התפקיד הקריטי של Analytics נתונים בתחזוקה חיזויית של ציוד חתירה

כריית Strip, הידוע גם ככריית Open-pit, היא שיטת החילוץ משטח שמסירה יתר על המידה גישה לפקדות מינרלים.פעולה זו תלויה בצי של מכונות מסיביות, הון-רגישות; קווים, דחפורים חשמליים, משאיות, dozers, ו-Clockss — זה חייב לספק כשלים כמעט ללא תכנון יכול לעצור את עלויות הייצור, כמו גם כדי להפוך את התקני אבטחה מחמירים.

מה זה תחזוקה חיזוי?

תחזוקה חיזוי (PdM) היא אסטרטגיה של תחזוקה יעילה המשתמשת בנתונים הקשורים למצב כדי לחזות מתי הציוד צפוי להיכשל, כך שניתן לבצע תיקונים בזמן בלבד.

  • (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) תחזוקה מקדימה של ההרחבה 1 – אספקת ציוד במרווחים קבועים (למשל, כל 500 שעות), אשר יכול לגרום תחזוקה מיותרת, בזבזו ניתנות ועדיין לא מצליחים לתפוס כישלונות אקראיים.

תחזוקה חיזויית נעה מעבר ללוח זמנים קבוע על ידי מעקב מתמיד של ציוד מצב באמצעות חיישנים וניתוח מגמות כדי להעריך את החיים שימושיים.זה מאפשר למפעילי כרייה להחליף חלקים ברגע האופטימלי ונדריש; לא מוקדם מדי (מבזבז חיים רכיב) ולא מאוחר מדי (מפרק התמוטטות) את אמצעי הליבה של PdM הוא ניתוח נתונים: היכולת לאסוף, לאחסן, לעבד, לפרש זרמים עצומים של נתונים תפעוליים בזמן אמתי.

כיצד Data Analytics Powers חיזוי תחזוקה ברצועה

ציוד כריית רצועת פועל בתנאים קשים – טמפרטורות קיצוניות, אבק, רטט ועומסים כבדים.סביבות אלה לייצר מצגת נתונים עשירה, כי כאשר מנתח כראוי, מגלה מבשרים עדינים לכישלון. ניתוח נתונים מגשר הפער בין פלטי חיישן גולמי והחלטות תחזוקה פעולה.

איסוף נתונים של חיישן: הקרן

מכונות כריה מודרניות מצוידות בעשרות עד מאות חיישנים. פרמטרים טיפוסיים לפיקו:

  • (ב) ויקרא י"א: ויקרא י"ד: ויקרא י"ד: "וַיְהִיא וּלְהָעָם הוּא עַמֶּה הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא .
  • (FLT:0) TemperatureFLT:1; overheating in Motors, הילוכים, הידראולים, וצמיגים מעידים על חיכוך מופרז או מערכות קירור כושלות.
  • (FLT:0) PressureFLT:1; הידראולי ו pneumatic מערכת לחץ יכול להצביע על דליפות, חסמי או משאבה.
  • (ב) ⁇ 0 (ה) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ויקרא י"א: ויקרא י"ד ו', ו'ונדר' (ב"ב) , ו'[[1924]] ,[[1924]] ]]
  • (ב) ויקרא י"א: ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

נתונים נלכדים במרווחים החל מ- מילימטריים (לטטיטציה גבוהה) עד דקות (עבור שמן או טמפרטורה מגמת מגמת מגמת מגמת מגמת מגמת מגמת טמפרטורה) נתונים אלה מועברים באמצעות רשתות IoT תעשייתיות לפלטפורמות ניתוח מבוססות ענן או פלטפורמות אנליטיות מבוססות ענן. רכישת נתונים אמינה היא קריטית: מיקום חיישן גרוע, סחף חרסולציה, או פערי נתונים יכולים אפילו להפוך את המודלים הטובים ביותר.

