Метод построения автоматизированной системы для оценки эффективности функционирования горных машин на основе метода искусственного интеллекта

Предложен инновационный метод создания автоматизированной системы оценки эффективности горных машин на основе искусственного интеллекта. В отличие от традиционных методов, ограниченных статичными показателями и одномерным анализом, предложенная система интегрирует технические, эксплуатационные факторы, а также факторы безопасности, объединяя количественные данные (расход топлива, время цикла) с качественными лингвистическими параметрами («низкая», «средняя», «высокая» эффективность). Ключевым отличием является применение модели «черного ящика», упрощающей анализ за счет фокусировки на входных и выходных параметрах, и нечеткой логики, обеспечивающей интерпретируемость результатов через экспертные правила. Это позволяет системе динамически адаптироваться к изменениям условий эксплуатации и обрабатывать неполные или зашумленные данные в реальном времени. Новизна работы заключается в синтезе данных от датчиков, GPS и исторических записей с использованием вывода Мамдани, что обеспечивает целостную оценку, учитывающую как производительность, так и безопасность. Система преодолевает ограничения существующих решений, которые зачастую игнорируют контекстуальные факторы (например, вариативность времени простоя) и не справляются с лингвистической неопределенностью. Модульная архитектура позволяет калибровать модель на основе исторических данных и оптимизировать правила с помощью машинного обучения, что повышает ее точность в долгосрочной перспективе. Актуальность исследования обусловлена растущей потребностью горнодобывающей отрасли в ресурсосберегающих технологиях, способных снижать эксплуатационные затраты и минимизировать экологическое воздействие. Предложенный метод открывает возможности для автоматизации принятия решений, оптимизации логистики и прогнозирования рисков, демонстрируя потенциал для внедрения в условиях цифровой трансформации горного производства.

Сафиуллин Р. Н., Парра С. А., Сафиуллин Р. Р., Присяжнюк М. С., Симонова Л. А. Метод построения автоматизированной системы для оценки эффективности функционирования горных машин на основе метода искусственного интеллекта // Горный информационно-аналитический бюллетень. – 2026. – № 3. – С. 115–135. DOI: 10.25018/0236_1493_2026_3_0_115.

Сафиуллин Равилл Нуруллович¹ — д-р техн. наук, профессор, e-mail: safravi@mail.ru, ORCID ID: 0000-0002-8765-6461,
Парра Ариас Сунильда¹ — аспирант, e-mail: zuny1503@gmail.com, ORCID ID: 0000-0003-1715-7998,
Сафиуллин Руслан Равиллович¹ — канд. техн. наук, доцент, e-mail: safiyllin@yandex.ru, ORCID ID: 0000-0003-2315-3678,
Присяжнюк Михаил Сергеевич — канд. техн. наук, председатель Комитета Ленинградской области по транспорту, e-mail: transportlo@lenreg.ru,
Симонова Лариса Анатольевна — д-р техн. наук, член-корреспондент Российской академии естествознания, профессор, Набережночелнинский (институт) филиал Казанского федерального университета, e-mail: lasimonova@mail.ru, ORCID ID: 0000-0002-3653-1845,
¹ Санкт-Петербургский горный университет императрицы Екатерины II.

Парра А.С., e-mail: zuny1503@gmail.com.

1. Semenova T., Martínez Santoyo J. Y. Determining priority areas for the technological development of oil companies in Mexico // Resources. 2025, vol. 14, no. 1. DOI: 10.3390/resources14010018.

2. Botyan E. Yu., Pushkarev A. Improving the methodology of choosing machinery models for the formation of an excavator and vehicle fleet during the modernization of a mining transport system, with account for the Arctic specifics // Transportation Research Procedia. 2021, vol. 57, pp. 106—112. DOI: 10.1016/j.trpro.2021.09.031.

3. Сафиуллин Р. Н., Кацуба Ю. Н., Унгефук А. А., Хисамутдинова Э. Л., Хохлов А. В. Бутстрэп-метод мониторинга безопасности систем управления движением высокоавтоматизированных горных машин // Горная промышленность. — 2025. — № 1S. — С. 73—80. DOI: 10.30686/1609-9192-2025-1S-73-80.

4. Fan C., Arachchilage C. B., Zhang N., Jiang B., Liu W. V. Machine learning with Shapley additive explanations for evaluating mine truck productivity under real-site weather conditions at varying temporal resolutions // International Journal of Mining, Reclamation and Environment. 2024, vol. 38, no. 10, pp. 810—832. DOI: 10.1080/17480930.2024.2348877.

