WO2023074834A1 - 鉱山管理システム - Google Patents

鉱山管理システム Download PDF

Info

Publication number
WO2023074834A1
WO2023074834A1 PCT/JP2022/040298 JP2022040298W WO2023074834A1 WO 2023074834 A1 WO2023074834 A1 WO 2023074834A1 JP 2022040298 W JP2022040298 W JP 2022040298W WO 2023074834 A1 WO2023074834 A1 WO 2023074834A1
Authority
WO
WIPO (PCT)
Prior art keywords
productivity
unplanned
management system
dump truck
data
Prior art date
Application number
PCT/JP2022/040298
Other languages
English (en)
French (fr)
Inventor
洋一 飯星
洋 津久井
孝一郎 江尻
健一 安島
健二 水谷
Original Assignee
日立建機株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日立建機株式会社 filed Critical 日立建機株式会社
Priority to CN202280057305.9A priority Critical patent/CN117836801A/zh
Priority to EP22887159.6A priority patent/EP4375914A1/en
Publication of WO2023074834A1 publication Critical patent/WO2023074834A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Definitions

  • the present invention relates to a mine management system that manages the productivity of mines.
  • Patent Literature 1 discloses a system that calculates various management indices based on the operating status of mining machines. The system of Patent Literature 1 calculates an index related to the productivity of the mining machine, such as the amount of fuel consumed or the amount of cargo carried per unit time, in a specific section on the route of the mine.
  • Patent Literature 2 discloses a system for allocating dump trucks based on time information and position information on a specific route. The system of Patent Literature 2 outputs a dump truck assignment command based on the waiting time and position information occurring on a specific route.
  • Patent Document 1 detects an increase in fuel consumption per unit time and a decrease in the amount of cargo transported for a specific route, but it does not fully understand the effects of route length and slopes on fuel consumption. Not considered.
  • the system of Patent Document 2 allocates dump trucks in order to improve productivity based on the waiting time and positional information that occurred on the route, but the route is limited, and it is possible to use an unknown route. Responses and other productivity unplanned (lower than planned or expected productivity) factors (e.g. road conditions, excavator or dump truck operator operations, etc.) not sufficiently considered.
  • the systems of Patent Documents 1 and 2 are difficult to apply to mines with multiple routes or unknown routes. Furthermore, in the systems of Patent Documents 1 and 2, it is difficult to accurately detect when productivity is out of plan due to multiple factors. It is difficult to present information appropriately to each party.
  • a mine management system of the present invention is a mine management system that manages the productivity of a mine, and is a server device that accumulates and processes operation data of the mining machines collected from the mining machines. and a determination device that performs determination processing for determining whether or not an operation status of the mining machine that causes the productivity to exceed the plan has occurred, based on the operation data.
  • an extraction unit for extracting cycle data, which is the operation data for each work cycle of the mining machine, from the operation data obtained; and machine learning for causing the determination device to learn the relationship between the plurality of indicators that specify the cycle data that makes the productivity within the plan, using the plurality of calculated indicators.
  • a learning unit for performing the determination, wherein the determination device performs the determination process based on the relationship between the plurality of indices learned by the learning unit.
  • FIG. 1 is a diagram schematically showing the configuration of a mine management system according to Embodiment 1; FIG. The figure explaining the work cycle of a dump truck, and an unplanned factor index.
  • FIG. 2 is a block diagram showing the machine learning function of the processing device shown in FIG. 1;
  • FIG. 4 is a diagram showing an example of a cluster classification result by the learning unit shown in FIG. 3;
  • FIG. 2 is a block diagram showing a visualization function of the processing device shown in FIG. 1; The figure which shows the result of having totaled the score for every dump truck for the predetermined period.
  • FIG. 11 is a diagram showing the result of summing the scores for each date in the same period as in FIG. 10; The figure which shows the result of having counted the appearance frequency of the occurrence factor of the unplanned operation status.
  • FIG. 13 is a diagram showing the result of tallying the number of appearances of the occurrence factors shown in FIG. 12 for each date; A chart of operational data with unplanned stop times. Chart of operational data with unplanned loading wait times. A chart of operation data when the waiting time for earth discharge is outside the plan. Chart of operational data with unplanned loading times.
  • FIG. 11 is a diagram showing another display example of operation data in which the waiting time for discharging earth is out of the plan; The figure which shows the result of having aggregated the frequency of occurrence of the unplanned operation status for every dump truck.
  • FIG. 22 is a diagram showing the result of summing up the frequency of occurrence of the unplanned operation status shown in FIG. 21 for each date;
  • FIG. 22 is a diagram showing the result of totaling the frequency of occurrence of the unplanned operation status shown in FIG. 21 for each route;
  • FIG. 9 is a diagram for explaining a work cycle of a hydraulic excavator and an unplanned factor index applied in the mine management system of the second embodiment;
  • FIG. 1 is a diagram schematically showing the configuration of a mine management system 1 according to Embodiment 1. As shown in FIG.
  • the mine management system 1 is a system that collectively manages the overall productivity of the mine 100 (for example, the amount of cargo transported per unit time).
  • the mine management system 1 includes a plurality of mining machines 101 to 103, a server device 200, a determination device 250, and a terminal device 300.
  • the mining machines 101 to 103 are working machines that perform mining work in the mine 100.
  • the mining machines 101 to 103 can include, for example, a hydraulic excavator 102 that loads excavated earth and sand onto a dump truck 101, a dump truck 101 that transports the cargo, and a bulldozer 103 that levels the road surface.
  • the mining machines of the mine management system 1 are not limited to these.
  • the server device 200 manages the mining machines 101-103.
  • the server device 200 accumulates and processes operation data of the mining machines 101-103 collected from the mining machines 101-103.
  • the server device 200 includes a recording device 201 and a processing device 202 .
  • the recording device 201 is configured by a database that records the operation data and position data collected from the mining machines 101-103. Operation data is collected from each of the plurality of mining machines 101 to 103 over a predetermined period and accumulated in the recording device 201 .
  • the processing unit 202 is configured with a processor and memory. The processing device 202 implements the functions of the processing device 202 by executing programs stored in the memory by the processor.
  • the operation data of the mining machines 101 to 103 be sequentially transmitted to the server device 200, but considering the communication environment and communication costs, it is not necessarily transmitted sequentially.
  • the server device 200 of this embodiment starts processing after accumulating a certain amount of operation data.
  • the amount collected to some extent can be determined by, for example, the time required for the dump truck 101 in the longest work cycle in the past or the amount of operation data transmitted in the longest work cycle in the past.
  • the determination device 250 determines whether or not an operating condition of the mining machines 101 to 103 that causes the productivity of the mine 100 to be unplanned has occurred, based on the operation data accumulated in the recording device 201 of the server device 200. judgment processing is performed.
  • the unplanned productivity indicates a state in which the productivity is lower than the previously planned productivity.
  • the productivity within the plan indicates a state in which the productivity planned in advance is obtained.
  • the determination device 250 transmits the determination result to the processing device 202 of the server device 200 .
  • the determination device 250 is configured with a processor and memory. The determination device 250 realizes the functions of the determination device 250 by executing the program stored in the memory by the processor.
  • the determination device 250 may be configured as part of the processing device 202 of the server device 200, may be configured as part of the control devices of the mining machines 101 to 103, or may be configured as part of the terminal device 300. may be If the determination device 250 is configured as a part of the control device of the mining machines 101-103, it can notify the operators of the mining machines 101-103 of the determination results without communication delay. Further, in this case, the determination device 250 can transmit the determination result to the processing device 202 in real time and display the determination result on the terminal device 300 without delay.
  • the terminal device 300 displays information such as the processing result of the server device 200 and the determination result of the determination device 250 on the display 301 .
  • the terminal device 300 is configured by a smartphone, tablet PC, notebook PC, or the like that communicates with the server device 200 .
  • the terminal device 300 can display information to be displayed on the display 301 in a dashboard format.
  • the terminal device 300 may display the information to be displayed on the display 301 in a report format or an e-mail format.
  • the terminal device 300 is used by the user of the mine management system 1.
  • Users of the mine management system 1 include, for example, an operation planner 501 who creates an operation plan for the mining machines 101 to 103 according to the mining/maintenance plan for the mine 100, an operator for the mining machines 101 to 103, and an operator instructor 502. , road surface maintenance personnel 503 who maintain and inspect the road surface such as the route of the mine 100, equipment maintenance personnel 504 who maintain and inspect the mining machines 101 to 103 or various equipment, and a mining manager 505 who creates mining and maintenance plans for the mine 100. etc. are included.
  • the terminal device 300 may be possessed by each of these users.
  • the user of the terminal device 300 Based on the information displayed on the terminal device 300, the user of the terminal device 300 appropriately grasps that the productivity of the mine 100 is out of the plan, and appropriately takes measures to improve the productivity within the plan. By doing so, the productivity of the mine 100 can be improved.
  • the operation planner 501 of the mine 100 can use the information displayed on the terminal device 300 to modify the operation plan of the mining machines 101-103.
  • the operator instructor 502 can use the information displayed on the terminal device 300 to find an operator whose operation should be improved and provide instruction on the operation.
  • the road maintenance staff 503 can use the information displayed on the terminal device 300 to quickly identify and repair the road surface that caused the unplanned productivity.
  • the equipment maintenance staff 504 can use the information displayed on the terminal device 300 to identify at an early stage the failure of the equipment that has caused productivity to go unplanned, and to order repairs and replacement parts in advance.
  • the mining manager 505 receives information displayed on the terminal device 300, weather information (including history, current and forecast information) and mineral price information (including history, current and forecast information) obtained via the Internet 400. ) to review mining and maintenance plans.
  • the person in charge of mining 505 can correct the mining/maintenance plan, and can issue improvement instructions to the operation planner 501, the leader 502, the road surface maintenance staff 503, or the equipment maintenance staff 504.
  • the mine management system 1 that detects that the productivity of the mine 100 has become unplanned from the operation data of the dump truck 101, which is one of the mining machines 101 to 103, will be described as an example.
  • FIG. 2 is a diagram explaining the work cycle of the dump truck 101 and the unplanned factor index.
  • the mine 100 connects a loading area where the earth and sand excavated by the hydraulic excavator 102 is loaded onto the dump truck 101 as cargo, an earth discharging area where the dump truck 101 discharges the earth and sand from the cargo, and the loading area and the earth discharging area. have multiple routes.
  • the dump truck 101 discharges soil in the dumping area, moves from the dumping area to the loading area through a path, and after loading in the loading area, moves to the dumping area through the path. Perform a series of actions.
  • the payload of the dump truck 101 and the waiting time of the dump truck 101 in the dumping area are the payload of the dump truck 101 and the waiting time of the dump truck 101 in the dumping area.
  • queuing time queuing dump
  • queuing time queuing load
  • waiting time the waiting time of the dump truck 101 on the route.
  • the loading time of the hydraulic excavator 102 onto the dump truck 101 the spotting time (change over time; COT), which is the time required for the dump truck 101 to transition to a state ready for loading in the loading area, and , the average speed of the dump truck 101 .
  • COT change over time
  • these items are used as indexes representing the factors that cause the operational status of the dump truck 101 to cause unplanned productivity (hereinafter also referred to as "unplanned factor indexes").
  • the unplanned factor index of the dump truck 101 includes an ID for identifying each index and information on the entity that affects the fluctuation of each index (that is, the cause of the fluctuation of each index). pre-bound.
  • the determination device 250 evaluates the operation data of the dump truck 101 using the unplanned factor index, and identifies factors that cause the operation status of the dump truck 101 to cause unplanned productivity.
  • the processing device 202 can assign the person concerned of the subject linked to the unplanned factor index representing the occurrence factor identified by the determination device 250 to the person in charge of measures to improve productivity within the plan. .
  • the processing device 202 transmits a message such as an improvement instruction to the person in charge of the countermeasures to the terminal device 300 of the person in charge of the countermeasures.
  • the terminal device 300 can display the message on the display 301 and notify the person in charge.
  • the mine management system 1 may adopt at least two of the indicators shown in the table of FIG. In this embodiment, it is assumed that the mine management system 1 employs all indicators shown in the table of FIG.
  • FIG. 3 is a block diagram showing the machine learning function of the processing device 202 shown in FIG.
  • the processing device 202 of the server device 200 constructs a model that implements a part of the functions of the determination device 250 by machine learning.
  • the processing device 202 has an extraction unit 211 , an index calculation unit 212 , a preprocessing unit 213 and a learning unit 214 .
  • the extraction unit 211 extracts cycle data, which is operation data for each work cycle of the dump truck 101, from the operation data accumulated in the recording device 201 (hereinafter also referred to as "accumulated data"). Specifically, the extraction unit 211 identifies the work cycle based on the transition of the load amount of the dump truck 101 and extracts cycle data.
  • the cycle data includes operation data of the dump truck 101 that has traveled multiple routes during one work cycle.
  • the extraction unit 211 assigns a cycle ID, which is identification information, to the extracted cycle data.
  • the extraction unit 211 associates the cycle data with the vehicle ID, which is the identification information of the dump truck 101 , and the cycle start time and end time, and registers them in the recording device 201 . Note that the extraction unit 211 does not need to extract cycle data from all the operation data accumulated in the recording device 201, and can extract cycle data from operation data collected or recorded during a preset extraction period. can.
  • the index calculation unit 212 calculates an unplanned factor index in the extracted cycle data. Specifically, the index calculator 212 can calculate the load based on the suspension pressure of the dump truck 101 . The index calculation unit 212 can detect whether the dump truck 101 is located in the loading area, the dumping area, or on the route from the position data acquired by the GPS sensor of the dump truck 101 . The index calculation unit 212 can calculate the waiting time based on the fact that the vehicle speed or the engine speed of the dump truck 101 has become smaller than a predetermined value. The index calculator 212 can calculate the discharge waiting time, the loading waiting time, and the stopping time based on the waiting time and the position data.
  • the index calculation unit 212 can calculate the loading time by calculating the time from the start of the increase in the load to the end of the increase in the load.
  • the index calculator 212 can calculate the spotting time by calculating the time from when the dump truck 101 enters the loading area to when loading starts.
  • the index calculation unit 212 can calculate the average vehicle speed from the travel time and travel distance excluding the state where the dump truck 101 is stopped.
  • the index calculation unit 212 calculates an index representing a characteristic operation or state in the work area or work process of the dump truck 101, which is likely to affect the productivity of the mine 100. Calculated as an unplanned factor index for the truck 101 .
  • the mine management system 1 can accurately determine which work area or which operation or state during the work process is causing the operation status of the dump truck 101 that causes the productivity to be unplanned. can be detected. Since the mine management system 1 can appropriately take measures to improve productivity within the plan, the productivity of the mine 100 can be improved.
  • the preprocessing unit 213 uses the cycle data extracted by the extraction unit 211 based on the conditions of the work cycle to be excluded from machine learning or the conditions of the unplanned factor index to be excluded from machine learning (learning conditions) as learning data. Exclude irrelevant cycle data. Conditions for work cycles to be excluded from machine learning include, for example, work cycles with extremely short travel distances on the route, and work cycles where the previous dumping position and the current dumping position are significantly different. mentioned. As a result, the learning unit 214 can perform machine learning by excluding cycle data of work cycles that do not significantly affect productivity, such as infrequent route travel and earth and sand transportation for road surface leveling.
  • the preprocessing unit 213 sets upper and lower limit values of the unplanned factor index as conditions for the unplanned factor index to be excluded from machine learning. Out-of-range unplanned factor indicators can be filtered out.
  • the learning unit 214 can perform machine learning only with unplanned factor indices within the range of upper and lower limits that specify cycle data whose productivity is within the plan. Therefore, the mine management system 1 can improve the determination accuracy of the determination device 250 .
  • the learning unit 214 performs machine learning that causes the determination device 250 to learn the relationship between a plurality of unplanned factor indices that identify cycle data that brings the productivity within the plan.
  • the learning unit 214 of this embodiment performs the machine learning by clustering a plurality of cycle data whose productivity is within the plan.
