CC BY
15
troduction of a new technological way // Izvestiya Tula State University. Earth sciences. 2020. Issue 4. pp. 24-39.
6. Effective technologies for the use of technogenic georesources - the basis of environmental safety of subsoil development / K. N. Trubetskoy, V. N. Zakharov, D. R. Kaplunov, M.V. Rylnikova // Mining Journal. 2016. No.5. pp. 34-40.
7. Strukov K.I. Complex studies of combined geotechnology - the basis of sustainable development of the Yuzhuralzoloto company // Izvestiya Tula State University. Earth sciences. 2021. Issue 3. pp. 25-39.
8. Pytalev I.A. Conditions for ensuring the multifunctional use of mineral resources in the interaction of various industries // Proceedings of Tula State University. Earth sciences. 2020. Issue 1. pp. 265-276.
9. Lukyanov Yu.A., Pytalev I.A. Cyclic-flow technology as a condition for ensuring the production capacity of mining and processing complexes // Izvestiya Tula State University. Earth sciences. 2020. Issue 1. pp. 244-253.
10. Improving the logistics scheme of the Svetlinsky mine during the transition to a cyclic-flow technology / A.G. Shadrunov, S.A. Sablev, I.A. Pytalev, O.V. Friedrichson // Izvestiya Tula State University. Earth sciences. 2020. Issue 4. pp. 535-547.
11. Federal norms and rules in the field of industrial safety "Rules for ensuring the stability of sides and ledges of quarries, sections and slopes of dumps". Approved by the order of the Federal Service for Environmental, Technological and Nuclear Supervision dated 13.11.2020. No. 439.
УДК 622.6; 004.5
БОЛЬШИЕ ДАННЫЕ ДЛЯ ОПТИМИЗАЦИИ РАБОТЫ ПОГРУЗОЧНОЙ ТЕХНИКИ И АВТОТРАНСПОРТА НА ГОРНЫХ
РАБОТАХ
М.В. Рыльникова, М.А. Макеев, М.В. Кадоничков, Д.А. Клебанов
Описана важность задачи сбора данных при управлении горнотехническими системами, также даны характеристики больших данных и их связь с горнотехническими системами. Описан принцип формирования данных о показателях работы горного оборудования на открытых горных работах, приведены примеры данных, формируемых на современных двигателях карьерных самосвалов и экскаваторов различных производителей, даны оценки систем сбора данных от горного оборудования и ком-плексирования этой информации производственной информацией. Даны количественные оценки собираемых данных и определена функция интенсивности формирования информации о работе горной техники, а также определения «больших данных» и сформированы примеры гипотез оптимизации горного производства на основе анализа систем больших данных. Рассмотренны проблемы сбора и анализа данных о работе разных типов оборудования, в связи с отсутствием единых протоколов сбора и синхронизации данных.
Ключевые слова: «большие данные» (Big data), искусственный интеллект, автотранспорт, открытые горные работы, оптимизация, горнотехническая система, сбор данных, IoT, цифровизация, горнотранспортный комплекс, прогнозная аналитики, цифровые советчики.
Введение
Современное горное оборудование оснащено десятками датчиков, позволяющих контролировать работу и повышать эффективность и безопасность эксплуатации техники. Горнодобывающие предприятия используют различные информационные системы геологического планирования, автоматизированной съемки с беспилотных летательных аппаратов, видеоаналитику и другие системы, генерирующие большие объемы разнородных по структуре и объемам данных, позволяющих в совокупности с телеметрией создавать инновационные решения на основе искусственного интеллекта. Новые технологии сбора, хранения и обработки данных позволяют получать значительный экономический эффект, при этом вводя дополнительные требования к инфраструктуре информационных технологий. В зависимости от степени автоматизации, современное горное предприятие генерирует сотни терабайт информации в год (данный расчёт сделан на основе интерполяции данных от карьерной техники, приведенном ниже в статье), а также [1], но лишь небольшая часть из них обрабатывается методами искусственного интеллекта [1-8].
Разберем, являются ли данные, формируемые в горнотехнической системе «большими» и какие методы сбора и работы с данными эффективны для управления технологическими процессами автоперевозок и экскавации.
