Русская версия English version
Главная / 2026 г. выпуск 3 / Управление и автоматизированный мониторинг электромеханических систем ленточных конвейеров

Управление и автоматизированный мониторинг электромеханических систем ленточных конвейеров

Ю.Н. Кожубаев, Р.В. Ершов, А.А. Милицын, А.Р. Ахметов, И.А. Петров

Вестник ИГЭУ, 2026 г. выпуск 3, сс. 77—88

Скачать PDF

Аннотация на русском языке: 

Состояние вопроса. В настоящее время внедрение систем предиктивного обслуживания (Predictive Maintenance) промышленного оборудования, в частности ленточных конвейеров, сдерживается сложностью технической реализации и необходимостью адаптации решений под конкретные технологические процессы. Существующие методы часто требуют глубоких знаний в области вибродиагностики или значительных вычислительных мощностей. Актуальность исследования обусловлена необходимостью разработки доступных и эффективных инструментов мониторинга, способных выявлять неисправности оборудования (разрыв петель, провисание цепи) на ранних стадиях без остановки производства. Целью исследования является разработка и апробация системы прогностического обслуживания изогнутой конвейерной ленты, основанной на концепции цифрового двойника и методах машинного обучения.

Материалы и методы. Экспериментальные исследования проведены на лабораторной установке, оснащенной комплексом датчиков (акселерометры, микрофоны, датчики тока). Сбор данных осуществлен с высокой частотой дискретизации (51,2 кГц) с последующей понижающей передискретизацией до 10 кГц методом линейной интерполяции в целях оптимизации вычислительных затрат. Сравнительный анализ данных и классификация состояний («норма», «неисправность») осуществлены с использованием алгоритмов машинного обучения: случайный лес (Random Forest), логистическая регрессия, метод опорных векторов (SVM) и деревья решений. Обучение и тестирование моделей проведено на комбинированном наборе данных с разделением в пропорции 80/20 %.

Результаты. Сравнительный анализ показал, что наилучшую эффективность демонстрирует алгоритм «Случайный лес» с показателем AUC 0,87 и F1-оценкой 0,88. Установлено, что понижение частоты дискретизации до 10 кГц является оптимальным компромиссом, позволяющим сократить время обработки одной минуты записи с 241 с до 56 с при сохранении диагностической ценности сигнала. Разработанная модель успешно идентифицирует различные типы неисправностей, обеспечивая высокую точность прогнозирования (до 98 % на отдельных тестовых выборках).

Выводы. Результаты исследования подтверждают эффективность применения подхода на основе цифрового двойника и машинного обучения для диагностики электромеханических систем конвейеров. Достигнутая точность и быстродействие системы позволяют рекомендовать предложенное решение для внедрения в реальные производственные процессы. Использование разработанной методики позволяет перейти от планового ремонта к обслуживанию по состоянию, минимизируя время простоев и снижая эксплуатационные расходы без необходимости привлечения узкопрофильных специалистов по вибродиагностике.

