Концепция прогноза отказов горнотранспортного оборудования на основе сетевого анализа данных

Рассмотрена разработка сетевой модели прогнозирования отказов карьерного автотранспорта в процессе эксплуатации. Модель опирается на статистические данные о сбоях и сетевой анализ данных, поступающих с датчиков состояния горных машин. Исследование направлено на снижение аварийных простоев в горнодобывающей отрасли посредством применения современных информационно-коммуникационных технологий. Рассматриваются современные методы обработки временных рядов, такие как преобразование Фурье, вейвлет-анализ и фрактальный анализ. Применение сетевого анализа позволяет выявить метрики, чувствительные к изменениям состояния оборудования, что способствует точному прогнозированию времени возможных отказов. Предложенная модель прогноза направлена на сокращение аварийных простоев и повышение эффективности работы оборудования. Также описаны алгоритмы превращения временных рядов в сетевые структуры, включая графы видимости, что обеспечивает наглядность и точность анализа. Планируется пилотное внедрение этой модели для дальнейшей оптимизации и мониторинга ключевых узлов карьерных самосвалов, что станет важным шагом в развитии цифровизации процессов обслуживания горного оборудования.

Зырянов И. В., Непомнящих К. А., Труфанов А. И., Храмовских В. А., Шевченко А. Н. Концепция прогноза отказов горнотранспортного оборудования на основе сетевого анализа данных // Горный информационно-аналитический бюллетень. – 2024. – № 9. – С. 160–180. DOI: 10.25018/0236_1493_2024_9_0_160.

Зырянов Игорь Владимирович¹ — д-р техн. наук, профессор, профессор, Институт недропользования; зав. кафедрой, Политехнический институт (филиал) Северо-Восточного федерального университета имени М.К. Аммосова в г. Мирном, e-mail: zyryanoviv@inbox.ru,
Непомнящих Кирилл Андреевич¹ — аспирант, ассистент кафедры, Институт недропользования, e-mail: nka@istu.edu,
Труфанов Андрей Иванович¹ — канд. физ.-мат. наук, старший научный сотрудник, доцент, Институт информационных технологий и анализа данных, e-mail: troufan@istu.edu,
Храмовских Виталий Александрович¹ — канд. техн. наук, доцент, доцент, Институт недропользования, e-mail: wax@istu.edu,
Шевченко Алексей Николаевич¹ — канд. техн. наук, доцент, доцент, директор Института недропользования, e-mail: shan@istu.edu,
¹ Иркутский национальный исследовательский технический университет.

Непомнящих К.А., e-mail: nka@istu.edu.

1. Великанов В. С., Мусонов О. С., Панфилова О. Р., Ильина Е. А., Дёрина Н. В. Инструменты предиктивной аналитики в минимизации отказов горнотранспортного оборудования // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. — 2021. — Т. 19. — № 4. — С. 5—15. DOI: 10.18503/1995-2732-2021-19-4-5-15.

2. Балакин Ю. А., Вылцан С. С., Должко Д. М. Влияние технического диагностирования на повышение точности прогнозирования остаточного срока службы горнотранспортного оборудования // Молодой ученый. — 2015. — № 7 (87). — С. 88—91. URL: https://moluch.ru/archive/ 87/16626/ (дата обращения: 04.12.2023).

3. Храмовских В. А., Шевченко А. Н., Непомнящих К. А. Адаптивный интеллектуальный анализ данных как инструмент для прогнозирования ресурса узлов горных машин и оборудования // Науки о Земле и недропользование. — 2023. — Т. 46(2). — С. 212—225. DOI: 10.21285/26869993-2023-46-2-212-225.

4. Гришин И. А., Великанов В. С., Назаров О. В., Дёрина Н. В. О возможности использования метода локальной аппроксимации для прогноза нерегулярных временных рядов отказов горнотранспортных машин // Уголь. — 2022. — № 3. — С. 84—89. DOI: 10.18796/0041-57902022-3-84-89.

5. Хомякова С. С. Трансформация и закрепление термина «цифровизация» на законодательном уровне // Молодой ученый. — 2019. — № 41 (279). — С. 9—12. URL: https://moluch.ru/ archive/279/62867/ (дата обращения: 13.11.2023).

6. Кондратьева М. Н., Комахина А. В. Цифровизация: исследование основных терминов // Экономика и управление: научно-практический журнал. — 2022. — № 3 (165). — С. 134—139.

