Системы управления в горнодобывающей промышленности

Оригинальная статья

УДК 622.684 c А.Ю. Воронов, В.В. Аксенов, Г.Д. Буялич, Л.Е. Маметьев, Д.А. Пашков, 2025

ISSN 0041-5790 (Print) • ISSN 2412-8333 (Online) • Уголь №12-2025 /1200/

DOI: http://dx.doi.org/10.18796/0041-5790-2025-12-91-96

Авторы

Воронов А.Ю. канд. техн. наук, доцент, доцент кафедры ЭА, ФГБОУ ВО «Кузбасский государственный технический университет имени Т.Ф. Горбачева», 650000, г. Кемерово, Россия, e-mail: voronovayu@kuzstu.ru

Аксенов В.В. доктор техн. наук, главный научный сотрудник научного центра «Цифровые технологии», ФГБОУ ВО «Кузбасский государственный технический университет имени Т.Ф. Горбачева», 650000, г. Кемерово, Россия, e-mail: 55vva42@mail.ru

Буялич Г.Д. доктор техн. наук, профессор, профессор кафедры ГМиК, ФГБОУ ВО «Кузбасский государственный технический университет имени Т.Ф. Горбачева», 650000, г. Кемерово, Россия, e-mail: gdb@kuzstu.ru

Маметьев Л.Е. доктор техн. наук, профессор, профессор кафедры ГМиК, ФГБОУ ВО «Кузбасский государственный технический университет имени Т.Ф. Горбачева», 650000, г. Кемерово, Россия, e-mail: mle.gmk@kuzstu.ru

Пашков Д.А. канд. техн. наук, старший научный сотрудник научного центра «Цифровые технологии», ФГБОУ ВО «Кузбасский государственный технический университет имени Т.Ф. Горбачева», 650000, г. Кемерово, Россия, e-mail: pashkovda@kuzstu.ru

Аннотации

Эксплуатационные расходы горнодобывающих предприятий растут, а традиционные системы управления парками горнотранспортного оборудования не справляются с высокой размерностью, стохастичностью и автономностью, требуемыми для современных сложных операций. Исследователи ищут альтернативы, включая алгоритмы на основе искусственного интеллекта, соответствующие требованиям «Майнинга 4.0». Представлен обзор систем управления в горнодобывающей промышленности, показана эволюция систем для карьеров и потребность в интеллектуальных алгоритмах.

Ключевые слова

Открытые горные работы, система управления, искусственный интеллект, горнотранспортное оборудование, Майнинг 4.0, планирование.