Список литературы на русском языке: 
  1. Errandonea I., Beltran S., Arrizabalaga S. Digital twin for maintenance: a literature review // Comput Ind. 2020. DOI: 10.1016/j.compind.2020.103316.
  2.  An experimental methodology to evaluate machine learning methods for fault diagnosis based on vibration signals / T.W. Rauber, A.L. da Silva Loca, F. de Assis Boldt, et al. // Expert Syst App. – 2021. – Vol. 167. – P. 114022. DOI: 10.1016/j.eswa.2020.114022.
  3.  Intelligent machine learning based total productive maintenance approach for achieving zero downtime in industrial machinery / T.R. Mohan, J.P. Roselyn, R.A. Uthra, K. Umachandran // Comput. Ind. Eng. – 2021. – Vol. 157. – P. 107267. DOI: 10.1016/j.cie.2021.107267.
  4.  Zhang W., Yang D., Wang H. Data-driven methods for predictive maintenance of industrial equipment: a survey // IEEE Syst J. – 2019. – Vol. 13, No. 3. – P. 2213–2227. DOI: 10.1109/JSYST.2019.2905565.
  5.  Ran Y., Lin P., Zhou X. A survey of predictive maintenance: systems, purposes and approaches // Electr Eng Syst Sci. – 2019. DOI: 10.48550/arXiv.1912.07383.
  6.  A digital twin approach based on nonparametric Bayesian network for complex system health monitoring / J. Yu, Y. Song, D. Tang, J.  Dai // J Manuf Syst. – 2021. – Vol. 58. – P. 293–304. DOI: 10.1016/j.jmsy.2020.07.005.
  7.  Kiangala K.S., Wang Z. Initiating predictive maintenance for a conveyor motor in a bottling plant using industry 4.0 concepts // Int J Adv Manuf Tech. – 2018. – Vol. 97. – P. 3251–3271. DOI: 10.1007/s00170-018-2093-8.
  8.  Steenwinckel B., De Paepe D., Vanden Hautte S. Flags: a methodology for adaptive anomaly detection and root cause analysis on sensor data streams by fusing expert knowledge with machine learning // Future Gener Comput Syst. – 2021. – Vol. 116. – P. 30–48. DOI: 10.1016/j.future.2020.10.015.
  9.  A digital twin approach based on nonparametric Bayesian network for complex system health monitoring / J. Yu, Y. Song, D. Tang, J.  Dai // J Manuf Syst. 2021. Т. 58. С. 293–304. DOI: 10.1016/j.jmsy.2020.07.005.
  10. Englert T., Graichen K. Nonlinear model predictive torque control of PMSMs for high performance applications // Control Engineering Practice. – 2018. – Vol. 81. – P. 43–54. DOI: 10.1016/j.conengprac.2018.08.023.
  11. Influence of an installation angle of the conveyor lift on the volumes of mining and preparing work at quarries at the cyclic-flow technology of ore mining / V.L. Yakovlev, A.V. Glebov, V.A. Bersenyov, et al. // News of the National Academy of Sciences of the Republic of Kazakhstan, Series of Geology and Technical Sciences. – 2020. – Vol. 4, No. 442. – P. 127–137. DOI: 10.32014/2020.2518-170X.93.
  12. New low-noise sensorless control strategy for permanent magnet synchronous motor drives based on variable-frequency voltage signal injection / H. Zhu, L. Zhang, Z. Peng, et al.  // IET Electr. Power Appl. – 2025. – P. e12538. DOI: 10.1049/elp2.12538.
  13. Tiddens W., Braaksma J., Tinga T. Exploring predictive maintenance applications in industry // J Qual Maint Eng. – 2022. – Vol. 28, No. 1. – P. 68–85. DOI: 10.1108/JQME-05-2020-0029.
  14. A systematic literature review of machine learning methods applied to predictive maintenance / T.P. Carvalho, F.A. Soares, R. Vita, et al. // Comput Ind Eng. – 2019. – Vol. 137. – P. 106024. DOI: 10.1016/j.cie.2019.106024.
  15. Grieves M., Vickers J. Digital twin: mitigating unpredictable, undesirable emergent behavior in complex systems // Springer, Cham. – 2017. – P. 85–113. DOI: 10.1007/978-3-319-38756-7_421.
  16. Errandonea I., Beltran S., Arrizabalaga S. Digital twin for maintenance: a literature review // Comput Ind. – 2020. DOI: 10.1016/j.compind.2020.103316.
  17. A comparative study on machine learning algorithms for smart manufacturing: tool wear prediction using random forests / D. Wu, C. Jennings, J. Terpenny, et al. // J Manuf Sci Eng. – 2017. – Vol. 139, No. 7. DOI: 10.1115/1.4036350.
  18. Beloglazov I., Plaschinsky V. Development MPC for the Grinding Process in SAG Mills Using DEM Investigations on Liner Wear // Materials. – 2024. – Vol. 17, No. 4. DOI: 10.3390/ma17040795.
  19. Sharikov Y.V., Snegirev N.V., Tkachev I.V. Development of a control system based on predictive mathematical model of the C5-C6 isomerization process // Journal of Chemical Technology and Metallurgy. – 2020. – Vol. 55, No. 2. – P. 335–344. URL: https://journal.uctm.edu/node/j2020-2/12_19-28_p_335-344.pdf
