머신러닝과 이산 사건 시뮬레이션의 결합을 통한 광산 운반 시스템의 생산량 예측 및 문제 진단

Abstract

The most common working cycle of ore production in mines consists of drilling, blasting, loading and hauling. In other words, in order to produce minerals, these unit operations must be performed sequentially and repeatedly. The productivity and profitability of the mine may vary greatly depending on how the production process is designed, operated and managed. In particular, it is very important to efficiently design and operate the haulage system because the cost of haulage accounts for more than half of the total production cost of the mine. In addition, it is necessary to continuously monitor, diagnose, and predict whether the designed system operates smoothly. Therefore, in this study, a hybrid model that combines machine learning and discrete event simulation techniques to predict the ore production of a mine haulage system was developed. In addition, a machine learning model that can diagnose and predict the stability and operation status of haulage routes in the underground mine was also proposed. The limestone underground mine in South Korea was selected as a research area to predict the production and diagnose problems with the mine haulage system. After developing a mining production management system (MPMS) using Bluetooth beacons and tablet PCs, data on the haulage system was collected. Tablet PCs with MPMS applications installed were mounted on trucks, and Bluetooth beacons were installed at major points in the study area, trucks and loaders. The MPMS receives signals from the beacon when the truck passes through the point where the Bluetooth beacon is installed, and then records the time, location, and information. The data recorded during the haulage operation was designed to be uploaded to the cloud server in the wireless communication area. 51,732 log data were collected over a period of 15 weeks using MPMS, and 42,808 truck travel time data and 396 truck cycle time data were obtained through data preprocessing. The hybrid model for predicting ore production consisted of a machine learning model for predicting truck cycle time and a discrete event simulation model for predicting ore production using the predicted cycle time. The dataset for the cycle time prediction model was produced using data collected using MPMS and weather data of temperature and precipitation. Machine learning algorithms of kNN, RF, PSO-SVM, and DNN were utilized. The hyper parameters of the machine learning model were determined using grid search through 5-fold cross-validation and particle swarm optimization (PSO) techniques, and the performance evaluation of the model was performed using the validation dataset. As a result, in the case of truck cycle time prediction, the PSO-SVM model showed the best performance. The discrete event simulation model was designed to operate based on the truck cycle time theory and was developed to be customized in the study area. The validation of the production prediction model was performed by comparing the analysis result of the work reports with the prediction result of the model. As a result of predicting ore production by using the cycle time predicted by the PSO-SVM model as input data, it is found that ore production can be predicted with relatively high accuracy. The machine learning model for diagnosing and predicting the stability and operation state of the haulage route used four algorithms: GNB, kNN, SVM, and CART. Datasets were constructed using data collected using MPMS and temperature and precipitation data. The hyper parameters of each model were optimized using grid search through 5-fold