JP6839251B2 - 採掘および採掘物処理作業のオンライン監視および最適化のための方法とシステム - Google Patents

Description

この出願は、２０１８年１０月２６日に出願されたインド国仮特許出願第２０１８２１０４０５４１号の優先権を主張する。上述した出願の全体の内容を参照することによりここに組み込まれる。この開示は、一般に、デジタルモニタリングおよび最適化技術（複数の場合もある）に関し、特に、採掘および採掘物処理作業の、鉱山から工場へのオンラインデジタルモニタリングおよび最適化のためのシステムおよび方法に関する。

モニタリングおよびプラントの幅広い最適化は、工場操業の安全性と採算性にとって重要である。典型的には、採掘および採掘物処理作業に関して、端末相互間の(end to end)プロセスにおける最大パラメータがモニタされることが重要であり、その場合、端末相互間のプロセスは、発破（blasting）、運搬（hauling）、貯蔵（stock-piling）、破砕（crushing）、磨鉱（grinding）、浮選（flotation）、選鉱（concentration）のような複数の多様な作業を含む。これらの操作のパフォーマンスを制御および特性化する重要なパラメータの継続的な監視、およびこれらの各ユニット操作の重要なパフォーマンスインジケータ（KPI）に対するパラメータの変動の影響の定量化、およびそれに応じてパラメータ値を調整して、最終的に採掘および採掘物処理作業のＫＰＩｓを最適化することが望まれる。たとえば、破砕および磨鉱を行う破砕機と磨鉱機（crusher and grinding mills）を通って貯蔵から来る原鉱の処理を備える粉砕回路（comminution circuit）動作の場合を考える。水の添加、スラリー密度（slurry density）、供給グレード、硬度とサイズ分布、ミルの回転速度、破砕機の運転設定、中間ストリームのリサイクル比は、処理された原鉱粒子の最終的粒子サイズ、特定のエネルギ消費量、および粉砕回路を通過する総固形物スループット（throughput）のような関心のあるＫＰＩｓに影響を与えるいくつかの重要な変数である。ＫＰＩｓに影響を与える外乱である、供給された原鉱の硬さとサイズの監視を通じて感知された変化に応じたＫＰＩのオンライン最適化は、パフォーマンスの改善に役立つ。

多くの既存の方法は、鉱山から工場へのモデリングと追跡を提供する、多くの既存の方法が利用可能である。しかしながら、これらの既存の方法の1つは、シャベルで掘って粉砕する操作（shoveling and comminution operation)についての発破の効果のみに焦点をあてている。さらに下流でのこれらの動作の影響は考慮されず、従って全体の操作チェーン（chain of operations）の最適化された操作を提供することができない。

さらに、既存の方法は、コストを最小に抑えるために、所定の発破操作に使用される爆薬量の操作に限定し、性能に影響を及ぼすことが知られている多くの他の重要なパラメータの効果を監視し、定量化しない。さらに別の既存の方法は、採掘現場で作業する人員にとって危険（hazardous）/危険（risky）な発破で生じる飛び石（flyrock）の距離を最小化するために、発破孔、間隔、装薬深度などの発破パラメータの最適化のみに焦点を当てている。さらに他の既存の発破方法は、鉱石を選鉱するためのさらに別の既存の発破方法は、鉱石の選鉱が非常に不均一で、含有率が低く（lean）、肥沃な（rich）区画（patch）で原鉱体に存在する特別な場合にのみ制限される。

この開示の実施形態は、一般的なシステムにおいて発明者が認識した上述の技術的問題点の１つまたは複数に対する解法として技術的改良を提供する。例えば、一態様では、採掘および採掘物処理操作のオンライン監視および最適化のためのプロセッサインプリメント方法が提供され、プロセッサインプリメント方法は、以下を含む：採掘および採掘物処理操作に関連するセンサのセットに対応する変数のセットに関するデータを、１つまたは複数のハードウエアプロセッサによって、複数のデータソースからフェッチするステップと、前記１つまたは複数のハードウエアプロセッサによって、外れ値（outliers）を破棄することにより変数のセットに対応する前記フェッチされたデータを事前処理し、欠損位置に人為的値を追加する代入（imputation）を実行し、異なる頻度で収集されたデータを１つの共通頻度に組織化し、採掘および採掘物処理作業に関連したプロセスまたはサブプロセスの定常運転（steady state operation）に基づいてデータを識別し選択するステップと、前記１つまたは複数のハードウエアプロセッサによって、前記採掘および採掘物処理作業のため、前記変数のセットに対応する前記事前処理されたデータを用いた標準動作条件を決定するステップと、1つまたは複数のハードウェアプロセッサによって、変数セット内の各変数を、掘削と発破処理、運搬処理、粉砕処理、および浮選と選鉱処理の１つに選別するステップであって、選別は、マスタタグリストに従って実行される、ステップと、1つまたは複数のハードウェアプロセッサによって、分離された変数のセットおよび前処理されたデータに基づくモデルのセットを生成するステップであって、前記モデルのセットは、対象の主要業績評価指標（KPI）のセットおよび採掘および採掘物処理作業に関連した関心のある複数のプロセスパラメータに関して生成され、前記生成されたモデルのセットは、機械学習（ML）モデルのセット、個別化された物理ベースのモデルのセット、またはハイブリッドモデルのセットを備え、前記個別化された物理ベースモデルのセットと、前記ハイブリッドモデルのセットは、非線形曲線適合を使用してモデルパラメータを決定することにより、既知の物理学ベースのモデルに基づいて、複数のプロセスパラメータに対して生成される、生成ステップと、
１つまたは複数のハードウェアプロセッサによって、前記生成されたＭＬモデル、前記ＫＰＩｓの前記個別化された物理ベースモデル、前記ハイブリッドモデルのセット、および前記複数のプロセスパラメータの少なくとも１つに基づいて前記変数のセットに対応する前記採掘および採掘物処理の現在の動作条件をシミュレートするステップであって、前記シミュレートされた現在の動作条件は、ＫＰＩｓと前記関心のある複数のプロセスパラメータに対する現在の値を提供する、ステップと、および、前記１つまたは複数のハードウエアプロセッサによって、前記採掘および採掘物処理作業の関心のある前記ＫＰＩｓを階層的に最適化し、前記採掘および採掘物処理の変数のセットの中の変数のサブセットの前記現在の動作条件更新し、前記関心のあるＫＰＩｓは、前記採掘作業、粉砕回路、および浮選および選鉱操作回路の少なくとも１つからのものである、階層的に最適化するステップと、プロセッサインプリメント方法は、さらに、前記採掘および採掘物処理作業に対応する前記変数のセットの前記処理されたデータに従って前記変数のセットの現在の動作条件をモニタリングすることをさらに備え、前記センサのセットからの１つまたは複数のセンサの障害または処理機器の障害を検出し、前記障害と障害の理由は、システムアドミニストレータに示される。

他の態様において、採掘および採掘物処理作業のオンラインモニタリングおよび最適化のためのシステムにおいて、命令を記憶するメモリと、１つまたは複数の通信インタフェースと、前記１つまたは複数の通信インタフェースを介して前記メモリに結合された１つまたは複数のハードウエアプロセッサであって、前記１つまたは複数のハードウエアプロセッサは、前記採掘および採掘物処理作業に関連したセンサのセットに対応する変数のセットに関するデータを複数のデータソースからフェッチする命令と、外れ値を破棄することにより前記変数のセットに対応する前記フェッチされたデータを事前処理し、欠損位置に、人為的値を追加する代入（imputation）を実行し、異なる頻度で収集したデータを１つの共通頻度に組織化し、前記採掘および採掘物処理作業に関連したプロセスまたはサブプロセスの定常運転に基づいてデータを識別し選択するための命令と、前記変数のセットに対応する前記事前処理されたデータを用いて前記採掘および採掘物処理作業に関する標準動作条件を決定するための命令と、前記変数の中の各変数を掘削と発破作業、運搬作業、破砕（crushing）−磨鉱（grinding）、および浮選および選鉱回路（floatation-and concentration circuit）の１つに分離し、前記分離は、マスタタグリストに従って行われる命令と、前記分離された変数のセットと事前処理されたデータに基づいてモデルのセットを生成する命令であって、前記モデルのセットは、関心のあるキーパーフォーマンスインジケータ（ＫＰＩｓ）のセットおよび採掘および採掘物処理作業に関連した関心のある複数の処理パラメータに関してモデルのセットが生成され、、前記生成されたモデルのセットは、機械学習（ＭＬ）モデルのセット、個別化した物理ベースモデルまたは、ハイブリッドモデルを備え、個別化した物理ベースモデル、またはハイブリッドモデルは、非線形曲線適合を用いてモデルパラメータを決定することにより周知の物理ベースモデルに基づいて複数のプロセスパラメータに関して生成される。少なくとも下記の１つに基づいて変数のセットに対応する採掘および採掘物処理作業の現在の動作条件をシミュレートする：生成されたＭＬモデル、個別化された物理ベースモデル、またはＫＰＩのハイブリッドモデルおよび複数の処理パラメータであって、シミュレートされた現在の動作条件は、ＫＰＩｓに関する現在の値および関心のある複数の処理パラメータを提供する。採掘および採掘物処理動作の変数のセットの中の変数のサブセットの現在の動作条件を更新するように、採掘および採掘物処理作業のＫＰＩｓを階層的に最適化し、関心のあるＫＰＩｓは、採掘作業、粉砕回路、浮選および選鉱回路の少なくとも１つからのものである。システムはさらに、採掘および採掘物処理作業に対応する変数のセットの処理データに従って変数のセットの現在の動作条件をモニタするように構成され、処理機器の故障から、またはセンサのセットから１つ以上のセンサの故障を検出し、故障と故障理由は、システムアドミニストレータに表示される。

