一文读懂：AI如何改变矿业？

摘要：一文读懂 AI在国际矿业的3大应用：大数据找矿、无人驾驶矿卡、预测性维护，分别属于勘探、采矿，选矿/选煤。

---

人工智能（Artificial Intelligence, AI）已在很多领域获得应用。可能很难想象，AI已广泛应用于世界主要矿山，除了在技术上层面验证了AI能够有效的改善采矿作业安全、提升矿山效率、增加运营效益外，AI在矿业领域的应用也获得了巨大的商业成功。各大矿业巨头纷纷将智能化技术的投资列为未来的主要预算，仅力拓在澳洲皮尔巴拉的Koodaideri铁矿一项，预算就高达22亿美元。

 

通过对矿山从勘探开始，到矿建、运营直至闭坑的完整生命周期内的海量数据采集、结合特定算法的分析，并开发针对性的应用，矿山正变得越来越有智慧。不断进步的传感器技术，5G，工业物联网统一协议等基础为智慧矿山打下了坚实的基础；低成本的“云”（阿里云、腾讯云、亚马逊云等），巨头开发出的算法（如，视觉识别），为智能采矿的创新提供了触手可及的资源。客观的看，在中国实施智能采矿的基础条件比澳洲等传统矿业强国更好，成本更低。

 

推荐一本书《Prediction Machines》，该书已有中文版。

该书用力拓(Rio Tinto)在西澳Pilbara 的矿场举例，采矿作业的几个关键环节将智能化技术加配到现有的自动化技术以后，给整个矿山带来的最直接的效益提升：减少了停机时间。比如，无人驾驶矿卡和无人驾驶长火车技术的成功应用，原本司机的休息时间，矿山依然保持作业。

 

AI用于智能采矿，不能一蹴而就！本文仅简介勘探、采矿、选矿3个领域的案例。这些细分领域的技术已在应用场景中验证，并具有巨大的商业价值。

 

① AI应用于新矿种勘探

现在，AI已迅速的出现在矿业的各个阶段，地质师开始将机器学习用于勘探时获得的地质数据分析和评估，用于预测最佳的钻孔位置。已成功应用到金矿勘探的专利算法有CARDS（Computer Aided Resource Detection System）。

系统能为手工输入数据和遥感、地球化学等数据搭建有效的“连接”

最近，一个将AI和找钴矿业务结合的新创公司获得了比尔盖茨旗下基金支持，这家公司名叫Kobold Metals，旨在用大数据算法确定钴的探矿靶区（备注：Breakthrough Energy Ventures，由比尔盖茨创建，也有马云、潘石屹和张欣夫妇等来自中国的董事）。

现有的钴来源，主要为铜和镍矿的副产品。单一针对钴的勘探非常有限（北京浩沃特矿业技术有限公司 从2017年至今，参与了赞比亚与刚果金交界的单一钴矿的技术尽调、评估和开发咨询），可能尚有大量在传统探矿方式下未被发现的钴资源，这为AI应用到找钴矿创造了机会。

今天主要的矿物勘探主要依赖有经验的地质学家通过大量的人工来处理各种地质数据，然后获得勘探分析结果。这样的数据处理方式，效率难以保证，分析也是随机的，没有形成体系，人工处理注定会遗漏一些不起眼的变化，这些“遗漏”也会影响到最终勘探结果的评估。

鉴于此，Kobold Metals将使用“机器学习”的方式探索到新的钴矿来源。通过建立一个地质数据库，输入地球物理和地球化学方面的信息，然后将其代入算法，寻找指示钴浓度增加可能性的信号，从而指导寻找新的钴资源。

此外，澳洲的矿业公司也开始采用新的实验室技术和机器人测绘技术进行检测金属，检测对象包括沙子、地下水，乃至桉树叶。

澳洲80％的地表被数米的沉积物和沙子覆盖。矿业公司以新的方式将新技术和已有方法相结合进行勘探，包括由政府机构制作的新一代多层地图。

目前，IBM在加拿大开发了一个资源平台Watson，该平台使用机器学习来更好地预测矿物所在地，使用人工智能将政府钻探结果和航磁测量等数据与历史视觉数据（包括以前未曾做过的手绘地图）相结合。传统上，地质学家将80％的时间用于分类数据，试图找到、关联、组织数据，然后计算模型。但现在，地质学家只用在这方面投入20％的时间，用更多的时间从信息中得到判断，并对潜在勘探地区做出更好的决策。

 

AI，正在改变勘查技术，地质师的工作也在重新定义。

② 无人驾驶矿车

目前AI在大型矿业公司的应用主要是为了改善运营效率。

现在谈无人驾驶技术，主要关注的是民用领域。在矿山，无人驾驶车辆早已在露天矿使用，主要原因是：容易呗！因为露天矿是处于围栏概念的限定区域。

2014年，SAE International(国际汽车工程师协会)制订了一套无人驾驶汽车分级标准，分为L0-L5几个等级。也有认为SAE分级之外，有必要再加一个维度，也就是按照地理围栏(Geofence)的概念，进行Geo1~-Geo5的简单分级（表1）。随着数据的积累以及技术的提升，无人车可行驶区域从Geo1矿区无人车少到Geo5基本没有围栏，逐步放大区域并最终实现自主驾驶。

