nznistuНауки о Земле и недропользованиеEarth sciences and subsoil use2686-99932686-7931Federal State Budget Educational Institution of Higher Education "Irkutsk National Research Technical University"10.21285/2686-9993-2023-46-2-212-225QKFTPFnznistu-290Research ArticleГорнопромышленная и нефтегазопромысловая геология, геофизика, маркшейдерское дело и геометрия недрApplied mining and petroleum field geology, geophysics, mine surveying and subsoil geometryАдаптивный интеллектуальный анализ данных как инструмент для прогнозирования ресурса узлов горных машин и оборудованияAdaptive data mining as a tool to predict mining machinery and equipment assembly lifehttps://orcid.org/0000-0003-0590-0393ХрамовскихВ. А.KhramovskikhV. A.

Храмовских Виталий Александрович,  кандидат технических наук, доцент, доцент кафедры горных машин и электромеханических систем, Институт недропользования

Иркутск

Vitaliy A. Khramovskikh, Cand. Sci. (Eng.), Associate Professor, Associate Professor of the Department of Mining Machines  and Electromechanical Systems, Institute of Subsoil Use

Irkutsk

wax@istu.eduШевченкоА. Н.ShevchenkoA. N.

Шевченко Алексей Николаевич,  кандидат технических наук, доцент, доцент кафедры горных машин и электромеханических систем,  директор Института недропользования

Иркутск

Aleksey N. Shevchenko, Cand. Sci. (Eng.), Associate Professor, Associate Professor of the Department of Mining Machines and Electromechanical Systems, Director of the Institute of Subsoil Use

Irkutsk

shan@istu.eduНепомнящихК. А.NepomnyashchikhK. A.

Непомнящих Кирилл Андреевич,  аспирант, ассистент кафедры горных машин и электромеханических систем, Институт недропользования

Иркутск

Kirill A. Nepomnyashchikh, Postgraduate Student, Assistant Professor of the Department of Mining Machines and Electromechanical Systems, Institute of Subsoil Use

Irkutsk

nka@istu.eduИркутский национальный исследовательский технический университетРоссияIrkutsk National Research Technical UniversityRussian Federation202320072023462212225Copyright © Храмовских В.А., Шевченко А.Н., Непомнящих К.А., 20232023Храмовских В.А., Шевченко А.Н., Непомнящих К.А.Khramovskikh V.A., Shevchenko A.N., Nepomnyashchikh K.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.nznj.ru/jour/article/view/290

В современном мире горнодобывающая промышленность является одной из наиболее важных отраслей экономики. Сложные условия работы, высокие нагрузки и необходимость постоянного контроля за техническим состоянием оборудования требуют высокой квалификации специалистов и эффективных инструментов для анализа большого объема данных. Анализ отказов горных машин и оборудования, в свою очередь, является одним из важных процессов для определения и устранения причин отказов с целью повышения надежности и безопасности работы машин и оборудования. Использование современных методов статистической обработки данных позволяет сделать этот процесс более эффективным и точным. Разработка инструмента для анализа отказов горных машин и оборудования может принести значительные выгоды горнодобывающим компаниям. Анализируя данные об отказах оборудования, выявляя первопричины и предоставляя рекомендации по корректирующим действиям, инструмент анализа может помочь предотвратить отказы оборудования, повысить безопасность и производительность. Разработка этого инструмента требует междисциплинарного подхода и должна быть построена таким образом, чтобы быть удобной для пользователя и масштабируемой. В связи с этим целью исследования стало представление способа создания адаптивного инструмента для анализа отказов горных машин на базе программы Microsoft Excel. Авторами рассмотрены основные принципы работы данного инструмента, его функциональный состав и возможности использования при различных условиях эксплуатации горной техники. Значительное внимание уделено описанию основного алгоритма работы программы, который позволяет эффективно обрабатывать большие объемы данных, выдавать точные результаты и отображать их в удобном виде с целью оценки уровня надежности и перехода к прогнозированию ресурса узлов горных машин и оборудования. Дальнейшее улучшение инструмента адаптивного анализа данных о работе горных машин в рамках данного исследования может быть осуществлено путем добавления новых параметров или автоматизации процессов поиска причин отказов с использованием нейросетей.