さらに他の態様において、１つ以上のハードウエアプロセッサにより実行されると、採掘および採掘物処理作業のオンラインモニタリングおよび最適化の方法を生じる１つ以上の命令を備える１つ以上の非一時的機械読み取り可能情報記憶媒体が提供される。命令は、採掘および採掘物処理作業に関連したセンサのセットに対応する変数のセットに関する複数のデータソースデータからフェッチさせ、外れ値を破棄することにより変数のセットに対応するフェッチされたデータを事前処理させ、欠損位置に人為的値を付加するための代入（imputation）を実行させ、採掘および採掘物処理作業に関連したプロセスまたはサブプロセスの安定状態作業に基づいてデータを識別し選択させ、１つ以上のハードウエアプロセッサによって、変数セットに対応する事前処理したデータを用いて採掘および採掘物処理作業のための標準処理条件を決定させ、１つ以上のハードウエアプロセッサによって、変数セットの中の各変数を、掘削と発破作業、運搬作業、粉砕回路、および浮選および選鉱操作回路の１つに選別し、選別は、マスタタグリストに従って行われ、１つ以上のハードウエアプロセッサによって、変数の分離されたセットと事前処理されたデータに基づいてモデルのセットを生成し、モデルのセットは、関心のあるキーパーフォーマンスインジケータ(KPIs）のセット、および採掘および採掘物処理作業に関連した関心のある複数の処理パラメータに関して生成され、生成されたモデルのセットは、機械学習（ＭＬ）モデルのセットまたは個別化された物理ベースモデルまたは、ハイブリッドモデルを備え、個別化された物理ベースモデルまたはハイブリッドモデルは、非線形曲線適合を用いてモデルパラメータを決定することにより周知の物理学に基づいて複数の処理パラメータに関して生成される、１つ以上のハードウエアプロセッサによって、生成されたＭＬモデルおよびＫＰＩｓの個別化された物理ベースモデルまたは複数のプロセスパラメータ、の少なくとも１つに基づいて変数のセットに対応する採掘および採掘物処理作業の現在の動作条件をシミュレートさせ、シミュレートされた現在の動作条件は、ＫＰＩｓの現在値と関心のある複数の処理パラメータを提供し、１つ以上のハードウエアプロセッサによって、採掘および採掘物処理作業の関心のあるＫＰＩｓであって、採掘処理、粉砕回路、および浮選および選鉱回路の少なくとも１つからの関心のあるＫＰＩｓを階層的に最適化し、採掘および採掘物処理作業の変数のセットの中の変数のサブセットの現在の動作条件を更新させる。プロセッサがインプリメントされた方法は、さらに、採掘および採掘物処理作業に対応する変数のセットの処理されたデータに従って変数のセットの現在の動作条件をモニタリングすることを備え、センサのセットから１以上のセンサの故障、または処理機器の故障を検出し、故障および故障理由は、システムアドミニストレータに示される。

前述の一般的な説明および以下の詳細な説明の両方は、例示および説明のみであり、特許請求の範囲に記載したこの発明を限定するものではないことを理解されたい。この開示に組み込まれ、この開示の一部を構成する添付した図面は、以下の記載と共に例示実施形態を説明し、開示した原理を説明するように機能する。

図１Ａは、この開示の一実施形態に従う、採掘および採掘物処理作業のオンラインモニタリングおよび最適化のためのシステムの例示ブロック図を図示する。 図１Ｂは、この開示の一実施形態に従う、採掘および採掘物処理作業のオンラインモニタリングおよび最適化のためのシステムの例示ブロック図を示す。 図２Ａは、この開示の一実施形態に従う、採掘および採掘物処理作業のオンラインモニタリングおよび最適化のための図１Ａおよび図１Ｂのシステムによりインプリメントされる方法の例示フロー図を示す。 図２Ｂは、この開示の一実施形態に従う、採掘および採掘物処理作業のオンラインモニタリングおよび最適化のための図１Ａおよび図１Ｂのシステムによりインプリメントされる方法の例示フロー図を示す。 図３は、この開示の一実施形態に従う、採掘および採掘物処理作業のキーパーフォーマンスインジケータ（ＫＰＩｓ）のためのモデルを生成するための、図１Ａおよび図１Ｂに描画されたシステムのモデリングおよびシミュレーションモデルによりインプリメントされる、方法の例示フロー図を示す。 図４Ａは、この開示の一実施形態に従う、関心のあるいくつかのＫＰＩｓの値を計算するために生成された例示モデルにより処理され、図１Ａおよび１Ｂのシステムのセンサマネージメントモデルから、またはユーザから受信した異なるセンサに関するデータを示す。 図４Ｂは、この開示の一実施形態に従う、関心のあるいくつかのＫＰＩｓの値を計算するために生成された例示モデルにより処理され、図１Ａおよび１Ｂのシステムのセンサマネージメントモデルから、またはユーザから受信した異なるセンサに関するデータを示す。 図４Ｃは、この開示の一実施形態に従う、関心のあるいくつかのＫＰＩｓの値を計算するために生成された例示モデルにより処理され、図１Ａおよび１Ｂのシステムのセンサマネージメントモデルから、またはユーザから受信した異なるセンサに関するデータを示す。 図５は、この開示の一実施形態に従う、プラントデータベース、発破および掘削設計ソフトウエア、モデリングとシミュレーションモジュールを用いて構築された、トレーニングされた機械学習（ＭＬ）モデルおよび物理ベースおよびハイブリッドモデル、および採掘物処理作業の装薬計画（charge plan）および決定変数を再帰的に（recursively）に更新する最適化モジュールに対応する複数のデータソース間の相互作用（interaction）を描画する採掘および採掘物処理のＫＰＩｓの階層的および段階的最適化のための方法を示す。 図６は、この開示の一実施形態に従う、採掘および採掘物処理作業の粉砕回路のいつかの例示ＫＰＩｓのオンラインモニタリングおよび最適化に必要な図１のシステムのモジュール間の相互作用を示す。 図７は、この開示の一実施形態に従う、採掘および採掘物処理作業の浮選および選鉱回路のいくつかの例示ＫＰＩｓのオンラインモニタリングおよび最適化に必要な図１のシステムのモジュール間の相互作用を示す。 図８Ａは、この開示の一実施形態に従う、採掘および採掘物処理作業のリアルデータに関する例示ＫＰＩｓの予測モデルに基づいた機械学習（ＭＬ）の性能を示す。 図８Ｂは、この開示の一実施形態に従う、採掘および採掘物処理作業のリアルデータに関する例示ＫＰＩｓの予測モデルに基づいた機械学習（ＭＬ）の性能を示す。 図９Ａは、この開示の一実施形態に従う、粒子サイズとメタルグレードのソフトセンサの予測性能を示す。 図９Ｂは、この開示の一実施形態に従う、粒子サイズとメタルグレードのソフトセンサの予測性能を示す。 本開示の一実施形態に従う、例示的なＫＰＩの多目的最適化、すなわち採掘物グレードの全体的な回収によって得られた最適性能曲線を示す。

例示実施形態が添付図面を参照して記載される。図において、参照符号の左端の数字は、参照符号が最初に現れる図を識別します。便宜上、図面全体を通して同じ参照番号を使用して、同じまたは類似のパーツを指す。開示された原理の例および特徴をここに記載するけれども、修正、適合および他のインプリメンテーションが、開示された実施形態の精神および範囲から逸脱することなく可能である。以下の詳細な記述は、例示としてのみ考慮されることを意図しており、真の範囲と精神は、以下の特許請求の範囲によって示される。

採掘および採掘物処理は、かなり高いグレードを有する所望の採掘物を回収する一連の動作を含む。広くは、この動作は、採掘処理、粉砕回路、および浮選および選鉱回路を含み、各動作は、採掘物を所望の品質で回収するための複数のサブ動作またはプロセスを含む。既存のデジタルモニタリングツールは、性能を最適化するために、これらの動作のモニタリングと解析を提供する。ただし、既存のツールは、採掘作業、粉砕回路、選鉱器および浮選回路の1つまたは他の個々の操作に固有のものである。その個性は、鉱山から採掘物処理までの統合された端末相互間の監視ソリューションとして使用する場合に制限をもたらす。端末相互間の採掘および採掘物処理オペレーションの主な課題には、（１）効率の悪い発破プラクティスによる不良な塊の回収と希釈制御（dilution control）、（２）それらのセットポイントを決定している間、ダウンストリームユニット操作の重要業績評価指標に対するアップストリームユニット操作の決定または操作変数の影響の無視、（３）不変のルックアップテーブルを使用して決定変数の設定ポイントを変更する、（４）決定および外乱変数の観点からキー性能インジケータを正式に関連づけることができないことによる採掘および採掘物処理作業のルールベース制御を含む。

この開示の実施形態は、採掘および採掘物処理作業のオンラインモニタリングと最適化のためのシステムと方法を提供する。開示されたシステムは、最適化された発破設計に到達するために、断片化（fragmentation）、破砕、スクリーニング、磨鉱（grinding）、浮選の短期計画とデータモデルを利用する統合アプローチを提供する。開示された方法とシステムは、生産コストを最小化し、下流で使用される所望の粒子の歩留まりを最大にして、所望の採掘物の最適化されたグレードと回収に到達する。さらに、システムは、サイクロンオーバフロー（cyclone overflow）の平均粒子サイズ、採掘および採掘物処理作業に関連した複数のデータソースからの過去のデータおよびオンラインデータの両方を利用することにより中の金属のグレードと回収のような個々のユニット操作の主要な出力を予測するためのシミュレーションモデルを提供する。

図面、特に図１乃至１０を参照すると、図面全体を通して類似の参照符号は、一貫して対応する特徴を示し、好適実施形態が示され、これらの実施形態は、以下の例示システムおよび／または方法のコンテキストで記載される。

図１Ａおよび図１Ｂは、この開示の一実施形態に従う、採掘および採掘物処理作業のオンラインモニタリングと最適化のためのシステム１００の例示ブロック図を説明する。一実施形態において、システム１００は、１つまたは複数のプロセッサ１０４、通信インタフェースデバイス（１つまたは複数）または入出力（Ｉ／Ｏ）インタフェース（１つまたは複数）１０６、および１つまたは複数のプロセッサ１０４に動作可能に結合された１つまたは複数のデータストレージデバイス、またはメモリ１０２を含む。１つまたは複数のプロセッサ１０４は、１つまたは複数のソフトウエアプロセッシングモジュールおよび／またはハードウエアプロセッサであり得る。一実施形態において、ハードウエアプロセッサは、１つまたは複数のマイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタルシグナルプロセッサ、中央処理装置、ステートマシン、ロジック回路、および／または演算命令に基づいて信号を操作する任意のデバイスであり得る。いくつかある能力の中で、プロセッサ（１つまたは複数）は、メモリに記憶されたコンピュータ読み取り可能命令をフェッチし、実行するように構成される。一実施形態において、デバイス１００は、ラップトップコンピュータ、ノートブック、ハンドヘルドデバイス、ワークステーション、メインフレームコンピュータ、サーバ、ネットワーククラウド、等でインプリメントすることができる。