Понятие больших данных (Big data или БоД) появилось сравнительно недавно - Google Trends показывает начало активного роста употребления этого словосочетания [9], начиная с 2011 года. Динамика запросов и рост цитирования в Google по данной тематике в 2020 году увеличилась в 100 раз по сравнению с 2004 годом и безусловно это связано с возросшим количеством точек сбора информации, технологий обработки информации и значимости «больших данных» для разных отраслей экономики. Большие данные характеризуются не столько самими объемами данных, сколько скоростью и дискретностью их получения, разнообразием типов и источников данных, известными как понятие три V: объем (volume), скорость (velocity) и разнообразие (variety). Эти наборы данных настолько объемны и разнородны, что традиционное программное обеспечение не может ими эффективно управлять.
Карьерные самосвалы и экскаваторы являются основным технологическим оборудованием и основными источниками данных, прямо влияющими на результаты работы горнодобывающего предприятия. Даже незначительная оптимизация работы данного оборудования, или повышение коэффициента использования оборудования (КИО), коэффициента технической готовности оборудования (КТГ) и производительность техники (количество произведенных рейсов или циклов экскавации и т.д.), на интервале времени смена может дать существенный прирост эффективности
или снижение сопутствующих издержек. Традиционно в горнодобывающей отрасли принято решать вопросы обеспечения безопасности и повышения эффективности чаще административными и организационными мерами. Однако данный подход является ограниченным и не использует все доступные методы, к которым можно отнести принятие современных технологических решений. Отличительной особенностью таких решений является возможность обработки большой совокупности поступающей информации от различных источников. При этом данные имеют разнородный характер и требуется высокая скорость принятия решений, что невозможно реализовать силами человека-оператора, в силу ряда причин, в том числе ограниченных физиологических возможностей. Таким образом, применение технологий обработки «больших данных» и реализация систем оптимизации технологических процессов может дать существенный прирост эффективности работы горнодобывающего предприятия.
К основным задачам при работе с большими данными, формируемыми горным оборудованием, являются:
- удаленный сбор диагностической и производственной информации с бортовых систем технологического оборудования;
- анализ и классификация полученных данных, выделение полезной информации для оптимизации параметров технологических процессов;
- поиск корреляций между показателями разнородных процессов с целью выявления закономерностей возникновения тех или иных событий, приводящих к снижению, либо повышению эффективности работы техники (аварийные ситуации, неэффективное использование ресурсов, рост производительности, и т.д.);
- разработка архитектурных и аппаратно-программных решений для воплощения научных разработок в конечный продукт.
Системы повышения эффективности работы самосвалов и погру-зочно-транспортной техники строятся на основе анализа больших данных, собираемых с устанавливаемых заводом производителей систем диагностики и дополнительно устанавливаемых датчиков. В большинстве современных моделей горного оборудования существует большое количество диагностических систем, позволяющих отслеживать десятки и сотни параметров работы горного оборудования, в соответствии с состоянием осваиваемого участка недр горных выработок, массива горных пород и параметров горнотехнической системы в динамике развития горных работ.
