CC BY
95. Hernes J.A., Archibald D.A., Hodgson C.J. and Robert F., 1992, Dating of Archean auriferous quartz vein deposits in the Abitibi greenstone belt, Canada: 40Ar/39Ar evidence for a 70-100 m.y.-time gap between plutonism-metamorphism and mineralization: Economic Geology, v. 87, p. 1849-1861.
6. Colvine A.C., Fyon J.A., Heather K.B., Mar-mont S., Smith P.M. and Troop D.G., 1988, Archean lode gold deposits in Ontario: Ontario Geological Survey Miscellaneous Paper 139, 136 p.
7. Colvine A.C., 1989, Empirical model for Archean gold deposits: in Keays R.R., Ramsay W.R.H. and Groves D.I., eds., The Geology of Gold Deposits - The Perspective in 1988: Economic Geology
Monograph 6, Economic Geology Publishing Company, p. 37-53.
8. Rajamani V., Shivkumar K., Hanson G.N. and Shirey S.B., 1985, Geochemistry and petrogenesis of amphibolites, Kolar schist belt, south India: Evidence for Komatiitic magma derived by low percentages of melting of the mantle; J. Petrol. 26 92-123.
9. Krogstad E.J., Balakrishnan S., Mukhopad-hyay D.K., Rajamani V. and Hanson G.N., 1989, Plate Tectonics. 2.5 billion years ago: Evidence at Kolar, South India. A report; Science 243 1337-1340.
10. Тектоника, геодинамика и металлогения территории Республики Саха (Якутия). - М.: МА-ИК «Наука/Интерпериодика», 2001. - С. 81-104.
УДК 622.411.33
Прогнозирование показателей эксплуатации карьерной техники и оборудования как один из способов повышения безопасности горного производства
С.Н. Зарипова
Обосновывается необходимость прогнозирования основных показателей эксплуатации горнотранспортного оборудования, влияющих на безопасность производства угледобывающего предприятия. В качестве метода прогнозирования показателей предлагается метод экстраполяции, основанный на трендовых моделях, учитывающих сезонные колебания, характерные для открытых горных работ в условиях Севера.
The importance of forecasting of the exponents of mining transportation equipment, which influence the industrial security of a mining enterprise, is substantiated in the given paper. The method of extrapolation, which is based on the trend models taking into account seasonal fluctuations peculiar to the conditions of the North, is offered as a method of exponent forecasting.
Анализ динамики производственного травматизма в условиях Нерюнгринского угольного разреза показал, что число несчастных случаев с каждым годом уменьшается: в 2001 г. зарегистрировано 3 случая, в 2002 и в 2003 гг. - по 5, в 2004 г. - 2, в 2005 г. - 1. Несмотря на это, остается высокой вероятность травмирования работников, занятых управлением и обслуживанием горно-транспортного оборудования (рисунок).
Экскаваторы, буровые станки, вспомогательные машины и оборудование - все это потенциальные источники опасности, которые зачастую приводят к травмам с тяжелым или смертельным
ЗАРИПОВА Сирена Наилевна - к.ф.-м.н., доцент ТИ (ф) ЯГУ.
исходом. Кроме того, каждый несчастный случай на производстве вызывает существенные убытки, так как применяемое горно-транспортное оборудование отличается не только большой единичной мощностью, но и огромной стоимостью. Поэтому важными являются не только анализ показателей эксплуатации горнотранспортного оборудования, но и прогноз для оценки возможного влияния показателей эксплуатации на интенсивность травматизма, что особенно актуально на месторождениях, характеризующихся высокой интенсивностью разработки, требующей круглосуточного режима работы карьерной техники и оборудования, каким является Нерюнгринский угольный разрез.
Машинист экскаватора ........; : 10,25
Машинист бурового станка 0,09
Машинист бульдозера 10.23
Специалисты по ремонту машин и "_.
