Metso：通过工业物联网来实现自主采矿

识别潜在提升机会

与石油和天然气等类似行业相比，采矿业历来受到低固定资产利用率、低能效和长停机时间的困扰。相关企业实施低效率的人工方法，过度依赖现场工人对设备和系统进行监测、维护和报告。

Metso 着手打造由 IIoT 驱动的选矿设备预测性维护和资产优化解决方案，帮助矿山进一步实现自动化采矿的目标。最终Mesto Metrics在矿业中实现了保证现有资产持续形成高的生产效率，同时降低高昂的设备故障和停机的愿景。

Metso Metrics 能够有效减少计划外停机时间以及提高维护操作的可预测性和准确性，从而解决选矿设备整体设备效率 (OEE) 低下的问题。同时还能优化设备性能，最终提升运营水平和能效。

将人工智能与人类智慧相结合

Metso Metrics 通过将关键设备通过PLC和IIOT互联进行相关实施工作。。它从设备传感器收集数据，并安全地将数据发送至云端。然后，它对数据执行高级 AI 算法，以检测新的或已知故障模式，并在数据显示潜在问题时向管理人员发出警报。

在澳大利亚的一个铁矿石矿区，Metso Metrics 从矿山破碎机数据中寻找已知故障模式和异常情况，帮助采矿者预测事故、主动进行维护并避免停机。

“我们已经为该客户开发了多套子系统算法，包括驱动和液压系统，我们正在跟踪有关振动模式、滤油器和衬套健康状况的数据。”Metso 首席数字官 Jani Puroranta 说道。“在其中的一个案例，振动模式表明破碎机的某个特定区域存在问题。于是，我们的服务团队要求现场维修团队进行评估，发现了一个易于修复的部件松动问题。如果没有识别并修复这个问题，很可能导致灾难性事件，潜在损失将会超过 100 万美元。”

每套机器算法都针对特定机器行为进行 4-6 周的训练，这为实现最佳效能奠定了基础。在实时模式下，机器算法执行全天候监控，以检测和预测潜在故障或问题。 

在智利圣地亚哥和中国长沙均设有远程团队，负责观测机器信号，并对数据进行说明，帮助指导客户行动，在没有检测到问题的情况下也能提供性能优化建议。他们负责管理需要立即采取行动的案例，并与当地现场团队协调维护工作。Metso 的主题专家还通过使用该信息从 Metso 全球各地办事处为客户提供远程支持。

目前取得的成果

初步估计和安装报告显示，矿石加工厂的最大受益在于避免了事故和相关维护成本，包括停机成本。

全球已有 10 多座矿山使用了 Metso Metrics的方案，并实现了 1000 多台 IIoT 设备联网。由于多次及早发现问题，已避免了数十万美元的损失。虽然建立基于 IIoT 的预测性维护和资产优化系统需要大量的前期投入，但客户可以立即见到成效。

对客户而言，Metso Metrics 还提供了不少间接优势。随着 Metso 开发和推出新设备模型，Metso 工程师不断使用分析过程中获得的数据监测新设计在实际工况下的能效。随后可以根据性能数据改进新设计，从而开发出更智能、更高效的设备，进一步惠及未来运营。

“我们收集的信息提供有关客户在现场如何使用我们机器的宝贵见解，引导我们的研发团队更快创建新模型，从而加快产品上市速度，”Puroranta 表示。