В автомобильной промышленности принят стандарт коммуникационной и диагностической сети SAE J1939 [8,9], который в качестве среды передачи данных использует шину CAN 2.0b. В данном стандарте четко регламентирован формат идентификаторов сообщений и передаваемых данных, а также зарезервирован интервал идентификаторов для нестандартных сообщений, что дает возможность производителям дополнять протокол проприетарными данными. Для всестороннего анализа бортовой
информации, компании-разработчику необходимо иметь доступ к расшифровке всей совокупности бортовой диагностики. Однако дополнение протокола J1939 проприетарными данными в ряде случаев позволяет производителям злоупотреблять этой возможностью и делать информацию закрытой. В качестве примера можно привести протокол KOMTRAX компании Komatsu. В данном протоколе используется три проприетарных сообщения по стандарту J1938: один - для диагностической и производственной информации, остальные два - для сообщений об ошибках. При этом структура и набор данных этих сообщений во многом совпадает с протоколом J1939, но не идентична ему. Для получения расшифровки данного протокола требуется заключение соглашения о неразглашении конфиденциальной информации с компанией Komatsu. Данный подход связан с желанием производителя техники контролировать получение информации о разрабатываемой ими технике. Количественно объем данных по шине CAN в рамках протокола J1939 может существенно различаться в зависимости от производителя техники, используемых двигателей и других агрегатов. Для карьерных самосвалов, применяемых протокол KOMTRAX, объем данных составляет порядка 110 сообщений в секунду, каждое из которых содержит (помимо 29-битного идентификатора) 1 - 8 байт. Для самосвалов Белаз с двигателем Cummins QSK-60, 50 % карьерных самосвалов грузоподъемностью 130 т и выше, объем данных составляет порядка 160 сообщений в секунду, по 8 байт. Для самосвалов Белаз с двигателем Cummins KTA-50 объем данных составляет порядка 20 сообщений в секунду по 8 байт. В настоящее время на самосвалах Белаз начинают применяться двигатели китайского производства WeiChai, позволяющие получать порядка 200 сообщений в секунду по 8 байт диагностических параметров. Общие данные, получаемые от системы диагностики двигателей включают следующие показатели: температура охлаждающей жидкости ДВС, уровень масла ДВС, давление охлаждающей жидкости, обороты ДВС, барометрическое давление, суточный пробег, температура окружающей среды, напряжение бортовой сети и др. Но не смотря на схожие наименования показателей у различных производителей двигателей могут быть различные единицы измерений и частота формирования сообщения о значениях данных показателей, поэтому использовать унифицированные аналитические системы больших данных на основе сбора показателей без синхронизации конкретных протоколов в настоящее время невозможно. Предварительный анализ снимаемой телеметрии с двигателей Cummins и WeiChai показывает, что в последнем двигателе есть необходимая информация для создания моделей прогнозных ремонтов, анализа работы шин и влияния параметров работы техники на производственные показатели самосвала, также возможен и обратный анализ, где качество вождения и работы техники влияют на ходимость узлов и агрегатов самосвала, а также и на характеристики развития горных работ.
В карьерной технике более старого поколения в ряде случаев применяется интерфейс RS232 или RS485 и набор данных, как правило, ограничен производственной информацией. Примером может выступать система PLM компании Komatsu и VIMS компании Caterpillar. В ряде случаев производители используют для выдачи информации протокол Ethernet. В частности, данный подход используют компании-производители карьерных экскаваторов УЗТМ и Картэкс. Описанная ситуация свидетельствует о том, что на мировом уровне отсутствует единая система стандартизации, описывающая хотя бы минимальный набор данных, которые должны быть доступны сторонним компаниям для анализа работы карьерной техники и построения систем на основе анализа больших данных.
Современные системы диагностики экскаваторной техники на экскаваторе Komatsu PC3000-6 позволяют получать десятки параметров для дальнейшей обработки данных, среди которых температура двигателя, показатели ошибок работы электронных систем, производственная информация о циклах черпания, температура и объем масел и др. На экскаваторах ЭКГ устанавливаются счетчики электроэнергии и другие системы, формирующие дополнительные производственные параметры, среди которых энергия текущего тарифа, текущие значения мощностей, реактивные мощности счетчиков, фазные напряжения. В связи с тем, что у различных производителей техники различные типы информации с разной частотой формируются и могут собираться, и поступают в информационные системы, то для сбора информации от горной техники важно ввести функцию важности сбора информации для каждого типа техники с учетом количества возможных переменных, изменяющихся во времени: f(t) (1). Для каждой из переменных (собираемых параметров) ввести оценочный атрибут каждого типа информации для хранения в аналитической системе сбора «больших данных» о показателях эксплуатации горного оборудования для дальнейшего анализа и оптимизации работы горной техники. Анализ «больших данных» на основе решения уравнений оптимизации параметров с использованием многих переменных позволяет решать конкретные производственные задачи. Ценна или нет конкретная переменная для проверки гипотезы будет определяться методами поиска достоверности модели или функции (проверка точности построенной модели на дополнительной выборке для анализа). При проверке гипотезы и определении конкретного списка переменных, которые необходимо собирать от каждого из типов техники, сформировать рекомендации относительно сбора и хранения определенной информации. Приведем пример решения задачи оптимизации расхода топлива и построения функции сбора информации от карьерного самосвала:
f (t) = a (t) + b (t) + с (t) + d (t) + e (t) + к (t) +1 (t) + m (t) ..., (1) где ft) - искомый мгновенный расход топлива, собираемый с ДВС карьер-
ного самосвала, который оптимизируется за счет поиска оптимальных значений других переменных, л/с; a(t) - значение загрузки в момент времени, т; b(t) - значение скорости движения самосвала, км/ч; c(t) - ускорение самосвала, м/с2; d(t) - навигационные координаты самосвала в конкретный момент времени, x, y, z; e(t) - ID водителя, который управляет карьерным самосвалов, стиль вождения которого влияет на удельный расход топлива; k(t) - значение инклинометра (продольные и поперечные углы наклона самосвала), на основе которых можно делать выводы о качестве технологической дороги, град.; l(t) - температура окружающей среды, °С; m(t) - модель карьерного самосвала, для которого рассчитывается влияние на удельный расход топлива.
