Grade prediction с помощью AI: снижаем misclassification руды на 30%

Почему grade prediction ML ошибается на рудных потоках

Рудное тело почти никогда не бывает однородным по содержанию. Прогноз сорта руды строится на геологической модели, которая сглаживает значения между скважинами, а в забой приходит блок с локальной аномалией — окисленной зоной, прожилком, включением пустой породы. Модель, обученная на такой разметке, уверенно ошибается именно в переходных зонах, где цена ошибки максимальна.

Вторая причина — запаздывание опробования. Между отбором пробы и результатом лабораторного анализа проходит время, за которое руда уже прошла дробилку и оказалась в шихте. Метка привязывается не к тому интервалу, где материал был фактически, и grade prediction ML начинает учиться на смещённой разметке. Чем длиннее цепочка пробоподготовки, тем сильнее расходятся «сорт в модели» и «сорт в потоке».

Дальше вмешивается смешение типов руды. Несколько забоев, склады и разные зоны месторождения сходятся в один поток, и поточный анализатор видит усреднённый сигнал. Нестабильное содержание металла даёт класс ошибок, который нельзя списать на шум: пересорт уводит металл в хвосты, недосорт гонит лишний реагент и ломает кондицию концентрата.

И поверх всего — ручной добор режима оператором. Он вытягивает процесс, но одновременно меняет условия, в которых должна была работать модель: мы не видим, каким был бы сорт без вмешательства. Это и есть корень ошибок классификации руды на большинстве обогатительных фабрик — разбираем, как это закрывается.

Что даёт управляемый прогноз содержания металла

Прогноз содержания металла становится управляемым, когда модель отдаёт не одно число, а интервал с оценкой неопределённости. Оператор видит, где прогноз устойчив, а где нужна проверка пробой, и решения по шихте перестают быть ставкой на среднюю оценку. Дальше — эффекты, которые накапливаются уже в первые недели работы.

Снижение потерь металла в хвостах

Основная утечка металла — не аварии, а медленный сдвиг режима: флотация уходит в сторону, и ценный компонент утекает в хвосты незамеченным до следующего опробования. Модель-grade prediction читает геологию, данные опробования и параметры процесса и ловит этот сдвиг раньше, чем он проявится в лабораторном анализе. Ранний сигнал даёт время поправить реагентный режим и плотность пульпы — доля металла в хвостах падает, а потери становятся прогнозируемой величиной, а не итогом месяца.

Меньше ложных пересортировок на сортировке

Точность сортировки руды ограничена не датчиком, а порогом принятия решения. Жёсткий порог по одному признаку отправляет в отвал куски с пограничным содержанием и одновременно пропускает пустую породу в питание мельницы. Прогноз с интервалом неопределённости позволяет сдвинуть порог туда, где ошибка дешевле, — доля ошибочных решений сокращается примерно на треть. Побочный эффект — стабильность режима обогащения: ровнее питание, меньше разброс по крупности и содержанию, меньше ручных подстроек.

Именно пограничные классы дают основную часть пересортировок; отраслевые оценки Международного совета по горному делу и металлам сходятся на том, что управление этим участком даёт наибольший прирост извлечения.

Варианты построения прогноза сорта: сравнение режимов

Режим прогноза выбирают до настройки модели: от него зависит набор входных данных, частота пересчёта и то, кто принимает решение по спорной пробе. Ниже — три схемы, которые применяются на горных предприятиях, и их ограничения.

Пакетный прогноз по пробам

Пробы приходят партиями, модель относит каждую к сорту и отдаёт результат геологу до начала смены. Решение перепроверяемо по исходной пробе, поэтому режим удобен для отчётности и разбора расхождений.

Потоковый прогноз на конвейере

Показания датчиков читаются непрерывно, оценка обновляется по мере движения руды — маршрут шихты можно изменить до того, как материал уйдёт в отвал. Ограничение — чувствительность к обрывам сигнала: при уходе калибровки точность падает незаметно для оператора.

Гибридная схема снимает часть этих ограничений: модель даёт оценку, а правила геолога закрывают спорные случаи по классам руды. Границы применимости фиксируем до запуска — где прогноз надёжен, а где оператор получает предупреждение; результаты остаются воспроизводимыми по требованиям JORC.

Этапы внедрения модели прогноза сорта на фабрике

Порядок работ идёт от исторических данных опробования к модели, встроенной в контур фабрики. Каждый этап закрывается артефактом, который можно проверить, — иначе следующий шаг не начинаем. Ниже последовательность и то, что потребуется с вашей стороны.

