17、机器学习助力地下矿山规划与调度优化

机器学习助力地下矿山规划与调度优化

1 规划调度输入参数的准确性

优化模型是对业务问题关键决定变量的逻辑或数学表示，旨在寻找目标或解决方案，并受特定条件（即约束）的限制。生产调度的质量和稳健性在很大程度上取决于提供给模型的输入参数的准确性和有效性。因此，必须采用可靠的方法来确定与动态运营环境一致的规划或生产调度的动态输入参数，以确保随着调度的执行，输入参数在给定的运营环境中仍然有效或可推断。

机器学习驱动的预测模型在此方面提供了众多机会，可用于确定矿山规划和调度过程中关键输入参数的可靠估计值，例如矿石品位、采矿贫化率、采矿回收率、设备可用性和设备利用率指标等。机器学习模型对设备和采场性能指标的预测能力，有助于实施主动缓解控制措施，以最大程度减少可能影响生产调度优化的潜在生产中断。

1.1 机器学习模型的应用

• 设备状态监测 ：机器学习模型可在生产优化模型的后台运行，为关键生产活动（如设备可用性或采矿贫化率）提供最新的预测数据和见解。例如，通过监测关键生产设备，可以预测设备在未来特定时间的健康状态以及关键部件（如刹车、发动机或变速器）的剩余使用寿命。这有助于在不影响生产计划的情况下，提前规划维护工作。
• 矿石品位估计 ：在勘探方面，机器学习模型在品位估计方面的增强预测能力，特别是在数据缺失或有限的情况下，是一项具有里程碑意义的进展。传统的品位估计方法通常需要特定的最小钻探密度指导，以实现可靠的资源转换和品位估计。而机器学习模型的应用有可能在不影响估计准确性的情况下降低钻探密度，从而为企业节省大量成本。此外，减少的钻探密度还可能缩短品位估计过程和后续块