Implementing Gaussian process modelling in predictive maintenance of mining machineries
Notice bibliographique
Résumé
Mining machinery constitutes essential assets for a mining corporation. Due to economies of scale, technological innovations and stringent quality and safety requirements, the size, complexity, functionality and diversity of industrial machinery have expanded markedly over the last two decades. This growth has increased sensitivity to machine availability and reliability. Mining operations install comprehensive maintenance units tasked with inspection, repair, replacement and inventory management for the machines in use. Leveraging the proliferation of sensor technologies integrated within the machines, maintenance units obtain rich data streams synchronously disclosing machine health and performance metrics, which enables a predictive maintenance programme. This programme performs prognostic detections of anomalies and permits timely intervention to avert catastrophic breakdowns. However, such sensor-driven predictive maintenance scheme for machinery in the mining sector is limited. The present paper utilises the Gaussian process, a powerful predictive modelling technique, to show its potential in addressing this challenge. The efficacy of this approach is validated through three case studies. Each case study is equipped with sensor data and represents a typical predictive maintenance task for mining assets. The developed Gaussian process models successfully capture meaningful temporal patterns in sensor data and generate credible predictions across all three tasks: temporal prediction of sensor data degradation trends, remaining useful lifespan prediction and simultaneous monitoring and prediction of multiple machine conditions. Furthermore, the models offer uncertainty estimates to the prediction outcomes, potentially facilitating maintenance decision-making process.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».