cross-validation. As a result of evaluating the performance of the problem diagnosis model using the validation dataset, the CART model showed the best performance. It was verified by comparing the actual data collected using MPMS with the prediction results of the model, and it was found that the stability and operation status of the haulage route can be diagnosed and predicted with high accuracy. Using a hybrid model of machine learning and discrete event simulation for ore production prediction, it is possible to predict the ore production by truck and loading point. In addition, it was proved that it is possible to establish an optimal truck dispatch plan for each loading point using this. Using the problem diagnosis model, it was possible to diagnose and evaluate the stability and operation status of the haulage route. Therefore, it can be used as a tool for monitoring, maintenance and management of the workplace and haulage route. The hybrid model developed in this study is of great significance in that it is a new method that combines only the advantages of data modeling and system modeling in terms of methodology. In addition, the ore production prediction and problem diagnosis model can be predicted and diagnosed at a relatively high confidence level, so it is judged that it can be fully used as a tool to improve the productivity, profitability, and stability of mines.|광석 생산의 가장 일반적인 작업 주기는 천공, 발파, 적재, 운반으로 구성된다. 즉 광물을 생산하기 위해서는 이러한 단위작업들이 순차적으로, 반복적으로 이루어져야 한다. 광산의 생산성과 수익성은 생산 공정의 설계, 운영 및 관리 방법에 따라 크게 달라질 수 있다. 특히, 운반작업에 투입되는 비용은 광산 전체 생산 비용의 절반 이상을 차지하기 때문에 운반 시스템을 효율적으로 설계하고 운영하는 것은 매우 중요하다. 또한, 설계된 시스템이 원활하게 운영되는지 지속적으로 모니터링하고 진단 및 예측해야 할 필요가 있다. 따라서 본 연구에서는 광산 운반 시스템의 광석 생산량을 예측할 수 있는 머신러닝과 이산 사건 시뮬레이션 기법을 결합한 하이브리드 모델을 개발하였다. 또한, 지하 광산 운반 경로의 안정도와 운영상태를 진단하고 예측할 수 있는 머신러닝 모델도 함께 제안하였다. 광산 운반 시스템에 대한 생산량 예측과 문제 진단을 위해 국내 석회석 지하 광산을 연구지역으로 선정하였다. 블루투스 비콘과 태블릿 PC 기반의 광산생산관리시스템(MPMS)을 개발한 다음 운반 시스템에 대한 데이터를 수집하였다. MPMS 애플리케이션이 설치된 태블릿 PC를 트럭에 탑재하고, 블루투스 비콘은 연구지역의 주요 지점과 트럭 및 로더에 설치하였다. MPMS는 트럭이 블루투스 비콘이 설치된 지점을 통과할 때 비콘의 신호를 수신한 시간과 위치, 정보들을 기록한다. 운반작업 도중 기록된 데이터들은 무선통신이 가능한 구역에서 클라우드 서버로 업로드될 수 있도록 설계하였다. MPMS를 이용하여 15주의 기간 동안 51,732개의 로그 데이터를 수집하였으며, 데이터 전처리를 통해 42,808개의 트럭 이동시간(truck travel time) 데이터와 396개의 트럭 사이클 타임(truck cycle time) 데이터를 확보하였다. 광석 생산량 예측을 위한 하이브리드 모델은 트럭 사이클 타임 예측을 위한 머신러닝 모델과 예측된 사이클 타임을 이용하여 광석 생산량을 예측하는 이산 사건 시뮬레이션 모델로 구성하였다. 사이클 타임 예측 모델을 위한 데이터 세트는 MPMS를 이용하여 수집한 데이터와 기온 및 강수량의 기상 데이터를 활용하여 제작하였다. 머신러닝 알고리즘은 kNN, RF, PSO-SVM, DNN을 활용하였다. 5겹 교차 검증을 통한 그리드 서치와 입자 군집 최적화 기법을 이용하여 머신러닝 모델의 하이퍼 파라미터를 결정하였으며, 검증 데이터 세트를 활용하여 모델의 성능 평가를 수행하였다. 그 결과, 트럭 사이클 타임 예측의 경우 PSO-SVM 모델이 가장 좋은 성능을 보였다. 이산 사건 시뮬레이션 모델은 트럭순환시간 이론에 근거하여 작동할 수 있도록 설계하였으며, 현장 맞춤형으로 개발하였다. 생산량 예측 모델의 검증은 차량운행일지 분석 결과와 모델의 예측 결과를 상호 비교하는 방법으로 수행하였다. PSO-SVM 모델이 예측하는 사이클 타임을 입력자료로 활용하여 광석 생산량을 예측한 결과 비교적 높은 정확도로 광석 생산량을 예측할 수 있는 것으로 나타났다. 운반 경로의 안정도와 운영상태를 진단하고 예측하기 위한 머신러닝 모델은 GNB, kNN, SVM, CART의 4가지 알고리즘을 활용하였다. MPMS를 이용하여 수집되는 데이터와 기온 및 강수량 데이터를 이용하여 데이터 세트를 구성하였다. 5겹 교차 검증을 통한 그리드 서치를 이용하여 각 모델의 하이퍼 파라미터를 최적화하였다. 검증 데이터 세트를 이용하여 문제 진단 모델의 성능을 평가한 결과 CART 모델이 가장 좋은 성능을 나타냈다. MPMS를 이용하여 수집된 실제 데이터와 모델의 예측 결과를 비교하는 방법으로 검증을 수행하였으며, 높은 정확도로 운반 경로의 안정도와 운영상태를 진단 및 예측할 수 있는 것으로 나타났다. 광석 생산량 예측을 위한 머신러닝, 이산 사건 시뮬레이션의 하이브리드 모델을 활용하면 트럭별, 적재장별 광석 생산량을 예측할 수 있다. 또한, 이를 이용하여 적재장별 최적의 트럭 배차계획도 수립할 수 있음을 입증하였다. 운반 경로의 문제 진단 모델을 활용하면 운반 경로의 안정도와 운영상태를 진단하고 평가할 수 있었다. 따라서 작업장 및 운반 경로의 모니터링, 유지 보수 및 관리를 위한 도구로 활용이 가능하다. 본 연구에서 개발한 하이브리드 방식의 모델은 방법론적인 측면에서 데이터 모델링과 시스템 모델링의 장점만을 결합한 새로운 방법이라는 것에 큰 의미가 있다. 또한, 광석 생산량 예측과 문제 진단 모델은 비교적 높은 신뢰 수준에서 예측 및 진단이 가능하기 때문에 광산의 생산성과 수익성, 그리고 안정성을 향상시키기 위한 도구로서 충분히 활용 가능할 것으로 판단한다.