עיבוד נתונים והנדסת תכונות

נתוני חיישן Raw הם פלטפורמות רועשות ומדכמות. Analytics לנקות תחילה את הנתונים – סינון של חומרים, בין-החומרים החסרים, ו-Time-stamping כל רשומה.Next, מומחי דומיין ומודלים של מהנדסי נתונים המתאם עם השפלה. לדוגמה, שורש פירושו ריבוע (RMS) של רטט עשוי להיות פשוט עבור ללבוש, בעוד תכונות מורכבות יותר כמו kurosis או מטבוליזם מוקדם יותר מאשר שינוי מוקדם של נתונים.

בכריית פס, תכונות ספציפיות מותאמות לסוג הציוד.רכבי הולוגיסט של דרגון עשויים להיות במעקב עבור הרמוניות נוכחיות, בעוד שים דלפק חשמלי ללבוש מאפר שיניים הוא מופר ממקריות.הנדסת תכונות הופכת נתונים גבוהים למערך מנוהל של אינדיקטורים להאכיל מודלים חיזוי.

מודלים לחיזוי כשל

ברגע שתכונות מופקות, אלגוריתמי למידת מכונה (ML) מאומצים לזהות דפוסים שכשלונות לפני הספירה.

  • (FLT:0) סיווגים של Supervised EquiFLT:1 – מודלים מאוימים על נתונים היסטוריים מתוייגים (למשל, זיהוי תקלות ופעולה נורמלית) כדי לחזות את ההסתברות של כישלון בתוך חלון זמן נתון.
  • (ב) ,0) ,Regression ModelsFLT:1 – לחזות שנותרו בחיים שימושיים (RUL) כמשתנה מתמשך, למשל, "למנוע זה של 340 שעות של חיים נותרו."
  • (ב) ;0) ,Anomaly זיהויFLT:1 – מודלים (על-ידימי) לומדים את המעטפה התפעולית הרגילה ואת סטיית הדגל שעשויות להצביע על תקלות מתעוררות.
  • (FLT:0)-Time-series צופה נדר 1 – שיטות כמו רשתות עצביות LSTM או ARIMA לחזות ערכי חיישן עתידיים ולהשוות אותם למגוון בריא צפוי.

דיוק מודל משתפר ככל שאירועים מתוייגים יותר נאספים.העברה הלמידה יכולה לעזור כאשר סוגים חדשים של ציוד חסר היסטוריה. פעולות כרייה רבות משתמשים כעת במודלים של הרכב המשלבים אלגוריתמים מרובים עבור תחזיות חזקות.המודלים פרוסים בצנרת ניתוח ייצור, לעתים קרובות פועל על גבי מכשירים מחשוב קצה ליד הציוד כדי להפחית את הסבלנות.

שילוב עם מערכות ניהול תחזוקה

תובנות חיזוי הן רק יקרות ערך אם הן מגיעות לצוותי תחזוקה בצורה שניתן להעלות על הדעת.פלטפורמות Analytics מזמינות תחזיות במערכות ניהול תחזוקה ממוחשבות (CMMS) או ניהול נכסים ארגוניים (EAM) כלים אלה מייצרים הזמנות עבודה באופן אוטומטי כאשר סף סיכון הוא עלה, תיקונים בזמן המתוכנן למטה, ולעקוב אחר מלאי.הלאות סגורות כאשר טכנאים מתעדים נתונים בפועל, אשר ניזונים חזרה כדי לאימון מחדש את המודלים.

שילוב יעיל דורש צ'מות נתונים סטנדרטיות (למשל, באמצעות תקני MIMOSA) והתערבות בין פלטפורמות חיישן, מנועי ניתוח ומערכות תחזוקה.ללא שילוב זה, תחזוקה חיזויית נשאר פרויקט מדע ולא משמעת מבצעית.

היתרונות של תחזוקה חיזוי ברצועה Mining

המקרה העסקי של תחזוקה חיזוי נתונים בכריית פסים הוא חזק.היתרונות הבאים מדווחים באופן עקבי על ידי מאמצים מוקדמים.

