制造业洞察：从金属与采矿业汲取的教训（第三部分）——Axora专家访谈

欢迎收听《趋势洞察》播客，由Senseye出品，作为利用AI推动可扩展、可持续资产性能与可靠性的行业领导者。本栏目旨在助您获取实现维护效率提升的思路。

在探讨制造业可从金属与采矿业学到什么的系列第三集中，我再次邀请到Axora的Joe Carr。您可收听第一部分和第二部分。

本期我们将与Axora的Joe Carr深入探讨：金属采矿企业遵循的维护实践、机器正常运行时间的关键性、海量机器数据带来的挑战。

请通过您喜爱的播客平台（Apple、Google、Spotify）订阅，以获取未来节目通知，并留下评价反馈。

逐字稿

核心话题（点击跳转）

1. 金属采矿业的关键维护实践
2. 金属采矿业中的机器数据利用
3. 金属采矿业中的AI与机器学习用例
4. 金属采矿业的可持续发展
5. 案例研究：Alcoa

Niall Sullivan, Senseye: Joe，正如你提到的维护，这正是我接下来想聊的——更智能的维护方式。首先，总体而言，目前主要采用哪些维护实践？这些金属采矿公司遵循什么模式？是反应性维护？还是像你建议的每4000天更换一次？总体上它们遵循何种维护策略？

Joe Carr, Axora: 在矿业金属领域，正常运行时间至关重要。百分之百，正常运行时间是最重要的，因为这很像航空公司的座位：如果那段时间没生产，就永远追不回来。飞机起飞后空座无法再售出；炼油厂若一小时未产出一吨铜，那一小时就永远损失了。

正常运行时间是关键。行业绝不愿采用反应性维护。虽总有反应性维护存在，但行业希望它是例外而非常态。除了不想要的反应性维护，还有计划性和预防性维护，两者混合使用。因公司而异。例如卡车：如今卡车装有大量传感器，可监测发动机、刹车等运行状况，在这些领域可更具预测性地了解部件寿命。但也有领域纯粹按计划行事，如每5000小时更换一次，仅因制造商建议如此，是否正确尚存争议。

目前确实是混合模式。理想情况下，全行业希望全面预测性维护：AI、传感器数据和机器学习在故障前百小时预警，以便恰时更换。但这涉及规划难题：不能所有东西都在故障前一刻修复，需一定规划水平。但最大化部件寿命能带来显著成本节约和正常运行时间收益。若能让卡车多跑10小时，并计划在有空档时停机维修，而非停机排队一天，这避免了产量损失。

我过去在运营部门工作时，目标正常运行时间在高位80%（约88%）。若通过更好的预测性维护提升至80%-90%区间，对矿企和社会效益巨大：用相同资产产出更多金属，无需开新矿，提高现有设备效率。

Niall Sullivan, Senseye: 正如你所说，策略混合使用。你提到预测性维护，这正是我关注的。从你的描述看，预测性维护能增加很大价值。在该行业接受度如何？可能仍是新兴市场，尚未全面起势？

Joe Carr, Axora: 其实认知度很高。维护解决方案是行业最大类别之一。因为价值极易计算：1%更多正常运行时间带来多少收益？备件节省虽可观，但与产量价值相比微不足道。若运营成本超产出价值，矿山就不存在了。收益巨大。主要问题在于多年零散发展，车辆和厂房设备最前沿。如知名大黄卡车品牌Caterpillar、Komatsu等，早就在车辆上做预测性维护。如今矿山购车不再是买断，而是按正常运行时间租赁：承诺最低87%正常运行时间，达不到不付费。制造商极度受激励保持车辆高效运行，因这是巨大差异化卖点，且拥有海量数据池：数万辆卡车传感器数据持续优化算法。

但矿企自有百辆卡车，数据池小得多，自建系统效果不如制造商。这是预防性维护由OEM主导的例子。而选矿厂、炼油厂、冶炼厂无单一公司销售整套设备，它们由众多制造商组件组装，近五年新建冶炼厂才可能构建数字孪生。这正是AI、预测性维护、机器学习大显身手之处：不受单一OEM控制，每座矿山炼厂、冶炼厂、选矿厂各异，由不同厂商组件构成。整合所有数据、理解并输出洞察，将卡车、钻机、铲车上的预测能力扩展到全价值链，机会巨大。

Niall Sullivan, Senseye: 数据一直是……要么无数据，要么海量多格式数据难以提炼洞察。金属采矿企业擅长收集机械数据并寻求利用？还是数据收集不足？

