Reliability analysis of underground mining equipment using genetic algorithms
Notice bibliographique
Résumé
Purpose – While increased mechanization and automation make considerable contributions to mine productivity, unexpected equipment failures and imperfect planned or routine maintenance prohibit the maximum possible utilization of sophisticated mining equipment and require significant amount of extra capital investment. Traditional preventive/planned maintenance is usually scheduled at a fixed interval based on maintenance personnel's experience and it can result in decreasing reliability. This paper deals with reliability analysis and prediction for mining machinery. A software tool called GenRel is discussed with its theoretical background, applied algorithms and its current improvements. In GenRel, it is assumed that failures of mining equipment caused by an array of factors (e.g. age of equipment, operating environment) follow the biological evolution theory. GenRel then simulates the failure occurrences during a time period of interest based on Genetic Algorithms (GAs) combined with a number of statistical procedures. The paper also discusses a case study of two mine hoists. The purpose of this paper is to investigate whether or not GenRel can be applied for reliability analysis of mine hoists in real life. Design/methodology/approach – Statistical testing methods are applied to examine the similarity between the predicted data set with the real-life data set in the same time period. The data employed in this case study is compiled from two mine hoists from the Sudbury area in Ontario, Canada. Potential applications of the reliability assessment results yielded from GenRel include reliability-centered maintenance planning and production simulation. Findings – The case studies shown in this paper demonstrate successful applications of a GAs-based software, GenRel, to analyze and predict dynamic reliability characteristics of two hoist systems. Two separate case studies in Mine A and Mine B at a time interval of three months both present acceptable prediction results at a given level of confidence, 5 percent. Practical implications – Potential applications of the reliability assessment results yielded from GenRel include reliability-centered maintenance planning and production simulation. Originality/value – Compared to conventional mathematical models, GAs offer several key advantages. To the best of the authors’ knowledge, there has not been a wide application of GAs in hoist reliability assessment and prediction. In addition, the authors bring discrete distribution functions to the software tool (GenRel) for the first time and significantly improve computing efficiency. The results of the case studies demonstrate successful application of GenRel in assessing and predicting hoist reliability, and this may lead to better preventative maintenance management in the industry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».