השימוש באינטליגנציה מלאכותית בתחזוקה חיזויית של ציוד ההשכלה

מבוא: המהפכה המלאכותית בתחזוקה של תהליכים מינרליים

תעשיית כריית עיבוד מינרלים נמצאת בלחץ מתמיד לשיפור היעילות התפעולית, להפחית עלויות, ולעמוד בסטנדרטים מחמירים יותר ויותר של בטיחות וסביבה.אחת הטכנולוגיות הטרנספורמציות ביותר להתגלות בשנים האחרונות היא בינה מלאכותית (AI), במיוחד כאשר היא מיושמת לתחזוקה של ציוד להעשרת ציוד ההעשרה. Enrichment – המכונות המשמשות לפירוק מינרלים יקרי ערך מחומר פסולת – נמצאת בלב של כל מפעל עיבוד.

הבנה של תחזוקה חיזוי

אסטרטגיות תחזוקה התפתחו באופן משמעותי במהלך המאה הקודמת. תחזוקה תגובתית מסורתית - תיקון ציוד רק לאחר שהוא פורץ - הוא עדיין נפוץ, אבל זה מוביל לשעות השבתה בלתי צפויות ועלויות גבוהות.תחזוקה מונעת, שבו ציוד הוא שירות על לוח זמנים קבוע ללא קשר למצב, מפחית כישלונות בלתי צפויים אבל לעתים קרובות תוצאות של תחזוקה מופרזת ומשאבים מבזבזניים.

הרעיון המרכזי של PdM הוא פשוט: לפקח על הפרמטרים מפתח כגון רטט, טמפרטורה, לחץ, ואת המשוך הנוכחי; לזהות סטייה של תנאים רגילים הפעלה; לעורר התראות כאשר דפוסים מצביעים על כשל פוטנציאלי. AI supercharges תהליך זה על ידי מתן ניתוח של נתונים מסיביים, זיהוי דפוסים עדינים כי מפעילי אנוש או מערכות מבוסס הסף המסורתי עשוי להחמיץ מודלים למידה מכונות יכול ללמוד כל הזמן חדש, שיפור הדיוק שלהם על ידי משטר תחזוקה יעיל מאוד.

תחזוקה מוקדמת אינה רק מניעה של כישלונות - אלא היא על קבלת החלטות תחזוקה בהתבסס על תנאי ציוד בפועל ולא על תאריכים של לוח שנה".

טכניקות בינה מלאכותית לתחזוקה חיזוי

יישום AI בתחזוקה חיזוי כרוך שילוב של אלגוריתמי למידת מכונה (ML), ארכיטקטורות למידה עמוקה, ושילוב עם אינטרנט תעשייתי של דברים (IIoT) חיישנים כל טכניקה מביאה כוחות ייחודיים להיבטים שונים של ניטור ציוד וחיזוי כישלונות.

מודלים של למידת מכונות

מודלים ML מסורתיים משמשים נרחב סיווג, רגרסיה, ומשימות זיהוי אנומליות בתחזוקה חיזוי.לדוגמה, Random Forest and Support Vector Machines יכולים לסווג את המצבים כ"נורמליים" או "מכווני" בהתבסס על מקרי קריאות חיישן.מודלים רגרסיון לחזות חיים שימושיים (RUL) של רכיבים על ידי תיקון מגמות חיישן עם נתונים היסטוריים.

רשתות למידה עמוקה ו נילי

למידה עמוקה מביאה יכולות זיהוי דפוס מתקדמות לנתונים של זמן.רשתות לטווח קצר ארוך (LSTM) יעילות במיוחד עבור ציוד כמו מרוקנים ומשאבות, שבו נתונים חיישן מציגים תלותיות פוטנציאליות. LSTM מודלים יכולים ללמוד קורלציות ארוכות טווח בין ספייקטים, שינויים טמפרטורה, ובסופו של דבר נוגדנים.

