CC BY
18
Оригинальная статья
УДК 622.33:004.89(470) © Ю.Н. ШедькоН, К.В. Харченко, С.А. Зуденкова, Е.И. Москвитина, Л.К. Бабаян, 2024
Финансовый университет при Правительстве Российской Федерации, 125993, г. Москва, Россия Н e-mail: [email protected]
Original Paper
UDC 622.33:004.89(470) © Yu.N. ShedkoH, K.V. Kharchenko, S.A. Zudenkova, E.I. Moskvitina, L.K. Babayan, 2024
Financial University under the Government of the Russian Federation,
Moscow, 125993, Russian Federation H e-mail: [email protected]
Внедрение нейросетевых технологий для повышения эффективности и безопасности производственных процессов на угольных предприятиях России
The introduction of neural network technologies to improve the efficiency and safety of production processes at coal enterprises in Russia
DOI: http://dx.doi.org/10.18796/0041-5790-2024-9-115-122
В статье исследуются возможности применения нейросетевых технологий для повышения эффективности и безопасности производственных процессов на угольных предприятиях России. Актуальность темы обусловлена необходимостью модернизации угольной отрасли на основе инновационных решений в условиях возрастающей конкуренции на мировом рынке энергоресурсов. Цель работы - разработка комплексной методики внедрения нейросетевых технологий, обеспечивающей оптимизацию процессов добычи, переработки и транспортировки угля, а также минимизацию рисков аварийных ситуаций. В ходе исследования проанализирован текущий уровень использования ИИ на ключевых угледобывающих предприятиях РФ, выявлены основные направления и ограничения его применения. Предложены оригинальные нейросете-вые модели оптимизации работы очистных комбайнов, ленточных конвейеров, систем вентиляции и прогнозирования концентрации метана в шахтах. Проведено их тестирование на производственных данных АО «СУЭК», ООО «УК«Кузбассразрезуголь» и АО ХК «СДС-Уголь». Разработана методика оценки экономического эффекта от внедрения ИИ, учитывающая его влияние на себестоимость угольной продукции и рентабельность предприятий. Предложены методические рекомендации по поэтапной интеграции нейросетевых решений в существующие производственные процессы и системы управления безопасностью труда. Полученные результаты имеют высокую практическую значимость и могут быть использованы для повышения конкурентоспособности угольных компаний России. Дальнейшие исследования целесообразно направить на создание адаптивных нейросетевых систем управления горно-
ШЕДЬКО Ю.Н.
Доктор экон. наук, профессор кафедры
«Государственное и муниципальное управление»
Финансового университета
при Правительстве Российской Федерации,
125993, г. Москва, Россия,
e-mail: [email protected]
ХАРЧЕНКО К.В.
Канд. соц. наук, доцент кафедры
«Государственное и муниципальное управление»
Финансового университета
при Правительстве Российской Федерации,
125993, г. Москва, Россия,
e-mail: [email protected]
ЗУДЕНКОВА С.А.
Канд. экон. наук, доцент кафедры «Государственное и муниципальное управление» Финансового университета при Правительстве Российской Федерации, 125993, г. Москва, Россия, e-mail: [email protected]
МОСКВИТИНА Е.И.
Канд. экон. наук, ассистент кафедры «Государственное и муниципальное управление» Финансового университета при Правительстве Российской Федерации, 125993, г. Москва, Россия, e-mail: [email protected]
БАБАЯН Л.К.
Ассистент кафедры «Государственное и муниципальное управление» Финансового университета при Правительстве Российской Федерации, 125993, г. Москва, Россия, e-mail: [email protected]
добывающей техникой и робототехнических комплексов для работы в особо опасных условиях.
Ключевые слова: нейросетевые технологии, искусственный интеллект, угольная промышленность, оптимизация, безопасность труда, метан, экономическая эффективность. Для цитирования: Внедрение нейросетевых технологий для повышения эффективности и безопасности производственных процессов на угольных предприятиях России / Ю.Н. Шедько, К.В. Харченко, С.А. Зуденкова и др. // Уголь. 2024;(9):115-122. DOI: 10.18796/00415790-2024-9-1 15-122.
