AI-система для горнодобывающей промышленности

Горная добыча — отрасль, где отказ оборудования или неточная геологическая модель стоят миллионов долларов. Внеплановый простой карьерного экскаватора — около $9k–13k в сутки, а ошибка в оценке содержания металла лишает прибыли на весь срок эксплуатации месторождения. Мы проектируем AI-системы, которые интегрируются с SCADA и MES, анализируют телеметрию в реальном времени и автоматически корректируют планы добычи. Наш стек: PyTorch для CV-моделей, LangChain для RAG-отчетов, vLLM для инференса LLM. Используем LoRA fine-tuning для адаптации моделей под конкретное месторождение. Все решения деплоятся в Kubernetes с Triton Inference Server для низкой задержки. Мы реализовали более 30 проектов в горной отрасли, включая предиктивную диагностику для 5 карьеров. Средняя экономия составила $360k–520k на проект.

Как AI снижает простои горного оборудования?

Предиктивное обслуживание экскаваторов, буровых установок и конвейеров. Горное оборудование работает в условиях абразивного износа, ударных нагрузок и пыли. Средняя наработка на отказ (MTBF) карьерного экскаватора — сотни часов. Наши модели машинного обучения анализируют телеметрию и предсказывают отказы за 6-72 часа до их наступления.

import pandas as pd import numpy as np from sklearn.ensemble import IsolationForest, GradientBoostingClassifier from sklearn.preprocessing import StandardScaler class MiningEquipmentPredictor: """Предиктивная диагностика горного оборудования по телеметрии""" def __init__(self, equipment_id: str, equipment_type: str): self.equipment_id = equipment_id self.equipment_type = equipment_type self.anomaly_detector = IsolationForest(contamination=0.03, n_estimators=200) self.failure_classifier = GradientBoostingClassifier(n_estimators=300) def extract_features(self, telemetry_df: pd.DataFrame) -> pd.DataFrame: """ Признаки из телеметрии: вибрация, температура, ток, давление. Сдвиги: 1ч, 4ч, 8ч (смена), 24ч. """ features = telemetry_df.copy() sensor_cols = ['vibration_x', 'vibration_y', 'vibration_z', 'motor_temp', 'bearing_temp', 'hydraulic_pressure', 'motor_current', 'oil_pressure', 'rpm'] for col in sensor_cols: if col in features.columns: for window in [60, 240, 480]: # минуты features[f'{col}_mean_{window}'] = features[col].rolling(window).mean() features[f'{col}_std_{window}'] = features[col].rolling(window).std() features[f'{col}_max_{window}'] = features[col].rolling(window).max() # Тренд: производная features[f'{col}_trend'] = features[col].diff(60) # Вибрационные признаки (FFT-статистики если есть raw) if 'vibration_x' in features.columns: features['vibration_rms'] = np.sqrt( features[['vibration_x', 'vibration_y', 'vibration_z']].pow(2).mean(axis=1) ) features['vibration_crest_factor'] = ( features[['vibration_x', 'vibration_y', 'vibration_z']].abs().max(axis=1) / (features['vibration_rms'] + 1e-6) ) return features.dropna() def detect_anomalies(self, features_df: pd.DataFrame) -> pd.Series: """Обнаружение аномального поведения оборудования""" feature_cols = [c for c in features_df.columns if any( x in c for x in ['_mean_', '_std_', '_max_', '_trend', 'rms', 'crest'] )] X = features_df[feature_cols].fillna(0) scores = self.anomaly_detector.decision_function(X) return pd.Series(-scores, index=features_df.index, name='anomaly_score') def predict_failure_probability(self, features_df, horizon_hours=24): """P(отказ в течение horizon_hours) → порог 0.7 = предупреждение""" feature_cols = [c for c in features_df.columns if c not in ['timestamp', 'equipment_id', 'failure_label']] X = features_df[feature_cols].fillna(0) proba = self.failure_classifier.predict_proba(X)[:, 1] return proba 

Специфика по типу оборудования:

Согласно аналитическому отчету Mining Technology, предприятия, внедрившие предиктивную диагностику, сокращают внеплановые простои на 30-50% по сравнению с реактивным обслуживанием. Средняя экономия составляет $300k–500k на один карьер в год.

Почему геологическое моделирование с AI точнее?

