Тип публикации: статья из журнала
Год издания: 2026
Ключевые слова: mining industry, industrial safety, machine learning, big data analytics, accident prediction, equipment monitoring, горная промышленность, промышленная безопасность, машинное обучение, анализ Больших Данных, прогнозирование аварий, мониторинг оборудования
Аннотация: Рассмотрены возможности применения методов анализа больших данных и машинного обучения для прогнозирования аварийных ситуаций на горных предприятиях. Исследование основано на обработке производственных данных, содержащих информацию о температуре подшипников, уровне вибрации оборудования, нагрузке электродвигателей и времени непрерыПоказать полностьювной работы агрегатов. Для построения прогностической модели использован алгоритм случайного леса, реализованный средствами программной среды Python. Проведена предварительная обработка данных, включающая очистку выборки и нормализацию параметров. Выполнена оценка качества прогнозирования по показателям точности, полноты и F1-меры. Полученные результаты показали высокую эффективность предложенного подхода по сравнению с традиционными методами порогового контроля. Установлено, что использование алгоритмов машинного обучения позволяет своевременно выявлять предаварийные состояния оборудования и повышать эффективность производственного мониторинга на горнодобывающих предприятиях. Examines the possibilities of applying big data analytics and machine learning methods for predicting emergency situations at mining enterprises. The study is based on the processing of production data containing information on bearing temperature, equipment vibration levels, electric motor load, and continuous operating time. A Random Forest algorithm implemented in the Python environment was used to develop the predictive model. Data preprocessing included dataset cleaning and parameter normalization. The quality of prediction was evaluated using accuracy, recall, and F1-score metrics. The obtained results demonstrated the high efficiency of the proposed approach compared with conventional threshold-based monitoring methods. It was found that machine learning algorithms make it possible to identify pre-failure equipment conditions in advance and improve the effectiveness of industrial monitoring systems at mining enterprises.
Журнал: Известия Тульского государственного университета. Науки о Земле
Выпуск журнала: №2
Номера страниц: 153-158
ISSN журнала: 22185194
Место издания: Тула
Издатель: Тульский государственный университет