Сетевая платформа автоматизации прогнозирования отказов карьерных самосвалов
И.В. Зырянов1, 2, М.В. Корняков2, К.А. Непомнящих2, А.И. Труфанов2, В.А. Храмовских2, А.Н. Шевченко2
1 Политехнический институт (филиал) Северо-Восточного Федерального университета им. М.К. Аммосова в г. Мирном, г. Мирный, Российская Федерация
2 Иркутский национальный исследовательский технический университет, г. Иркутск, Российская Федерация
Горная Промышленность №3 / 2024 стр. 56-63
Резюме: В статье рассматриваются возможности разработки автоматизированной системы контроля и прогнозирования технического состояния карьерного автотранспорта на стадии эксплуатации на основе статистики отказов и сетевого анализа данных, поступающих с датчиков состояния работоспособности горных машин. Настоящее исследование обусловлено необходимостью снижения аварийных простоев в горнодобывающей отрасли за счет внедрения современных информационно-коммуникационных технологий. Проведена оценка применимости существующих методов для анализа цифровых сигналов, снимаемых с сенсоров, установленных на горном оборудовании. В качестве перспективного рассматривается подход, использующий достижения науки о сетях и преобразование сигнала временного ряда в комплексные сети. Как инновационная предложена последовательность выполнения работы, включая сбор и анализ данных, разработку сетевых моделей прогнозирования и внедрение полученных результатов на практике. Применение подобной последовательности шагов сможет своевременно оповестить о необходимости ремонта оборудования, тем самым сократить время простоя, что, в свою очередь, будет способствовать повышению производительности и снижению затрат на эксплуатацию. Сформулированы и представлены основные этапы исследования, реализация которых направлена на прогнозирование технического состояния оборудования, выявление необходимости постановки его на внеплановый ремонт, что приведет к снижению числа или полному предотвращению аварийных отказов в реальных условиях эксплуатации горнодобывающих предприятий.
Ключевые слова: надёжность горных машин и оборудования, цифровой сигнал, сетевой анализ временных рядов, сетевые маркеры работоспособности оборудования, прогнозирование отказов, карьерные самосвалы, двигатель внутреннего сгорания
Благодарности: Исследование выполнено при частичной финансовой поддержке РФФИ и МОКНСМ в рамках научного проекта №20-57-44002.
Для цитирования: Зырянов И.В., Корняков М.В., Непомнящих К.А., Труфанов А.И., Храмовских В.А., Шевченко А.Н. Сетевая платформа автоматизации прогнозирования отказов карьерных самосвалов. Горная промышленность. 2024;(3):56–63. https://doi.org/10.30686/1609-9192-2024-3-56-63
Информация о статье
Поступила в редакцию: 27.03.2024
Поступила после рецензирования: 08.05.2024
Принята к публикации: 12.05.2024
Информация об авторах
Зырянов Игорь Владимирович – доктор технических наук, профессор, заведующий кафедрой горного дела, Политехнический институт (филиал) Северо-Восточного Федерального университета им. М.К. Аммосова в г. Мирном, г. Мирный, Российская Федерация; профессор кафедры горных машин и электромеханических систем, Институт недропользования, Иркутский национальный исследовательский технический университет, г. Иркутск, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Корняков Михаил Викторович – доктор технических наук, доцент, ректор, председатель ученого совета, Институт недропользования, Иркутский национальный исследовательский технический университет, г. Иркутск, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Непомнящих Кирилл Андреевич – аспирант, ассистент кафедры горных машин и электромеханических систем, Институт недропользования, Иркутский национальный исследовательский технический университет, г. Иркутск, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Труфанов Андрей Иванович – кандидат физико-математических наук, старший научный сотрудник, доцент института информационных технологий и анализа данных, Иркутский национальный исследовательский технический университет, г. Иркутск, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Храмовских Виталий Александрович – кандидат технических наук, доцент кафедры горных машин и электромеханических систем, и.о заведующего кафедрой горных машин и электромеханических систем, Институт недропользования, Иркутский национальный исследовательский технический университет, г. Иркутск, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Шевченко Алексей Николаевич – кандидат технических наук, доцент, доцент кафедры горных машин и электромеханических систем, директор Института недропользования, Иркутский национальный исследовательский технический университет, г. Иркутск, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Список литературы
1. Великанов В.С., Мусонов О.С., Панфилова О.Р., Ильина Е.А., Дёрина Н.В. Инструменты предиктивной аналитики в минимизации отказов горнотранспортного оборудования. Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2021;19(4):5–15. https://doi.org/10.18503/1995-2732-2021-19-4-5-15 Velikanov V.S., Musonov O.S., Panfilova O.R., Ilina E.A., Dyorina N.V. Predictive analytics tools in minimising mining equipment failures. Vestnik of Nosov Magnitogorsk State Technical University. 2021;19(4):5–15. (In Russ.) https://doi.org/10.18503/1995-2732-2021-19-4-5-15
2. Балакин Ю.А., Вылцан С.С., Должко Д.М. Влияние технического диагностирования на повышение точности прогнозирования остаточного срока службы горнотранспортного оборудования. Молодой ученый. 2015;(7):88–91. Режим доступа: https://moluch.ru/archive/87/16626/ (дата обращения: 04.12.2023). Balakin N.A., Vyltsan S.S., Dolzhko D.M. The influence of a feasibility study on improving the accuracy of forecasting using the mining equipment service. Molodoy Ucheniy. 2015;(7):88–91. (In Russ.) Available at: https://moluch.ru/archive/87/16626 / (accessed: 04.12.2023).