צמצום זמן פנוי

זמן השבתה לא מתוכנן הוא השליש של כריית פסים.שבת יום אחד במכרות נחושת גדולה של בית פתוח יכולה לעלות למעלה מ-2 מיליון דולר בייצור אבוד. קיצוץ תחזוקתי לא מתוכנן עד 30 עד 50 אחוזים, על פי מחקרים של מקינזי ומשאבים אחרים.על ידי לכידת שבועות או אפילו חודשים מראש, מפעילי יכול לקבוע תיקונים במהלך תוכניות, הימנעות קטסטרופלי של כל המבצע.

עלויות תחזוקה נמוכות

תיקונים תגובתיים יקרים: מיקור חוץ של חלק חירום דורש לעתים קרובות משלוחים פרימיום, עבודה לאורך זמן, וספק אקספרס של OEM. תחזוקה מונעת על לוח זמנים קבוע גם לבזבז כסף על תחליפים מוקדמים. תחזוקה חיזוי פוגע האיזון האופטימלי, צמצום עלויות תחזוקה הכוללות ב-15 עד 25 אחוזים. חלק ועבודה משמשים בדיוק בעת הצורך, וחיים רכיב הוא ממקסם.

חיים בציוד מורחב

מכונות כריית רצועה מיועדות בעשורים האחרונים, אך תפעול מחוץ לפרמטרים מקובלים מאיץ ללבוש.ניתוח נתונים מסייע לשמור על הציוד פועל בתוך גבולות בטוחים.לדוגמה, ניטור רטט יכול לזהות אי-הצדקה, שאם תיקונן מוקדם, מונעים נזקי נושא ואיטום אשר יקצרו את חיי המנוע.

שיפור הבטיחות

כשלים בציוד בכריית פסים יכולים להיות השלכות בטיחות קטסטרופליות: התמוטטות של גרור, פיצוץ צמיגים משאית צמיגים, או שריפה החגורה של חגורת העברה. תחזוקה חיזויית מזהה תנאים שמובילים לאירועים כאלה לפני שהם הופכים מסוכנים.לדוגמה, מודל מונע נתונים המזהה עלייה בטמפרטורות חריגות בצד של צמיג נותן זמן לנפח ולהחליפם, ומונע פגיעה קטלנית בתעשיית הכרייה משפרת את בטיחות מכנית כאשר הם מסולקים.

חלקי ספאר חלק בממציאים

מחזיק בממציאים גדולים של חלקי חילוף יקרים הון.עם תובנות חיזוי, חברות הכרייה יכולות לצבור חלקים המבוססים על הסתברות כשלון מצופה ולא ממוצעים היסטוריים.מודל המלאי הזה רק בזמן זמן קצר מפחית עלויות מזעזע ומשפר את זרימת מזומנים.זה גם מבטיח כי חלקים קריטיים זמינים בדיוק כאשר חלון התחזוקה נפתח, תוך הימנעות מזמני המתנה.

אתגרים ו איך להגזים

למרות היתרונות ברורים, פריסת תחזוקה חיזוי בקנה מידה בכריית פס אינה טריוויאלית.יש לטפל במכשולים מסוימים.

איכות נתונים ושקיפות

נתוני חיישן הם רק טובים כמו החיישנים עצמם.סביבות Mining לגרום סחף חיישן תכוף, הפסקות ותקשורת כשלים.ללא נתונים אמינים, מודלים מייצרים אזעקה או להחמיץ כישלונות אמיתיים. אסטרטגיות מייגציה כוללים ריצוף חיישן פיזי, שגרות אימות נתונים אוטומטיים, ושימוש בנתונים סינתטיים כדי למלא פערים. לוחות זמנים של קיטוב קבוע ותשתיות טלמטות חזקות הן השקעות חיוניות.

מקור נתונים Diverse Data

מכרה טיפוסי של פס פועל ציוד מכמה OEM, כל אחד עם פורמטים של נתונים משלו, APIs ופרוטוקולים תקשורת (למשל, Modbus, OPC-UA, יכול אוטובוס) תוך כדי חדירה אלה לתוך פלטפורמה אנליטית מאוחדת הוא מורכב. תקנים כמו ISO 55000 לניהול נכסים ותקשורת פתוחה (OPC) עזרה, אבל רבים מהם בסופו של דבר לבנות אמצעי זהירות אישית.

