(qiáng)度、巖石彈性能量指數(shù)等參數(shù)作為指標(biāo),建立了BP神經(jīng)網(wǎng)絡(luò)巖爆預(yù)測模型。但是BP神經(jīng)網(wǎng)絡(luò)也有一定的不足,比如對于復(fù)雜問題收斂速度慢、易陷入局部最優(yōu)值等。張德永等[81]利用泛化能力更好的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行巖爆預(yù)測研究,得到了與實(shí)際情況相符合的預(yù)測結(jié)果?？傮w來看,利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的前提是要有足夠多的學(xué)習(xí)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(xué)習(xí)。集成學(xué)習(xí)算法通過一定的策略將多個基分類器進(jìn)行組合來增強(qiáng)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(jī)森林最為典型。董隴軍等[82]、楊悅增等[83]分別采用隨機(jī)森林算法建立了巖爆等級預(yù)測模型,適用于解決數(shù)據(jù)不完全的小樣本問題;田睿等[84]將隨機(jī)森林(RF)與層次分析法(AHP)相結(jié)合,構(gòu)建了一種RF-AHP指標(biāo)權(quán)重計算方法,并用于巖爆烈度分級預(yù)測,試驗結(jié)果表明模型預(yù)測的準(zhǔn)確率能達(dá)到88%以上。梯度提升(Gradient Boosting Decision Tree,GBDT)是一種Boosting的機(jī)器學(xué)習(xí)算法,XG-Boost算法是在GBDT的基礎(chǔ)上對Boosting算法的改進(jìn)。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(shù)據(jù)量較少情況下的巖爆烈度預(yù)測問題。經(jīng)過分析可知,當(dāng)訓(xùn)練樣本較少時,模型預(yù)測精度容易受到樣本劃分影響,造成一定的預(yù)測誤差,但是可以通過多次交叉驗證方式降低預(yù)測誤差,盡可能消除隨機(jī)性所帶來的影響,提高預(yù)測結(jié)果的可靠性。

(3)支持向量機(jī)。近年來,支持向量機(jī)解決巖爆預(yù)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(yōu)化算法對支持向量機(jī)進(jìn)行性能優(yōu)化,從而提高預(yù)測精度?，F(xiàn)階段相關(guān)代表性研究有:李寧等[86]通過粗糙集理論確定巖爆發(fā)生的主要影響因素,并利用粒子群算法優(yōu)化后的支持向量機(jī)進(jìn)行巖爆等級預(yù)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(quán)的混合粒子群優(yōu)化支持向量機(jī)巖爆傾向性預(yù)測模型,提高了原有模型的預(yù)測精度。另外,為了提高模型的適用性和穩(wěn)定性,有學(xué)者提出了結(jié)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(shù)的主成分分析方法對支持向量機(jī)所帶來的影響,并將其與粒子群算法或遺傳算法相結(jié)合建立組合預(yù)測模型。試驗結(jié)果證明,基于RBF核函數(shù)的主成分分析方法與PSO-SVM相結(jié)合的模型預(yù)測準(zhǔn)確率達(dá)到了92.3%,為試驗中表現(xiàn)最佳的組合模型。此外,現(xiàn)有研究中,還有深度神經(jīng)網(wǎng)絡(luò)[89]、貝葉斯判別分析[90-92]等方法應(yīng)用于巖爆等級預(yù)測的探索,并取得了一定的成效。

3.2.4 礦產(chǎn)品價格預(yù)測

礦產(chǎn)品價格預(yù)測是礦山生產(chǎn)經(jīng)營管理的重要環(huán)節(jié),礦產(chǎn)品價格預(yù)測影響因素眾多,如國家政策、市場供需變化、生產(chǎn)成本波動等方面。這些因素使得礦石價格呈現(xiàn)出非線性、非平穩(wěn)、高噪聲等特點(diǎn),因此礦產(chǎn)品價格預(yù)測是一個復(fù)雜的非線性問題。目前進(jìn)行礦產(chǎn)品價格預(yù)測的方法大致可以分為3類,即統(tǒng)計學(xué)方法、機(jī)器學(xué)習(xí)方法以及組合模型預(yù)測方法。