שילוב עם IoT ו- Edge Computing

מודלים של בינה מלאכותית הם רק טובים כמו הנתונים שהם מקבלים.צמחים להעשרה מודרנית מצוידים במאות חיישנים המדידה רטט, טמפרטורה, לחץ, מומנט, קצבי זרימה ופרמטרים כימיים.חיישנים אלה מזינים נתונים לתוך פלטפורמה של IoT, לעתים קרובות באמצעות פרוטוקולים כמו OPC UA או MQTT ניתוחי נתונים תגובתי, עם זאת, שליחת כל נקודת נתונים לענן לניתוח אינה תמיד אפשרית עקב מגבלות רוחב פס ודרישות שקיפות.

(ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

דרישות פיתוח חיוניות ו-AI

צמחי ההשכלה מכילים מכונות מגוונות, כל אחד עם מצבי כשל ייחודיים.תחזוקה חיזוי המונעת על ידי AI חייב להיות מותאם למאפיינים הספציפיים של תאי החילוף, עששים, מרוקנים, ושחיקה.למטה אנחנו בודקים כיצד AI משפר את התחזוקה עבור כל סוג.

תאים Flotation Cells

תאי פלוטציה משתמשים בבועות אוויר כדי להפריד מינרלים הידרופוביים (למשל, מסולפי נחושת) מרכיבי פסולת כנופיות. רכיבים קריטיים כוללים חומרים בלתי מוכרים, מנגנוני מריצים ומערכות launder (כגון, מצבי כישלונ נפוצים כוללים ללבוש מעצורים, השפלה, ו froth overflow בעיות. AI לנתח חומרים מנועים, רטט, ורמת סלולר לגילוי נתונים כדי לזהות סימנים פתאומיים של שפעת פתאומית, למשל, לא יכול להפחית את התחזוקה מתקדמת של שינויים פתאומיים פתאומיים של שינויים פתאומיים.

תגית: Thickeners

קוצרים משמשים כדי לרכז את הנפיחות על ידי התיישבות מוצקות. Rake torque, צפיפות מתחת לזרימה, וגובה המיטה הם פרמטרים מרכזיים. Rake Armload הוא כישלון רציני שיכול לפגוע בכל המנגנון. AI מערכות להשתמש בנתונים היסטוריים כדי מודל היחסים בין המאפיינים להאכיל ו- ke torque. כאשר המודל צופה להזיז גבולות קריטיים מתקרב, זה יכול להמליץ על התאמות לטבולול או למנוע חיישנים מוקדמים על מנת למנוע חיישנים.

Crushers ו-Gearing Mills

Crushers (jaw, cone, השפעה) ו- מילימטרים (SAG, Ball, המוט) הם בין הציוד התחזוקה-intensive ביותר בכל צמח. Bearings, הילוכים, קוים ומנועים כפופים לכוחות קיצוניים.ניתוח עומס הוויברציה הוא שיטת PdM הנפוצה ביותר, אבל AI מוסיף מימד חדש.

(ב) [15] ,2 ,2Siemens מציע מערכות ניטור מצב מונעות על ידי AI עבור ציוד כרייה FLT 3:

איסוף הנתונים וניתוח פילין

תחזוקה מוצלחת של בינה מלאכותית דורשת צינור מתואם היטב מחיישנים ועד תובנות.הצעדים הבאים הם חיוניים:

סוגי חיישנים ומקומות

בחירת החיישנים הנכונים ו הצבתם נכון הוא קריטי. חיישנים של Vibration (accelerometers) ממוקמים על נושאי רכב, לוחות הילוכים, ומסגרות משאבה. חיישנים טמפרטורה (מתפרקים, RTDs) לפקח על נושאים, משבשת, ומעבד נוזלים. לחץ עובר מעקב אחר מערכות וקווי סלולר.

עיבוד נתונים והנדסת תכונות

נתוני חיישן Raw הם רועשים ובינוניים.צעדים לעיבוד כוללים סינון (למשל, מסנן פסים לרטטט), נורמליזציה, וסינכרון זמן. הנדסת תכונות תמצית מדדים משמעותיים: שורש פירושו ריבוע (RMS) של פעולות רטט, שיא עד קצה ל-peak ערכים, תמציתיות, תכונות קרינת תדרים (למשל, FFTs) של פעולות רטט חייב להיות לעתים קרובות תכונות ספציפיות של עיצוב).

