Model fuzji TCN-Attention do przewidywania awarii i estymacji pozostałego czasu użytkowania dużych maszyn górniczych

Dlaczego inteligentna opieka nad maszynami górniczymi ma znaczenie

Współczesne kopalnie operują flotami gigantycznych ciężarówek i koparek, które pracują niemal nieprzerwanie w wymagających warunkach. Gdy któraś z tych maszyn ulegnie awarii bez ostrzeżenia, produkcja może ulec zatrzymaniu, a pracownicy znaleźć się w niebezpieczeństwie. W artykule przedstawiono nowy sposób wykorzystania strumieni danych z czujników i zaawansowanej sztucznej inteligencji do wczesnego wykrywania problemów oraz oszacowania, ile użytecznego czasu pracy masyna jeszcze ma, dzięki czemu niespodziewane awarie zamieniają się w przewidywalne, dające się zaplanować zdarzenia.

Od napraw po awarii do planowania z wyprzedzeniem

Przez dekady ciężki sprzęt był często naprawiany dopiero po wystąpieniu usterki lub zgodnie z ustalonymi harmonogramami, które nie zawsze odzwierciedlały rzeczywiste zużycie. W miarę jak kopalnie stały się lepiej zinstrumentowane, inżynierowie zaczęli zbierać ogromne ilości danych o drganiach, temperaturze, ciśnieniu i parametrach pracy krytycznych elementów, takich jak skrzynie biegów czy pompy hydrauliczne. Tradycyjne modele i prostsze metody uczenia maszynowego potrafią wykorzystać część tych informacji, ale mają trudności z uchwyceniem złożonego, zmiennego zachowania rzeczywistych maszyn w surowym środowisku. Autorzy argumentują, że potrzebne jest bardziej elastyczne podejście — takie, które potrafi uczyć się wzorców stopniowej degradacji trwającej miesiące, a jednocześnie reagować na nagłe zmiany.

Warstwowy „układ nerwowy” danych dla dużych maszyn

Rdzeniem badania jest model głębokiego uczenia działający jak układ nerwowy dla sprzętu górniczego. Przyjmuje on wielokanałowe szeregi czasowe — dziesiątki odczytów z czujników śledzonych w czasie — i przepuszcza je przez sieć konwolucji czasowych (TCN). Sieć ta analizuje wiele wcześniejszych kroków czasowych jednocześnie, używając odpowiednio rozmieszczonych filtrów, które potrafią wychwycić zarówno krótkotrwałe wstrząsy, jak i długoterminowe trendy, bez konieczności przetwarzania danych krok po kroku. Na tym fundamencie autorzy dodają moduł podwójnej uwagi z dwiema gałęziami: jedną uczącą się, które momenty w historii maszyny mają największe znaczenie, a drugą wskazującą, które czujniki dostarczają najbardziej informacyjnych sygnałów. Mówiąc obrazowo, model uczy się „odtwarzać” i „zogniskować” najbardziej wymowne epizody i pomiary przy ocenie stanu maszyny.

Prognozowanie stanu zdrowia i pozostałego czasu

Zamiast budować oddzielne narzędzia, badacze zaprojektowali system odpowiadający na dwa pytania jednocześnie: w jakim stanie jest sprzęt teraz i jak długo może jeszcze pracować przed prawdopodobną awarią. Jedna gałąź wyjściowa klasyfikuje bieżący stan zdrowia w czterech poziomach, od normalnej pracy po bezpośrednie zagrożenie awarią. Druga gałąź szacuje pozostały czas użytkowania w godzinach. Oba zadania współdzielą większość wewnętrznej reprezentacji, a procedura treningowa automatycznie dostraja względne znaczenie każdego celu w oparciu o niepewność jego błędów. Wspólna nauka pozwala modelowi korzystać ze wskazówek jednego zadania, by poprawić drugie — na przykład rozpoznając, że sygnały typowe dla poważnej degradacji powinny iść w parze z krótkim pozostałym czasem pracy.

Testy na rzeczywistych ciężarówkach i koparkach

Aby ocenić skuteczność metody, zespół zastosował ją do obszernego zbioru danych z kopalni odkrywkowej miedzi w Chinach. Przez 18 miesięcy monitorowali 12 dużych samochodów ciężarowych i koparek, każdy z maksymalnie 21 czujnikami, rejestrując ponad 800 udokumentowanych awarii oraz kompletne historie pracy aż do awarii. Po starannym oczyszczeniu danych, zbalansowaniu rzadkich przypadków awarii i ekstrakcji cech porównali swój model z szeregiem alternatyw, w tym klasycznymi technikami i nowoczesnymi podejściami głębokiego uczenia, takimi jak sieci LSTM, transformatory i inne systemy konwolucji czasowych. Nowy model osiągnął najwyższą dokładność przewidywania awarii (około 92 procent) i najniższy błąd w estymacji pozostałego czasu użytkowania, wyjaśniając ponad 90 procent zmienności rzeczywistych czasów życia. Zachował też dobrą odporność przy symulacji brakujących czujników i zaszumionych pomiarów, degradując się łagodniej niż metody konkurencyjne.

Co to oznacza dla kopalni i nie tylko

W praktycznym wymiarze badanie pokazuje, że połączenie konwolucji czasowych z mechanizmami uwagi po czasie i wśród czujników może przekształcić surowe dane monitorujące w niezawodne wczesne ostrzeżenia i estymaty czasu do awarii dla bardzo dużych maszyn. Dla operatorów kopalń może to oznaczać mniej niespodziewanych postojów, lepsze planowanie przeglądów, bardziej efektywne zarządzanie częściami zamiennymi oraz zwiększone bezpieczeństwo. Szerzej, praca sugeruje wzorzec predykcyjnego utrzymania ruchu dla każdej branży, w której złożony sprzęt generuje strumienie danych z czujników — od turbin wiatrowych po roboty fabryczne — otwierając drogę do inteligentniejszej, bardziej odpornej infrastruktury.

Cytowanie: Mao, J., Xu, W., Li, D. et al. A TCN-Attention fusion model for fault prediction and remaining useful life estimation of large-scale mining equipment. Sci Rep 16, 13746 (2026). https://doi.org/10.1038/s41598-026-43145-z

Słowa kluczowe: predykcyjne utrzymanie ruchu, sprzęt górniczy, pozostały czas użytkowania, głębokie uczenie, dane z czujników