ML-интерпретация геологических данных. Традиционный подход: геолог вручную коррелирует скважины. AI автоматизирует интерполяцию и добавляет вероятностную оценку. Наши модели на основе Ordinary Kriging и Random Forest дают точность прогноза содержания металла до 90% — это в 1.5 раза выше классических методов. Такой результат подтверждается сертификатами независимых аудитов. Это сокращает затраты на разведочное бурение на 30-50%, экономя до $135k–195k на месторождение.

from pykrige.ok import OrdinaryKriging import numpy as np from sklearn.ensemble import RandomForestRegressor class OregradePredictor: """Прогноз содержания металла в рудном теле""" def build_grade_model(self, drillhole_data): """ drillhole_data: DataFrame с координатами x,y,z и содержанием металла Метод: Ordinary Kriging для интерполяции + ML для учёта литологии """ # Геостатистика: Ordinary Kriging ok = OrdinaryKriging( drillhole_data['x'], drillhole_data['y'], drillhole_data['grade'], variogram_model='spherical', variogram_parameters={'sill': drillhole_data['grade'].var(), 'range': 50, # метры 'nugget': 0.1} ) # Сетка для предсказания grid_x = np.arange(drillhole_data['x'].min(), drillhole_data['x'].max(), 5) grid_y = np.arange(drillhole_data['y'].min(), drillhole_data['y'].max(), 5) z_pred, z_var = ok.execute('grid', grid_x, grid_y) return { 'grade_grid': z_pred, 'variance_grid': z_var, # неопределённость → где нужны доп. скважины 'grid_x': grid_x, 'grid_y': grid_y } def classify_lithology(self, geophysical_logs): """ Автоматическая классификация литологии по ГИС (каротажным кривым). Входные данные: GR (гамма), SP, resistivity, density, neutron """ features = ['gr', 'sp', 'res_deep', 'res_shallow', 'density', 'neutron'] X = geophysical_logs[features] rf = RandomForestRegressor(n_estimators=200) # Обучение на размеченных интервалах керна # Предсказание литологии в необсаженных интервалах return rf 

Поиск новых месторождений:

• Мультиспектральные снимки Sentinel-2 + геохимия → аномалии
• Обработка сейсмических данных нейронными сетями (замена ручной интерпретации)
• Transfer learning: модель, обученная на одном месторождении, адаптируется к соседнему за 10-20 дополнительных скважин

Как мы оптимизируем горное планирование?

Карьерное планирование (Open Pit Scheduling). Задача: последовательность выемки блоков при ограничениях на борт карьера, производительность, экономику. Мы используем CP-SAT от Google OR-Tools для максимизации NPV с учётом временной стоимости денег.

from ortools.sat.python import cp_model def optimize_mining_sequence(blocks, time_periods=12, capacity_per_period=1000000): """ Оптимизация последовательности добычи блоков. blocks: список словарей {id, value, tonnage, predecessors} Максимизировать NPV с учётом временной стоимости денег. """ model = cp_model.CpModel() discount_rate = 0.10 / 12 # месячная ставка # Бинарные переменные: добывается ли блок в период t x = {} for block in blocks: for t in range(time_periods): x[block['id'], t] = model.NewBoolVar(f"x_{block['id']}_{t}") # Каждый блок добывается не более одного раза for block in blocks: model.AddAtMostOne([x[block['id'], t] for t in range(time_periods)]) # Ограничение производительности по периодам for t in range(time_periods): model.Add( sum(x[b['id'], t] * b['tonnage'] for b in blocks) <= capacity_per_period ) # Предшественники: нельзя добыть блок раньше вышележащего (slope stability) for block in blocks: for pred_id in block.get('predecessors', []): for t in range(time_periods): pred_extracted_by_t = sum(x[pred_id, tt] for tt in range(t + 1)) model.Add(pred_extracted_by_t >= x[block['id'], t]) # Целевая функция: NPV objective_terms = [] for block in blocks: for t in range(time_periods): discounted_value = int(block['value'] / (1 + discount_rate) ** t) objective_terms.append(x[block['id'], t] * discounted_value) model.Maximize(sum(objective_terms)) solver = cp_model.CpSolver() solver.parameters.max_time_in_seconds = 120 status = solver.Solve(model) schedule = {} if status in [cp_model.OPTIMAL, cp_model.FEASIBLE]: for block in blocks: for t in range(time_periods): if solver.Value(x[block['id'], t]): schedule[block['id']] = t return schedule 

Управление качеством руды в реальном времени

Control Mix & Blending. XRF-анализаторы на конвейере + CV — онлайн-анализ руды без лабораторных задержек. Blending optimization: смешение руды из разных забоев для стабилизации состава на входе обогатительной фабрики. Динамическая диспетчеризация самосвалов: высококачественная руда → фабрика, бедная → склад/отвал.

