Применение методов машинного обучения для повышения надёжности автоматизированных систем управления подземного рудника

Введение

Автоматизированные системы управления технологическими процессами (АСУТП) подземных алмазодобывающих предприятий работают в экстремальных условиях: глубина выработки до 1024 метров, влажность 95–98%, агрессивная среда, высокие механические нагрузки. Отказы критического оборудования приводят к значительным экономическим потерям [1].

Традиционные подходы к техническому обслуживанию основываются на регламентных интервалах или реактивной модели устранения отказов. Такая стратегия не учитывает фактическое техническое состояние оборудования и приводит к незапланированным простоям [2]. Альтернативой выступает концепция проактивного обслуживания на основе прогнозной аналитики с применением методов машинного обучения [3]. Критическая проблема существующих подходов заключается в отсутствии количественной оценки эффективности выполняемых мероприятий. Согласно исследованиям, до 30% профилактических работ не приводят к ожидаемому снижению частоты отказов из-за неправильного выбора мероприятий или некачественного их выполнения [4]. Это указывает на необходимость создания интеллектуальной системы, которая не только прогнозирует отказы, но и формирует обоснованные рекомендации на основе анализа фактической эффективности ранее выполненных работ.

Согласно ГОСТ 27.002-2015, надёжность определяется как свойство объекта сохранять работоспособность в течение заданного времени [5]. Ключевые показатели надёжности включают: среднее время между отказами (MTBF), среднее время восстановления (MTTR) и коэффициент готовности (K_г). Анализ существующих работ показывает эффективность применения градиентного бустинга и нейронных сетей для прогнозирования отказов промышленного оборудования [6, с. 785-794; 7, с. 6639-6649]. Однако большинство исследований фокусируются исключительно на предсказании отказов, не рассматривая вопросы интеграции предиктивной аналитики с оценкой эффективности мероприятий, выявлением паттернов и формированием интеллектуальных рекомендаций.

Цель исследования – разработка и экспериментальная проверка интеллектуальной системы анализа надёжности АСУТП подземного рудника с применением ансамбля алгоритмов машинного обучения, автоматическим анализом эффективности профилактических мероприятий, выявлением паттернов отказов и формированием персонализированных рекомендаций с использованием отечественных и открытых технологий.

Объекты и методы исследования

Объектом исследования выступило критическое оборудование подземного рудника: подъемные машины BBC, DW3000 и D34. Глубина выработки составляет 750–1024 метра.

Исходные данные собраны из четырёх источников:

• MES-система предприятия (журналы простоев с указанием причин);
• SCADA-система (аварийные события и alarm-коды);
• Журналы технического обслуживания с описанием выполненных мероприятий;
• База данных профилактических работ с указанием узлов и типов мероприятий.

Период наблюдения – январь 2022 – октябрь 2025 года.

Статистика исходных данных представлена в таблице 1.

Таблица 1

Характеристика исходных данных

Общий объём данных составил 706 событие отказов, 178 профилактических мероприятий, 670 записей о простоях из MES-системы и 79482 alarm-кодов из SCADA-системы. Данные охватывают период с января 2022 по октябрь 2025 года (46 месяцев наблюдений).

Методология исследования включает семь этапов:

1. Интеграция данных и формирование единой базы знаний с объединением событий из разных источников.
2. Анализ эффективности мероприятий на основе повторяемости отказов и временных интервалов между ними.
3. Выявление паттернов отказов для классификации типовых сценариев с применением алгоритмов поиска ассоциативных правил.
4. Обучение ансамбля моделей машинного обучения с использованием адаптивного временного окна.
5. Расчёт прогнозных показателей надёжности с учётом предотвращённых отказов.
6. Формирование интеллектуальных рекомендаций по выбору наилучших мероприятий на основе их эффективности.
7. Реализация механизма самообучения с автоматическим переобучением при накоплении новых данных и корректировкой профилей эффективности.

