葛世榮院士團隊：大規模地下金屬礦裝備智能調度數字孿生關鍵技術
[2025-06-11 15:49:10]詳細說明：
金屬礦產是支撐我國世界制造大國地位的基石。然而，隨著我國社會經濟的快速發展，金屬資源消耗持續提升，金屬礦山淺部資源日益枯竭。從礦產資源自然稟賦上看，我國戰略性金屬礦產資源對外依存度很高、來源單一集中。據統計，我國礦產資源平均對外依存度高達65%，有12種礦產資源對外依存度超過80%，17種礦產資源超過50%。鑒于當前全球地緣政治局勢動蕩，戰略性礦產資源博弈日益加劇的形勢，要著力推進金屬礦山智能化建設，實現礦山行業安全、高效、綠色的目標，是我國金屬礦山高質量發展的必由之路。
20世紀90年代至21世紀初，全自動化或智能化采礦技術開始出現，如芬蘭、加拿大、澳大利亞、挪威、瑞典等國先后制定了智能礦山實施計劃。國際著名礦山裝備公司除研制智能采礦裝備外，還研發出系列智能采礦系統，如瑞典Sandvik公司的AutoMine和OpiMine，美國Caterpillar公司的MineStar，日本Komatsu公司的Autonomous Haulage System (AHS)等。我國自21世紀開始重視智能采礦技術的研究，先后在“十一五”至“十四五”期間，設立并實施了國家“863計劃”“973計劃”和重點研發計劃專項等國家級課題。隨著國家2035年金屬礦深部多場耦合智能化開采戰略的實施，礦山智能化建設被認為是解決金屬礦開采所面臨關鍵難題的最有效手段。金屬礦山智能化建設相關研究重點圍繞開采環境智能感知、開采過程智能作業和開采系統智能調度三大主題。其中智能調度是實現高效生產規劃、提高經濟收益和保障礦山智能化生產的重要手段，是礦山技術變革和技術創新的重要內容，但我國礦山開采智能調度理論與技術遠未成熟。
生產調度管理是礦山生產與經營、生產與安全以及各生產子系統間的協調中心，現代化礦山離不開智能化的調度管理，實現開采作業智能調度可以有效提高礦山整體生產效益。但目前對礦山開采裝備的智能調度問題研究遠未成熟。
針對礦山調度過度依賴人工完成、設備協同性差、生產效率低、智能化調度技術不足、難以適應大規模生產調度需求等問題，葛世榮院士團隊全面分析了地下金屬礦的開采工藝和方法，總結出地下金屬礦開采方法和工藝譜系。針對傳統調度求解方法存在的問題，劃分了生產計劃編制、開采設備接續和工序設備協同3個關鍵調度問題，提出了動態調度和多目標求解算法是求解大規模地下金屬礦智能調度問題的有效方法。通過分析數字孿生技術為大規模平行作業模式以及動態多目標調度提供了智能化服務載體，提出了以物理裝備層、孿生數據層、傳輸數據層、虛擬孿生層和孿生服務層的地下金屬礦裝備智能調度數字孿生系統架構，從而為大規模采場裝備集群智能調度提供了技術支撐，是智能化礦山建設的必由之路。主要觀點如下：
（1）當前大規模金屬礦山開采效率低下，多階段、多采場、多進路的“三多”平行作業開采模式，有助于實現礦山裝備集約化管理，節約人力和設備資源，大幅提高生產效率，是大規模地下金屬礦山開采模式的發展趨勢。
（2）動態調度模型提高了調度方法的魯棒性，多目標求解算法能夠實現多目標優化，提高資源利用率和生產效率。因此，將動態調度模型和多目標求解算法有機融合對于解決復雜礦山裝備集群調度問題具有重要意義，是大規模地下金屬礦山裝備調度管理的研究重點。
（3）大規模金屬礦山生產及其裝備智能化調度會隨著生產過程不斷變化，傳統程序化調度方法缺乏自我生長機制，采用數字孿生技術創建生產裝備調度系統，才能滿足動態、多目標、大規模、智能化的調度要求，才能完成大規模生產調度所需的真實模擬、實時監測、自主決策和雙向控制，才能實現大規模地下開采的各工序、作業設備的安全有序運行，具有廣闊的應用前景。
（4）大規模地下金屬礦開采與裝備智能調度相關理論技術研究還遠未成熟，現有調度模型還存在裝備協同調度效率低、動態優化能力弱等共性問題，其數字孿生模型缺乏自主完善機制和通用架構標準。此外，如何實現機理與數據融合建模、更多利用大數據和人工智能技術實現數據雙向實時交互映射等方面仍需深入研究。
成果1：地下金屬礦開采方法譜系
