IBM > 实例探究 > 预测预防:用机器学习改变采矿

预测预防:用机器学习改变采矿

IBM Logo
 Predict to prevent: Transforming mining with machine learning - IoT ONE Case Study
技术
  • 分析与建模 - 机器学习
  • 分析与建模 - 预测分析
  • 基础设施即服务 (IaaS) - 其他
适用行业
  • 矿业
适用功能
  • 维护
用例
  • 预测性维护
客户
山特维克采矿和岩石技术
关于客户
Sandvik Mining and Rock Technology 是世界领先的采矿设备制造商。为采矿和岩石开挖提供设备和工具、服务和技术解决方案,包括凿岩、岩石切割、破碎和筛分
挑战

矿业公司有大量数据可供使用。传感器在地下作业中似乎无处不在。但到目前为止,由于难以理解所有数据,矿业公司很难利用他们的所有数据。

那么对于矿业公司来说,最重要的数据是什么?简短的回答:资产。采矿业是资产最密集的行业之一。在开采链的每个环节——钻孔、切割、破碎、筛选和去除含矿岩石——重型设备都至关重要。它需要挨打。当设备发生故障,需要进行计划外的维护时,生产会受到影响,成本会上升,并且采矿资本效率的一个关键指标——整体设备效率 (OEE)——会下降。

解决方案

IBM 使用机器学习算法在组件级别分析设备传感器数据。这个想法既基本又强大:如果您分析足够大的关于特定组件的维护和故障模式的数据集,您将能够准确预测该组件(例如,引擎的一部分)何时,变速器或刹车——很可能会出故障。这些模型产生的核心洞察力——每个组件的寿命预测——非常强大,因为它为操作员提供了他们需要的关键要素,以优化他们所有设备的整个操作中的定期维护实践。

收集的数据
Equipment Status, Overall Equipment Effectiveness, Disposal
运营影响
  • [Efficiency Improvement - Asset Utilization]

    an ability to take a more predictive—and thereby more proactive—approach to keep assets up and running.

  • [Efficiency Improvement - Operation]

    By combining the speed and power of cloud-based analytics with transparency across their operation, mine operators have been able to act on their insights in a way that directly impacts their production efficiency. 

数量效益
  • Reduce mine production downtime by 30%.

  • Reduce cost-per-ton ore production by up to 50%.

Case Study missing?

Start adding your own!

Register with your work email and create a new case study profile for your business.

Add New Record

相关案例.

联系我们

欢迎与我们交流!
* Required
* Required
* Required
* Invalid email address
提交此表单,即表示您同意 IoT ONE 可以与您联系并分享洞察和营销信息。
不,谢谢,我不想收到来自 IoT ONE 的任何营销电子邮件。
提交

感谢您的信息!
我们会很快与你取得联系。