  • the learning unit 214 of the present embodiment can build a classification model in which the relationship between a plurality of unplanned factor indices that identify cycle data whose productivity is within the plan is learned.
  • the learning unit 214 of this embodiment uses k-means, which is one of the clustering methods, but other clustering methods may be used.
  • FIG. 4 is a diagram showing an example of cluster classification results by the learning unit 214 shown in FIG.
  • the vertical axis in FIG. 4 indicates the number of cycle data
  • the horizontal axis in FIG. 4 indicates cluster IDs, which are cluster identification information.
  • k-means the relationship of a plurality of unplanned factor indices that specify cycle data whose productivity is within the plan is learned as each cluster center as shown in FIG.
  • the distance eg, Euclidean distance or Mahalanobis distance
  • the score calculated according to the distance between the target cycle data and the cluster center of the cluster into which the target cycle data is classified determines whether the target cycle data is a cycle in which the productivity is within the plan. Evaluate how much it deviates from the data. Furthermore, the determination device 250 identifies the unplanned factor index that has the largest contribution to the score among the plurality of unplanned factor indices as the cause of the operating situation that causes unplanned productivity. As a result, the processing device 202 can allocate the person concerned who is the subject linked to the unplanned factor index representing the specified cause of occurrence to the person in charge of measures to improve productivity within the plan. The processing device 202 can transmit a message such as an improvement instruction to the person in charge of countermeasures to the terminal device 300 and display it on the display 301 . The mine management system 1 can improve the productivity of the mine 100. FIG.
  • the mine management system 1 does not treat the unplanned factor index individually, but machine-learns the relationship between multiple unplanned factor indexes, so that multiple factors are involved and the productivity becomes unplanned. can be detected accurately. Moreover, the mine management system 1 quantitatively evaluates the cycle data using a unified evaluation value called a score, thereby determining whether or not an operating situation that causes unplanned productivity occurs. Accurately detect unplanned productivity in various mines with routes or unknown routes.
  • the learning unit 214 learns the relationship between the plurality of unplanned factor indicators that identify the cycle data whose productivity is within the plan by clustering the plurality of cycle data whose productivity is within the plan.
  • Classification models can be built. Using the classification model, the determination device 250 calculates a score represented according to the distance from the cluster center, and evaluates how much the productivity deviates from the cycle data within the plan. can.
  • the learning unit 214 constructs a classification model in which relationships of unplanned factor indexes in the cycle data of the dump truck 101 traveling on multiple routes are learned, so that the mine management system 1 can improve productivity in various mines. Unplanned events can be accurately detected.
  • FIG. 6 is a flowchart of processing performed by the processing device 202 shown in FIG. 3 during machine learning.
  • step S601 the processing device 202 extracts cycle data from the accumulated data accumulated in the recording device 201.
  • step S602 the processing device 202 calculates the unplanned factor index of the extracted cycle data.
  • step S603 the processing device 202 determines whether unextracted cycle data remains in the accumulated data. If unextracted cycle data remains, the processing device 202 proceeds to step S601. If there is no unextracted cycle data remaining, the processing device 202 proceeds to step S604.
  • step S604 the processing device 202 performs preprocessing to exclude cycle data unsuitable as learning data from the extracted cycle data.
  • step S605 the processing device 202 clusters a plurality of preprocessed cycle data, and causes the determination device 250 to learn the relationship between a plurality of unplanned factor indices that identify cycle data whose productivity is within the plan. . That is, the processing device 202 constructs a classification model of cycle data in which the relationship between the plurality of unplanned factor indices as described above is learned.
  • step S606 the processing device 202 calculates cluster centers and scores, and determines whether cycle data that is not suitable as learning data is learned.
  • the processing device 202 makes the determination in step S606 by determining whether the score calculated for each cluster is smaller than a preset value. Alternatively, the processing device 202 may display a graph showing the relationship of cluster centers as shown in FIG.
  • the processing device 202 learns cycle data that is not suitable as learning data as a determination in step S606 (NO)
  • the process proceeds to step S604.
  • the processing device 202 has not learned cycle data that is not suitable as learning data as a determination in step S606, in other words, if it has learned cycle data that is suitable as learning data (YES), the processing shown in FIG. This processing shown is terminated.
  • FIG. 7 is a block diagram showing functions of the determination device 250 shown in FIG.
  • the determination device 250 extracts from the accumulated data accumulated in the recording device 201 based on the previously learned relationship between the plurality of unplanned factor indexes that identify the cycle data whose productivity is within the plan. Evaluate the extent to which the calculated cycle data deviates from the cycle data in which the productivity is within the plan. As a result, the determination device 250 performs a determination process of determining whether or not an operation status of the dump truck 101 that causes unplanned productivity has occurred.
  • the determination device 250 has an extraction unit 251 , an index calculation unit 252 , a score calculation unit 253 , a determination unit 254 , a factor identification unit 255 and a registration unit 256 .
  • the extraction unit 251 extracts cycle data from the accumulated data accumulated in the recording device 201 in the same manner as the extraction unit 211 of the processing device 202 .
  • the index calculation unit 252 calculates an unplanned factor index in the cycle data extracted by the extraction unit 251 in the same manner as the index calculation unit 212 of the processing device 202 .
  • the score calculation unit 253 uses the classification model constructed by the learning unit 214 of the processing device 202 to calculate the distance between the cycle data extracted by the extraction unit 251 and the center of each cluster of the classification model. The score calculation unit 253 calculates the value with the smallest distance as the score. The greater the score of the extracted cycle data, the greater the deviation of the extracted cycle data from the cycle data whose productivity is within the plan.
  • the determination unit 254 determines whether the score calculated by the score calculation unit 253 is greater than a predetermined threshold. If the score calculated by the score calculation unit 253 is greater than a predetermined threshold value, the determination unit 254 determines that the operation status of the dump truck 101 that causes the productivity to fall outside the plan has occurred. If the score calculated by the score calculation unit 253 is equal to or less than a predetermined threshold value, the determination unit 254 determines that the dump truck 101 is not operating in such a manner that the productivity is not planned. If the determination unit 254 determines that the operation status of the dump truck 101 that causes the productivity to fall outside the plan has occurred, it generates a flag to that effect.
  • the factor identifying unit 255 identifies factors that cause the operation status of the dump truck 101 to cause the productivity to go beyond the plan.
  • the factor identifying unit 255 calculates the degree of contribution of each of the plurality of unplanned factor indices to the score, and identifies the unplanned factor index with the highest degree of contribution as the cause of the unplanned operating status. That is, the factor identifying unit 255 can identify the main cause of the unplanned operating status by identifying the unplanned factor index that has the greatest impact when the score is calculated.
  • the registration unit 256 registers information such as the cycle ID of the cycle data, the cycle start time and end time, the unplanned factor index, the score, the flag, and the occurrence factor in the recording device 201 in association with each other.
  • the registration unit 256 further links the vehicle ID of the dump truck 101 and the route ID, which is the identification information of the route along which the dump truck 101 travels, to these pieces of information and registers them in the recording device 201 .
  • the route along which the dump truck 101 travels can be detected from position data acquired by the GPS sensor of the dump truck 101 or by receiving an operation command for the dump truck 101 .
  • FIG. 8 is a flowchart of determination processing performed by the determination device 250 shown in FIG.
  • step S801 the determination device 250 extracts cycle data from accumulated data accumulated in the recording device 201.
  • step S802 the determination device 250 associates the cycle ID of the extracted cycle data with the cycle start time and cycle end time and registers them in the recording device 201. At this time, the determination device 250 preferably also registers the vehicle ID of the dump truck 101 and the route ID of the route along which the dump truck 101 travels in association with these pieces of information.
  • step S803 the determination device 250 calculates the unplanned factor index of the extracted cycle data.
  • step S804 the determination device 250 associates the calculated unplanned factor index with the cycle ID and registers it in the recording device 201.
  • step S805 the determination device 250 uses the classification model to calculate the score of the extracted cycle data.
  • step S806 the determination device 250 associates the calculated score with the cycle ID and registers it in the recording device 201.
  • step S807 the determination device 250 determines whether the calculated score is greater than the threshold. If the calculated score is equal to or less than the threshold, the determination device 250 ends the processing shown in FIG. If the calculated score is greater than the threshold, the determination device 250 generates a flag indicating that an unplanned operating status has occurred, and proceeds to step S808.
  • step S808 the determination device 250 calculates the degree of contribution of each of the plurality of unplanned factor indices to the calculated score.
  • the determination device 250 identifies the unplanned factor index with the highest degree of contribution as the cause of the unplanned operating status.
  • step S809 the determination device 250 registers in the recording device 201 a flag indicating that an unplanned operation status has occurred and the cause of the unplanned operation status in association with the cycle ID. After that, the determination device 250 ends the process shown in FIG.
  • FIG. 9 is a block diagram showing the visualization function of the processing device 202 shown in FIG.
  • the processing device 202 collects and visualizes information on the operational status of the dump truck 101 that causes unplanned productivity.
  • the processing device 202 has an aggregation unit 221 , an acquisition unit 222 and a visualization unit 223 .
  • the aggregation unit 221 calculates the frequency of occurrence of unplanned operating conditions, the frequency of appearance of causes of occurrence, or scores for each period, each dump truck 101, or , based on the aggregation conditions such as each route. For example, the aggregation unit 221 aggregates the number of flags or occurrence factors linked to the cycle ID recorded in the recording device 201 over a predetermined period, Appearance frequencies can be aggregated. The tallying unit 221 can tally the scores associated with the cycle IDs recorded in the recording device 201 for each vehicle ID.
  • the acquisition unit 222 obtains the operation data of the dump truck 101 in which the unplanned operation status has occurred, from the accumulated data accumulated in the recording device 201 as analysis data for detailed analysis of the cause of the unplanned operation status. to get For example, the acquisition unit 222 acquires operation data (one or a plurality of cycle data) of the dump truck 101 in which the unplanned operation status has occurred, based on the flag linked to the cycle ID recorded in the recording device 201. can do.
  • the visualization unit 223 visualizes the aggregation result of the aggregation unit 221 or the analysis data acquired by the acquisition unit 222 .
  • the visualization unit 223 creates graphs showing the aggregated results of the aggregation unit 221 and transmits the graphs to the terminal device 300, as shown in FIGS. 10 to 13 or FIGS.
  • the visualization unit 223 creates a chart showing the transition of the operation data acquired as the analysis data, and transmits the chart to the terminal device 300, as shown in FIGS. 14 to 19 described later.
  • the visualization unit 223 creates a map of the work area specified from the operation data acquired as analysis data, and transmits the map to the terminal device 300, as shown in FIG. 20 to be described later.
  • the terminal device 300 can display graphs and the like created by the visualization unit 223 on the display 301 .
  • the processing device 202 not only visualizes the aggregation result of the aggregation unit 221 or the analysis data acquired by the acquisition unit 222, but also analyzes the aggregation result or the analysis data and transmits necessary information to the terminal. It can be sent to the device 300 .
  • the processing device 202 sends a message such as an improvement instruction corresponding to the occurrence factor to the terminal device 300 of each party associated with the unplanned factor index representing the cause of the unplanned operating status. can be sent.
  • the terminal device 300 can display the message on the display 301 and notify each person concerned.
  • the visualization unit 223 may be provided in the terminal device 300 instead of being provided in the processing device 202 . That is, the processing device 202 transmits the aggregation result of the aggregation unit 221 or the analysis data acquired by the acquisition unit 222 to the terminal device 300, and the terminal device 300 visualizes the aggregation result or the analysis data.
  • FIG. 10 is a diagram showing the result of totaling scores for each dump truck 101 for a predetermined period.
  • FIG. 11 is a diagram showing the result of totaling the scores for the same period as in FIG. 10 for each date.
  • the user of the terminal device 300 displaying FIG. 10 can determine whether or not the operating status of the unplanned productivity is dependent on the individual differences of the dump trucks 101 or not. In the example of FIG. 10, there is no difference for each dump truck 101 in the median value and interquartile range of the boxplot. In the example of FIG. 10 , it can be determined that the occurrence of unplanned operating conditions does not depend on the individual differences of the dump trucks 101 . If the occurrence of an unplanned operating condition depends on the individual difference of the dump truck 101 , the terminal device 300 can display a message to that effect on the display 301 and notify the equipment maintenance personnel 504 . Thereby, the mine management system 1 can improve productivity.
  • the score fluctuates depending on the day, and the occurrence of unplanned operating conditions depends on the date and related items (weather, road surface, operation instructions, etc.).
  • the terminal device 300 can display on the display 301 the cause of occurrence, which will be described later with reference to FIG.
  • the road surface maintenance staff 503 or the operation planner 501 can analyze the cause in detail and take necessary measures. Thereby, the mine management system 1 can improve productivity.
  • the processing device 202 can aggregate scores for each operator by associating the identification information of the operator of the dump truck 101 with the cycle ID.
  • the terminal device 300 can display on the display 301 a message to the effect that the score is high to the coach 502 of the specific operator with the high score, and notify the coach 502 of it.
  • a coach 502 can coach a particular operator with a high score to a lower score. Thereby, the mine management system 1 can improve productivity.
  • FIG. 12 is a diagram showing the result of counting the frequency of appearance of factors that cause unplanned operating conditions.
  • FIG. 13 is a diagram showing the result of tallying the number of appearances of the occurrence factors shown in FIG. 12 for each date.
  • FIG. 12 shows the causes of unplanned operating conditions, arranged in descending order of appearance frequency.
  • the user of the terminal device 300 displaying FIG. 12 can easily grasp the cause of the unplanned operation status and the frequency of appearance thereof.
  • the occurrence factor with a high appearance frequency is the stopping time of the dump truck 101 on the route.
  • the terminal device 300 can display a message on the display 301 to the effect that the stop time has become unplanned, and notify the mining manager 505 of this.
  • the mining manager 505 can issue improvement instructions to the operation planner 501 .
  • each The concerned party's terminal device 300 can display the message on the display 301 and notify each concerned party.
  • the form of notification is not limited to a message, and may be displayed as an area chart, for example.
  • the daily work cycles of the mining machines 101 to 103 are shown in chronological order, and are classified according to preset work areas using different colors.
  • an area chart can be displayed in association with an unplanned factor index representing the cause of the occurrence.
  • the recording device 201 records the location information (path ID) and the time information (cycle start time and end time) where the unplanned operating status occurred. Therefore, by referring to the operation data of the dump truck 101 at the time when the unplanned operation state occurred, the user can analyze the cause of the unplanned operation state in more detail.
  • 14 to 19 show charts of operation data of the dump truck 101 in which an unplanned operation situation has occurred.
  • reference numerals 1401 to 1403 denote vehicle IDs, cycle IDs and route IDs, respectively.
  • a reference numeral 1404 denotes an unplanned factor index representing a cause of an unplanned operation status.
  • a reference numeral 1405 denotes a chart showing transition of the vehicle speed of the dump truck 101 .
  • Reference numeral 1406 denotes a chart showing changes in the engine speed of the dump truck 101 .
  • Reference numeral 1407 denotes a chart showing changes in the load amount of the dump truck 101 .
  • Fig. 14 is a chart of operation data in which the stop time is outside the plan.
  • the dump truck 101 travels along the route for a while after dumping soil (around 19:07), and then stops for about 10 minutes.
  • the user of the terminal device 300 displaying FIG. 14 can analyze the operation command at this time, the position of the bulldozer 103 on the route, the presence or absence of an alert for the dump truck 101, etc. from the accumulated data of the recording device 201.
  • Fig. 15 is a chart of operation data in which the waiting time for loading is unplanned.
  • loading waits occur from 15:56 to 16:05.
  • the user of the terminal device 300 displaying FIG. 15 can analyze the operation data of the dump truck 101 and the hydraulic excavator 102 that were being loaded at this location and time. In this case, if the spotting time of the dump truck 101 that is being loaded is long, the operator of the dump truck 101 may be instructed. If the loading time of the hydraulic excavator 102 during loading is long, the operator of the hydraulic excavator 102 may be instructed.
  • the dump trucks 101 operating in the dumping area are notified of the adjustment of the operation interval, or the operation plan is reviewed to optimize the allocation of the area. You may notify the route. Thereby, the mine management system 1 can improve productivity.