地下金屬礦山開采方法按地壓管理方式可以分為3大類，即空場采礦法、充填采礦法與崩落采礦法。地下礦山開采方法的選取與礦山地壓管理方式密切相關，空場采礦法對采空區不做處理，利用礦巖自身穩固性、留礦柱等方式自然支護實現地壓管理；充填采礦法使用充填材料對采空區進行人工支護實現地壓管理；崩落采礦法通過崩落圍巖積極利用地壓進行開采的同時進行地壓管理。在各類開采方法中按照礦體開采規模不同又可以分為13個組別。
地下金屬礦開采主要工藝流程為礦床開拓、礦塊采準、礦塊切割和礦石回采。其中，礦石回采是開采過程中最主要的生產過程，占礦山整體勞動消耗40%~50%，回采成本占礦石總成本的30%~50%。因此研究回采對礦山高效生產具有重要指導意義。由上述開采方法可知，多采場布置已經成為大規模開采方法的特征。隨著采場增加回采裝備也會隨之增加，因此回采裝備調度優化是實現回采智能化的關鍵一環。其中回采主要包含鑿巖、裝藥、爆破、通風、撬毛、出礦和充填7項工藝。
成果2：地下金屬礦山生產調度模型
1 地下金屬礦山生產調度主要問題
（1）生產計劃編制問題。目前在礦山生產計劃編制方面已經涌現出以混合整數規劃法為代表的編制方法和以精細化建模技術為基礎的DIMINE、MineSchedhe和iSched等三維可視化生產計劃編制軟件。但隨著礦產資源不斷減少和露天轉地下礦山不斷增多，礦山生產對經濟、安全和綠色要求越來越高，出礦品位控制、回采順序確定和資源合理配置等一系列的調度難題更加突出。
（2）開采設備接續問題。開采設備接續問題是對相鄰工序在直接或間接作業時進行有效的接續處理，主要包括設備和作業的合理分配。目前回采作業面設備已具備遠程遙控條件，部分動作已能夠自主導航、自主作業，實現無人操作功能。但在設備接續作業時存在接續時間長、設備負荷不平衡和接續工藝多等問題，嚴重威脅到礦山生產安全，限制了礦山生產水平提升，制約了無人化礦山發展。
（3）開采設備協同問題。設備協同問題是對同一工序的設備或小組進行任務分配，特別是隨著礦山開采規模不斷提升，鏟運機、礦卡和電機車等多設備協同問題更加凸顯。由于協同調度問題存在協同效率低、規劃目標多和求解過程復雜等難點，目前的大部分礦山還是處于人工調度階段。單一求解算法很難高效地求解協同問題，而融合求解算法和降階求解算法為求解該問題提供了新的方案。
2 地下金屬礦山生產調度模型
隨著地下金屬礦山生產優化問題研究的不斷深入，計算復雜性增加，調度建模和求解方法是研究的重點。礦山生產調度是從礦山制訂生產計劃開始，到礦山的每個作業環節、每臺設備和每個人員的安排。為了更好地組織和協調好礦山生產調度，對生產環節中的調度問題進行分析研究和建模是很有必要。對于單臺設備的調度，已有很多研究者建立了調度模型，并設計了求解算法，改善了生產效率。但是礦山生產調度是一個以礦石流為主線的從上到下的調度過程，對調度模型進行充分的梳理是求解礦山生產調度問題的基石。本項研究將礦山生產調度模型分為3類。
（1）生產計劃編制調度模型。礦山生產計劃編制調度模型是在有限的設備、人員和生產物資的條件下根據礦山戰略目標制訂年度、季度、月度和每日的生產計劃。礦山生產主要是考慮產品市場價格，通過控制出礦品位來調整收入和成本，達到提高經濟效益的目的。
（2）開采設備接續調度模型。礦山開采設備接續調度與柔性流水車間調度（Flexible Flow shop Scheduling Problem, FFSP）相似，主要的不同點在于礦山開采設備相對于采場是流動的，而生產車間設備是固定的。
（3）開采設備協同調度模型。礦山運輸調度是整個礦山回采作業中設備最多也是最復雜的協同調度模型，目前可劃分為電機車運輸、礦卡運輸和輔助運輸調度3類。電機車運輸調度是多列車在軌道上進行多次往返裝卸點，根據溜井的產量和生產計劃合理安排電機車的運行路線和時間來完成生產任務。露天礦卡運輸調度是合理安排礦卡運輸任務和路徑選擇，達到降低等待時間或運輸成本等目標。輔助運輸是指運輸礦井所需的物料和人員到達生產作業面，以實現資源最優配置和運輸成本最小化。
3 礦山調度模型求解方法
礦山裝備調度模型建立之后，調度算法設計至關重要，起到模型解算、模型優化和調度方案輸出的作用。當前，調度方法分為精確算法、近似算法和多目標優化算法3類。精確算法是基于運籌學的理論方法，能夠在小規模的調度問題上求得精確解。但由于計算復雜、時間長等原因在工程上適用性不強。近似算法是在較為合理的時間內獲得可接受的滿意解，比較貼近工程實際情況。經過長時間演化而涌現的元啟發式系列算法已經能夠求解出理想的最優解。
