Lineare Abnutzungsüberwachung bei Erzmühlen
Bei der Erzverarbeitung werden zum Schutz vor Stössen Gummiauskleidungen verwendet, deren Verschleiss jedoch hohe Kosten verursacht. Das Projekt setzt externe Beschleunigungssensoren, drahtlose Datenübertragung und maschinelles Lernen ein.
Steckbrief
- Beteiligte Departemente Technik und Informatik
- Institut(e) Institut für Intelligente industrielle Systeme (I3S)
- Forschungseinheit(en) I3S / Prozessoptimierung in der Fertigung
- Förderorganisation Innosuisse
- Laufzeit 01.12.2014 - 31.03.2017
- Projektleitung Prof. Dr. Axel Fuerst
- Partner ABB Schweiz AG - Low Voltage Power
Ausgangslage
Die weltgrössten Mahlmühlen für die Erzaufbereitung haben einen Durchmesser von bis zu 12 m. Um die teure Mühlentrommel vor dem Aufprall von Steinen und/oder Stahlkugeln zu schützen, werden Hartgummiauskleidungen verwendet. Aufgrund des immensen Durchsatzes ist jede Ausfallzeit einer Mühle sehr kostspielig. Hinzu kommt, dass die Auskleidungen selbst teuer sind. Es ist daher von Vorteil, die Auskleidungen so spät wie möglich zu wechseln. Um dies zu erreichen, ist es unerlässlich, gute Informationen über den Zustand der Auskleidungen zu haben.
Vorgehen
Ein Beschleunigungssensor ist an der Mühlentrommel angebracht, um Echtzeitdaten zu sammeln, die drahtlos an eine zentrale Speichereinheit übertragen werden. Die Zeitreihendaten werden mithilfe von Algorithmen des maschinellen Lernens verarbeitet und analysiert, um den Zustand der Auskleidung zu klassifizieren, was eine frühzeitige Erkennung bei Abnutzung ermöglicht und Ausfallzeiten minimiert.
Ergebnisse
Simulationen und Analysen nach der Finite-Elemente-Methode (FEM) haben gezeigt, dass das Beschleunigungssignal sehr empfindlich auf Schwankungen der Auskleidungsdicke reagiert, was eine solide theoretische Grundlage für die Abnutzungsüberwachung darstellt. Um dies zu bestätigen, wurde ein massstabsgetreues Modell gebaut, um die gesamte Pipeline des Ansatzes zu testen. Es wurden Experimente mit Auskleidungen in verschiedenen Abnutzungszuständen durchgeführt und Messungen mit dem Beschleunigungssensor gesammelt. Die resultierenden Daten wurden aufbereitet und analysiert, wobei eine Zeitreihenklassifizierung vorgenommen wurde. Der Proof of Concept (PoC) bestätigte, dass der Ansatz praktikabel und effektiv ist und vielversprechende Ergebnisse für reale Anwendungen liefert.