Анализ эффективности внедрения предиктивного обслуживания горнодобывающего оборудования на основе технологий Индустрии 4.0

DOI: https://doi.org/10.30686/1609-9192-2024-4-130-138

К.В. Харченко, А.Ж. Зубец, Е.И. Москвитина, Л.М. Бабаян, А.М. Лаффах
Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация
Горная Промышленность №4 / 2024 стр.130-138

Резюме: Горнодобывающая промышленность играет ключевую роль в мировой экономике, обеспечивая сырьем различные отрасли. Однако эффективность эксплуатации горнодобывающего оборудования остается серьезной проблемой из-за высоких затрат на обслуживание и простоев, вызванных отказами. Актуальность исследования обусловлена потенциалом применения технологий Индустрии 4.0 для повышения эффективности обслуживания горнодобывающего оборудования. Цель работы – оценить эффективность внедрения систем предиктивного обслуживания, основанных на технологиях Индустрии 4.0, и разработать рекомендации по их развитию в отрасли. Методология включает анализ уровня внедрения технологий за 2013–2023 гг., сбор данных по КПЭ для оценки влияния предиктивного обслуживания, исследование экономической эффективности инвестиций, разработку моделей прогнозирования отказов и оптимизации стратегий обслуживания. Результаты показали значительный рост уровня внедрения технологий Индустрии 4.0, улучшение КПЭ и высокую экономическую эффективность инвестиций в системы предиктивного обслуживания. Разработанные модели продемонстрировали точность прогнозирования отказов и оптимизации стратегий обслуживания. Сформулированы рекомендации по эффективному внедрению систем предиктивного обслуживания с учетом специфики отрасли. Исследование имеет теоретическую значимость для развития концепции предиктивного обслуживания и практическую ценность для горнодобывающих предприятий. Дальнейшие исследования могут быть направлены на разработку отраслевых стандартов и интеграцию систем предиктивного обслуживания с другими процессами управления.

Ключевые слова: горнодобывающая промышленность, предиктивное обслуживание, Индустрия 4.0, эффективность эксплуатации, техническая готовность, машинное обучение, большие данные

Для цитирования: Харченко К.В., Зубец А.Ж., Москвитина Е.И., Бабаян Л.М., Лаффах А.М. Анализ эффективности внедрения предиктивного обслуживания горнодобывающего оборудования на основе технологий Индустрии 4.0. Горная промышленность. 2024;(4):130–138. https://doi.org/10.30686/1609-9192-2024-4-130-138

Информация о статье

Поступила в редакцию: 23.05.2024

Поступила после рецензирования: 04.07.2024

Принята к публикации: 11.07.2024

Информация об авторах

Харченко Константин Владимирович – кандидат социологических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Зубец Антон Желькович – кандидат экономических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Москвитина Екатерина Ильинична – кандидат экономических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Бабаян Левон Каренович – ассистент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Лаффах Адам Майерович – ассистент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Список литературы

1. Carvalho T.P., Soares F.A.А.М.Т., Vita R., da Francisco R.P., Basto J.P., Alcalá S.G. A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering. 2019;137:106024. https://doi.org/10.1016/j.cie.2019.106024

2. Çınar Z.M., Abdussalam Nuhu, A., Zeeshan Q., Korhan O., Asmael M., Safaei B. Machine learning in predictive maintenance towards sustainable smart manufacturing: A review. Sustainability. 2020;12(19):8211. https://doi.org/10.3390/su12198211

3. Bousdekis A., Magoutas B., Apostolou D., Mentzas G. A proactive decision making framework for condition-based maintenance. Industrial Management & Data Systems. 2015;115(7):1225–1250. https://doi.org/10.1108/IMDS-03-2015-0071

4. Chitra S., Paramasivan B. Applications of machine learning techniques for predictive maintenance in mining industry – A review. Resources Policy. 2022;77:102681. https://doi.org/10.1016/j.resourpol.2022.102681

5. Khadse V., Mahalle P.N., Biraris S.V. An empirical comparison of supervised machine learning algorithms for internet of things data. In: 2020 4th International Conference on Intelligent Computing and Control Systems (ICICCS), Madurai, India, 13–15 May 2020. IEEE; 2020, pp. 477–482. https://doi.org/10.1109/ICICCS48265.2020.9120955

6. Sahal R., Alsamhi S.H., Breslin J.G., Brown K.N., Ali M.I. Digital twins collaboration for automatic erratic operational data detection in Industry 4.0. Applied Sciences. 2021;11(7):3186. https://doi.org/10.3390/app11073186

