On-device Anomaly Detection in Conveyor Belt Operations

要約

コンベアベルトは、生産性に直接影響する長距離にわたってバルク材料の連続的かつ効率的な動きを可能にすることにより、マイニング操作において重要です。
特定のコンベアベルト成分の異常の検出が広く研究されていますが、生産条件の変化や演算子エラーなど、これらの障害の根本原因を特定することは依然として重要です。
マイニングコンベアベルト作業サイクルの継続的な監視はまだ初期段階であり、堅牢なソリューションが必要です。
最近、マイニングコンベアベルトのデューティサイクル操作のための異常検出方法が提案されています。
この研究は、その限られたパフォーマンスと平均化されていない長期的な適切な操作に基づいて、正常および異常な義務サイクルを分類するための2つの新しい方法を提案しています。
提案されているアプローチは、しきい値ベースのデューティサイクル検出メカニズム、手動で抽出された機能、パターンマッチング、および監視された小さな機械学習モデルを使用するパターン認識システムです。
探索された低コンパートルモデルには、意思決定ツリー、ランダムフォレスト、余分な木、極端な勾配ブースト、ガウスナイーブベイズ、多層パーセプロンが含まれます。
前者と提案されたアプローチの包括的な評価は、2つのデータセットで実行されます。
両方の提案された方法は、以前の方法よりも優れており、最良のパフォーマンスアプローチはデータセット依存です。
ヒューリスティックなルールベースのアプローチは、アルゴリズムトレーニングに使用されるのと同じデータセットで最高のパフォーマンスを達成し、通常サイクルで97.3％、異常サイクルで80.2％を達成します。
MLベースのアプローチは、マシンの老化の影響を含むデータセットでより良いパフォーマンスを発揮し、通常サイクルで91.3％、異常サイクルで67.9％を獲得します。
2つの低電力マイクロコントローラーに実装されたこの方法は、推論中に13.3および20.6 $ {\ mu} $ jのエネルギー消費を伴う効率的なリアルタイム動作を実証します。
これらの結果は、検出するための貴重な洞察を提供します…

要約(オリジナル)

Conveyor belts are crucial in mining operations by enabling the continuous and efficient movement of bulk materials over long distances, which directly impacts productivity. While detecting anomalies in specific conveyor belt components has been widely studied, identifying the root causes of these failures, such as changing production conditions and operator errors, remains critical. Continuous monitoring of mining conveyor belt work cycles is still at an early stage and requires robust solutions. Recently, an anomaly detection method for duty cycle operations of a mining conveyor belt has been proposed. Based on its limited performance and unevaluated long-term proper operation, this study proposes two novel methods for classifying normal and abnormal duty cycles. The proposed approaches are pattern recognition systems that make use of threshold-based duty-cycle detection mechanisms, manually extracted features, pattern-matching, and supervised tiny machine learning models. The explored low-computational models include decision tree, random forest, extra trees, extreme gradient boosting, Gaussian naive Bayes, and multi-layer perceptron. A comprehensive evaluation of the former and proposed approaches is carried out on two datasets. Both proposed methods outperform the former method, with the best-performing approach being dataset-dependent. The heuristic rule-based approach achieves the highest performance in the same dataset used for algorithm training, with 97.3% for normal cycles and 80.2% for abnormal cycles. The ML-based approach performs better on a dataset including the effects of machine aging, scoring 91.3% for normal cycles and 67.9% for abnormal cycles. Implemented on two low-power microcontrollers, the methods demonstrate efficient, real-time operation with energy consumption of 13.3 and 20.6 ${\mu}$J during inference. These results offer valuable insights for detecting …

arxiv情報

提供元, 利用サービス

arxiv.jp, Google