⭐ Главная работа недели: ИИ учится смешивать руду с учётом реальной фабрики

Представьте диспетчера, которому одновременно нужно:

— выдержать качество руды;
— заработать больше денег;
— не перегрузить дробилку;
— учесть стоимость перевозки;
— не переполнить склады;
— помнить, что данные датчиков могут ошибаться.

Именно такую задачу авторы нового исследования дали reinforcement learning.

Вместо одного «универсального» AI-агента они создали целую команду специалистов. Один лучше максимизирует NPV, другой удерживает стабильный grade, третий снижает затраты. В зависимости от текущего приоритета производства система может переключаться между ними.

Результаты на симуляции выглядят интересно:

— peak NPV — 46,5 против 38,1 у статического алгоритма;
— решение принимается за 3,16 мс вместо 2412 мс — примерно в 760 раз быстрее;
— загрузка дробилки удерживается на уровне 89,9–92,5% без превышения лимита;
— при удвоении шума датчиков NPV снизился примерно на 9%, тогда как обычный PPO потерял около 17%.

Особенно важен сам принцип. Mine-to-Mill нельзя оптимизировать только по тоннажу или среднему содержанию:

metal value + grade stability + throughput + haul cost + stockpile + plant limits + uncertainty

Примерно так и должен выглядеть будущий supervisory layer над FMS: не просто показывать диспетчеру данные, а выбирать лучший компромисс для текущей производственной ситуации.

Но карьерные самосвалы пока можно не отдавать нейросети с ключами. Исследование проведено на benchmark-симуляции: без полноценной маршрутизации техники, пропущенных измерений, дрейфа датчиков и настоящих производственных сбоев.

То есть это ещё не готовая промышленная система. Но уже очень хорошая архитектура того, как она может быть устроена.

Открытая научная работа на Springer⁠