《一、有色金属工业现状与面临的挑战》

一、有色金属工业现状与面临的挑战

在党的“十九大”报告中，习近平总书记号召 加快建设制造强国，加快发展先进制造业，特别强 调加快发展实体经济，筑牢现代化经济体系的坚实 基础。实体经济是一国经济的立身之本，是财富创 造的根本源泉，是国家强盛的重要支柱。李克强总 理在 2018 年政府工作报告中明确指出实施《中国 制造 2025》，推进工业强基、智能制造、绿色制造 等重大工程。《中国制造 2025》从国家层面确定了 我国建设制造强国的总体战略，推进智能制造是主 攻方向 [1]。有色金属工业是我国实体经济的基石， 是实现制造强国的重要支撑，也是我国结构性改革 和绿色发展的主战场之一，其智能制造的发展尤为 重要。

改革开放以来，经过技术引进、消化吸收和自 主创新，我国有色金属工业在装备提升、工艺技术 改进、产能结构调整、境外资源开发利用等方面取 得了明显成效。目前，我国已成为世界上品种最齐 全、规模最庞大的有色金属制造大国和消费大国， 形成了较为完整的现代有色金属工业体系。然而， 我国整体上还不是有色金属工业制造强国，仍面临 着绿色化与高效化发展的挑战与问题，主要表现为： ①优质资源枯竭，难冶资源比例大，生产装备和工 艺水平有待进一步改善；②废水、废气和废固排放 体量大，能耗总量大，能效与环保有待进一步提高； ③生产过程自动化程度不高，对操作人员依赖性大， 生产控制优化有待进一步智能自动化；④企业生 产、经营和管理缺乏快速和主动响应市场变化的敏 捷决策机制，智能决策水平有待进一步提升。由此 可知，资源、能源、效益和环境是制约我国有色金 属工业发展的主要瓶颈问题。我国有色金属工业绿 色化和高效化转型升级已迫在眉睫。为此，智能制 造是有色金属工业绿色化、高效化转型升级的必经 之路。其中，以高效综合利用复杂矿产资源的绿色 选冶技术、实现生产过程的智能自主控制、提升企 业经营决策的智能化水平，是我国有色金属工业高 效化和绿色化转型升级的关键问题。

新一轮科技革命和产业变革与我国加快转变经 济发展方式形成历史性交汇，为有色金属工业实施 创新驱动发展战略提供了重大机遇。新一代人工智 能、大数据等现代信息技术和有色金属工业的紧密结合，为我国有色金属工业的转型升级提供了重要 技术保障。以人工智能驱动有色金属工业绿色化和 高效化转型，实现智能化发展，对我国有色金属工 业智能制造具有重大意义。

《二、人工智能助力有色金属工业转型升级 案例 》

二、人工智能助力有色金属工业转型升级 案例

智能制造是由智能机器和人类专家共同组成 的人机一体化智能系统，在制造过程中进行诸如分 析、推理、判断、构思和决策等智能活动，扩大、 延伸和部分地取代人类专家在制造过程中的脑力劳 动，已成为公认的提升制造业整体竞争力的核心高 技术。有色冶金生产过程生产原料多变、工况复杂、 生产工艺复杂且生产流程长，从绿色、高效和智能 化生产的转型升级要求出发，需要通过灵敏感知、 精细操作、智能分析和敏捷决策来应对处理这些复 杂变化和严苛要求。因此，人工智能技术在有色金 属工业绿色化、高效化和智能化的进程中发挥着重 要作用，并取得了实际的应用和经济效果。在此， 以基于分布机器视觉的浮选过程智能化和冶炼企业 原料采购决策知识自动化为例，分别从控制级和决 策级阐述人工智能技术助力有色金属工业优化升级 的重要作用和意义。