Список литературы

1. Разработка структуры системы управления беспилотным карьерным самосвалом / Д.М. Дубинкин, В.Ю. Садовец, И.С. Сыркин и др. // Горное оборудование и электромеханика. 2020. № 6(152). С. 25-30. DOI: 10.26730/1816-4528-2020-6-25-30.
2. Мониторинг динамического состояния автономных тяжелых платформ на карьерных маршрутах горнорудных предприятий / С.Г. Костюк, И.В. Чичерин, Б.А. Федосенков и др. // Устойчивое развитие горных территорий. 2020. Т. 12. № 4. С. 600-608. DOI: 10.21177/1998-4502-2020-12-4-600-608.
3. Современное состояние техники и технологий в области карьерных самосвалов с накопителями энергии / Д.М. Дубинкин, А.Б. Карташов, Г.А. Арутюнян и др. // Горное оборудование и электромеханика. 2020. № 6(152). С. 31-42. DOI: 10.26730/1816-4528-2020-6-31-42.
4. Разработка критериев обеспечения совместной работы источников энергии для создания новых карьерных самосвалов / Н.В. Бузунов, Р.Д. Пирожков, А.Б. Карташов и др. // Вестник Кузбасского государственного технического университета. 2020. № 6(142). С. 87-97. DOI: 10.26730/1999-4125-2020-6-87-97.
5. Dubinkin D., Sadovets V., Syrkin I., Chicherin I. Assessment of the Need to Create Control System of Unmanned Dump Truck. E3S Web of Conferences. 2020;(177):03022. DOI: 10.1051/e3sconf/202017703022.
6. Чехлар М., Жиронкин С.А., Жиронкина О.В. Цифровые технологии Индустрии 4.0 в Майнинге 4.0 – перспективы развития геотехнологии в XXI веке // Вестник КузГТУ. 2020. № 3. С. 80-90.
7. Жиронкина О.В. Становление Майнинга 4.0 как отраслевой инновационной технологической платформы Индустрии 4.0 в свете достижения технологического суверенитета // Экономика и управление инновациями. 2022. № 3(22). С. 60-77.
8. Keropyan A.M., Kuziev D.A., Krivenko A.E. Process Research of Wheel-Rail Mining Machines. Lecture Notes in Mechanical Engineering. 2020:703-709.
9. Kouziyev D., Krivenko A., Chezganova D., Blumensteiun V. Sensing of dynamic loads in the open-cast mine combine. E3S Web of Conferences. 2019;(105):03014. DOI: 10.1051/e3sconf/201910503014.
10. Feller A., Shunk D., Callarman T. Value chains versus supply chains. BP Trends. 2006;(1):1-7.
11. Beamon B.M. Supply chain design and analysis: models and methods. International Journal of Production Economics. 1998;(55):281-294.
12. Zijm H., Klumpp M., Heragu S., Regattieri A. Operations, logistics and supply chain management: definitions and objectives. In: Operations, Logistics and Supply Chain Management. Springer, 2019. pp. 27-42.
13. Afrapoli A.M., Askari-Nasab H. Mining fleet management systems: a review of models and algorithms. International Journal of Mining, Reclamation and Environment. 2019;33(1):42-60.
14. Ercelebi S.G., Bascetin A. Optimization of shovel-truck system for surface mining. Journal of the Southern African Institute of Mining and Metallurgy. 2009;(109):433-439.
15. Gurgur C.Z., Dagdelen K., Artittong S. Optimisation of a real-time multi-period truck dispatching system in mining operations. International Journal of Applied Decision Sciences. 2011;(4):57-79.
16. Afrapoli A.M., Askari-Nasab H. A stochastic integrated simulation and mixed integer linear programming optimisation framework for truck dispatching problem in surface mines. International Journal of Mining and Mineral Engineering. 2020;(11):257-284.
17. Mohtasham M., Mirzaei-Nasirabad H., Alizadeh B. Optimization of truck-shovel allocation in open-pit mines under uncertainty: a chance-constrained goal programming approach. Mining Technology. 2021;(130):81-100.
18. Temeng V., Otunoye F., Frendewey J. Real-time truck dispatching using a transportation algorithm. International Journal of Surface Mining, Reclamation and Environment. 1997;11(4):203-207.
19. Choi Y., Nguyen H., Bui X.-N., Nguyen-Thoi T. Optimization of haulage-truck system performance for ore production in open-pit mines using big data and machine learning-based methods. Resources Policy. 2022;(75):102522.
20. De Carvalho J.P., Dimitrakopoulos R. Integrating production planning with truck-dispatching decisions through reinforcement learning while managing uncertainty. Minerals. 2021;(11).
21. Huo D., Sari Y.A., Kealey R., Zhang Q. Reinforcement learning-based fleet dispatching for greenhouse gas emission reduction in open-pit mining operations. Resources, Conservation and Recycling. 2023;(188):106664.

Поддержка

Работа выполнена при финансовой поддержке Министерства науки и высшего образования Российской Федерации по соглашению от 30.09.2022 г. №075-15-2022-1198 с ФГБОУ ВО «Кузбасский государственный технический университет имени Т.Ф. Горбачева» Комплексной научно-технической программы полного инновационного цикла «Разработка и внедрение комплекса технологий в областях разведки и добычи твердых полезных ископаемых, обеспечения промышленной безопасности, биоремедиации, создания новых продуктов глубокой переработки из угольного сырья при последовательном снижении экологической нагрузки на окружающую среду и рисков для жизни населения» (КНТП «Чистый уголь – Зеленый Кузбасс») в рамках мероприятия «Разработка и создание беспилотного карьерного самосвала челночного типа грузоподъемностью 220 тонн» в части выполнения НИОКР.

Для цитирования

Системы управления в горнодобывающей промышленности / А.Ю. Воронов, В.В. Аксенов, Г.Д. Буялич и др. // Уголь. 2025;(12):91-96. DOI: 10.18796/0041-5790-2025-12-91-96.

Информация о статье

Поступила в редакцию: 3.10.2025

Поступила после рецензирования: 15.11.2025

Принята к публикации: 28.11.2025