Mining industry is one of the most important economic sectors in the modern world. Complex working conditions, high loads and the need for continuous monitoring of equipment technical condition require highly qualified specialists and effective tools to analyze large data volumes. Failure analysis of mining machinery and equipment is one of the important processes to determine and eliminate the causes of failures in order to improve the reliability and safety of machinery and equipment operation. The use of modern methods of statistical data processing makes this process more efficient and accurate. The development of a tool for failure analysis of mining machines and equipment can be very beneficial to mining companies. By analyzing the data on mining machines and equipment failures, identifying the primary causes of failures and providing corrective recommendations, the analysis tool can prevent equipment failures, improve machine safety and performance. The development of this tool requires an interdisciplinary approach as it should be user-friendly and scalable. In this regard, the purpose of the study is to present a creation method of an adaptive tool for the Microsoft Excel-based analysis of mining machine failures. The authors consider the basic operation principles of this tool, its functional composition and application potential under various operating conditions of mining equipment. Much attention is paid to the description of the main operation algorithm of the program, which makes it possible to efficiently process large volumes of data, produce accurate results and display them in the form convenient for reliability level estimation and transition to the forecasting of mining machinery and equipment assembly life. Further improvement of the tool for adaptive analysis of data on mining machine operation, within the framework of this study, can be performed by adding new parameters or automation of the troubleshooting processes using neural networks. 

