การป้องกันการโอเวอร์โหลดของเครื่องบดแบบลูกกลิ้งด้วยการเรียนรู้ของเครื่องและ AI
เราได้พัฒนาระบบการเรียนรู้ของเครื่องที่สามารถคาดการณ์การทำงานเกินกำลังของเครื่องบดแบบลูกบอลได้ล่วงหน้า 30-40 นาที ทำให้ผู้ปฏิบัติงานมีเวลาและข้อมูลที่จำเป็นในการปรับโหลดของเครื่องบดและพารามิเตอร์การทำงาน ก่อนหน้านี้ลูกค้าประสบปัญหาการหยุดทำงาน 9.1 วันต่อปี และการใช้พลังงานที่มากเกินไป โมเดลการคาดการณ์ใหม่นี้ช่วยให้วงจรการผลิตมีเสถียรภาพมากขึ้น ลดเวลาการหยุดทำงานลง 30% และลดการใช้พลังงานจาก 530 kWh เหลือ 390-420 kWh
01 —The Impact
The results, up front.
30% reduction in downtime Energy usage decreased from 530 kWh to 390–420 kWh Annual impact of $0.85M–$1.16M Improved mill stability and operator confidence More predictable and efficient production cycles
02 — The Challenge
Where they started.
The mill operation lacked reliable predictive visibility. Operators had to react based on lagging indicators, leading to sudden overloads, emergency shutdowns, and increased wear. Energy consumption remained very high due to instability in mill loading. We started by analyzing sensor data, energy profiles, operating modes, and historical overload events. Our team engineered features across vibration, torque, feed rate, ball-loading, and acoustic signatures to build a robust predictive dataset. A supervised ML model was trained to identify precursor patterns signaling overload conditions. Once deployed, the model continuously monitored live streams and triggered operator alerts 30–40 minutes in advance through an integrated dashboard. We also optimized operating regimes by identifying ball-loading configurations that reduce overload probability. The project combined data science, operations optimization, and real-time monitoring to deliver sustained performance improvements.
04 — Approach & Methodology
How we got there.
The ML system surfaced hidden variable correlations previously impossible to detect manually. Overloads strongly correlated with specific amplitude behaviors in vibration signals and certain ball-loading ranges. Predictive insight enabled proactive load adjustments and optimized mill operating modes.
With the overload risk dramatically reduced, operators transitioned from firefighting to proactive cycle management — stabilizing output and reducing both energy intensity and mechanical stress.
05 —In Practice
Project samples.
Keep exploring Renascence
Your turn
Ready to write your own success story?
Book a discovery call and see what behavioral CX can do for your business.