CC BY
35
ГИАБ. Горный информационно-аналитический бюллетень / MIAB. Mining Informational and Analytical Bulletin, 2022;(2):111-123 ОРИГИНАЛЬНАЯ СТАТЬЯ / ORIGINAL PAPER
УДК 004.048:658.5:622 DOI: 10.25018/0236_1493_2022_2_0_111
АВТОМАТИЗАЦИЯ ПРОЦЕССОВ ИНТЕГРИРОВАННОГО ПЛАНИРОВАНИЯ ПРОИЗВОДСТВА И ПРОДАЖ ПРОДУКЦИИ ГОРНОПЕРЕРАБАТЫВАЮЩИХ ПРЕДПРИЯТИЙ ЦЕМЕНТНОЙ ОТРАСЛИ
Е.В. Зайцева1, Н.Л. Медяник2
1 НИТУ «МИСиС», Москва, Россия, e-mail: ZaytsevaEV11@yandex.ru 2 Магнитогорский государственный технический университет им. Г.И. Носова, Магнитогорск, Россия
Аннотация: Рассмотрены основные аспекты формирования оптимизационной модели интегрированного планирования. Для производственных предприятий, в частности, цементных компаний, интегрированное планирование связывает воедино процессы планирования всех уровней, включая прогнозирование продаж, планирование производства и цепочки поставок, закупки сырья и материалов, а также управление клиентским сервисом. Особое внимание автор уделил вопросам автоматизации процессов планирования производства и продаж, основанных на максимизации прибыли предприятия. Предложенная модель линейной оптимизации разработана с целью повышения эффективности принимаемых решений по балансировке объемов производства и продаж клинкера и цемента заводами-производителями, а также по перераспределению товарных потоков между заводами-производителями и регионами на территории России. Представлена планируемая схема реализации прототипа оптимизационной модели, обеспечивающей интеграцию с текущими 1Т-системами, систематизированы ограничения, используемые в модели, входные данные и источники их получения. Показано, что при формировании итогового плана данная модель позволяет решить производственные, логистические и коммерческие задачи на базе единой платформы для поддержки всех процессов планирования с использованием искусственного интеллекта для оптимизации принимаемых экспертами решений. Результаты работы позволили сформировать ключевые направления подготовки и перечень информационных технологий, обеспечивающих технологическую готовность реализации направлений цифровизации применительно к цементным предприятиям.
Ключевые слова: автоматизация, интегрированное планирование, горноперерабатывю-щее предприятие, цементная отрасль, оптимизационная модель, информационные технологии, цифровизация, логистика.
Для цитирования: Зайцева Е. В., Медяник Н. Л. Автоматизация процессов интегрированного планирования производства и продаж продукции горноперерабатывающих предприятий цементной отрасли // Горный информационно-аналитический бюллетень. -2022. - № 2. - С. 111-123. DOI: 10.25018/0236_1493_2022_2_0_Ш.
© Е.В. Зайцева, Н.Л. Медяник. 2022.
Automated integrated production and selling planning at processing plant in the cement industry
E.V. Zaytseva1, N.L. Medyanik2
1 National University of Science and Technology «MISiS», Moscow, Russia,
e-mail: ZaytsevaEV11@yandex.ru 2 G.I. Nosov Magnitogorsk State Technical University, Magnitogorsk, Russia
Abstract: The study focuses on optimization modeling of integrated planning. In industry, in particular, in the cement sector, integrated planning encompasses all process flows of planning at all scales, including sales forecasting, planning of production, purchase and delivery chains, as well as customer service control. The author pays emphasis on automation of the production and selling planning process based on the business income maximization. The proposed model of linear optimization aims to improve efficiency of decision-making on balancing volumes of clinker and cement production and selling by manufacturing plants, as well as on redistribution of commodities flows between manufacturers and regions in Russia. The presented implementation chart of the prototype optimization model ensures integration with the current IT systems. The model includes systematized constraints, input data and their sources. It is shown that the modeled final plan allows production, logistics and commerce within the integrated platform and with artificial intelligence supervision of optimization of expert decision-making. The studies make it possible to identify key preparation actions and to list information technologies which ensure technological availability of digitalization in terms of the cement industry. Key words: automation, integrated planning, processing plant, cement industry, optimization model, information technology, digitalization, logistics.
For citation: Zaytseva E. V., Medyanik N. L Automated integrated production and selling planning at processing plant in the cement industry. MIAB. Mining Inf. Anal. Bull. 2022;(2):111-123. [In Russ]. DOI: 10.25018/0236_1493_2022_2_0_111.
Введение
Глобализационные процессы всех уровней и направлений экономического развития существенно влияют на условия функционирования промышленных предприятий, определяют необходимость и содержание инновационных изменений в механизмах управления их деятельностью.