Аудит данных и разметки проб

1. Аудит данных опробования: сверяем журналы отбора, паспорта проб и записи лаборатории, ищем пропуски и расхождения.
2. Разметка проб: привязываем результат анализа к партии, моменту отбора и точке технологической схемы.
3. Обучение на исторических данных: делим выборку по времени, а не случайно, — так проверка остаётся честной.
4. Согласование метрики: фиксируем допустимую долю ошибок классификации и сорта, по которым судим.

Опытная эксплуатация и приёмка

Модель выдаёт прогноз параллельно с текущим решением и ничего не подменяет. Приёмка идёт по отложенному периоду: смотрим долю ошибок классификации в целом и отдельно по переходным зонам и «трудным» сортам.

После приёмки передаём модель в эксплуатацию: регламент переобучения, контроль дрейфа, ответственные на фабрике.

Схемы интеграции, конфигурации и регламенты переобучения

Заказчику передаётся не только обученная модель, но и всё для её самостоятельной эксплуатации: конфигурации, схемы стыковки с учётной системой, политики доступа и регламенты. Перечень артефактов согласуем с техслужбой фабрики до запуска в промышленную работу.

Схема интеграции с учётной системой фабрики

• Карта потоков: какие справочники (блок, горизонт, смена, тип руды) откуда берутся и кто владелец источника.
• Стыковка через промышленный шлюз: обмен только на чтение, буферизация при обрыве связи, повтор без дублей.
• Правила сопоставления ключей между учётной системой и хранилищем модели, журнал расхождений для диспетчера.
• Политики доступа к данным: роли и области видимости, разделение промышленных и персональных данных.
• Документация модели: карточка с перечнем признаков, окном истории, метриками и границами применимости.

Регламент переобучения и контроля дрейфа

Регламент фиксирует, кто и по какому сигналу запускает переобучение, чтобы модель не деградировала незаметно.

• Триггеры: смещение распределения признаков, падение метрики на отложенной выборке, смена схемы опробования.
• Контроль дрейфа данных: ежесменная проверка пропусков и диапазонов, недельная сверка прогноза с фактом.
• Порядок приёмки новой версии до ввода в контур управления качеством руды.
• Процедура отката: предыдущая версия модели и конфигурации хранятся, возврат за один шаг, назначен ответственный.

Артефакты остаются в репозиториях и системах заказчика — эксплуатация не зависит от нас.

Кейс: как мы снизили ошибки классификации руды на 30%

Что было до внедрения

Сорт руды определяли по лабораторной пробе: отбор, доставка, анализ — вердикт приходил через несколько часов, когда поток уже ушёл дальше по схеме. В это окно оператор работал по косвенным признакам — нагрузке на дробилку, крупности, цвету пульпы, поэтому решения разных смен расходились. На обогатительной фабрике «Рудный» замеры заказчика показывали 21% ошибочных отнесений к сорту и разброс между сменами до 8 процентных пунктов на однотипной руде.

Переход шёл без остановки производства. Телеметрию мельниц, протоколы лаборатории и журналы смен свели к единой шкале времени, чтобы каждая проба сопоставлялась с режимом работы на тот момент. Модель прогноза сорта запустили в режиме подсказки: оператор подтверждал или отклонял оценку, а каждое расхождение возвращалось в обучающий набор. В рабочий контур прогноз перевели, когда доля подтверждений перестала расти.

Результат в измеримых величинах

Доля ошибочных отнесений к сорту упала на 30% к базовому замеру, разброс между сменами сократился почти втрое — решение перестало зависеть от опыта конкретного оператора. Прогноз пересчитывается по текущей телеметрии каждые несколько минут, поэтому поток переводят на другой сорт до переработки, а не после лабораторного вердикта.

Метрики считали на контрольных пробах, которые не попадали в обучение: раз в смену вердикт модели сверяли с лабораторией. Такой замер показывает результат внедрения, а не подгонку под историю.

Чем отличается ML-прогноз сорта от геологической модели блока

Геологическая модель блока отвечает на вопрос «какой средний сорт в этом объёме недр». Её строят интерполяцией данных опробования — скважин, бороздовых и шламовых проб — и получают сглаженное поле: пики и провалы усредняются по блоку, который на порядок крупнее ковша. Для подсчёта запасов это верно, но у границы кондиции сглаживание начинает работать против вас.