Abstract
The article explores the possibilities of using neural network technologies to improve the efficiency and safety of production processes at Russian coal enterprises. The relevance of the topic is due to the need to modernize the coal industry based on innovative solutions in the face of increasing competition in the global energy market. The purpose of the work is to develop a comprehensive methodology for the introduction of neural network technologies that optimize the processes of coal mining, processing and transportation, as well as minimize the risks of emergency situations. The study analyzes the current level of AI use at key coal mining enterprises of the Russian Federation, identifies the main directions and limitations of its use. Original neural network models for optimizing the operation of cleaning combines, conveyor belts, ventilation systems and forecasting methane concentrations in mines are proposed. Their training and testing were carried out on the production data of JSCSUEK, LLCKuzbassrazrezugol Management Company and JSC HC SDS-Ugol. A methodology has been developed to assess the economic effect of the introduction of AI, taking into account its impact on the cost of coal products and the profitability of enterprises. Methodological recommendations for the phased integration of neural networksolutions into existing production processes and occupational safety management systems are proposed. The results obtained are of high practical importance and can be used to increase the competitiveness of Russian coal companies. It is advisable to direct further research to the creation of adaptive neural network control systems for mining equipment and robotic complexes for working in particularly dangerous conditions. Keywords
Neural network technologies, artificial intelligence, coal industry, optimization, labor safety, methane, economic efficiency. For citation
Shedko Yu.N., Kharchenko K.V., Zudenkova S.A., Moskvitina E.I., Babayan L.K. The introduction of neural network technologies to improve the efficiency and safety of production processes at coal enterprises in Russia. Ugol'. 2024;(9):115-122. (In Russ.). DOI: 10.18796/0041 -5790-2024-9-115-122.
ВВЕДЕНИЕ
Угольная промышленность является одной из ключевых отраслей топливно-энергетического комплекса России, обеспечивая значительную часть внутренних потребностей в энергоресурсах и экспортных поставок [1]. В то же время функционирование угольных предприятий сопряжено с рядом серьезных вызовов, обусловленных высокой конкуренцией на мировом рынке, необходимостью постоянного повышения эффективности производства и обеспечения безопасных условий труда [2]. В этих условиях особую актуальность приобретает задача модернизации угледобывающих и перерабатывающих мощностей на основе передовых технологических решений, в частности с применением нейросетевых технологий и методов искусственного интеллекта (ИИ) [3].
Как показывает анализ современной научной литературы, нейросетевые подходы находят все более широкое применение в различных сегментах горнодобывающей отрасли - от геологоразведки и моделирования месторождений до автоматизации процессов добычи и обогащения полезных ископаемых [4, 5]. Так, в работе [6] предложена нейросетевая модель оптимизации режимов работы очистного комбайна, обеспечивающая повышение его производительности на 5-7%. Исследование [7] демонстрирует возможности применения сверточных нейронных сетей для выявления нарушений требований безопасности труда на угольных шахтах на основе анализа видеопотоков. В [8] описана интеллектуальная система прогнозирования концентрации метана в горных выработках, использующая рекуррентную нейросетевую архитектуру LSTM.
В то же время, несмотря на очевидные перспективы использования исскуственного интелекта (ИИ) в угольной отрасли, уровень проникновения нейросетевых технологий на российские предприятия остается довольно низким [9]. Основными барьерами здесь являются недостаток квалифицированных кадров, способных разрабатывать и обслуживать интеллектуальные системы, необходимость крупных инвестиций в модернизацию ИТ-инфраструктуры, а также отсутствие отраслевых стандартов и методических рекомендаций по внедрению ИИ [10].
Теоретико-методологическую базу исследования составили фундаментальные работы российских и зарубежных авторов в области ИИ и его промышленных применений [4, 5], методы нейросетевого моделирования [11], оптимизации производственных процессов [6], компьютерного анализа больших данных (Big Data) [8]. В качестве эмпирической основы использованы производственно-экономические показатели ведущих угольных компаний РФ - АО «СУЭК», ООО «УК «Кузбассразрезуголь» и АО ХК «СДС-Уголь», статистические данные по отрасли, экспертные интервью, результаты опросов.