  20. Second-Order Model-Based Predictive Control of Dual Three-Phase PMSM Based on Current Loop Operation Optimization / L. Li, W. Zhou, X. Bi, et al. // Actuators. – 2022. – Vol. 11. – P. 251. DOI: 10.3390/act11090251.
  21. Sychev Y.A., Aladin M.E. Overall performance analysis of general-purpose power quality controls on the basis of active converters in nonlinearly loaded industrial power lines // MIAB. Mining Inf. Anal. Bull. – 2023. – No. 11. – P. 159–181. DOI: 10.25018/0236_1493_2023_11_0_159.
  22. Applications of simulation modeling in mining project risk management: criteria, algorithm, evaluation / M. Nevskaya, A. Sharapova, T. Kosovtseva, L. Nikolaychuk // Journal of Infrastructure, Policy and Development. – 2024. – Vol. 8. – P. 5375. DOI: 10.24294/jipd.v8ix.5375.
  23. Multi-terminal dc grid overall control with modular multilevel converters / M.J. Carrizosa, N. Stankovic, J.-C. Vannier, et al. // Journal of Mining Institute. – 2020. – Vol. 243. – P. 357–370. DOI: 10.31897/PMI.2020.3.357
  24. Matlab/Simulink Based Modeling and Simulation of Fuzzy PI Control for PMSM / D. Gu, Y. Yao, D.M. Zhang, et al. // Procedia Computer Science. – 2020. – Vol. 166. – P. 195–199. DOI: 10.1016/j.procs.2020.02.047.
  25. Robust model-based control and stability analysis of PMSM drive with DC-link voltage and parameter variations / M. Mehrasa, H. Gholinezhadomran, P. Tarassodi, et al. // Results in Control and Optimization. – 2024. – Vol. 17. – P. 100469. DOI: 10.1016/j.rico.2024.100469.
  26. Ustinov D.A., Aysar A.R. Analysis of the Impact of the Distributed Generation Facilities on Protection Systems and Voltage Mode: Review // Occupational Safety in Industry. – 2023. – P. 15–20. DOI: 10.24000/0409-2961-2023-2-15-20.
  27. Speed Control for Permanent Magnet Synchronous Motor Based on Terminal Sliding Mode High-order Control / T.-L. Le, M.-F. Hsieh, P.-T. Nguyen, M.-T.  Nguyen // Proceedings of 2023 International Conference on System Science and Engineering (ICSSE), Ho Chi Minh, Vietnam. – 2023. – P. 496–501. DOI: 10.1109/ICSSE58758.2023.10227245.
  28. Chen T., Chen L., Chai F. Behavior Modeling and Design of Winding-Switching Permanent Magnet Synchronous Machine System Based on Normalized Model // Proceedings of 2023 26th International Conference on Electrical Machines and Systems (ICEMS), Zhuhai, China. – 2023. – P. 5228–5232. DOI: 10.1109/ICEMS59686.2023.10344841.
  29. Shpenst V.A., Orel E.A. Improving the reliability of DC-DC power supply by reserving feedback signals // Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations. – 2021. – Vol. 64, No. 5. – P. 408–420. DOI: 10.21122/1029-7448-2021-64-5-408-420.
  30. Al-Dujaili A. Electrical faults classification in permanent magnet synchronous motor using ResNet neural network // International Review of Applied Sciences and Engineering. – 2024. – Vol. 15. DOI: 10.1556/1848.2024.00789.
  31. Thermal protection implementation of the contact overheadline based on bay controllers of electric transport traction substations in the mining industry / D.Y. Lantsev, V.Y. Frolov, S.G. Zverev, et al. // Journal of Mining Institute. – 2021. – Vol. 251. – P. 738–744. DOI: 10.31897/PMI.2021.5.13.
  32. Symmetrical Modeling of Physical Properties of Flexible Structure of Silicone Materials for Control of Pneumatic Soft Actuators / E.H. Muratbakeev, Y.N. Kozhubaev, Y. Yao, U. Shehzad // Symmetry. – 2024. – Vol. 16. – P. 750. DOI: 10.3390/sym16060750.
  33. Vasiliev B.Y., Kozyaruk A.E., Mardashov D.V. Increasing the Utilization Factor of an Autonomous Inverter under Space Vector Control // Russ. Electr. Engin. – 2020. – Vol. 91. – P. 247–254. DOI: 10.3103/S1068371220040082.
  34. Majnik M., Bosnic Z. ROC analysis of classifiers in machine learning: a survey // Intell Data Anal. – 2013. – Vol. 17. – P. 531–558. DOI: 10.3233/IDA-130592.
  35. Prognostics and health management for maintenance practitioners - review, implementation and tools evaluation / V. Atamuradov, K. Medjaher, P. Dersin, et al. // Int J Progn Health Manag. – 2017. – Vol. 8, No. 3. – P. 1–31. DOI: 10.36001/ijphm.2017.v8i3.2667.
Ключевые слова на русском языке: 
ленточный конвейер, предиктивное обслуживание, машинное обучение, цифровой двойник, диагностика неисправностей
Ключевые слова на английском языке: 
belt conveyor, predictive maintenance, machine learning, digital twin, fault diagnosis
Индекс DOI: 
10.17588/2072-2672.2026.3.077-088
Количество скачиваний: 
8