Presentation Information
[2K0101-12-04]Early diagnosis in rotary percussion drill bits using time-frequency content of drilling vibration as an input of machine learning
○Jo Sasaki1, Yohei Kawamura1, Yusuke Takarada2, Akinobu Iguchi2, Masaya Hisada3 (1. Graduate school of Akita University, 2. MITSUBISHI MATERIAL, 3. MMC RYOTEC)
Keywords:
Drill Bit,Early Diagnosis,Wave Analysis,Deep Learning,Convolution Neural Network
地下鉱山採掘現場において、ドリルビットが破損した状態での掘削は、掘削効率の低下のみならず、その他の付随する部品の損傷を引き起こす。現在、地下鉱山採掘現場では熟練のオペレーターによる感覚的な異常検知が行われている（進み具合や、異常音の有無）。そのような状況にも関わらず、近年は熟練のオペレーターの減少による新規オペレーターの育成や現状のオペレーターの維持費用が問題となっている。この問題を対処すべく、著者らはドリルビットの早期異常診断システムを開発してきた。これまでの研究では、ドリルが稼働する映像から抽出した時間-音圧波形を使用し、音圧強度を機械学習の入力として扱い正常、異常の判定を行ってきた。本発表では、時間-音圧波形にくらべ、よりノイズが抑えられたドリル本体のドリフター部分の加速度振動を機械学習の入力として使用することで、判定精度の向上を目指した。また、加速度波形のフーリエスペクトルを入力として機械に学習させ出力としてドリルビットの正常もしくは、異常状態を判定することも試みた。ビットの異常状態として、チップ欠損、チップ摩耗、孔曲がり掘削、高打撃圧掘削を設定した。