ML-прогноз сорта отвечает на другой вопрос: что именно в этом ковше, самосвале или рудопотоке прямо сейчас. Модель учится на тех же данных опробования, но вместе с операционными признаками — типом руды, окисленностью, гранулометрией, твёрдостью, скоростью бурения, спектральными замерами. Она берёт нелинейные связи и взаимодействия, которые геостатистика не описывает.

Разница подходов — в горизонте и в носителе прогноза. Блочная модель живёт в координатах недр и предсказывает среднее по объёму; машинный прогноз живёт в координатах процесса и предсказывает конкретную партию материала. Поэтому и метрики разные: для блока — воспроизводимость запасов, для ML — доля верно отнесённых партий на пороге кондиции и цена ошибки в каждом классе.

Сочетать их, а не противопоставлять. Блочный прогноз подаётся в модель как пространственный признак, а ML дообучается на фактических данных опробования — анализах руды, актах отгрузки, результатах фабрики — и убирает системный сдвиг, из-за которого руда уходит в отвал. Условие одно: единые методики отбора и разметка расхождений лаборатории и онлайн-датчиков. Иначе прогноз унаследует шум анализов и будет уверенно ошибаться.

Технические сомнения перед запуском модели в контур управления

Инженеры справедливо спрашивают, что модель делает между отбором пробы и приходом результата анализа, и можно ли отдавать её выход в уставки. Ниже — пять сомнений, которые мы снимаем вместе с технологами и службой АСУ до того, как прогноз попадёт в контур управления.

Состав руды меняется — модель со временем «разъезжается»?

Считаем дрейф постоянно: сравниваем распределение входных признаков и остатки прогноза с эталонным окном. При выходе за порог запускается пересчёт на свежих данных, а при деградации качества — откат на предыдущую сохранённую версию. Так смена горизонта или поставщика сырья не превращается в тихо неверные уставки.

Как прогноз стыкуется с диспетчеризацией?

Стыковку делаем через штатные интерфейсы обмена диспетчерской системы — теги, архив значений, таблицы заданий, без прослоек-посредников, которые дают лишнюю задержку. Модель публикует значение с меткой достоверности, а логика блокировок остаётся в контроллере: он по-прежнему решает, принимать ли рекомендацию.

Кто отвечает за переобучение и когда его запускать?

Переобучение идёт по регламенту с двумя триггерами: календарным и по падению метрики. Каждая версия модели версионируется вместе с набором данных и настройками, поэтому любой прогноз воспроизводим, а спорный участок можно пересчитать заново. Ответственность за запуск закреплена за конкретной ролью, а не «размазана» между подрядчиком и службой АСУ.

Точности «в среднем» хватает для управления?

Нет, и мы её так не считаем. Смотрим ошибку в рабочем диапазоне сортов и на переходах между ними — именно там цена промаха максимальна. Плюс правило уверенности: при широком интервале модель выдаёт совет оператору, а не подменяет уставку, поэтому спорные периоды не уходят в автоматику молча.

Обсудим вашу задачу по прогнозу сорта руды

Чтобы вернуться с оценкой и планом, а не с общими словами, нам нужно понять физику вашего передела и то, какие данные уже фиксируются на предприятии. Ниже — что мы уточняем в первом разговоре: обычно его хватает, чтобы назвать класс задачи, ожидаемую точность прогноза и главные риски.

• Какой показатель прогнозируем: содержание металла, сорт по классам или гранулометрию — и чем он измеряется сегодня.
• Что уже накапливается в истории: показания конвейерных весов и потоковых анализаторов, режимы измельчения и флотации, паспорта партий.
• Где возникает задержка между отбором пробы и результатом анализа — именно она чаще всего и ломает точность прогноза.
• Как считается ошибка отнесения к сорту и что она меняет в шихтовке и извлечении.
• Кто пользуется прогнозом: подсказка оператору или автоматическая корректировка режима.
• Где разворачиваем вычисления: контур предприятия, доступ к историческим данным, порядок обновления справочников.
• Кто с вашей стороны принимает модель и даёт обратную связь по качеству прогноза.

После этого предлагаем пилот на одном участке: собираем выборку за прошлые периоды, обучаем модель, сверяем прогноз с лабораторными результатами и считаем долю верных отнесений к сорту. Если показатели держатся на отложенном периоде — переходим к передаче модели в эксплуатацию: регламент переобучения, контроль смещения данных, мониторинг и инструкция для смены. Опишите задачу — вернёмся с оценкой и планом работ.