O artigo se concentrará no uso de tecnologias de aprendizado de máquina e visão computacional na indústria de mineração de nosso país.
Na minha humilde opinião (funcionário de uma das empresas da indústria mineira e metalúrgica), as soluções informáticas no domínio do transporte mineiro e unidades de processamento congelaram ao nível da automatização dos principais processos tecnológicos chave. Agora, na terceira década do século 21, chegou a hora de otimizações e melhorias para as grandes empresas, a hora da introdução de novas tecnologias de aprendizado de máquina e visão técnica. E esse trabalho já começou.
Introdução
De acordo com a Wikipedia, existem 26 empresas de mineração na Rússia (na verdade, há mais delas). Os maiores e mais famosos deles são: Alrosa, Norilsk Nickel, RusAl, Polyus e outros. Todos eles são unidos por um dispositivo semelhante e organização de processos tecnológicos chave: há um local para a extração de minerais (pedreira), bem como uma planta de processamento (planta).
A redistribuição do GTK (complexo de mineração e transporte) é mais ou menos a mesma para todos: o minério da pedreira é transportado diretamente para a fábrica, ou para os depósitos de minério, e daí para a fábrica. A sobrecarga vazia é armazenada em lixões. O transporte pode ser realizado por caminhões basculantes pesados e transportadores, ou por métodos combinados. A entrega ferroviária, ao que me parece, não é muito difundida em nosso país, ao contrário das empresas australianas.
As fábricas variam muito de empresa para empresa. No entanto, alguns ramos são semelhantes. Por exemplo, a tarefa do departamento de preparação de minério em todas as fábricas é moer o minério em frações aceitáveis. Isso é feito com a ajuda de trituradores e moinhos (aliás, esta é a operação mais cara nas fábricas).
Além disso, dependendo do tipo de minério e do mineral, diferentes abordagens de beneficiamento são aplicadas. Por exemplo, a mineração de diamantes usa sua propriedade única - luminescência (brilho) em raios-X, que permite a pneumática simples "atirar" diamantes do fluxo de minério triturado. Para a mineração de ouro, são utilizados processos químicos (flotação, sorção e dessorção, eletrólise) e até biotecnologia (bactérias especialmente removidas que ajudam o ouro a ser liberado da casca). E para a produção de alumínio a partir da alumina, a base de tudo é a eletrólise.
Tendências atuais no Comitê Aduaneiro Estadual
Assim, como entendemos, na redistribuição do complexo de mineração e transporte, a principal tarefa é oprimir, explodir e transportar o maciço rochoso da pedreira. Uma frota de sondas de perfuração, caminhões basculantes pesados e escavadeiras está envolvida nisso.
O controle sobre um grande número de equipamentos (às vezes os parques podem chegar a 400 ou mais unidades) são realizados por despachantes e operadores usando os sistemas de controle automatizados do complexo de mineração e transporte. As tarefas dos sistemas ASUGTK são controlar os parâmetros operacionais e o estado das máquinas de mineração, controlar e gerenciar o carregamento de caminhões basculantes, prever e monitorar a implementação do plano, fornecer relatórios e, às vezes, na otimização e distribuição dinâmica de caminhões basculantes ao longo das rotas.
Mas tudo isso já é ontem. Hoje, as aplicações pontuais de aprendizado de máquina e sistemas de visão técnica estão se tornando relevantes.
Análise da condição dos dentes da caçamba de uma escavadeira de mineração
Partes do equipamento de mineração, em particular os dentes da caçamba de uma escavadeira de mineração, operando nas condições adversas de escavação de rochas, estão constantemente expostas aos chamados. choque e desgaste abrasivo. Ao mesmo tempo, a perda de um dente é repleta de problemas: começando por uma diminuição no desempenho da escavadeira durante a escavação, danificando a própria caçamba e terminando com esse dente entrando na britadeira após o transporte. Como resultado, o risco de perdas significativas de material aumenta: tempo de inatividade prolongado do equipamento, restauração e reparo, a necessidade de uma pessoa extrair um dente de uma retificadora (um evento bastante perigoso).
Para resolver esses problemas, soluções baseadas na visão técnica são aplicadas. Aqui está um exemplo de tal sistema. O sistema analisa as armações e determina constantemente a condição dos dentes da caçamba e o grau de seu desgaste.
À noite, um holofote é usado. Câmeras de vigilância fornecem ao operador uma visão de todos os lados da escavadeira: todas as informações coletadas pelo sistema são exibidas em um monitor na cabine do operador e permitem detectar dentes perdidos a tempo, avaliar a carga útil da caçamba e o grau de desgaste dos dentes.
Controle da composição granulométrica do minério transportado
O tamanho da partícula do maciço rochoso deve ser controlado em quase todas as etapas da produção: após a explosão, durante o transporte, quando o minério é fornecido para a fábrica, após a britagem, após a britagem. Este é o indicador mais importante monitorado, pois dele depende a qualidade e a continuidade dos processos tecnológicos: desde a qualidade da explosão até o possível enchimento (entupimento) do equipamento.