3. Храмовских В.А., Шевченко А.Н., Непомнящих К.А. Адаптивный интеллектуальный анализ данных как инструмент для прогнозирования ресурса узлов горных машин и оборудования. Науки о Земле и недропользование. 2023;46(2):212–225. https://doi.org/10.21285/2686-9993-2023-46-2-212-225 Khramovskikh V.A., Shevchenko A.N., Nepomnyashchikh K.A. Adaptive data mining as a tool to predict mining machinery and equipment assembly life. Earth Sciences and Subsoil Use. 2023;46(2):212–225. (In Russ.) https://doi.org/10.21285/2686-9993-2023-46-2-212-225.
4. Гришин И.А., Великанов В.С., Назаров О.В., Дёрина Н.В. О возможности использования метода локальной аппроксимации для прогноза нерегулярных временных рядов отказов горнотранспортных машин. Уголь. 2022;(3):84–89. https://doi.org/10.18796/0041-5790-2022-3-84-89 Grishin I.A., Velikanov V.S., Nazarov O.V., Dyorina N.V. On the possibility of using the local approximation method to predict irregular time series of mining machine failures. Ugol’. 2022;(3):84–89. (In Russ.) https://doi.org/10.18796/0041-5790-2022-3-84-89
5. Ромашихин М.Ю., Горбоконенко П.А. Реализация оконного преобразования Фурье на FPGA для спектрального анализа нестационарных сигналов. В кн.: Юрасова Н.В. (ред.) Инновационные технологии, в электронике и приборостроении: сб. докл. Российской науч.-техн. конф. с междунар. участием, г. Москва, 5–12 апр. 2021 г. М.: МИРЭА – Российский технологический университет; 2021. Т. 1. С. 177–182.
6. Долгих Н.Н., Набиуллин Р.А., Шаповалов П.В., Шумская Н.В. Обзор методов применения вейвлет преобразования для анализа искажения показателей качества электроэнергии в системах электроснабжения. В кн.: Технические науки – от теории к практике: сб. материалов 52-й Междунар. науч.-практ. конф. Новосибирск: СибАК; 2015. С. 114–120.
7. Потапов А.А. Фрактальные модели и методы на основе скейлинга в фундаментальных и прикладных проблемах современной физики. В кн.: Горелик В.С., Морозов А.Н. (ред.). Необратимые процессы в природе и технике: сб. науч. тр. М.: МГТУ им. Н.Э. Баумана; 2008. Вып. 2. С. 5–107.
8. Marwan N., Carmen Romano M., Thiel M., Kurths J. Recurrence plots for the analysis of complex systems. Physics Reports. 2007;438:237–329. https://doi.org/10.1016/j.physrep.2006.11.001
9. Бельков С.А., Малыгин И.В. Использование нейронной сети для обнаружения и идентификации помех при приеме шумоподобного сигнала. Физика волновых процессов и радиотехнические системы. 2019;22(2):37–43. https://doi.org/10.18469/1810-3189.2019.22.2.37-43 Belkov S.A., Malygin I.V. Use of the neural network for detection and identification of interference when receiving a spread spectrum signal. Physics of Wave Processes and Radio Systems. 2019;22(2):37–43. (In Russ.) https://doi.org/10.18469/1810-3189.2019.22.2.37-43
10. Меркушева А.В. Применение нейронной сети для текущего анализа нестационарного сигнала (речи), представленного его вейвлет-отображением. II. Исследование и оптимизация нейронной сети. Научное приборостроение. 2003;13(1):72–84. Меrkusheva А.V. Application of a neural network to on-line analysis of non-stationary (speech) signals represented by their wavelet transform. II. Study and optimization of the neural network. Nauchnoe Priborostroenie. 2003;13(1):72–84. (In Russ.)
11. Vespignani A. Twenty years of network science. Nature. 2018;558(7711):528–529. https://doi.org/10.1038/d41586-018-05444-y
12. Silva V.F., Silva M.E., Ribeiro P., Silva F. Time series analysis via network science: Concepts and algorithms. WIREs Data Mining and Knowledge Discovery. 2021;11(3):e1404. https://doi.org/10.1002/widm.1404
13. Ferreira L.N. From Time Series to Networks in R with the ts2net Package. arXiv:2208.09660 [cs.SI]. https://doi.org/10.48550/arXiv.2208.09660
14. Luque B., Lacasa L., Ballesteros F., Luque J. Horizontal visibility graphs: Exact results for random time series. Physical Review E. 2009;80(4):046103. https://doi.org/10.1103/physreve.80.046103
15. Carmona-Cabezas R., Gomez-Gomez J., Gutierrez de Rave E., Jimenez-Hornero F.J. A sliding window-based algorithm for faster transformation of time series into complex networks. Chaos. 2019;29(10):103121. https://doi.org/10.1063/1.5112782
16. Bastian M., Heymann S., Jacomy M. Gephi: An Open Source Software for Exploring and Manipulating Networks. Proceedings of the International AAAI Conference on Web and Social Media. 2009;3(1):361–362. https://doi.org/10.1609/icwsm.v3i1.13937