7. Голлай А. В., Голлай И. Н., Логиновский О. В. Цифровая трансформация социально-экономических систем как конечный результат процесса цифровизации // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». — 2023. — Т. 23. — № 2. — С. 65—81.

8. Каленов О. Е. Цифровизация в горнодобывающей промышленности // Вестник РЭУ им. Г.В. Плеханова. — 2021. — Т. 18. — № 5 (119). — С. 184—192. DOI: 10.21686/2413-2829-2021-5-184-192.

9. Ромашихин М. Ю., Горбоконенко П. А. Реализация оконного преобразования Фурье на FPGA для спектрального анализа нестационарных сигналов / Инновационные технологии, в электронике и приборостроении: сборник докладов Российской научно-технической конференции с международным участием. Т. 1. — М., 2021. — С. 177—182.

10. Долгих Н. Н., Набиуллин Р. А., Шаповалов П. В., Шумская Н. В. Обзор методов применения вейвлет-преобразования для анализа искажения показателей качества электроэнергии в системах электроснабжения // Технические науки — от теории к практике. — 2015. — № 11(47). — С. 114—120.

11. Кулаичев А. П. Критика вейвлет-анализа ЭЭГ // Актуальные проблемы гуманитарных и естественных наук. — 2016. — Т. 12-1. — С. 47—57.

12. Потапов А. А. Фрактальные модели и методы на основе скейлинга в фундаментальных и прикладных проблемах современной физики / Необратимые процессы в природе и технике. Сборник научых трудов. Вып. II. — М.: МГТУ им. Н.Э. Баумана, 2008. — С. 5—107.

13. Амосов О. С., Муллер Н. В. Применение методов вейвлети фрактального анализа для математического и численного моделирования временных рядов // Современные наукоемкие технологии. — 2014. — № 3. — С. 122—124. URL: https://top-technologies.ru/ru/article/view?id=34124 (дата обращения: 21.11.2023).

14. Ахметханов Р. С. Применение теории фракталов и вейвлет-анализа для выявления особенностей временных рядов при диагностике систем // Вестник научно-технического развития — Национальная Технологическая Группа. — 2009. — № 1 (17). — C. 26—31.

15. Marwan N., Romano M. C., Thiel M., Kurths J. Recurrence plots for the analysis of complex systems // Physics Reports. 2007, vol. 438, pp. 237—329. DOI: 10.1016/j.physrep.2006.11.001.

16. Бельков С. А., Малыгин И. В. Использование нейронной сети для обнаружения и идентификации помех при приеме шумоподобного сигнала // Физика волновых процессов и радиотехнические системы. — 2019. — Т. 22. — № 2. — С. 37—43. DOI: 10.18469/1810-3189.2019.22.2.37-43.

17. Меркушева А. В. Применение нейронной сети для текущего анализа нестационарного сигнала (речи), представленного его вейвлет-отображением. Исследование и оптимизация нейронной сети // Научное приборостроение. — 2003. — Т. 13. — № 1. — C. 72—84.

18. Белоглазов Д. А. Особенности нейросетевых решений, достоинства и недостатки, перспективы применения // Известия ЮФУ. Технические науки. — 2008. — № 7. — С. 105—110.

19. Андреев В. В., Славутский Л. А., Славутская Е. В. Обработка сигналов нейросетью прямого распространения: аппроксимация и принятие решений // Вестник Чувашского университета. — 2022. — № 1. — C. 14—22. DOI: 10.47026/1810-1909-2022-1-14-22.

20. Филаретов Г. Ф., Бучаала З. Разработка алгоритмов обнаружения разладки временных рядов на основе непараметрических критериев проверки гипотез // Вестник Московского энергетического института. — 2021. — № 3. — С. 67—77. DOI: 10.24160/1993-6982-2021-3-67-77.

21. Спивак В. С. Численное сравнение наиболее популярных быстрых процедур обнаружения разладки // Труды Московского физико-технического института. — 2020. — Т. 12. — № 2(46). — С. 88—98. DOI: 10.53815/20726759_2020_12_2_88.

22. Aminikhanghahi S., Cook D. J. A Survey of methods for time series change point detection // Knowledge and Information Systems. 2017, vol. 51, no. 2, pp. 339—367. DOI: 10.1007/s10115-0160987-z.

23. Mata A. S. Complex networks: a Mini-review // Brazilian Journal of Physics. 2020, vol. 50, pp. 658—672. DOI: 10.1007/s13538-020-00772-9.

24. Boisen M. B., Gibbs G. V., Zhang Z. G. An application of graph theory to the estimation of bond numbers in crystals // Computers & Mathematics with Applications. 1992, vol. 23, no. 10, pp. 99—102. DOI: 10.1016/0898-1221(92)90060-u.