（1）Q-Learning算法是強化學習方法中較為經典的求解算法，在應對復雜多變的實際生產環境中具有較大優勢。然啟發式方法雖然只能進行局部搜索，但是可以快速得到一個可接受的解決方案，適用于難于用傳統算法求解的復雜問題。元啟發式算法則是引入了更復雜的搜索策略和搜索隨機性來尋找更優解，其應用較為廣泛。
（2）多目標優化調度算法。隨著智能化理論的不斷發展，為追求精細化生產，生產調度呈現出向多目標調度、集群調度和動態調度的發展趨勢。傳統多目標調度處理方法如加權法和約束法，存在單目標權值難以確定和各目標之間量綱不統一等問題。針對傳統多目標處理方法的不足，出現了基于Pareto支配關系的NSGA(Non-dominated Sorting Genetic Algorithms)、NSGAII方法。
成果3：回采裝備智能調度數字孿生系統架構
數字孿生作為一種新的思想，為實現礦山智能化生產調度提供了新思路，通過設備物理體的實時、歷史運行數據，云、邊、端計算的數據處理，虛實雙向映射，以及回采作業鏈裝備集群調度算法，在孿生環境中進行評估、預演和優化，形成數字孿生智能化調度技術，從而提高礦山生產效率。基于上述技術原理，提出了回采裝備智能調度數字孿生系統架構。
裝備智能調度數字孿生系統架構各要素闡述如下：
（1）孿生服務層。結合孿生體的多調度模型優化庫和融合數據庫內多種知識數據知識，構建集中控制、遠程監控等功能的裝備調度服務層。“集中控制、遠程監控”能提高回采作業面物理實體的響應速度，為及時決策與優化流程奠定基礎。“任務分析、動態調度”通過精細化的調度管理和智能決策方法，實現在復雜條件下對裝備的高效協同作業。“故障診斷、周期維護”利用數字孿生場景對生產現場進行實時監控和反饋，提前發現潛在的事故征兆，并自動執行預警和相關安全措施預案。“三維可視、人機交互”結合虛擬現實(VR)和增強現實(AR)技術，提供沉浸式工作環境，幫助直觀地理解和控制復雜的開采過程。
（2）虛擬孿生層。裝備虛擬孿生層是裝備智能調度數字孿生系統的核心要素，主要包含與物理實體相互映射的孿生模型和優化調度生產的調度模型庫。開采設備物理模型、采場環境幾何模型和生產作業行為模型經過模型輕量化處理后可以實時交互顯示，真實呈現回采作業面的數字鏡像。調度模型庫是支撐精益生產和降本增效的核心，通過生產計劃排產調度優化模型、裝備集群調度優化模型和裝備路徑調度優化模型，實現總生產時間最短、設備行駛距離最短和間隔時間最短等多目標優化，形成完整的調度優化鏈，為孿生模型提供調度服務基礎。
（3）傳輸數據層。數據傳輸層不僅要實現裝備智能調度數字孿生系統中各組成部分的互聯互通，還要進行數據處理、數據融合、邊緣計算等操作。數據處理是指數據校驗、清理等預處理過程，主要是防止傳輸過程中的數據錯誤、數據缺失等情況，提高數據質量。數據融合是一種處理和集成不同來源多類信息的技術，也叫多源異構數據融合技術。邊緣計算主要是對物理層的數據進行預分析，促進邊緣-云計算的高效融合，降低網絡傳輸壓力。網絡傳輸是基于4G/5G、Wi-Fi、有線等融合通信網絡技術為礦山信息的高效傳輸和交互提供基礎支撐。
（4）孿生數據層。孿生數據層中數據庫負責回采作業大數據分析、模型訓練、算法更新等任務，是裝備智能調度數字孿生系統的核心驅動力。通過記錄裝備物理實體的實時數據，包括工作狀態、設備性能和環境參數，形成開采全環節感知并驅動虛擬孿生體。根據孿生模型的運行機制與調度模型的行為機理，仿真裝備生產情況，結合礦山專業知識規則約束模型，對生產數據與仿真數據進行預處理、特征提取、對齊、集成形成融合衍生數據，生成長期生產計劃，并轉化為驅動裝備服務層的服務數據。
（5）物理裝備層。傳感系統、智能裝備集群和生產環境三者共同構成孿生系統的物理層，其中智能裝備集群作為生產調度的主體對象，需要借助傳感系統實時感知自我運行狀態，實時與生產環境進行交互，實現自主導航和無人化生產，并保障生產安全。智能裝備集群主要包含生產過程中的裝藥臺車和鏟運機，以及所有的爆破和通風小組。生產環境主要包含生產作業場地布置及其相關的動態實時數據。其中，場地布置是指進路和卸礦溜井的作業點位，實時動態數據是指采場溫度、粉塵濃度、通風量等關鍵信息。
本文摘自微信公眾號“礦山安全天地”
- 上一篇：沒有了;
- 下一篇：數字賦能礦山變革 智能引領能源未來
