مقاله پیش‌بینی خطای آسیاب توپ بر اساس شبکه رمزگذاری خودکار کانولوشن عمیق

چکیده

Ball mills play a critical role in modern mining operations, making their bearing failures a significant concern due to the potential loss of production efficiency and economic consequences. This paper presents an anomaly detection method based on Deep Convolutional Auto-encoding Neural Networks (DCAN) for addressing the issue of ball mill bearing fault detection. The proposed approach leverages vibration data collected during normal operation for training, overcoming challenges such as labeling issues and data imbalance often encountered in supervised learning methods. DCAN includes the modules of convolutional feature extraction and transposed convolutional feature reconstruction, demonstrating exceptional capabilities in signal processing and feature extraction. Additionally, the paper describes the practical deployment of the DCAN-based anomaly detection model for bearing fault detection, utilizing data from the ball mill bearings of Wuhan Iron & Steel Resources Group and fault data from NASA’s bearing vibration dataset. Experimental results validate the DCAN model’s reliability in recognizing fault vibration patterns. This method holds promise for enhancing bearing fault detection efficiency, reducing production interruptions, and lowering maintenance costs.

چکیده به فارسی (ترجمه ماشینی)

میلز توپ در عملیات معدن مدرن نقش مهمی دارد و باعث می شود که خرابی های تحمل آنها به دلیل از دست دادن احتمالی کارآیی تولید و پیامدهای اقتصادی ، نگرانی قابل توجهی داشته باشد.در این مقاله یک روش تشخیص ناهنجاری مبتنی بر شبکه های عصبی رمزگذاری خودکار جریان خودکار (DCAN) برای پرداختن به مسئله تشخیص گسل های بلبرینگ توپ ارائه شده است.رویکرد پیشنهادی داده های ارتعاش جمع آوری شده در طول کار عادی را برای آموزش ، بر غلبه بر چالش هایی از قبیل مسائل برچسب زدن و عدم تعادل داده ها که اغلب در روش های یادگیری تحت نظارت مشاهده می شود ، استفاده می کند.DCAN شامل ماژول های استخراج ویژگی های حلقوی و بازسازی ویژگی های حلقوی منتقل شده ، نشان دهنده قابلیت های استثنایی در پردازش سیگنال و استخراج ویژگی ها است.علاوه بر این ، در این مقاله ، استقرار عملی مدل تشخیص ناهنجاری مبتنی بر DCAN برای تحمل تشخیص گسل ، با استفاده از داده های بلبرینگ های آسیاب توپ گروه منابع آهن و فولاد ووهان و داده های گسل از مجموعه داده لرزش تحمل ناسا شرح داده شده است.نتایج تجربی اعتبار مدل DCAN را در شناخت الگوهای لرزش گسل اعتبار می دهد.این روش نوید را برای تقویت بازده تشخیص گسل ، کاهش وقفه در تولید و کاهش هزینه های نگهداری در اختیار دارد.