Materiały konferencyjne SEP 2020

4. ANALITYKA PREDYKCYJNA W ostatniej dekadzie dużego znaczenia w przypadku systemów decyzyjnych nabrała wspo- mniana wcześniej analityka predykcyjna. Wraz z technologią Big Data, która jest jej nieroz- łączną częścią, została w 2016 roku wskazana przez respondentów magazynu Mining Magazi- ne jako jedna z trzech najważniejszych technologii w górnictwie w nadchodzącej dekadzie ob- ok wykorzystania dronów i rozwiązań chmurowych [20]. Prawdziwość tego badania, poza obecnymi osiągnięciami w analityce, potwierdzają liczne przedsięwzięcia z ostatnich lat zwią- zane z wykorzystaniem dornów [21] oraz coraz częstszymi wdrożeniami systemów opartych na rozwiązaniach chmurowych [22][23]. Analityka predykcyjna jest procesem wykorzystującym zaawansowane formuły matematyczne, algorytmy statystyczne, a także informatyczne narzędzia i usługi w celu identyfikacji zależno- ści, powiązań i wzorów w zbiorach danych oraz redukcji ich złożoności. [24]. W uproszczeniu, celem analityki predykcyjnej jest budowanie modeli, które mogą posłużyć do określenia, na podstawie posiadanych danych historycznych, prawdopodobieństwa wystąpienia przyszłych zdarzeń dla nowo zaistniałych sytuacji (zbiorów danych wejściowych) [25]. W konstruowaniu modeli predykcyjnych wykorzystuje się dwie główne techniki. Pierwszą z nich jest analiza regresji, która za pomocą równań matematycznych definiuje zależność pomię- dzy dwoma lub więcej zmiennymi (zmienną wyjściową - zależną i zmiennymi wejściowymi – niezależnymi). Taki model ma za zadanie na podstawie losowej próbki danej populacji gene- rować inne jej parametry [26]. Drugą techniką wykorzystywaną w modelowaniu jest uczenie maszynowe. W odróżnieniu od analizy regresji, w uczeniu maszynowym model nie jest defi- niowany przez z góry narzuconą formułę matematyczną, która w tym przypadku nie jest po- trzebna lub zależności między zmiennymi są na tyle skomplikowane, że ich zdefiniowanie jest zbyt trudne do wykonania. Podstawą tej techniki jest zasilanie modelu zestawem danych uczą- cych, na podstawie których wyznaczane są jego parametry. Sposób uczenia definiuje najogól- niejszy podział technik uczenia maszynowego, dzieląc je na uczenie pod nadzorem i bez nad- zoru. W pierwszym przypadku model dopasowuje swoje parametry tak, aby dla zadanych da- nych wejściowych uzyskać odpowiadające im znane dane wyjściowe, a w przyszłości, dla no- wych nieznanych zestawów danych, wyznaczać odpowiedź z wcześniej nauczonego zbioru. W przypadku uczenia bez nadzoru, model w zestawie danych uczących otrzymuje jedynie dane wejściowe i sam wyszukuje powiązań i podobieństw, dokonując tzw. klasteryzacji. Analityka predykcyjna może stanowić bazę dla wielu narzędzi decyzyjnych niemal na każdym etapie funkcjonowania przedsiębiorstw branży wydobywczej. Od rozpoznania złoża, gdzie predykcja wykorzystywana jest do aproksymacji jego budowy [27] i przetwarzania danych geofizycznych [28][29], aż po zagospodarowanie odpadów powydobywczych. Dziedzinami związanymi z górnictwem, w których odnotowano największy postęp na tym polu jest predyk- cyjne utrzymanie ruchu (ang. predictive maintenance) oraz predykcja występowania i wpływu zagrożeń naturalnych. Zainteresowanie wśród nauki tematyką predykcji w utrzymaniu ruchu maszyn i urządzeń, ze względu na swoją uniwersalność, wykracza daleko poza branżę górni- czą, co pozytywnie odbija się na dostępie do wiedzy związanej z tą problematyką. Co więcej, podstawowym efektem wdrożenia tej technologii są oszczędności wynikające z wczesnego wykrywania wad w funkcjonowaniu monitorowanych aktywów. Wymiana wadliwych lub znacznie zużytych podzespołów przed wystąpieniem awarii pozwala na redukcję kosztów i czasów postoju wynikających z ich obsługi. Jest to optymalna pod względem finansowym stra-