Анализ эффективности профилактических мероприятий

Разработан алгоритм количественной оценки эффективности профилактических мероприятий на основе анализа повторяемости отказов. Для каждого мероприятия рассчитывается коэффициент эффективности E_measure по формуле:

, (1)

Где: – отношение среднего времени между отказами после мероприятия к времени до него:

, (2)

– обратное отношение частоты отказов:

, (3)

Где – частота отказов (событий/месяц):

– доля случаев, когда отказ не повторился в течение контрольного периода (30 дней):

, (4)

, , – весовые коэффициенты.

Эффективность оценивается по шкале:

• E ≥ 0.75 – высокая эффективность (мероприятие существенно снижает отказы);
• 50 ≤ E <0.75 – средняя эффективность (мероприятие частично помогает);
• 25 ≤ E <0.50 – низкая эффективность (незначительный эффект);
• E <0.25 – неэффективность (мероприятие не приносит результата).

Для каждого узла оборудования формируется профиль эффективности мероприятий, который хранит:

• Историю применения каждого типа мероприятия;
• Расчетную эффективность ;
• Средний прирост MTBF в часах: ;
• Среднее сокращение MTTR в процентах: ;
• Количество успешных и неуспешных применений.

Автоматический анализ паттернов отказов

Разработан модуль интеллектуального анализа паттернов отказов, который выявляет типовые сценарии на основе четырёх групп признаков:

1. Временные паттерны: часы суток с максимальной частотой отказов; дни недели с повышенным риском; сезонные тренды; связь отказов с началом/концом смены.
2. Технические паттерны: типовые последовательности alarm-кодов из SCADA; критические пороги частоты аварийных событий; комбинации узлов, отказывающих совместно.
3. Паттерны эксплуатации: связь отказов с интенсивностью использования; влияние производственной нагрузки; зависимость от количества пусков/остановов.
4. Паттерны обслуживания: типы мероприятий, которые чаще всего предшествуют отказам; узлы, требующие повышенного внимания после ТО; взаимосвязь между профилактикой одного узла и отказами других.

Для выявления паттернов применяется алгоритм Association Rule Mining (метод Apriori [8, с. 487-499]) с минимальной поддержкой 15% и минимальной достоверностью 60%. Паттерн представляется в виде правила:

, (5)

Где – множество условий (антецедент), – следствие (консеквент).

Для каждого правила рассчитываются метрики:

• Поддержка (Support):

, (6)

Где – общее количество транзакций.

• Достоверность (Confidence):

, (7)

• Подъём (Lift):

, (8)

Система автоматически обнаруживает новые паттерны при накоплении данных и удаляет устаревшие паттерны, которые перестали подтверждаться.

Формирование интеллектуальных рекомендаций

На основе анализа эффективности мероприятий и выявленных паттернов система формирует персонализированные рекомендации для каждого узла оборудования по алгоритму:

Шаг 1. Определение риска отказа: ML-модель предсказывает вероятность отказа в течение прогнозного горизонта. Система проверяет срабатывание известных паттернов и рассчитывает итоговую оценку риска:

Где – вероятность паттерна , – вес паттерна, – количество активных паттернов.

Шаг 2. Выбор кандидатов мероприятий: из профиля эффективности выбираются мероприятия с , применимые к текущему узлу.

Шаг 3. Ранжирование мероприятий: для каждого кандидата рассчитывается интегральный балл :

, (10)

Где:

• – эффективность мероприятия (0-1);
• – нормированная экономическая эффективность (0-1);
• – срочность на основе риска (0-1);
• – соответствие выявленным паттернам (0-1);
• , , , – весовые коэффициенты.

Шаг 4. Формирование рекомендации: Система выдает топ-3 рекомендованных мероприятия с указанием прогнозируемого прироста MTBF, ожидаемого сокращения MTTR, экономического эффекта и оптимального времени выполнения.

Для прогнозирования отказов применён ансамбль из пяти алгоритмов:

• Logistic Regression – базовая линейная модель для сравнения;
• Random Forest – ансамбль решающих деревьев [9, с. 5-32];
• XGBoost – экстремальный градиентный бустинг [6, с. 785-794];
• CatBoost – отечественная разработка Yandex для импортозамещения [7, с. 6639-6649];
• Isolation Forest – детекция аномалий [10, с. 413-422].