На современном этапе становления экономики главным вопросом является разработка эффективной экономической модели развития горно-перерабатываю-щих предприятий цементной отрасли. Фактором, способным обеспечить стабильный экономический рост в горнодобывающей промышленности, являет-
ся внедрение цифровых технологий и автоматизированных систем [1]. Инновационные цифровые технологии призваны обеспечить устойчивое развитие [2] цементного предприятия в совокупности с повышением его конкурентоспособности в условиях глобализации [3]. Это становится возможным при использовании концепции интегрированной системы [4], которая связывает воедино процессы планирования всех уровней: прогноз продаж; показатели объема производства; цепочки поставок, закупки сырья и материалов; управление клиентским сервисом.
Интегрированный подход подразумевает разработку сквозного плана, объе-
диняющего всю цепочку создания стоимости.
В цементной отрасли сбалансиро-ванно-интегрированные методы исследования на основе изучения сложных системных явлений и процессов закладываются на стадии проектирования горнодобывающего предприятия [5], поддерживаются в процессе извлечения[6] и переработки сырьевых материалов [7], учитываются в логистике [8, 9] и эффективно применяются при сбыте готовой продукции. Современное интегрированное планирование невозможно без автоматизации на базе ИТ-инструментов и наличия в программном обеспечении эффективных математических алгоритмов прогнозирования и оптимизации с применением методов искусственного интеллекта [10].
В интерпретации многочисленных исследований технологическая система цементного предприятия укрупненно представляется в виде отдельных взаимосвязанных подсистем с непрерывными и дискретными связями.
Процесс производства цемента состоит из следующей технологической цепочки, включая этапы:
• добыча сырьевых материалов и доставка их на завод;
• дробление и помол сырьевых материалов;
• приготовление и корректирование сырьевой смеси;
• обжиг сырьевой смеси (получение клинкера);
• помол клинкера с добавками (получение цемента);
• тарирование и отгрузка готового цемента.
Основными потребителями цемента являются строительная и горнодобывающая отрасли. Ввиду высокой стоимости цемента проводятся исследования с целью уменьшения его потребления [11] или полной его замены [12].
Несмотря на все попытки снизить зависимость отраслей экономики от цементной продукции на рынке прослеживается тенденция умеренно растущего спроса на нее. Это приводит к выходу на рынок новых производителей и введению дополнительных мощностей производства у существующих, что вызывает возникновения высокой вероятности проявления профицита предложений.
В таких условиях потребители становятся более требовательными к качеству и цене, а также удобству использования и бесперебойности доставки. Вследствие этого некоторые предприятия будут менее конкурентными по затратам и качеству [13]. В связи с этим повышение эффективности продаж является одной из приоритетных задач для предприятий цементной отрасли [14 — 16]. Для решения вышеописанных проблем необходимо разработать модель оптимизации плана производства и продаж. Данная модель разрабатывается с целью увеличения продаж в более прибыльных каналах сбыта; оптимизации загрузки и распределения продукции между регионами и заводами; достижения максимального значения показателя EBITDA («Прибыль до процентов, налогов и амортизации»); ликвидации утечек прибыльности и совершенствования процесса ценообразования; максимального использования периодов пикового спроса на продукцию; повышения эффективности принимаемых решений по балансировке объемов производства и реализации клинкера и цемента заводами-производителями, а также по перераспределению товарных потоков между заводами-производителями.
В процессе формирования итогового плана производства и продаж модель оптимизации плана производства и продаж позволяет решить следующие задачи, в частности, для производства — это оптимизация загрузки и ассортимента
по прибыльности — переменной марже (с учетом себестоимости производства по маркам, времени загрузки мощностей по маркам цемента, ограничений по производственным мощностям, хранению, текущей ценовой ситуации, предоставленных заявок), учет и планирование изменений переменных затрат при разных объемах производства, синхронизация плана производства и плана продаж; по логистике — оптимизация ассортимента и распределения по регионам по прибыльности — переменной морже (с учетом стоимости доставки, ограничений по логистике); коммерческие — резервирование процента мощности под заказы ключевых клиентов с повышенным уровнем сервиса, критическое рассмотрение предоставленных заявок, сравнение с бизнес планом по показателям прибыльности и формирование предложений по их улучшению и корректировка показателей годового плана производства и продаж с целью внедрения предложений по улучшению показателей [17].
Методы
Для реализации вышеперечисленных задач необходимо разработать и внедрить ряд коммерческих и кросс-функциональных инициатив, среди которых первостепенное место занимает оптимизация планирования производства и
продаж, основанная на максимизации прибыли. Особое внимание следует уделить разработке оптимизационной модели, которая автоматически распределяет потоки готовой продукции для получения максимальной маржи/ЕВ/ТОА Структура оптимизационной модели на рис. 1.
Производство клинкера. Расчет мощностей по обжигу клинкера осуществляется по каждой печи с учетом паспортной производительности и скорректированного времени их работы, таким образом формируется потенциал производства.