Ｉ／Ｏインタフェースデバイス（１つまたは複数）１０６は、種々のソフトウエアおよびハードウエアインタフェース、例えば、ウエブインタフェース、グラフィカルユーザインタフェース、等を含むことができ、例えば、ＬＡＮ、ケーブル等の有線ネットワーク、およびＷＬＡＮ，セルラー、または衛星のような無線ネットワークを含む、多種多様のネットワークＮ／Ｗおよびプロトコルタイプ内の多重通信を容易にすることができる。一実施形態において、Ｉ／Ｏインタフェースデバイス（１つまたは複数）は、多数のデバイスを互いに、または別のサーバに接続するための１つまたは複数のポートを含むことができる。

メモリ１０２は、例えば、スタティックランダムアクセスメモリ（ＳＲＡＭ）およびダイナミックランダムアクセスメモリ（ＤＲＡＭ）のような揮発性メモリ、および／またはリードオンリメモリ（ＲＯＭ）、イレーザブルプログラマブルＲＯＭ、フラッシュメモリ、ハードディスク、光学ディスク、および磁気テープのような非不揮発性メモリを含む、この分野で知られた任意のコンピュータ可読媒体を含むことができる。一実施形態において、複数のモジュール１０８は、メモリ１０２に記憶されることができ、モジュール１０８は、センサ管理モジュール１１０、モデル化およびシミュレーションモジュール１１２、および最適化モジュール１１４を含むことができ、それらは、１つまたは複数のプロセッサ１０４で実行されるとき、採掘から粉砕処理までをモニタし、最適化するように構成される。メモリ１０２は、さらに、システム１００のセンサ管理モジュール１１０、モデル化およびシミュレーションモジュール１１２および最適化モジュール１１４、およびこの開示の方法により実行される各ステップの入力（１つまたは複数）／出力（１つまたは複数）に関連する情報を備える。システム１００は、Ｉ／Ｏインタフェース１０５を介して、採掘および採掘物処理作業に必要なデータを提供する外部の複数のデータソース１１６に結合することができる。

図１Ｂは、センサ管理モジュール１１０、モデリングおよびシミュレーションモジュール１１２、最適化モジュール１１４および採掘および採掘物処理作業サイトにインストールされる関連ソース１１６から、データをフェッチするためのコネクタの例示機能ブロック、モジュール、またはコンポーネントおよび機能プロセスフローを描画する。図１Ｂは、図２Ａおよび図２Ｂに描画されるフロー図のステップと関連づけて説明される。一実施形態において、図２Ａおよび図２Ｂは、この開示の一実施形態に従って、採掘および採掘物処理作業のオンラインモニタリングおよび最適化のための、図１Ａおよび図１Ｂのシステムによりインプリメントされる方法の例示フロー図を説明する。一実施形態において、システム（１つまたは複数）１００は、１つ以上のハードウエアプロセッサ１０４に動作可能に結合された１つ以上のデータストレージデバイス、またはメモリ１０２を備え、モジュール群１１０の種々のモジュールと一緒に、１つまたは複数のプロセッサ１０４による方法のステップの実行のための命令を記憶するように構成される。この開示の方法のステップは、図１Ａ−１Ｂに描画されるシステム１００のコンポーネント、および図２Ａおよび図２Ｂに描画されるフロー図のステップを参照して説明される。プロセスステップ、方法ステップ、技術等は、一連の順番で記載されるけれども、そのようなプロセス、方法、および技術は、別の順番で作用するように構成することができる。言い換えれば、記載されるステップの任意のシーケンスまたは順番は、必ずしもステップがその順番で実行される必要があることを示しているわけではない。ここに記載されるプロセスのステップは、実用的な任意の順番で実行することができる。さらに、いくつかのステップは、同時に実行することができる。

この方法のステップ２０２において、センサ管理モジュール１１０は、複数のデータソース１１６からセンサのセットに対応する、変数のセットに関するデータを通信し及びフェッチするように構成される。このフェッチされたデータは、採掘および採掘物処理作業のデジタルモニタリングおよび最適化に必要であり、関連付けられた多種多様なデータを提供する。センサのセットは、採掘物処理作業の浮選および選鉱回路または粉砕回路のためにインストールされた機器および計装、または採掘処理に必要な（運搬および備蓄作業を含む）採掘処理のためにインストールした機器および計装のためのデータに関連づけられると共に提供する。センサは、また、原材料、中間製品、および最終製品からなる工場の複数のストリームの品質パラメータにも関連づけられる。さらに、センサ群は、また、処理された異なる原材料のソースと品質に対応するデータ、および機器の故障と保守履歴、環境と気象条件、および岩石と地形の特性に対応するデータも備える。

フェッチされたデータは、地質学、材料、車両管理、ＬＩＭＳ（実験室情報管理システム）データ、製造実行システムデータ、並びにバルカン（Vulcan）、ジオビア（Geovia）、ＪＫｓｉｍＢｌａｓｔ等のような種々のツールから生成された掘削および発破設計データのような異なる性質のデータを含む。さらに、データソース１１６は、材料データベース、フリート（fleet）管理データベース、プラントプロセスデータヒストリアン（plant process data historian）、製造実行システムデータ、製造作業管理データ、ＥＲＰ（企業資源計画）、ＤＣＳ（デジタルコントロールシステム）等を含むことができる。方法のステップ２０４において、データがフェッチされると、センサ管理モジュール１１０は、外れ値（outliers）を破棄することにより変数のセットに対応する、フェッチされたデータを事前処理するように構成され、欠損位置に人工的な値を付加するための代入を実行し、異なる頻度で収集したデータを１つの共通頻度に組織化し、プラントの定常状態動作、または採掘および採掘物処理動作に関連づけられたプロセスまたはサブプロセスに基づいてデータを識別し、選択する。Ｚ−ｓｃｏｒｅおよび／またはＢｏｘ ａｎｄ Ｗｈｉｓｋｅｒ解析、近接ベースの方法（Proximity based method）が外れ値を除去するために使用することができる。さらに、方法のステップ２０６において、センサ管理モジュール１１０は、変数のセットに対応する事前処理されたデータを用いてプラントの採掘および採掘物処理作業に関する標準動作条件（１つまたは複数）を決定するように構成される。種々のデータソース１１６からの入力データは、すでに各変数の名前と記述でタグ付けされる。各タグの記述を提供するこれらのタグのマスタリストは、センサ管理モジュール１１６に記憶される。

方法のステップ２０８において、センサ管理モジュール１１０は、データ内の変数のセットの中の変数を、マスタタグリストに従って採掘および採掘物処理作業に必要な作業および機器に隔離しグループ化する。セクションは、（１）掘削−発破−運搬、（２）粉砕回路および（３）浮選および選鉱回路を備える。変数の各々は、またこれらのセンサが常駐する異なるユニットにも関連づけられている（tied down）。種々のデータソースに加えて、システム１００は、モデリングおよびシミュレーションモジュール１１２を用いて開発されたソフトセンサを利用する。ソフトセンサは、採掘および採掘物処理作業の重要なプロセスパラメータのリアルタイムの予測を提供することができるＭＬ、または物理ベースモデルであり、それらは、頻度が低いかあるいはまったく測定されない。したがって、ソフトセンサは、特定の破壊エネルギ、粒径分布、中間ストリームのスラリー密度、粉砕ミルで保持される固体等のようなプロセスパラメータのために開発することができる。センサ管理モジュール１１０は、ソフトセンサも含むように構成される。さらに、センサ管理モジュール１１０は、オンラインセンサ、またはソフトセンサのいずれかが、その動作領域外の値を一貫して報告すると、センサ故障を報告するように構成されており、それにより、ユーザまたはシステムアドミニストレータは、修正作業を行うように促す。

さらに、方法のステップ２１０において、モデリングおよびシミュレーションモジュール１１４は、隔離されたデータおよび事前処理されたデータからモデルのセットを生成するように構成される。モデルのセットは、粉砕機および磨鉱機（crusher and grinding mills）の出力における粒径分布、粉砕ミルで保持される固体、粗くてスカベンジャー（scavenger）浮選のための選鉱くず（tail）または選鉱（concentrate）のような関心のある複数の処理パラメータおよび関心のある主要業績評価指数（ＫＰＩｓ）のセットに対して生成される。生成されたモデルのセットは、機械学習（ＭＬ）モデルのセット、または個別化された物理ベースモデル、またはハイブリッドモデルのセットを備える。個別化された物理ベースモデル、またはハイブリッドモデル（あるいは、個別化された物理ベースモデルと呼ばれる）は、非線形曲線近似を用いてモデルパラメータを決定することにより、周知の物理ベースモデルに基づいて複数のプロセスパラメータに対して生成される。既存のモデルは、ユニバーサルではなくカスタマイズする必要があるので、この個別化は、開示されたシステム１００により提供される。関心のあるＫＰＩｓをモデル化するのに使用するセンサ管理モジュールから使用される変数は、関心のあるプロセスに関連しており、ユーザにより手動で入力することができるか、あるいは特徴選択技術を用いて自動的に選択することができる。線形回帰、ランダムフォレスト（random forest）、サポートベクトルマシン（support vector machines）、ニューラルネットワーク等のようなＭＬ技術は、センサ管理モジュール１１０から取られた、処理された履歴データからＭＬモデルを作るのに使用することができる。モデルのセットが生成される関心のある複数のＫＰＩｓは、発破作業のコスト、飛び石サイズおよび速度、フラグメントサイズの分布、運搬コスト、備蓄へのスループット、備蓄の形状、スクリーニング効率、粉砕回路操作のコスト、粒度分布、粉砕回路スループット、浮選および選鉱回路の出力ストリームにおける関心のある採掘物のグレードおよび／または回収の１つまたは組合せを備える。

さらに、方法のステップ２１２において、モデリングおよびシミュレーションモジュール１１２は、変数のセットに対応する採掘および採掘物所処理作業の現在の動作条件をシミュレートするように構成される。シミュレーションは、生成されたＭＬモデル、ＫＰＩｓの個別化された物理ベースのハイブリッドモデル、または複数のプロセスパラメータの１つに基づく。シミュレートされた現在の動作条件は、ＫＰＩｓの現在の値および関心のあるプロセスパラメータを提供する。例えば、シミュレーションは、また、現在の動作条件を用いたプラントの性能を評価するために磨鉱回路におけるグレード、回収（recovery）、電力要件のようなＫＰＩｓの作成されたモデルで実行することができ、それは、センサ管理モジュール１１０から来る最近のデータの形態で通信される。