25. Sohn I. Small-world and scale-free network models for IoT systems // Mobile Information Systems. 2017, vol. 61, pp. 1—9. DOI: 10.1155/2017/6752048.

26. Райгородский А. М. Модели случайных графов и их применения // Труды Московского физико-технического института. — 2010. — № 4. URL: https://cyberleninka.ru/article/n/modelisluchaynyh-grafov-i-ih-primeneniya (дата обращения: 11.03.2024.

27. Barabási A.-L., Albert R. Emergence of scaling in random networks // Science. 1999, vol. 286, pp. 509—512. DOI: 10.1126/science.286.5439.509.

28. Lacasa L., Luque B., Luque J., Nuno J. C. The visibility graph. A new method for estimating the hurst exponent of fractional Brownian motion // Europhysics Letters. 2009, vol. 86, pp. 30001— 30005. DOI: 10.1209/0295-5075/86/30001.

29. Luque B., Lacasa L., Luque J., Ballesteros F. J. Horizontal visibility graphs: Exact results for random time series // Physical Review. 2009, vol. E80, article 046103. DOI: 10.1103/PhysRevE.80.046103.

30. Gao Z., Cai Q., Yang Y., Dang W., Zhang S. Multiscale limited penetrable horizontal visibility graph for analyzing nonlinear time series // Scientific Reports. 2016, vol. 6, article 35622. DOI: 10.1038/srep35622

31. Rosales-Pérez J. A., Canto-Lugo E., Valdés-Lozano D., Huerta-Quintanilla R. Temperature time series analysis at Yucatan using natural and horizontal visibility algorithms // PLoS ONE. 2019, vol. 14, no. 12, article e0226598. DOI: 10.1371/journal.pone.0226598.

32. Куулар Э. К., Труфанов А. И., Афанасьев А. Д., Тихомиров А. А., Берестнева О. Г. Сетевая платформа анализа звуковой информации // Сборник научных трудов IV Международной научной конференции «Информационные технологии в науке, управлении, социальной сфере и медицине». — Томск, 2017. — C. 240—243.

33. Silva V. F., Silva M. E., Ribeiro P., Silva F. Time series analysis via network science: Concepts and algorithms // WIREs Data Mining and Knowledge Discovery. 2021, vol. 11, no. 3. DOI: 10.1002/ widm.1404.

34. Afsharizand B., Chaghoei P. H., Kordbacheh A. A., Trufanov A., Jafari G. Market of stocks during crisis looks like a flock of birds // Entropy. 2020, vol. 22, article 1038. DOI: 10.3390/e22091038.

35. Silva V. F., Silva M. E., Ribeiro P., Silva F. Novel features for time series analysis: a complex networks approach // Data Mining and Knowledge Discovery. 2022, vol. 36, pp. 1062—1101. DOI: 10.1007/s10618-022-00826-3.

36. Silva V. F., Silva M. E., Ribeiro P., Silva F. Multilayer quantile graph for multivariate time series analysis and dimensionality reduction // International Journal of Data Science and Analytics. 2024. DOI: 10.1007/s41060-024-00561-6.o.

37. da Costa F. L., Rodrigues F. A., Travieso G., Villas Boas P. R. Characterization of complex networks. A survey of measurements // Advances in Physics. 2007, vol. 56, no. 1, pp. 167—242. DOI: 10.1080/00018730601170527.

38. Ferreira L. N. From time series to networks in R with the ts2net Package. 2022. arXiv:2208.09660 [cs.SI]. 24 p. DOI: 10.48550/arXiv.2208.09660.

39. Luque B., Lacasa L., Ballesteros F., Luque J. Horizontal visibility graphs: Exact results for random time series // Physical Review E. 2009, vol. 80, no. 4, article 046103. DOI: 10.1103/physreve.80.046103.

40. Carmona-Cabezas R., Gomez-Gomez J., Gutierrez de Rave E., Jimenez-Hornero F. J. A sliding window-based algorithm for faster transformation of time series into complex networks. 2023. arXiv:2311.10688 [physics.data-an], 33 p. DOI: 10.1063/1.5112782.

41. Bastian M., Heymann S., Jacomy M. Gephi: An open source software for exploring and manipulating networks // Proceedings of the International AAAI Conference on Web and Social Media. 2009, vol. 3(1), pp. 361—362. DOI: 10.1609/icwsm.v3i1.13937.