Предпосылки: когнитивный предел диспетчеров и дисбаланс потока
На масштабном горнодобывающем разрезе, где в ежедневной эксплуатации находится более 247 карьерных самосвалов и свыше 25 экскаваторов, управление транспортным потоком долгое время оставалось исключительно ручным процессом. Диспетчеры координировали действия огромного парка техники исключительно посредством рации, опираясь на свой опыт и мгновенную реакцию. Однако с ростом объемов работ и увеличением парка классическая система управления перестала справляться с возложенными на нее задачами. Ручное распределение машин не могло обеспечить необходимой скорости реагирования на возникающие в процессе работы сбои, что неизбежно влекло за собой скрытые потери времени и ресурсов.
Проблема ручного управления на разрезе
Основной проблемой традиционного подхода стал физический предел возможностей человека. За одну рабочую смену на карьере возникало более 10 000 различных отклонений от нормы. Диспетчер, будучи не в состоянии обработать даже малую часть этих инцидентов — менее 0,1% от общего числа, — оставлял большинство проблем без внимания. При этом традиционная отчетность фиксировала лишь 10–20% реальных потерь, создавая ложное впечатление стабильности. Значительная часть упущенного времени и ресурсов оставалась неучтенной, что в долгосрочной перспективе существенно снижало общую эффективность работы предприятия.
Влияние дисбаланса на производительность техники
Сложившаяся ситуация приводила к серьезному дисбалансу в работе техники. Экскаваторы часто простаивали без подпора самосвалов или, наоборот, задыхались в очередях, ожидая разгрузки. В среднем на одну смену приходилось одно потерянное схождение из-за отсутствия машины у экскаватора, что означало потерю целого рейса. Диспетчер узнавал о возникшей проблеме спустя 10–15 минут после ее начала, когда потери уже накапливались и их было сложнее исправить. Дополнительную сложность создавали проблемы с пересменками: до 25% водителей сходили с линии на 30–40 минут раньше времени или возвращались с опозданием. Кроме того, агент по заправке не контролировал разводку машин, из-за чего незапланированные простои на дозаправку составляли в среднем 15 лишних минут для каждой единицы техники.
Решение OES: алгоритмы вместо рации
Для устранения выявленных проблем и снижения простоев экскаваторов без замены действующей системы мониторинга было принято решение развернуть на разрезе взаимосвязанные AI-модули оператора экскавационных систем. Проект ставил цель увеличить вывозку на имеющемся парке техники, используя интеллектуальные алгоритмы для стабилизации работы. Внедрение позволило автоматизировать рутинные процессы и перевести управление на качественно новый уровень, исключив человеческий фактор из принятия оперативных решений.
OES Truck Balance: прогнозирование очередей и автономное управление
Первым и ключевым элементом системы стал модуль OES Truck Balance — первый в мире промышленный AI-балансировщик карьерных самосвалов. В его основе лежат более 40 различных моделей искусственного интеллекта, которые анализируют текущую ситуацию на карьере. Система способна прогнозировать образование очередей на 30 минут вперед и управлять сходами техники на заправку, разводя машины по времени таким образом, чтобы из одного звена одновременно не уходило более одной единицы. При возникновении поломок алгоритм мгновенно перераспределяет весь парк. Директивы поступают напрямую на планшет водителя в кабине, и 95% из них выполняются без необходимости звонка диспетчеру. Главным преимуществом данного решения является его способность работать полностью автономно, адаптируясь к любым изменениям в режиме реального времени без участия человека.
OES MAS: рой агентов для тотального контроля
Вторым важным компонентом стала мультиагентная система OES MAS, представляющая собой рой из более чем 30 специализированных AI-агентов. Каждый из них отвечает за контроль своей конкретной зоны, включая нормативное время каждой заправки, циклы погрузки и управление пересменками. Жизненный цикл любого отклонения проходит через трехуровневую эскалацию: сначала предупреждение получает водитель, затем диспетчер и, в случае игнорирования, начальник смены. Все отклонения автоматически оцифровываются в рублях в режиме реального времени, что позволяет мгновенно оценивать финансовые последствия сбоев.