Перераспределение клинкера. Перераспределение клинкера реализовано в двух вариантах — между заводами производителями цемента (оптимизируется объемы и заводы поставщики/получатели) и экспортные поставки.
Помол цемента. Входными данными на этапе моделирования работы мельниц (помол) являются производительность по маркам цемента (т/ч), ремон-ты/простоиДО (в днях), коэффициент потребления клинкера, себестоимость помола (руб./т). Модель может распределить время работы мельниц на производство одной или нескольких марок цемента, при этом ремонты и простои уменьшают запас рабочего времени мельниц. Коэффициент потребления клинкера и себестоимость помола дифференцируется по заводам и маркам.
Рис. 1. Структура оптимизационной модели Fig. 1. Structure of optimization model
Силосы и отгрузки. В модели реализованы технологические схемы привязки силосов к мельницам и упаковочному оборудованию, в частности, с силоса цемент может поступать как непосредственно на отгрузку (железнодорожный транспорт, автотранспорт) так и на упаковочную линию — это зависит от заказов клиентов. Силосы обладают разной производительностью по отгрузке навального цемента. Данная модель позволяет распределить время работы отгрузочного оборудования для каждого силоса.
Упаковка и паллетирование. Каждое оборудование упаковочной линии обладает запасом времени, которое можно распределять между видами упаковки (например, 50 и 25 кг). Входными данными являются возможные типы упаковки, производительность (т/ч) и подключенные силосы. Отгрузка с упаковочного оборудования осуществляется с одинаковой производительностью для автомобильного и железнодорожного транспорта. Оборудование по паллети-рованию подключено к определенным упаковочным линиям. Входными данными здесь являются производительность (тонн в месяц) и технологическая привязка к упаковочным линиям.
Транспорт. Величина тарифов на железнодорожную доставку зависит от начальной точки, базиса поставки и типа упаковки (хопперы-цементовозы используют при доставке навального цемента, полувагоны — при доставке биг-бегов и тары в паллетах, крытые вагоны — при доставке тары, за исключением паллет). Тарифы дифференцируются в зависимости от пункта отправления — это заводы, перевалки, от типа упаковки — навал, тара (включая биг-бэги). Расстояние рассчитывается между населенными пунктами, относящимся к точкам отправления и точкам назначения. Для расчета расстояний при до-
ставке в пределах того же города, что и точка отправления, используется среднее расстояние, исходя из исторических маршрутов.
Перевалки. Разгрузка с железнодорожного транспорта осуществляется на силосы, а далее следует отгрузка на автотранспорт. За переваливание тары взимается такой же тариф, как за переваливание навального цемента.
Продажи. В модели реализовано пять базисов цен, исходя из видов поставки. Если тип доставки железнодорожный, то он включает следующие виды: доставка вагонами производителя цементной продукции; доставка вагонами покупателя. Возможна доставка автотранспортом — централизованная и самовывоз. Подход к моделированию ценообразования отвечает задачам ежемесячного планирования. Основные задачи ежемесячного планирования — оптимальное распределение материальных потоков и определение оптимального уровня загрузки производственных мощностей. Используемый подход к моделированию цен заключается в следующем: цены используются в расчете EBITDA, которую максимизирует оптимизационная модель интегрированного планирования. Они определяются на уровне регионов с учетом фактически сложившихся цен по маркам; базиса поставки (вагоны производителя цементной продукции, самовывоз вагонами покупателя при железнодорожной доставке, а также централизованный вывоз автомобильным транспортом или самовывоз); скидок, отражающих отличия в качестве цемента (в детализации завода, марки и региона). При этом используемые в модели цены отражают фактическую структуру региональной клиентской базы.
На рис. 2 представлена схема линейной оптимизации, которая позволяет ответить на ключевые вопросы планирования, а именно:
Рис. 2. Схема линейной оптимизации: А — установка по помолу; x. — поток продукции; R. — затраты на транспорт; P — цена продукции
Fig. 2. Linear optimization chart: A—milling plant; x.— product flow; R. — transportation costs; P. — product price
• для производства — оптимальным выбор марочного ассортимента в зависимости от требований рынка, последовательность загрузки линий в зависимости от их эффективности, оптимизация межзаводских потоков;
• для логистики — оптимальный выбор завода поставки, оптимизация ви-
Таблица 1
Список ограничений, используемых в модели List of constraints included in the model
дов транспорта, оптимизация маршрутов до клиента с учетом текущих тарифов и стоимости перевалки;
• для продажи — приоритизация заказов по прибыльности, расчет недополученной маржи из-за ограничений по качеству и потребительским свойствам.
Производство Логистика Продажи
Максимальная технологическая мощность: Ограничения макси- Минимальный
- печи; мального объема и максимальный
- хранение клинкера; отгрузки по заводам объем спроса
- мельницы по помолу; (по видам транспорта): для каждого
- силосы; - ж/д; моделируемого
- упаковочное оборудование; - авто. покупателя.