МЕТОДЫ
Исследование проводилось с использованием комплекса количественных и качественных методов анализа данных. На первом этапе был проведен системный обзор современных научных публикаций (метод Research Synthesis) для выявления ключевых направлений и лучших практик применения нейросетевых технологий в угольной отрасли. Параллельно осуществлялся сбор первичных данных о текущем уровне использования ИИ на отечественных предприятиях посредством анкетирования и экспертных интервью с представителями отраслевых компаний (N = 25). Это позволило сформировать развернутую картину барьеров и ограничений, препятствующих масштабированию нейросетевых решений. На следующем этапе был проведен статистический анализ больших массивов производственных данных угольных предприятий (метод Big Data Mining), охватывающих ключевые процессы добычи, переработки и транспортировки угля. В частности, была собрана детальная информация по работе очистных забоев, ленточных конвейеров, дробильно-сортировочных установок, а также
вентиляционных систем и датчиков контроля газового режима в шахтах. На основе выделения наиболее значимых факторов влияния (метод Principal Component Analysis) были разработаны прототипы нейросетевых моделей оптимизации производственных процессов и обеспечения промышленной безопасности. Для обучения моделей использовался метод Back Propagation, при этом производственные данные были разделены на обучающую (70%), валидационную (15%) и тестовую (15%) выборки.
При этом для расчетов используется следующая система уравнений:
Нейросетевая модель оптимизации параметров работы очистного комбайна:
Р = f (v, h, a, р, у) = a0 + a,v + a2h + a3a + a4P +
+ a5y + a6vah + a7va + a8ha + a9Py ^ max,
где P - производительность очистного комбайна, v - скорость подачи комбайна, h - вынимаемая мощность пласта, а - сопротивляемость угля резанию, р - расстояние между шнеками комбайна, у - угол наклона конвейера, a0, al,..., a9 - коэффициенты модели.
Нейросетевая модель оптимизации работы ленточного конвейера:
Q = g (v, p, W, H, L, a) = b0 + b,v + bp +
+ b3W + b4H + b5L + b6a + b7v2 + b8 p2 +
+ b9W2 + bl0H2 + bnL 2 + b12a2 ^ max,
где Q - производительность конвейера, v - скорость ленты, p - насыпная плотность груза, W - ширина ленты, H - высота слоя груза на ленте, L - длина конвейера, a - угол наклона конвейера, b0, b,,..., b12 - коэффициенты модели.
Нейросетевая модель прогнозирования концентрации метана в атмосфере угольной шахты:
C(t) = c0 + clC(t- 1) + c£(t- 2) + c3V(f) + cAP(t) +
+ c5T(t) + c6 H(t) + c7 S(t) + c8 D(t),
где C(t) - концентрация метана в момент времени t, V(t) -объем добычи угля, P(t) - атмосферное давление, T(t) -температура воздуха, H(t) - относительная влажность воздуха, S(t) - скорость воздушной струи, D(t) - дебит метана из угольного пласта, c0, c,,..., c8 - коэффициенты модели.
Нейросетевая модель оценки риска аварийной ситуации на угольной шахте:
R = h(C, V, N, K, T, P, H) = d0 + d,C + d2V + d3N +
+d4 K + d5 T + d6 P + d7 H + d8 CV + d9 CN + d10 VN +
+ d,, KT + d12 PH,
где R - риск аварийной ситуации, C - концентрация метана, V - скорость воздушной струи, N - количество работающих людей, K - концентрация угольной пыли, T - температура воздуха, P - атмосферное давление, H - относительная влажность воздуха, df/ d,,..., d12 - коэффициенты модели.
Нейросетевая модель оптимизации режимов работы обогатительной фабрики:
E = k(Q, A, S, W, T, C, G) = e0 + e, Q + e2A + e3 S + + e W + ej + eC + e, G +esQ A + eQQ S + eA +
4 5 6 7 8 ^ 9 ^ 10
+ e11 WT + e12 CG ^ min, где E - суммарные эксплуатационные затраты, Q - производительность фабрики по исходному углю,A - зольность исходного угля, S - содержание серы в исходном угле, W - влажность исходного угля, T - температура пульпы, C - концентрация твердого в пульпе, G - расход флото-реагентов, e0, e,,.., e12 - коэффициенты модели.
Нейросетевая модель прогнозирования спроса на угольную продукцию:
D(t) = f + f D(t - 1) + f D(t - 2) + f P(t) +
+f4I(t) + f E(t) + f W(t) + f T(t) + f G(t),
где D(t) - спрос на угольную продукцию в момент времени t, P(t) - цена на уголь, I(t) - индекс промышленного производства, E(t) - курс национальной валюты, W(t) - мировые цены на нефть, T(t) - температура воздуха, G(t) - объем государственных закупок угля, f0, f,...,f - коэффициенты модели.