  • Fig. 16 is a chart of operation data in which the waiting time for discharging earth is outside the plan.
  • FIG. 16 As indicated by the dashed-dotted line, it can be seen that there is a wait for earth removal from time 00:21 to time 00:24.
  • the user of the terminal device 300 displaying FIG. 16 can analyze the presence or absence of another dump truck 101 in the dumping area and the layout of the dumping area. If necessary, the layout of the dumping area may be changed, or the operation plan may be reviewed. Thereby, the mine management system 1 can improve productivity.
  • Fig. 17 is a chart of operation data when the loading time is outside the plan.
  • FIG. 17 As indicated by the dashed line, it can be seen that loading from around 9:40 takes a long time.
  • the user of the terminal device 300 displaying FIG. 17 can analyze the operation data of the hydraulic excavator 102 at this time. If there is an alert for the hydraulic excavator 102, the hydraulic excavator 102 should be repaired. If it takes a long time to move or load the hydraulic excavator 102, the operator of the hydraulic excavator 102 should be instructed.
  • the display of the analysis results of "stop time”, “loading waiting time”, “earth discharging waiting time”, and "loading time” is not limited to the chart format.
  • location history may be displayed on a map showing the operating environment. In this case, since the travel history at an arbitrary time can be known, it is possible to intuitively grasp at which point (position) the operation data is when an unplanned factor index occurs, so that further analysis can be performed. Thereby, the mine management system 1 can improve productivity.
  • Fig. 18 is a chart of operation data with unplanned spotting time.
  • Fig. 19 is a chart of operation data when the load capacity is outside the plan.
  • the load amount due to loading from around 20:00 is small.
  • the user of the terminal device 300 displaying FIG. 19 can identify the cause by analyzing the operation data of the hydraulic excavator 102 that has performed the loading or by interviewing the operator of the hydraulic excavator 102 . Thereby, the mine management system 1 can improve productivity.
  • FIG. 20 is a diagram showing another display example of operation data in which the waiting time for discharging earth is outside the plan.
  • the location and time of the dumping area where the waiting time for dumping is unplanned can be identified from the operation data of the dump truck 101 whose waiting time for dumping is unplanned.
  • the dumping position A in the dumping area and the stop position B of the dump truck 101 can be calculated from the position data of the GPS sensor of the dump truck 101 .
  • the terminal device 300 can display the unloading position A and the stop position B on a map or satellite photograph of the vicinity of the unloading area where the waiting time for unloading has become unplanned.
  • the user of the terminal device 300 displaying FIG. 20 can analyze the positional relationship between the unloading position A and the stop position B and the situation in the unloading area. If necessary, the layout of the dumping area may be changed, or the operation plan may be reviewed. Thereby, the mine management system 1 can improve productivity.
  • FIG. 21 is a diagram showing the results of tabulating the frequency of occurrence of unplanned operating conditions for each dump truck 101.
  • FIG. FIG. 22 is a diagram showing the result of tabulating the frequency of occurrence of the unplanned operation status shown in FIG. 21 for each date.
  • FIG. 23 is a diagram showing the result of totaling the frequency of occurrence of the unplanned operation status shown in FIG. 21 for each route.
  • FIG. 21 it can be seen that there are differences in the frequency of occurrence of unplanned operating conditions depending on the dump truck 101.
  • FIG. 22 it can be seen that there is a difference in the frequency of occurrence of unplanned operating conditions depending on the date.
  • FIG. 23 it can be seen that there is a route (a route with an occurrence frequency of 1.0) in which unplanned operating conditions always occur. From these things, it turns out that there is a problem with a specific route.
  • the user of the terminal device 300 displaying FIGS. 21 to 23 can analyze the operation data on the date when the unplanned operation status frequently occurs on a specific route, and identify the cause. Thereby, the mine management system 1 can improve productivity.
  • the mine management system 1 of Embodiment 1 is a system for managing the productivity of the mine 100, and accumulates and processes the operation data of the mining machines 101 to 103 collected from the mining machines 101 to 103. It comprises a server device 200 and a determination device 250 that performs determination processing for determining whether or not an operation status of the mining machines 101 to 103 that causes unplanned productivity occurs based on the operation data.
  • the server device 200 includes an extraction unit 211 that extracts cycle data, which is operation data for each work cycle of the mining machines 101 to 103, from the accumulated operation data, and an operation status extractor 211 that extracts, in the cycle data, an operation status in which productivity is out of plan.
  • a plurality of unplanned factor indices for identifying cycle data in which the productivity is within the plan using an index calculation unit 212 that calculates a plurality of unplanned factor indices representing occurrence factors, and the calculated plurality of unplanned factor indices. and a learning unit 214 that performs machine learning for causing the determination device 250 to learn the relationship of The determination device 250 determines how much the cycle data extracted from the accumulated operation data deviates from the cycle data in which the productivity is within the plan, based on the relationships of a plurality of unplanned factor indices that have been learned in advance. Determination processing is performed by evaluating .
  • the mine management system 1 of the first embodiment does not treat the unplanned factor index alone, but machine-learns the relationship of a plurality of unplanned factor indexes, so that the productivity is improved by the relationship of the plurality of factors. Unplanned events can be accurately detected. Moreover, the mine management system 1 of the first embodiment can detect that the productivity has become unplanned in various mines having multiple routes or unknown routes by performing machine learning on the relationship of a plurality of unplanned factor indices. can be detected accurately. Therefore, the mine management system 1 of Embodiment 1 can appropriately take measures to improve productivity within the plan, so that the productivity of the mine 100 can be improved.
  • the mining machines 101 to 103 are dump trucks 101.
  • the plurality of unplanned factor indicators are the loading amount of the dump truck 101, the dump truck 101 waiting time in the dumping area of the mine 100, and the dump truck 101 waiting time in the loading area of the mine 100.
  • an index representing a characteristic operation or state in the work area or work process of the dump truck 101 that easily affects the productivity of the mine 100 is set. , is calculated as an unplanned factor index of the dump truck 101 .
  • the operation status of the dump truck 101 that causes the productivity to be unplanned occurs due to the operation or state in which work area or work process. can be accurately detected. Therefore, the mine management system 1 of Embodiment 1 can more appropriately take measures to improve productivity within the plan, so that the productivity of the mine 100 can be further improved.
  • the learning unit 214 performs machine learning by clustering a plurality of cycle data whose productivity is within the plan.
  • the determination device 250 calculates a score represented according to the distance between the cycle data extracted from the accumulated operation data and the center of the cluster. determined to have occurred.
  • the mine management system 1 of Embodiment 1 can easily construct a classification model in which the relationship between a plurality of unplanned factor indicators that identify cycle data that brings productivity within the plan is learned. Moreover, the mine management system 1 of Embodiment 1 quantitatively evaluates cycle data using a unified evaluation value called a score, thereby determining whether or not an operating situation that causes unplanned productivity has occurred. do. Therefore, the mine management system 1 of Embodiment 1 can more accurately and easily detect unplanned productivity in various mines having multiple routes or unknown routes. Therefore, the mine management system 1 of Embodiment 1 can more appropriately take measures to improve productivity within the plan, so that the productivity of the mine 100 can be further improved.
  • the determination device 250 when determining that an operating situation in which the productivity is unplanned has occurred, calculates the degree of contribution of each of the plurality of unplanned factor indicators to the score. , the unplanned factor index with the largest contribution is identified as the occurrence factor.
  • the mine management system 1 of Embodiment 1 can uniquely identify the main cause of the operational status that causes unplanned productivity using a unified evaluation value called score. Therefore, the mine management system 1 of Embodiment 1 can accurately detect the main factor of unplanned productivity in various mines having multiple routes or unknown routes. Therefore, the mine management system 1 of Embodiment 1 can more appropriately take measures to improve productivity within the plan, so that the productivity of the mine 100 can be further improved.
  • the mine management system 1 of Embodiment 1 further includes a terminal device 300 having a display 301 .
  • the server device 200 aggregates the frequency of occurrence of operating conditions in which productivity is unplanned, the frequency of occurrence of occurrence factors, or scores for each period or each of the mining machines 101 to 103, and transmits the aggregation results to the terminal device 300. do.
  • the terminal device 300 displays the tallied result on the display 301 .
  • the unplanned factor indicator with the highest occurrence frequency (number of times) among the multiple unplanned factor indicators is notified to identify the trend of operation, and the unplanned factor indicator between operators
  • the improvement instruction By calculating the average number of factor indices and notifying the unplanned factor index that exceeds the cumulative average number of times, it may be associated with the improvement instruction. Also, if there is an operator's operation history, points to be improved, points improved, or a combination thereof may be displayed.
  • the mine management system 1 of the first embodiment determines how the frequency of occurrence of operating conditions in which the productivity is unplanned, the frequency of occurrence of occurrence factors, or the score for each period or each of the mining machines 101 to 103. It is possible to notify the user of whether there is a change in a form that is intuitively easy to grasp. Therefore, according to the mine management system 1 of Embodiment 1, it becomes easier for the user to analyze the cause of the operating situation causing the unplanned productivity. Furthermore, the number of mining machines 101 to 103 to be displayed is not limited to one, and a plurality of machines may be displayed, and not only the tendency specific to any one machine but also the overall tendency may be specified. Therefore, the mine management system 1 of Embodiment 1 can more appropriately take measures to improve productivity within the plan, so that the productivity of the mine 100 can be further improved.
  • the server device 200 acquires the operation data of the mining machines 101 to 103 in which an operation state in which the productivity is unplanned occurs, and stores the acquired operation data or its transition. It transmits to the terminal device 300 .
  • the terminal device 300 displays the transition of the operating data on the display 301 .
  • the mine management system 1 of Embodiment 1 can analyze in detail the factors that have caused the operating conditions that result in unplanned productivity based on the operating data of the mining machines 101 to 103. can. Therefore, the mine management system 1 of Embodiment 1 can more appropriately take measures to improve productivity within the plan, so that the productivity of the mine 100 can be further improved.
  • the plurality of unplanned factor indexes are linked in advance with information on subjects that affect fluctuations in the unplanned factor indexes.
  • the terminal device 300 displays, on the display 301 , a message for the relevant person of the subject indicated by the information linked to the unplanned factor index representing the occurrence factor identified by the determination device 250 .
  • the message may be displayed in the form of a simulated display of a model operation, or in the form of a graph/chart/score compared to the current occurrence situation.
  • the mine management system 1 of the first embodiment assigns the relevant parties of the subject linked to the unplanned factor index representing the occurrence factor identified by the determination device 250 to be in charge of measures to improve productivity within the plan.
  • the mine management system 1 of Embodiment 1 can display a message such as an improvement instruction to the person in charge of countermeasures on the display 301 of the terminal device 300 of the person in charge of countermeasures, and notify the person in charge of countermeasures.
  • a message such as an improvement instruction may be a direct notification to the operator.
  • the message is not limited to text, but includes audio or a visible identification such as a different colored flag.
  • the notification interval can be arbitrarily set at regular intervals, such as every half day or every day, depending on the cumulative occurrence frequency and degree of urgency/importance. For example, if you set an hourly, three hourly, etc. based on the above time series, if you set the aggregation time in the morning and identify the unplanned factor indicators that occur frequently, you can see improvement in the afternoon. You can expect the effect of connecting. Therefore, in the mine management system 1 of Embodiment 1, the person in charge of countermeasures can early take measures to improve productivity within the plan, so the productivity of the mine 100 can be improved early.
  • Embodiment 2 A mine management system 1 according to the second embodiment will be described with reference to FIG. In the mine management system 1 of Embodiment 2, descriptions of the same configurations and operations as in Embodiment 1 are omitted.
  • the mine management system 1 that detects that the productivity of the mine 100 has become unplanned from the operation data of the hydraulic excavator 102, which is one of the mining machines 101 to 103, will be described as an example.
  • FIG. 24 is a diagram for explaining the work cycle and unplanned factor index of the hydraulic excavator 102 applied in the mine management system 1 of the second embodiment.
  • the hydraulic excavator 102 loads excavated soil or the like as a cargo onto the dump truck 101, prepares for excavation after loading, excavates the soil or the like, and dumps the excavated soil or the like from the excavation surface.
  • a series of operations for transporting onto the vessel of the truck 101 are performed.
  • the work cycle does not need to be defined with loading onto the dump truck 101 as the starting point, and may be defined with other operations such as excavation as the starting point.
  • items that affect the productivity of the mine 100 include the excavation amount (payload) of the hydraulic excavator 102 and the amount of time the hydraulic excavator takes after loading for the next excavation.
  • Digging preparation time (reaching time) which is the time required for preparation, digging time of the hydraulic excavator 102, and time required for transporting the load excavated by the hydraulic excavator 102 to the dump truck 101 which is the loading machine.
  • a certain carrying time a loading time that is the time required to load the load carried by the hydraulic excavator 102 onto the dump truck 101 that is the loading machine, and a waiting time of the hydraulic excavator 102.
  • these items are defined as unplanned factor indexes of the excavator 102, as shown in the table of FIG.
  • the excavation amount of the hydraulic excavator 102 can be calculated from each angle of the boom, arm, and bucket of the hydraulic excavator 102 and each cylinder pressure. Alternatively, as the excavation amount of the hydraulic excavator 102 , the load amount calculated from the suspension pressure of the dump truck 101 can be received from the dump truck 101 .
  • Excavation preparation time, excavation time, loading time, transportation time, waiting time, and travel time are each angle and each cylinder pressure of the boom, arm, and bucket of the hydraulic excavator 102, the slewing angle of the upper slewing structure, and the traveling speed of the lower slewing structure. etc.
  • the unplanned factor index of the hydraulic excavator 102 is associated in advance with an ID that identifies each index and information on the entity that affects the fluctuation of each index.
  • the determination device 250 evaluates the operation data of the hydraulic excavator 102 using the unplanned factor index, and identifies the factors that cause the operating status of the hydraulic excavator 102 to cause unplanned productivity.
  • the processing device 202 sends information corresponding to the occurrence factor to the terminal device 300 of each party of the subject linked to the unplanned factor index representing the occurrence factor of the unplanned operating status. You can send messages such as improvement instructions.
  • the terminal device 300 can display a message on the display 301 and notify each person concerned, as in the first embodiment.
  • the mine management system 1 may adopt at least two of the indicators shown in the table of FIG. 24 as the unplanned indicators for the hydraulic excavator 102 .
  • the mine management system 1 of the second embodiment uses an index representing a characteristic operation or state during the work process of the hydraulic excavator 102, which is likely to affect the productivity of the mine 100. Calculated as an unplanned factor index. As a result, the mine management system 1 of the second embodiment can accurately determine which operation or state in the work process is causing the operation status of the hydraulic excavator 102 that causes unplanned productivity. can be detected. Therefore, the mine management system 1 of the second embodiment can appropriately take measures to improve the productivity within the plan even if the hydraulic excavator 102 operates in such a way that the productivity is out of the plan. , the productivity of the mine 100 can be improved.
  • the present invention is not limited to the above-described embodiments, and includes various modifications.
  • the above embodiments have been described in detail in order to explain the present invention in an easy-to-understand manner, and are not necessarily limited to those having all the configurations described.
  • it is possible to replace part of the configuration of one embodiment with the configuration of another embodiment and it is also possible to add the configuration of another embodiment to the configuration of one embodiment.
  • each of the above configurations, functions, processing units, processing means, etc. may be realized by hardware, for example, by designing them in integrated circuits, in part or in whole.
  • each of the above configurations, functions, etc. may be realized by software by a processor interpreting and executing a program for realizing each function.
  • Information such as programs, tapes, and files that implement each function can be stored in recording devices such as memories, hard disks, SSDs (solid state drives), or recording media such as IC cards, SD cards, and DVDs.
  • control lines and information lines indicate what is considered necessary for explanation, and not all control lines and information lines are necessarily indicated on the product. In practice, it may be considered that almost all configurations are interconnected.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

