Адаптивный интеллектуальный анализ данных как инструмент для прогнозирования ресурса узлов горных машин и оборудования

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.

1. 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. Vol. 15. Iss. 17. P. 6263. https://doi.org/10.3390/en15176263.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.

21. Черепанов А.П. Методы прогнозирования ресурса единичных и уникальных машин // Вестник Ангарского государственного технического университета. 2022. № 16. С. 153–164. https://elibrary.ru/eyvjgm.

22. 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.

23. 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.

24. 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.

25. 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.

26. 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.