(1)統(tǒng)計學(xué)方法。在統(tǒng)計學(xué)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(wěn)性條件,但是大多數(shù)的時間序列是非平穩(wěn)的,因此需要對其進(jìn)行平穩(wěn)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(jìn)行了預(yù)測。ARIMA模型是在ARMA模型的基礎(chǔ)上進(jìn)行差分所建立的,但是這類方法在解決波動情況復(fù)雜的價格序列預(yù)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(chǎn)品進(jìn)行了價格預(yù)測。

(2)機(jī)器學(xué)習(xí)方法。近年來,應(yīng)用于礦產(chǎn)品價格預(yù)測的機(jī)器學(xué)習(xí)方法主要包括BP神經(jīng)網(wǎng)絡(luò)[97]、支持向量機(jī)(SVM)[98-100]、長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)[101-103]等。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法雖然具有很好的預(yù)測能力,但是在處理小樣本數(shù)據(jù),特別是面對動態(tài)、非線性的時間序列數(shù)據(jù)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(shù)據(jù)問題,在進(jìn)行短期價格預(yù)測時具有較高精度,但是對于價格的長期走勢預(yù)測可能會存在較大誤差[98]?，F(xiàn)有研究表明:LSTM是能夠有效處理時間序列數(shù)據(jù)的深度學(xué)習(xí)模型之一[103]。

(3)組合預(yù)測模型。不同模型之間的預(yù)測原理的差異性,使得難以利用一個模型充分學(xué)習(xí)到時間序列數(shù)據(jù)中所包含的各類信息,因此有學(xué)者將幾種單一模型進(jìn)行優(yōu)勢互補(bǔ),并按照一定規(guī)則進(jìn)行組合,提出了不同的組合預(yù)測模型。由“分而治之”原則驅(qū)動的“分解”和“集成”框架是最有效的組合預(yù)測模型之一,主要采用小波分解、傅里葉分解、經(jīng)驗?zāi)B(tài)分解等分解策略與單一模型組合進(jìn)行時間序列預(yù)測[104-108]。

4 采礦系統(tǒng)工程研究趨勢

“綠色”“安全”“智能”“高效”已成為礦業(yè)可持續(xù)發(fā)展的時代要求,采礦系統(tǒng)工程的戰(zhàn)略目標(biāo)是充分應(yīng)用現(xiàn)代數(shù)學(xué)和新一代信息技術(shù),全面實(shí)現(xiàn)礦山的最優(yōu)規(guī)劃、最優(yōu)設(shè)計、最優(yōu)管理和最優(yōu)控制,從整體上充分提升礦山企業(yè)的效益。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能技術(shù)、5G等新一代信息技術(shù)的不斷發(fā)展與應(yīng)用,采礦系統(tǒng)工程迎來了新的發(fā)展機(jī)遇,未來發(fā)展方向主要表現(xiàn)在以下幾個方面。

(1)采礦生產(chǎn)過程各工藝環(huán)節(jié)智能算法的應(yīng)用不斷深入。采礦系統(tǒng)是一個多目標(biāo)、多因素、多變量、隨機(jī)性強(qiáng)的復(fù)雜動態(tài)系統(tǒng)。如在露天礦運(yùn)輸調(diào)度優(yōu)化中,需要考慮運(yùn)輸成本、運(yùn)輸效率以及卡車等待時間等多個優(yōu)化目標(biāo)。多目標(biāo)配礦優(yōu)化是一個復(fù)雜的動態(tài)過程,需要兼顧采礦指標(biāo)和選礦甚至冶煉指標(biāo)的影響,以獲得最佳的配礦執(zhí)行計劃。采礦工程在系統(tǒng)結(jié)構(gòu)上普遍具有層次較多、環(huán)節(jié)緊密、相互之間關(guān)系復(fù)雜等特點(diǎn),因此需要從總體上進(jìn)行全過程、全流程智能優(yōu)化。對于具有采礦—選礦—冶煉主要工藝的礦業(yè)集團(tuán)而言,隨著企業(yè)資源計劃系統(tǒng)ERP、生產(chǎn)制造執(zhí)行系統(tǒng)MES以及底層自動控制系統(tǒng)的不斷應(yīng)用,融入工業(yè)大數(shù)據(jù)、多目標(biāo)和多變量因素以及全流程生產(chǎn)為優(yōu)化對象的智能算法將不斷得到發(fā)展。