оборудования ---—--' '
Сварщик _10,08
Прочие ■ ¡0,16
-I-I-1-(-1-1
0,0 0,1 0,2 0,3 0,4 0,5
вероятность
Вероятность травмирования работников основных профессий на Нерюнгринском угольном разрезе
Безопасность горно-транспортного оборудования тесно связана с его надежностью: чем надежнее оборудование, тем оно безопаснее. Поэтому для исследования безопасности горнотранспортного оборудования необходимы глубокий анализ и прогнозирование следующих показателей эксплуатации: срок службы, ресурс машин и оборудования, параметр потока отказов, коэффициент технического использования, коэффициент технической готовности, удельная суммарная продолжительность неплановых ремонтов, которая характеризует долю простоев и неплановых простоев на 1 ч работы карьерной техники и оборудования, часовая производительность, оценивающая технические возможности машин.
В настоящее время разработана большая группа экстраполяционных методов прогнозирования отдельных производственных показателей.
Динамические процессы, происходящие при ведении открытых горных работ, чаще всего появляются в виде ряда последовательно расположенных в хронологическом порядке значений того или иного показателя, который в своих изменениях отражает ход развития изучаемого явления на производстве. Эти значения (входные сигналы) могут служить для обоснования различных моделей производственных процессов, которые получаются на основе корреляционно-регрессионного анализа. Они являются также основой для разработки прикладных моделей особого вида, называемых трендовыми моделями.
Характеристика или значение того или иного события (процесса) в общем случае бывают разными. При исследовании производственного травматизма или аварийных отказов горнотранспортного оборудования имеем дело с потоком случайных событий во времени, у которого событие характеризуется не только фактом его
появления, но и конкретным неодинаковым во времени числовым значением - количеством травмированных в результате несчастного случая или количеством поломок в узлах или деталях машин и оборудования. При исследовании продолжительности как плановых, так и неплановых простоев горно-транспортного оборудования имеем дело с дискретным рядом, характеризующим значение показателя в определенные регулярные моменты времени. Эти типы входных сигналов, различные по форме, как регулярные, так и не регулярные во времени, можно записать в форме единого динамического ряда с событиями, происходящими в регулярные моменты времени: всегда можно на оси времени подобрать такие регулярные интервалы [?,, /,+[], при которых будет меньше допустимой наперед заданной ошибки появления случайного события, если оно произошло не в регулярные моменты времени г1 или /,+,. Следовательно, потоки событий, заключающихся в появлении несчастных случаев, аварийных отказов горно-транспортного оборудования, можно сделать регулярными, подобрав соответствующие интервалы.
Следовательно, моделировать любые типы входных сигналов, отражающих какой-либо процесс на открытых горных работах, может динамический ряд.
Одним из современных методов изучения сложных явлений и процессов на производстве являются тренд-сезонные модели, в основу построения которых положены динамические (временные) ряды, порождаемые аддитивным случайным процессом:
Уг = и, +У, +е,, 1 = 1Т, (1)
где I/1 - тренд динамического ряда: регулярная компонента, характеризующая общую тенденцию; V, - циклическая (сезонная) компонента;
£, - случайная компонента, образующаяся под
влиянием различных причин; Т - число уровней наблюдения.
Проблема анализа сезонности заключается в исследовании сезонных колебаний и в изучении того внешнего циклического механизма, который их вызывает. Опыт эксплуатации горнотранспортного оборудования в условиях Севера показал зависимость вынужденных простоев техники от климатических условий и в большинстве случаев выявил циклическую (сезонную) периодичность [1].
Сезонность, как правило, связывается исключительно со сменой природно-климатических условий в рамках ограниченного периода времени - годового периода. Наиболее ярко эта связь видна в горнодобывающей отрасли, т.е. там, где исследуемые процессы связаны с естественными особенностями того или иного времени года. Однако сезонные колебания формируются не только под влиянием природно-климатических факторов, и не во всех случаях сезонность является следствием действия неуправляемых или почти неуправляемых факторов. Чаще всего факторы поддаются регулированию, но даже и в тех случаях, когда прямое воздействие на процессы, вызывающие сезонные колебания, невозможно, необходимо учитывать их действие при совершенствовании технологических, организационных процессов и процессов управления. Для того чтобы можно было целенаправленно влиять на сезонность, следует уметь предвидеть развитие процессов, подверженных колебаниям.
