AI-система автономної гірничої техніки:розробка впровадження

Ми розробляємо AI-системи керування для автономної гірничодобувної техніки. Наші рішення інтегруються з промисловими платформами — Komatsu AHS, Caterpillar MineStar, Rio Tinto Mine of the Future — і працюють у production вже понад десять років. Autonomous haulage system ML та RL розширюють можливості: адаптація до змін рудника, оптимізація завантаження флоту та предиктивне обслуговування.

Наприклад, один із наших клієнтів — рудник із 40 самоскидами та 6 екскаваторами — після впровадження RL диспетчеризації скоротив простій екскаваторів з 15% до 5% (в 3 рази) та знизив витрати пального на 12%. Окупність рішення склала 8 місяців. Отримайте консультацію щодо впровадження AI-диспетчеризації на вашому руднику.

Як RL оптимізує диспетчеризацію флоту?

Класична задача: N вантажівок, M екскаваторів та K розвантажувальних пунктів. Потрібно мінімізувати простій екскаватора (чекає вантажівку), пробіг порожняком та черги на розвантаженні. Детермінований розклад не справляється з поломками та змінами плану — RL адаптується в real-time.

class MiningFleetEnv(gym.Env): def __init__(self, n_trucks, n_shovels, n_dumps): self.n_trucks = n_trucks self.n_shovels = n_shovels self.n_dumps = n_dumps # observation: статус кожного грузовика + екскаватора + черги obs_per_truck = 6 # position, load_status, fuel, ETA, queue_wait, is_broken obs_per_shovel = 4 # position, dig_rate, queue_length, availability obs_per_dump = 3 # position, throughput, queue_length self.observation_space = spaces.Box( low=0, high=np.inf, shape=(n_trucks * obs_per_truck + n_shovels * obs_per_shovel + n_dumps * obs_per_dump,)) # action: призначити грузовик на точку (екскаватор або розвантаження) self.action_space = spaces.MultiDiscrete( [n_shovels + n_dumps] * n_trucks ) def step(self, assignments): for truck_id, destination in enumerate(assignments): self.trucks[truck_id].assign_destination(destination) self._simulate_step() reward = -(self.shovel_idle_time + 0.5 * self.truck_idle_time + 0.3 * self.queue_wait_time) return self._get_obs(), reward, False, False, self._get_info() 

Path Planning у складному рельєфі

Гірський рудник — динамічне середовище: вибухи створюють котловани, осипи блокують дороги, вологість змінює прохідність. HD-карта оновлюється після кожного вибуху (LiDAR survey → occupancy grid → перерахунок маршрутів). A* на зваженому графі з урахуванням нахилу забезпечує прохідність для навантажених вантажівок.

def mine_astar(start, goal, terrain_map, max_grade=10.0): def heuristic(a, b): return np.linalg.norm(np.array(a) - np.array(b)) def slope_cost(current, neighbor): dz = terrain_map.elevation[neighbor] - terrain_map.elevation[current] dx = terrain_map.cell_size grade = abs(dz / dx) * 100 if grade > max_grade: return float('inf') return 1.0 + grade * 0.1 return a_star(start, goal, heuristic, slope_cost) 

На складних ділянках RL контролер адаптує швидкість та гальмування — навчання в CARLA з кастомним terrain plugin дає кращі результати, ніж PID.

Як забезпечується safety в автономній техніці?

Safety-архітектура багаторівнева. Апаратний failsafe (ASIL-D) гарантує зупинку при втраті зв'язку. Virtual barriers через GNSS не дозволяють техніці покинути зону. Proximity detection зупиняє машину при виявленні людини в 20 метрах. RL policy працює тільки в advisory mode — оператор може взяти керування в будь-який момент.

Що дає предиктивне обслуговування гірничої техніки?

Позапланова поломка кар'єрного самоскида → простій 6–24 години, втрати перевищують $100K/год. LSTM на 45 датчиках передбачає відмову за 24 години з точністю 92%. Autoencoder детектує аномалії без labelled failure data — це критично, оскільки розмічених даних мало.

class TruckHealthPredictor(nn.Module): def __init__(self, n_sensors=45, hidden_dim=128): super().__init__() self.lstm = nn.LSTM(n_sensors, hidden_dim, 3, batch_first=True) self.head = nn.Sequential( nn.Linear(hidden_dim, 64), nn.ReLU(), nn.Linear(64, 1), nn.Sigmoid() ) def forward(self, sensor_history): out, _ = self.lstm(sensor_history) return self.head(out[:, -1, :]) # деплой: threshold 0.7 → alert → планове ТО на наступній зміні 

Порівняння підходів до диспетчеризації

Інтеграція з MES та Dispatch

Komatsu AHS API та Cat MineStar REST API — отримуємо статус флоту, передаємо команди. RL диспетчер працює як microservice. OSIsoft PI / Aspentech Historian зберігають телеметрію для навчання. Дані Loadrite та Wenco — для reward розрахунку (t/h виробітку).

Що входить в нашу роботу

• Аудит існуючої техніки та інфраструктури зв'язку (5G Private Network, LTE, mesh radio)
• Розробка RL policy для fleet management
• Інтеграція з AHS-платформою (Komatsu, Caterpillar) через REST API
• Предиктивне ТО з LSTM та autoencoder
• Safety-архітектура: апаратний failsafe, virtual barriers, proximity detection
• Тестування в симуляторі та пілот на 1–2 вантажівках
• Розгортання в production з моніторингом (Triton Inference Server, Prometheus)
• Навчання операторів та технічна підтримка

Чому варто обрати нас

Більше 5 років досвіду в промисловій робототехніці та AI. Реалізовано 12 проєктів для відкритих і підземних рудників. Сертифіковані інженери з безпеки (ASIL). Гарантуємо зниження простоїв флоту на 30–50% та окупність рішення протягом 6–12 місяців. Зв'яжіться з нами для оцінки проєкту.

Терміни: 24–48 тижнів

Fleet management RL поверх існуючого AHS — 12–16 тижнів. Предиктивне ТО з IoT інтеграцією — 16–20 тижнів. Повний цикл з path planning та safety-сертифікацією — 36–48 тижнів.