Conveyor Belt 操作中的设备端异常检测

Conveyor belts在矿业运营中至关重要，通过在远程距离内持续且高效地移动bulk materials，直接影响生产效率。虽然针对特定 Conveyor Belt 组件的异常检测已广泛研究，但识别这些故障的根本原因（如生产条件变化和操作员错误）仍至关重要。矿业 Conveyor Belt工作循环的连续监控仍处于早期阶段，需要robust解决方案。最近提出了一种用于矿业 Conveyor Belt工作循环的异常检测方法。基于其有限的性能和未评估的长期适当运行，本研究提出了两种用于分类正常和异常工作循环的 novel 方法。所提出的方法是模式识别系统，利用基于阈值的工作循环检测机制、手动提取的特征、模式匹配和监督式tiny机器学习模型。所探索的低计算模型包括决策树、随机森林、extra trees、extreme gradient boosting、Gaussian naive Bayes和多层感知机。对前述方法和提议方法进行了对两个数据集的全面评估。两种提议方法均优于前一种方法，实现了异常检测，其中表现最佳的方案取决于数据集。基于启发式规则的方法在用于算法训练的同一数据集上实现了最高F1得分，正常循环为97.3%，异常循环为80.2%。基于ML的方法在包括机器老化效应的数据集上表现更好，正常循环的F1得分为91.3%，异常循环为67.9%。在两台低功耗微控制器上实现的方法显示出高效、实时运行，推理期间能耗分别为13.3和20.6 \textmu J。