MachineHealth: Mot sunda maskiner och förutsägbart underhåll med AI

Syfte och mål
Detta projekt kommer att utföra en genomförbarhetsstudie för att förstå kraven för att övervaka maskinhälsa i gruvmiljö. Med de senaste tillkännagivandena av ny teknik kommer AI-algoritmer att användas. De två använda teknikerna är djupa inlärningsalgoritmer och tekniker som gör att numerisk representation kan abstraheras på ett sätt som lätt och intuitivt kan förstås av den mänskliga operatören. Vi kommer att utveckla ett koncept för att utöka övervakningen av maskiner och att öka analysen så att de viktigaste mönstren presenteras direkt till maskinägare och operatörer.

Upplägg och genomförande
I projektet kommer vi att använda etablerade AI-algoritmer från Örebro universitet tillsammans med de data som finns tillgängliga med Certiq. Förstudien ska utvärdera genomförbarheten av testade AI-algoritmer som ska tillämpas på en ny domän för att undersöka möjligheten att tillhandahålla automatiserad analys och avslöja trender som inte alltid lätt kan hittas av mänskliga operatörer.

Förväntade resultat
I synnerhet följer vi visionen i STRIM, genom att utveckla helt självständiga gruvoperationer och färre arbetade timmar. MachineHealth kommer främst att fokusera på att utveckla teknikens ståndpunkt i relation till avsnitt 4.2.3.2 Effektiv enhetsoperation för gruvdrift, genom att utveckla enhetsoperationer för att underlätta automation och effektiv utvinning.