Adaptive data mining as a tool to predict mining machinery and equipment assembly life

Cover Page

Cite item

Full Text

Abstract

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. 

About the authors

V. A. Khramovskikh

Irkutsk National Research Technical University

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

A. N. Shevchenko

Irkutsk National Research Technical University

Email: shan@istu.edu

K. A. Nepomnyashchikh

Irkutsk National Research Technical University

Email: nka@istu.edu

References

  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.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a 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».