מודל אימון ו Deployment

מודלים מאומנים על נתונים היסטוריים הכוללים גם פעולות רגילות ואירועים ידועים.התמונים מחולקים לאימון, אימות ובדיקות. ביצועים מדדים כגון דיוק, זיכרון, F1score, ומשמעות שגיאה מוחלטת (לחיזוי RUL) בחירת מודל.לאחר אימות, המודל הוא פרוס למכשיר קצה או פלטפורמת ענן.

(ב) ⁇ :0) קישור חיצוני: 1FLT ( 1) לסקירה טכנית של צינורות למידת מכונה בהגדרות תעשייתיות, ראה את ה-FLT:2MathWorks' Predictive Maintenancebvental MaintenanceFLT 3.

היתרונות במבצע

תחזוקה חיזוי המונעת על ידי AI מספקת שיפורים הניתנים למדידה על פני ממדים רבים של ביצועי הצמח.

מינימום Unplanned Downtime

זמן השבתה לא מתוכנן הוא האויב של הפרודוקטיביות.אזהרות חיזוי מאפשרות לצוותי תחזוקה להתערב במהלך עצירות או שינויים קבועים, צמצום ההשפעה על דרך חישוב. במפעל של החייאה טיפוסי, כשל עקיצות בלתי צפוי אחד יכול לעצור את הייצור במשך 12-24 שעות. AI יכול לחזות אירועים כאלה עם 90%+ דיוק, המאפשר החלפת רכיבי לבוש.

ניכוי עלויות בתחזוקה וממציא

תחזוקה מונעת לעתים קרובות מחליפה חלקים מוקדם מדי, לבזבז כסף על רכיבים שעדיין יש להם חיים שימושיים. תחזוקת חיזוי אופטימיזציה תזמון חלופי, חיתוך חלקים ועלויות עבודה עד 20-40%. יתר על כן, ניהול מלאי משתפר כי ניתן להזמין חלקים בודדים על בסיס תאריכים כישלונות צפויים ולא "רק במקרה" זה מקטין את ההון הקשור למילוי תוך הבטחת זמינות בעת הצורך.

מחזור חיים בציוד

יתר לחץ ונזקים קלים חוזרים מאיצים את ההשפלה של ציוד.מודלים של AI לזהות סימנים מוקדמים של פעילות חריגה - כגון רטט מופרז ממנוע לא משוחד - המאפשר פעולה נכונה לפני נזק משני מתרחשת.על ידי שמירה על ציוד בתוך חלונות הפעלה אופטימליים, רכיבים אחרונים יותר. לדוגמה, גילוי ותיקון של מחץ irer irtigner igner ignment מוקדם יכול להאריך את חיי ה-ידי 15-20%.

שמירה על בטיחות וסביבה

כשלים בציוד מהווים סיכון בטיחותי חמור: תחזוקה חיזויית מדלפת, לחץ גבוה ממערכת הידראולית, או שריפות מנושאות מהתחממות יתר. תחזוקה חיזוי מפחיתה את תדירות הכשלונות הקטסטרופליים.בנוסף, AI יכול לפקח על פרמטרים סביבתיים כמו פליטת אבק או צריכת משיכה כימית, סטיית גינון שיכול להוביל לאי-ציות.

אתגרים לאימוץ

למרות הבטחתו, יישום תחזוקה חיזוי בינה מלאכותית במפעלי ההעשרה אינו ללא מכשולים.החסמים הנפוצים ביותר כוללים איכות נתונים, קשיי שילוב, מחסור בכישרונות, ודאגות אבטחת סייבר.

איכות נתונים וזמינות

מודלים של בינה מלאכותית הם נתונים-hungry.צמחים מבוגרים רבים חסרים חיישנים או רשומות היסטוריות של כשלונות.מידע עשוי להיות מאוחסן ב-Silos (SCADA, CMMS, מערכות מעבדה) עם פורמטים לא עקביים.ערכים חסרים, סחף חיישן, ורעש יכול להיות מכווץ ביצועים מודל. מאמץ גדול במעלה החזית הוא לעתים קרובות צורך לנקות, למזג ולתייגמל נתונים.