- оборудование по паллетированию; Мощность перевалок: «Привязка»
- оборудование по погрузке навального цемента. - минимальный определенных
Дополнительные ограничения: и максимальный объем покупателей
- целевой уровень по остаткам клинкера цемента в силосах; к заводам.
(для учета сезонности); - максимальный уро-
- минимальный уровень производства вень использования
(при необходимости). упаковочных мощно-
Производственная схема на заводе: часть мельниц стей;
привязаны к определенным силосам и упаковоч- - фронт ж/д разгрузки.
ным линиям.
Ограничения по марочности: часть мельниц
не может производить определенные марки.
Расчет максимальной прибыли/ EBITDA происходит с учетом ограничений — производственных, логистических и коммерческих (табл. 1).
Результаты
Выходными данными модели являются планы производства по линиям и маркам цемента, отгрузок по заводам, продаж с распределением клиентов по заводам и финансовый результат деятельности предприятия. В модели происходит расчет показателей величины издержек на производство (Производство), издержки на доставку (Логистика). Принцип расчета эффекта от оптимизации заключается в следующем: в начале рассчитывается общая маржинальная прибыль оптимизированного плана и общая маржинальная прибыль базового плана (сумма по заказам), а разница между ними и составит эффект от оптимизации. Рассчитанный эффект от оптимизации на маржинальную прибыль равен эффекту на EBITDA. В модели заложена возможность сравнения себестоимости производства цемента по заводам, сравнение максимальных производственных мощностей заводов, спроса на продукцию и сравнение вала постоянных затрат (на основе затрат неопти-мизированного плана).
По итогам расчета сетевого графика модель формирует оптимизированный план производства и продаж с учетом расчета оптимального размера показателя EBITDA («прибыль до процентов, налогов и амортизации») и Contribution margin (маржинальная прибыль), которые рассчитываются по следующим формулам.
EBITDA = B — Лог — П, (1)
где B — плановая выручка; Лог — издержки на доставку; П — издержки на производство.
СМ = B — Лог — Пи, (2)
где СМ — маржинальная прибыль; Пи — переменные издержки на производство.
В случае оптимизации по СМ модель максимально загружает завод с меньшими переменными издержками на тонну цемента, в случае оптимизации по EBITDA — с меньшими полными издержками.
При расчете финансового результата деятельности предприятия постоянные затраты учитываются валом и не зависят от фактического объема выпуска.
Для достижения точки безубыточности маржинальная прибыль должна покрыть постоянные затраты.
На рис. 3 представлена схема реализации оптимизационной модели. Общая структура модели предусматривает наличие информационных блоков по входу и выходу данных. Входные данные представлены первичными данными, загружаемыми из текущих IT-систем (АС «Парус» и «Hyperion Planning»), а также входными и контрольными данными, которые дополнительно рассчитываются с помощью запуска ряда процедур в оптимизационной модели перед запуском Solver.
Из АС «Парус» осуществляется выборка следующих данных: реестра номенклатур в группировке по типам продуктов и типам упаковки (навал, тара); ассортиментного ряда каждого завода-производителя; матрицы автодорожных и железнодорожных расстояний и тарифов.
Кроме того, учитываются привязки полного производственного цикла:
• завод — марка цемента — мельница — силос — упаковочное оборудование — вид отгрузки (железнодорожный, автодорожный);
• завод — вращающееся печь — мельница;
• для всех видов оборудования — максимальные и минимальные мощно-
Текущие IT-системы Excel (для данных, которых нет в IT-системах)
v 1 I
Классификаторы Таблицы входных данных
Оболочка Excel:
- максимизируемая функция
- ограничения
Solver
Таблицы выходных данных
Рис. 3. Схема реализации оптимизационной модели Fig. 3. Optimization model implementation chart
сти производства (паспортные); информация о цементных в силосах — привязка к маркам; возможности и объемы железнодорожной и авто-отгрузки; плановые (прогнозные) остатки клинкера и цемента (с учетом заводов/перевалок, номеров силосов, марок цемента) на начало месяца, а для клинкера — и на конец месяца; по технологическим характеристикам для всех видов оборудования — актуализированные максимальные мощности производства с учетом технического состояния оборудования и параметров сырья; необходимые ремонты и плановые простои (с указанием причин); для каждого завода информация по тарифной сетке закупки газа в зависимости от объемов производства; реестр плановых цен на цемент в разрезе марок, регионов продаж и способов доставки (является входным параметром для плановых заявок на продажу) и реестр заявок на продажу цемента на территории России, включая информацию об объемах и ценах клинкера для экспорта.
Из ПО «Hyperion Planning» осуществляется выборка данных по себестоимости производства на заводах/перевалках с учетом марок и этапов производства (обжиг, помол, упаковка и проч.).