複数の要因が関係して生産性が計画外になったことを様々な鉱山において正確に検知することが可能な鉱山管理システムを提供することを目的とする。鉱山管理システム１は、鉱山機械１０１～１０３の稼働データを蓄積し、処理するサーバ装置２００と、生産性が計画外になる鉱山機械１０１～１０３の稼働状況が発生したか否かを判定する判定装置２５０と、を備える。サーバ装置２００は、蓄積された稼働データから作業サイクル毎の稼働データであるサイクルデータを抽出する抽出部２１１と、サイクルデータにおいて、生産性が計画外になる稼働状況の発生要因を表す複数の計画外要因指標を算出する指標算出部２１２と、生産性が計画内になるサイクルデータを特定する複数の計画外要因指標の関係を判定装置２５０に学習させる学習部２１４と、を有する。

Description

鉱山管理システム
　本発明は、鉱山の生産性を管理する鉱山管理システムに関する。
　油圧ショベル又はダンプトラック等の鉱山機械の稼働データを収集及び分析するシステムが知られている。特許文献１には、鉱山機械の稼働状況に基づいて様々な管理指標を算出するシステムが開示されている。特許文献１のシステムは、鉱山の経路上の特定区間において、単位時間当たりの燃料消費量又は積荷運搬量といった鉱山機械の生産性に関わる指標を算出する。特許文献２には、特定経路における時間情報と位置情報とに基づいてダンプトラックの割り当てを行うシステムが開示されている。特許文献２のシステムは、特定経路上で発生した待ち時間と位置情報とに基づいてダンプトラックの割り当て指令を出力する。
国際公開第２０１５／０２９２２９号 特許第５８０９７１０号公報
　しかし、特許文献１のシステムでは、特定の経路に対して単位時間当たりの燃料消費量の増加や積荷運搬量の低下を検知するが、経路長や坂道が燃料消費量に与える影響等について十分に検討されていない。また、特許文献２のシステムでは、経路上で発生した待ち時間と位置情報とに基づいて生産性を改善させるためにダンプトラックの割り当てを行うが、経路が限定されており、未知の経路への対応や、他の生産性が計画外になる（予定もしくは想定していた生産性よりも低下する状態）要因（例えば、路面の状況や、ショベル又はダンプトラックのオペレータの操作の状況等）については十分に検討されていない。特許文献１及び特許文献２のシステムでは、複数経路や未知の経路を有する鉱山に対して適用することが困難である。更に、特許文献１及び特許文献２のシステムでは、複数の要因が関係して生産性が計画外になったことを正確に検知することが困難であり、生産性を計画内に改善させるための情報を各関係者に適切に提示することが困難である。
　本発明は、上記に鑑みてなされたものであり、複数の要因が関係して生産性が計画外になったことを様々な鉱山において正確に検知することが可能な鉱山管理システムを提供することを目的とする。
　上記課題を解決するために、本発明の鉱山管理システムは、鉱山の生産性を管理する鉱山管理システムであって、鉱山機械から収集された前記鉱山機械の稼働データを蓄積し、処理するサーバ装置と、前記稼働データに基づいて、前記生産性が計画外になる前記鉱山機械の稼働状況が発生したか否かを判定する判定処理を行う判定装置と、を備え、前記サーバ装置は、蓄積された前記稼働データから、前記鉱山機械の作業サイクル毎の前記稼働データであるサイクルデータを抽出する抽出部と、前記サイクルデータにおいて、前記生産性が計画外になる前記稼働状況の発生要因を表す複数の指標を算出する算出部と、算出された前記複数の指標を用いて、前記生産性が計画内になる前記サイクルデータを特定する前記複数の指標の関係を前記判定装置に学習させる機械学習を行う学習部と、を有し、前記判定装置は、前記学習部によって学習された前記複数の指標の関係に基づいて前記判定処理を行うことを特徴とする。
　本発明によれば、複数の要因が関係して生産性が計画外になったことを様々な鉱山において正確に検知することが可能な鉱山管理システムを提供することができる。
　上記以外の課題、構成および効果は、以下の実施形態の説明により明らかにされる。
実施形態１の鉱山管理システムの構成を模式的に示す図。 ダンプトラックの作業サイクル及び計画外要因指標を説明する図。 図１に示す処理装置の機械学習機能を示すブロック図。 図３に示す学習部によるクラスタ分類結果の一例を示す図。 図４に示すＩＤ＝０及びＩＤ＝２の各クラスタにおけるクラスタ中心の一例を示す図。 図３に示す処理装置が機械学習時に行う処理のフローチャート。 図１に示す判定装置の機能を示すブロック図。 図７に示す判定装置が行う判定処理のフローチャート。 図１に示す処理装置の可視化機能を示すブロック図。 所定期間のスコアをダンプトラック毎に集計した結果を示す図。 図１０と同じ期間のスコアを日付け毎に集計した結果を示す図。 計画外の稼働状況の発生要因の出現頻度を集計した結果を示す図。 図１２に示す発生要因の出現数を日付け毎に集計した結果を示す図。 停車時間が計画外になった稼働データのチャート。 積み込み待ち時間が計画外になった稼働データのチャート。 排土待ち時間が計画外になった稼働データのチャート。 積み込み時間が計画外になった稼働データのチャート。 スポッティング時間が計画外になった稼働データのチャート。 積載量が計画外になった稼働データのチャート。 排土待ち時間が計画外になった稼働データの他の表示例を示す図。 計画外の稼働状況の発生頻度をダンプトラック毎に集計した結果を示す図。 図２１に示す計画外の稼働状況の発生頻度を日付け毎に集計した結果を示す図。 図２１に示す計画外の稼働状況の発生頻度を経路毎に集計した結果を示す図。 実施形態２の鉱山管理システムにおいて適用される油圧ショベルの作業サイクル及び計画外要因指標を説明する図。
　以下、本発明の実施形態について図面を用いて説明する。なお、各実施形態において同一の符号を付された構成については、特に言及しない限り、各実施形態において同様の機能を有し、その説明を省略する。
［実施形態１］
　図１～図２３を用いて、実施形態１の鉱山管理システム１について説明する。
　図１は、実施形態１の鉱山管理システム１の構成を模式的に示す図である。
　鉱山管理システム１は、鉱山１００の全体の生産性（例えば単位時間当たりの積荷運搬量）を一括管理するシステムである。鉱山管理システム１は、複数の鉱山機械１０１～１０３と、サーバ装置２００と、判定装置２５０と、端末装置３００とを備える。
　鉱山機械１０１～１０３は、鉱山１００において採掘作業を行う作業機械である。鉱山機械１０１～１０３は、例えば、掘削した土砂等をダンプトラック１０１に積み込む油圧ショベル１０２と、積荷を輸送するダンプトラック１０１と、路面を整地するブルドーザ１０３とを含むことができる。鉱山管理システム１の鉱山機械は、これらに限定されない。
　サーバ装置２００は、鉱山機械１０１～１０３を管理する。サーバ装置２００は、鉱山機械１０１～１０３から収集された鉱山機械１０１～１０３の稼働データを蓄積し、処理する。
　サーバ装置２００は、記録装置２０１と、処理装置２０２とを備える。
　記録装置２０１は、鉱山機械１０１～１０３から収集された稼働データ及び位置データを記録するデータべースによって構成される。稼働データは、複数の鉱山機械１０１～１０３のそれぞれから所定期間に亘って収集されて、記録装置２０１に蓄積される。処理装置２０２は、プロセッサ及びメモリを備えて構成される。処理装置２０２は、プロセッサがメモリに記憶されたプログラムを実行することによって、処理装置２０２の機能を実現する。
　ここで、鉱山機械１０１～１０３の稼働データは、サーバ装置２００に逐次送信されることが望ましいが、通信環境及び通信コストを考えると、必ずしも逐次送信されるとは限らない。本実施形態のサーバ装置２００は、ある程度まとまった量の稼働データを蓄積した後に、処理を開始するものとする。ある程度まとまった量は、例えば、ダンプトラック１０１の過去最長の作業サイクルにおいて要した時間や、過去最長の作業サイクルにおいて送信された稼働データのデータ量によって決定され得る。
　判定装置２５０は、サーバ装置２００の記録装置２０１に蓄積された稼働データに基づいて、鉱山１００の生産性が計画外になるような鉱山機械１０１～１０３の稼働状況が発生したか否かを判定する判定処理を行う。生産性が計画外になるとは、予め計画していた生産性よりも生産性が低下する状態を示す。生産性が計画内とは、予め計画していた生産性が得られた状態を示す。判定装置２５０は、判定結果をサーバ装置２００の処理装置２０２に送信する。判定装置２５０は、プロセッサ及びメモリを備えて構成される。判定装置２５０は、プロセッサがメモリに記憶されたプログラムを実行することによって、判定装置２５０の機能を実現する。
　判定装置２５０は、サーバ装置２００の処理装置２０２の一部として構成されてもよいし、鉱山機械１０１～１０３の制御装置の一部として構成されてもよいし、端末装置３００の一部として構成されてもよい。判定装置２５０は、鉱山機械１０１～１０３の制御装置の一部として構成される場合、判定結果を通信遅延なく鉱山機械１０１～１０３のオペレータに通知することができる。また、この場合、判定装置２５０は、判定結果をリアルタイムに処理装置２０２に送信し、判定結果を遅滞なく端末装置３００に表示させることができる。
　端末装置３００は、サーバ装置２００の処理結果や判定装置２５０の判定結果等の情報を、ディスプレイ３０１に表示する。端末装置３００は、サーバ装置２００と通信するスマートフォン、タブレットＰＣ又はノートＰＣ等により構成される。端末装置３００は、表示する情報をダッシュボード形式でディスプレイ３０１に表示することができる。端末装置３００は、表示する情報をレポート形式やメール形式でディスプレイ３０１に表示してもよい。
　端末装置３００は、鉱山管理システム１のユーザによって使用される。鉱山管理システム１のユーザには、例えば、鉱山１００の採掘・保守計画に応じて鉱山機械１０１～１０３の運行計画を作成する運行計画者５０１、鉱山機械１０１～１０３のオペレータ、オペレータの指導者５０２、鉱山１００の経路等の路面を保守点検する路面保守員５０３、鉱山機械１０１～１０３又は各種機器を保守点検する機器保守員５０４、及び、鉱山１００の採掘・保守計画を作成する採掘責任者５０５等が含まれる。端末装置３００は、これらの各ユーザに所持されていてもよい。
　端末装置３００のユーザは、端末装置３００に表示された情報に基づいて、鉱山１００の生産性が計画外になったことを適切に把握し、生産性を計画内に改善させる対策を適切に講じることによって、鉱山１００の生産性を改善させることができる。例えば、鉱山１００の運行計画者５０１は、端末装置３００に表示された情報を用いて、鉱山機械１０１～１０３の運行計画を修正することができる。オペレータの指導者５０２は、端末装置３００に表示された情報を用いて、操作を改善するべきオペレータを発見し、操作の指導を行うことができる。路面保守員５０３は、端末装置３００に表示された情報を用いて、生産性が計画外になる要因となった路面を早期に特定し、修理することができる。機器保守員５０４は、端末装置３００に表示された情報を用いて、生産性が計画外になる要因となった機器の故障を早期に特定し、修理や事前の交換部品発注をすることができる。採掘責任者５０５は、端末装置３００に表示された情報と、インターネット４００を介して取得した天候情報（履歴、現在及び予測の情報を含む）や鉱物価格情報（履歴、現在及び予測の情報を含む）とを組み合わせて、採掘・保守計画を再検討することができる。採掘責任者５０５は、採掘・保守計画を修正したり、運行計画者５０１、指導者５０２、路面保守員５０３又は機器保守員５０４に対して改善指示を出したりすることができる。
　以下では、鉱山機械１０１～１０３の１つであるダンプトラック１０１の稼働データから、鉱山１００の生産性が計画外になったことを検知する鉱山管理システム１を例に挙げて説明する。
　図２は、ダンプトラック１０１の作業サイクル及び計画外要因指標を説明する図である。
　鉱山１００は、油圧ショベル１０２が掘削した土砂等を積荷としてダンプトラック１０１に積み込む積み込みエリアと、ダンプトラック１０１が積荷の土砂等を排土する排土エリアと、積み込みエリアと排土エリアとを繋ぐ複数の経路とを有する。ダンプトラック１０１は、１回の作業サイクルにおいて、排土エリアにおいて排土を行い、排土エリアから経路を通って積み込みエリアに移動し、積み込みエリアにおいて積み込み後に経路を通って排土エリアに移動する一連の動作を行う。
　ダンプトラック１０１の１回の作業サイクルの中で、鉱山１００の生産性に影響を与える事項としては、ダンプトラック１０１の積載量（payload）、排土エリアでのダンプトラック１０１の待ち時間である排土待ち時間（queuing time (queuing dump)）、積み込みエリアでのダンプトラック１０１の待ち時間である積み込み待ち時間（queuing time (queuing load)）、経路上でのダンプトラック１０１の停車時間（waiting time）、油圧ショベル１０２のダンプトラック１０１への積荷の積み込み時間（loading time）、積み込みエリアにおいてダンプトラック１０１が積み込み可能な状態に移行するのに要する時間であるスポッティング時間（change over time ;COT）、及び、ダンプトラック１０１の平均車速（average speed）が挙げられる。これらの事項は、鉱山１００の生産性が計画外になるようなダンプトラック１０１の稼働状況が発生する要因となり得る。本実施形態では、図２の表に示すように、これらの事項を、生産性が計画外になるようなダンプトラック１０１の稼働状況の発生要因を表す指標（以下、「計画外要因指標」とも称する）として定義する。
　図２の表に示すように、ダンプトラック１０１の計画外要因指標には、各指標を識別するＩＤと、各指標の変動に影響を与える主体（すなわち各指標の変動の原因）の情報とが予め紐付けられている。判定装置２５０は、計画外要因指標を用いてダンプトラック１０１の稼働データを評価し、生産性が計画外になるようなダンプトラック１０１の稼働状況の発生要因を特定する。処理装置２０２は、判定装置２５０によって特定された当該発生要因を表す計画外要因指標に紐付けられた当該主体の関係者を、生産性を計画内に改善させる対策の担当者に割り当てることができる。処理装置２０２は、対策担当者に対する改善指示等のメッセージを、対策担当者の端末装置３００に送信する。端末装置３００は、メッセージをディスプレイ３０１に表示し、当該担当者に通知することができる。
　なお、鉱山管理システム１は、ダンプトラック１０１の計画外指標として、図２の表に示す指標の少なくとも２つを採用すればよい。本実施形態では、鉱山管理システム１が図２の表に示す全ての指標を採用するものとして説明する。
　図３は、図１に示す処理装置２０２の機械学習機能を示すブロック図である。
　判定装置２５０の一部の機能は、機械学習によって構築されたモデルとして実現される。鉱山管理システム１では、サーバ装置２００の処理装置２０２が、判定装置２５０の一部の機能を実現するモデルを機械学習によって構築する。