Для исследования сезонных колебаний вне связи с причинами, их порождающими, необходимо отфильтровать из временного ряда сезонную компоненту и затем уже анализировать ее динамику. Большинство методов фильтрации построено таким образом, что предварительно выделяется тренд, а затем уже сезонная компонента. Тренд в чистом виде необходим и для анализа динамики сезонной волны.
При исследовании сезонной волны чаще всего
предполагается, что она не изменяется год от года, но на самом деле такое предположение далеко от действительности, по крайней мере, для большинства производственных процессов, связанных с открытыми горными работами. Для сезонной волны характерно изменение со временем, как ее размаха, так и формы. В результате возникает необходимость в анализе и предсказании изменений сезонной волны.
Моделирование ряда (1) в виде последовательности процедур: вычисление тренда £/, ряда, нахождение сезонной компоненты V, и оценка случайной компоненты Ег осуществлено для
вышеперечисленных показателей эксплуатации горно-транспортного оборудования в расчете на 1 единицу горно-транспортного оборудования каждой марки, эксплуатируемой в условиях Не-рюнгринского угольного месторождения.
В качестве примера приведем результаты моделирования среднечасовой производительности карьерных экскаваторов по данным наблюдений на 1.01.2005 г. (табл. 1).
В табл. 1 приняты следующие обозначения: Д=Я2 - коэффициент детерминации, определяющий долю результативного признака, причинно обусловленную изменениями факториального признака, /? - коэффициент корреляции, а -среднее квадратическое отклонение, с - средняя относительная ошибка аппроксимации, ц - корреляционное отношение.
Таблица 1
Трендовые модели среднечасовой производительности карьерных экскаваторов
Марка экскаватора Уравнение трендовой модели, статистические показатели точности модели
201-М й=618,13+lД5^50,67coí^8,09Jí/зí+ЗЛ7coí2/++8,37Jг/г2/+16,58co5J/+15,67Jш5/, Д=0,71, о=44,52, £=8,45%, >/=0,76
301-М п= 1372,25-9,167? -548,31 солг-95,95.н«/++110,42с(«2г+72,02.шг2/+21,67со.вг-14.ип.Ь, Д=0,72, (7=21,3, е=13,6%, //=0,78
ЭКГ-10 и=267,9-16,06г+1,769г2 -0,05^-6,35со5г+9,475ш/-6,53со52г-4>58я'п2г+16,97со^г+4,14л>г5г, Д=0,74, а=34,64, ¿=9,02%, //=0,63
ЭКГ-15 я=529,26еида'-85,О6с0$М7,395ш/+9,54с052М8,2б5ш2?+17,^ Д=0,63, 0=27,33, е=10ДЗ%, 7=0,79
ЭКГ-20 и=666,98;°'и"3-57,763со5г-14,4б5ш?+7,58со52г+17,46лш2г+ +1 0,67со*Л+ 19,8335г'п.?<+2,5сси4М4,4б5ш4л Д=0,74, о=38,31, £=9,35%, >/=0,79
ЭКГ-8И п=0,21^-4,641+221,5-7 Л6со51-9,335Ш+0,96соз21-7,005т21+1,5со531-2,585т31-0,04со541-9,335т41, Д=0,81, о=22,62, £=6,02%, >/=0,55
ЭШ-11/70 «=0,61 г2-11,88г+215,46+27,029««/+1,2 Ыш+ +28,58со52г-36,955(7г2г-9,83со53г-6,92я>г^Г-15,83со^+1,2Ьш^, Д=0,88, о=11,31, £=3,03%, >/=0,61
ЭШ-13/50 гс=155,84га1Ь82-19,66со^28,98$ш/+5,63са$2г-4,115('л2г-36,33со55г+0,255ш5г+0,37со54г-28,985ш4г, Д=0,93, о=64,67, £=8,23%, >/=0,84
Несмотря на высокую точность полученных моделей (е<10%), необходимо заметить, что приведенные показатели точности рассчитаны на основе всех уровней временного ряда (1) и поэтому отражают лишь точность аппроксимации. Для оценки прогнозных свойств моделей целесообразно использовать ретроспективный прогноз и рассчитать эти же показатели точности по нескольким последним уровням ряда (1) (табл. 2).