Признаковое пространство сформировано по шести группам:

1. Временные признаки (12): день недели, час суток, месяц, квартал; признаки смены (дневная/вечерняя/ночная по 3 смены); выходной день/рабочий день; время с начала смены;
2. Исторические признаки отказов (24): количество отказов за периоды 7, 14, 30, 60, 90 дней; средний и суммарный простой за те же периоды; время с последнего отказа; среднее время между отказами (по последним 10); количество критических отказов; тренды частоты отказов;
3. Признаки мероприятий (8): количество мероприятий за 7, 14, 30 дней; время с последнего мероприятия; стоимость мероприятий за период; количество мероприятий «в работе»; proxy-эффективность последнего мероприятия;
4. Признаки из SCADA alarm-кодов (16) – только для BBC: количество alarm-событий за 1 ч, 24 ч, 7 дней; уникальные alarm-коды за период; частота алармов (событий/час); всплески (spikes) количества алармов; новые (ранее не встречавшиеся) alarm-коды; топ-5 наиболее частых alarm-кодов; среднее время между алармами;
5. Признаки из MES-системы (12): количество простоев из MES за 1 ч, 24 ч, 7 дней; средняя длительность простоя; тренд частоты простоев; категории простоев (аварийные/плановые);
6. Контекстные признаки (8): частота отказов данного узла; частота отказов данной коренной причины; производственная нагрузка; наработка с последнего ТО.

Общая размерность признакового пространства составила около 80 признаков (варьируется в зависимости от наличия SCADA-интеграции у конкретного оборудования).

Для каждого типа оборудования применяется адаптивное временное окно, которое автоматически определяет оптимальный период обучения на основе:

• Частоты отказов (события/месяц);
• Стабильности распределения отказов (коэффициент вариации);
• Минимального количества событий (не менее 50–100).

Размер окна рассчитывается по формуле:

, (11)

Где – минимальное требуемое количество событий, – минимальный период (3 месяца).

Результаты экспериментального исследования

Экспериментальное тестирование системы выполнено на реальных данных трёх типов подъёмного оборудования. Результаты представлены в таблице 2.

Таблица 2

Метрики точности ML-моделей по оборудованию

Средняя точность прогнозирования составила F1-Score = 0.664 при полноте (Recall) 72.7%, что означает выявление более 70% потенциальных отказов с приемлемым уровнем ложных срабатываний (Precision = 0.613).

Рис. 1. Сравнение метрик качества ML-моделей для трёх типов оборудования

Применение системы обеспечило измеримое улучшение показателей надёжности. Результаты представлены в таблице 3.

Таблица 3

Изменение показателей надёжности после внедрения системы

Рис. 2. Динамика изменения показателей MTBF и MTTR после внедрения системы

1. Среднее время между отказами (MTBF) увеличилось на 35.6%, что соответствует снижению частоты отказов на треть по сравнению с базовым периодом;
2. Среднее время восстановления (MTTR) сократилось на 23.1% за счёт более быстрой диагностики на основе рекомендаций системы, заблаговременной подготовки запасных частей и целенаправленного выбора корректирующих мероприятий;
3. Коэффициент готовности (Kг) вырос в среднем на 0.90 процентных пункта, что для высоконадежных систем (Kг> 96%) является существенным улучшением;
4. Наибольший эффект достигнут для DW-3000 (+37.1% MTBF, -23.0% MTTR), что объясняется высокой частотой однотипных отказов, хорошо распознаваемых ML-моделью.

Веб-интерфейс системы

Разработан веб-интерфейс системы на базе FastAPI (backend) и Chart.js (frontend), включающий восемь разделов:

1. Обзор системы – общая статистика по всему оборудованию;
2. Загрузка данных – импорт Excel файлов методом drag-and-drop;
3. Управление оборудованием – настройка параметров и критичности;
4. Прогнозирование отказов – визуализация ML-предсказаний с доверительными интервалами;
5. Анализ паттернов – карта выявленных паттернов с фильтрацией по достоверности;
6. Рекомендации по мероприятиям – интеллектуальные советы с приоритизацией и обоснованием;
7. Эффективность мероприятий – визуализация профилей эффективности по узлам;
8. Параметры ML-моделей – сравнение алгоритмов и метрик.