さらに、方法のステップ２１４において、最適化モジュール１１４は、採掘および採掘物処理作業の変数のセットの中の変数のサブセットの現在の動作値を更新することにより、関心のあるＫＰＩｓを階層的に最適化するように構成される。ＫＰＩｓの最適化されたＫＰＩｓは、採掘作業、粉砕回路、および浮選および選鉱回路のためであり得る。最適化モジュール１１４は、採掘作業、粉砕回路性能および浮選および選鉱回路性能を最適化するために他のソースからキャプチャした情報を最適化するために、他のソースからキャプチャした情報と共に、モデリングおよびシミュレーションモジュールで作られたモデルからキャプチャされる情報を使用するように構成される。たとえば、最適化モジュール１１４の採掘作業最適化サブモジュールは、図５と共にさらに説明される、発破のコストを低減し、飛び石形成（flyrock formation）を低減し、下流での運搬および破砕（crushing）−磨鉱（grinding）作業のコストを低減する目的で発破作業を改善する。さらに、粉砕回路（comminution circuit）最適化モジュールおよび浮選および選鉱回路最適化サブモジュールのようなサブモジュールは、それぞれ図６および図７とともに記載される。

さらに、方法のステップ２１６において、最適化モジュール１１４は、（ａ）センサのセットに対応する変数のセットに対応するデータを提示するセンサ管理モジュール１１０と、（ｂ）ＭＬモデルおよび／または個別化された物理モデルを提供するモデリングおよびシミュレーションモデル１１２と一緒に、採掘および採掘物処理作業に対応する変数のセットの処理されたデータに従って、変数のセットの現在の動作条件をモニタするように構成される。モニタリングは、センサのセットから１つまたは複数のセンサの故障、または処理機器の故障を検出することを含む。任意の検出した故障および故障の原因は、修正作業、故障機会の低減、および採掘および採掘物処理作業の任意の悪影響ためにシステムアドミニストレータに示される。採掘作業、粉砕回路、または浮選および選鉱回路に関する関心のあるＫＰＩｓの最適化は、ＭＬモデルまたは個別化された物理ベースモデルを用いてモデル化された、関心のあるＫＰＩｓの観点から表された目的別機能と制約を備える定式化および解法最適化問題を含む。最適化問題の解決法は、採掘および採掘物処理作用の期間に動的に変化する変数のセブセットの値のセットを提供する。最適化問題の解決法は、（１）爆発物の量とタイプの情報を含む装薬計画の推奨、（２）粉砕および浮選および選鉱回路に沿った異なる位置に位置する複数のコントローラに関するポイントを設定すること、を提供する。システム１００は、採掘および採掘物処理、すなわち、掘削、発破、運搬、破砕（crushing）、スクリーニング、磨鉱（grinding）、浮選および増粘（thickening）に関与する全体の動作チェーンのデジタルレプリカを提供する。ユニットの各々の現在の稼働状況は、プラント全体に分散される異なるソースから受信したデータを用いて更新される。ユニットの現在の稼働状況は、現場で使用されているセンサの現在の測定値、センサデータを用いて作られたシミュレーションモデルを用いて作られたソフトセンサ、実験室測定値および更新されたプラントデータベースからフェッチされた他のそのような測定値から構成される。これらのソースからフェッチされたデータは、セクションごとのＫＰＩｓおよび全体のＫＰＩｓに関するモデルを、いくつかの操作された／決定変数および重要な分散変数の関数として同調または作成するのに使用される。これらのモデルは、ＫＰＩｓの改善を生じる決定変数のセットポイントを見つけるのに利用される。予測された決定変数は、（自動制御の場合）セットポイントとしてより低いレベルのコントローラへ通信される、または、（手動制御の場合）オペレータが携帯するハンドヘルドデバイスへ通信されるので、これらは現場でインプリメントすることができる。したがって、システム１００は、既存の採掘および採掘物処理作業を改良するための端末相互間（end to end）のソリューションを提供する。

図３は、この開示の一実施形態に従う、採掘および採掘物処理作業のモデル、例えば、重要業績評価指数（ＫＰＩｓ）を生成するための、および仮定の（what-if）シナリオをシミュレートするために、決定変数およびプラント性能についての測定された外乱（disturbances）を評価するために、およびプラント作業における改良の範囲を識別するために、図１Ａおよび図１Ｂに描画されたシステムのモデリングおよびシミュレーションモデルによりインプリメントされる方法の例示フロー図を説明する。方法のステップ３０２において、モデリングおよびシミュレーションモデル１１２は、関心のあるユーザ指定のＫＰＩｓ、および関心のあるＫＰＩｓのモデルを構築するために使用するのに必要な変数のセットを受信するように構成される。さらに、方法のステップ３０４において、モデリングおよびシミュレーションモジュール１１２は、センサ管理モジュール１１０から関連データをインポートし、ステップ３０６において、変数が異なる頻度で測定され、異なるデータベースから取得する場合、異なるタイムスケールでデータ統合を行うするように構成される。方法のステップ３０８で、モデリングおよびシミュレーションモジュール１１２は、特徴を学習して、ＭＬモデルを構築するか、あるいは、ステップ３１０において、物理ベースモデルパラメータを学習する（適用可能であれば）。オプションで、ステップ３０８で、モデルを構築するために必要な重要な変数は、主成分分析（ＰＣＡ）、関連ルールマイニング（association rule mining）を用いて、またはＬＡＳＳＯ、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ（ＲＦ）、等のようなモデルベース特徴選択技術を用いて決定することができる。例えば、より粗い選鉱の採掘物グレードは、半自動ミル（Semi-Autogenous Mill(SAG))、ボールミル（Ball-mill）および他のそのような高エネルギミル、サイクロンクラスタ（cyclone cluster）、および原材料特性と共に、より粗い浮選カラム（column）自体のような上流の危機の一部である変数の大きなセットの関数としてモデル化することができる。自動特徴選択は、より粗い選鉱における採掘物グレードに影響を与える関連する変数のみを見つけるのに役立ち、従って、意志決定を支援する。

方法のステップ３１２において、モデリングおよびシミュレーションモジュール１１２は、関心のあるＫＰＩｓに関するモデルのセット、ここでは、運搬コストモデル、粒子サイズ、より粗い浮選グレードモデル、スカベンジャーセル（scavenger cell）の回収採掘物モデル（scavenger cell mineral recovery model）、全体の採掘物回収モデル、全体の採掘物グレードモデル、等を生成し維持するように構成される。利用可能であれば、物理ベースモデル、またはサポートベクターマシン、ランダムフォレスト、勾配ブーストマシン（gradient boosted machine）、ニューラルネットワークのようなＭＬ技術が、モデルを構築するために使用される。

図４Ａ、図４Ｂ、および図４Ｃは、この開示の一施形態に従う、ユーザから、または図１Ａおよび１Ｂのシステムのセンサ管理モジュールからのデータを図示し、一般的な例示モデルにより処理され、関心のあるいくつかのＫＰＩｓの値を計算する。図４Ａは、運搬モデルにより処理され、運搬コストおよび時間のような関心のあるＫＰＩの現在値を提供する、掘削可能性指数（Diggability Index）、予測されたフラグメントサイズ分布（ＦＳＤ）、割当リソース（例えば、トラック、ショベル）のような入力データの受信を描画する。
図４Ｂは、関心のある現在のＫＰＩの値、例えば、ここでは、粒子サイズ分布を提供するために、粒子サイズセンサモデルによる固定スループット、フラグメントサイズ分布、ＳＡＧミルへの水の追加、ボールミル（ball mill）への水の追加、パルプ密度、サイクロンクラスタ圧力、および他の重要な特徴のような入力データの受信を描画する。図４Ｃは、異なる採掘物の回収とグレードの現在の値を提供するために、浮選および選鉱モデルによる、コレクタ投与量（collector dosage）、コレクタフローレート（collector flow rate）、泡沫投与量（frother dosage）、泡沫フローレート（frother flow rate）、パーセンテージソリッド（percentage solids）、粒子サイズ分布（Particle Size Distribution）（ＰＳＤ）、フィードグレード、ｐＨおよび他の重要な特徴のようなプロセスパラメータの入力データの受信を描画する。

図５は、この開示の一実施形態に従う、プラントデータベース、発破および掘削設計ソフトウエア、トレーニングされたマシンラーニング（ＭＬ）モデル、モデリングとシミュレーションモジュールを用いて構築された物理ベースハイブリッドモデルに対応する複数のデータソースと、採掘物処理作業の装薬計画と決定変数を回帰的に更新する最適化モジュールとの間の相互作用を描画する採掘および採掘物処理作業のＫＰＩｓの階層的で、段階的最適化のための方法を説明する。

段階的および階層的手続きに従う採掘および採掘物処理作業の最適化は、バルカン（Vulcan）およびゲオビア（Geovia）のような第三者のソフトウエアを用いた短期間の採掘計画に基づいて、掘削パターンおよび事前装薬パターンのステップを備える。さらに、ステップは、Ｌｅｉｃａ Ｔｒｉｔｏｎｉｃｓのような掘削モニタリングシステムを介して掘削中のモニタリング（ＭＷＤ）データを収集するために産出掘削作業を実行することを備える、ここでは、ＷＭＤデータは、ドリルロッドの回転速度、回転トルク、破壊力（pull down force）、掘削速度、角速度、貫通速度のような情報を備える。さらに、ＭＷＤデータを用いて、特定破壊エネルギのような地盤工学的パラメータ、および、エアデッキ（air deck）の長さ、発破される各孔のステム高さ（stemming height）のような発破パラメータを推測する。また、推測した地盤工学的パラメータおよび掘削パターンに基づいて各孔の装薬混合（charge mix）の情報を備える装薬計画を設計する。さらに、ステップは、計算された発破パラメータおよび装薬計画を利用するモデルを用いてフラグメントサイズ（ＦＳＤ）を推定することを備える。関連するプロセスパラメータとともに推定されたＦＳＤは、運搬コスト、備蓄スループット、フライロックサイズ、速度、および爆発の範囲およびコストをシミュレートするために使用される。この段階において、装薬計画は、採掘作業のＫＰＩｓのいくつかの機能フォームとして表されるカスタマイズされた最適化問題を改良するようにさらに改良することができる。関連するプロセスパラメータとともに推測された備蓄スループット、フラグメントサイズ分布の上記計算は、ＭＬまたは物理ベースモデルを用いた浮選および選鉱回路における関心のある採掘物の回収とグレードと一緒に粉砕回路の期間に重要なポイントにおける、特定のエネルギ消費、スクリーニング効率、粒子サイズ分布のような採掘物処理作業のＫＰＩｓを推測するために使用することができる。したがって、採掘物処理作業は、採掘物処理作業を決定する（dictate）重要な決定変数を変えることにより所定の装薬計画（charge plan）に対して最適化することができる。さらに、最適化ステップは、上述のステップのいくつかまたはすべてを回帰的に実行して、カスタマイズされた目的機能を全体的に最小化する、採掘および採掘物処理作業のプロセスパラメータの最適化された装薬計画およびセットポイントに到達する。