　処理装置２０２は、抽出部２１１と、指標算出部２１２と、前処理部２１３と、学習部２１４とを有する。
　抽出部２１１は、記録装置２０１に蓄積された稼働データ（以下「蓄積データ」とも称する）から、ダンプトラック１０１の作業サイクル毎の稼働データであるサイクルデータを抽出する。具体的には、抽出部２１１は、ダンプトラック１０１の積載量の推移によって作業サイクルを特定し、サイクルデータを抽出する。サイクルデータには、１回の作業サイクル中に複数経路を走行したダンプトラック１０１の稼働データが含まれる。抽出部２１１は、抽出されたサイクルデータに識別情報であるサイクルＩＤを付与する。抽出部２１１は、ダンプトラック１０１の識別情報である車両ＩＤと、サイクル開始時刻及び終了時刻とに、サイクルデータを紐付けて記録装置２０１に登録する。なお、抽出部２１１は、記録装置２０１に蓄積された全ての稼働データからサイクルデータを抽出する必要はなく、予め設定された抽出期間に収集又は記録された稼働データからサイクルデータを抽出することができる。
　指標算出部２１２は、抽出されたサイクルデータにおいて計画外要因指標を算出する。具体的には、指標算出部２１２は、ダンプトラック１０１のサスペンション圧に基づいて積載量を算出することができる。指標算出部２１２は、ダンプトラック１０１のＧＰＳセンサにより取得された位置データから、ダンプトラック１０１が積み込みエリア、排土エリア又は経路上に位置するかを検知することができる。指標算出部２１２は、ダンプトラック１０１の車速又はエンジン回転数が所定値よりも小さくなったことに基づいて、待ち時間を算出することができる。指標算出部２１２は、この待ち時間と位置データとに基づいて、排土待ち時間、積み込み待ち時間及び停車時間を算出することができる。指標算出部２１２は、積載量が増加し始めてから積載量の増加が終わるまでの時間を算出することによって、積み込み時間を算出することができる。指標算出部２１２は、ダンプトラック１０１が積み込みエリアに進入してから積み込みが開始するまでの時間を算出することによって、スポッティング時間を算出することができる。指標算出部２１２は、ダンプトラック１０１が停車した状態を除いた走行時間と走行距離とから平均車速を算出することができる。
　このように、指標算出部２１２は、ダンプトラック１０１の作業エリアや作業工程中における特徴的な動作又は状態であって、鉱山１００の生産性に影響を与え易い動作又は状態を表す指標を、ダンプトラック１０１の計画外要因指標として算出する。これにより、鉱山管理システム１は、生産性が計画外になるようなダンプトラック１０１の稼働状況が、どの作業エリアやどの作業工程中の動作又は状態に起因して発生しているのかを正確に検知することができる。鉱山管理システム１は、生産性を計画内に改善させる対策を適切に講じることができるので、鉱山１００の生産性を改善させることができる。
　前処理部２１３は、機械学習から除外する作業サイクルの条件又は機械学習から除外する計画外要因指標の条件（学習条件）に基づいて、抽出部２１１により抽出されたサイクルデータから、学習用データとして相応しくないサイクルデータを除外する。機械学習から除外する作業サイクルの条件は、例えば、経路上の走行距離が極端に短い作業サイクルであったり、前回の排土位置と今回の排土位置が大きく異なる作業サイクルであったりすることが挙げられる。これにより、学習部２１４は、頻度の低い経路走行や路面整地のための土砂運搬などの、生産性にあまり影響を与えない作業サイクルのサイクルデータを除外して機械学習を行うことができる。
　なお、生産性が計画内にある実際の稼働データからサイクルデータを抽出した場合、当該サイクルデータの大部分は、学習用データとして相応しいと考えてよい。しかし、判定装置２５０の判定確度を向上させるためには、前処理部２１３は、機械学習から除外する計画外要因指標の条件として、計画外要因指標の上下限値を設定し、上下限値の範囲外の計画外要因指標を除外することができる。これにより、学習部２１４は、生産性が計画内になるサイクルデータを特定する上下限値の範囲内にある計画外要因指標だけで機械学習を行うことができる。したがって、鉱山管理システム１は、判定装置２５０の判定確度を向上させることができる。
　学習部２１４は、生産性が計画内になるサイクルデータを特定する複数の計画外要因指標の関係を判定装置２５０に学習させる機械学習を行う。本実施形態の学習部２１４は、生産性が計画内になる複数のサイクルデータをクラスタリングすることによって当該機械学習を行う。これにより、本実施形態の学習部２１４は、生産性が計画内になるサイクルデータを特定する複数の計画外要因指標の関係が学習された分類モデルを構築することができる。本実施形態の学習部２１４は、クラスタリング手法の１つであるｋ－ｍｅａｎｓを用いるが、他のクラスタリング手法を用いてもよい。
　図４は、図３に示す学習部２１４によるクラスタ分類結果の一例を示す図である。図４の縦軸はサイクルデータ数を示し、図４の横軸はクラスタの識別情報であるクラスタＩＤを示す。図５は、図４に示すＩＤ＝０及びＩＤ＝２の各クラスタにおけるクラスタ中心の一例を示す図である。図５に示す破線は、ＩＤ＝０のクラスタに属するサイクルデータにおける複数の計画外要因指標（ＩＤ＝０～６）の関係を示す。図５に示す破線と縦軸との交点は、ＩＤ＝０のクラスタにおけるクラスタ中心を示す。図５に示す実線は、ＩＤ＝２のクラスタに属するサイクルデータにおける複数の計画外要因指標（ＩＤ＝０～６）の関係を示す。図５に示す実線と縦軸との交点は、ＩＤ＝２のクラスタにおけるクラスタ中心を示す。
　ｋ－ｍｅａｎｓは、教師なし学習であり、各サイクルデータにおける複数の計画外要因指標を特徴量として、各サイクルデータを、事前に指定されたクラスタ数の個数分だけ自動分類する。図４の例では、８つのクラスタ数を指定している。図４に示すように、大部分のサイクルデータは、ＩＤ＝０のクラスタと、ＩＤ＝２のクラスタとに分類されていることが分かる。ｋ－ｍｅａｎｓでは、生産性が計画内になるサイクルデータを特定する複数の計画外要因指標の関係が、図５に示すような各クラスタ中心として学習される。ｋ－ｍｅａｎｓでは、サイクルデータの各クラスタ中心（本例では８つ）との距離（例えばユークリッド距離やマハラノビス距離）を算出し、算出された距離が最小であったクラスタにサイクルデータを分類する。また、判定装置２５０では、対象のサイクルデータと、当該サイクルデータが分類されたクラスタのクラスタ中心との距離に応じて算出されるスコアによって、対象のサイクルデータが、生産性が計画内になるサイクルデータに対してどの程度逸脱するかを評価する。更に、判定装置２５０は、スコアに対する複数の計画外要因指標の寄与度が最も大きい計画外要因指標を、生産性が計画外になる稼働状況の発生要因として特定する。これにより、処理装置２０２は、特定された発生要因を表す計画外要因指標に紐付けられた主体の関係者を、生産性を計画内に改善させる対策の担当者に割り当てることができる。処理装置２０２は、対策担当者に対する改善指示等のメッセージを端末装置３００に送信し、ディスプレイ３０１に表示させることができる。鉱山管理システム１は、鉱山１００の生産性を改善させることができる。
　すなわち、鉱山管理システム１は、計画外要因指標を単体で扱うのではなく、複数の計画外要因指標の関係を機械学習することによって、複数の要因が関係して生産性が計画外になったことを正確に検知することができる。しかも、鉱山管理システム１は、スコアという統一的な評価値を用いてサイクルデータを定量的に評価することによって、生産性が計画外になる稼働状況が発生したか否かを判定するので、複数経路や未知の経路を有する様々な鉱山において、生産性が計画外になったことを正確に検知することができる。
　図５に示すＩＤ＝０及びＩＤ＝２の各クラスタにおけるクラスタ中心は、生産性が計画内になるサイクルデータの代表的な計画外要因指標の関係を表している。図５の破線で示すように、ＩＤ＝０のクラスタに属するサイクルデータは、平均車速が遅い傾向がある。排土エリアと積み込みエリアとを繋ぐ経路が比較的短い場合には、ダンプトラック１０１をトップスピードで走行する機会があまりないので、平均車速が遅い傾向が現れ易い。また、経路が比較的短い場合には、積載量が少なく、積み込み待ち時間やスポッティング時間等が長くなる傾向が現れやすい。図５の実線で示すように、ＩＤ＝２のクラスタに属するサイクルデータは、平均車速が速い傾向がある。排土エリアと積み込みエリアとを繋ぐ経路が比較的長い場合には、ダンプトラック１０１をトップスピードで走行する機会が多くなるので、平均車速が速い傾向が現れ易い。また、経路が比較的長い場合には、積載量が多く、積み込み待ち時間やスポッティング時間等が短くなる傾向が現れやすい。すなわち、比較的短い場合は、ＩＤ＝０のクラスタに属するサイクルデータのような傾向が現れ易く、比較的長い場合は、ＩＤ＝２のクラスタに属するサイクルデータのような傾向が現れ易い。
　このように、学習部２１４は、生産性が計画内になる複数のサイクルデータをクラスタリングすることによって、生産性が計画内になるサイクルデータを特定する複数の計画外要因指標の関係が学習された分類モデルを構築することができる。判定装置２５０は、当該分類モデルを用いて、クラスタ中心からの距離に応じて表されるスコアを算出し、生産性が計画内になるサイクルデータに対してどの程度逸脱するかを評価することができる。特に、学習部２１４が、複数経路を走行したダンプトラック１０１のサイクルデータにおける計画外要因指標の関係が学習された分類モデルを構築することによって、鉱山管理システム１は、様々な鉱山において生産性が計画外になったことを正確に検知することができる。
　図６は、図３に示す処理装置２０２が機械学習時に行う処理のフローチャートである。
　ステップＳ６０１において、処理装置２０２は、記録装置２０１に蓄積された蓄積データからサイクルデータを抽出する。
　ステップＳ６０２において、処理装置２０２は、抽出されたサイクルデータの計画外要因指標を算出する。
　ステップＳ６０３において、処理装置２０２は、蓄積データに未抽出のサイクルデータが残っているか否かを判定する。処理装置２０２は、未抽出のサイクルデータが残っている場合、ステップＳ６０１に移行する。処理装置２０２は、未抽出のサイクルデータが残っていない場合、ステップＳ６０４に移行する。
　ステップＳ６０４において、処理装置２０２は、抽出されたサイクルデータから学習用データとして相応しくないサイクルデータを除外する前処理を行う。
　ステップＳ６０５において、処理装置２０２は、前処理が行われた複数のサイクルデータをクラスタリングし、生産性が計画内になるサイクルデータを特定する複数の計画外要因指標の関係を判定装置２５０に学習させる。すなわち、処理装置２０２は、上記のような複数の計画外要因指標の関係が学習されたサイクルデータの分類モデルを構築する。
　ステップＳ６０６において、処理装置２０２は、クラスタ中心やスコアを算出し、学習用データとして相応しくないサイクルデータを学習していないかを判定する。処理装置２０２は、クラスタ毎に算出したスコアが予め設定された値よりも小さいか否かを判定することによって、ステップＳ６０６の判定を行う。或いは、処理装置２０２は、図５に示すようなクラスタ中心の関係を示すグラフを端末装置３００に表示し、ステップＳ６０６の判定をユーザに行わせてもよい。処理装置２０２は、ステップＳ６０６の判定として学習用データとして相応しくないサイクルデータを学習している場合（ＮＯ）は、ステップＳ６０４に移行する。また、処理装置２０２は、ステップＳ６０６の判定として学習用データとして相応しくないサイクルデータを学習してない場合、言い換えれば学習用データとして相応しいサイクルデータを学習している場合（ＹＥＳ）は、図６に示す本処理を終了する。
　図７は、図１に示す判定装置２５０の機能を示すブロック図である。
　判定装置２５０は、上記のように、予め学習された、生産性が計画内になるサイクルデータを特定する複数の計画外要因指標の関係に基づき、記録装置２０１に蓄積された蓄積データから抽出されたサイクルデータが、生産性が計画内になるサイクルデータに対してどの程度逸脱するかを評価する。これにより、判定装置２５０は、生産性が計画外になるダンプトラック１０１の稼働状況が発生したか否かを判定する判定処理を行う。
　判定装置２５０は、抽出部２５１と、指標算出部２５２と、スコア算出部２５３と、判定部２５４と、要因特定部２５５と、登録部２５６とを有する。
　抽出部２５１は、処理装置２０２の抽出部２１１と同様に、記録装置２０１に蓄積された蓄積データからサイクルデータを抽出する。指標算出部２５２は、処理装置２０２の指標算出部２１２と同様に、抽出部２５１により抽出されたサイクルデータにおいて計画外要因指標を算出する。
　スコア算出部２５３は、処理装置２０２の学習部２１４により構築された分類モデルを用いて、抽出部２５１により抽出されたサイクルデータと当該分類モデルの各クラスタ中心との距離を算出する。スコア算出部２５３は、当該距離が最も小さい値をスコアとして算出する。抽出されたサイクルデータのスコアが大きいほど、抽出されたサイクルデータが、生産性が計画内になるサイクルデータに対して大きく逸脱していることを表す。
　判定部２５４は、スコア算出部２５３により算出されたスコアが、予め定められた閾値より大きいか否かを判定する。判定部２５４は、スコア算出部２５３により算出されたスコアが、予め定められた閾値より大きい場合、生産性が計画外になるようなダンプトラック１０１の稼働状況が発生したと判定する。判定部２５４は、スコア算出部２５３により算出されたスコアが、予め定められた閾値以下である場合、生産性が計画外になるようなダンプトラック１０１の稼働状況が発生していないと判定する。判定部２５４は、生産性が計画外になるようなダンプトラック１０１の稼働状況が発生したと判定した場合、その旨を示すフラグを生成する。
　要因特定部２５５は、生産性が計画外になるようなダンプトラック１０１の稼働状況の発生要因を特定する。要因特定部２５５は、スコアに対する複数の計画外要因指標のそれぞれの寄与度を算出し、寄与度が最も大きい計画外要因指標を、計画外の稼働状況の発生要因として特定する。すなわち、要因特定部２５５は、スコアが算出される際に最も大きく影響を与えた計画外要因指標を特定することによって、計画外の稼働状況の主な発生要因を特定することができる。
　登録部２５６は、サイクルデータのサイクルＩＤ、サイクル開始時刻及び終了時刻、計画外要因指標、スコア、フラグ並びに発生要因等の情報を、互いに紐付けて記録装置２０１に登録する。登録部２５６は、これらの情報に対して更に、ダンプトラック１０１の車両ＩＤ、及び、ダンプトラック１０１が走行する経路の識別情報である経路ＩＤを紐付けて記録装置２０１に登録することが好ましい。ダンプトラック１０１が走行する経路は、ダンプトラック１０１のＧＰＳセンサにより取得された位置データから検知したり、ダンプトラック１０１の運行指令を受信することによって検知したりすることができる。
　図８は、図７に示す判定装置２５０が行う判定処理のフローチャートである。
　ステップＳ８０１において、判定装置２５０は、記録装置２０１に蓄積された蓄積データからサイクルデータを抽出する。