Na redistribuição GTK, sistemas de visão computacional são usados para medir automaticamente o tamanho do grão do minério. Eles podem rastrear a distribuição do tamanho das partículas de cada caminhão no caminho para o britador e fazer recomendações para a remoção de material de grandes dimensões.
Se parece com isso:
Controle de fadiga do motorista
Sim, na carreira, os motoristas também trabalham muitas horas. Ao mesmo tempo, eles dirigem pesados caminhões basculantes de 60 a 450 toneladas. Os turnos geralmente duram 12 horas com um único intervalo regulamentado para o almoço e necessidades pessoais. Os acidentes na pedreira também são perigosos pelo fato de que quedas de saliências quase certamente terminam tragicamente e como um incômodo adicional - o provável bloqueio da saída de outros carros.
Citação do artigo :
De acordo com as estatísticas da empresa [autor: Alrosa] de 2019, as principais causas dos acidentes foram o adormecimento do motorista ao dirigir, distração ao dirigir e perda de controle do movimento.
Naturalmente, os sistemas de monitoramento da fadiga do motorista também não contornaram as empresas de mineração. Esses sistemas estão sendo implementados ativamente e usados para evitar que adormeça ao dirigir. Além disso, eles são capazes de coletar e transmitir dados sobre a condição do motorista e suas ações para o operador. Um dispositivo que parece um gravador de vídeo está instalado na cabine do carro. O software reage às expressões faciais do motorista, voltas de cabeça e movimentos dos olhos. Quando as métricas começam a indicar que o motorista está adormecendo ou se distraindo do controle, um sinal sonoro é emitido. Depois disso, o motorista deve voltar o olhar para a estrada e confirmar sua condição pressionando um botão.
Tecnologia autônoma
Pelo que eu sei, na Rússia, no momento, não há nenhuma aplicação industrial prática da tecnologia de transporte autônomo em pedreiras, mas eu realmente queria mencioná-la no artigo. Posso estar enganado, mas com base na minha própria experiência, bem como na experiência dos "colegas de trabalho", posso dizer que as modestas tentativas de implementar tais sistemas que conheço esbarraram numa dura realidade. Aqui está um artigo interessante de 2019.
A BelAZ vem testando veículos não tripulados há muito tempo. No entanto, por trás das manchetes de jornal barulhentas "Monstros de carreira deixarão motoristas sem trabalho: BelAZ mostrou equipamento especial completamente autônomo", "Eles não estão apenas com um piloto automático, mas com inteligência artificial", há uma triste realidade: não há implementações em grande escala, embora artigos com tais manchetes sejam publicados de forma consistente uma vez a cada ano passado 5-6 anos.
Por exemplo, aqui está o problema de 2018:
No entanto, o controle remoto é comum. Mas esses sistemas não estão relacionados ao ML e ao CV.
Problemas de introdução de novas tecnologias
Para concluir, gostaria de abordar o tópico dos problemas que impedem a introdução de tecnologias de aprendizado de máquina em empresas russas da indústria de mineração e metalurgia. Infelizmente, esses problemas geralmente não são de natureza técnica. Trabalhando em uma dessas empresas, posso identificar os seguintes tipos de obstáculos no nosso caminho para um futuro melhor: falta de competências, falta de motivação, superestimação das capacidades de ML e CV, barreiras organizacionais.
Uma análise detalhada desses problemas terá como base um artigo separado, portanto, não vamos nos aprofundar nos detalhes da mentalidade dos gerentes russos e gerentes eficazes.
É claro que os sistemas ML e CV listados no artigo não são todos usados hoje em empresas de mineração. Melhorar a eficiência e a produtividade é um processo longo, especialmente no contexto de processos de trabalho bem estabelecidos e sob a orientação de “gestores eficazes”. De acordo com minha avaliação subjetiva, as empresas ocidentais e australianas estão de 5 a 10 anos à nossa frente, e as altas margens das empresas russas se devem a razões completamente diferentes, mas isso, novamente, é um assunto para outra história. É interessante notar que com tal desenvolvimento e aplicação das tecnologias de ML e CV na indústria, como no Ocidente, os especialistas nestas áreas irão muito em breve (senão já) valer seu peso em ouro, especialmente aqueles que têm experiência prática.
PS
Obrigado por ler o artigo. Se gostar, sinta-se à vontade para deixar o seu voto e se a resposta da respeitada comunidade for significativa, aparecerá um artigo sobre a aplicação do ML e CV em concentradores.
Para tornar o setor excelente novamente e obter uma profissão exigida do zero ou subir de nível em habilidades e salários, você pode fazer os cursos online SkillFactory:
- Profissão de cientista de dados em qualquer nível inicial
- Profissão de analista de dados em qualquer nível inicial
- Curso de Aprendizado de Máquina
- Curso avançado "Machine Learning Pro + Deep Learning"
- Curso "Matemática e Aprendizado de Máquina para Ciência de Dados"
Mais cursos