Joe Carr, Axora: 亲身经历：他们收集海量数据，却不知如何利用。我们创新预测发现最大问题之一：需网络采集数据；数据采集后格式杂、位置分散，不知如何处理或缺乏技能处理。技术人员曾说：一辆卡车每天产生2GB数据，矿区83辆，存储很快填满。99%数据未被利用，因无工具处理。实时追踪速度、循环时间、发动机温度等20个变量，实则有500个变量。数据孤岛化，因云基建和网安顾虑留在本地服务器，无人分析。矿山工程师职责是破岩、采矿、选矿，非数据分析。罕见矿山雇佣20名数据科学家。这是巨大浪费。行业会随人员更迭、代际更替而改变，未来或将主动寻求数据利用方案。也是工作激励问题：生产工程师以产量考核奖金，非AI项目。现场人员只想干本职工作，创新部门想搞创新项目，需现场配合，存在脱节。矿山内部也孤岛化：矿区、选矿厂、冶炼厂各自为政，维护项目难获买入，常被回应“等我能直接用、无需集成麻烦时再来”。集成步骤无人负责。

Niall Sullivan, Senseye: 又回到技能缺口，或未被认知？他们意识到技能缺口吗？

Joe Carr, Axora: 意识到。这关乎我们早前讨论的机器学习、AI、远程运营中心。当人们从可自动化的重复性规划工作中解脱，便能投入AI项目，最终创造巨大价值。人类短视倾向“今朝10镑胜来周20镑”，但矿业擅长长远规划：长期规划师最早预测10年后，短期规划师只看今天下午。关键是如何帮助全价值链长远思考，释放人力做长远规划。

Niall Sullivan, Senseye: 除了预测性维护，AI和机器学习在金属采矿还应用于哪些领域？能否举几个例子？

Joe Carr, Axora: 应用多如牛毛。维护是低垂果实。只要有传感器，维护领域大量反应性或计划性工作（如每500小时换空滤仅因手册建议）均可优化。矿体理解：地质建模中，ML算法能下午生成数百模型供地质学家筛选，而非人工每周一模。基础AI擅长单一任务：驾驶卡车的AI只会开卡车。钻孔、挖掘、标记炮眼、装药等重复性作业均适合AI。钻机已自动钻孔，工人仅监督定位，为何不进一步远程监控？金属领域：机器视觉检测精炼金属缺陷，结合销售对象。终极愿景：客户订单指定金属性质，矿山调度设备开采特定矿体，经选矿、冶炼、精炼交付精准规格产品。虽今日供应链未此集成，但技术上已无障碍。

Niall Sullivan, Senseye: 时间有限，最后谈可持续性。目前可持续性如何影响金属采矿？企业采取何种措施达标？

Joe Carr, Axora: 矿业在行动。电动矿车项目众多，氢能热议。Fortescue Metals老板收购Williams F1电池部门研发电池。他在澳洲荒野建光伏场，用海水制氢生产绿钢，零碳足迹。钢铁冶金是矿业最大CO2来源：炼钢需焦煤（特种煤），区别于发电用动力煤。如何生产绿钢？用氢气或天然气替代焦煤？天然气价格当前也不理想。可持续性是矿业议程首位。矿业本质是开采地球资源，如何更好开采长期议题，随环保关注加剧将持续升温。

双重思想：许多人厌恶矿业，却渴望绿色能源转型。不可能既反对铜矿又应对气候变化：绿色能源革命离不开采矿业。我曾在墨尔本IMARC会议见灭绝反抗组织抗议，其负责人接受天空新闻采访称：气候危机需行动，却同时反对菲律宾铜矿。这两种观点无法共存：没有采矿业就没有绿色能源革命。

Niall Sullivan, Senseye: 精彩的结束语。Joe，如何了解Axora更多？

Joe Carr, Axora: 访问Axora.com查看市场或联系我们，或在LinkedIn找我留言，我会转介合适同事。

案例研究：Alcoa

Alcoa Corporation是全球铝土矿、氧化铝和铝产品领导者，建立在130多年前改变世界的发现之上，使铝成为现代生活负担得起的重要组成部分。Alcoa全球运营生产工厂，应用突破性创新和最佳实践，提升效率、安全、可持续性，强化运营社区。

了解Alcoa为何携手Senseye实现预测性维护的最佳技术与运营实践。