надежность оборудованияостаточный ресурсанализ отказовпрогнозированиенейронные сетиequipment reliabilityresidual resourcefailure analysisforecastingneural networksReferencesOdeyar P., Apel D.B, Hall R., Zon B., Skrzypkowski K. A review of reliability and fault analysis methods for heavy equipment and their components used in mining // Energies. 2022. Vol. 15. Iss. 17. P. 6263. https://doi.org/10.3390/en15176263.Odeyar P., Apel D.B, Hall R., Zon B., Skrzypkowski K. A review of reliability and fault analysis methods for heavy equipment and their components used in mining. Energies. 2022;15(17):6263. https://doi.org/10.3390/en15176263.Махно Д.Е., Шадрин А.И. Управление ресурсами технической эксплуатации горного оборудования // Вестник Иркутского государственного технического университета. 2005. № 2. С. 68–71. https://elibrary.ru/jxoeop.Makhno D.E., Shadrin A.I. Resource management of mining equipment technical operation. Vestnik Irkut- skogo gosudarstvennogo tekhnicheskogo universiteta = Proceedings of Irkutsk State Technical University. 2005;2:68-71. (In Russ.). https://elibrary.ru/jxoeop.Храмовских В.А. Оценка ресурса базовых узлов металлоконструкций карьерных экскаваторов на основе обработки статистической информации // Вестник Иркутского государственного технического университета. 2005. № 1. С. 167. https://elibrary.ru/jxklbf.Khramovskikh V.A. Estimating operation life of basic units of opencast excavator metal structures based on statistical information processing. Vestnik Irkutskogo gosudarstvennogo tekhnicheskogo universiteta = Proceedings of Irkutsk State Technical University. 2005;1:167. (In Russ.). https://elibrary.ru/jxklbf.Zheng S., Cheng K., Wang J., Liao Q., Liu X., Liu W. Failure analysis of frame crack on a wide-body mining dump truck // Engineering Failure Analysis. 2015. Vol. 48. P. 153– 165. https://doi.org/10.1016/j.engfailanal.2014.11.013.Zheng S., Cheng K., Wang J., Liao Q., Liu X., Liu W. Failure analysis of frame crack on a wide-body mining dump truck. Engineering Failure Analysis. 2015;48:153165. https://doi.org/10.1016/j.engfailanal.2014.11.013.Benjumea D.C., Laniado H., Combita O. Analytical model to monitor the oil conditions on the main components of mining dumpers // Results in Engineering. 2023. Vol. 17. P. 100934. https://doi.org/10.1016/j.rineng.2023.100934.Benjumea D.C., Laniado H., Combita O. Analytical model to monitor the oil conditions on the main components of mining dumpers. Results in Engineering. 2023;17: 100934. https://doi.org/10.1016/j.rineng.2023.100934.Petrović D.V., Tanasijević M., Stojadinović S., Ivaz J., Stojković P. Fuzzy expert analysis of the severity of mining machinery failure // Applied Soft Computing. 2020. Vol. 94. P. 106459. https://doi.org/10.1016/j.asoc.2020.106459.Petrović D.V., Tanasijević M., Stojadinović S., Ivaz J., Stojković P. Fuzzy expert analysis of the severity of mining machinery failure. Applied Soft Computing. 2020;94: 106459. https://doi.org/10.1016/j.asoc.2020.106459.Непомнящих К.А. Методика оценки надежности горных машин на эксплуатационной стадии жизненного цикла // Приоритеты мировой науки: новые подходы и актуальные исследования: сб. науч. тр. по материалам XXIX Междунар. науч.-практ. конф. (г. Анапа, 30 мая 2022 г.). Анапа: Изд-во ООО «Научно-исследовательский центр экономических и социальных процессов» в Южном Федеральном округе, 2022. С. 142–150. https://elibrary.ru/ngpmef.Nepomnyashchikh K.A. Assessment methodology of mining machine reliability at the operational stage of the life cycle. In: Prioritety mirovoi nauki: novye podkhody i aktual'nye issledo-vaniya: sb. nauch. tr. po materialam XXIX Mezhdunar. nauch.-prakt. konf. = Priorities of world science: new approaches and current research: collected scientific articles based on the materials of the 29th International scientific and practical conference. 30 May 2022, Anapa. Anapa: LLC “Research Center for Economic and Social Processes” in the Southern Federal District; 2022, p. 142–150. (In Russ.). https://elibrary.ru/ngpmef.Awan M.B., Li K., Li Z., Ma Z. A data driven performance assessment strategy for centralized chiller systems using data mining techniques and domain knowledge // Journal of Building Engineering. 2021. Vol. 41. P. 102751. https://doi.org/10.1016/j.jobe.2021.102751.Awan M.B., Li K., Li Z., Ma Z. A data driven performance assessment strategy for centralized chiller systems using data mining techniques and domain knowledge. Journal of Building Engineering. 2021;41:102751. https://doi.org/10.1016/j.jobe.2021.102751.Arjun S., Murthy L.R.D., Biswas P. Interactive sensor dashboard for smart manufacturing // Procedia Computer Science. 2022. Vol. 200. P. 49–61. https://doi.org/10.1016/j.procs.2022.01.204.Arjun S., Murthy L.R.D., Biswas P. Interactive sensor dashboard for smart manufacturing. Procedia Computer Science. 2022;200:49-61. https://doi.org/10.1016/j.procs.2022.01.204.Dogan A., Birant D., Machine learning and data mining in manufacturing // Expert Systems with Applications. 