Из Excel загружаются данные по объемам продаж, издержки на упаковку и паллетирование, расстояние до станций доставки, стоимость за тонну перевалки, себестоимость клинкера и стоимость доставки до рассматриваемого завода. На первом горизонте планирования (один месяц) предполагается сбор и обработка основных данных в оболочке Excel. Для обеспечения интеграции с текущими IT-системами предприятия необходимо сформировать и ввести набор классификаторов (маршруты транспортной матрицы, населенных пунктов отправления и назначения, марки цемента), который позволит сопоставить входные данные оптимизационной модели и информацию в IT-системах. Программа Solver предназначена для решения рассматриваемой математической задачи оптимизации. На вход Solver поступает описание задачи в некоторой заданной форме (входные данные по технологическим, логистическим, коммерческим возможностям (табл. 2) и ограничениям (табл. 1).
Обсуждение результатов
На выходе по итогам расчета сетевого графика формируется оптимизированный план производства и продаж
Таблица 2
Список входных данных модели List of input data in the mode
Производство Логистика Продажи
Мощности по производству клинкера Мощности по хранению клинкера Мощности по помолу в разрезе по мельницам и маркам Минимальный и максимальный объем хранения в силосах Мощности упаковочных линий Мощности линий по паллетированию Производственные схемы Прогнозируемые остатки по клинкеру и цементу на начало планируемого периода График ремонтов Целевой уровень по остаткам клинкера на конец месяца Коэффициенты расхода клинкера по заводам и маркам Издержки на этапе помола, упаковки и отгрузки Постоянные издержки Мощности по отгрузке на ж/д и автотранспорт Мощности перевалок по хранению и упаковке Тарифы на ж/д перевозку Тарифы на автоперевозку Стоимость перевалки Прогноз цен по регионам, маркам, типу доставки Прогноз спроса по покупателям и нераспределенный объем Выделенные мощности на заводах для обслуживания определенных покупателей Объем продукции к реализации, поступающий с белорусских заводов по контракту
с учетом расчета оптимального размера показателя EBITDA («прибыль до процентов, налогов и амортизации») и Contribution margin (маржинальная прибыль) производственного предприятия. Основной задачей инструмента является анализ прибыльности поставок грузополучателям с различных заводов и различными способами доставки, выбор оптимального завода-производителя и способа доставки. Для заданного грузополучателя и продукта пользователь может выбирать несколько опций для анализа, определяемых заводом-производителем и способом доставки. Результатом является расчет ряда финансовых показателей для каждой из специфицированных опций. Таким образом, с помощью модели оптимизации плана производства и продаж формируется оптимальный план, который консолидирует в себе информацию об оптимальном выборе марочного ассортимента в зависимости от требований рынка; последовательности загрузки производст-
венных линий (этапы обжига, помола, тарирования и паллетирования, складирования, отгрузки) в зависимости от их эффективности; плане оптимизации межзаводских потоков цемента и клинкера; расчете неполученной маржи из-за производственных ограничений; выборе завода поставки; плане оптимизации видов отгрузки готовой продукции (железнодорожным, автотранспортом); плане оптимизации маршрутов до клиента с учетом текущих тарифов и стоимости перевалки; расчете недополученной маржи из-за логистических ограничений; плане продаж с учетом приоритезации заказов по их прибыльности; расчете недополученной маржи из-за ограничений по качеству и потребительским свойствам.
Заключение
Целевая система интегрированного планирования повысит качество и оперативность процесса планирования и контроля. В целом, интеграция процес-
сов планирования производства и продаж, основанная на максимизации прибыли с использованием цифровых технологий [18 — 20], позволит цементным компаниям достичь существенного повышения объемов продаж, а также снижения производственных и логистических издержек, что обеспечит повышение эффективности принимаемых решений по балансировке объемов производства, реализации клинкера и цемента заводами-производителями, входящими в состав цементных предприятий.
Вклад авторов
Зайцева Е.В. — генерация идеи исследования, постановка задачи исследования, выполнение работы по систематизации материала, получение данных для анализа, написание текста статьи.
Медяник Н.Л. — анализ результатов исследования и подготовка данных.
Авторы выражают признательность за помощь коллегам кафедры АСУ НИТУ «МИСиС» и людям, чей вклад в данную работу носил чисто технический характер.
СПИСОК ЛИТЕРАТУРЫ
1. Myaskov A., Temkin I., Deryabin S., Marinova D. Factors and objectives of sustainable development at the implementation of digital technologies and automated systems in the mining industry // E3S Web of Conferences. 2020, vol. 174, article 04023. DOI: 10.1051/e3s-conf/202017404023.
2. Гончаренко С. Н., Коростелев Д. Б. Методы и модели комплексной оценки системных связей показателей результативности природоохранной политики и принятия управленческих решений в сфере природопользования // Горный информационно-аналитический бюллетень. - 2018. - № 11. - С. 70-76. DOI: 10.25018/0236-1493-2018-11-0-70-76.