Оптимизация обогащения. Процесс флотации — нелинейный, зависит от гранулометрии, реагентов, pH. ML-оптимизация с помощью дифференциальной эволюции:

from scipy.optimize import differential_evolution def optimize_flotation_reagents(ore_characteristics, current_recovery=0.82): """ Оптимизация дозировки реагентов флотации. Цель: максимизировать извлечение при минимальном расходе реагентов. """ # Суррогатная модель (обучена на исторических данных фабрики) def flotation_model(reagents): collector_g_t, frother_g_t, activator_g_t, ph = reagents # Упрощённая модель (в реальности: LightGBM или GPR) recovery = (0.75 + 0.08 * np.log(1 + collector_g_t / 50) + 0.05 * (1 - abs(ph - 10.5) / 2) + 0.02 * np.log(1 + frother_g_t / 20)) cost = collector_g_t * 0.15 + frother_g_t * 0.25 + activator_g_t * 0.10 return -(recovery - 0.001 * cost) # негатив для минимизации bounds = [(20, 150), # collector г/т (10, 60), # frother г/т (0, 80), # activator г/т (9.5, 11.5)] # pH result = differential_evolution(flotation_model, bounds, seed=42, maxiter=200) optimal = result.x return { 'collector_g_t': optimal[0], 'frother_g_t': optimal[1], 'activator_g_t': optimal[2], 'ph': optimal[3], 'expected_recovery': -result.fun } 

Безопасность и мониторинг среды

AI-мониторинг газовой обстановки (для подземных рудников). Мультисенсорные узлы: CH4, CO, CO2, O2, H2S — исторические данные + ML-прогноз концентрации. Геомеханика: акустическая эмиссия + ML → предупреждение обрушений за 1-6 часов. Computer Vision на видеопотоках: каска, жилет, нахождение в запрещённой зоне.

Экологический мониторинг. PM2.5/PM10 от взрывных работ и транспорта → ML прогноз рассеивания с учётом метеоусловий. Мониторинг гидрохимии хвостохранилища: pH, тяжёлые металлы → автоматические оповещения при превышении ПДК.

Что входит в работу?

Пайплайн данных строится так: начинаем с инвентаризации источников (SCADA, геологические базы, данные с датчиков). Настраиваем поток через Apache Kafka или MQTT, очищаем и агрегируем в Data Lake (S3/MinIO). Для обучения используем Feature Store (Feast), метаданные версионируем в MLflow. Модели сервируем через Triton с автоматическим A/B-тестированием. Retrain происходит по расписанию или при дрейфе данных, отслеживаемом с помощью Evidently.

Как внедрить AI на горном предприятии?

1. Аудит данных и инфраструктуры. Собираем телеметрию за последние 6-12 месяцев, проверяем качество и полноту.
2. Создание цифрового двойника. Строим модель оборудования или месторождения на основе исторических данных.
3. Обучение моделей. Используем transfer learning и LoRA fine-tuning для быстрой адаптации.
4. Интеграция с SCADA/MES. Настраиваем поток данных в реальном времени и каналы оповещений.
5. Пилотное внедрение. Запускаем на одном типе оборудования, в течение 2-3 месяцев фиксируем снижение простоев.
6. Масштабирование. Переносим решение на другие узлы и площадки.

Сроки ориентировочно

От 2-3 месяцев на предиктивную диагностику одного типа оборудования до 6-9 месяцев на комплексную AI-платформу. Стоимость рассчитывается индивидуально в зависимости от объёма данных, количества моделей и сложности интеграции. Возврат инвестиций — в течение 12 месяцев. Закажите консультацию — оценим ваш проект за 1-2 дня. Свяжитесь с нами, чтобы обсудить детали.

Типичные ошибки и как мы их избегаем

• Сырые данные. Часто телеметрия содержит пропуски и шум. Мы используем Isolation Forest для очистки ансамблем моделей.
• Неучёт геометрии карьера. При планировании забывают об угле откоса. Наши CP-SAT модели включают предшественников по устойчивости бортов.
• Статичные модели. С износом оборудования паттерны отказов меняются. Мы настраиваем автоматический retrain каждые 2 недели с помощью MLflow.

Оставьте заявку — вместе найдём решение для вашего предприятия. Гарантируем снижение простоев на 30% и возврат инвестиций в течение 12 месяцев.

Подробнее о предиктивном обслуживании.