(2)原有的單一信息系統(tǒng)向融合大數(shù)據(jù)平臺的方向不斷演變。隨著過去近20a的數(shù)字礦山建設(shè),井下智能通風(fēng)系統(tǒng)、井下智能監(jiān)測控制系統(tǒng)等井下六大系統(tǒng)以及露天礦生產(chǎn)智能管控系統(tǒng)不斷得到應(yīng)用。如通過大量礦山開采信息化系統(tǒng)的應(yīng)用和部署,露天開采的爆破—鏟裝—運(yùn)輸—破碎等工藝環(huán)節(jié)已逐步由單一信息化向多系統(tǒng)融合智能化方向發(fā)展,并產(chǎn)生大量的工業(yè)流程數(shù)據(jù)。這些工業(yè)流程數(shù)據(jù)將通過大數(shù)據(jù)的相關(guān)技術(shù)進(jìn)行深入挖掘并研究其應(yīng)用價值,從而反向優(yōu)化采礦工藝流程。由此可見,全流程作業(yè)一體化管控、無人智能裝備智能化控制、生產(chǎn)大數(shù)據(jù)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(xiàn)。隨著國家“碳達(dá)峰、碳中和”戰(zhàn)略目標(biāo)的提出,污染物排放嚴(yán)重的傳統(tǒng)燃油裝備將逐漸被淘汰,采礦裝備的電動化將成為未來發(fā)展的主流方向。目前,針對傳統(tǒng)采礦裝備的線控化改造在某些應(yīng)用場景下已經(jīng)實(shí)現(xiàn),但由于存在設(shè)備差異化大、改裝成本高、不易批量標(biāo)準(zhǔn)化生產(chǎn)等不足,在全行業(yè)內(nèi)推行仍存在諸多困難。隨著5G通信、物聯(lián)網(wǎng)和無人駕駛技術(shù)的逐漸成熟,逐步實(shí)現(xiàn)新能源純電動采礦裝備的線控化、智能化、無人化,應(yīng)是下一代新能源智能化無人采礦裝備發(fā)展的主要趨勢。

(4)無人采礦的新技術(shù)、新工藝及新模式不斷應(yīng)用。傳統(tǒng)的采礦行業(yè)一般是勞動力密集型產(chǎn)業(yè),現(xiàn)階段這一生產(chǎn)模式正在進(jìn)行顛覆性的變革。當(dāng)前,從業(yè)人員老齡化趨勢嚴(yán)重,技術(shù)人才嚴(yán)重短缺,加之相對惡劣的工作環(huán)境和頻繁發(fā)生的安全事故嚴(yán)重影響了礦山行業(yè)的持續(xù)高效發(fā)展。隨著遠(yuǎn)程遙控和無人駕駛技術(shù)的逐漸成熟,無人機(jī)高清地形建模、遙控鏟運(yùn)機(jī)及鉆機(jī)5G遠(yuǎn)程遙控、無人駕駛卡車集群控制等技術(shù)不斷得到應(yīng)用,傳統(tǒng)的采礦方法、采礦設(shè)計及工藝等已無法有效滿足智能裝備在露天或井下進(jìn)行作業(yè)的實(shí)際要求。在此背景下,依據(jù)采礦智能裝備作業(yè)的特點(diǎn),從采礦方法、采礦設(shè)計及無人作業(yè)生產(chǎn)等礦山全生命周期的角度,不斷變革傳統(tǒng)的采礦方法、采礦工藝及流程,形成無人采礦的新技術(shù)、新工藝、新模式,將成為未來重要的發(fā)展趨勢。