Ein integrierter Ansatz: Ein hybrides Machine-Learning-Modell zur Klassifizierung ungeplanter Stillstände in einer Bergbau-Zerkleinerungsanlage unter Verwendung von Hauptkomponentenanalysen und künstlichen neuronalen Netzen

Dieser Artikel implementiert ein hybrides Machine-Learning-(ML)-Modell zur Klassifizierung von Stillstandereignissen in einer Kupferzerkleinerungsanlage, genauer gesagt, einem Förderband. Das Modell kombiniert künstliche neuronale Netze (ANNs) und Support-Vektor-Maschinen (SVMs) mit Hauptkomponentenanalysen (PCA), um die Art des Stillstandereignisses zu identifizieren, wenn sie in einem Industriebereich auftreten, der für die chilenische Wirtschaft von Bedeutung ist. Diese Forschung befasst sich mit dem kritischen Bedarf an der Optimierung des Wartungsmanagements in der Bergbauindustrie und hebt die technologische Relevanz und Motivation zur Verwendung fortschrittlicher ML-Techniken hervor. Diese Studie konzentriert sich auf die Kombination und Implementierung von drei ML-Modellen, die mit historischen Daten trainiert wurden, die aus Informationen verschiedener Sensoren, realen und virtuellen, sowie aus Wartungsberichten bestehen, welche die Betriebsbedingungen und die Eigenschaften von Anlagenfehlern melden. Das Hauptziel dieser Studie ist es, die Effizienz bei der Identifizierung der Natur eines Stillstands zu verbessern, die als Grundlage für die anschließende Entwicklung eines zuverlässigen Fehlerprognosesystems dient. Die Ergebnisse zeigen, dass dieser Ansatz die Informationszuverlässigkeit erheblich erhöht und die anhaltenden Herausforderungen im Datenmanagement im Bereich Wartung angeht. Mit einer Klassifikationsgenauigkeit von 96,2 % und einem Recall von 96,3 % validiert und automatisiert das Modell die Klassifizierung von Stillstandereignissen und reduziert erheblich die Abhängigkeit von interdepartmentalen Interaktionen. Dieser Fortschritt beseitigt die Notwendigkeit, auf externe Datenbanken angewiesen zu sein, die zuvor anfällig für Fehler, fehlende kritische Daten oder veraltete Informationen waren. Durch die Implementierung dieser Methodik wird eine robuste und zuverlässige Grundlage für die Entwicklung eines Fehlerprognosemodells geschaffen, das sowohl Effizienz als auch Zuverlässigkeit im Wartungsprozess fördert. Die Anwendung von ML in diesem Kontext produziert nachweislich positive Ergebnisse bei der Klassifizierung von Stillstandereignissen, was seinen erheblichen Einfluss auf die Betriebsabläufe der Industrie unterstreicht.