2021. Vol. 166. P. 114060. https://doi.org/10.1016/j.eswa.2020.114060.Dogan A., Birant D., Machine learning and data min- ing in manufacturing. Expert Systems with Applications. 2021; 166:114060. https://doi.org/10.1016/j.eswa.2020.114060.Lu Y.-J., Lee W.-C., Wang C.-H. Using data mining technology to explore causes of inaccurate reliability data and suggestions for maintenance management // Journal of Loss Prevention in the Process Industries. 2023. Vol. 83. P. 105063. https://doi.org/10.1016/j.jlp.2023.105063.Lu Y.-J., Lee W.-C., Wang C.-H. Using data mining technology to explore causes of inaccurate reliability data and suggestions for maintenance management. Journal of Loss Prevention in the Process Industries. 2023;83: 105063. https://doi.org/10.1016/j.jlp.2023.105063.Alamdari S., Basiri M.H., Mousavi A., Soofastaei A. Application of machine learning techniques to predict haul truck fuel consumption in open-pit mines // Journal of Mining and Environment. 2022. Vol. 13. Iss. 1. P. 69–85. https://doi.org/10.22044/jme.2022.11577.2145.Alamdari S., Basiri M.H., Mousavi A., Soofastaei A. Application of machine learning techniques to predict haul truck fuel consumption in open-pit mines. Journal of Mining and Environment. 2022;13(1):69-85. https://doi.org/10.22044/jme.2022.11577.2145.Singh K., Maiti J., A novel data mining approach for analysis of accident paths and performance assessment of risk control systems // Reliability Engineering & System Safety. 2020. Vol. 202. P. 107041. https://doi.org/10.1016/j.ress.2020.107041.Singh K., Maiti J., A novel data mining approach for analysis of accident paths and performance assessment of risk control systems. Reliability Engineering & System Safety. 2020;202:107041. https://doi.org/10.1016/j.ress.2020.107041.Wang Z., Xia H., Zhang J., Yang B., Yin W. Imbalanced sample fault diagnosis method for rotating machinery in nuclear power plants based on deep convolutional conditional generative adversarial network // Nuclear Engineering and Technology. 2023. Vol. 55. Iss. 6. P. 2096– 2106. https://doi.org/10.1016/j.net.2023.02.036.Wang Z., Xia H., Zhang J., Yang B., Yin W. Imbalanced sample fault diagnosis method for rotating machinery in nuclear power plants based on deep convolutional conditional generative adversarial network. Nuclear Engineering and Technology. 2023;55(6):2096-2106. https://doi.org/10.1016/j.net.2023.02.036.Szymahski Z., Paraszczak J. Application of artificial intelligence methods in diagnostics of mining machinery // IFAC Proceedings Volumes. 2007. Vol. 40. Iss. 11. P. 403–408. https://doi.org/10.3182/20070821-3-CA-2919.00057.Szymahski Z., Paraszczak J. Application of artificial intelligence methods in diagnostics of mining machi- nery. IFAC Proceedings Volumes. 2007;40(11):403-408. https://doi.org/10.3182/20070821-3-CA-2919.00057.Gölbaşı O., Demirel N. A cost-effective simulation algorithm for inspection interval optimization: an application to mining equipment // Computers & Industrial Engineering. 2017. Vol. 113. P. 525–540. https://doi.org/10.1016/j.cie.2017.09.002.Gölbaşı O., Demirel N. A cost-effective simulation algorithm for inspection interval optimization: an application to mining equipment. Computers & Industrial Engineering. 2017;113:525-540. https://doi.org/10.1016/j.cie.2017.09.002.Liu Z., Zuo M.J., Jin Y., Pan D., Qin Y. Improved local mean decomposition for modulation information mining and its application to machinery fault diagnosis // Journal of Sound and Vibration. 2017. Vol. 397. P. 266–281. https://doi.org/10.1016/j.jsv.2017.02.055.Liu Z., Zuo M.J., Jin Y., Pan D., Qin Y. Improved local mean decomposition for modulation information mining and its application to machinery fault diagnosis. Journal of Sound and Vibration. 2017;397:266-281. https://doi.org/10.1016/j.jsv.2017.02.055.Lazakis I., Raptodimos Y., Varelas T. Predicting ship machinery system condition through analytical reliability tools and artificial neural networks // Ocean Engineering. 2018. Vol. 152. P. 404–415. https://doi.org/10.1016/j.oceaneng.2017.11.017.Lazakis I., Raptodimos Y., Varelas T. Predicting ship machinery system condition through analytical reliability tools and artificial neural networks. Ocean Engineering. 2018;152:404-415. https://doi.org/10.1016/j.oceaneng.2017.11.017.Равин А.А., Хруцкий О.В. Инженерные методы прогнозирования остаточного ресурса оборудования // Вестник Астраханского государственного технического университета. Серия: Морская техника и технология. 2018. № 1. С. 33–47. https://elibrary.ru/yoqfau, https://doi.org/10.24143/2073-1574-2018-1-33-47.Ravin A.A., Khrutsky O.V. Engineering methods for predicting the residual resource of the equipment. Vestnik Astrakhanskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Morskaya tekhnika i tekhnologiya = Vestnik of Astrakhan State Technical University. Series: Marine Engineering and Technologies. 