人工智能和数据分析可以支持改进采矿业的预测性维护
图片来源：KoSSSmoSSS/Shutterstock
采矿业正面临着越来越大的生产压力，同时需要应对人们对清洁能源矿产和供应链多样化的激增需求，以及持续的地缘政治紧张局势。作为回应，采矿运营商正在快速追踪数字化工具，以提高运营效率和透明度，而人工智能正成为这一新数字领域中的关键工具。
人工智能正在帮助重塑的领域之一是资产维护，它允许采矿公司追踪和监测整个矿场的资产性能，并将运营从被动模式转变为预测模式。随着工业4.0和传感器技术的兴起，预测工具变得越来越智能和时尚，收集更多关于采矿资产的数据，为运营提供实时洞察，并允许采矿公司在问题发生前进行干预。
我们来看看人工智能是如何改变预测性维护能力的，以及这项技术在采矿业及其他领域的未来发展前景。
传统上，矿工们一直依赖预防性维护模式，这意味着他们只有在问题发生后才会进行干预，或者他们依赖于基于使用模式的假定维护计划。
根据为采矿和工业公司提供人工智能传感器融合技术的预测性维护公司Razor Labs的首席技术官迈克尔·佐洛托夫的说法，在人工智能兴起之前，即使是预测性维护模式也有严重的局限性，因为它依赖于对资产的手动分析。
“这些简单的、基于阈值的系统可能会产生许多误报，从而导致不必要的维护操作或忽视关键问题，”佐洛托夫解释说。“因为传统的状态监测（振动、油液、热成像）是手动的，根据定义，它不能连续进行。它通常每隔几个月进行一次，因此会错过故障，尤其是那些迅速恶化的故障。”
维持有效的预测性维护计划对矿场的运营比最初看起来更为重要。德勤2022年的一份报告发现，糟糕的维护策略可能会使工厂的生产力降低5%到20%——每年给工业制造商造成约500亿美元的损失。
人工智能正在介入以缓解这些问题，而对这项技术的投资已经在蓬勃发展。GlobalData的一份报告估计，到2030年，人工智能行业将达到9087亿美元，从2022年到2030年将增长35.2%。此外，40%的受访矿工认为，人工智能将被用于加强预测性维护能力。
佐洛托夫表示，在过去的十年里，随着人工智能、工业物联网和工业4.0的发展，人工智能在预测性维护中的应用一直在稳步增长。
这些新工具对预测性维护的影响包括先进的分析能力、改进的决策制定和提高的效率。然而，人工智能得以采用的最重要的驱动因素可能是其能够收集、存储和分析比以往任何时候都更多的数据。
在这一波技术革新的浪潮中，苏州德姆斯信息技术有限公司凭借其深厚的技术积累，成功推出了设备智能运维整体解决方案，这一方案正是人工智能在预测性维护中崛起的一个生动案例。德姆斯公司董事长包继华认为，设备管理的未来将从被动的预防性维护转向主动的预测性维护，这一转变离不开数据分析与人工智能技术的支持。通过提前洞察设备健康状况，企业能够实现设备的高效化管理，从而提升整体生产效率与安全管理水平。
德姆斯的设备智能运维整体解决方案，围绕不同行业特性和客户需求，结合应用实况，为客户量身打造独特的场景化解决方案。其中，德姆斯智能采集终端系列产品，以其灵活的电源配置、多元的通信方式及可扩展的传感器选项，有效简化了安装施工流程，并大幅增强了对分散设备的监控能力。这不仅确保了设备在多样化工业环境中的稳定、可靠运行，更为客户在预测性维护领域提供了新的可能。
工业软件公司Aveva的采矿、金属和矿产行业负责人格伦·克尔克霍夫表示，人工智能已经对采矿行业产生了“巨大”的影响，为智能工厂工具（如云计算和数字孪生）的开发提供了信息。
