Тип публикации: статья из журнала
Год издания: 2026
Идентификатор DOI: 10.24000/0409-2961-2026-5-20-27
Ключевые слова: neural networks, forecast, emergency failures, electrical equipment, industrial safety, mining industry, нейронные сети, прогнозирование, аварийные отказы, электрооборудование, промышленная безопасность, горнодобывающая промышленность
Аннотация: В статье рассматривается применение нейронных сетей для прогнозирования аварийных отказов электрооборудования горнодобывающих предприятий на основе анализа эксплуатационных данных. Актуальность исследования обусловлена высокой значимостью надежной и бесперебойной работы электрооборудования в сложных условиях горной промышленности, Показать полностьюхарактеризующихся повышенной запыленностью, влажностью, вибрациями и неравномерными нагрузками, где отказы могут приводить не только к значительным экономическим потерям, но и к возникновению угрозы безопасности персонала и нарушению технологических процессов. Предложен подход к построению нейросетевой модели, использующей совокупность электрических и тепловых параметров для выявления предаварийных состояний на ранних стадиях их развития. Экспериментальная апробация выполнена на основе архивных данных реального производственного объекта, включающих более 52 тыс. записей эксплуатационных параметров и зарегистрированные случаи аварийных отключений оборудования. Полученные результаты показали, что модель обеспечивает точность прогнозирования около 86 % и позволяет формировать предупреждающие сигналы с упреждением до 26 ч, что достаточно для принятия организационно-технических решений. Установлено, что комплексный анализ параметров повышает эффективность прогноза. Показано, что внедрение нейросетевых методов способствует снижению простоев, повышению надежности электроснабжения и уровня промышленной безопасности. Дополнительно выявлено, что использование штатных измерительных каналов позволяет реализовать предложенный подход без значительных капитальных затрат на модернизацию инфраструктуры. Проведенный анализ показал устойчивость модели к вариативности эксплуатационных режимов оборудования. Полученные результаты подтверждают целесообразность дальнейшего развития интеллектуальных методов диагностики в горнодобывающей отрасли. The study analyzes the use of neural networks to forecast failures of electrical equipment in mining enterprises using operational data analysis. The relevance of the study is conditioned by the signifi cance of reliable and trouble-free operation of electrical equipment in complex conditions of the mining industry, characterized by increased dustiness, humidity, vibrations, and unevenly distributed loads, where failures may not only lead to signifi cant economic losses but also a threat to personnel’s safety and violation of workfl ows. An approach to building a neural network model that uses the totality of electrical and thermal parameters to identify pre-failure conditions at early stages has been proposed. The experimental validation has been performed using archive data from a real production facility, including more than 52,000 records of operational parameters and registered equipment emergency shutdown cases. According to the results, the model achieves 86 % forecast accuracy and generates warning signals proactively up to 26 hours in advance, which is suffi cient to make engineering and organizational decisions. As established, a comprehensive analysis of parameters increases forecast effi ciency. As shown, the implementation of neural network methods facilitates the reduction of downtime, increases the reliability of power supply, and enhances industrial safety. Additionally, it has been identifi ed that using standard measurement channels helps implement the suggested approach without signifi cant capital costs for infrastructure modernization. The analysis conducted has demonstrated the model’s stability in varying operational modes of equipment. The results obtained confi rm the advisability of further development of intellectual methods of diagnostics in the mining industry.
Журнал: Безопасность труда в промышленности
Выпуск журнала: №5
Номера страниц: 20-27
ISSN журнала: 04092961
Место издания: Москва
Издатель: Федеральная служба по экологическому, технологическому и атомному надзору, Научно-технический центр исследований проблем промышленной безопасности