5. Fan C., Arachchilage C. B., Zhang N., Jiang B., Liu W. V. Prediction of truck productivity at mine sites using tree-based ensemble models combined with Gaussian mixture modelling // International Journal of Mining, Reclamation and Environment. 2023, vol. 37, no. 1, pp. 66—86. DOI: 10.1080/17480930.2022.2142425. 

6. Mohtasham M., Mirzaei-Nasirabad H., Askari-Nasab H., Alizadeh B. Multi-stage optimization framework for the real-time truck decision problem in open-pit mines: a case study on Sungun copper mine // International Journal of Mining, Reclamation and Environment. 2022, vol. 36, no. 7, pp. 461—491. DOI: 10.1080/17480930.2022.2067709.

7. Земенкова М. Ю., Чижевская Е. Л., Земенков Ю. Д. Интеллектуальный мониторинг состояний объектов трубопроводного транспорта углеводородов с применением нейросетевых технологий // Записки Горного института. — 2022. — Т. 258. — С. 933—944. DOI: 10.31897/PMI.2022.105.

8. Устюгов Д. Л., Ноа Сегура Э. Л., Ряховский М. С. Использование влияния инфильтрации атмосферных осадков на пополнение запасов подземных вод гидрогеологического района Ла-Яна, Куба // Горный журнал. — 2024. — № 9. — С. 97—102. DOI: 10.17580/gzh.2024.09.15.

9. Иванов С. Л., Сафрончук К. А., Олт Ю. Обоснование и выбор конструктивных параметров зубчато-эксцентрикового механизма поршневого смазочно-заправочного агрегата для технического обслуживания горных машин // Записки Горного института. — 2021. — Т. 248. — С. 290—299. DOI: 10.31897/PMI.2021.2.13.

10. Хамидов О. У., Шибанов Д. А., Шишкин П. В., Колпаков В. О. Эффективность применения экскаваторов на карьерах Узбекистана // Горная промышленность. — 2024. — № 5. — С. 135—142. DOI: 10.30686/1609-9192-2024-5-135-142.

11. Shojaee Barjoee S., Rodionov V., Vaziri Sereshk A. M. Noise climate assessment in ceramic industries (Iran) using acoustic indices and its control solutions // Advances in Environmental Technology. 2025, vol. 11, no. 1, pp. 91—115. DOI: 10.22104/aet.2024.6922.1899.

12. Bazhin V. Yu., Fernandez P. Al., Slobodin V. A. Application of motor scrap in the production of aluminum-alloy ingots with thixotropic structure (under the conditions of the Republic of Cuba) // Metallurgist. 2025. DOI: 10.1007/s11015-025-02011-5.

13. Кадырова Г. М., Красюкова Н. Л., Рождественская И. А., Токмурзин Т. М., Воронова Е. И. Адаптивная оптимизация транспортных потоков внутри подземных выработок на базе методов искусственного интеллекта // Горная промышленность. — 2025. — № 1. — С. 137—146. DOI: 10.30686/1609-9192-2025-1-137-14.

14. Yujra Rivas E., Vyacheslavov A. V., Gogolinskiy K., Sapozhnikova K., Taymanov R. Deformation monitoring systems for hydroturbine head-cover fastening bolts in hydroelectric power plants // Sensors. 2025, vol. 25, no. 8. DOI: 10.3390/s25082548.

15. Цхададзе Н. В., Кучковская Н. В., Бондаренко М. П., Фролова В. Б., Лазарев М. П. Разработка интеллектуальной системы управления жизненным циклом горнодобывающего предприятия на основе технологий индустрии 4.0 и циркулярной экономики // Горная промышленность. — 2024. — № 5S. — C. 12—20. DOI: 10.30686/1609-9192-2024-5S-12-20.

16. Barjoee S. S., Gendler S. Sustainable illumination: Experimental and simulation analysis of illumination for workers wellbeing in the workplace // Heliyon. 2024, vol. 10, no. 24, article e40745. DOI: 10.1016/j.heliyon.2024.e40745.

17. Abdulrashid I. Chiang W., Sheu J., Mammadov S. An interpretable machine learning framework for enhancing road transportation safety // Transportation Research Part E: Logistics and Transportation Review. 2025, vol. 195, article 103969. DOI: 10.1016/j.tre.2025.103969.