《（一）基于分布机器视觉的泡沫浮选过程智能化 》

（一）基于分布机器视觉的泡沫浮选过程智能化

升级 选矿是矿产资源加工的一个重要环节，选矿水 平高低直接影响矿物资源回收率和环保效益。泡沫 浮选是一种主要的选矿方法，广泛应用于钢铁、有 色金属、煤炭等工业部门。泡沫浮选是以一定的工 艺路线，在矿浆中加入浮选药剂，产生携带矿粒 的稳定气泡，通过收集含矿物质点的泡沫，从而 提高被加工矿物品位的过程。由于泡沫浮选工艺 流程长、矿源组分频繁波动、工况多变、关键质 量指标无法在线检测等原因，其生产过程主要是 依赖操作人员根据自身经验对多工序多槽泡沫的 视觉特征（大小分布、颜色、虚实等）进行综合 关联分析，判断浮选和工况状态，完成多槽药剂 添加量、液位、流量、鼓风量等的协调操作，如 图 1 所示。然而，由于人的主观性强、分析判断 误差大、工作效率低等原因，很难及时应对原料的变化，造成工况不稳定、生产指标频繁波动和 精矿产品质量不稳定，从而导致药剂消耗大、资 源回收率低、环境污染严重等问题。

机器视觉作为人工智能的一个重要分支，已被 广泛用于国民经济的各个行业。工业机器视觉系统 通过图像视频摄取装置，将目标转换成图像视频信 号，经过图像视频处理系统，抽取目标的特征，通 过特征识别来指导和控制生产过程。因此，机器视 觉具有能够用机器代替人进行感知和认知的潜能， 其具有处理速度快和精度高的特点，可以极大地提 高生产的灵活性和自动化程度。并且，在高危和大 批量重复性生产过程中，机器视觉具有比人工视觉 更强的感知能力和更精确的识别能力。为了解决人 工操作在浮选过程中的缺陷，通过引入机器视觉技 术，利用分布机器视觉提取泡沫图像敏感特征，达 到生产过程金属品位实时预测，浮选工况识别，浮 选流程药剂添加量协调优化控制，从而能够有效应 对矿源条件的频繁变化，提高资源回收率，降低药 剂消耗和污染物排放，为实现浮选过程的智能化提 供关键技术之一 [2]。图 2 给出了基于分布机器视 觉的泡沫浮选生产过程工况智能识别与协调优化控 制流程图。

《图 2 》

图 2 基于机器视觉的浮选过程工况智能识别与协调优化控制

 

1. 浮选泡沫图像敏感特征提取与关键指标预测

基于泡沫对药剂变化的敏感性分析，可确定浮 选过程中泡沫尺寸、纹理、流动速度、颜色、稳 定度和承载率等敏感特征集，通过一定的特征描 述方法，并融合泡沫图像特征、机理模型和运行 数据实现金属品位预测（见图 3），从而能够为浮 选过程的工况识别、分析与协调控制提供一定依 据 [3~5]。

《图 3》

图 3 浮选过程金属品位智能预测建模

 

2. 基于泡沫图像特征的浮选过程工况识别

浮选过程工况和泡沫图像具有较强的相关性， 不同的工况产生不同的泡沫图像特征，不同的泡沫 图像能够反映不同的生产工况。针对机器视觉特征 与工况之间的关系，可建立基于机器视觉特征的多 工况智能识别方法，如基于泡沫视觉特征与工艺参 数融合的浮选入矿类型识别、基于泡沫大小动态 分布特征的加药量健康状态自学习识别；基于多 尺度泡沫特征和嵌入先验知识聚类的病态工况识 别等 [6~8]。

3. 基于泡沫图像敏感特征的浮选全流程智能协 调优化控制

智能协调优化是基于不同工序泡沫图像特征的 分析和工况智能识别，确定每道工序最佳的泡沫图像特征，并通过加药量、风量等操作量的自动控制， 确保工况稳定运行在最佳状态，从而改变人工观察 泡沫、手动调节的工作方式 [9~11]。图 4 给出了基 于泡沫图像敏感特征的浮选全流程智能协调优化 控制方案。