3. Le Dinh H., Temkin I. O. Application of PSO and bacterial foraging optimization to speed control PMSM servo systems // 2018 IEEE 7th International Conference on Communications and Electronics (ICCE). 2018, vol. 2018, pp. 196-201, article 8465728. DOI: 10.1109/ CCE.2018.8465728.
4. VostrikovA. V, Prokofeva E. N., Goncharenko S. N., Gribanov I. V. Analytical modeling for the modern mining industry // Eurasian Mining. 2019, no. 2, pp. 30-35.
5. Rybak J. M., Kongar-Syuryun Ch, Tyulyaeva Y., KhayrutdinovA. M, Akinshin I. Geome-chanical substantiation of parameters of technology for mining salt deposits with a backfill // Mining Science. 2021, no. 28, pp. 19-32. DOI: 10.37190/msc212802.
6. Krasyukova E, Aynbinder I., Ivannikov A. A rational approach to the management of underground mining in complex hydrogeological and geomechanical conditions based on a risk assessment // IOP Conference Series: Earth and Environmental Science. 2021, vol. 684, article 012006. DOI: 10.1088/1755-1315/684/1/012006.
7. Temkin I., Deryabin S., Konov I., Kim M. Possible architecture and some neuro-fuzzy algorithms of an intelligent control system for open pit mines transport facilities // Frontiers in Artificial Intelligence and Applications. 2019, vol. 320, pp. 412-420. DOI: 10.3233/FAIA190205.
8. Куприянов В. В., Бондаренко И. С. Обеспечение безопасности железнодорожных перевозок промышленных грузов на горнодобывающих предприятиях // Безопасность труда в промышленности. - 2021. - № 4. - С. 56-62. DOI: 10.24000/0409-2961-20214-56-62.
9. Trofimov V. B. Prototype approach to design of the automated expert systems with multi-structural recognition of complex images // Automation and Remote Control. 2016, vol. 77, no. 6, pp. 1115-1121.
10. Темкин И. О., Клебанов Д. А., Дерябин С. А., Конов И. С. Построение интеллектуальной геоинформационной системы горного предприятия с использованием методов
прогнозной аналитики // Горный информационно-аналитический бюллетень. - 2020. -№ 3. - С. 114-125. DOI: 10.25018/0236-1493-2020-3-0-114-125.
11. Kowalik T., UbyszA. Waste basalt fibers as an alternative component of fiberconcrete // Materials Today: Proceedings. 2021, no. 38, pp. 2055-2058, DOI: 10.1016/j.matpr.2020.10.140.
12. Хайрутдинов М. М., Конгар-Сюрюн Ч. Б., Тюляева Ю. С., Хайрутдинов А. М. Бесцементные закладочные смеси на основе водорастворимых техногенных отходов // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2020. -Т. 331. - № 11. - C. 30-36. DOI: 10.18799/24131830/2020/11/2883.
13. Трофимов В. Б., Кулаков С. М. Обобщенная структура интеллектуальной системы управления технологическим объектом и опыт ее применения // Автометрия. - 2011. -Т. 47. - № 3. - C. 132-140.
14. Батьковский А. М., Кравчук П. В., Стяжкин А. Н. Оценка экономической эффективности производства высокотехнологичной продукции инновационно-активными предприятиями отрасли // Креативная экономика. - 2019. - № 1. - С. 115-128.
15. Трифонов Ю. В., Ширяева Ю. С., Громницкий В. С. Анализ и интегральная оценка состояния и стратегий развития экономических систем // Креативная экономика. -2019. - № 6. - C. 1063-1074.
16. Яшин С. Н., Амбарцумян А. Э., Лапшина Е. Н. Интегральная оценка инновационного развития предприятия как основа принятия управленческих решений // Креативная экономика. - 2018. - № 2. - C. 167-176.
17. Zaytseva E, Agafonov V. The concept of establishing a digital industrial enterprise in the cement industry / Scientific research of the SCO countries: synergy and integration. Materials of the International Conference. Part 2. Beijing, 2019, pp. 12-18.
18. Внедрение и развитие Индустрии 4.0. Основы, моделирование и примеры из практики / Под ред. Армина Рота. - М.: Техносфера, 2017. - 294 с.
19. Клайн Дж. Проектирование цементного завода будущего. Ч. 1 // Цемент и его применение. - 2018. - № 6. - С. 42-47.
20. Гаранин М. А. Влияние «цифровых двойников» на экономику общественного сектора // Креативная экономика. - 2018. - № 11. - С. 1733-1758. ЕШЗ
REFERENCES
1. Myaskov A., Temkin I., Deryabin S., Marinova D. Factors and objectives of sustainable development at the implementation of digital technologies and automated systems in the mining industry. E3S Web of Conferences. 2020, vol. 174, article 04023. DOI: 10.1051/e3s-conf/202017404023.
