Системный анализ безотказности электронных систем управления карьерными автосамосвалами
Аннотация
В статье проведен системный анализ безотказности электронных систем управления карьерных автосамосвалов. Рассмотрены современные подходы к повышению надежности, включая комбинацию классических методов (анализ видов и последствий отказов, древо неисправностей) и инновационных технологий (искусственный интеллект, IoT-мониторинг, цифровые двойники). Показано, что интеграция данных методов позволяет прогнозировать и предотвращать сбои, снижая простои техники и затраты на ремонт. Особое внимание уделено факторам, влияющим на безотказность эксплуатации. В работе также обозначены перспективные направления развития, такие как внедрение автономных систем на базе ИИ для обеспечения безопасности, экономической эффективности и устойчивости горнодобывающих предприятий.
Об авторах
Р. Н. Сафиуллин
Санкт-Петербургский горный университет императрицы Екатерины II
Россия
Россия
доктор технических наук, профессор, профессор кафедры «Транспортно-технологических процессов и машин»
СПБ
А. Э. Пеплер
Санкт-Петербургский горный университет императрицы Екатерины II
Россия
Россия
аспирант
СПБ
П. С. Кузнецов
Санкт-Петербургский горный университет императрицы Екатерины II
Россия
Россия
студент
СПБ
Список литературы
1. Земенкова М.Ю., Чижевская Е.Л., Земенков Ю.Д. Интеллектуальный мониторинг состояний объектов трубопроводного транспорта углеводородов с применением нейросетевых технологий // Записки Горного института. 2022. Т. 258 . С. 933-944. DOI: 10.31897/PMI.2022.105
2. Simonova L.A., Dem’yanov D.N., Kapitonov A.A. Smart information system for generating design constraints in the auto industry. Russian Engineering Research. 2020;40(12):1034–1038. https://doi.org/10.3103/S1068798X20120199
3. Беликова Д.Д., Морозов Е.В., Хисамутдинова Э.Л. Оптимальное управление силовыми агрегатами горных машин в диапазоне эксплуатационных режимов при применении системы контроля качества моторного масла. Горный информационно-аналитический бюллетень. 2021;(6):95–103. https://doi.org/10.25018/0236_1493_2021_6_0_95
4. Курганов В.М., Грязнов М.В., Колобанов С.В. Оценка надежности функционирования экскаваторно-автомобильных комплексов в карьере. Записки Горного института. 2020;241:10–21. https://doi.org/10.31897/pmi.2020.1.10
5. Макарова И.В., Ганиев М.М., Баринов А.С., Габсалихова Л.М., Мавляутдинова Г.Р. Современный автотранспорт горнопромышленного комплекса: проблемы и решения. Горная промышленность. 2025;(1S):28– 33. https://doi.org/10.30686/1609-9192-2025-1S-28-33
6. В России зарегистрировано 90 тысяч электрокаров и гибридов [Электронный ресурс] // Автостат: сайт. – URL: https://www.autostat.ru/infographics/58435/ (дата обращения: 15.04.2025)
7. Авксентьев С.Ю., Белоусов В.И. Определение рациональных параметров для безостановочной работы гидротранспортных систем в условиях низких температур. Горная промышленность. 2025;(1S):86– 91. https://doi.org/10.30686/1609-9192-2025-1S-86-91
8. Sadegh Kouhestani, H., Yi, X., Qi, G., Liu, X., Wang, R., Gao, Y., Yu, X., & Liu, L. (2022). Prognosis and Health Management (PHM) of Solid-State Batteries: Perspectives, Challenges, and Opportunities. Energies, 15(18), 6599. https://doi.org/10.3390/en15186599
9. Zhao, J., Zhu, Y., Zhang, B., Liu, M., Wang, J., Liu, C., & Hao, X. (2023). Review of State Estimation and Remaining Useful Life Prediction Methods for Lithium–Ion Batteries. Sustainability, 15(6), 5014. https://doi.org/10.3390/su15065014
10. Akbar, K., Zou, Y., Awais, Q., Baig, M. J. A., & Jamil, M. (2022). A Machine Learning-Based Robust State of Health (SOH) Prediction Model for Electric Vehicle Batteries. Electronics, 11(8), 1216. https://doi.org/10.3390/electronics11081216
11. Huang, S.-C., Tseng, K.-H., Liang, J.-W., Chang, C.-L., & Pecht, M. G. (2017). An Online SOC and SOH Estimation Model for Lithium-Ion Batteries. Energies, 10(4), 512. https://doi.org/10.3390/en10040512
12. X. Cui and T. Hu, "State of Health Diagnosis and Remaining Useful Life Prediction for Lithium-ion Battery Based on Data Model Fusion Method," in IEEE Access, vol. 8, pp. 207298-207307, 2020, https://doi.org/10.1109/ACCESS.2020.3038182
13. Ming-Feng Ge, Yiben Liu, Xingxing Jiang, Jie Liu, A review on state of health estimations and remaining useful life prognostics of lithium-ion batteries, Measurement, 174, 2021, 109057, ISSN 0263-2241, https://doi.org/10.1016/j.measurement.2021.109057
14. Kocsis Szürke, S., Sütheö, G., Apagyi, A., Lakatos, I., & Fischer, S. (2022). Cell Fault Identification and Localization Procedure for Lithium-Ion Battery System of Electric Vehicles Based on Real Measurement Data. Algorithms, 15(12), 467. https://doi.org/10.3390/a15120467
15. Natthida Sukkam, Thossaporn Onsree, Nakorn Tippayawong; Overview of machine learning applications to battery thermal management systems in electric vehicles. AIP Conf. Proc. 17 November 2022; 2681 (1): 020004. https://doi.org/10.1063/5.0115829
Рецензия
Для цитирования:
Сафиуллин Р.Н., Пеплер А.Э., Кузнецов П.С. Системный анализ безотказности электронных систем управления карьерными автосамосвалами. Социально-экономические и технические системы: исследование, проектирование, оптимизация. 2025;(2):71-77.
For citation:
Safiullin R.N., Pepler A.E., Kuznetsov P.S. System analysis of reliability of electronic dump truck management systems. Social-economic and technical systems: research, design and optimization. 2025;(2):71-77. (In Russ.)
Просмотров:
12
Послать статью по эл. почте 