في صناعة التعدين، حيث تتسبب أعطال المعدات في توقف مكلف غير مخطط له، تكون استمرارية العمليات أساسية. تمتلك تقنيات إنترنت الأشياء (IoT) القدرة على التنبؤ؛ ومع ذلك، تفتقر معظم الحلول إلى رؤية شاملة ورسم خرائط لترابطات النظام المعقدة. تقدم هذه الدراسة إطار عمل شامل للصيانة التنبؤية (PdM) مصمم خصيصًا لبيئات التعدين ذات العمليات المستمرة، مع تركيز رئيسي على مطاحن الطحن شبه المستقلة (SAG). من خلال الجمع بين تحليل البيانات الاستكشافية، هندسة الميزات المتقدمة، التعلم الآلي الكلاسيكي (مصنف تعزيز التدرج)، والتعلم العميق (LSTM مع تكوينات نوافذ زمنية متعددة)، يحقق النظام الكشف عن الشذوذ في الوقت الحقيقي، وتفسير الجذور المسببة، والتنبؤ بالأعطال حتى 48 ساعة مقدمًا (متوسط زمن التنبؤ: 17 ساعة). يتيح هيكل التوأم الرقمي ذو الطبقات الأربع المتكامل مع Streamlit إرسال تنبيهات قابلة للتنفيذ مصنفة كطوارئ أو تدخلات مخططة أو وقائية. عند تطبيقه على مجموعة بيانات مدة عام واحد تحتوي على 99,854 سجلًا ساعة من مطحنة SAG صناعية، منع النموذج الهجين ما يقدر بـ 219.5 ساعة من التوقف غير المخطط له، محققًا فوائد اقتصادية كبيرة. تم تصميم الحل المقترح عمدًا لتمكين تكيف عالي عبر أنواع متعددة من المعدات وقطاعات صناعية تتجاوز التعدين.
درس Kurt وآخرون (الأربعاء،) هذا السؤال.