　ステップＳ８０２において、判定装置２５０は、抽出されたサイクルデータのサイクルＩＤと、サイクル開始時刻及び終了時刻とを紐付けて記録装置２０１に登録する。この際、判定装置２５０は、ダンプトラック１０１の車両ＩＤ、及び、ダンプトラック１０１が走行する経路の経路ＩＤについても、これらの情報に紐付けて登録することが好ましい。
　ステップＳ８０３において、判定装置２５０は、抽出されたサイクルデータの計画外要因指標を算出する。
　ステップＳ８０４において、判定装置２５０は、算出された計画外要因指標をサイクルＩＤに紐付けて記録装置２０１に登録する。
　ステップＳ８０５において、判定装置２５０は、分類モデルを用いて、抽出されたサイクルデータのスコアを算出する。
　ステップＳ８０６において、判定装置２５０は、算出されたスコアをサイクルＩＤに紐付けて記録装置２０１に登録する。
　ステップＳ８０７において、判定装置２５０は、算出されたスコアが閾値より大きいか否かを判定する。判定装置２５０は、算出されたスコアが閾値以下である場合、図８に示す本処理を終了する。判定装置２５０は、算出されたスコアが閾値より大きい場合、計画外の稼働状況が発生したことを示すフラグを生成し、ステップＳ８０８に移行する。
　ステップＳ８０８において、判定装置２５０は、算出されたスコアに対する複数の計画外要因指標のそれぞれの寄与度を算出する。判定装置２５０は、寄与度が最も大きい計画外要因指標を、計画外の稼働状況の発生要因として特定する。
　ステップＳ８０９において、判定装置２５０は、計画外の稼働状況が発生したことを示すフラグと、計画外の稼働状況の発生要因とをサイクルＩＤに紐付けて記録装置２０１に登録する。その後、判定装置２５０は、図８に示す本処理を終了する。
　図９は、図１に示す処理装置２０２の可視化機能を示すブロック図である。
　処理装置２０２は、判定装置２５０によって記録装置２０１に登録された情報を用いて、生産性が計画外になるようなダンプトラック１０１の稼働状況に関する情報を集計し、可視化する。
　処理装置２０２は、集計部２２１と、取得部２２２と、可視化部２２３とを有する。
　集計部２２１は、判定装置２５０によって記録装置２０１に登録された情報を用いて、計画外の稼働状況の発生頻度、発生要因の出現頻度、又は、スコアを、期間毎、ダンプトラック１０１毎、又は、経路毎等の集計条件に基づいて集計する。例えば、集計部２２１は、記録装置２０１に記録されたサイクルＩＤに紐付けられたフラグ又は発生要因の数を所定期間に亘って集計し、計画外の稼働状況の発生頻度、又は、発生要因の出現頻度を集計することができる。集計部２２１は、記録装置２０１に記録されたサイクルＩＤに紐付けられたスコアを車両ＩＤ毎に集計することができる。
　取得部２２２は、計画外の稼働状況の発生要因を詳細に分析するための分析用データとして、記録装置２０１に蓄積された蓄積データから、計画外の稼働状況が発生したダンプトラック１０１の稼働データを取得する。例えば、取得部２２２は、記録装置２０１に記録されたサイクルＩＤに紐付けられたフラグに基づいて、計画外の稼働状況が発生したダンプトラック１０１の稼働データ（１又は複数のサイクルデータ）を取得することができる。
　可視化部２２３は、集計部２２１の集計結果、又は、取得部２２２により取得された分析用データを可視化する。例えば、可視化部２２３は、後述する図１０～図１３又は図２１～図２３に示すように、集計部２２１の集計結果を示すグラフを作成し、端末装置３００に送信する。また、可視化部２２３は、後述する図１４～図１９に示すように、分析用データとして取得された稼働データの推移を示すチャートを作成し、端末装置３００に送信する。可視化部２２３は、後述する図２０に示すように、分析用データとして取得された稼働データから特定された作業エリアのマップを作成し、端末装置３００に送信する。端末装置３００は、可視化部２２３により作成されたグラフ等をディスプレイ３０１に表示することができる。
　なお、処理装置２０２は、集計部２２１の集計結果、又は、取得部２２２により取得された分析用データを可視化するだけでなく、当該集計結果又は当該分析用データを分析し、必要な情報を端末装置３００に送信することができる。例えば、処理装置２０２は、計画外の稼働状況の発生要因を表す計画外要因指標に紐付けられた主体の各関係者の端末装置３００に対して、当該発生要因に対応した改善指示等のメッセージを送信することができる。端末装置３００は、メッセージをディスプレイ３０１に表示し、各関係者に通知することができる。
　また、可視化部２２３は、処理装置２０２に備えられるのではなく、端末装置３００に備えられていてもよい。すなわち、処理装置２０２は、集計部２２１の集計結果、又は、取得部２２２により取得された分析用データを端末装置３００に送信し、端末装置３００は、当該集計結果又は当該分析用データを可視化してもよい。
　図１０は、所定期間のスコアをダンプトラック１０１毎に集計した結果を示す図である。図１１は、図１０と同じ期間のスコアを日付け毎に集計した結果を示す図である。
　図１０を表示した端末装置３００のユーザは、生産性が計画外になる稼働状況が、ダンプトラック１０１の個体差に依存して発生しているか否かを判断することができる。図１０の例では、箱ひげ図の中央値及び四分位範囲には、ダンプトラック１０１毎の差が無い。図１０の例では、計画外の稼働状況の発生が、ダンプトラック１０１の個体差に依存していないと判断することができる。仮に、計画外の稼働状況の発生がダンプトラック１０１の個体差に依存している場合、端末装置３００は、その旨のメッセージをディスプレイ３０１に表示し、機器保守員５０４に通知することができる。これにより、鉱山管理システム１は、生産性を改善させることができる。
　図１１の例では、日によってスコアが変動しており、計画外の稼働状況の発生が、日付けと関係する事項（天候、路面、運行指令等）に依存している。この場合、端末装置３００は、図１３を用いて後述する発生要因を、ディスプレイ３０１に表示し、路面保守員５０３又は運行計画者５０１に通知することができる。路面保守員５０３又は運行計画者５０１は、発生要因を詳細に分析し、必要な対策を講じることができる。これにより、鉱山管理システム１は、生産性を改善させることができる。なお、処理装置２０２は、ダンプトラック１０１のオペレータの識別情報と、サイクルＩＤとを紐付けることで、オペレータ毎にスコアを集計することができる。端末装置３００は、スコアが高い特定のオペレータの指導者５０２にスコアが高い旨のメッセージを、ディスプレイ３０１に表示し、指導者５０２に通知することができる。指導者５０２は、スコアが高い特定のオペレータをスコアが低くなるよう指導することができる。これにより、鉱山管理システム１は、生産性を改善させることができる。
　図１２は、計画外の稼働状況の発生要因の出現頻度を集計した結果を示す図である。図１３は、図１２に示す発生要因の出現数を日付け毎に集計した結果を示す図である。
　図１２は、計画外の稼働状況の発生要因を、その出現頻度が大きい順に並べて表示している。図１２を表示した端末装置３００のユーザは、計画外の稼働状況の発生要因と、その出現頻度とを簡単に把握することができる。図１２において、出現頻度が高い発生要因は、経路上でのダンプトラック１０１の停車時間である。端末装置３００は、停車時間が計画外になった旨のメッセージを、ディスプレイ３０１に表示し、採掘責任者５０５に通知することができる。採掘責任者５０５は、運行計画者５０１に改善指示を出すことができる。或いは、処理装置２０２が、発生要因を表す計画外要因指標に紐付けられた主体の各関係者の端末装置３００に対して、当該発生要因に対応した改善指示等のメッセージを送信する場合、各関係者の端末装置３００は、当該メッセージをディスプレイ３０１に表示し、各関係者に通知することができる。通知の形式はメッセージに限られず、例えば、エリアチャートで表示することとしてもよい。この場合、鉱山機械１０１～１０３の一日の作業サイクルを時系列で示し、予め設定された作業エリア別に異なる色を用いて分類する。そして、計画外の稼働状況が発生した場合、その発生要因を表す計画外要因指標と関連付けて、エリアチャートを表示することもできる。これにより、鉱山管理システム１は、生産性を改善させることができる。
　図１３の例では、経路上でのダンプトラック１０１の停車時間が計画外になることが、ほぼ毎日発生している。図１３と図１１とを比較すると、図１１に示す箱ひげ図の中央値及び四分位範囲が大きかった日付け（例えばＦｅｂ．２１）において出現数が多い発生要因は、積み込み待ち時間及び積載量であることが分かる。
　上記のように、記録装置２０１には、計画外の稼働状況が発生した場所の情報（経路ＩＤ）や時間の情報（サイクル開始時刻及び終了時刻）が記録されている。したがって、ユーザは、計画外の稼働状況が発生した時間におけるダンプトラック１０１の稼働データを参照することによって、計画外の稼働状況の発生要因を更に詳細に分析することができる。
　図１４～図１９は、計画外の稼働状況が発生したダンプトラック１０１の稼働データのチャートを示す。図１４～図１９において、符号１４０１～１４０３は、それぞれ、車両ＩＤ、サイクルＩＤ及び経路ＩＤを示している。符号１４０４は、計画外の稼働状況の発生要因を表す計画外要因指標を示している。符号１４０５は、ダンプトラック１０１の車速の推移を示すチャートを示している。符号１４０６は、ダンプトラック１０１のエンジン回転数の推移を示すチャートを示している。符号１４０７は、ダンプトラック１０１の積載量の推移を示すチャートを示している。
　図１４は、停車時間が計画外になった稼働データのチャートである。
　図１４の例では、一点鎖線で示すように、ダンプトラック１０１が排土後に少し経路上を走行してから（時刻１９：０７頃）、約１０分間停車していることが分かる。図１４を表示した端末装置３００のユーザは、この時間の運行指令や、経路上のブルドーザ１０３の位置や、ダンプトラック１０１のアラートの有無等を、記録装置２０１の蓄積データから分析すればよい。
　図１５は、積み込み待ち時間が計画外になった稼働データのチャートである。
　図１５の例では、一点鎖線で示すように、時刻１５：５６から時刻１６：０５にかけて、積み込み待ちが発生していることが分かる。図１５を表示した端末装置３００のユーザは、この場所及び時間において積み込み中であったダンプトラック１０１の稼働データや油圧ショベル１０２の稼働データを分析すればよい。この場合、積み込み中であったダンプトラック１０１のスポッティング時間が長い場合には、当該ダンプトラック１０１のオペレータを指導すればよい。積み込み中であった油圧ショベル１０２の積み込み時間が長い場合には、油圧ショベル１０２のオペレータを指導すればよい。積み込み待ちが同じ場所で頻繁に発生している場合には、排土エリアで稼働中のダンプトラック１０１に運転間隔の調整に関する通知をしたり、運行計画を見直して最適配車をするためにエリアのルートを通知したりしてもよい。これにより、鉱山管理システム１は、生産性を改善させることができる。
　図１６は、排土待ち時間が計画外になった稼働データのチャートである。
　図１６の例では、一点鎖線で示すように、時刻００：２１から時刻００：２４にかけて、排土待ちが発生していることが分かる。図１６を表示した端末装置３００のユーザは、排土エリアにおける別のダンプトラック１０１の有無や、排土エリアのレイアウトを分析すればよい。必要に応じて排土エリアのレイアウトを変更したり、運行計画を見直したりすればよい。これにより、鉱山管理システム１は、生産性を改善させることができる。
　図１７は、積み込み時間が計画外になった稼働データのチャートである。
　図１７の例では、一点鎖線で示すように、時刻９：４０頃からの積み込みに時間が掛かっていることが分かる。図１７を表示した端末装置３００のユーザは、この時間における油圧ショベル１０２の稼働データを分析すればよい。油圧ショベル１０２のアラートがある場合には、油圧ショベル１０２を修理すればよい。油圧ショベル１０２の移動や積み込みに時間が掛かっている場合には、油圧ショベル１０２のオペレータを指導すればよい。なお「停車時間」、「積み込み待ち時間」、「排土待ち時間」、「積み込み時間」の分析結果の表示はチャート形式に限られない。例えば、稼働環境を示す地図上に位置履歴で表示してもよい。この場合、任意の時刻における走行履歴がわかることから、計画外要因指標が発生した場合にどの地点（位置）における稼働データかを直感的に把握することができるので、更に分析ができる。これにより、鉱山管理システム１は、生産性を改善させることができる。
　図１８は、スポッティング時間が計画外になった稼働データのチャートである。
　図１８の例では、一点鎖線で示すように、時刻２１：５１から時刻２１：５３にかけて、積み込み前に低速での走行を繰り返していることが分かる。図１８を表示した端末装置３００のユーザは、この状況をダンプトラック１０１のオペレータからヒアリングして原因を特定すればよい。これにより、鉱山管理システム１は、生産性を改善させることができる。
　図１９は、積載量が計画外になった稼働データのチャートである。
　図１９の例では、一点鎖線で示すように、時刻２０：００頃からの積み込みによる積載量が少ないことが分かる。図１９を表示した端末装置３００のユーザは、この積み込みを行った油圧ショベル１０２の稼働データを分析したり、油圧ショベル１０２のオペレータからヒアリングしたりして、原因を特定すればよい。これにより、鉱山管理システム１は、生産性を改善させることができる。
　図２０は、排土待ち時間が計画外になった稼働データの他の表示例を示す図である。
　排土待ち時間が計画外になった排土エリアの場所及び時間は、排土待ち時間が計画外になったダンプトラック１０１の稼働データから特定することができる。この排土エリアにおける排土位置Ａとダンプトラック１０１の停車位置Ｂとは、ダンプトラック１０１のＧＰＳセンサの位置データから算出することができる。端末装置３００は、排土待ち時間が計画外になった排土エリア付近の地図又は衛星写真上に、排土位置Ａと停車位置Ｂとを表示することができる。図２０を表示した端末装置３００のユーザは、排土位置Ａと停車位置Ｂとの位置関係や、排土エリア内の状況を分析すればよい。必要に応じて排土エリアのレイアウトを変更したり、運行計画を見直したりすればよい。これにより、鉱山管理システム１は、生産性を改善させることができる。
　図２１は、計画外の稼働状況の発生頻度をダンプトラック１０１毎に集計した結果を示す図である。図２２は、図２１に示す計画外の稼働状況の発生頻度を日付け毎に集計した結果を示す図である。図２３は、図２１に示す計画外の稼働状況の発生頻度を経路毎に集計した結果を示す図である。
　図２１の例では、ダンプトラック１０１によって、計画外の稼働状況の発生頻度に差があることが分かる。図２２の例では、日付けによって、計画外の稼働状況の発生頻度に差があることが分かる。図２３の例では、計画外の稼働状況が必ず発生している経路（発生頻度が１．０の経路）が存在することが分かる。これらのことから、特定の経路に問題があることが分かる。図２１～図２３を表示した端末装置３００のユーザは、特定の経路において計画外の稼働状況の発生頻度が高い日付けの稼働データを分析し、原因を特定すればよい。これにより、鉱山管理システム１は、生産性を改善させることができる。
