АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ БОЛЬШИХ МАССИВОВ ДАННЫХ ПРОМЫШЛЕННОГО МОНИТОРИНГА ДЛЯ ВЫЯВЛЕНИЯ ПРЕДАВАРИЙНЫХ СОСТОЯНИЙ ГОРНОТЕХНИЧЕСКИХ СИСТЕМ : научное издание
Библиографическое описание:АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ БОЛЬШИХ МАССИВОВ ДАННЫХ ПРОМЫШЛЕННОГО МОНИТОРИНГА ДЛЯ ВЫЯВЛЕНИЯ ПРЕДАВАРИЙНЫХ СОСТОЯНИЙ ГОРНОТЕХНИЧЕСКИХ СИСТЕМ : научное издание / В. В. Кукарцев. - Текст : непосредственный // Известия Тульского государственного университета. Науки о Земле. - 2026. - № 1. - С. 174-178. - ISSN 2218-5194.
Аннотация:Рассматривается задача автоматизированного анализа больших массивов данных промышленного мониторинга для выявления ранних признаков предаварийных состояний горнотехнических систем. Представлен подход к обработке временных рядов технологических параметров оборудования, включающий этапы очистки данных, нормализации и применения алгоритмов интеллектуального анализа. В качестве экспериментальной базы использованы архивные данные мониторинга дробильно-транспортного комплекса, содержащие показатели температуры, вибрации и механических нагрузок оборудования. Для выявления аномальных режимов работы применен алгоритм Isolation Forest, обученный на выборке нормальных производственных режимов. Результаты анализа показали возможность автоматического обнаружения отклонений технологических параметров, которые могут служить индикаторами формирования предаварийных состояний. Полученные результаты подтверждают перспективность использования методов машинного обучения для повышения эффективности систем промышленной безопасности и мониторинга горнотехнического оборудования.
The paper addresses the problem of automated analysis of large industrial monitoring datasets for identifying early signs ofpreemergency conditions in mining systems. An approach for processing time series of technological parameters is proposed, including data cleaning, normalization, and the application of intelligent data analysis methods. The study is based on archival monitoring data of a crushing and conveyor complex, including measurements of temperature, vibration, and mechanical load parameters. The Isolation Forest algorithm was used to detect anomalous operating modes and was trained on a dataset representing normal equipment operation. The analysis results demonstrated the ability of the proposed method to automatically identify deviations in technological parameters that may indicate the formation of potentially hazardous operating conditions. The findings confirm the potential of machine learning techniques for improving the effectiveness of industrial monitoring systems and enhancing safety in mining equipment operation.
Ключевые слова:industrial monitoring, mining systems, data analysis, anomaly detection, machine learning, pre-emergency conditions, промышленный мониторинг, горнотехнические системы, анализ данных, обнаружение аномалий, машинное обучение, предаварийные состояния