Как видно из табл. 2, прогнозные модели «потеряли» первоначальные свойства и преврати-
лись в модели с хорошей точностью (10 %<е<20 %). Такой точности достаточно для прогнозирования среднечасовой производительности экскаваторов, поэтому вышеприведенные модели являются прогнозными моделями.
Прогноз на основании трендовых моделей содержит два элемента: точечный и интервальный прогнозы. Очевидно, что точное совпадение фактических данных в будущем и прогностических точечных оценок маловероятно, поэтому точечный прогноз желательно сопровождать интервальным прогнозом.
Таблица 2
Показатели точности прогнозных моделей среднечасовой производительности карьерных экскаваторов
Марка экскаватора Статистические показатели точности ретроспективных моделей
201-М Д= 0,75, о=81,13, е=7,94%, ц=0,66
301-М Д=0,95, о=72,2, е= 13,99%, >7=0,68
ЭКГ-10 Д=0,90, о=59,44, £=8,73%, щ=0,51
ЭКГ-15 Д= 0,62, 0=81,85, е=13,91%, >7=0,69
ЭКГ-20 Д=0,62, о=67,56, £=8,39%, >7=0,96
ЭКГ-8 И Д=0,59, о=63,78, е=7,32%, >7=0,51
ЭШ-11/70 Д=0,64, о=35,84, е=13,42%, >/=0,52
ЭШ-13/50 Д= 0,86, о=84,42, £=16,43%, >7=0,70
Таблица 3
Интервальный прогноз среднечасовой производительности карьерных экскаваторов при доверительной вероятности 95%
Марка экскаватора Период упреждения, мес.
1 2 3 4 5 6
201-М (598,32; 602,78) (602,9; 607.4) (670,33; 674,87) (656,8; 661,39) (602,67; 607,30) (607,17; 611,86)
301-М (730,24; 734,7) (1029,9; 1034,4) (1747,3; 1751,9) (1001,4; 1006,0) (694,41; 699,05) (991,59; 996,28)
ЭКГ-10 (207,97; 212,43) (193,22; 197,72) (140,65; 145,19) (129,37; 133,96) (96,26; 100,89) (63,15; 67,84)
ЭКГ-15 (506,78; 511,24) (525,70; 530,20) (645,27; 649,81) (588,93; 593,52) (513,83; 518,47) (532,14; 536,83)
ЭКГ-20 (665,49; 669,95) (664,13; 668,63) (762,42; 766,96) (737,35; 741,94) (667,13; 671,77) (665,81; 670,50)
ЭКГ-8И (239,03; 243,49) (241,16; 245,66) (262,59; 267,13) (268,68; 273,45) (266,62; 271,26) (270,27; 274,96)
ЭШ-11/70 (329,05; 333,51) (279,91; 284,41) (333,60; 338,14) (303,29; 307,88) (413,48; 418,11) (368,87; 373,56)
ЭШ-13/50 (210,06; 214,52) (228,13; 232,63) (324,12; 328,67) (286,08; 290,67) (216,64; 221,27) (234,64; 239,33)
Методы, разработанные для статистических совокупностей, позволяют определить доверительный интервал, зависящий от стандартной ошибки оценки прогнозируемого показателя, от времени упреждения прогноза, от количества уровней во временном ряду и от уровня значимости прогноза (табл. 3).
Таким образом, прогнозируя с помощью трендовых моделей основные показатели эксплуатации горно-транспортного оборудования,
характеризующие безопасную и надежную работу машин, можно управлять уровнем безопасности производства угледобывающего предприятия.
Литература
1. Ишков A.M. Математическая ритмология в работоспособности техники на Севере. - Якутск: Изд-во ЯНЦ СО РАН, 2000. - 320 с.