上述のステップは、さらに図５の例と共に説明される。図５に示すように、ユーザは、ＧＢＩＳ、ＡｒｃＧＩＳのようなデータベースからの短期間の採掘プランデータ、岩石特性、および地質学データを用いて掘削パターンと装薬パターンを設計することに向けられている。短期間の採掘プラン（５０２）は、データソース１１６から提供される。産出掘削作業（５０４）は、現場で実行され、掘削モニタリングシステム（ＤＭＳ）は、ＭＷＤ、すなわち、掘削中のモニタリングデータを記録するために使用される。ＤＭＳは、既存の掘削モニタリングシステム（センサ＋第三者ソフトウエア）であるので、センサデータは、システム１００により使用される。したがって、第三者のソースからのデータは、また、データソース１１６の一部であり得る。地球統計学（geostatistics）モジュール（５０６）は、特定の破壊エネルギである発破および地盤工学的パラメータを推測するトレーニングされたＭＬモデルを備えるこれは、モデリングおよびシミュレーションモジュール１１２により考案することができる。地盤工学的パラメータのトレーニングされたモデルは、ソフトセンサの例である。モデリングおよびシミュレーションモジュール１１２を用いて開発されたソフトセンサは、センサ管理モジュール１１０の一部になる。発破計画ロジックモデルは、モデリングおよびシミュレーションモジュール１１２の一部である。発破計画ロジックモデルは、推測された地盤工学的および発破パラメータに基づいて装薬パターンに関する推奨を提供する。さらに、これらの推奨、より詳細な装薬計画および発破パラメータに基づいて、発破設計（５１０）は、ＳｈｏｔｐｌｕｓおよびＪＫＳｉｍｂｌａｓｔのような発破設計ソフトウエア上で決定される。発破設計は、採掘作業の種々のモデル（５１２）上でシミュレーションを実行するための入力として使用される。さまざまなモデル（５１２）は、モデリングおよびシミュレーションモジュール１１２を用いて開発されたモデルを備える。この段階において、装薬計画は、採掘作業の性能測定値を用いて形成された目的性能を最小化するために反復的に変更することができる。採掘および採掘物処理作業の両方を最適化するために、粉砕および浮選および選鉱回路作業（５１４）に関連するモデルもまた使用される。５１２および５１４にリストアップされたモデルの予測により形成された、主としてメタヒューリスティック（metaheuristics）（５１８）と、目的機能（５１６）備える最適化アルゴリズムは、最適化モジュール１１４の一部である。形成された目的機能を最小化または最大化することにより得られる最適化問題のソリューションは、採掘および採掘物処理作業の重要な決定変数の装薬計画およびセットポイントを提供する。

採掘および採掘物処理作業のＫＰＩｓの最適化のためのシステム１００の例示プロセスは、さらに以下に詳述される。ステップ５０２において、ＶｕｌｃａｎまたはＧｅｏｖｉａのような掘削および発破設計ソフトウエアは、掘削パターンおよび事前装薬計画を設計するために使用される。ステップ５４０において、掘削の間モニタリングする、ＭＷＤデータは、特定の破壊エネルギおよび発破パラメータのような地盤工学的特性を計算するために使用される。作成された地球統計学モジュール（５０６）は、最近隣法（nearest neighbor method）またはＭＷＤデータについてのクリグング法（Kriging method）のような補間技術を適用して、地盤工学的特性および発破パラメータを推定することができる。ステップ５０８において、提案された掘削パターンと共に、地盤工学的および発破特性は、発破プランロジックモデルに使用され、装薬パターンルールを推定する。ステップ５１０において、掘削パターン、対応する装薬パターンルール、および発破パラメータがＳＨＯＴｐｌｕｓまたはＧｅｏｖｉａのような発破設計ソフトウエアにインポートされ、装薬計画を作る。

上述したステップは、運搬、備蓄スループットのような採掘作業のために使用される発破パラメータの推定と共に、発破および掘削パターンのステージを緩和する。ステージ５１２において、Ｋｕｚ−Ｒａｍモデルのようなフラグメンテーションモデル（Fragmentation models）は、速度のような飛び石形成に関する重要なパラメータと共に、発破の後に形成されたフラグメントの仕事指数および破片サイズ分布（fragment size distribution）予測する。運搬モデルは、運搬コストおよび予測された断片サイズ分布の履歴データに基づいて運搬作業のコストを予測するための類似度サーチアプローチを利用し、一方、備蓄モデルは、備蓄に対する形状およびスループットを予測するのに使用される。この段階で、最適化モジュール１１４を用いて、装薬計画を操作して、塊対細粒比（lumps-to-fines ratio）、必要となる各爆発物の量、運搬コストおよび断片サイズのような採掘作業のみに関連したＫＰＩｓを最適化することができる。

ステップ５１４において、採掘物処理作業、すなわち、粉砕および浮選および選鉱の関心のあるＫＰＩｓが推測される。破砕器モデル（crusher model）は、推測された断片サイズ分布に基づいて電力要件および産出サイズ分布を予測することができる。Ｗｈｉｔｅｎｎ ｃｒｕｓｈｅｒ ｍｏｄｅｌおよびＣｓｏｋｅモデル、あるいは、データソース１１６からのデータを用いて開発されたマシンラーニングモデルを使用することができる。スクリーニングモデルは、さらに塊対細粒比（lumps and fines）のサイズ分布およびスクリーニング作業の効率をさらに予測する。ＫａｒｒａのモデルおよびＨａｔｃｈおよびＭｕｌａｒモデルのような上述した文献に作成されたモデルは、校正することができ、この出願に使用することができる。魔鉱モデル（grinding model）は、スクリーニングした原鉱またはサイクロンアンダーフローで集められたより大きな粒子を選鉱器でのさらなる処理に必要なサイズ、並びに最終製品粒子サイズ分布に破壊する（break down)するための電力要件を予測する。採掘物の回収とグレードは、採掘物処理作業で使用される異なる浮選機器の選鉱または選鉱くずにおける関心のある鉱物のそれぞれの回収とグレードを予測する。

ステップ５１６において、計算の全体のチェーンに基づいて、採掘および採掘物処理作業のＫＰＩｓの観点から表されたユーザカスタマイズまたはデフォルト最適化問題が形成される。ステップ５１８において、定式化された最適化問題は、粒子群最適化、遺伝的アルゴリズム、タブサーチ（Tabu-search）、シミュレーテッドアニーリング（simulated annealing）等のようなメタヒューリスティック（metaheuristics）である、最適化アルゴリズムを使用して解決される。最適化システムは、反復モードで実行され、粉砕計画へのプロセス水の追加、ボールミル（ball mill）のｒｐｍ、サイクロンクラスタ圧力、浮選装置のｐＨ、浮選装置へのコレクタおよび起包剤添加率（collector and frother addition rate to the flotation equipment）のような鉱業および採掘物処理操作の重要な操作変数の設定点と共に装薬計画を決定するように動作する。

ステップ５２０において、前のステップで推定された装薬計画および操作変数の設定点は、フィールドで推奨を実行するためにオペレータによって使用されるセンサ管理モジュールおよび／またはハンドヘルドデバイスを介してＤＣＳ／ＳＣＡＤＡに送られる。
最適化システムは、提案されたシステムの異なるモジュールがシームレスに異なるデータソースと統合すると、オンラインで作動する。採掘および採掘物処理作業の一部のみを図６および図７に示すように最適化することも留意する必要がある。

ここに詳細に記載したのは、発破計画を生成する発破計画ロジックモデル（５０８）である。フィードアクチュエータ力、回転アクチュエータ力のような掘削マシンデータは、特定の破壊エネルギを計算するのに使用することができる。数学モデルは、岩石層または地層から掘削された単位体積あたりのＳＦＥまたは作業完了を確認するために、開発された。」
ＳＦＥの数式は以下の通りである。
ＳＦＥ＝（ｐｉ／３０）．（Ｔ．Ｎ／Ａ．Ｒ）＋（F/A） （１）

プログラムロジックを定義するための数学的導出：
ＳＦＥは、掘り起こされた単位体積あたりになされた作業として定義される。
そこで、以下のように記載することができる。
ｅ＝（Ｅ／Ｖ）ジュール／ｍ^３ またはニュートン／ｍ^２ （２）
ただし、Ｅ＝ドリルから岩石へ伝達されたエネルギ、Ｖ＝（ベーシックパラメータリストに示したように）粉砕された岩石の量である。

さらに、Ｅ＝Ｐ．ｔおよびＶ＝Ａ．Ｒ．ｔ（３）
ただし、Ｐ＝岩石に伝達された力
ｔ＝時間
Ａ＝パラメータリストにおいて上述した孔の断面積、Ｒ＝パラメータリストにおいて上述した貫通速度
これは、ｅ＝Ｐ．ｔ／Ａ．Ｒ．ｔ＝Ｐ／Ａ．Ｒ （４）

回転掘削の場合、フィード及び回転アクチュエータは、パワーを供給する。アクチュエータパワーのすべてが岩石に伝達され、破砕を生じると仮定する。したがって、Ｐ回転掘削（Protarydrilling）＝Ｐ回転アクチュエータ（Protaryactuator）＋Ｐフィードアクチュエータ（Pfeedactuator） （５）
ただし、Ｐ回転アクチュエータ＝Ｔ．ｗ＝（ｐｉ／３０）．Ｔ．Ｎ （６）
ただし、Ｔ＝回転アクチュエータトルク（Ｎｍ）、ｗ＝パラメータリスト（ラジアン／秒）において上述した角速度、Ｎ＝ドリルビット（Ｄｒｉｌｌ ｂｉｔ)の分あたりの回転＝（３０／ｐｉ）．ｗ、および
Ｐフィードアクチュエータ＝〜Ｆ．Ｒ （７）
ただし、Ｆ＝モータによってドリルロッドに印加されたフィードフォースまたはプルダウンフォース（ニュートン）
これは、回転掘削のためのＳＦＥ＝Ｐ回転掘削／Ａ．Ｒ （８）
＝（Ｐ回転アクチュエータ＋Ｐフィードアクチュエータ）／Ａ．Ｒ
＝｛（ｐｉ／３０）．Ｔ．Ｎ＋Ｆ．Ｒ｝／Ａ．Ｒ
または、ＳＦＥ＝（ｐｉ／３０）．（Ｔ．Ｎ＋Ｆ．Ｒ）＋Ｆ／Ａ
ＳＦＥ計算に基づいて、ロックタイプとロック特性を精巧に分析することができる。