שילוב עם Legacy Systems

צמחים עשירים מסתמכים לעתים קרובות על מערכות PLCs המורשת, DCS ו-SCADA שקשה ממשק עם פלטפורמות AI מודרניות. רטרוfitting חיישנים ומכשירי קצה דורש תכנון זהיר כדי למנוע משבשת פעולות מתמשך.

כישרון ומיומנויות

פרויקטים בינה מלאכותית מוצלחים דורשים שילוב נדיר של מיומנויות: ידע התחום של עיבוד מינרלים, מומחיות במדעי נתונים, ומיומנויות IT / OT רשתות. חברות כרייה רבות נאבקים לשכור או להכשיר אנשי צוות עם פרופיל זה.שותף עם ספקים מיוחדים או השקעה בתוכניות אימון חוצה יכול להקטין את הפער, אבל זה נשאר מכשול משמעותי.

סיכוני אבטחת סייבר

חיבור חיישנים וציוד לפלטפורמות AI מרחיב את פני השטח של ההתקפה.מערכת שנפגעה יכולה לאפשר לתוקפים לתמרן נתוני חיישן, לגרום לאזעקות שווא, או אפילו ציוד בקרה מרחוק.הגנה על השלמות והזמינות של צינור התחזוקה החיזוי הוא חיוני.הפרקטיקות הטובות ביותר כוללות פלמנט רשת, הצפנה, ביקורת אבטחה סדירה, ובחירת ספקים עם אישורי אבטחת סייבר חזקים.

(ב) ⁇ :0) קישור חיצוני: (1) האגודה הבינלאומית לאוטומציה (ISA) מספקת הנחיות על אבטחת סייבר תעשייתית; ראה FLT:2ISA/IEC 62443 סטנדרטיםFLT 3 לקבלת מידע נוסף.

כיוונים עתידיים

תחום התחזוקה החיזוי של בינה מלאכותית מתפתח במהירות.כמה מגמות מתפתחות מבטיחות להפוך אותו אפילו יותר חזק וזמין.

תאומים

תאום דיגיטלי הוא העתק וירטואלי של נכס פיזי המראה את המצב האמיתי ואת ההתנהגות.על ידי שילוב נתוני חיישן עם מודלים המבוססים על פיזיקה, תאומים דיגיטליים יכולים לדמות תרחישים "מה אם" - לדוגמה, איך מסובך יתנהג אם הזין יעלה על ידי 10%. AI מודלים בתוך התאומה הדיגיטלית יכול לרשום את הפעולה תחזוקה אופטימלית.

מערכות תחזוקה אוטונומיות

מעבר לחיזוי, מערכות תחזוקה אוטונומיות ישלבו בינה מלאכותית עם בקרה אוטומטית כדי לנקוט פעולות תקנת ללא התערבות אנושית.לדוגמה, אם מפיץ תאי החילוף יראה סימנים מוקדמים של ללבוש, המערכת יכולה להפחית באופן אוטומטי את מהירותה ולקבוע תחליף, להתאים פרמטרים אחרים של תהליכים כדי לשמור על התאוששות.

תחזוקה מקדימה של AI-Driven Prescriptive Maintenance

תחזוקה מקדימה הולכת צעד נוסף מאשר חיזוי: לא רק צופה כישלונות, אלא גם ממליץ על פעולות ספציפיות והתוצאות הצפויות שלהם.לדוגמה, מערכת בינה מלאכותית עשויה להציע: "החלפת המנטרול בתוך 72 שעות.

מסקנה

אינטליגנציה מלאכותית משנה ביסודה כיצד נשמרים ציוד העשרה, שינוי הפרדיגמה מתקנונים תגובתיים ותכניות לוח זמנים קשיחות לאסטרטגיות המונעות על ידי נתונים, מבוססות מצב.על ידי מינוף למידת מכונה, למידה עמוקה ושילוב IoT, צמחים יכולים להפחית את זמן השבתה, עלויות נמוכות יותר, להאריך את חיי הנכסים ולשפר את הבטיחות.