2018;1:33-47. (In Russ.). https://elibrary.ru/yoqfau, https://doi.org/10.24143/2073-1574-2018-1-33-47.Черепанов А.П. Анализ преимуществ и недостатков современных методов прогнозирования ресурса технических устройств // Вестник Ангарского государственного технического университета. 2019. № 13. С. 90–101. https://elibrary.ru/amcxvn, https://doi.org/10.36629/2686-777x-2019-1-13-90-101.Cherepanov A.P. Analysis of advantages and disadvantages of modern methods forecasting the resource of technical devices. Vestnik Angarskogo gosudarstvennogo tekhnicheskogo universiteta = Bulletin of the Angarsk State Technical University. 2019;13:90-101. (In Russ.). https:// elibrary.ru/amcxvn, https://doi.org/10.36629/2686-777x-2019-1-13-90-101.Черепанов А.П. Методы прогнозирования ресурса единичных и уникальных машин // Вестник Ангарского государственного технического университета. 2022. № 16. С. 153–164. https://elibrary.ru/eyvjgm.Cherepanov A.P. Of forecasting the resource of single and unique machines. Vestnik Angarskogo gosudarstvennogo tekhnicheskogo universiteta = Bulletin of the Angarsk State Technical University. 2022;16:153-164. (In Russ.). https://elibrary.ru/eyvjgm.Полуянович Н.К., Дубяго М.Н., Огреничев А.В., Азаров Н.В. Оценка прогнозирования ресурса кабельных линий с использованием метода искусственных нейронных сетей // Фундаментальные основы физики, химии и динамики наукоемких технологических систем формообразования и сборки изделий: сб. тр. науч. симпозиума технологов-машиностроителей. (с. Дивноморское, 2–5 октября 2019 г.). Дивноморское: Изд-во ДГТУ, 2019. С. 164–170. https://elibrary.ru/IFGEUQ.Poluyanovich N.K., Dubyago M.N., Ogrenichev A.V., Azarov N.V. Assessment of cable line resource forecasting using the method of artificial neural networks. In: Fundamental'nye osnovy fiziki, khimii i dinamiki naukoemkikh tekhnologicheskikh sistem formoobrazovaniya i sborki izdelii: sb. tr. nauch. simpoziuma tekhnologovmashinostroitelei = Fundamental foundations of physics, chemistry and dynamics of science-intensive technological systems for product shaping and assembling: collection of papers of the scientific symposium of mechanical engineering technologists. 2–5 October 2019, Divnomorskoe. Div- nomorskoe: Don State Technical University; 2019, p. 164– 170. (In Russ.). https://elibrary.ru/IFGEUQ.Дзуганов В.Б., Апхудов Т.М., Болотоков А.Л., Губжоков Х.Л. Совершенствование методики прогнозирования распределения ресурса машин и их элементов // Научная жизнь. 2022. Т. 17. № 5. С. 793–804. https://elibrary.ru/vzioft, https://doi.org/10.35679/1991-9476-2022-17-5-793-804.Dzuganov V.B., Apkhudov T.M., Bolotokov A.L., Gubzhokov Kh.L. Improvement of the method for forecasting the resource distribution of machines and their elements. Nauchnaya zhizn'. 2022;17(5):793-804. (In Russ.). https://elibrary.ru/vzioft, https://doi.org/10.35679/1991-9476-2022-17-5-793-804.Гусев А.С., Стародубцева С.А., Щербаков В.И. Вероятностное прогнозирование долговечности и остаточного ресурса элементов конструкций // Вестник машиностроения. 2020. № 3. С. 39–40. https://elibrary.ru/djwqnu, https://doi.org/10.36652/0042-4633-2020-3-39-40.Gusev A.S., Starodubtseva S.A., Shcherbakov V.I. Probabilistic forecasting of durability and residual life of structural elements. Vestnik mashinostroeniya. 2020;3:3940. (In Russ.). https://elibrary.ru/djwqnu, https://doi.org/10.36652/0042-4633-2020-3-39-40.Сай В.К., Щербаков М.В. Метод прогнозирования остаточного ресурса на основе обработки данных многообъектных сложных систем // Прикаспийский журнал: управление и высокие технологии. 2019. № 1. С. 33–44. https://elibrary.ru/pzxhsl.Sai V.K., Shcherbakov M.V. A data-driven method for remaining useful life prediction of multiple-component systems. Prikaspiiskii zhurnal: upravlenie i vysokie techno- logii = Caspian Journal: Management and High Technologies. 2019;1:33-44. (In Russ.). https://elibrary.ru/pzxhsl.Криков А.М., Федоров А.Г., Сидоренко М.Н. Совершенствование прогнозирования остаточного ресурса параметров узлов и агрегатов грузовых автомобилей // Наземные транспортно-технологические средства: проектирование, производство, эксплуатация: материалы II Всеросс. науч.-практ. конф. (г. Чита, 30–31 октября 2018 г.). Чита: Изд-во ЗабГУ, 2018. С. 191–195. https://elibrary.ru/zjgggv.Krikov A.M., Fedorov A.G., Sidorenko M.N. Improvement of residual life forecasting of truck unit and assembly parameters. In: Nazemnye transportno-tekhnologicheskie sredstva: proektirovanie, proizvodstvo, ekspluatatsiya: materialy II Vseross. nauch.-prakt. konf. = Ground transport and technological means: design, manufacturing, operation: proceedings of the 2nd All-Russian scientific and practical conference. 30–31 October 2018, Chita. Chita: Transbaikal State University; 2018, p. 191–195. (In Russ.). https://elibrary.ru/zjgggv.

The authors declare that there are no conflicts of interest present.