ＳＦＥに基づく、発破、装薬パターン設計
深さの関数としてのＳＦＥの計算に基づいて各発破孔の装薬パターン（charging pattern）を定義し、設計することができる。発破孔の基本装薬パターンは、２つの主要コンポーネントからなる。１．爆発物の充填、および２．ステム（Stemming）／エアーギャップ

システムは、異なる深さおよび異なる岩石特性に対して、爆発物に（ＶＯＤ、爆発速度に基づいて）異なるクラスの産業用爆薬を装填できるようにすることさえできる。中間のステム／エアーギャップは、ＳＦＥが非常に低い孔の深さに沿って、非常に緩いまたは壊れやすい岩盤に使用できる。

図６は、この開示の一実施形態に従う、粉砕回路のいくつかの例示ＫＰＩｓの、オンラインモニタリングと最適化に必要な、図１のシステム１００のモジュール間の相互作用を説明する。電力消費の低減、サイクロンオーバフローにおける、好ましい粒子サイズ分布の取得、粉砕回路のスループットの増加など、粉砕回路の動作において、多くの最適化の機会が利用可能である

図６は、粉砕回路ＫＰＩｓの、オンライン最適化のための、フレームワークを描画する。モデリングと、シミュレーションモジュールで開発されたＫＰＩｓのトレーニングされた、マシンラーニングモデル、および／または物理ベースハイブリッドモデルは、最適化モジュールと相互作用し、決定／操作変数を備えるソリューションは、より低いレベルのコントローラ、またはオペレータに送信することができると推定される。最適化モジュールでは、予測モデルのいくつかは、ユーザカスタマイズされた最適化問題に依存する、目的関数と制約の形態で統合される。例えば、粒度分布を改善するための問題、例えば、微粉および中サイズの粒子の重量分率を増やし、粉砕回路のスループットに影響を与えずに、大きなサイズの粒子の割合を減らすには、３つの異なる粒子サイズの重量分率を増やし、粉砕回路のスループットに影響を与えずに、大きなサイズの粒子の割合を減らすには、水添加、ボールミルの回転速度、サイクロンクラスタ圧力のような、決定／操作パラメータの関数として、粉砕回路のスループットのモデルと共に、３つの異なる粒子サイズの、重量分率のモデルを必要とする。粒子サイズのモデルは、目的関数として使用することができ、一方、粉砕回路のスループットのモデルは、制約として配置できる。さらに、各決定変数／操作変数の実行可能な動作領域は、センサ管理モジュール１１０から取得するか、ユーザ定義することができる。最適化問題は、非優勢分類遺伝的アルゴリズム（non-dominated sorting genetic algorithm）（ＮＳＧＡ−ＩＩ）、多目的粒子群最適化（multi-objective particle swarm optimization）（ＭＯ−ＰＳＯ）、強度パレート進化アルゴリズム２（Strength Pareto Evolutionary Algorithm 2）（ＳＰＥＡ−２）などの多目的最適化手法によって、あるいは、多目的最適化問題を、重量加算手法（weight sum approach）による、単一の目的に変換することにより解決することができる。

センサ管理モジュール１１０に記憶されたプロセス水、ＳＡＧミルへの供給速度、原鉱（ore）グレード、サイクロンクラスタ圧力のような、モデルを構築するために使用される変数に対応する、オンラインまたは履歴データは、粉砕回路における特定の電力消費の、ＭＬモデル、モデリングおよびシミュレーションモジュール１１２を使用するサイクロンオーバフローにおける、粒子サイズ分布をトレーニングするために使用される。モデルは、ユーザカスタマイズされた問題を構成する（frame）のに使用され、最適化モジュール１１４で解決される。決定変数の値として得られたソリューションは、センサ管理モジュールにプッシュされ、そこを通過して、ＤＣＳ／ＳＣＡＤＡ、またはプラントオペレータにプッシュされ、より低いレベルのコントローラにより、設定点として使用される。

図７は、この開示の一実施形態に従って、採掘および採掘物処理作業の、浮選および選鉱回路のいくつかの例示ＫＰＩｓのオンラインモニタリングおよび最適化に必要な、図１のシステムのモジュール間の相互作用を説明する。回収とグレードを改善することは、採掘物処理プラントの重要なＫＰＩｓである。モデリングおよびシミュレーション１１２は、センサ管理モジュールから獲得した、関連データを用いたフィードグレード、プラントのスループット、パルプ密度のような主要な決定／操作変数の観点から、これらの重要なＫＰＩｓのモデルを構築するのに使用される。採掘物選鉱回路最適化モジュールは、図６の粉砕回路最適化サブモジュールと同様の方法で、作動する。浮選および選鉱回路のモデル化されたＫＰＩｓの観点から表されたユーザカスタマイズされた最適化問題は、解決される。例えば、主要な採掘物の回収とグレードの両方を改良することは、目的関数として提起することができ、一方、二次採掘物の回収を維持することは、制約として提起することができる。そのような最適化問題は、主要決定／操作変数の最適設定点の推奨をもたらす、非支配的なソーティング遺伝的アルゴリズム−ＩＩ（ＮＳＧＡＩＩ）を用いて解決することができる。図７は、グレードと回収を最大化するように、選鉱回路と粉砕回路の主要な決定／操作変数の設定点を推定するための、１つのそのようなフレームワークを描画する。

浮選セルのｐＨ、浮選回路を介したソリッドスループット、センサ管理モジュール１１０に記憶されたコレクタフローレート、のようなモデルを構築するのに使用される変数に対応する、オンラインまたは履歴データは、モデリングおよびシミュレーションモジュール１１２において、採掘物のグレードと回収のための、ＭＬモデルをトレーニングするのに使用される。モデルは、ユーザカスタマイズされた最適化問題を構成するために使用され、最適化モジュール１１４で解決される。決定変数の値として得られたソリューションは、センサ管理モジュールにプッシュされ、そこを通って、ＤＣＳ／ＳＣＡＤＡ、またはプラントオペレータにプッシュされ、より低いレベルの、コントローラによる設定点として使用される。

上述した図６および図７は、開示された方法およびシステム１００を用いてモニタし、最適化することができるいくつかの例示ＫＰＩｓを提供する。関心のある任意のさらなるＫＰＩｓを追加することができる。

図８Ａおよび８Ｂは、この開示の一実施形態に従う、採掘および採掘物処理作業の実データに関して、例示ＫＰＩｓの機械学習（ＭＬ）に基づく、予測モデルの性能を説明する。図８Ａおよび８Ｂは、実際のプラントデータを備えたモデリングおよびシミュレーションモジュール１１２を用いで構築された、採掘物ＡおよびＢの回収のＭＬモデルによりなされた予測を比較する。合理的な精度レベルは、特徴として、決定および外乱変数のみを考慮する、これらのモデルにより得られる。

図９Ａおよび９Ｂは、この開示の実施形態に従う、粒子サイズおよびメタルグレードのソフトセンサの予測性能を説明する。図９Ａおよび９Ｂは、粉砕回路（８０％通過粒径）および実際のプラントデータを有した採掘物Ａ１１２の、より粗いグレードからのＰ８０のＭＬモデルにより行われた、予測を比較する。合理的なレベルの制度は、特徴として決定および外乱変数のみを考慮する、これらのモデルにより得られる。

図１０は、この開示の一実施形態に従う、全体の、採掘物の回収と、採掘物のグレードに関する、ＫＰＩｓの多目的最適化により得られた、最適性能曲線を説明する。図１０は、２つの目的（採掘物Ａのグレードを最適化する、採掘物Ｂの回収を最適化する）を備える、最適化モジュール１１４を用いて解決される、最適化問題の結果を示す。異なるラインは、外乱変数対原鉱フィードグレードの、異なる値の下でのパレート最適フロント（Pareto optimal front）を示す。黒丸は、オンラインモニタリングと、最適化が無い場合に達成された回収とグレードを示し、それにより処理改善の機会を示す。

ここでは、明細書は、当業者が実施形態を作成し、使用することを可能にする主題を記載する。主題である実施形態のスコープは、クレームにより定義され、当業者に生じる、他の変形を含むことができる。変形例が、クレームの文言と異ならない類似のエレメントを有する場合、あるいは、クレームの問題と異なる、実体の無い差異を有する等価なエレメントを含む場合、そのような他の変形は、クレームの範囲内であることを意図している。

保護の範囲は、そのようなプログラムおよびさらには、メッセージを内部に有するコンピュータ可読手段に拡張されることを理解されたい。そのようなコンピュータ可読は、プログラムが、サーバ、またはモバイルデバイス、または任意の適切なプログラマブルデバイス上で実行されると、この方法の１つ以上のステップの、インプリメンテーションための、プログラムコード手段を含む。ハードウエアデバイスは、例えば、サーバ、またはパーソナルコンピュータ等、またはそれらの任意の組合わせのような、任意の種類のコンピュータを含む、プログラム可能な、任意の種類のデバイスであり得る。デバイスは、また、例えば、特定用途集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）のようなハードウエア手段、または、例えば、ＡＳＩＣとＦＰＧＡ、または少なくとも１つのマイクロプロセッサと、少なくとも１つのその中にソフトウエアモジュールを有する、少なくとも１つのメモリのような、ハードウエア手段とソフトウエア手段の組合わせであり得る。したがって、手段は、ハードウエア手段とソフトウエア手段の両方を含むことができる。ここに記載された方法の実施形態は、ハードウエア、またはソフトウエアでインプリメントすることができる。デバイスはまた、ソフトウエア手段を含むことができる。代替的に、この実施形態は、異なるハードウエアデバイス、例えば、複数のＣＰＵｓを用いてインプリメントすることができる。