2. Goncharenko S. N., Korostelev D. B. Methods and models for integrated estimation of system connection between the nature protection policy efficiency and managerial solutions in the field of use of natural resources. MIAB. Mining Inf. Anal. Bull. 2018, no. 11, pp. 70-76. [In Russ]. DOI: 10.25018/0236-1493-2018-11-0-70-76.
3. Le Dinh H., Temkin I. O. Application of PSO and bacterial foraging optimization to speed control PMSM servo systems. 2018 IEEE 7th International Conference on Communications and Electronics (ICCE). 2018, vol. 2018, pp. 196-201, article 8465728. DOI: 10.1109/ CCE.2018.8465728.
4. Vostrikov A. V., Prokofeva E. N., Goncharenko S. N., Gribanov I. V. Analytical modeling for the modern mining industry. Eurasian Mining. 2019, no. 2, pp. 30-35.
5. Rybak J. M., Kongar-Syuryun Ch., Tyulyaeva Y., Khayrutdinov A. M., Akinshin I. Ge-omechanical substantiation of parameters of technology for mining salt deposits with a backfill. Mining Science. 2021, no. 28, pp. 19-32. DOI: 10.37190/msc212802.
6. Krasyukova E., Aynbinder I., Ivannikov A. A rational approach to the management of underground mining in complex hydrogeological and geomechanical conditions based on a risk
assessment. IOP Conference Series: Earth and Environmental Science. 2021, vol. 684, article 012006. DOI: 10.1088/1755-1315/684/1/012006.
7. Temkin I., Deryabin S., Konov I., Kim M. Possible architecture and some neuro-fuzzy algorithms of an intelligent control system for open pit mines transport facilities. Frontiers in Artificial Intelligence and Applications. 2019, vol. 320, pp. 412-420. DOI: 10.3233/FAIA190205.
8. Kupriyanov V. V., Bondarenko I. S. Ensuring the safety of railroad transportation of industrial cargo at mining enterprises. Occupational Safety in Industry. 2021, no. 4, pp. 56-62. [In Russ]. DOI: 10.24000/0409-2961-2021-4-56-62.
9. Trofimov V. B. Prototype approach to design of the automated expert systems with multi-structural recognition of complex images. Automation and Remote Control. 2016, vol. 77, no. 6, pp. 1115-1121.
10. Temkin I. O., Klebanov D. A., Deryabin S. A., Konov I. S. Construction of intelligent geo-information system for a mine using forecasting analytics techniques. MIAB. Mining Inf. Anal. Bull. 2020, no. 3, pp. 114-125. DOI: 10.25018/0236-1493-2020-3-0-114-125.
11. Kowalik T., Ubysz A. Waste basalt fibers as an alternative component of fiberconcrete. Materials Today: Proceedings. 2021, no. 38, pp. 2055-2058, DOI: 10.1016/j.matpr.2020.10.140.
12. Khairutdinov M. M., Kongar-Syuryun Ch. H. B., Tyulyaeva Yu. S., Khairutdinov A. М. Cementless filling mixtures based on water-soluble technogenic waste. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering. 2020, vol. 331, no. 11, pp. 30-36. [In Russ]. DOI: 10.18799/24131830/2020/11/2883.
13. Trofimov V. B., Kulakov S. M. Generalized structure of an intelligent control system for a technological object and the experience of its application. Avtometriya. 2011, vol. 47, no. 3, pp. 132-140. [In Russ].
14. Batkovsky A. M., Kravchuk P. V., Styazhkin A. N. Assessment of the economic efficiency of the production of high-tech products by innovative-active enterprises of the industry. Creative Economy. 2019, no. 1, pp. 115-128. [In Russ].
15. Trifonov Y. V., Shiryaeva Y. S., Gromnitskiy V. S. Analysis and integral assessment of the state and development strategies of economic systems. Creative Economy. 2019, no. 6, pp. 1063-1074. [In Russ].
16. Yashin S. N., Ambartsumyan A. E., Lapshina E. N. Integral assessment of innovative development of an enterprise as a basis for making managerial decisions. Creative Economy. 2018, no. 2, pp. 167-176. [In Russ].
17. Zaytseva E., Agafonov V. The concept of establishing a digital industrial enterprise in the cement industry. Scientific research of the SCO countries: synergy and integration. Materials of the International Conference. Part 2. Beijing, 2019, pp. 12-18.
18. Vnedrenie i razvitie Industrii 4.0. Osnovy, modelirovanie i primery iz praktiki. Pod red. Armina Rota [Implementation and Development of Industry 4.0. Fundamentals, Modeling and Case Studies. Armina Rota (Ed.)], Moscow, Tekhnosfera, 2017, 294 p.