Руководству горного предприятия необходимо определить требования к значениям исходной функции и оценить, при каком количестве дней, месяцев или лет искомая модель может быть построена и использована для оптимизации параметров технологических процессов горнотехнической системы. На основании этого принимаются решения и по времени хранения информации, и о типе данных для каждого из типов оборудования горнотехнической системы. Помимо данных, считываемых с диагностической шины, для построения математических моделей работы техники и алгоритмов оптимизации необходимы данные от дополнительно устанавливаемых систем - высокоточной навигации экскаваторов, датчиков токов в приводах, датчиков угла наклона, систем оценки гранулометрического состава взорванной горной массы и оценки износа зубьев ковша. На основе сбора данных о состоянии экскаватора, а также дополнения их данными о перевозках, состоянии забоя обеспечивается построение математических моделей для оптимизации работы экскаватора (рисунок).
Количество циклов погрузки Износ зубьев
Общий угол поворота на загрузку Тип породы Средний угол поворота
т
I I I I I I
-Ю01 ООО 001 002 003 004 Степень влияния на удельный расход
Пример построения корреляционных зависимостей удельного расхода электроэнергии для экскаватора ЭКГ -12
Выполнять глубокий анализ информации от бортового оборудования непосредственно на карьерной технике или объекте формирования данных представляется не только затруднительным, в связи с тем, что тре-
Машинист Модель самосвала
буются большие объемы запоминающих устройств и вычислительных мощностей, но и нецелесообразным, поскольку анализ данных от группы однотипных машин может дать намного больше информации. В связи с этим встает вопрос о передаче данных хранилища, позволяющих решать поставленные задачи. Поскольку карьерная техника является подвижной, передача данных по проводным системам связи невозможна. Как правило, компании-интеграторы используют в своих решениях сети GSM, Wi-Fi (если предприятие оборудовано данными системами связи), реже спутниковые системы связи. У каждой системы есть свои достоинства и недостатки. Рассмотрим их:
- GSM требует наличия GSM-модема и развернутой сети вышек сотовой связи. Имеет хорошую зону покрытия и приемлемую скорость передачи данных. Из недостатков можно отметить высокую стоимость трафика и отсутствие возможности заходить на технику извне для удаленного конфигурирования;
- Wi-Fi требует наличия развернутой сети точек доступа Wi-Fi, которые должны постоянно дополняться в связи с небольшим радиусом действия каждой из них. В более продвинутых решениях используются MESH-сети, позволяющие передавать данные также между карьерной техникой, что существенно снижает временные издержки в случае потери связи отдельной машиной с точками доступа;
- спутниковая система связи на примере Iridium - спутниковая система связи, которая позволяет обмениваться данными практически в любой точке мира. Следует отметить, что эта система применяется редко, поскольку стоимость использования данной системы очень высока и это нивелирует экономические эффекты, получаемые от сбора данных с бортовых систем.