ここに記載された実施形態は、ハードウエアエレメントと、ソフトウエアエレメントを含むことができる。ソフトウエアでインプリメントされた実施形態は、これに限定されないが、ファームウエア、常駐ソフトウエア、マイクロコード等を含む。ここに記載された種々のモジュールにより実行される機能は、他のモジュール、または他のモジュールの組合わせ内にインプリメントすることができる。この記載の目的のために、コンピュータ使用可能な、またはコンピュータ可読媒体は、命令実行システム、装置、またはデバイスにより、または関連して使用するプログラムを備え、または記憶し、または通信し、または伝搬し、または転送することができる任意の装置であり得る。説明されたステップは、図示した例示実施形態を説明するために設定され、進行中の技術開発は、特別の機能が実行される方法を変更するであろうことが予想されねばならない。これらの例は、ここでは、説明の目的のために提示されるが限定ではない。さらに、機能構築ブロックの境界は、記述の簡便化のために、ここでは任意に定義されている。代替境界は、特定の機能と関係が適切に実行される限り、定義することができる。（ここに記載されたこれらの均等物、拡張、変化、偏向等を含む）代替は、ここに含まれる教示に基づいて、関連技術（１つまたは複数）における当業者に明白であろう。そのような代替は、開示された実施形態の範囲と精神に含まれる。また、用語「備える（comprising）」、「有する（having）」、および「含む（including）」および他の類似の形態は、意味において等価であり、これらの用語のいずれかに続くアイテム、または複数のアイテムが、そのようなアイテム、または複数のアイテムの総記を意味するものではなく、またはリストしたアイテム、またはアイテム群だけに限定することを意味するものではない。本明細書において、および添付した特許請求の範囲に使用されるように、単数形「１つ（”a”)」、「１つ（"an"）」、および「その（"the"）」は、コンテキストが明示的にそうでないことを記載しない限り、複数の参照を含むことに留意する必要がある。

さらに、１つまたは複数のコンピュータ可読記憶媒体は、この開示に一致する実施形態をインプリメントするのに、利用することができる。コンピュータ可読記憶媒体は、プロセッサにより読むことができる情報、またはデータを記憶することができる、任意のタイプの物理メモリを指す。したがって、コンピュータ可読記憶媒体は、プロセッサ（１つまたは複数）がここに記載された実施形態と一致するステップ、またはステージを実行させる命令を含む、１つまたは複数のプロセッサによる、実行ための命令を記憶することができる。用語「コンピュータ可読媒体」は、有形の（tangible）アイテムを含み、搬送波および過度信号を排除する、すなわち、非一時的であることが理解されねばならない。複数の例は、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、揮発性メモリ、不揮発性メモリ、ハードドライブ、ＣＤ ＲＯＭｓ、ＤＶＤｓ、フラッシュメモリ、ディスク、および任意の他の周知の物理記憶媒体を含む。この開示と例は、例示に過ぎず、開示された実施形態の真の範囲と精神は、添付された特許請求の範囲によって示されることが意図される。

Claims (15)