19. Kline J. Designing a cement plant of the future Part 1. Cement and its application. 2018, no. 6, pp. 42 - 47. [In Russ].
20. Garanin M. A. Influence of «digital twins» on the economy of the public sector. Creative Economy. 2018, no. 11, pp. 1733-1758. [In Russ].
ИНФОРМАЦИЯ ОБ АВТОРАХ
Зайцева Елена Вячеславовна - д-р техн. наук, доцент,
e-mail: ZaytsevaEV11@yandex.ru, НИТУ «МИСиС»,
Медяник Надежда Леонидовна - д-р техн. наук,
профессор, зав. кафедрой, Магнитогорский государственный
технический университет им. Г.И. Носова,
Для контактов: Зайцева Е.В., e-mail: ZaytsevaEV11@yandex.ru.
INFORMATION ABOUT THE AUTHORS
E.V. Zaytseva, Dr. Sci. (Eng.), Assistant Professor, National University of Science and Technology «MISiS», 119049, Moscow, Russia, e-mail: ZaytsevaEV11@yandex.ru, N.L. Medyanik, Dr. Sci. (Eng.), Professor, Head of Chair, G.I. Nosov Magnitogorsk State Technical University, 455000, Magnitogorsk, Russia.
Corresponding author: E.V. Zaytseva, e-mail: ZaytsevaEV11@yandex.ru.
Получена редакцией 24.11.2021; получена после рецензии 10.12.2021; принята к печати 10.01.2022. Received by the editors 24.11.2021; received after the review 10.12.2021; accepted for printing 10.01.2022.
ОТДЕЛЬНЫЕ СТАТЬИ ГОРНОГО ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОГО БЮЛЛЕТЕНЯ
(СПЕЦИАЛЬНЫЙ ВЫПУСК)
АНАЛИЗ И СИСТЕМАТИЗАЦИЯ РАЗЛИЧНЫХ НЕИСПРАВНОСТЕЙ ПО ОСНОВНЫМ УЗЛАМ МЕХАНИЗМОВ ГОРНОЙ ТЕХНИКИ В АО «ЗОЛОТО СЕЛИГДАРА»
(2021, № 11, СВ 17, 12 с.) Дмитриев Андрей Андреевич1 — старший преподаватель, Герасимов Леонид Александрович" — студент,
1 Горный институт Северо-Восточного федерального университета имени М.К. Аммосова.
Экспертизы промышленной безопасности по оценке технического состояния в АО «Золото Селигдара» прошли несколько типов технических устройств горной техники, которые проходили эксплуатацию на карьерах Нижнеякокитского рудного поля. Анализ и систематизация, полученные по результатам экспертизы промышленной безопасности по оценке технического состояния различных нарушений и дефектов, условно объединенных в блоки, близких по принципу работы механизмов, позволил выявить наиболее часто встречающиеся нарушения по отдельным видам горных машин (бульдозера, буровые установки, автосамосвалы). Определены наиболее слабые блоки для комплекса всего рассматриваемого горного оборудования. Учитывая сложность эксплуатации горного оборудования в суровых природно-климатических, горнотехнических и горногеологических условиях, как показал проведенный анализ, максимальные ремонтные нагрузки, как на отечественное, так и на зарубежное оборудование приходятся на поломки и нарушения в электрооборудовании, рассматриваемого в работе комплекса различного горного оборудования.
Ключевые слова: экспертиза, промышленная безопасность, визуальный и измерительный контроль, дефекты, бульдозер, карьерный автосамосвал, полигон, суровые климатические условия, временные автодороги.
ANALYSIS AND SYSTEMATIZATION OF VARIOUS MALFUNCTIONS ON THE MAIN
NODES OF MINING MACHINERY MECHANISMS IN JSC «GOLD OF SELIGDARA»
A.A. Dmitriev1, Senior Lecturer, L.A. Gerasimov1, Student,
1 Mining Institute, M.K. Ammosov Northeastern Federal University, Yakutsk, Russia.
Industrial safety expertise to assess the technical condition in JSC «Gold of Seligdar» passed several types of technical devices of mining equipment, which were operated at the pits of the Nizhneyakokitskoye ore field. The analysis and systematization obtained by the results of the industrial safety examination to assess the technical condition of various violations and defects, conditionally combined into blocks similar in principle to the mechanisms, allowed us to identify the most common violations for certain types of mining machines (bulldozers, drilling rigs, dump trucks). Also, in general, the weakest blocks for the complex of all mining equipment under consideration have been identified. Taking into account the complexity of the operation of mining equipment in harsh climatic, mining and geological conditions, as the analysis showed, the maximum repair loads on both domestic and foreign equipment fall on breakdowns and violations in electrical equipment considered in the work of a complex of various mining equipment.
Key words: expertise, industrial safety, visual and measuring control, defects, bulldozer, dump truck, landfill, harsh climatic conditions, temporary roads.