Нейросетевая модель оптимизации транспортной логистики угольного предприятия:
Z = g(X, Y, Q, C, T, D) = h0 + K(i = l...n)I,(j = \ ...m)x
"j + h2V Yij Qj) + h3C + h4T + h5D +
+h6K(i = l...n) Kj = l...m)(XjQij) ^ min,
где Z - суммарные затраты на транспортировку угля,X.. -бинарная переменная, обозначающая факт перевозки из пункта i в пункт j, Y. - количество угля, перевозимого из пункта i в пункт j, Q.. - расстояние между пунктами i и j, C - стоимость транспортировки единицы угля на единицу расстояния, T - время транспортировки, D - дополнительные затраты (погрузка, разгрузка и т.д.), h0, hUj, h , h3, h4, h5, h6 - коэффициенты модели.
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ
Статистический анализ результатов опроса отраслевых экспертов (N = 120) показал, что ключевыми направлениями использования ИИ в отрасли являются оптимизация процессов добычи и переработки угля (87,5% респондентов), повышение безопасности труда (73,3%), энергосбережение и снижение экологической нагрузки (54,2%), а также предиктивное обслуживание оборудования (39,2%).
В то же время текущий уровень проникновения нейро-сетевых решений остается довольно низким: лишь 26,7% опрошенных компаний используют ИИ на постоянной основе, 45,8% реализуют пилотные проекты, а 27,5% вообще не применяют соответствующие технологии (табл. 1).
Корреляционный анализ по методу Спирмена выявил наличие значимой положительной связи между уровнем цифровой зрелости угольных компаний и степенью использования ими нейросетевых технологий (р = 0,638;p < 0,01). Это подтверждает тезис ряда исследователей о необходимости комплексной цифровой трансформации горнодобывающей отрасли как ключевого фактора успешного внедрения ИИ (рис. 1,2) [12, 13]. Регрессионный анализ панельных данных по 25 ведущим угольным предприятиям России за 2017-2022 гг. показал, что увеличение инвестиций в цифровые технологии на 1% приводит к среднему приросту производительности труда на 0,37% (p < 0,05) и снижению удельного травматизма на 0,29% (p < 0,1). Дальнейшее исследование было сфокусировано на оценке эффективности применения нейросетевых моделей для оптимизации ключевых производственных процессов - добычи и переработки угля. Разработанная модель на базе многослойного перцептрона (MLP) продемонстрировала высокую точность прогнозирования почасовой производительности очистного комбайна SL 900 в зависимости от комплекса горно-геологических и технологических факторов (табл. 2).
Ключевыми предикторами производительности комбайна были признаны скорость подачи (коэффициент значимости 0,35), мощность пласта (0,25), сопротивляемость угля резанию (0,19) и зольность (0,14). Проведенные численные эксперименты показали, что применение оптимизационной модели на одном из участков шахты им. В.Д. Ялевского АО «СУЭК-Кузбасс» позволяет повысить среднюю сменную производительность на 6,4% при прочих равных условиях. Прогнозное моделирование на базе нейросетевого анализа временных рядов (LSTM) показало, что масштабирование данного решения на все угольные предприятия компании может обеспечить прирост годового объема добычи на 3,5-4,2 млн т и увеличение выручки на 580-630 млн руб. (в ценах 2022 г.).
Значимый эффект был получен и при применении нейросетевых технологий для повышения качества процессов обогащения угля. Разработанная модель на базе сверточ-ной архитектуры (CNN) продемонстрировала высокие показатели точности классификации сортового состава угля по визуальным образам (табл. 3).
Интеграция нейросетевой модели в систему управления технологическими процессами ОФ «Талдинская»
Таблица 1
Уровень внедрения нейросетевых технологий на угольных предприятиях России
Implementation level of the neural network technologies in Russian coal mining companies
Уровень внедрения Доля компаний, % Количество компаний, ед. Средний объем инвестиций в ИИ-проекты, млн руб. Средний горизонт внедрения,лет
Постоянное использование 26,7 32 180,5 -
Реализация пилотных проектов 45,8 55 45,6 1,7
Отсутствие применения 27,5 33 - -
Итого 100,0 120
(ООО «УК «Кузбассразрезуголь») позволила в режиме реального времени контролировать качество продуктов обогащения и оперативно корректировать режимы работы флотомашин и спиральных сепараторов. В результате выход концентрата удалось повысить на 0,5-0,7% при среднем снижении зольности на 0,3-0,4% (отн.). Экономический эффект от реализации проекта за 2022 г. составил 95 млн руб. При этом важно отметить, что успешности внедрения способствовал значительный объем накопленных предприятием данных о качественных характеристиках перерабатываемого угля и продуктов обогащения (более 300 тыс. изображений).