1. 採掘および採掘物処理作業の、オンラインモニタリングと、最適化のためのプロセッサインプリメント方法において、前記プロセッサインプリメント方法は、
   複数のデータソースから、１つまたは複数のハードウエアプロセッサにより、前記採掘および採掘物処理作業に関連した、センサのセットに対応する変数のセット、に関するデータをフェッチするステップ（２０２）と、
   前記１つまたは複数のハードウエアプロセッサにより、外れ値（outliers）を破棄し、欠損位置に人工値を付加する代入を実行し、異なる頻度で収集したデータを１つの共通頻度に組織化し、前記採掘および採掘物処理作業に関連したプロセスまたはサブプロセスの定常状態作業に基づいて、データを識別し、選択することにより、前記変数のセットに対応する、前記フェッチされたデータを事前処理するステップ（２０４）と、
   前記１つまたは複数のハードウエアプロセッサにより、前記変数のセットに対応する、前記事前処理されたデータを用いて、前記採掘および採掘物処理作業のための標準作業条件を決定するステップ（２０６）と、
   前記変数のセットの中の各変数を、掘削−発破作業、運搬作業、粉砕作業、浮選および選鉱作業の１つに分離し、分離は、マスタタグリストに従って実行するステップ（２０８）と、
   １つまたは複数のハードウエアプロセッサにより、前記分離された変数のセットおよび事前処理されたデータに基づいて、モデルのセットを生成するステップであって、前記モデルのセットは、前記採掘および採掘物処理作業に関連した関心のある主要業績評価指数（ＫＰＩｓ）のセット、および関心のある複数の処理パラメータに関して生成され、前記生成されたモデルのセットは、マシンラーニング（ＭＬ）モデルのセット、または個別化された物理ベースモデルまたはハイブリッドモデルのセットを備え、前記個別化された物理ベースまたはハイブリッドモデルのセットは、非線形曲線適合を用いてモデルパラメータを決定することにより、周知の物理ベースモデルに基づいて、前記複数の処理パラメータに関して、生成されるステップ（２１０）と、
   前記１つまたは複数のハードウエアプロセッサにより、生成されたＭＬモデル、前記ＫＰＩｓおよび前記複数の処理パラメータの、前記個別化された物理ベースまたはハイブリッドモデルのセットの、少なくとも１つに基づいて、前記変数のセットに対応する、前記採掘および採掘物処理作業の現在の動作状態をシミュレートするステップであって、前記シミュレートされた現在の動作状態は、関心のあるＫＰＩｓに関する現在の値と、関心のある前記複数の処理パラメータに関する現在の値を提供する、ステップ（２１２）と、
   前記１つまたは複数のハードウエアプロセッサによって、前記採掘および採掘物処理作業の、前記変数のセットの中の、変数のサブセットの前記現在の動作条件を更新するために、前記採掘および採掘物処理作業の関心のある前記ＫＰＩｓを階層的に最適化するステップであって、前記関心のある前記ＫＰＩｓは、採掘作業、粉砕回路、および浮選および選鉱回路の少なくとも１つからである、ステップ（２１４）と
   を備える、プロセッサインプリメント方法。
2. 前記採掘および採掘物処理作業に対応する、前記変数のセットの、前記事前処理されたデータに従って、前記変数のセットの、現在の動作状態をモニタリングし、前記センサのセットからの１つまたは複数のセンサの故障または処理機器の故障を検出するステップであって、前記故障と前記故障の原因が、システムアドミニストレータに提示される、ステップ（２１６）をさらに備えた、請求項１に記載のプロセスインプリメント方法。
3. 前記採掘作業、前記粉砕回路、および前記浮選および選鉱回路の、少なくとも１つに関する前記関心のあるＫＰＩｓの最適化は、
   前記ＭＬモデル、前記個別化された物理ベースまたは前記ハイブリッドモデルのセットを用いてモデル化した、関心のある前記ＫＰＩｓのカスタマイズ可能な組合せを備える、最適化問題を定式化し、解決するステップであって、前記最適化問題のソリューションは、前記変数のサブセットの値のセットを提供し、さらに、複数のコントローラおよびオペレータに通信されて、前記採掘および採掘処理作業を改善する、請求項１に記載の方法。
4. 前記最適化問題の前記ソリューションは、使用される爆発物のタイプと量を含む装薬計画の推奨と、
   前記粉砕回路、および浮選、および選鉱回路の間の異なる位置に位置する、前記複数のコントローラのためのセットポイントと、を提供する、請求項３に記載の方法。
5. 前記採掘および採掘物処理作業の関心のある前記ＫＰＩｓを最適化するステップは、
   短期間の採掘プランに基づいて、掘削パターンと、予備の装薬（charge）パターンを作成するステップと、
   掘削の間モニタリングする（ＭＷＤ）データを収集するための産出掘削作業を実行するステップであって、前記ＭＷＤデータは、ドリルロッド回転レート、回転トルク、破壊力（pull down force）、掘削速度、角速度および貫通速度を備えるステップと、
   前記ＭＷＤデータおよび掘削パターンを用いて、特定の破壊エネルギ、および発破パラメータを備える地質工学的パラメータを推定することは、さらにエアデッキ長、発破される各孔のステミング（stemming）の高さを備える、ステップと、
   前記推定された地質工学的パラメータ、および掘削パターンに基づいて、前記孔の各々に関する装薬混合（charge mix）の情報を備える、予備の装薬計画を設計するステップと、
   前記生成されたモデルを用いて、フラグメントサイズ分布（ＦＳＤ）を推定するステップであって、前記生成されたモデルは、前記推定された発破パラメータ、および前記設計された装薬計画を利用し、前記推定されたＦＳＤは、関連する処理パラメータと共に使用して、運搬コスト、ストックパイルスループット（stockpile throughput）、飛び石サイズ（flyrock size）、および爆発の速度、および範囲、およびコストをシミュレートする、ステップと、
   ＭＬモデル、物理ベースおよびハイブリッドモデルを用いて、浮選および選鉱回路における関心のある採掘物の回収とグレードと共に、粉砕回路の期間に、重要なポイントにおける粒子サイズ分布、スクリーニング効率および特定のエネルギ消費を備える採掘処理作業のＫＰＩｓを推定するために、前記採掘および採掘物処理作業に関連する、前記処理パラメータおよび前記推定されたＦＳＤを利用するステップと、
   前記ステップの１つまたはすべてを再帰的に実行し、関心のあるＫＰＩｓの観点から表された、カスタマイズされた目的関数を全体的に最小化する、採掘および採掘物処理作業の、処理パラメータの最適化装薬計画と、セットポイントを得るステップと、
   を備えた段階的および階層的手続に従って、前記採掘および採掘物処理作業の関心のある前記ＫＰＩｓを最適化する、請求項４に記載の方法。
6. 前記センサのセットは、
   採掘作業または機器に必要な掘削、発破または運搬作業のために、インストールされた機器およびインストルメンテーション（instrumentation）、または、採掘作業の粉砕回路、および浮選および選鉱回路にインストールされた機器およびインストルメンテーションと、
   処理された日々の原材料に対応する原材料、プロダクト、および中間ストリーム、およびデータを備える、前記採掘および採掘物処理作業の複数のストリームの品質パラメータと、
   処理される異なるタイプの、前記原材料の特徴化に関連した、ソースおよび品質およびデータと、
   機器破壊、および保守履歴、環境および気象条件、および岩石と地勢の特性に対応するデータを含む処理記録と、
   に関連する、請求項１に記載の方法。
7. 前記モデルのセットが生成される関心のある前記複数のＫＰＩｓは、発破作業のコスト、断片サイズ分布、サイズを含む飛び石形成、範囲および最大速度、運搬コスト、貯蔵への処理能力（throughput to stockpile）、スクリーニング効率、特定のエネルギ消費、粒度分布、粉砕回路処理能力、浮選および選鉱回路の出力ストリームにおける関心のある選鉱のグレードと回収を備え、
   前記モデルのセットが生成される関心のある前記複数の処理パラメータは、ソフトセンサとして使用され、前記ソフトセンサは、まれに測定される、または測定されない重要な（critical）処理パラメータ、または、各採掘および採掘物処理作業に固有の、１つまたは複数のパラメータのリアルタイムの、または、ほとんどリアルタイムの予測を提供する、請求項１に記載の方法。
8. 採掘および採掘物処理作業の、オンラインモニタリングおよび最適化のためのシステム（１００）において、
   命令を記憶するメモリ（１０２）と、
   １つまたは複数の通信インタフェース（１０６）と、
   前記１つまたは複数の通信インタフェース（１０６）を介して、前記メモリ（１０２）に結合された１つまたは複数のハードウェアプロセッサ（１０４）とを備え、
   前記１つまたは複数のプロセッサ（１０４）は、
   前記採掘および採掘物処理作業に関連した、センサのセットに対応する変数のセットに関する複数のデータソースからデータをフェッチし、
   外れ値（outliers）を破棄することにより、前記変数のセットに対応する、前記フェッチされたデータを事前処理し、欠損位置に人工値を付加するための代入を実行し、異なる頻度で収集したデータを、１つの共通頻度に組織化し、前記採掘および採掘物処理作業に関連したプロセスまたはサブプロセスの定常状態作業に基づいて、データを識別し、選択し、
   前記変数のセットに対応した、前記事前処理したデータを用いて、前記採掘および採掘物処理作業のための標準作業条件を決定し、
   前記変数のセットの中の各変数を、掘削−発破作業、運搬作業、粉砕作業、および浮選−選鉱作業の１つに分離し、分離は、マスタタグリストに従って実行され、
   前記分離された変数のセットおよび事前処理されたデータに基づいて、モデルのセットを生成し、前記モデルのセットは、前記採掘および採掘物処理作業に関連した関心のある主要業績評価指数（ＫＰＩｓ）のセット、および関心のある複数の処理パラメータに関して生成され、前記生成されたモデルのセットは、マシンラーニング（ＭＬ）モデルのセット、または個別化された物理ベースモデルまたはハイブリッドモデルのセットを備え、前記個別化された物理ベースモデルのセットまたはハイブリッドモデルは、非線形曲線適合を用いてモデルパラメータを決定することにより、周知の物理ベースモデルに基づいて、前記複数の処理パラメータに関して生成され、
   前記変数のセットに対応する、前記採掘および採掘物処理作業の現在の作業条件を、前記生成されたＭＬモデル、前記個別化された物理ベース、前記ＫＰＩｓおよび前記複数の処理パラメータのハイブリッドモデルのセットの、少なくとも１つに基づいて、シミュレートし、
   前記シミュレートされた現在の動作状態は、関心のあるＫＰＩｓに関する現在の値と、関心のある前記複数の処理パラメータに関する現在の値を提供し、
   前記採掘および採掘物処理作業の関心のある前記ＫＰＩｓを階層的に最適化して、前記採掘および採掘物処理作業の、前記変数のセットの中の、変数のサブセットの、現在の作業条件を更新することであって、前記関心のあるＫＰｓは、採掘作業、粉砕回路および浮選および選鉱回路の少なくとも１つからである、更新する、
   ための命令により構成される、採掘および採掘物処理作業のオンラインモニタリングと最適化のためのシステム。
9. 前記１つまたは複数のハードウエアプロセッサ（１０４）は、前記採掘および採掘物処理作業に対応する、前記変数のセットの事前処理されたデータに従って、前記変数のセットの、現在の動作条件をモニタするようにさらに構成され、前記センサのセットから１つまたは複数のセンサの故障または処理機器の故障を検出し、前記故障および前記故障の原因がシステムアドミニストレータに提示される、請求項８に記載のシステム（１００）。
10. 前記１つまたは複数のハードウエアプロセッサ（１０４）は、前記採掘作業、前記粉砕回路、および前記浮選および選鉱回路の少なくとも１つに関して関心のある前記ＫＰＩｓの前記最適化を、ＭＬモデル、個別化された物理ベースモデルまたはハイブリッドモデルのセットを用いてモデル化された関心のある前記ＫＰＩｓのカスタマイズ可能な組み合わせを備える最適化問題を定式化し、解決し、前記最適化問題のソリューションは、前記変数のサブセットの値のセットを提供し、前記採掘および採掘物処理作業を改善するために、複数のコントローラとオペレータにさらに通信することにより、実行するように、さらに構成される、請求項８に記載のシステム（１００）。
11. 前記最適化問題のソリューションは、
    使用される爆発物の量とタイプを含む装薬計画の推奨と、
    前記粉砕回路と、浮選、および選鉱回路との間の異なる位置に位置する、前記複数のコントローラに関する設定点と、
    を提供する請求項１０に記載のシステム（１００）。
12. 前記１つまたは複数のプロセッサ（１０４）は、
    短期間の採掘プランに基づいて、掘削パターンおよび予備の装薬計画を作成するステップと、
    産出掘削作業を実行して、掘削の間モニタリングする（ＭＷＤ）データを収集するステップであって、前記ＭＷＤデータは、ドリルロッド回転速度、回転トルク、破壊力、掘削速度、角速度および貫通速度を備える、ステップと、
    前記ＭＷＤデータと掘削パターンを用いて、特定の破壊エネルギと、発破パラメータを備える地質工学的パラメータを推定するステップであって、さらにエアデッキ長、発破される各孔に関するステム高さを、さらに備える、ステップと、
    前記推定された、地質工学的パラメータと、掘削パターンに基づいて、前記孔の各々に関する装薬混合の情報を備える、予備装薬計画を設計するステップと、
    前記生成されたモデルを用いて、フラグメントサイズ分布（ＦＳＤ）を推定するステップであって、前記生成されたモデルは、前記推定された発破パラメータと、前記設計された装薬計画を利用し、前記推定されたＦＳＤは、関連する処理パラメータと共に、運搬コスト、貯蔵に対する処理能力、フライロックサイズ、爆発物の速度、範囲およびコストを備える、ステップと、
    前記採掘、および採掘物処理作業に関連する、前記推定されたＦＳＤと、前記処理パラメータを利用して、ＭＬモデル、物理ベースおよびハイブリッドモデルを用いて、浮選および選鉱回路における関心のある採掘物の回収とグレードと共に、粉砕回路の期間に、重要なポイントにおけるエネルギ消費、スクリーニング効率、粒子サイズ分布を備える、採掘物処理作業のＫＰＩｓを推定するステップと、
    前記ステップの１つまたはすべてを再帰的に実行して、関心のあるＫＰＩｓの観点から表された、カスタマイズされた目的関数を、全体的に最小化する採掘および採掘物処理作業の、処理パラメータの最適化された装薬計画と、設定点を取得するステップと、
    を段階的および階層的手続において、前記採掘および採掘物処理作業の、前記最適化に関する関心のある前記ＫＰＩｓを改善するようにさらに構成される、請求項１１に記載のシステム（１００）。
13. 前記センサのセットは、
    採掘作業に必要な掘削、発破または運搬作業のためにインストールされた機器およびインストルメンテーション、または、前記粉砕回路、採掘物処理作業の前記浮選および選鉱回路にインストールされた機器およびインストルメンテーションと、
    原材料、最終および中間手続からなる、前記採掘および採掘物処理作業の複数のストリームの品質パラメータと、
    処理された原材料のソースと品質と、前記原材料の特徴化に関連したデータと、
    機器破壊と保守履歴、環境と気象条件、および岩石と地勢の特性に対応するデータを含む処理記録と、
    に関連する、請求項８に記載のシステム（１００）。
14. 前記モデルのセットが生成される関心のある前記複数のＫＰＩｓは、発破作業のコスト、フラグメントサイズ分布、サイズを含むフライロック形成、範囲および最大速度、運搬コスト、貯蔵に対する処理能力、スクリーニング効率、特定のエネルギ消費、粒度分布、粉砕回路スループット、前記浮選および選鉱回路の出力ストリームにおける、関心のある採掘物のグレードと回収を備え、
    前記モデルのセットが生成される関心のある前記複数の処理パラメータは、ソフトセンサとして使用され、前記ソフトセンサは、たまに測定される、または測定されない重要な処理パラメータ、または各採掘および採掘物処理作業に固有の、１つまたは複数のパラメータのリアルタイム、または、ほぼリアルタイムの予測を提供する、
    請求項８に記載のシステム（１００）。
15. １つまたは複数のハードウエアプロセッサにより実行されると、
    採掘および採掘物処理作業に関連した、センサのセットに対応する変数のセットに関するデータを複数のデータソースからフェッチするステップと、
    外れ値（outliers）を破棄することにより、前記変数のセットに対応する、前記フェッチされたデータを事前処理し、欠損位置に人工値を付加する代入を実行し、異なる頻度で収集したデータを、１つの共通の頻度に組織化して、前記採掘および採掘物処理作業に関連したプロセスまたはサブプロセスの定常状態作業に基づいて、データを識別し、選択するステップと、
    前記変数のセットに対応する、前記事前処理されたデータを用いて、前記採掘および採掘物処理作業の標準作業条件を決定するステップと、
    前記変数のセットの中の各変数を、掘削−発破作業、運搬作業、粉砕作業および浮選および選鉱の１つに分離し、分離は、マスタタグリストに従って行われる、ステップと、
    前記分離された変数のセットと、事前処理されたデータに基づいて、モデルのセットを生成し、前記モデルのセットは、前記採掘および採掘物処理作業に関連した関心のある複数の処理パラメータと、関心のある主要業績評価指数（ＫＰＩｓ）のセットに関して生成され、前記生成されたモデルのセットは、マシンラーニング（ＭＬ）モデル、または個別化された物理ベースモデルまたはハイブリッドモデルを備え、前記個別化された物理ベースモデルまたはハイブリッドモデルは、非線形曲線適合を用いて、モデルパラメータを決定することにより、周知の物理ベースモデルに基づいて、前記複数の処理パラメータに関して生成されるステップと、
    前記生成されたＭＬモデル、前記ＫＰＩｓおよび前記複数の処理パラメータの、個別化された物理ベースまたはハイブリッドモデルのセット、の少なくとも１つに基づいて、前記変数のセットに対応する、前記採掘および採掘物処理作業の、現在の動作条件をシミュレートするステップであって、前記シミュレートされた現在動作条件は、関心のあるＫＰＩｓの、現在の値および前記複数の処理パラメータを提供する、ステップと、
    前記採掘および採掘物処理作業の関心のある前記ＫＰＩｓを階層的に最適化し、前記採掘および採掘物処理作業の、前記変数のセットの中の変数のサブセットの、現在の動作条件を更新するステップであって、前記関心のあるＫＰＩｓは、採掘作業、粉砕回路、および浮選および選鉱回路の少なくとも１つからである、ステップと、
    からなる方法を生じさせる、１つまたは複数の命令を備える１つまたは複数の非一時的機械可読情報記憶媒体。

Images