Operational Cycle Detection for Mobile Mining Equipment: An Integrative Scoping Review with Narrative Synthesis
Notice bibliographique
Résumé
Background: Accurate operational cycle detection underpins maintenance, production analytics and energy management for mobile equipment in mining. Yet no review has investigated the landscape of operational cycle detection literature in mining. Methods: Following the Preferred Reporting Items for Systematic Reviews and Meta‐Analyses, Scoping Review extension (PRISMA-ScR) framework, we searched the Lens database on June 27, 2025, for records published 2000–2025 that segment mobile mining vehicle telemetry into discrete operating modes. After de-duplication (n = 1,757) and two-stage screening, 20 empirical studies met all criteria (19 diesel, 1 battery-electric). Due to the sparse research involving battery electric vehicles (BEVs) in mining, three articles performing cycle detection on heavy-duty vehicles in a similar operational context to mining are synthesized. A bespoke three-axis Transferability Lens—created to measure cross-domain applicability of modelling approaches—was applied to four expert-selected passenger BEV studies to investigate cross-domain synthesis. Results: Early diesel work used single-sensor thresholds, often achieving >90\% site-specific accuracy, while recent studies increasingly employ types of neural networks using multivariate datasets. While the cycle detection research on mining BEVs, even supplanted with additional heavy-duty BEV studies, is sparse, similar approaches are favoured. The transferability appraisal suggests only moderate sensor-mapping and retraining effort when adapting automotive BEV classifiers to mining vehicle cycle detection. Conclusions: Persisting gaps in the literature include the absence of public mining datasets, inconsistent evaluation metrics, and limited real-time validation.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».