上述研究工作已应用于多家矿物浮选企业，实 现了根据泡沫图像自动识别、分析和控制工况的智 能化操作，稳定了精矿品位，有效提升了选矿过程 有价金属回收率，取得了很好的社会和经济效益。

《图 4》

图 4 浮选全流程智能协调优化控制框架

 

《（二）冶炼企业原料采购决策知识自动化 》

（二）冶炼企业原料采购决策知识自动化

在现代有色金属工业企业中，许多体力劳动已 逐渐被机器所替代，企业的管理和控制主要依靠知 识型工作者来完成，其核心是知识型工作。随着企业规模的扩大和信息化技术的深化应用，知识型工 作者无法胜任新信息环境和海量数据下的工作，人 工操作、决策存在主观性和不一致性，无法实现工 业生产全流程的整体优化，知识的推广、积累和传 承十分困难。知识型工作是对知识的利用和创造， 其核心要求是完成复杂分析，精确判断和创新决策 的任务 [12]。知识自动化主要是指知识型工作的自 动化 [13]。著名的 McKinsey 全球研究院曾在其发 布的名为《展望 2025：决定未来经济的 12 大颠覆 技术》的报告中，将知识型工作自动化 (automation of knowledge work) 列为第二大颠覆性技术 [14]。因 此，知识自动化在有色金属工业中应用潜力大、前 景广阔。

本文以某铅锌冶炼企业原料采购决策为例，阐 述知识自动化的重要意义。我国有色金属冶炼企业 在原料采购时往往面临以下问题：原料资源来源广 （往往超过百家的供应商），成分复杂多变，品位、 价格不一；企业生产规模大，对原料需求量大，原 料采购占用企业大量资金；生产对原料有严格的质 量要求（如金属品位、杂质含量等）；由于生产的 连续性要求企业有合理的库存来应对各种不确定性 因素；市场变化快，企业产品市场与原料市场存在 脱节现象。

在以往的生产经营管理中，企业的原料采购主 要凭借采购人员自身经验进行决策，是一项典型的 知识型工作。人工决策时要考虑采购目标、外部状 况、供应状况、企业状况，以及资金、库存、供应 商关系等复杂问题，并时常会因决策考虑不周全而 给企业带来损失。为此，在该铅锌冶炼企业构建如 图 5 所示的原料采购决策知识自动化系统。

决策过程中将从 100 多家矿山的原料采购决 策问题分为两步决策：首先根据配矿数据知识、 配矿机理知识及原矿分类基准模型，将 100 多种 矿源按质量分为若干类，以每类采购资金最小为 目标，以满足生产要求为约束，建立原料分类采 购模型，依据分类采购决策模型以及市场知识、 企业生产知识等决策每一类原料各自采购量。在 实际的采购过程中，采购决策者还需要考虑同一 种类型的精矿，可能由于地区和分承包方的不同 而价格会有不同；各个分承包方履行合同的情况 可能不同，有些分承包方的到货量超过了合同量， 有些则不能完成合同量；有些分承包方属于经营 性公司，每年提供的精矿品位可能不同。为此， 第二步决策是对每一类的采购进行进一步优化， 即在分类决策结果的基础上根据基于知识分析的 供应商评估结果和矿源信息建立的供应商采购模型，优化得到各供应商的采购计划。两步决策知 识自动化系统采购方案借鉴了人工凭借知识进行采 购决策的思路，不仅能够简化优化决策的计算量， 而且一旦由于供应商原因导致某矿源供货不足时， 可以很容易从同大类矿源中找到替代供应商，从而 避免人工决策的弊端，每年为企业节约数百万至数 千万元的原料采购经费 [15,16]。

上述两个案例分别从控制层面和决策层面说 明，人工智能技术能够助力有色金属生产智能制造， 实现从传统生产方式向绿色化、高效化和智能化生 产方式的转变。借助人工智能技术，建立具有智能 感知、智能认知和智能控制的智能自主系统和具有 智能协同的优化决策系统，是实现有色金属全流程 绿色高效化生产的必由之路。