כישורי כוח העבודה וניהול שינוי

ניתוח נתונים דורש תערובת של הנדסה כרייה, מדעי נתונים ומיומנויות IT כי הם בקושי בתעשייה. מכרות רבות חסרות כישרון בבית לבנות ולשמור מודלים. Outsourcing לספקים או שותף עם אוניברסיטאות הוא נפוץ, אבל גם עם תמיכה חיצונית, צוות תחזוקה חייב ללמוד לסמוך ולפעול על תחזיות. Change תוכניות ניהול כולל מיומנות, תקשורת ברורה, תמיכה גלויה הם אימוץ קריטי.

סיכוני אבטחת סייבר

חיבור ציוד כרייה לרשתות חושף אותו להתקפות סייבר.רשת חיישן שנפגעה יכולה להאכיל נתונים כוזבים למודלים אנליטיים, מה שמוביל לתחזיות שגויות, או גרוע מכך התוקף יכול להשבית מערכות בטיחות קריטיות. חברות מינון חייבות ליישם את הפיצול הרשת, הצפנה, אימות רב-ספקי וביקורת אבטחה סדירה.ה המכון הלאומי לתקנים וטכנולוגיה (NIST) מספקת בסיס מוצק לתעשיית הסייבר.

השקעה ראשונה וROI

העלות העליונה של חיישנים, תשתיות רשת, תוכנה לניתוח ומדענים נתונים יכול להיות משמעותי, במיוחד עבור מכרות קטנות יותר. ROI הוא לא מיידי; זה עשוי לקחת 12 עד 24 חודשים לאסוף מספיק נתונים כשל לאמן מודלים חזקים. גישה בשלב עוזר: להתחיל עם טייס על אחד מחלקה קריטית נכס (למשל, מנועי משאיות), להוכיח ערך, אז ספקים רבים מציעים לשלם כפל או תוכנה - סיכון סיכון כי להפחית את המודלים.

כיוונים עתידיים: AI, Digital Twins ו- Edge Computing

הגל הבא של תחזוקה חיזויית בכריית פס יבוטל על ידי התקדמות באינטליגנציה מלאכותית, טכנולוגיה תאום דיגיטלית ומחשוב קצה.

אינטליגנציה מלאכותית ולמידה עמוקה

מודלים למידה עמוקה, במיוחד רשתות עצביות אבולוציה (CNN) וזיכרון לטווח קצר ארוך (LSTM) רשתות, יכולים ללמוד באופן אוטומטי דפוסים מהנתונים של חיישן גלם ללא הנדסת תכונה ידנית.זה מפחית תלות במומחיות התחום ויכול ללכוד מצבי כישלונ מורכבים, לא לינאריים. AI משמש גם עבור תחזוקה טרום-scriptive ונדריש; לא רק צופה כישלון, אלא גם ממליץ על הפעולה האופטימלית (למשל, כדי לצמצם את החיים הבאים).

תאומים

תאומו דיגיטלי הוא העתק וירטואלי של נכס פיזי המראה את המדינה בזמן אמת, באמצעות נתוני חיישן ומודלים המבוססים על פיזיקה.בפס כרייה, תאומים דיגיטליים של גרורות, דחפורים, ומעבירים מאפשרים למפעילים לדמות תרחישים "מה אם" וונדאש; לדוגמה, לבחון את ההשפעה של עומס מתוכנן על עייפות.

צוק איתן להחלטות בזמן אמת

יישומים רבים חיזוי דורשים החלטות כמעט בלתי שפויות, כגון סגירת מנוע באופן אוטומטי אם רטט עולה על סף קריטי.אנליזה מבוססת ענן עשויה להציג יותר מדי שקיפות. Edge מעבדת נתונים על או ליד הציוד, מודלים להאכיל הפועלים באופן מקומי. זה מקטין את דרישות רוחב הפס, משפר את פרטיות הנתונים, ומאפשר הפעלה לא בטוחה אפילו אם קישוריות לאינטרנט אבוד פלטפורמות Edge (למשל, JetVID), לא מספיק כדי לפתוח את דרישות רוחב הפס עלות בודדות על גבי תוכנות לא יעילה) לא יעילה.

