ИИ глубже проникает в горнорудный сектор

В рамках первого проекта с бюджетом в 1,2 миллиона канадских долларов, компании создадут систему предиктивного технического обслуживания для компаний горнорудной отрасли. Она будет использоваться для трубопроводов, конвейерных лент и зданий, то есть для тех объектов, где, по большей части, отсутствуют датчики для сбора информации в режиме реального времени. Платформа будет агрегировать информацию, собранную во время обходов инженерами, чтобы создавать модели объектов и давать рекомендации по их обслуживанию.

Сейчас инспекционные отчеты в большинстве компаний заполняются от руки на бумаге. Их сложно анализировать с помощью компьютеров, так как они представляют собой неструктурированные данные, которые хранятся разрозненно на каждом предприятии в разных форматах. Следовательно, увеличивается время на выявление проблем и их решение. А в некоторых случаях задержки в техническом обслуживании капитальных сооружений и тяжелого оборудования могут привести к серьезным поломкам и длительным простоям.

По данным компании BEAP, предиктивное техническое обслуживание стратегических агрегатов и узлов может уменьшить операционные расходы и увеличить их производительность на 20-25%. Разрабатываемая платформа будет использоваться на 22 шахтах, 14 горно-обогатительных комбинатах и 16 заводах, расположенных в канадской провинции Квебек. В дальнейшем платформу планируют адаптировать для применения в энергетическом секторе, который зачастую сталкивается с проблемами, которые похожи на те, что решают горнорудные компании. 

Люси Леко, министр экономики Квебека, уверена в существенной экономической отдаче проекта: «Инновации — ключевой фактор конкурентоспособности квебекских компаний, включая компании горнорудного сектора. Интеллектуальная платформа, которую разрабатывают BEAP и Norda Stelo, позволяет улучшать практики ведения операций и повышает их производственные результаты. Благодаря цифровым инновациям, весь Квебек выиграет от изобретательности и знаний, накопленных этими двумя компаниями».

Президент BEAP Бенуа Бедар так описывает преимущества проекта: «Наша команда сосредоточена на предотвращении негативных экономических, экологических и гуманитарных последствий техногенных катастроф. Мы разработали метод сбора и обработки данных, которые можно структурировать и использовать в машинном обучении. Таким образом мы можем повысить степень нашего понимания технического состояния объектов и улучшить результаты, которые показывают уже применяемые на производстве методики. Дополнительные знания дают горнорудным компаниям возможность усилить контроль над состоянием объектов и упростить операционные процессы».

Системы ИИ находят применение не только в контроле над состоянием объектов. Оптимизировать можно весь производственный цикл: от планирования работ на шахте до обогащения руды на ГОКах. По оценкам McKinsey, к 2035 году объем сэкономленных с помощью ИИ средств в горнорудной отрасли в мире достигнет 290-390 миллиардов долларов в год. Некоторые проекты осуществляются уже сейчас. 

Например, система на Кольской ГМК, входящей в «Норникель», анализирует расход воды и реагентов, качество сырья и другие параметры и дает подсказки оператору, которые позволяют более эффективно вести добычу.

Также в «Норникеле» широко используются системы компьютерного зрения — один из видов ИИ. Одна из них определяет, пользуются ли работники средствами индивидуальной защиты (респираторами, касками и спецодеждой) и предупреждает мастера цеха или участка, если кто-то нарушает правила безопасности. Эта система ИИ снижает риск производственных травм и помогает сберечь жизнь и здоровье сотрудников. Другая система компьютерного зрения помогает искать посторонние предметы (куски металла, дерева, арматуры и т.д.) в руде. Она снижает вероятность того, что в дробильное оборудование могут попасть предметы, которые могут его сломать. Преимущество ИИ в том, что такие системы, в отличие от человека, не устают и не отвлекаются.

Создание модели ИИ, которая будет решать какую-либо задачу, — трудозатратный процесс. В начале нужно собрать максимальное количество данных, относящихся к проблеме. Затем очистить их, то есть убрать из набора данных те, которые сильно выбиваются из общей картины. Эту задачу нельзя доверить машине, ей должен заниматься человек. От качества исходных данных во многом будет зависеть полезность и точность получившейся модели. И только после тщательной подготовки можно начинать обучение: запускать алгоритмы, которые будут искать в данных закономерности. Обучение требует больших вычислительных мощностей. Например, языковая модель GPT-3, которая способна создавать тексты практически неотличимые от написанных человеком, потребовала не только несколько десятков терабайт исходных данных, но и объемов вычислений, которые на обычном ПК заняли бы десятки тысяч лет.

Несмотря на все сложности при создании моделей ИИ и серьезных первоначальных инвестициях, вложения в этот сектор обычно довольно быстро окупаются. И применение таких технологий в бизнесе становится необходимостью. По прогнозу Forrester к 2025 году практически все американские компании будут использовать ИИ в той или иной форме. Эта технология может послужить ключом к сохранению конкурентоспособности.

В обзоре 2021 года, посвященном применению ИИ в горнорудной отрасли, указано, что пока большинство компаний сектора в мире используют относительно устаревшие алгоритмы, разработанные несколько десятилетий назад. Но с 2018 года ситуация начала быстро меняться: публикуется все больше работ, в которых применяются системы глубокого обучения. Самая активная область применения ИИ в горнорудной отрасли — автоматизация бурения, которая позволяет увеличить эффективность этого процесса и уменьшить износ оборудования.