Инструмент оценки технического состояния электротехнических горнодобывающих комплексов на основе диагностической кривой в узлах нагрузки

Электродвигатели переменного тока являются ключевым и наиболее распространенным элементом технологического оборудования на горнодобывающих предприятиях, включая шахты, карьеры и обогатительные фабрики. Их работа критически важна для таких механизмов, как конвейеры, дробилки, мельницы, насосы и вентиляторы. Своевременная оценка технического состояния электродвигателя — это особая задача, поскольку его выход из строя может привести не только к остановке отдельного агрегата, но и к простою всей технологической цепи, что влечет за собой значительные экономические потери и риски для безопасности. В настоящее время существует ряд методов диагностики состояния электродвигателей и выявления дефектов. Однако многие из них требуют установки специализированного диагностического оборудования, стоимость которого зачастую многократно превышает цену самого двигателя, что не всегда экономически оправдано для массового применения на множестве единиц техники. В данной работе предложен упрощенный подход к оценке состояния электродвигателя, адаптированный для условий эксплуатации в горнодобывающем комплексе. Метод заключается в построении и анализе диагностической кривой, основанной на данных с датчиков тока, которые, как правило, уже установлены на электродвигателе в составе систем управления и защиты. Эта кривая, получаемая с помощью модификации метода векторного (Парка) преобразования, представляет собой простой и доступный способ получения информации о состоянии двигателя в реальном времени без необходимости в дорогостоящей дополнительной аппаратуре. В статье приведено описание алгоритма формирования диагностической кривой и продемонстрирована ее эффективность на примере модельных и натурных экспериментов. В ходе модельного эксперимента имитировались типичные для тяжелых условий эксплуатации неисправности ротора и статора. Натурные эксперименты проводились на действующем оборудовании с целью оценки реакции диагностической кривой на изменение механической нагрузки, аналогичной реальным рабочим режимам горнодобывающих комплексов.

Королев Н. А. Инструмент оценки технического состояния электротехнических горнодобывающих комплексов на основе диагностической кривой в узлах нагрузки // Горный информационно-аналитический бюллетень. — 2025. — № 11-1. — С. 166—182. DOI: 10.25018/0236_1493_2025_111_0_166.

Королёв Николай Александрович — канд. техн. наук, доцент, https://orcid.org/0000-0002-0583-9695, Санкт-Петербургский горный университет, 199106, Санкт-Петербург, Россия, e-mail: korolev_na@pers.spmi.ru.