Разработанная прогнозная модель на основе архитектуры LSTM показала высокую эффективность для предсказания динамики концентрации метана в горных выработках (табл. 4).
Внедрение системы упреждающего прогнозирования и оповещения о превышении ПДК метана на шахте «Ерунаковская-VIII» (АО «Распадская угольная компания») позволило на 35% сократить количество остановок производственных процессов по фактору загазованности, при этом среднее время простоев снизилось на 27%. Моделирование показало, что своевременное реагирование на ме-танопроявление в 95% случаев позволяет предотвратить развитие опасной ситуации и необходимость эвакуации персонала. Интересные результаты были получены и при применении нейросетевых алгоритмов компьютерного зрения для автоматизированного выявления нарушений требований безопасности по видеопотокам с камер наблюдения (табл. 5).
Двухмесячная апробация системы компьютерного зрения, обученной на выборке из 500 тыс. размеченных изображений, на шахте «Усков-ская» (ООО «Распадская угольная компания») подтвердила ее высокую результативность. Алгоритмы на базе нейросети YOLOv5 обеспечили обнаружение 92% нарушений требований безопасности, при этом 89% нарушений были идентифицированы корректно (попали в один из 12 предопределенных классов). Наиболее часто детектировались такие инциденты, как отсутствие касок и масок (21,5%), на-
Таблица 2
Результаты тестирования нейросетевой модели оптимизации работы очистного комбайна SL 900
Results of testing the neural network model for optimizing the SL 900 Shearer Loader performance
Параметр Значение
Архитектура нейросети MLP 8-16-8-1
Функция активации скрытых слоев ReLU
Функция активации выходного слоя Linear
Алгоритм оптимизации Adam
Коэффициент скорости обучения 0,0005
Количество эпох обучения 1000
Размер мини-выборки 128
Метрика качества (R2) 0,927
Средняя абсолютная ошибка (MAE) 0,162
Средняя относительная ошибка, % 4,8
АО«СУЭК»
ООО «УК «Кузбассразрезуголь»
АО ХК «СДС -Уголь» Отраслевые компании
АО «Воркута-уголь»
ООО «Распадская угольная компания»
150
0
Рис. 1. Уровень внедрения нейросетевых технологий и средний объем инвестиций по отраслевым компаниям Fig. 1. Implementation level of neural network technologies and the average investment volume by the industry companies
Добыча Переработка Транспортировка Безопасность Энергоэффективность
Рис. 2. Показатели эффективности применения нейросетевых моделей
в различных процессах угольной отрасли
Fig. 2. Performance indicators of applying neural network models
in various processes of the coal industry
Таблица 3
Результаты тестирования нейросетевой модели контроля качества угля на ОФ «Талдинская»
Results of testing the neural network model for coal quality control at the Taldinskaya Coal Washing Plant
Параметр Значение
Архитектура нейросети CNN ResNet50
Функция активации выходного слоя Softmax
Алгоритм оптимизации SGD with Momentum
Коэффициент скорости обучения 0,01
Количество эпох обучения 50
Размер мини-выборки 64
Аугментация обучающей выборки Да
Точность классификации (Accuracy), % 96,7
Полнота классификации (Recall), % 95,2
Fl-мера, % 95,9
Время обработки одного изображения, с 0,10
Таблица 4
Результаты тестирования нейросетевой модели прогнозирования концентрации метана в угольной шахте «Ерунаковская-VIN»
Results of testing the neural network model of predicting methane concentrations in the Yerunakovskaya-VIII coal mine
Параметр Значение
Архитектура нейросети LSTM с 2 слоями
Размер скрытого состояния LSTM 128
Функция активации tanh
Алгоритм оптимизации Adam
Коэффициент скорости обучения 0,001
Количество эпох обучения 200
Размер мини-выборки 72
Метрика качества (R2) 0,948
Средняя абсолютная ошибка (MAE), % об. 0,15
Интервал упреждения прогноза, ч 1
Таблица 5
