توصيفگر ها :
تعمير و نگهداري هوشمند , دامپ تراك , پيشبيني خرابي , بهرهوري , قابليت دسترسي , پايش وضعيت , الگوريتم بردار پشتيبان ماشين
چكيده فارسي :
امروزه در تمام صنايع، سامانههاي پايش سلامت و تعمير و نگهداري هوشمند و الكترونيكي، از جايگاه ويژهاي برخوردار است. جلوگيري از تعميق خرابيها و رصد برخط زيرسيستمهاي مستعد خرابي، موجبات كاهش زمان خواب تجهيزات را فراهم ميآورد. ماشينآلات معدني عليرغم هزينه سرمايهگذاري و هزينه تعمير و نگهداري بالا و همچنين هزينه فرصت، به دليل چالشهاي فراواني اعم از حركت در مسيرهاي صعبالعبور، شبكه انتقال ارتباطات نهچندان قوي، ارتعاشات زياد، نويز بهشدت زياد حاصل از كاركرد موتورها و الكتروموتورهاي غول پيكر، شرايط سخت محيطي و ديگر موارد محدود كننده، بهرهچنداني از پيشرفت علم تعمير و نگهداري نبرده است. شركتهاي سازنده ماشينآلات معدني نيز در خصوص سيستمهاي ابزاردقيق، ارتقا سطح قابليت اطمينان را به دقت تجهيزات كه احتمال خرابيهاي جزئي داشته باشند، مقدم ميدانند. از سويي ديگر اطلاعات كلاستر ماشينآلات خود را بر اساس پايگاه اطلاعاتي شركت، پردازش كرده و با خطاي زياد حاصل از حذف دادههاي پرت سنسورهاي با دقت پايين، نمايي كلي از وضعيت بخشي از ماشين، به اپراتور نمايش ميدهد. در اين پژوهش، به بررسي روند تعمير و نگهداري و استراتژي تعمير و نگهداري هوشمند در ماشينآلات معدني پرداخته شده است. سپس با توجه به دادههاي خروجي از سنسورها جمعآوري شده به ايجاد الگوريتم هوشمند با استفاده از الگوريتم بردار پشتيبان ماشين براي پيشبيني خرابيها پرداخته شده است. لازم به ذكر است در ايجاد اين الگوريتم از مرزهاي دقيق خطي استفاده نشده است و مرزها با توجه به روند دادههاي سنسور يا همپوشاني سنسورها كلاس سلامت ماشين را پيشبيني كرد. نتايج نشان داد كه الگوريتم مورد پژوهش با دقت 92 درصدي توانست به پيشبيني كلاس سلامت ماشين باتوجه به پنج كلاس سبز (شرايط ايدهآل)، زرد (هشدار)، نارنجي (پس از اتمام شيفت به تعميرگاه مراجعه شود)، قرمز (اگر دامپتراك بار دارد پس از تخليه بار در سنگ شكن و اگر بار ندارد فورا به تعميرگاه مراجعه كند) و مشكي (خاموشي درجا دامپتراك) تعريف شده بپردازد.
چكيده انگليسي :
Nowadays, health monitoring systems and intelligent electronic maintenance play a significant role in all industries. Preventing the escalation of failures and real-time monitoring of subsystems prone to malfunction contribute to reducing equipment downtime. Despite the high investment and maintenance costs, as well as opportunity costs, mining machinery has benefited little from advancements in maintenance science due to numerous challenges. These challenges include navigating rough terrains, weak communication networks, high vibrations, extreme noise generated by the operation of massive motors and electromotors, harsh environmental conditions, and other limiting factors. Manufacturers of mining machinery prioritize improving system reliability over the precision of instrumentation systems, which may fail due to minor faults. Additionally, these manufacturers process their machine clusters based on their company databases and present a general overview of a machine's status to the operator. However, this approach often results in errors caused by eliminating outlier data from low-accuracy sensors. In this research, the maintenance processes and strategies for intelligent maintenance of mining machinery have been analyzed. Finally, based on the output data from the sensors, an intelligent algorithm using the Support Vector Machine (SVM) algorithm has been developed to predict failures. It is worth noting that this algorithm does not rely on strictly linear boundaries; instead, the boundaries are defined based on the trends in sensor data or overlaps between sensor outputs to predict the machine’s health class. The results demonstrated that the proposed algorithm achieved a prediction accuracy of 92% for five defined health classes: Green (Ideal condition), Yellow (Warning), Orange (Maintenance required after the shift), Red (If the dump truck is loaded, it must unload at the crusher and then go to the workshop immediately; if unloaded, it must head to the workshop immediately) and Black (Immediate shutdown of the dump truck).