　以上のように、実施形態１の鉱山管理システム１は、鉱山１００生産性を管理するシステムであって、鉱山機械１０１～１０３から収集された鉱山機械１０１～１０３の稼働データを蓄積し、処理するサーバ装置２００と、稼働データに基づいて、生産性が計画外になる鉱山機械１０１～１０３の稼働状況が発生したか否かを判定する判定処理を行う判定装置２５０と、を備える。サーバ装置２００は、蓄積された稼働データから、鉱山機械１０１～１０３の作業サイクル毎の稼働データであるサイクルデータを抽出する抽出部２１１と、サイクルデータにおいて、生産性が計画外になる稼働状況の発生要因を表す複数の計画外要因指標を算出する指標算出部２１２と、算出された複数の計画外要因指標を用いて、生産性が計画内になるサイクルデータを特定する複数の計画外要因指標の関係を判定装置２５０に学習させる機械学習を行う学習部２１４と、を有する。判定装置２５０は、予め学習された複数の計画外要因指標の関係に基づき、蓄積された稼働データから抽出されたサイクルデータが、生産性が計画内になるサイクルデータに対してどの程度逸脱するかを評価することによって、判定処理を行う。
　これにより、実施形態１の鉱山管理システム１は、計画外要因指標を単体で扱うのではなく、複数の計画外要因指標の関係を機械学習することによって、複数の要因が関係して生産性が計画外になったことを正確に検知することができる。しかも、実施形態１の鉱山管理システム１は、複数の計画外要因指標の関係を機械学習することによって、複数経路や未知の経路を有する様々な鉱山において、生産性が計画外になったことを正確に検知することができる。よって、実施形態１の鉱山管理システム１は、生産性を計画内に改善させる対策を適切に講じることができるので、鉱山１００の生産性を改善させることができる。
　更に、実施形態１の鉱山管理システム１において、鉱山機械１０１～１０３は、ダンプトラック１０１である。複数の計画外要因指標は、ダンプトラック１０１の積載量、鉱山１００の排土エリアでのダンプトラック１０１の待ち時間である排土待ち時間、鉱山１００の積み込みエリアでのダンプトラック１０１の待ち時間である積み込み待ち時間、積み込みエリアと排土エリアとを繋ぐ経路上でのダンプトラック１０１の停車時間、ダンプトラック１０１への積荷の積み込み時間、積み込みエリアにおいてダンプトラック１０１が積み込み可能な状態に移行するのに要する時間であるスポッティング時間、及び、ダンプトラック１０１の平均車速のうちの少なくとも２つを含む。
　すなわち、実施形態１の鉱山管理システム１では、ダンプトラック１０１の作業エリアや作業工程中における特徴的な動作又は状態であって、鉱山１００の生産性に影響を与え易い動作又は状態を表す指標を、ダンプトラック１０１の計画外要因指標として算出する。これにより、実施形態１の鉱山管理システム１は、生産性が計画外になるようなダンプトラック１０１の稼働状況が、どの作業エリアやどの作業工程中の動作又は状態に起因して発生しているのかを正確に検知することができる。よって、実施形態１の鉱山管理システム１は、生産性を計画内に改善させる対策を更に適切に講じることができるので、鉱山１００の生産性を更に改善させることができる。
　更に、実施形態１の鉱山管理システム１において、学習部２１４は、生産性が計画内になる複数のサイクルデータをクラスタリングすることによって機械学習を行う。判定装置２５０は、蓄積された稼働データから抽出されたサイクルデータとクラスタ中心との距離に応じて表されるスコアを算出し、スコアが閾値より大きい場合、生産性が計画外になる稼働状況が発生したと判定する。
　これにより、実施形態１の鉱山管理システム１は、生産性が計画内になるサイクルデータを特定する複数の計画外要因指標の関係が学習された分類モデルを容易に構築することができる。しかも、実施形態１の鉱山管理システム１は、スコアという統一的な評価値を用いてサイクルデータを定量的に評価することによって、生産性が計画外になる稼働状況が発生したか否かを判定する。したがって、実施形態１の鉱山管理システム１は、複数経路や未知の経路を有する様々な鉱山において、生産性が計画外になったことを更に正確且つ容易に検知することができる。よって、実施形態１の鉱山管理システム１は、生産性を計画内に改善させる対策を更に適切に講じることができるので、鉱山１００の生産性を更に改善させることができる。
　更に、実施形態１の鉱山管理システム１において、判定装置２５０は、生産性が計画外になる稼働状況が発生したと判定した場合、スコアに対する複数の計画外要因指標のそれぞれの寄与度を算出し、寄与度が最も大きい計画外要因指標を、発生要因として特定する。
　これにより、実施形態１の鉱山管理システム１は、生産性が計画外になる稼働状況の主な発生要因を、スコアという統一的な評価値を用いて一意的に特定することができる。したがって、実施形態１の鉱山管理システム１は、複数経路や未知の経路を有する様々な鉱山において、生産性が計画外になった主要因を正確に検知することができる。よって、実施形態１の鉱山管理システム１は、生産性を計画内に改善させる対策を更に適切に講じることができるので、鉱山１００の生産性を更に改善させることができる。
　更に、実施形態１の鉱山管理システム１は、ディスプレイ３０１を備える端末装置３００を更に備える。サーバ装置２００は、生産性が計画外になる稼働状況の発生頻度、発生要因の出現頻度、又は、スコアを、期間毎又は鉱山機械１０１～１０３毎に集計し、集計結果を端末装置３００に送信する。端末装置３００は、集計結果をディスプレイ３０１に表示する。その際、オペレータごとの操作履歴に基づいて、複数の計画外要因指標のうち発生頻度（回数）が多い計画外要因指標を通知して操作の傾向を特定できるようにしたり、オペレータ間の計画外要因指標の平均回数を算出して、累積の平均回数を超過した計画外要因指標を通知したりすることで、改善指示に関連付けることとしてもよい。また、オペレータの操作履歴がある場合、改善すべき点若しくは改善された点、又は、これらの組み合わせを表示することとしてもよい。
　これにより、実施形態１の鉱山管理システム１は、生産性が計画外になる稼働状況の発生頻度、発生要因の出現頻度、又は、スコアが、期間毎又は鉱山機械１０１～１０３毎でどのように変化しているのかを、直感的に把握しやすい形態でユーザに報知することができる。したがって、実施形態１の鉱山管理システム１によれば、ユーザは、生産性が計画外になる稼働状況の発生要因を分析し易くなる。更に、表示の対象となる鉱山機械１０１～１０３は１台に限られず、複数台であってもよく、任意の１台に固有の傾向だけでなく全体的な傾向を特定することとしてもよい。よって、実施形態１の鉱山管理システム１は、生産性を計画内に改善させる対策を更に適切に講じることができるので、鉱山１００の生産性を更に改善させることができる。
　更に、実施形態１の鉱山管理システム１において、サーバ装置２００は、生産性が計画外になる稼働状況が発生した鉱山機械１０１～１０３の稼働データを取得し、取得された稼働データ又はその推移を端末装置３００に送信する。端末装置３００は、稼働データの推移をディスプレイ３０１に表示する。
　これにより、実施形態１の鉱山管理システム１によれば、ユーザは、生産性が計画外になる稼働状況が発生した要因を、鉱山機械１０１～１０３の稼働データに基づいて詳細に分析することができる。よって、実施形態１の鉱山管理システム１は、生産性を計画内に改善させる対策を更に適切に講じることができるので、鉱山１００の生産性を更に改善させることができる。
　更に、実施形態１の鉱山管理システム１において、複数の計画外要因指標には、計画外要因指標の変動に影響を与える主体の情報が予め紐付けられている。端末装置３００は、判定装置２５０により特定された発生要因を表す計画外要因指標に紐付けられた情報が示す主体の関係者に対するメッセージを、ディスプレイ３０１に表示する。メッセージは模範となる操作のシミュレーションの表示や、或いは今回の発生状況とのグラフ・チャート・スコアとの対比形式で表示されてもよい。
　これにより、実施形態１の鉱山管理システム１は、判定装置２５０により特定された発生要因を表す計画外要因指標に紐付けられた主体の関係者を、生産性を計画内に改善させる対策の担当者に割り当てることができる。実施形態１の鉱山管理システム１は、対策担当者に対する改善指示等のメッセージを、対策担当者の端末装置３００のディスプレイ３０１に表示して、対策担当者に通知することができる。もちろん、改善指示等のメッセージはオペレータへの直接の通知であってもよい。この場合、メッセージはテキスト形式に限られず、音声、或いは異なる色のフラグなどの視認可能な識別表示を含む。また、通知の間隔は、累積の発生頻度や緊急・重要の度合いに応じて、例えば半日おきや一日おき等の一定の間隔で任意に設定し得る。例えば上記の時系列に基づいて１時間おき、３時間おきなどに設定した場合、集計の時間を午前中に設定して発生頻度の高い計画外要因指標を特定しておけば、午後に改善に繋げるという効果を期待できる。よって、実施形態１の鉱山管理システム１は、生産性を計画内に改善させる対策を対策担当者が早期に講じることができるので、鉱山１００の生産性を早期に改善させることができる。
［実施形態２］
　図２４を用いて、実施形態２の鉱山管理システム１について説明する。実施形態２の鉱山管理システム１において、実施形態１と同様の構成及び動作については、その説明を省略する。
　実施形態２では、鉱山機械１０１～１０３の１つである油圧ショベル１０２の稼働データから、鉱山１００の生産性が計画外になったことを検知する鉱山管理システム１を例に挙げて説明する。
　図２４は、実施形態２の鉱山管理システム１において適用される油圧ショベル１０２の作業サイクル及び計画外要因指標を説明する図である。
　油圧ショベル１０２は、１回の作業サイクルにおいて、掘削した土砂等を積荷としてダンプトラック１０１に積み込み、積み込んだ後に掘削準備を行った後に、土砂等を掘削し、掘削した土砂等を掘削面からダンプトラック１０１のベッセル上に運搬する一連の動作を行う。作業サイクルは、ダンプトラック１０１への積み込みを起点として定義する必要はなく、掘削動作等の他の動作を起点として定義してもよい。
　油圧ショベル１０２の１回の作業サイクルの中で、鉱山１００の生産性に影響を与える事項としては、油圧ショベル１０２の掘削量（payload）、積み込み後の前記油圧ショベルが次の掘削を行うための準備に要する時間である掘削準備時間（reaching time）、油圧ショベル１０２の掘削時間（digging time）、油圧ショベル１０２が掘削した積荷を被積込機械であるダンプトラック１０１まで運搬するのに要する時間である運搬時間（carrying time）、油圧ショベル１０２が運搬した積荷を被積込機械であるダンプトラック１０１に積み込むのに要する時間である積み込み時間（loading time）、油圧ショベル１０２の待ち時間（waiting time）、及び、油圧ショベル１０２の移動時間（traveling time）が挙げられる。実施形態２では、図２４の表に示すように、これらの事項を、油圧ショベル１０２の計画外要因指標として定義する。
　なお、油圧ショベル１０２の掘削量は、油圧ショベル１０２のブーム、アーム及びバケットの各角度及び各シリンダ圧から算出され得る。或いは、油圧ショベル１０２の掘削量は、ダンプトラック１０１のサスペンション圧から算出される積載量をダンプトラック１０１から受信することもできる。掘削準備時間、掘削時間、積み込み時間、運搬時間、待ち時間及び移動時間は、油圧ショベル１０２のブーム、アーム及びバケットの各角度及び各シリンダ圧、上部旋回体の旋回角度、下部走行体の走行速度等から算出され得る。
　油圧ショベル１０２の計画外要因指標には、実施形態１と同様に、各指標を識別するＩＤと、各指標の変動に影響を与える主体の情報とが予め紐付けられている。判定装置２５０は、実施形態１と同様に、計画外要因指標を用いて油圧ショベル１０２の稼働データを評価し、生産性が計画外になるような油圧ショベル１０２の稼働状況の発生要因を特定する。処理装置２０２は、実施形態１と同様に、計画外の稼働状況の発生要因を表す計画外要因指標に紐付けられた主体の各関係者の端末装置３００に対して、当該発生要因に対応した改善指示等のメッセージを送信することができる。端末装置３００は、実施形態１と同様に、メッセージをディスプレイ３０１に表示し、各関係者に通知することができる。なお、鉱山管理システム１は、油圧ショベル１０２の計画外指標として、図２４の表に示す指標の少なくとも２つを採用すればよい。
　実施形態２の鉱山管理システム１は、油圧ショベル１０２の作業工程中における特徴的な動作又は状態であって、鉱山１００の生産性に影響を与え易い動作又は状態を表す指標を、油圧ショベル１０２の計画外要因指標として算出する。これにより、実施形態２の鉱山管理システム１は、生産性が計画外になるような油圧ショベル１０２の稼働状況が、どの作業工程中の動作又は状態に起因して発生しているのかを正確に検知することができる。よって、実施形態２の鉱山管理システム１は、生産性が計画外になるような油圧ショベル１０２の稼働状況が発生しても、生産性を計画内に改善させる対策を適切に講じることができるので、鉱山１００の生産性を改善させることができる。
［その他］
　なお、本発明は上記の実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記の実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、或る実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、或る実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
　また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路にて設計する等によりハードウェアによって実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアによって実現してもよい。各機能を実現するプログラム、テープ、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（solid state drive）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
　また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。
　１…鉱山管理システム、１００…鉱山、１０１…ダンプトラック、１０２…油圧ショベル、１０１～１０３…鉱山機械、２００…サーバ装置、２１１…抽出部、２１２…指標算出部、２１４…学習部、２５０…判定装置、３００…端末装置、３０１…ディスプレイ