基于地理围栏的无人驾驶矿卡系统设置

现在力拓使用的卡车无人驾驶主要通过自动化运输系统（Autonomous Haulage System，AHS）实。系统用控制装置、GPS卫星、无线通信技术和软件来取代原来坐在驾驶室内的司机。

 

力压拓使用的自卸卡车无人驾驶原理示意图

 

首先，露天矿山无人驾驶卡车应该是卡车智能调度系统的一部分，在整个卡车智能调度系统的调度下，实现以下分步操作：

1）由装备了高精度定位能力GPS系统的车队监测中心控制装置管理，为每辆车指定装载机的位置和运输路线，车辆通过接收无线指令以合适的速度按照目标路线运行；

2）卡车由GPS、监测中心控制装置无线指令和其它导引装置来确定车辆在矿山的准确坐标并了解周围的情况，使得卡车能在无人操作的情况下实现复杂的装载、运输和卸载循环的自动运行；

3）装载时，由同样安装了GPS的挖掘机或装载机来计算并引导卡车至正确的位置，由装载机自动进行装载；

4）卸载时，监测中心控制装置发送卸载点的位置和路线信息，卡车在相应设备引导下到达卸载点，准确进行卸载；

5）安全方面，在AHS运行下如果障碍物侦测系统发现行走路线上有其它车辆或人，卡车就会马上减速或停车。

在无人驾驶卡车上，通常装备有以视觉为主的多融合传感器，包括摄像头、激光雷达和毫米波雷达等传感器。其中，主要基于摄像头实现环境感知，以激光雷达和毫米波雷达等其他传感器来提升系统冗余度。通过系统配备的深度学习感知算法，能够做到让摄像头像人眼一样实时感知行车周边环境，检测和跟踪视野中的各种物体，能够对可视场景进行像素级的解读。

F 主要技术提供商：日本小松+GE、卡特彼勒、沃尔沃

目前，以小松的无人驾驶矿卡应用最为广泛，这里重点介绍小松的无人驾驶矿卡情况。

矿卡从人工操作到AI水平示意图

小松目前的技术实现了“无人驾驶矿卡”，下一步是“无人矿山”，最后是“AI矿山”。

 

     日本小松公司第一辆77t无人驾驶卡车首先在日本一家水泥公司的采石场试验，用雷达检测障碍物，最大运行速度36km/h，1996年又在澳大利亚昆士兰矿山使用。1996年，小松公司5辆无人驾驶卡车在西澳大利亚投入运行，采用架线供电方式，沿道路每150m设一根标杆，以10次/s的偶合脉冲激光校准制导和GPS定位系统准确地引导卡车，以cm级精度在矿区道路上运行。2005年，小松公司在智利的铜矿开始进行无人运输系统的试验，当时并没有为无人驾驶研制新型卡车，而是采用现有车型，为其安装了多种传感器、控制器和通信组件等设备，确保其可在指令之下自动行驶。而整个系统还需要地面控制中心、通信基站等设备，并在导航卫星的支持下工作。

2008年年底，力拓（Rio Tinto）公司位于澳大利亚的几座铁矿也开始运营小松公司的无人驾驶卡车。位于澳大利亚西北部的皮尔巴拉（Pilbara）地区是闻名于世的铁矿石产区，运输铁矿石的卡车每天24小时不间断地在广袤而空旷的褐红色土地上飞驰（见图2、图3）。而这些两三层楼高的卡车没有驾驶员，也没有随车人员，一切全由1500公里外珀斯市的计算机控制中心来远程控制（见图4）。迄今为止，力拓集团在澳大利亚4个矿山中启用了73辆无人驾驶卡车。

    此外，小松还计划增强无人运输系统在混合型车队的应用能力，即一个车队中同时运行有人驾驶和无人驾驶卡车，这有利于现有矿山逐渐过渡到全自动矿山。

小松现在的无人驾驶矿卡的FrontRunner 系统示意图

    2016年，小松发布一款无人驾驶矿用卡车（见图5），直接取消了卡车上的司机驾驶室。新设计的车身重量被平均分配到了四个轮子上，同时还配备四轮驱动和四轮转向，卡车有更好的控制性和可操作性，从而将无人驾驶的概念执行得十分彻底。该车长15m，有效荷载为230t，最大功率2700马力，最高时速可达64km/h。

