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 درصنعت معدن است. خرابی ماشین آلات امری غیر قابل اجتناب است که می تواند این هدف را محدود کند. ایجاد مدلهای پیش بینی خرابی ماشین آلات به عنوان یک استراتژی تصمیم گیری مبتنی بر تشخیص بلادرنگ خرابی هایقریب الوقوع و آگاهی از سلامت آنها می تواند قابلیت دسترسی را افزایش و هزینه های عملیاتی را کاهش دهد. دراین مقاله یک رویکرد داده محور بر اساس مدل یادگیری ماشین برای تشخیص وضعیت سلامت کامیون های معدنیو همچنین شناسایی بعضی از عیوب موتور آنها ارائه می گردد. مدل ها بر اساس تاریخچه داده های پایش وضعیت وآنالیز روغن موتور کامیون های معدنی آموزش دیده می شوند. برای انتخاب مدل از الگوریتم های یادگیری ماشینشامل (Support K-Nearest Neighbor (KNN) XGBoost Random Forests (RF (Vector Machine (SVM و Voting و معیارهای ارزیابی مختلفی استفاده شده است. نتایج تحربی نشانمی دهد که XGBoost و RF نسبت به سایر الگوریتم ها عملکرد بهتری دارند.

کلیدواژه ها:

یادگیری ماشین ، آنالیز روغن ، پیش بینی خرابی