Claims (8)

  1. 　鉱山の生産性を管理する鉱山管理システムであって、
    　鉱山機械から収集された前記鉱山機械の稼働データを蓄積し、処理するサーバ装置と、　前記稼働データに基づいて、前記生産性が計画外になる前記鉱山機械の稼働状況が発生したか否かを判定する判定処理を行う判定装置と、を備え、
    　前記サーバ装置は、
    　　蓄積された前記稼働データから、前記鉱山機械の作業サイクル毎の前記稼働データであるサイクルデータを抽出する抽出部と、
    　　前記サイクルデータにおいて、前記生産性が計画外になる前記稼働状況の発生要因を表す複数の指標を算出する算出部と、
    　　算出された前記複数の指標を用いて、前記生産性が計画内になる前記サイクルデータを特定する前記複数の指標の関係を前記判定装置に学習させる機械学習を行う学習部と、を有し、
    　前記判定装置は、前記学習部によって学習された前記複数の指標の関係に基づいて前記判定処理を行う
    　ことを特徴とする鉱山管理システム。
  2. 　前記鉱山機械は、ダンプトラックであり、
    　前記複数の指標は、前記ダンプトラックの積載量、前記鉱山の排土エリアでの前記ダンプトラックの待ち時間である排土待ち時間、前記鉱山の積み込みエリアでの前記ダンプトラックの待ち時間である積み込み待ち時間、前記積み込みエリアと前記排土エリアとを繋ぐ経路上での前記ダンプトラックの停車時間、前記ダンプトラックへの積荷の積み込み時間、前記積み込みエリアにおいて前記ダンプトラックが積み込み可能な状態に移行するのに要する時間であるスポッティング時間、及び、前記ダンプトラックの平均車速のうちの少なくとも２つを含む
    　ことを特徴とする請求項１に記載の鉱山管理システム。
  3. 　前記鉱山機械は、油圧ショベルであり、
    　前記複数の指標は、前記油圧ショベルの掘削量、積み込み後の前記油圧ショベルが次の掘削を行うための準備に要する時間である掘削準備時間、前記油圧ショベルの掘削時間、前記油圧ショベルが掘削した積荷を被積込機械まで運搬するのに要する時間である運搬時間、前記油圧ショベルが運搬した積荷を被積込機械に積み込むのに要する時間である積み込み時間、前記油圧ショベルの待ち時間、及び、前記油圧ショベルの移動時間のうちの少なくとも２つを含む
    　ことを特徴とする請求項１に記載の鉱山管理システム。
  4. 　前記学習部は、前記生産性が計画内になる複数の前記サイクルデータをクラスタリングすることによって前記機械学習を行い、
    　前記判定装置は、蓄積された前記稼働データから抽出された前記サイクルデータとクラスタ中心との距離に応じて表されるスコアを算出し、前記スコアが閾値より大きい場合、前記生産性が計画外になる前記稼働状況が発生したと判定する
    　ことを特徴とする請求項１に記載の鉱山管理システム。
  5. 　前記判定装置は、前記生産性が計画外になる前記稼働状況が発生したと判定した場合、前記スコアに対する前記複数の指標のそれぞれの寄与度を算出し、前記寄与度が最も大きい前記指標を、前記発生要因として特定する
    　ことを特徴とする請求項４に記載の鉱山管理システム。
  6. 　ディスプレイを備える端末装置を更に備え、
    　前記サーバ装置は、前記生産性が計画外になる前記稼働状況の発生頻度、前記発生要因の出現頻度、又は、前記スコアを、期間毎又は前記鉱山機械毎に集計し、集計結果を前記端末装置に送信し、
    　前記端末装置は、前記集計結果を前記ディスプレイに表示する
    　ことを特徴とする請求項５に記載の鉱山管理システム。
  7. 　ディスプレイを備える端末装置を更に備え、
    　前記サーバ装置は、前記生産性が計画外になる前記稼働状況が発生した前記鉱山機械の前記稼働データを取得し、取得された前記稼働データ又はその推移を前記端末装置に送信し、
    　前記端末装置は、前記稼働データの推移を前記ディスプレイに表示する
    　ことを特徴とする請求項５に記載の鉱山管理システム。
  8. 　ディスプレイを備える端末装置を更に備え、
    　前記複数の指標には、前記指標の変動に影響を与える主体の情報が予め紐付けられており、
    　前記端末装置は、前記判定装置により特定された前記発生要因を表す前記指標に紐付けられた前記情報が示す前記主体の関係者に対するメッセージを、前記ディスプレイに表示する
    　ことを特徴とする請求項５に記載の鉱山管理システム。
PCT/JP2022/040298 2021-10-29 2022-10-28 鉱山管理システム WO2023074834A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202280057305.9A CN117836801A (zh) 2021-10-29 2022-10-28 矿山管理系统
EP22887159.6A EP4375914A1 (en) 2021-10-29 2022-10-28 Mine management system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021178037A JP7241846B1 (ja) 2021-10-29 2021-10-29 鉱山管理システム
JP2021-178037 2021-10-29

Publications (1)

Publication Number Publication Date
WO2023074834A1 true WO2023074834A1 (ja) 2023-05-04

Family

ID=85600345

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/040298 WO2023074834A1 (ja) 2021-10-29 2022-10-28 鉱山管理システム

Country Status (4)

Country Link
EP (1) EP4375914A1 (ja)
JP (1) JP7241846B1 (ja)
CN (1) CN117836801A (ja)
WO (1) WO2023074834A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013041448A (ja) * 2011-08-17 2013-02-28 Hitachi Ltd 異常検知・診断方法、および異常検知・診断システム
JP2013105278A (ja) * 2011-11-11 2013-05-30 Komatsu Ltd 鉱山機械の管理システム及び鉱山機械の管理方法
WO2015029229A1 (ja) 2013-08-30 2015-03-05 株式会社小松製作所 鉱山機械の管理システム及び管理方法
JP5809710B2 (ja) 2013-08-20 2015-11-11 株式会社小松製作所 管理システム及び管理方法
JP2017045215A (ja) * 2015-08-26 2017-03-02 日立建機株式会社 診断装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013041448A (ja) * 2011-08-17 2013-02-28 Hitachi Ltd 異常検知・診断方法、および異常検知・診断システム
JP2013105278A (ja) * 2011-11-11 2013-05-30 Komatsu Ltd 鉱山機械の管理システム及び鉱山機械の管理方法
JP5809710B2 (ja) 2013-08-20 2015-11-11 株式会社小松製作所 管理システム及び管理方法
WO2015029229A1 (ja) 2013-08-30 2015-03-05 株式会社小松製作所 鉱山機械の管理システム及び管理方法
JP2017045215A (ja) * 2015-08-26 2017-03-02 日立建機株式会社 診断装置

Also Published As

Publication number Publication date
JP7241846B1 (ja) 2023-03-17
JP2023067073A (ja) 2023-05-16
CN117836801A (zh) 2024-04-05
EP4375914A1 (en) 2024-05-29

Similar Documents

Publication Publication Date Title
CN104764595B (zh) 远程诊断系统
CN103080956A (zh) 传感器系统、计算机、以及设备
US9836893B2 (en) Computing and tracking locomotive health
JP6906209B2 (ja) 建設機械稼働状況管理システム及び管理方法
CN111324092B (zh) 使用遥测数据管理现场生产率
US20140350993A1 (en) Information management device and method
JP2015009938A (ja) エレベーター管理装置、エレベーター管理システム及びエレベーター管理方法
WO2018130993A2 (en) Integrated project and equipment management system and method using iot devices and software applications
Hodkiewicz et al. Why autonomous assets are good for reliability–the impact of ‘operator-related component’failures on heavy mobile equipment reliability
JP6836954B2 (ja) 車両保守計画装置、及び車両保守計画評価方法
WO2023074834A1 (ja) 鉱山管理システム
TW202233464A (zh) 駕駛評價裝置、駕駛評價程式及報告資料
Felsch et al. An innovative cyber-physical system aimed at increasing productivity in the mining industry
Hodkiewicz et al. Data fitness for purpose: assessing the quality of industrial data for use in mathematical models
Abdi-Oskouei et al. Role of the operator in dragline energy efficiency
Hsu Data quality of fleet management systems in open pit mining: issues and impacts on key performance indicators for haul truck fleets
JPWO2015114792A1 (ja) 保守運用支援システム、保守運用支援方法、保守運用支援プログラム
Szymanski et al. An integrated monitoring system and simulation analysis model for trucks operation using SLAM II
US20170108875A1 (en) Vehicle Control System
US11995577B2 (en) System and method for estimating a machine's potential usage, profitability, and cost of ownership based on machine's value and mechanical state
WO2024203565A1 (ja) 鉱山管理システム
US11288614B2 (en) Role-based asset tagging for quantification and reporting of asset performance
Shahandashti et al. Identification of information requirements using simulation for supporting construction productivity assessment
CN117333271A (zh) 一种内置设备利用率分析的吊车租赁平台系统
Antal et al. Implementation of business intelligence system to analyze the data for mining mechanization-case study.

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22887159

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280057305.9

Country of ref document: CN

Ref document number: 2022887159

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2022887159

Country of ref document: EP

Effective date: 20240222

NENP Non-entry into the national phase

Ref country code: DE