پیش بینی خودکار خرابی موتور کامیون های معدنی با استفاده از آنالیز روغن و یادگیری ماشین

افزایش دسترسی پذیری ماشین آلات و کاهش هزینه های عملیاتی از الزامات رسیدن به تولید هوشمند پایدار در صنعت معدن است. خرابی ماشین آلات امری غیر قابل اجتناب است که می تواند این هدف را محدود کند. ایجاد مدل های پیش بینی خرابی ماشین آلات به عنوان یک استراتژی تصمیم گیری مبتنی بر تشخیص بلادرنگ خرابی های قریب الوقوع و آگاهی از سلامت آنها می تواند قابلیت دسترسی را افزایش و هزینه های عملیاتی را کاهش دهد. در این مقاله یک رویکرد داده محور بر اساس مدل یادگیری ماشین برای تشخیص وضعیت سلامت کامیون های معدنی و همچنین شناسایی بعضی از عیوب موتور آنها ارائه می گردد. مدل ها بر اساس تاریخچه داده های پایش وضعیت و آنالیز روغن موتور کامیون های معدنی آموزش دیده می شوند. برای انتخاب مدل از الگوریتم های یادگیری ماشین شامل random forests (rf)، xgboost، k-nearest neighbor (knn)، support vector machine (svm) و voting و معیارهای ارزیابی مختلفی استفاده شده است. نتایج تجربی نشان می دهد که xgboost و rf نسبت به سایر الگوریتم ها عملکرد بهتری دارند.