Этапы внедрения и рост экономической эффективности
Реализация проекта заняла длительный период и проходила через несколько последовательных этапов. На первом этапе проводилось тестирование балансировщика на одном звене, состоящем из трех–пяти экскаваторов. Это позволило отладить работу алгоритмов на небольшом масштабе. Второй этап ознаменовался запуском системы в промышленную эксплуатацию на всем парке 220-тонных самосвалов и экскаваторах. На этом этапе был осуществлен переход на собственный продуктовый интерфейс, а рекомендации проверялись вручную. В результате внедрения экономический эффект составил 12 млн рублей в месяц.
От прототипа до промышленного масштаба
Третий этап был посвящен тонкой настройке алгоритма балансировки и повышению качества прогноза ETA. Серия экспериментов с подходами к управлению позволила увеличить экономический эффект до 25 млн рублей в месяц. На четвертом этапе проект был масштабирован на 130-тонные самосвалы. Была настроена отправка директив непосредственно на планшеты водителей, а также проведены эксперименты с автоматическим принятием рекомендаций. Эффективность системы возросла до 45 млн рублей ежемесячно.
Повышение качества и автоматизация процессов
Пятый этап включал синхронизацию с расстановкой техники и переход на работу водителей с директивами по сходу с линии. Автоматизация диспетчеризации заправки по уровню топлива позволила довести экономический эффект до 80 млн рублей в месяц. Суммарный экономический эффект от AI-балансировки всего за 2025 год превысил 300 млн рублей. Технически разворачивать систему можно за две недели поверх любой действующей системы мониторинга, что делает решение максимально доступным для горнодобывающих предприятий.
Роль оборудования Galileosky в точности прогнозов
Реализация таких амбициозных проектов невозможна без надежной технической базы. В случае с данным разрезом фундаментом для работы AI-алгоритмов послужило оборудование Galileosky. Терминалы, установленные на каждом самосвале, обеспечивают сбор телеметрии с высокой точностью и частотой.
Сбор телеметрии как фундамент для ИИ-моделей
Критически важным параметром является частота передачи данных. Оборудование Galileosky собирает информацию с частотой от 1 до 5 секунд с каждой единицы техники. Это включает GPS-координаты, уровень топлива и параметры двигателя. Такая плотность данных позволяет нейросетевым моделям OES строить достоверные прогнозы очередей и принимать мгновенные решения. Без точной телеметрии в реальном времени алгоритмы балансировщика не смогли бы обеспечить заявленную эффективность, так как они опираются на актуальную картину происходящего на карьере. Датчики уровня топлива и давления в связке с программным обеспечением OES IIoT создают единую экосистему, где физические процессы точно отражаются в цифровом виде, позволяя выявлять и устранять отклонения до того, как они превратятся в финансовые потери.
Итоговые результаты проекта за 2019–2025 годы
Проект по внедрению AI-балансировки на горнодобывающем разрезе стал ярким примером того, как современные технологии могут трансформировать традиционные процессы управления. Сочетание интеллектуальных алгоритмов OES и надежного оборудования Galileosky позволило не только решить проблемы ручного управления, но и достичь выдающихся экономических результатов.
Операционные показатели и экономия ресурсов
Результаты работы системы за период с 2019 по 2025 год демонстрируют устойчивый рост эффективности. Увеличение вывозки горной массы на 10% без расширения парка и рост вывозки в 2,2 раза за пять лет говорят о высокой производительности техники. Снижение простоев экскаваторов на 15–25% и сокращение времени в очередях на 30% подтверждают успешность алгоритмов балансировки. А снижение нагрузки на диспетчеров на 60–70% позволяет перевести их работу на новый уровень, сосредоточившись на управлении нестандартными ситуациями. Мультиагентная система фиксирует 100% потерь в реальном времени, в то время как классическая отчетность выявляла менее 10%. Подтвержденный экономический эффект в более чем 300 млн рублей за 2025 год является главным показателем успеха данного проекта.
