Büyük ölçekli madencilik ekipmanının arıza tahmini ve kalan faydalı ömür kestirimi için bir TCN-Dikkat füzyon modeli

Madencilik makineleri için akıllı bakım neden önemli

Modern madenler, neredeyse aralıksız çalışan dev kamyon ve ekskavatör filoları üzerine kuruludur ve zorlu koşullarda çalışırlar. Bu makinelerden biri beklenmedik şekilde arızalandığında üretim durabilir ve işçiler risk altında kalabilir. Bu makale, sensör verisi akışlarını ve gelişmiş yapay zekâyı kullanarak sorunları erken tespit etmenin ve bir makinenin ne kadar faydalı ömre sahip olduğunu tahmin etmenin yeni bir yolunu sunuyor; sürpriz arızaları öngörülebilir ve yönetilebilir olaylara dönüştürüyor.

Arızadan sonra onarımdan ileriye yönelik planlamaya

On yıllarca ağır ekipman genellikle bir şey ters gidince veya gerçek aşınma ve yıpranmayı tam yansıtmayan sabit programlara göre tamir edildi. Madenler daha fazla enstrümantasyonla donatıldıkça mühendisler artık dişliler ve hidrolik pompalar gibi kritik parçalardan titreşim, sıcaklık, basınç ve işletim verilerinin büyük miktarlarını topluyor. Geleneksel modeller ve daha basit makine öğrenmesi yöntemleri bu bilgilerin bir kısmını kullanabilir, ancak zorlu ortamlarda gerçek makinelerin karmaşık ve değişken davranışıyla başa çıkmakta zorlanırlar. Yazarlar, aylara yayılan yavaş bozulma örüntülerini öğrenebilen ve aynı zamanda ani değişimlere tepki verebilen daha esnek bir yaklaşım gerektiğini savunuyor.

Büyük makineler için katmanlı bir veri sinir sistemi

Çalışmanın özü, madencilik ekipmanı için bir sinir sistemi gibi davranan bir derin öğrenme modelidir. Çok kanallı zaman serisi verilerini—zaman içinde izlenen onlarca sensör okumalarını—alır ve bunları bir zamansal konvolüsyon ağından geçirir. Bu ağ, veriyi an be an işlemeye gerek kalmadan hem hızlı sarsıntıları hem de uzun vadeli eğilimleri yakalayabilen, özenle aralıklı filtreler kullanarak birden fazla geçmiş zaman adımına aynı anda bakar. Bu omurganın üzerine yazarlar iki kollu bir dikkat modülü ekler: bir kol makinenin geçmişindeki hangi anların en önemli olduğunu öğrenir, diğeri ise hangi sensörlerin özellikle bilgi verdiğini öne çıkarır. Günlük terimlerle model, makinenin sağlığını değerlendirirken en belirleyici dönemleri ve ölçümleri “tekrar oynatıp” “yakından incelemeyi” öğrenir.

Hem sağlık durumunu hem kalan ömrü tahmin etme

Ayrı araçlar geliştirmek yerine araştırmacılar sistemi aynı anda iki soruyu yanıtlayacak şekilde tasarlar: Ekipman şu anda hangi durumda ve arızalanmadan önce ne kadar daha çalışabilir? Bir çıktı kolu mevcut sağlığı normal işletmeden yakın arızaya kadar dört seviyede sınıflandırır. Diğer kol kalan faydalı ömrü saat cinsinden tahmin eder. İki görev iç temsilin çoğunu paylaşır ve eğitim prosedürü hatalarının belirsizliğine göre her hedefe ne kadar ağırlık verileceğini otomatik olarak ayarlar. Bu ortak öğrenme, modelin bir görevden elde edilen ipuçlarını diğerini iyileştirmek için kullanmasına olanak tanır—örneğin, ciddi bozulmaya özgü sinyallerin kısa kalan ömürle çakışması gerektiğini tanımak gibi.

Gerçek kamyon ve ekskavatörler üzerinde test

Yöntemin ne kadar iyi çalıştığını görmek için ekip, Çin’deki açık ocak bir bakır madeninden zengin bir veri setine uygular. 18 ay boyunca, her biri en fazla 21 sensörle izlenen 12 büyük kamyon ve ekskavatörü izleyerek 800’den fazla kaydedilmiş arıza ve tam arıza tarihçelerini topladılar. Dikkatli temizlik, nadir arıza vakalarının dengelenmesi ve özellik çıkarımı sonrası, modellerini klasik teknikler ve LSTM ağları, dönüştürücüler ve diğer zamansal konvolüsyon sistemleri gibi son derin öğrenme yaklaşımlarını içeren çeşitli alternatiflerle karşılaştırdılar. Yeni model en yüksek arıza tahmin doğruluğunu (yaklaşık yüzde 92) ve kalan ömür tahminlerindeki en düşük hatayı elde etti; gerçek ömürlerdeki varyansın yüzde 90’ından fazlasını açıkladı. Ayrıca yazarlar sensör kaybı ve gürültülü ölçümler simüle ettiğinde de iyi dayandı ve rakip yöntemlere göre daha kademeli bozulma gösterdi.

Bu madenler ve ötesi için ne anlama geliyor

Pratik anlamda çalışma, zamansal konvolüsyonları zaman ve sensörler boyunca dikkate entegre etmenin ham izleme verilerini çok büyük makineler için güvenilir erken uyarılara ve arızaya kadar geçen süre tahminlerine dönüştürebileceğini gösteriyor. Maden işletmecileri için bu, beklenmeyen duruşların azalması, bakım pencerelerinin daha iyi planlanması, yedek parça yönetiminin daha verimli hale gelmesi ve güvenliğin iyileşmesi anlamına gelebilir. Daha geniş açıdan, çalışma rüzgâr türbinlerinden fabrika robotlarına kadar karmaşık ekipmanın sensör veri akışları ürettiği herhangi bir sektörde öngörücü bakım için bir şablon öneriyor ve daha akıllı, daha dirençli altyapıya doğru bir yol sunuyor.

Atıf: Mao, J., Xu, W., Li, D. et al. A TCN-Attention fusion model for fault prediction and remaining useful life estimation of large-scale mining equipment. Sci Rep 16, 13746 (2026). https://doi.org/10.1038/s41598-026-43145-z

Anahtar kelimeler: öngörücü bakım, madencilik ekipmanı, kalan faydalı ömür, derin öğrenme, sensör verisi