物联网  >   智能工业  >  正文

人工智能在工业矿物加工中的应用

  人工智能和机器学习是工业加工中先进的数字解决方案,可以极大的提高矿物加工部门效率,但是由于成本,一些矿业公司并不愿意投资。

  工业革新已经不是第一次了,这次的改革是采用提高效率的人工智能(AI)。根据全球会计事务所EY公司在2017年12月发布的报告显示,数字效率是开采和金属行业面临的最大风险。目前数字解决方案已经被用于开采和加工,通常用于指定矿物生产过程点,而不是整个生产链,但这是一种反倒会限制生产率提高的方法。

  AI 用于开采行业还处于试验阶段,目前有许多先进的开采技术可以大面积移除矿物岩石,并在其中找出小部分的目标矿物。但是,要考虑分拣等加工成本的经济可行性才能商业化。

  当工厂经济受到挑战的时候,优化和卓越运作变得越来越重要,越来越复杂的矿体,逐渐下降的矿石等级和纯度,都提示着整体设备效率需要进一步改善。AI被用于改善传统过程中有价值矿石的分拣,使用更少的燃料和成本来运输无用的岩石。

  根据智利圣玛利亚大学化学工程系的教授Luis Bergh说,九十年代中期AI技术被用于开采行业的较少。大多数AI技术是在30年前出现的,但一开始矿业公司对其使用很少,主要是因为与简单生产扩展的好处相比,提高过程效率的经济效益很小。开采中,大多数人工智能是以专家系统形式引入,大多使用“二进制逻辑”,但是这只能用于真实或错误的变量,当涉及到广泛的矿石含量,就被限制了。今天,采矿业中,大多数人工智能都是基于“模糊逻辑”,这样可以建立不同程度的真实性,也可以使结果更加精确。

  

 

  来自加拿大软件公司Vancouver的创始人兼CEO Slava Kurilyak表示,公司的主要业务之一是为采矿行业提供多种人工智能解决方案。人工智能和机器学习技术主要适用于采矿行业中的分类和预测,由于越来越多的开采量,多样性矿山和大量数据,高技术的使用是不可避免的,机器学习还可以帮助公司收集数据并预测未来。

  采矿业的加工步骤中需要用到数据分析的步骤有四部分:粉碎,使中颗粒尺寸减小;尺寸,其中颗粒尺寸的筛分和分类;浓缩物;脱水,固体和液体的分类。

  Metso公司也看到了利用数据来改善加工过程的机会,该公司目前正在建立一个云基础解决方案,用于收集和分析来自粉碎和筛选设备的数据。该公司表示,人工智能和机器学习可以帮助维护,并让操作人员提前知道机器的故障,以优化机器和工艺参数。使加工设备可以在同样的时间更高效的运作,减少能源的消耗,以及使产品质量更加稳定,最终使生产过程平顺,产量提高。Metso已经在全球多个矿点进行云计算解决方案的试行,世界上几家大的矿业公司也在资助人工智能开采,勘探和加工解决方案方面的研究。学术研究方面主要集中在澳大利亚,南非,建安大,智利,秘鲁和巴西等国家。

  总部位于美国,伊利诺斯州的散装运输解决方案公司Martin 工程,正在研发传感器智能系统,将数据传输到中央监控站,减少长距离传输中的人工或设备巡逻,可以确保运行比较平稳。Martin工程公司使用的并不是人工智能,而是利用智能技术来提高选矿设备的效率。公司最新的创新之一是开发辊式发电系统,它利用移动传送带的动能来产生足够的功率来运行各种各样的电子系统,包括收集和通信所需的传感器和发射机,并获取分析处理性能所需的数据。

  人工智能是否能最终取代人类在开采和矿物加工中的作用是一个敏感的课题,矿物公司几乎可以肯定,如果采取人工智能来增加效率和利润,那么牺牲员工职位是可能的。但多数人工智能的支持者一直强调,自动化矿业需要不同的人员操作,而且需要熟练工人。比如选矿一定需要操作人员和维修人员,人工智能的作用是帮助这些工作更简便和更安全。由于现在的人工智能主要是本质上的防御,而不是反应性的自我修复,就还是需要维修人员拿着锤子和扳手来维修的。

  来自Martin工程公司的负责人表示,人工智能和技术已经帮助填补了矿物中较大的技能短缺了,比如带式输送机系统的操作基础对于员工来说常常是个谜,他们对安装的硬件和组件所需的性能了解甚少,可以理解的是矿山人员的注意力大多集中在产品的加工上面。人工智能的投资并不是购买一个现成的软件包,而是需要适当的人力有效的运用它们。

  虽然人工智能不会取代人类开采的工作,但是矿业公司在雇佣人方面会有技术需求的考虑。人工智能对于采矿中的密集工作有独特的逻辑,可以消除对人类的危害和危险,也将创造新的工作机会。

  

  人工智能在工业矿物加工中的应用包括

  • 智能数据平台,创建一个收集和输出数据的数据仓库平台,用于数据分析和机器学习是未来不可缺少的。该软件可以自动汇总各种数据输入,以多种格式保持每月数百小时的数据处理。这样自动化的平台数据管道过程同时执行数据清理,以更人性化格式储存数据。这种技术要求提高数据质量和透明度,以优化操作。一旦数据被储存和处理,数据平台将成为机器学习的模型,测试停机时间等领域优化结果的测试平台,通过预测机械故障,调整人和机器的性能来提高操作效率。

  • 提高运营效率,优化过程监控,不违反操作约束,通过人工神经网络,统计和多变量建模相组合改进选矿操作中人机协调系统。

  • 矿物产量预测,利用不同矿石类型的选矿数据预测选矿的杂质产量,然后通过采集矿石样品放入检验口实践,最后使用深入化人工神经网络来推测矿石性质。

  • 停机时间预测,使用机器学习功能,预警预警液压泵诊断系统,以预防泵事故。

  • 轧机过载预测,在半自磨轧机中,检查超载是具有挑战性的任务,由于过载的复杂性和非线性性质,操作员必须监视半自磨过程中的几种测量,这时使用机器学习技术可以同时监测和找出轧齿边量度和过往故障案例的相关性。

  • 处理厂性能预测,使用人工神经网络模型来预测污水处理厂的变量,可以使操作人员及时纠正问题。

  • 利用泡沫特性优化浮选,使用机器学习技术分析电路工艺流程,泡沫影像数据,气泡尺寸和处理厂数据,有助于改善和改进采矿决策。

  

 

  另外,人工智能中的传感器数据采集也是很重要的一环,在粉碎过程中,机器可用性和维护成本,能源效率都是改善的关键环节,这时远程状态监测和预测维护解决方案提供了便利。

  在研磨过程中,正确的估算和延长衬垫的磨损寿命可以直接提高产量。人工智能技术帮助优化操作参数,比如轧机速度,进给速率,电荷,密度和循环负荷,基于改进的建模和测量的轧机衬里轮廓和升降机。这需要传感器以及智能算法、仿真能力和数据处理能力的形式的附加智能。

  在浮选中,传感器被用来准确估计泡沫水平和停留时间、适量的试剂和其他决定因素。

  

上一篇:智能工厂研习|走进西门子&一汽丰田

下一篇:云智实验室:智能工业物流系统