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.
Fiche signalétique
- Départements participants Technique et informatique
- Institut(s) Institut des systèmes industriels intelligents (I3S)
- Unité(s) de recherche I3S / Prozessoptimierung in der Fertigung
- Organisation d'encouragement Innosuisse
- Durée 01.12.2014 - 31.03.2017
- Direction du projet Prof. Dr. Axel Fuerst
- Partenaire ABB Schweiz AG - Low Voltage Power
Situation
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.
Approche
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.
Résultat
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.
