Информационные и управляющие компоненты электрических карьерных экскаваторов

На основе исторического и логического анализа развития экскаваторной техники определены актуальные задачи и основные направления совершенствования средств управления для электрических карьерных экскаваторов. Внедрение информационных технологий означает переход к новому этапу развития горной техники, в основе которого лежит интеллектуализация в организации производства и качественное совершенствование применяемых средств автоматизации, роботизации и телекоммуникаций. Реализация стратегической программы развития технологии полностью автоматизированной добычи полезных ископаемых «Интеллектуальный карьер» в настоящее время осуществляется путем постепенного усовершенствования всех компонентов мехатронных комплексов экскаватора. Ведущая роль в этом процессе принадлежит информационным и управляющим компонентам. Идея создания экскаватора нового поколения подразумевает разработку машины с высоким уровнем организации процессов управления, а также электронного помощника человека в умственной деятельности, который способен заменить группу специалистов. При этом обработанные данные о функционировании экскаватора доступны одновременно всем участникам процесса управления жизненным циклом машины. Это позволит создать новые принципы управления эффективностью, производительностью, надежностью экскаватора. Оценивание уровня деградации, прогнозирование ресурса и обнаружение скрытой информации о нарушениях в состоянии оборудования служат основой организации технического обслуживания для предотвращения аварийных остановов и сокращения экономических потерь от простоев. Ранняя диагностика неисправностей обеспечивает снижение опасности аварий, минимизацию простоев, повышение безопасности работы персонала, снижение расходов на техническое обслуживание, снижение объемов запасных частей и страховых тарифов. Приведены примеры новых технических решений, обеспечивающих повышение эффективности мехатронной системы экскаватора.

Малафеев С. И., Малафеев С. С. Информационные и управляющие компоненты электрических карьерных экскаваторов // Горный информационно-аналитический бюллетень. – 2021. – № 4. – С. 33–45. DOI: 10.25018/0236_1493_2021_4_0_33.

Малафеев Сергей Иванович — д-р техн. наук, профессор, e-mail: simalafeev@gmail.com, Владимирский государственный университет имени А.Г. и Н.Г. Столетовых,
Малафеев Сергей Сергеевич — канд. техн. наук, преподаватель, Владимирский политехнический колледж, e-mail: Cepg87@gmail.com. 

Малафеев С.И., e-mail: simalafeev@gmail.com.

1. Шевкун Е. Б. История горного дела. — Хабаровск: Изд-во ТОГУ, 2015. — 244 с.

2. Гайко Г. И. История горной техники. — Алчевск: ДГМИ, 2001. — 134 с.

3. Raza M. A., Frimpong S. Cable shovel stress & fatigue modelling — Causes and Solution Strategies Review // Journal of Powder Metallurgy and Mining. 2013. S1-003. DOI: 10.4172/2168-9806.S1-003.

4. Иванов С. Л., Иванова П. В., Кувшинкин С. Ю. Оценка наработки карьерных экскаваторов перспективного модельного ряда в реальных условиях эксплуатации // Записки Горного института. — 2020. — Т. 242. — С. 228—233. DOI: 10.31897/PMI.2020.2.228.

5. Михина Т. В. Состояние производственного травматизма в горнодобывающей промышленности // Горный информационно-аналитический бюллетень. — 2017. — № 11. — С. 192–199. DOI: 10.25018/0236-1493-2017-11-0-192-199.

6. Shariati H., Yeraliyev A., Terai B., Tafazoli S., Ramezani M. Towards autonomous mining via intelligent excavators / Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops. 2019. Pp. 26—32. https://openaccess.thecvf.com/ content_CVPRW_2019/html/cv4gc/Shariati_Towards_Autonomous_Mining_via_Intelligent_ Excavators_CVPRW_2019_paper.html.

7. Lala A., Moyo M., Rehbach S., Sellscho R. Productivity in mining operations: Reversing the downward trend. Metals & Mining Practice. 2015. 13 p. https://www.mckinsey.com/ industries/metals-and-mining/our-insights/productivity-in-mining-operationsreversing-thedownward-trend.

8. Awuah-Offei K. Energy efficiency in mining: a review with emphasis on the role of operators in loading and hauling operations // Journal of Cleaner Production. 2016. Vol. 117. Pp. 89— 97. DOI: 10.1016/j.jclero.2016.01.035.

9. Levesque M., Millar D., Paraszczak J. Energy and mining — the home truths // Journal of Cleaner Production. 2014. Vol. 84. No 1. DOI: 10.1016/j.jclepro.2013.12.088.