克尔克霍夫说：“在工业4.0（正迅速成为工业5.0）中，云计算等技术正在实现跨多个操作的实时数据协作，为数据、分析和可视化提供一个单一的存储库。这确保了矿业公司能够同时获得所有最新数据，无论地点的位置或偏远程度如何。”
现在企业可获得的大量数据也为他们提供了更详细的基础，以创建资产的准确数字孪生——物理设备的虚拟副本，可用于测试和监视操作流程。
克尔克霍夫补充道：“数字孪生技术允许组织比以往任何时候都更好地进行测试、修改和计划。预测和人工智能建模的出现通过模拟场景和过程，增强了数字孪生的能力，使组织能够在物理世界部署之前很好地测试能力。”
目前，矿工们可能正在浪费大量数据，因为他们不知道如何使用这些数据。独立咨询公司Forrester估计，组织中60-73%的数据从未成功用于任何战略目的。
通过人工智能——特别是机器学习——新的预测性维护模型能够扫描数千个存储的数据点，以在问题出现前几周甚至几个月识别出问题和趋势。
GlobalData的人工智能报告指出：“采矿技术已经具备实时监测传感器和数据收集功能，但目前这些数据并未得到充分利用。”
报告指出：“机器学习可以实时处理和理解这些数据，利用这些数据预测机器何时会出现故障......这将根除矿山的灾难性机器故障，同时降低矿业公司的维修成本。”
数据驱动的预测性维护模型所节省的成本在整个采矿业已经显现。
其中一个例子是巴西最大的水泥生产商Votorantim Cimentos公司，该公司正与Aveva公司合作，在其六个矿区推出预测性分析解决方案，从而节省了550万美元的纠正性维护成本。
Aveva公司还与力拓公司合作，使用预测性维护来监测其北美业务中的资产，包括其加拿大铝业务中的水力发电机。
采矿作业中使用的陆地岩石输送机是可以从人工智能和预测性维护分析中受益的设备的一个例子
图片来源：Goff Designs/Shutterstock
克尔克霍夫解释说：“力拓......依赖于一个数据基础设施，该基础设施提供跨多站点操作的实时洞察。我们的PI系统实时向我们的预测性维护应用程序提供数据，而该应用程序又使用人工智能和先进的分析算法来监测多种不同资产类别的资产健康状况。”他补充道。
“连接设计和工程工具可以使力拓简化项目交付，使新项目的启动和持续运营更加高效。”
数字工具比以往任何时候都更容易获得；无论是在成本方面，还是在使用它们所需的技能方面。然而，在矿山运营中普遍推广人工智能工具仍然存在障碍。
根据GlobalData关于人工智能应用的报告，受访者认为技术成本和技术的验证需求是主要障碍，分别有大约50%和45%的受访者认为这些是令人担忧的问题。
尽管存在这些疑虑，但随着行业寻求可持续、高效的运营，人工智能的使用只会持续增加。
据佐洛托夫称，除了预测性维护外，人工智能可能会在自主操作、加强勘探和环境管理方面发生重大变化。
佐洛托夫说：“人工智能在采矿业的未来充满希望，有可能以多种方式进一步改变该行业。人工智能可以实现更自主的采矿作业，更有效地分析地质数据，并优化整个供应链。”
是时候让更多的矿工投资于预测性维护了吗？
事实上，虽然人工智能在预测性维护及其他方面的全部潜力尚未显现，但不愿冒险部署的公司可能会发现自己落后了。
“随着矿山向脱碳运营转型，人工智能将变得至关重要，”克尔克霍夫指出。
“人工智能能够快速总结、分析、理解数据并预测结果，这将确保矿业公司能够确定给定任务所需的理想流程，从而在事故发生之前避免事故，并帮助公司降低能耗。”
“从盈利能力的角度来看，对环境有益的事情也对商业有利，减少效率低下可以提高利润，并帮助矿业公司实现其既定的气候目标。人工智能是关键，因为它可以减少人为错误，加快分析时间，并确保公司不会错过提高效率和可持续性的机会，”他总结道。