《图 5》

图 5 企业原料采购决策知识自动化系统

 

《三、有色金属工业转型升级对人工智能的 挑战 》

三、有色金属工业转型升级对人工智能的 挑战

有色金属工业高效化、绿色化转型升级的主要 途径是生产过程智能化，其关键是通过人工智能技 术实现生产过程的智能感知、认知和决策。

从人工智能技术发展史看，主要可以分为两大 流派，一类是以框架知识和语义网络为代表的基于 规则的方法，模仿人类认识处理对象的方法，自上 而下地建立规则体系解决智能问题；另一类是以机 器学习和神经网络为代表的基于数据统计的方法， 依托大规模数据集和强大计算能力进行学习，自下 而上地通过训练得到计算模型实现智能计算的目 的。从 IBM 深蓝到 AlphaGo 的成功说明了面向数 据的人工智能具有强大的生命力，其决策是按照确 定胜负规则，从精确信息中评估学习找出最优解， 其适用对象一般仍然是封闭集合、完备规则和有限 约束的问题，在互联网、安保、金融等领域已经取 得了重要的应用。由于有色金属工业的复杂性和 大规模性，其智能化转型升级对人工智能技术提 出了更高的挑战。

有色金属生产过程智能化面临的问题主要在 于：①需要面对开放受扰、不确定的动态生产环境， 多时空尺度和不完备数据集进行全局工况态势感知 和认知；②生产情境难以表征，生产控制和决策对 应的复杂信息难以计算，需要学习处理冲突不完备 小样本数据中包含的碎片化隐性知识；③过程机理复杂，无法精确建模，多工序关联耦合，协同操作 优化难度大；④影响决策的各种要素存在定义不清 晰、尺度不一致和多目标冲突等问题，分层跨域敏 捷决策困难。由此可知，有色金属工业生产并不满 足封闭集合、完备规则和有限约束等现有前提，其 智能化对人工智能具有更大的挑战性。要实现有色 金属生产过程的智能化，应当把自上而下的规则和 自下而上的数据两类资源在有色金属工业生产过程 的人机物信息物理空间中有效融合起来，从有色金 属制造环境的智能感知、人机物系统协同的智能自 主控制以及动态智能优化决策等方面实现有色金属 工业智能化。主要科学问题包括：

（1）复杂过程动态建模和工况动态感知。①具 有复杂机理的生产过程动态建模、虚拟仿真与可视 化；②复杂环境下物料成分、特殊生产参数快速检 测技术；③多源异构多模态动态数据特征表示与 提取；④大数据与机理知识相结合的运行工况动 态感知。

（2）动态特性认知和知识发现。①多时空动态 数据时序因果关联的深度学习；②大数据环境下生 产过程知识发现与高效获取；③知识关联建模与 自学习方法；④生产过程多源知识的融合与迁移 学习。

（3）大数据环境下知识驱动的多目标动态决策。 ①大数据与知识驱动的多尺度、多冲突目标动态协 同决策理论；②高动态性能的智能自主控制方法； ③生产全流程动态性能评估与智能调整方法。

（4）信息物理系统融合与协同。①人机物系统 自主协同控制与智能优化；②信息物理系统的防御 与安全；③不确定、开放环境下的人机合作决策与 互学习。

《四、结语 》

四、结语

目前，我国有色金属工业在生产装置与工艺技 术等方面与世界先进水平相比，正处于从大到强的 关键时期，迫切需要通过生产全流程的智能化实现 绿色高效生产，人工智能技术与有色金属工业的深 度融合，可为有色金属工业转型升级提供强有力的 支撑，把我国建成具有技术引领能力的有色金属工 业强国，同时也可促进人工智能技术的进一步发展， 实现工业文明与生态文明的协同发展。