Рис. 3. Скриншот веб-интерфейса системы: общий обзор системы

Система обеспечивает:

• Интерактивную визуализацию результатов с фильтрацией по периодам;
• Экспорт отчётов в формате DOCX и PDF;
• Интеграцию с SCADA/MES системами предприятия через REST API;
• Уведомления операторов о критических прогнозах.

Заключение

Разработанная интеллектуальная система анализа надёжности АСУТП подземного рудника на основе ансамбля методов машинного обучения с модулями анализа эффективности мероприятий, выявления паттернов отказов и формирования персонализированных рекомендаций продемонстрировала практическую эффективность при экспериментальном тестировании на реальных промышленных данных трёх типов подъёмного оборудования.

Основные научные и практические результаты:

1. Достигнута средняя точность прогнозирования отказов F1-Score = 0.664 при полноте Recall = 0.727, что соответствует выявлению более 70% потенциальных отказов с приемлемым уровнем ложных срабатываний.
2. Внедрение системы обеспечивает увеличение среднего времени между отказами на 35.6%, сокращение времени восстановления на 23.1% и повышение коэффициента готовности на 0.9 п.п.
3. Система автоматически выявляет устойчивые паттерны отказов: 28 уникальных паттернов для ВВС (покрытие 73.9%), 67 паттернов для ЦШ-4,65х4 (покрытие 88.2%), 28 паттернов для DW-3000.
4. Использование отечественного алгоритма CatBoost (Yandex) и открытых технологий (XGBoost, Random Forest, scikit-learn) обеспечивает соответствие требованиям импортозамещения и независимость от иностранных разработчиков ПО.
5. Механизм автоматического самообучения позволяет системе адаптироваться к изменяющимся условиям эксплуатации без участия специалистов.

Научная новизна исследования:

• Разработана методология интеграции разнородных источников данных (MES, SCADA, журналы ТО) для создания единой базы знаний о надёжности оборудования;
• Предложен гибридный алгоритм расчёта коэффициента эффективности мероприятий на основе трёх компонент: отношения MTBF, обратного отношения частоты отказов и доли успешных применений;
• Создан метод автоматического обнаружения паттернов отказов с применением алгоритма для поиска ассоциативных правил;
• Разработан алгоритм формирования персонализированных рекомендаций с учётом фактической эффективности мероприятий, выявленных паттернов и экономических показателей;
• Предложен адаптивный подход к формированию временного окна обучения на основе частоты отказов и стабильности паттернов.

Практическая значимость

Система готова к промышленному внедрению на горнодобывающих предприятиях и может быть адаптирована для других отраслей промышленности. Веб-интерфейс обеспечивает удобное взаимодействие для операторов и инженеров без необходимости специальных знаний в области машинного обучения. Модуль интеллектуальных рекомендаций позволяет операторам принимать обоснованные решения о проведении профилактики на основе объективных данных об эффективности мероприятий и выявленных паттернов.

Перспективы развития:

1. Расширение системы на дополнительные типы оборудования (конвейеры, вентиляторы, насосы, дробильные установки);
2. Внедрение глубоких нейронных сетей для анализа временных рядов alarm-кодов;
3. Разработка мобильного приложения для оперативного доступа к прогнозам и рекомендациям;
4. Развитие модуля автоматической генерации регламентов ТО на основе выявленных паттернов и эффективности мероприятий.

Полученные результаты подтверждают эффективность применения методов машинного обучения в сочетании с интеллектуальным анализом эффективности мероприятий и выявлением паттернов для повышения надёжности АСУТП подземных рудников и открывают перспективы для дальнейших исследований в области интеллектуального управления технологическими процессами горнодобывающей промышленности.