Модель TCN-Attention для прогнозирования отказов и оценки оставшегося срока службы крупномасштабного горного оборудования

Почему интеллектуальный уход за горными машинами важен

Современные шахты эксплуатируют парки гигантских самосвалов и экскаваторов, которые работают почти без перерывов в суровых условиях. Когда одна из этих машин выходит из строя внезапно, производство может остановиться, а работники оказаться в опасности. В этой статье представлен новый подход к использованию потоков данных с датчиков и передовых методов искусственного интеллекта для раннего обнаружения проблем и оценки того, сколько полезного ресурса осталось у машины, превращая неожиданные поломки в предсказуемые и управляемые события.

От ремонта после отказа к планированию наперед

Десятилетиями тяжелое оборудование часто ремонтировали только после поломки или по фиксированным графикам, которые не отражали реального износа. По мере того как шахты стали более оборудованными датчиками, инженеры стали собирать огромные объемы данных о вибрациях, температуре, давлении и параметрах работы критичных узлов, таких как коробки передач и гидравлические насосы. Традиционные модели и более простые методы машинного обучения могут использовать часть этой информации, но им трудно справляться со сложным, меняющимся поведением реальных машин в жестких условиях. Авторы утверждают, что нужен более гибкий подход — тот, который может выявлять паттерны медленной деградации в течение месяцев и одновременно реагировать на внезапные изменения.

Многоуровневая «нервная система» данных для крупных машин

В основе исследования лежит модель глубокого обучения, действующая как нервная система для горного оборудования. Она принимает многоканальные временные ряды — десятки показаний датчиков, зафиксированных во времени — и пропускает их через временную сверточную сеть (temporal convolutional network). Эта сеть одновременно смотрит на многие предыдущие временные шаги, используя тщательно расставленные фильтры, способные улавливать как быстрые толчки, так и долгосрочные тенденции, не обрабатывая данные покадрово. Поверх этой «позвоночной» структуры авторы добавляют модуль двойного внимания с двумя ветвями: одну, которая учится определять, какие моменты в истории машины важны больше всего, и другую, выделяющую наиболее информативные датчики. Простыми словами, модель учится «пересматривать» и «увеличивать» самые показательные эпизоды и измерения при оценке состояния машины.

Предсказание и состояния здоровья, и оставшегося ресурса

Вместо создания отдельных инструментов исследователи разработали систему, которая отвечает на два вопроса одновременно: в каком состоянии оборудование находится сейчас и сколько оно может еще проработать до вероятного отказа. Одна выходная ветвь классифицирует текущее состояние здоровья по четырем уровням — от нормальной работы до неминуемого отказа. Другая ветвь оценивает оставшийся полезный ресурс в часах. Эти две задачи разделяют большую часть внутреннего представления, а процедура обучения автоматически настраивает, какое значение придавать каждой цели в зависимости от неопределенности ошибок. Это совместное обучение позволяет модели использовать подсказки из одной задачи, чтобы улучшать другую — например, распознавать, что сигналы, типичные для серьезной деградации, должны сопровождаться коротким оставшимся ресурсом.

Тестирование на реальных самосвалах и экскаваторах

Чтобы оценить эффективность метода, команда применила его к богатому набору данных из карьера по добыче меди в Китае. В течение 18 месяцев они контролировали 12 крупных автосамосвалов и экскаваторов с до 21 датчиком на каждой машине, зафиксировав более 800 зарегистрированных отказов и полные истории работы до отказа. После тщательной очистки данных, балансировки редких случаев отказов и извлечения признаков они сравнили свою модель с рядом альтернатив, включая классические методы и современные подходы глубокого обучения, такие как сети LSTM, трансформеры и другие системы временных сверток. Новая модель показала наивысшую точность предсказания отказов (около 92 процентов) и наименьшую ошибку в оценках оставшегося ресурса, объясняя более 90 процентов вариации истинных сроков службы. Она также устойчиво работала при моделировании пропажи датчиков и зашумленных измерений, ухудшаясь более плавно по сравнению с конкурирующими методами.

Что это значит для шахт и не только

В практическом плане исследование демонстрирует, что сочетание временных сверток с вниманием по времени и датчикам может преобразовать сырые данные мониторинга в надежные ранние предупреждения и оценки времени до отказа для очень крупных машин. Для операторов шахт это означает меньше неожиданных простоев, лучшее планирование окон технического обслуживания, более эффективное управление запасными частями и повышение безопасности. В более широком смысле работа предлагает шаблон для прогнозного обслуживания в любой отрасли, где сложное оборудование генерирует потоки данных с датчиков — от ветряных турбин до заводских роботов — открывая путь к более умной и устойчивой инфраструктуре.

Цитирование: 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

Ключевые слова: прогнозное обслуживание, горное оборудование, оставшийся срок службы, глубокое обучение, данные датчиков