Необходимо отметить, что при использовании любого типа связи с облачным сервером нет гарантий того, что связь будет присутствовать постоянно. Наличие слепых зон может быть связано с ландшафтом местности или выходом из строя одного или нескольких узлов сети. В контроллерах, обеспечивающих сбор и передачу данных на сервер, должна быть реализована возможность архивирования отправляемых сообщений для последующей связи после восстановления онлайн-соединения. Помимо основной информации от бортовых систем, может потребоваться передача данных от вспомогательного оборудования, предназначенного для повышения безопасности и эффективности работы техники: системы предотвращения столкновений и наезда на людей, системы контроля бдительности водителей, системы контроля давления в шинах и пр.
Исходя из описанных задач и существующих сложившихся особенностей внедрения автоматизированных систем формируются основные ограничения использования «больших данных» для оптимизации работы горной техники:
- закрытость протоколов бортовых систем диагностики производителей техники и систем автоматизации - большинство производителей как российских, так и зарубежных, зашифровывают протоколы доступа и базы данных, что накладывает значительные ограничения для разработки алгоритмов. Данная проблема в большинстве случаев может быть решена организационными мероприятиями, при этом значительно увеличивается время реализации инновационных проектов;
- отсутствие на горных работах беспроводных систем передачи данных с высокой пропускной способностью для передачи информации. Развертывание современных LTE, 5G или WiFi систем требует значительных инвестиций и стратегического решения для их реализации. В отличии от систем автоматизации и цифровизации, при внедрении которых можно рассчитать прямой экономический эффект, системы передачи данных относятся к базовым инфраструктурным проектам, напрямую не связанным с получением прямых эффектов;
- создание систем хранения и серверных мощностей для обработки данных аналогично системам связи напрямую не связано с экономическим эффектом, что требует стратегического решения по их развертыванию. Одним из вариантов решения данной задачи является использование облачных хранилищ. Однако на многих предприятиях службы информационной безопасности и законодательная деятельность в области обработки персональных данных и критической инфраструктуры значительно ограничивают использование облачных сервисов в деятельности горнодобывающих предприятий.
Отсутствие возможности проведения исследований в области обработки больших данных, требующих инвестиций с неопределенным результатом, с одной стороны, ограничивает скорость внедрения инноваций на горных предприятиях, с другой, - подталкивает разработчиков инновационных технологий к созданию масштабируемых однотипных алгоритмов с заранее известным набором исходных данных, что требует разработки классификации источников данных и методологии создания инновационных решений на основе анализа больших данных.
Создание масштабируемых инновационных систем обычно происходит за счет разделения рисков и формирования совместных инвестиций горных предприятий и разработчиков систем, когда часть затрат компенсируется заказчиком, а при успешном внедрении и получении эффекта горнодобывающая компания имеет технологическое решение и по минимальной стоимости, а компания разработчик получает конкурентное преимущество. Несмотря на возможности сбора, обработки данных от горного оборудования, горного массива и среды, нет единых принципов и стандартов сбора и хранения данных, а также не сформулированы научно -технические и прикладные задачи для всех стадий развития горнотехнической системы, которые планируется решать с помощью развития методов
прогнозной аналитики на основе анализа «больших данных». Отдельные решаемые задачи, которые выполняются путем комплексирования информации из разных источников не дают представления о возможных экономических эффектах применения прогнозной аналитики для эффективного управления горнодобывающими предприятиями. Среди направлений исследований и прикладных задач, на данном этапе сформулируем следующие задачи, которые могут быть решены для управления горнотранспортным оборудованием:
- повышение эффективности вождения и управления технологическим оборудованием на основе анализа режимов работы;
- повышение уровня технической готовности на основе прогнозирования поломок оборудования и недопущения работы в нештатных режимах;
- снижение затрат на расходные материалы за счет оптимизации работы техники, в том числе: топливо, масло, шины;
- выбор оптимальных моделей управления процессами обогащения на основе непрерывно поступающих данных о горном массиве, работе горного оборудования на каждом из этапов отработки горнотехнической системы;
- влияние человеческого фактора на эффективность технологических процессов на всех этапах развития горнотехнической системы;
- выбор оптимальных моделей распределения горнотранспортного оборудования в зависимости от прогнозирования качества подаваемого на фабрику материала.