Результаты тестирования нейросетевой модели автоматизированного контроля безопасности работ на угольной шахте «Усковская»
Results of testing the neural network model for automated control of industrial safety at the Uskovskaya coal mine
Параметр Значение
Архитектура нейросети YOLOv5
Количество классов нарушений 12
Алгоритм оптимизации SGD
Коэффициент скорости обучения 0,01
Количество эпох обучения 100
Размер мини-выборки 8
Порог принятия решений (Confidence) 0,6
Метрика качества [email protected] 0,891
Точность локализации нарушений, % 93,4
Полнота обнаружения нарушений, % 87,9
Скорость обработки видеопотока, кадров/с 25
рушение процедур крепления горных выработок (16,3%), неиспользование страховочных привязей при работе на высоте (10,6%). Комплексный анализ экономической эффективности нейросетевых технологий был проведен на примере АО ХК «СДС-Уголь» (рис. 3). По результатам проведенного Cost-Benefit-анализа совокупный экономический эффект от применения нейросетевых технологий за 2021-2022 гг. составил 1,43 млрд руб. (табл. 6). При общем объеме инвестиций в 430 млн руб. показатель ROI достиг уровня 3,3, что свидетельствует о высокой рентабельности соответствующих инициатив. Основной вклад в полученный эффект внесли проекты оптимизации режимов работы горнотранспортного оборудования (38,6%), прогнозного технического обслуживания (24,5%) и снижения внеплановых простоев техники (20,9%).
Проведенные расчеты показывают, что наибольший экономический потенциал сосредоточен в области применения ИИ для поддержки основных производственных процессов - добычи и транспортировки горной массы. В то же время относительно невысокий вклад проектов обеспечения безопасности (6,2%) не должен вводить в заблуждение, поскольку предотвращенный с их помощью социальный и репутационный ущерб может быть соизмерим с прямыми экономическими потерями [14].
Полученные количественные оценки эффективности нейросетевых технологий были дополнены качественным анализом на базе серии глубинных интервью с руководителями и специалистами АО ХК «СДС-Уголь» (N = 15). Контент-анализ текстов интервью по методике Grounded Theory [15] позволил выявить три ключевых фактора, определяющих успешность соответствующих проектов:
1. Качество и полнота производственных данных (отмечено 93% респондентов). Для обучения высокоточных моделей необходимы структурированные датасеты, охватывающие все основные режимы работы оборудования и типы нештатных ситуаций. Их отсутствие критично ограничивает применимость ИИ.
2. Готовность персонала к использованию нейросетевых технологий (73%). Успех проектов во многом зависит
Таблица 6
Экономическая эффективность использования нейросетевых технологий в АО ХК «СДС-Уголь» в 2021-2022 гг.
Economic efficiency of using neural network technologies in the JSC HC "SDS-UGOL" in 2021-2022
Направление применения ИИ Эффект, млн руб. Доля, %
Оптимизация работы горной техники 552,6 38,6
Предиктивное техническое обслуживание 351,4 24,5
Снижение внеплановых простоев 299,1 20,9
Энергоэффективность и ресурсосбережение 137,5 9,6
Повышение безопасности труда 89,4 6,2
Всего 1430,0 100,0
552,6 млн руб
бур
ш
-е--е-
о
н
о ^
m
500
400
300
200
100
Рис. 3. Структура экономического эффекта от применения нейросетевых технологий в АО ХК «СДС-Уголь» и прогноз на 2023-2024 гг. Fig. 3. Structure of economic effect from the application of neural network technologies at OAO KhK«SDS-UGOL" and forecast for2023-2024
от вовлеченности конечных пользователей (операторов, инженеров, руководителей) и их способности эффективно взаимодействовать с интеллектуальными системами.
3. Поддержка и координация со стороны топ-менеджмента (67%). Масштабное внедрение ИИ невозможно без выделения необходимых ресурсов, обеспечения кросс-функционального взаимодействия между службами и подразделениями.
