本文将重点介绍机器学习和计算机视觉技术在我国采矿业中的使用。
以我的拙见（采矿和冶金行业的一家企业的雇员），采矿运输和加工厂领域的IT解决方案在主要关键技术流程的自动化水平上陷入僵局。现在，在21世纪的第三个十年，大型企业进行优化和改进的时机已经到来，机器学习和技术愿景的新技术的引入时机已经到来。这项工作已经开始。
介绍
根据维基百科，俄罗斯有26家采矿企业（实际上更多）。其中最大和最著名的是：Alrosa，Norilsk Nickel，RusAl，Polyus等。所有这些都由类似的设备和关键技术流程的组织来组合：这里有一个提取矿物质（采石场）和一个浓缩厂（植物）的场所。
GTK（采矿和运输综合体）的重新分配对每个人都差不多：从采石场出来的矿石要么直接运到工厂，要么运到矿石仓库，再从那里运到工厂。空的表土被存储在转储中。运输可以通过重型自卸卡车和输送机进行，也可以通过组合方法进行。在我看来，与澳大利亚的公司相比，铁路运输在我国并不普遍。
各个公司的工厂差异很大。但是，有些分支是相似的。例如，所有工厂的选矿部门的任务是将矿石研磨成可接受的比例。这是在破碎机和磨机的帮助下完成的（顺便说一句，这通常是工厂中最昂贵的操作）。
此外，根据矿石和矿物的类型，可采用不同的选矿方法。例如，钻石开采利用其独特的特性-X射线中的发光（发光），允许简单的气动装置从碎矿流中“射击”钻石。对于金矿开采，使用化学过程（浮选，吸附和解吸，电解），甚至使用生物技术（特殊去除的细菌，这些细菌有助于金从壳中释放）。对于用氧化铝生产铝，一切的基础是电解。
国家海关委员会的最新趋势
因此，据我们了解，在采矿和运输综合体的重新分配中，主要任务是压倒，炸毁和运输采石场的岩体。一支钻机，重型自卸车和挖掘机车队参与其中。
调度员和操作员使用采矿和运输综合体的自动控制系统来控制大量设备（有时公园可以拥有400台或更多单元）。 ASUGTK系统的任务是控制采矿机的运行参数和状态，控制和管理自卸车的装载，预测和监视计划的实施，提供报告，有时-沿路线进行自卸车的优化和动态分配。
但是所有这些已经是昨天了。如今，机器学习和技术视觉系统的点应用变得越来越重要。
矿用挖掘机斗齿状况分析
在苛刻的岩石开挖条件下运行的采矿设备的零件，特别是采矿挖掘机的斗齿，经常受到所谓的腐蚀。冲击和磨料磨损。同时，牙齿的损失也充满了麻烦：从铲斗期间挖掘机性能的下降，铲斗本身的损坏开始，直到这种牙齿在运输后进入破碎机，才结束。结果，大量材料损失的风险增加了：设备的停机时间延长，修复和维修，人为从磨床上拔牙的需要（相当危险的事件）。
为了解决这些问题，应用了基于技术远景的解决方案。这是这种系统的一个例子。该系统分析框架并不断确定铲斗齿的状况及其磨损程度。
在晚上，使用聚光灯。监控摄像机为操作员提供了挖掘机各个侧面的视图：系统收集的所有信息都显示在操作员驾驶室的监视器上，使您能够及时发现缺失的牙齿，评估铲斗的有效载荷和牙齿的磨损程度。
控制运输矿石的颗粒组成
几乎在每个生产阶段都必须控制岩体的粒径：爆炸后，运输过程中，矿石进厂后，压碎后，压碎后。这是要监控的最重要的指标，因为工艺流程的质量和连续性取决于它：从爆炸的质量到设备可能的回填（堵塞）。
在GTK重新分配中，计算机视觉系统用于自动测量矿石的晶粒尺寸。他们可以跟踪通往破碎机的每辆卡车的粒度分布，并提出去除超大物料的建议。
看起来像这样：
驾驶员疲劳控制
是的，在职业生涯中，驾驶员也要工作很多小时。同时，他们驾驶60至450吨的重型自卸车。轮班通常持续12个小时，只有一个固定的休息时间，以满足午餐和个人需求。采石场的事故也很危险，因为从壁架上掉下来的事实几乎可以肯定是悲惨地结束了，而且还增加了其他麻烦-可能阻塞其他汽车的出口。文章
引用：根据该公司的统计数据（作者注：Alrosa），在2019年，事故的主要原因是驾驶员在驾驶时入睡，驾驶分散注意力以及对其运动失去控制。
自然，驾驶员疲劳监测系统也没有绕过采矿公司。此类系统正在积极实施中，并用于防止驾驶时入睡。此外，他们能够收集有关驾驶员状况及其行为的数据并将其传输给驾驶员。汽车驾驶室中安装了一个看起来像录像机的设备。该软件对驾驶员的面部表情，头转弯和眼睛移动做出反应。当度量标准开始表明驾驶员正在入睡或无法控制时，会发出声音信号。之后，驾驶员必须将视线转向道路并通过按下按钮确认其状况。
自主技术
据我所知，目前在俄罗斯尚无自动采石场运输技术的实际工业应用，但我确实想在文章中提及。我可能是错的，但是基于我自己的经验以及“商店中的同事”的经验，我可以说，实施我所知的此类系统的适度尝试偶然发现了一个残酷的现实。这是2019年的一篇有趣的文章。
BelAZ长期以来一直在测试无人驾驶车辆。但是，在报纸头条大声“职业怪物将使驾驶员无法工作：BelAZ展示了完全自主的特殊设备”，“它们不仅具有自动驾驶仪，而且具有人工智能”的背后，有一个可悲的现实：没有大规模的实现，尽管具有此类标题的文章每次都会一致发表一次去年持续5-6年。
例如，这是2018年刊物：
然而，远程控制是普遍的。但是这些系统与ML和CV不相关。
引进新技术的问题
最后，我想谈一谈在采矿和冶金行业的俄罗斯企业中引入机器学习技术所遇到的问题。不幸的是，这些问题通常不是技术性的。在这些公司之一中工作，我可以确定在通往更光明未来的过程中遇到的以下类型的障碍：缺乏能力，缺乏动力，对ML和CV能力的过高估计，组织障碍。
对这些问题的详细分析将在另一篇文章中进行，因此我们不会深入研究俄罗斯管理人员和有效管理人员的心态细节。
当然，本文中列出的ML和CV系统并不是今天在采矿企业中使用的全部系统。提高效率和生产率是一个漫长的过程，尤其是在完善的工作流程和“有效管理者”的指导下。根据我的主观评估，西方和澳大利亚公司比我们领先5至10年，而俄罗斯公司的高利润率是由于完全不同的原因造成的，但这又是另一个话题。值得注意的是，与西方一样，随着机器学习和CV技术在工业中的开发和应用，这些领域的专家很快就会（即使不是已经）拥有他们在黄金领域的价值，特别是那些有实践经验的专家。
聚苯乙烯
感谢您阅读本文。如果您愿意，请随时离开投票，如果受人尊敬的社区的回应是重大的，则会在选矿厂的ML和CV应用中发表文章。
为了使该行业再次发展壮大，并从头开始或获得技能和薪资水平的升级，您可以参加SkillFactory在线课程：
更多课程