18. Коновалов В. Б., Саркисов С. В., Кащеев Р. Л., Казаков Н. П., Руденко А. А., Харьковский В. В., Чепкин А. М., Горшенин А. В. Патент № 2787806 C1 Российская Федерация, МПК G07C 5/08. Устройство контроля параметров движения транспортного средства (черный ящик): № 2022117397: заявл. 27.06.2022: опубл. 12.01.2023.

19. Aydin F., Gümüş B. Comparative analysis of multi-criteria decision-making methods for the assessment of optimal SVC location // Bulletin of the Polish Academy of Sciences, Technical Sciences. 2022, pp. 140555—140555. DOI: 10.24425/bpasts.2022.140555.

20. Wang Y., Yeo G.-T. Intermodal route selection for cargo transportation from Korea to Central Asia by adopting Fuzzy Delphi and Fuzzy ELECTRE I methods // Maritime Policy& Management. Routledge. 2018, vol. 45, no. 1, pp. 3—18. DOI:10.1080/03088839.2017.1319581.

21. Lu W., Choi S.-B., Yeo G.-T. Resilient route selection of oversized cargo transport: the case of South Korea—Kazakhstan // The International Journal of Logistics Management. 2022, vol. 33, no. 2, pp. 410—430. DOI: 10.1108/IJLM-11-2020-0445.

22. Wang Z., Zhang M., Chu R., Zhao L. Modeling and planning multimodal transport paths for risk and energy efficiency using AND/OR graphs and discrete ant colony optimization // IEEE Access. 2020, vol. 8, pp. 132642—132654. DOI: 10.1109/ACCESS.2020.3010376.

23. Meethom W., Koohathongsumrit N. A decision support system for road freight transportation route selection with new fuzzy numbers // Foresight. 2020, vol. 22, no. 4, pp. 505—527. DOI: 10.1108/FS-10-2019-0090.

24. Koohathongsumrit N., Chankham W., Meethom W. Multimodal transport route selection: An integrated fuzzy hierarchy risk assessment and multiple criteria decision-making approach // Transportation Research Interdisciplinary Perspectives. 2024, vol. 28, article 101252. DOI: 10.1016/j.trip.2024.101252.

25. Ilyas M., Zhihong J., Irfan U., Almujibah H. A fuzzy logic-based risk assessment framework for the crude oil transportation supply chain // Ocean Engineering. 2024, vol. 311, article 118997. DOI: 10.1016/j.trip.2024.101252.

26. Pálková A., Mašek J. Fuzzy logic as a decision-making tool for transport request selection // Transportation Research Procedia. 2024, vol. 77, pp. 116—122. DOI: 10.1016/j.trpro.2024.01.015.

27. Thompson E. A., Alimo P. K., Abudu R., Lu P. Towards sustainable freight transportation in Africa: Complementarity of the fuzzy delphi and best-worst methods // Sustainable Futures. 2024, vol. 8, article 100371. DOI: 10.1016/j.sftr.2024.100371.

28. Baban M., Baban C. F., Moisi B. A fuzzy logic-based approach for predictive maintenance of grinding wheels of automated grinding lines / 23rd International Conference on Methods & Models in Automation & Robotics (MMAR). 2018, pp. 483—486. DOI: 10.1109/MMAR.2018.8486144.

29. Selvalakshmi B., Palaniappan V., Subha N., Balamani T. Predictive maintenance in industrial systems using data mining with fuzzy logic systems // ICTACT Journal on Soft Computing. 2024, vol. 14. DOI: 10.21917/ijsc.2024.0472.

30. Semenova T., Martínez Santoyo J. Y. Increasing the sustainability of the strategic development of oil producing companies in Mexico // Resources. 2024, vol. 13, no. 8. DOI: 10.3390/resources13080108.

31. Kruk M. N., Perdomo Millán A., Torres Batista Y. Evaluation of the efficiency of implementation of the sustainable development program at nickel-cobalt ore mining enterprises // Sustainability. 2025, vol. 17, no. 21. DOI: 10.3390/su17219441.

32. Chadi P., Princewill N. O., Nwachukwu A. N., Stanley T. E., Obibuike U. J., Izuwa N. C. Selection of candidate well for stimulation: a comparison of conventional method and artificial intelligence techniques (fuzzy logic) // Petroleum and Coal. 2024, vol. 66, no. 2, article 591. https://www.vurup.sk/wp-content/uploads/2024/04/PC-X_Chiadikaobi_2023_162.pdf.