小松取消驾驶室后的无人驾驶矿卡

③ 预测性维护

由于喷砂工艺处理不佳造成机械表面的瑕疵，成为了培育AI在矿业领域快速推广的沃土，即：设备的预测性维护。

在预测性维护领域，已诞生初创公司的独角兽，美国的Uptake公司最近一轮估值已达23亿美金。Uptake采用机器学习，协助使用这项技术的公司理解嵌入在全球工业设备上的传感器收集的令人眼花缭乱的数据。此外，Uptake为了完善工业数据源，收购了APT（Asset Performance Technologies）。APT的数据库能透过辨识设备何时发生故障，协助客户防止代价高昂的停机和维修。Uptake的机器学习技术会随著消化更多数据而变得更智能，而APT的资料库包含成千上万关于设备故障原因的历史经验教训。两家公司合并后，预测性维护技术已应用到了飞机发动机故障预警等高端领域，进一步说明了AI是可以自我学习的，如果给AI大量营养（数据），AI会成长的更快。

预测性维护带给矿山的直接收益是：减少非计划停机、节省成本、创造更高效益。主要是通过结合大数据分析，自动建议合理的配件采购量，减少不必要的库存，保持系统稳定性和开机率，合理安排运维计划等细节来实现。

预测性维护算法的核心是需要辨识机械部件在出故障或损坏前的各种特征。这些可能导致零部件损坏的特征，是通过设置在机械具体部位的传感器实时采集的数据和数据库里正常运行数据曲线和导致机械故障的数据曲线进行分析和比对得出的。在机械故障或零部件损坏前，通常设备的温度、振动、噪音、电流等数据都会有所变化。通过这些变化，AI能提前告知管理人员哪个设备的哪个部件可能会出问题，提示管理人员提前排除故障，从而实现“预测性维护”的目的。

2018年刚上线时的Alpha公司（安尔法智控科技）的预测性维护运维平台

 

预测性维护的工作原理

第一步：传感器连接，直接“贴”到需要监测的设备的相关部位；

第二步：数据采集，持续的采集数据到云端；

第三步，分析，机器学习算法通过数据分析预测设备运行健康/故障；

第四步，实时监控，通过电脑或手机，以及微信推送实时掌握设备状况。

 

国内成功使用预测性维护的案例

神木煤业石窑店选煤厂

川煤集团叙永选煤厂

（详细案例情况，请参与Alpha网站）

 

叙永选煤厂斗式提升机故障预测及提前排障过程

持续关注：为了确认设备的情况，在正常检修时间之前，继续关注设备运行的数据。经过接下来的几天时间监测，并且根据历史数据的积累，系统经过分析后，预测在两三天内三轴振动峭值有可能出现明显的增加。

系统预测振动曲线

微信预警信息推送

检修过程：10月31日，车间检修师傅通过系统提示，在现场斗提机运行的时候进行检查，发现斗提机存在转动无力的情况，于是立即停机，拆下电机的减速机等，进行检查。经检修发现：减速机滚键，造成了轴的键槽与齿轮的键槽损坏失效。在现场及时地在外对键槽进行修复后，斗提机运行恢复正常。更大故障乃至于停产的发生被扼杀在了摇篮之中，可能出现经济损失被有效地避免了。现场设备管理人员特别赞赏了此次准确的信息预警，并表示之后会更加利用系统的信息推送，以及专家建议，将设备的维护做到更好。

键轴损坏情况

值得一提的是，Alpha（安尔法）的预测性维护技术，已将矿山设备资产的生命周期智能化管理考虑在内，并与微信打通，管理员与系统的“人机交互”形式更为丰富和实用。

 

国外成功使用预测性维护的案例

英美资源，澳大利亚Moranbah North Mine煤矿，在选煤厂中所有的渣浆泵使用了预测性维护技术。

Barrick Gold公司旗下多数金矿的采矿设备及选矿厂均实施了预测性维护系统。

除减少非计划停机外，预测性维护技术在帮助系统更稳定时，选矿厂设备都都处于最佳性能，这样带来的附加好处是：提升选矿厂的回收率。

国内智能采矿，智慧矿山，智能化选煤厂等已不是新概念，遗憾的多数选择大声疾呼，仅有少数公司能专注于技术开发工作。国内的矿山，严格意义来讲，暂时没有一个真正的“智慧矿山”。行业缺标准，营销靠想象，矿山搞政绩，把自动化当智能化……这些现象只能给矿业的智能化之路带来负能量。智能化不能一步到位，不是搞大而全工程，也不是高投入就一定有效果。

这样的大环境下，坚持踏实研发，逐步将智能化技术落地的公司，一定会收获丰厚的回报。

科技的发展将重塑矿业，并为这一古老的行业增加新的发展动力。 

在矿业，一起做AI

 

---

【免责声明】本平台旨在分享和传播优秀文化思想，无任何商业目的，版权归原作者所有，如有侵权请与我们联系！欢迎广大朋友投稿。扫描下方公众号二维码，关注更多及时资讯。