Для развития теории проектирования горнотехнических систем путем сбора и анализа «больших данных» о работе горного оборудования, цифровых данных об отрабатываемых массивах горных пород, а также данных о технологической среде решаются следующие научно-практические задачи:
- установление причин инцидентов, аварий и техногенных катастроф на основе анализа больших данных, полученных путем вычислений критических событий, приводящих к ним на основе измеряемых величин и параметров функционирования горнотехнических систем;
- влияние развития горнотехнической системы на внешние среды (социум и окружающая природная среда) на основе анализа факторов развития внешний среды и цифровых данных, поступающих от горного оборудования, горного массива и окружающей среды;
- поиск закономерностей изменения структуры и свойств горных массивов при влиянии глобальных природных факторов - геодинамической и солнечной активности, изменения климата, сезонности и т.д.
Заключение
Применение методов анализа «больших данных» и развитие методов прогнозной аналитики для оптимизации работы горнотранспортного
оборудования стремительно развивается, предоставляя дополнительные возможности использования существующих и вновь внедряемых датчиков и систем автоматизации. Текущие технические ограничения инфраструктуры планомерно решаются за счет доступности и удешевления технологий передачи, хранения и обработки данных. Все это позволяет для всей горнодобывающей промышленности, а также для смежных отраслей, таких как горное машиностроение, ИТ системы, производители систем связи и безопасности, разработать общие принципы и стандарты, на основе которых будут развиваться методы прогнозной аналитики для эффективного развития горнодобывающей отрасли. Для этого первым шагом для сбора информации считаем необходимым для каждого из типов техники и решаемой задачи сформулировать функцию критичности собираемых переменных и путем построения модели оценить объем необходимой информации для решения конкретной оптимизационной задачи.
Исследование выполнено за счет средств гранта Российского научного фонда №22-17-00142/
Список литературы
1. Большие данные и устойчивое функционирование горнотехнических систем / В.Н. Захаров [и др.] // Горный журнал. 2021. № 11. С. 45-52.
2. Predictive Analytics in Mining. Dispatch System Is the Core Element of Creating Intelligent Digital Mine / I. Temkin, D. Klebanov, S. Deryabin, I. Konov // Communications in Computer and Information Science. 2020, 1201 CCIS. P. 365-374.
3. Kaplunov D., Rylnikova M., Radchenko D. The new wave of technological innovations for sustainable development of geotechnical systems // 7th international scientific conference "Problems of complex development of georesources", PCDG 2018 сборнике: E3S Web of Conferences. 2018. P. 04002.
4. Современные системы управления горнотранспортными комплексами / К. Н. Трубецкой, А. А. Кулешов, А. Ф. Клебанов, Д. Я. Владимиров; под ред. акад. РАН К. Н. Трубецкого. СПб.: Наука, 2007. 306 с.
5. Практические примеры применения искусственного интеллекта и перспективы развития аналитических систем Больших Данных в горной промышленности / М.В. Рыльникова, Д.А. Клебанов, М.А. Макеев, М.В. Кадочников // Горная промышленность. 2022. № 3. С. 89-92.
6. Захаров В.Н., Кубрин С.С. Цифровая трансформация и интеллектуализация горнотехнических систем // ГИАБ. 2022. № 5. С. 31-47.
7. Сборник стандартов SAE J1939 [Электронный ресурс]. URL: https://www.sae.org/standards/development/ground-vehicle/sae-j 1939-tandards-collection-on-the-web (дата обращения: 19.10.2022).
8. Алексеев В. Беспроводные GPS/GSM/GPRS-системы // Беспроводные технологии. 2012. №1. С. 12-19.
9. Домакур О.В. Методы анализа больших данных // Вестник связи. 2020. № 6. С. 52-55.
