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

Обложка

Цитировать

Полный текст

Аннотация

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.

Об авторах

В. А. Храмовских

Иркутский национальный исследовательский технический университет

Email: wax@istu.edu
ORCID iD: 0000-0003-0590-0393

А. Н. Шевченко

Иркутский национальный исследовательский технический университет

Email: shan@istu.edu

К. А. Непомнящих

Иркутский национальный исследовательский технический университет

Email: nka@istu.edu

Список литературы

  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».