MMIJ Annual Meeting

資源採掘や探査において広く使用されているトップハンマー式のロータリーパーカッションドリルは、ドリル先端部のビットが頻繁に損傷する。ビットが損傷したままの稼働は他の部分の連鎖的な破損を引き起こし、作業効率の大幅な低下やコストがかさむことが懸念される。これまでは現場のオペレータ自身が感覚的にそれらの判断を行っていたが、近年では鉱山の劣悪な環境にさらされるオペレータの安全性の確保や異常検知に対する効率化の面から鉱山操業に自動化のシステムを導入することが求められている。上記を踏まえ、ビットの異常を早期に検知可能なシステムを構築することを本研究の目的とする。システムの開発にあたり、機械学習の一つである畳み込みニューラルネットワーク(CNN)を用いる。研究手法としては、各岩石に対して状態と径種が異なるビット交換しながら掘削試験を行い、ドリル稼働時の振動から得られる加速度波形のデータを収集した後、CNNを適用したモデルに特徴を学習させ、テストによってラベル付けをした計5種類に分類した。異常検知精度の向上により、現場の環境に広く対応可能なシステムの実現を可能にする。