Рыльникова Марина Владимировна, д-р техн. наук, проф., зав. отделом, rylnikova@mail.ru, Россия, Москва, Институт проблем комплексного освоения недр им. Мельникова,
Макеев Михаил Андреевич, науч. сотр. лаборатории, mm@piklema.com, Россия, Москва, Институт проблем комплексного освоения недр им. Мельникова,
Кадочников Михаил Владимирович, канд. техн. наук, науч. сотр. лаборатории, mk@piklema. com, Россия, Москва, Институт проблем комплексного освоения недр им. Мельникова,
Клебанов Дмитрий Алексеевич, канд. техн. наук, зав. лабораторией, Klebanov_d@ipkonran.ru, Россия, Москва, Институт проблем комплексного освоения недр им. Мельникова
LEVERAGE OF BIG DA TA TO OPTIMIZE THE OPERATION OF LOADING EQUIPMENT
AND VEHICLES IN SURFACE MINING
M.V. Rylnikova, M.A. Makeev, M.V. Kadonichkov, D.A. Klebanov
The article describes the importance of the task of collecting data in the mining industry, also gives the characteristics of big data and their relationship with mining systems. The article describes the principle of generating data on the performance of mining equipment in open pits, gives examples of data generated on modern engines of mining dump trucks and excavators from various manufacturers, evaluates systems for collecting data from mining equipment and combining this information with production information. The article gives quantitative estimates of the collected data and defines the intensity function for generating information about the operation of mining equipment. The article gives definitions of "Big Data" andforms examples of mining optimization hypotheses based on the analysis of big data systems. The problems of collecting and analyzing data on the operation of different types of equipment are described, due to the lack of unified protocols for collecting and synchronizing data.
Key words: Big data, artificial intelligence, dump trucks, open pit mining, optimization, mining system, data collection, IoT, digitalization, mining equipment, predictive analytics, digital advisors.
Rylnikova Marina Vladimirovna, doctor of technical sciences, professor, head of department, rylnikova@mail.ru,, Russia, Moscow, Institute of Comprehensive Exploitation of Mineral Resources of Russian Academy of Sciences,
Makeev Mikhail Andreevich, researcher of the lab, mm@piklema.com, Russia, Moscow, Institute of Comprehensive Exploitation of Mineral Resources of Russian Academy of Sciences,
Kadonichkov Mikhail Vladimirovich, candidate of technical sciences, researcher of the lab, mk@piklema.com, Russia, Moscow, Institute of Comprehensive Exploitation of Mineral Resources of Russian Academy of Sciences,
Klebanov Dmitry Alekseevich, candidate of technical sciences, head of the lab, Klebanov_d@,ipkonran.ru, Russia, Moscow, Institute of Comprehensive Exploitation of Mineral Resources of Russian Academy of Sciences
Reference
1. Big data and sustainable functioning of mining systems / V.N. Zakharov [et al.] // Mining Journal. 2021. No. 11. pp. 45-52.
2. Predictive Analytics in Mining. Dispatch System Is the Core Element of Creating Intelligent Digital Mine / I. Temkin, D. Klebanov, S. Deryabin, I. Konov // Communications in Computer and Information Science. 2020, 1201 CCIS. P. 365-374.
3. Kaplunov D., Rylnikova M., Radchenko D. The new wave of technological innovations for sustainable development of geotechnical systems // 7th international scientific conference "Problems of complex development of georesources", PCDG 2018 collection: E3S Web of Conferences. 2018. P. 04002.
4. Modern control systems of mining transport complexes / K. N. Trubetskoy, A. A. Kuleshov, A. F. Klebanov, D. Ya. Vladimirov; ed. acad. RAS K. N. Trubetskoy. St. Petersburg: Nauka, 2007. 306 p.
5. Practical examples of the use of artificial intelligence and prospects for the development of analytical systems of Big Data in the mining industry / M.V. Rylnikova, D.A. Klebanov, M.A. Makeev, M.V. Kadochnikov // Mining industry. 2022. No. 3. pp. 89-92.
6. Zakharov V.N., Kubrin S.S. Digital transformation and intellectualization of mining systems // GIAB. 2022. No. 5. pp. 31-47.
7. Collection of SAE J1939 standards [Electronic resource]. URL: https://www.sae.org/standards/development/ground-vehicle/sae-j1939-tandards-collection-on-the-web (accessed: 19.10.2022).
8. Alekseev V. Wireless GPS/GSM/GPRS systems // Wireless technologies. 2012. No. 1. pp. 12-19.
9. Domakur O.V. Methods of big data analysis // Bulletin of Communications. 2020. No. 6. pp. 52-55.