1. Dolzhikov V. V., Ryadinsky D. E., Yakovlev A. A. Influence of deceleration intervals on the amplitudes of stress waves during the explosion of a system of borehole charges // MIAB. Mining Inf. Anal. Bull. 2022, no. 6−2, pp. 18–32. DOI: 10.25018/0236_1493_2022_62_0_18.
2. Khokhlov S., Abiev Z., Makkoev V. The choice of optical flame detectors for automatic explosion containment systems based on the results of explosion radiation analysis of methane-and dust-air mixtures // Applied Sciences. 2022, vol. 12, no. 3, p. 1515. https://doi.org/10.3390/app12031515.
3. Ромашев А. О., Николаева Н. В., Гатиатуллин Б. Л. Формирование адаптивного подхода с применением технологии машинного зрения для определения параметров осаждения продуктов обогащения // Записки Горного института. — 2022. — Т. 256. — С. 677–685. DOI: 10.31897/PMI.2022.77.
4. Yemelyanov V., Chernyi S., Yemelyanova N., Varadarajan V. Application of neural networks to forecast changes in the technical condition of critical production facilities // Computers & Electrical Engineering. 2021, vol. 93, p. 107225. https://doi.org/10.1016/j.compeleceng.2021.107225.
5. Gizatullin R., Dvoynikov M., Romanova N., Nikitin V. Drilling in gas hydrates: Managing gas appearance risks // Energies. 2023, vol. 16, no. 5, p. 2387. https://doi.org/10.3390/en16052387.
6. Смирнов Н. И., Дроздов А. Н., Смирнов Н. Н. Трибодинамические аспекты ресурса электропогружных лопастных насосов для добычи нефти // Записки Горного института. — 2023. — Т. 264. — С. 962–970. 
7. Litvinenko V. S. Digital economy as a factor in the technological development of the mineral sector // Natural Resources Research. 2020, vol. 29, no. 3, pp. 1521–1541. https://doi.org/10.1007/s11053-019-09568-4.
8. Chen Y., Wang Y., Zhao C. From riches to digitalization: The role of AMC in overcoming challenges of digital transformation in resource-rich regions // Technological Forecasting and Social Change. 2024, vol. 200, p. 123153. https://doi.org/10.1016/j.techfore.2023.123153.
9. Череповицын А. Е., Третьяков Н. А. Разработка новой системы оценки применимости цифровых проектов в нефтегазовой сфере // Записки Горного института. — 2023. — Т. 262. — С. 628–642. 
10. Fomin S. I., Govorov A. S. Validation of the chosen cutoff grade value in open pit mine design // Mining Informational and Analytical Bulletin. 2023, no. 12, pp. 169–182. DOI: 10.25018/0236_ 1493_2023_12_0_169.
11. Simakov A. S., Trifonova M. E., Gorlenkov D. V. Virtual analyzer of the voltage and current spectrum of the electric arc in electric arc furnaces // Russian Metallurgy (Metally). 2021, vol. 2021, no. 6, pp. 713–719. https://doi.org/10.1134/S0036029521060252.
12. Khokhlov S., Safina E., Vasiliev V. Risk-oriented approach implementation in departments ranking and teaching staff motivation // International Journal for Quality Research. 2018, vol. 12, no. 2, p. 501. DOI: 10.18421/IJQR12.02−12.
13. Sanjin Braut, Eerik Sikanen, Janne Nerg, Jussi Sopanen, Željko Božić. Fatigue life prediction of Electric RaceAbout (ERA) traction motor rotor // Procedia structural integrity. 2021, vol. 31, pp. 45–50. https://doi.org/10.1016/j.prostr.2021.03.024.
14. Mian Z., Deng X., Dong X., Tian Y., Cao T., Chen K., Al Jaber T. A literature review of fault diagnosis based on ensemble learning // Engineering Applications of Artificial Intelligence. 2024, vol. 127, p. 107357. https://doi.org/10.1016/j.engappai.2023.107357.
15. Nevskaya M., Shabalova A., Kosovtseva T., Nikolaychuk L. Applications of simulation modeling in mining project risk management: criteria, algorithm, evaluation // Journal of Infrastructure, Policy and Development. 2024, vol. 8(8), p. 5375. DOI: 10.24294/jipd.v8i8.5375.
16. D’Urso D., Chiacchio F., Borrometi D., Costa A., Compagno L. Dynamic failure rate model of an electric motor comparing the Military Standard and Svenska Kullagerfabriken (SKF) methods // Procedia Computer Science. 2021, vol. 180, pp. 456–465. https://doi.org/10.1016/j.procs.2021.01.262.
17. Aizpurua J. I., Knutsen K. E., Heimdal M., Vanem E. Integrated machine learning and probabilistic degradation approach for vessel electric motor prognostics // Ocean Engineering. 2023, vol. 275, p. 114153. https://doi.org/10.1016/j.oceaneng.2023.114153.
18. Yuan Gao, Cheong B., Bozhko S., Wheeler P., Gerada C., Tao Yang. Surrogate role of machine learning in motor-drive optimization for more-electric aircraft applications // Chinese Journal of Aeronautics. 2023, vol. 36, no. 2, pp. 213–228. https://doi.org/10.1016/j.cja.2022.08.011.
19. Zhukovskiy Yu., Tsvetkov P., Koshenkova A., Skvortsov Ivan, Andreeva Iuliia, Vorobeva Valeriya. A Methodology for Forecasting the KPIs of a Region’s Development: Case of the Russian Arctic // Sustainability. 2024, vol. 16, no. 15, p. 6597. DOI: 10.3390/su16156597.
20. Abramik S., Sleszynski W., Nieznanski J., Piquet H. A diagnostic method for on-line fault detection and localization in VSI-fed AC drives // 10th European Conference on Power Electronics and Applications, EPE’2003. 2003.
21. Junior R. F. R. et al. Fault detection and diagnosis in electric motors using 1d convolutional neural networks with multi-channel vibration signals // Measurement. 2022, vol. 190, p. 110759. https://doi.org/10.1016/j.measurement.2022.110759.
22. Duda A., Drozdowski P. Induction motor fault diagnosis based on zero-sequence current analysis // Energies. 2020, vol. 13, no. 24, p. 6528. https://doi.org/10.3390/en13246528.
23. Wang Z., Shi D., Xu Y., Zhen D., Gu F., Ball A. D. Early rolling bearing fault diagnosis in induction motors based on on-rotor sensing vibrations // Measurement. 2023, vol. 222, p. 113614. https://doi.org/10.1016/j.measurement.2023.113614.
24. Wu F., Zhao J. A real-time multiple open-circuit fault diagnosis method in voltage-source-inverter fed vector-controlled drives // IEEE Transactions on Power Electronics. 2015, vol. 31, no. 2, pp. 1425–1437. DOI: 10.1109/TPEL.2015.2422131.
25. Nevskaya M., Shabalova A., Nikolaichuk L., & Kirsanova N. Development of a Quantitative Assessment Algorithm for Operational Risks in Mining Engineering // Resources. 2025, vol. 14(4), p. 53. https://doi.org/10.3390/resources14040053.
26. Cornell E. P., Lipo T. A. Modeling and design of controlled current induction motor drive systems // IEEE Transactions on Industry Applications. 1977, no. 4, pp. 321–330. DOI: 10.1109 / TIA.1977.4503414.
27. Thomson W. T., Fenger M. Current signature analysis to detect induction motor faults // IEEE Industry Applications Magazine. 2001, vol. 7, no. 4, pp. 26–34. DOI: 10.1109 / 2943.930988. 
28. Fenger M., LLoyd B. A., Thomson W. T. Development of a tool to detect faults in induction motors via current signature analysis // Cement Industry Technical Conference, 2003. Conference Record. IEEE-IAS/PCA 2003. — IEEE, 2003, pp. 37–46. DOI: DOI:10.1109/CITCON.2003.1204707.
29. Свидетельство о государственной регистрации программы для ЭВМ № 2024616314 Российская Федерация. Программа для выявления диагностических характеристик электроприводов переменного тока в режиме реального времени: № 2024614818: заявл. 12.03.2024: опубл. 19.03.2024 / Н. А. Королев, Н. И. Котелева; заявитель федеральное государственное бюджетное образовательное учреждение высшего образования «Санкт-Петербургский горный университет императрицы Екатерины II». 
30. Koteleva N. I., Korolev N. A., Zhukovskiy Y. L. Identification of the technical condition of induction motor groups by the total energy flow // Energies. 2021, vol. 14, no. 20. DOI: 10.3390/en14206677.