7. Krokoszinski P. Methodology for the improvement of machine classification based on predictive maintenance data using deep neural network mapping with multi-attribute data points. Energies. 2022;15(14):4883. https://doi.org/10.3390/en15144883

8. Rødseth H., Schjølberg P., Marhaug A. Deep digital maintenance. Advances in Manufacturing. 2017;5:299–310. https://doi.org/10.1007/s40436-017-0202-9

9. Bousdekis A., Papageorgiou N., Magoutas B., Apostolou D., Mentzas G. A real-time architecture for proactive decision making in manufacturing enterprises. In: Ciuciu I., et al. (eds) Confederated International Workshops: OTM Academy, OTM Industry Case Studies Program, EI2N, FBM, INBAST, ISDE, META4eS, and MSC 2015, Rhodes, Greece, October 26–30, 2015. Proceedings. Springer, Cham; 2015, pp. 137–146. https://doi.org/10.1007/978-3-319-26138-6_17

10. Ayvaz S., Alpay K. Predictive maintenance system for production lines in manufacturing: A machine learning approach using IoT data in real-time. Expert Systems with Applications. 2021;173:114598. https://doi.org/10.1016/j.eswa.2021.114598

11. Borgi T., Hidri A., Neef B., Naceur M.S. Data analytics for predictive maintenance of industrial robots. In: 2017 International Conference on Advanced Systems and Electric Technologies (IC_ASET), Hammamet, Tunisia, 14–17 January 2017. IEEE. 2017, pp. 412–417. https://doi.org/10.1109/ASET.2017.7983729

12. Lee W.J., Wu H., Yun H., Kim H., Jun M.B.G., Sutherland J.W. Predictive maintenance of machine tool systems using artificial intelligence techniques applied to machine condition data. Procedia CIRP. 2019;80:506–511. https://doi.org/10.1016/j.procir.2018.12.019

13. Панфилова О.Р., Великанов В.С., Усов И.Г., Мацко Е.Ю., Кутлубаев И.М. Расчет ресурса деталей структурно-функциональных элементов горных машин. Физико-технические проблемы разработки полезных ископаемых. 2018;(2):43– 51. https://doi.org/10.15372/FTPRPI20180206 Panfilova O.P., Velikanov V.S., Usov I.G., Matsko E.Y., Kutlubaev I.M. Calculation of life of functional parts in the structure of mining machines. Journal of Mining Science. 2018;54(2):218–225. https://doi.org/10.1134/S1062739118023570

14. Великанов В.С., Панфилова О.Р., Усов И.Г. Анализ показателей долговечности рукояти карьерного экскаватора. Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2018;16(4):13–20. Режим доступа: http://www.vestnik.magtu.ru/arkhiv-nomerov/73-arkhiv-nomerov/4-2018/951-13.html (дата обращения: 26.05.2024). Velikanov V.S., Panfilova O.R., Usov I.G. Analysis of the dipper handle durability indicators. Vestnik of Nosov Magnitogorsk State Technical University. 2018;16(4):13–20. (In Russ.) Available at: http://www.vestnik.magtu.ru/arkhiv-nomerov/73-arkhiv-nomerov/4-2018/951-13.html (accessed: 26.05.2024).

15. Панфилова О.Р., Великанов В.С., Усов И.Г., Кутлубаев И.М. Надежность механических систем горных и транспортных машин. Магнитогорск: Изд-во Магнитогорск. гос. техн. ун-та им. Г.И. Носова; 2020. 60 с.

16. Великанов В.С., Бочинская А.Н. Формирование системы минимизации рисков отказов карьерных экскаваторов при управлении. В кн.: Актуальные проблемы современной науки, техники и образования: тезисы докладов 77-й Междунар. науч.-техн. конф., г. Магнитогорск, 22–26 апр. 2019 г. Магнитогорск: Изд-во Магнитогорск. гос. техн. ун-та им. Г.И. Носова; 2019. С. 36.

17. Дьяконов Н.А., Логунова О.С. Системы управления технологическим процессом на основе предиктивной аналитики: проектирование. Электротехнические системы и комплексы. 2021;(1):58–64. https://doi.org/10.18503/2311-8318-2021-1(50)-58-64 Dyakonov N.A., Logunova O.S. Process control systems based on predictive analytics: Design. Electrotechnical Systems and Complexes. 2021;(1):58–64. (In Russ.) https://doi.org/10.18503/2311-8318-2021-1(50)-58-64

18. Тимофеев А., Волков М., Могучев М., Щетинин С. Цифровое будущее горнорудного предприятия. В кн.: BCG Review, сентябрь 2020, pp. 9–25. Режим доступа: https://media-publications.bcg.com/BCG-Review-September-2020.pdf (дата обращения: 26.05.2024).