10. Владимиров Д. Я. Интеллектуальный карьер: Эволюция или революция? // Горный информационно-аналитический бюллетень. — 2015. — № 45-1. — С. 77—82.

11. Конюх В. Л. Робототехника в горном деле. — Кемерово, 1986. — 60 с.

12. Курцев Б. В., Жданов А. В. Методологические аспекты создания единого информационного пространства на горнодобывающем предприятии // Горный журнал. — 2014. — № 4. — С. 29—31.

13. Малафеев С. И., Тихонов Ю. В. Автоматизация диагностики электрооборудования горных машин на основе моделирования рабочих процессов // Автоматизация в промышленности. — 2014. — № 7. — С. 9—13.

14. Dudley J. J., McAree R. Shovel Load Assist Project — ACARP Project Report C16031. Brisbane Qld Australia: ACARP (Australian Coal Industry Research Program), 2016. 130 p.

15. Chaowasakoo P., Seppälä H., Heikki K., Zhou Q. Digitalization of mine operations: Scenarios to benefit in real-time truck dispatching // International Journal of Mining Science and Technology. 2017. Vol. 27. No 2. Pp. 229—236. DOI: 10.1016/j.ijmst.2017.01.007.

16. Nam Lim S., Soares J., Zhou N. Tooth guard. A vision system for detecting missing tooth in rope mine shovel // 2016 IEEE Winter Conference on Applications of Computer Vision (WACV). 2016. DOI: 10.1109/WACV.2016.7477594

17. Lynas D., Horberry T. Human factors issues with automated mining equipment // Ergonomics Open Journal. 2011. No 4. Pp. 74—80.

18. Bise C. J. (Ed.). Modern American coal mining. Methods and Applications. Society for Mining, Metallurgy and Exploration. 2013. 563 p.

19. Malafeev S. I., Malafeev S. S. On increasing the energy efficiency of electrical mine excavators // IOP Conference Series. Earth and Environmental Science. 2019. No 377. Article 012016. DOI: 10.1088/1755-377/1/012016.

20. Pandit P., Mazumdar J., May T., Koellner W. G. Real-time power quality meashurements from a conventional AC dragline // IEEE Transactions on Industry Applications. 2010. Vol. 46. No 5. Pp. 1755—1763. DOI: 10.1109/TIA.2010.2057470.

21. Шпрехер Д. М., Бабокин Г. И. Система технического диагностирования электромеханических комплексов // Контроль. Диагностика. — 2016. — № 3. — С. 52—56.

22. Вин Зо Хтэй, Певзнер Л. Д., Темкин И. О. Структура информационной системы шагающего драглайна // Уголь. — 2019. — № 1. — С. 34—36. DOI: 10.18796/0041-57902019-1-34-36.

23. Malafeev S. I., Malafeev S. S., Tikhonov Y. V. Intelligent diagnostics of mechatronic system components of career excavators in operation // Studies in Computational Intelligence. 2018. Vol. 736. Pp. 110—116. DOI: 10.1007/978-3-319-66604-4_17.

24. Breido I. V., Sichkarenko A. V., Kotov E. S. Remote monitoring systems for high-voltage substations and mining machines at open pit coal mines // Journal of Mining Science. 2016. Vol. 52. No 5. Pp. 919—926.

25. Бабокин Г. И., Шпрехер Д. М., Колесников Е. Б. Метод повышения безопасной эксплуатации горного электрооборудования путем прогнозирования сопротивления изоляции // Горный информационно-аналитический бюллетень. — 2020. — № 2. — С. 34—45. DOI: 10.25018/0236-1493-2020-2-0-34-45.

26. Popescu F. D., Radu S. M., Kotwica K., Kotwica K., Andras A., Brinas I. K. Dinescu S. Vibration analysis of a bucket wheel excavator boom using rayleigh’s damping model // New Trends in Production Engineering. 2019. Vol. 2. No 1. Pp. 233—241. DOI: 10.2478/ntpe-2019-0024.

27. Enyindah N. C., Amadi R. K. Using diagnosis and life cycle cost to improve reliability of an excavator // European Journal of Engineering Research and Science. 2019. Vol. 4. No 3. Pp. 21—26. DOI: 10.24018/ejers.2019.4.3.1107.

28. Zhou Q., Chen G., Jiang W., Li K. Automatically detecting excavator anomalies based on machine learning // Symmetry. 2019. Vol. 11. No 8. Pp. 1—18. DOI: 10.3390/sym11080957.

29. Ali D., Frimpong S. DeepImpact: a deep learning model for whole body vibration control using impact force monitoring // Neural Computing and Applications. 2020. Pp. 1—24. DOI: 10.1007/s00521-020-05218-6.