שילוב עם פעולות אוטונומיות

בעוד מכרות פס לנוע לכיוון תנועה אוטונומית וקידוח, תחזוקה חיזוי הופכת אפילו יותר קריטית. ציים אוטונומיים חסרים מפעילי אנוש שיכולים לזהות סימנים מוקדמים של צרות על ידי תחושה או צליל. pdM מונע נתונים מבטיח כי הציוד האוטונומי נשמר במצב שיא, צמצום הסיכון של התמוטטות שיכול לעצור בור אוטומטי לחלוטין.

להתחיל: מפת דרכים לחברות מונות

עבור מפעילי כרייה שוקלים תוכנית תחזוקה חיזוי, השלבים הבאים מספקים נקודת התחלה מעשית:

  1. (FLT:0) מחקר עדכני של נתוני תחזוקה (FLT:1 – Review Historical כשל, צווי עבודה ודיווחי ניטור מצב.זהה אשר כשלים גורמים לשעות המאוחרות ביותר ולעלות.
  2. (FLT:0Select aפיילוט נכסFLT:1 – בחר מכונה גבוהה, מכונת הרואין (למשל, מנוע שידור קריטי או מנוע משאית).
  3. (FLT:0) Instrument and connect; ודא שהנכס יש חיישנים מתאימים וקישוריות אמינה.
  4. (FLT:0)Collect ו-לייבל נתונים של נתונים 1 – Gather לפחות 6 חודשים של נתונים כולל פעולה רגילה וכל אירועים של כשלים שנרשמו.
  5. (FLT:0Build or buymia ModelFLT:1 – השתמש במדענים או שותף עם ספק כדי לפתח מודלים ראשוניים של ML.התחל פשוט: התראות המבוססות על סף לפני ניסיון מודלים מורכבים.
  6. (ב) ויקרא:0) ואמתה (מ"ג) וונדאש; מודלים של ריצה במקביל לנהגי תחזוקה קיימים.מדת שיעורי שלילי חיוביים ושקריים.
  7. (ב) CMMSFIRLT:1; דור עבודה אוטומטית צו עבודה כאשר התחזיות פגעו ברמת האמון שנבחרה.
  8. (ב) ⁇ :0) וגודלו של ה- 1 – מודלים מאומנים בעקביות עם נתונים חדשים של כשלים.

תחזוקה חיזוי המונעת על ידי ניתוח נתונים אינה יישום חד פעמי אלא יכולת מתמשכת שמשתפרת עם הזמן.אלה שמשקיעים בו היום יקבלו יתרון תחרותי באמצעות זמינות ציוד גבוה יותר, עלויות נמוכות יותר, ופעולות בטוחות יותר.

מסקנה

כריית Strip נותרה אבן הפינה של אספקת מינרלים גלובלית, אך רווחיותה ובטיחות תלויה באמינות של ציי ציוד מסיביים.ניתוח נתונים.ניתוח נתונים התפתח כאבן הפינה של תחזוקה חיזוי, הפעלת הרים של נתוני חיישן לתחזיות מדויקות, פעולות פעולה.על ידי הבנת העקרונות של PdM, יישום איסוף נתונים חזק ומודלים של צינורות כרייה, ולהגדיל אתגרימת האינטגרציה ותרבותיים, חברות כרייתות יכולות להשיג הפחתה דרמטית בתת לא מתוכנן לא מתוכנן, אלא רק בתחזיות דיגיטליות, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם תחזיות מהירות גבוהה יותר של אבטחה ותקריות אבטחה ומהירות גבוהה יותר של אבטחה ומהירות גבוהה יותר של אבטחה, כמו גם כן, כמו גם כן, כמו גם , כמו גם קיבולת מחשוב דיגיטלי, ואפקטים.