Resumen

Hoy en día, las cintas transportadoras se utilizan ampliamente para el transporte de materiales a corta y larga distancia, y el fallo de un solo componente puede tener consecuencias fatídicas. Por consiguiente, el uso del aprendizaje automático en el diagnóstico oportuno de fallos es una forma eficaz de garantizar el funcionamiento seguro de las cintas transportadoras. La máquina de vectores soporte es un potente algoritmo de aprendizaje automático supervisado para la clasificación en el diagnóstico de fallos. Antes de la clasificación, se utiliza el análisis de componentes principales para la reducción de datos según las variedades de características. Para optimizar los parámetros de la máquina de vectores soporte, este trabajo presenta un enfoque de optimizador de lobo gris. El modelo de diagnóstico se aplica al diagnóstico de fallos del sistema de transporte por cinta de una mina subterránea a partir de los datos de monitorización recogidos por los sensores del internet de las cosas de la mina. Los resultados muestran que la precisión de reconocimiento de la avería es de hasta el 97,22 según el conjunto de datos de la mina. Se demuestra que el modelo de clasificación combinado tiene un mejor rendimiento en el diagnóstico inteligente de fallos.

• Materias:Matemáticas
• Subjects:mathematics
• Palabras claves:máquina de vectores de apoyo, enfoque del optimizador lobo gris, diagnóstico de fallos del sistema de transporte por cinta de minas subterráneas, conjunto de datos del emplazamiento minero, potente máquina supervisada, análisis de componentes principales, diagnóstico puntual de fallos, clasificación, fallo, cinta transportadora
• Keywords:support vector machine, grey wolf optimizer approach, underground mine belt conveyor transportation system fault diagnosis, mine site dataset, powerful supervised machine, principal component analysis, timely fault diagnosis, classification, fault, belt conveyor