Тип публикации: статья из журнала
Год издания: 2025
Ключевые слова: mining equipment, reliability, wear, neural network, prediction, operational data, карьерное оборудование, надежность, износ, нейронная сеть, прогнозирование, эксплуатационные данные
Аннотация: Представлен нейросетевой метод оценки износа и надежности карьерного оборудования на основе ограниченного массива эксплуатационных данных. Рассмотрена методология сбора, обработки и нормализации информации о времени работы техники, простоях и фактах ремонтов. Для построения прогностической модели применялся многослойный персептрон,Показать полностьюобеспечивший устойчивую сходимость и высокую точность классификации технического состояния оборудования. Результаты вычислительных экспериментов показали, что точность прогнозов достигает 89 %, при этом выявляются ранние признаки износа и остаточный ресурс узлов с допустимой ошибкой. Сравнение с традиционными статистическими подходами подтвердило преимущество нейросетевой модели. Практическая значимость работы заключается в снижении внеплановых простоев, оптимизации затрат на обслуживание и возможности применения метода без дополнительных инвестиций в дорогостоящее диагностическое оборудование. The paper presents a neural network-based method for assessing wear and reliability of mining equipment using a limited set of operational data. The methodology includes data collection, preprocessing, and normalization of information on machine operating time, downtime, and repair events. A multilayer perceptron architecture was applied, demonstrating stable convergence and high accuracy in classifying equipment technical conditions. Computational experiments revealed that the model achieves an overall prediction accuracy of 89 %, with the ability to identify early signs of wear and estimate residual life with acceptable error. A comparative analysis with traditional statistical approaches confirmed the superiority of the neural network method. The practical value of the study lies in reducing unplanned downtime, optimizing maintenance costs, and enabling implementation without significant investments in expensive diagnostic systems.
Журнал: Известия Тульского государственного университета. Науки о Земле
Выпуск журнала: № 3
Номера страниц: 221-226
ISSN журнала: 22185194
Место издания: Тула
Издатель: Тульский государственный университет