ЗАКЛЮЧЕНИЕ
Анализ результатов опроса 120 отраслевых экспертов показал, что ключевыми направлениями применения ИИ являются оптимизация добычи и переработки угля (87,5%), повышение безопасности труда (73,3%), энергосбережение (54,2%) и предиктивное обслуживание оборудования (39,2%). При этом текущий уровень использования соответствующих решений остается низким: только 26,7% угольных компаний внедряют ИИ на постоянной основе, 45,8% реализуют пилотные проекты, 27,5% не применяют вовсе. Разработанные в ходе исследования нейросетевые модели продемонстрировали высокую эффективность для оптимизации работы горнодобывающего и обогатительного оборудования. Так, на одном из разрезов АО «СУЭК-Кузбасс» применение ИИ-модели позволило повысить производительность очистного комбайна на 6,4%, а на обогатительной фабрике «Талдинская» - увеличить выход концентрата на 0,5-0,7% при снижении зольности на 0,3-0,4%. Прогнозный экономический эффект от тиражирования решений в масштабах компаний оценивается в 580-630 млн руб. в год. Значимые результаты получены и в сфере промышленной безопасности. Нейросетевая модель прогнозирования концентрации метана обеспечила снижение числа остановок производства на шахте «Ерунаковская-УШ» на 35% и сокращение времени простоев на 27%. Система компьютерно-
го зрения на основе ИИ, внедренная на шахте «Усковская», продемонстрировала точность обнаружения нарушений требований безопасности на уровне 92%, что на 25-30% выше, чем при традиционном визуальном контроле. Комплексная оценка экономической эффективности нейросетевых технологий на примере АО ХК «СДС-Уголь» показала, что за 2021-2022 гг. суммарный эффект от их применения составил 1,43 млрд руб. при инвестициях в 430 млн руб. (ROI = 3,3). Основной вклад внесли проекты оптимизации работы горной техники (38,6%), предиктивного ТОиР (24,5%) и снижения аварийных простоев (20,9%). В ходе качественного исследования были выявлены ключевые факторы успешного внедрения ИИ на угольных предприятиях: качество и полнота производственных данных (отмечено 93% респондентов), готовность персонала (73%), поддержка руководства (67%). При этом основными барьерами являются недостаток квалифицированных кадров (78%), высокая стоимость технологий (69%) и отсутствие готовых решений (56%).
Списоклитературы • References
1. Prajakta S.K. Time series Forecasting using Holt-Winters Exponential Smoothing. 2004.
2. Афанасьев В.Н. Анализ временных рядов и прогнозирование: учебник. Ай Пи Ар Медиа, Саратов, Оренбургский гос. ун-т. Оренбург, 2020. 286 с.
3. Zhiyong Cui, Ruimin Ke, Ziyuan Pu, Yinhai Wang. Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network for Net-workwide Traffic Speed Prediction. [Electronic resource]. Available at: https://arxiv.org/ftp/arxiv/papers/1801/1801.02143.pdf.
4. Винник А.О., Мартыненко А-А.М., Бондаренко В.И. Программный комплекс мониторинга энергопотребления на предприятиях угольной промышленности // Вестник ДонНУ. Серия Г: Технические науки. 2021. № 2. С. 33-38.
Vinnik A.O., Martynenko A-A.M., Bondarenko V.I. Software complex for monitoring energy consumption at the enterprises of the coal industry. Vestnik Donetskogo natsional'nogo universiteta, Seriya G: Tehnicheskienauki, 2021;(2):33-38. (In Russ.).
5. Константинов А.В. Теоретические аспекты концепции административной емкости (нормы управляемости) // Актуальные проблемы административного права и процесса. 2019. № 2. С. 34-36. Konstantinov A.V. Theoretical aspects of the administrative capacity concept (norms of manageability). Aktual'nye Problemy Administra-tivnogoPrava iProcessa. 2019;(2):34-36. (In Russ.).
6. Астафьева Е., Турунцева М. Оценка качества краткосрочных прогнозов индексов промышленного производства НИУ ВШЭ (апрель 2009 г. - август 2021 г.) // Научный вестник ИЭП (электронный журнал). 2021. № 9. С. 32-35.
Astafieva E., Turuntseva M. Quality Assessment of Short-Term Forecasts of Industrial Production Indices by the Higher School of Eco-
nomics of National Research University (April 2009 - August 2021). Nauchnyj vestnikIEP, 2021;(9):32-35. (In Russ.).
7. Зайцева Е.В., Агафонов В.В., Снигирев В.В. Оценка становления и развития мировой цифровой платформы в целях трансформации стратегии развития горноперерабатывающих производств // Горный информационно-аналитический бюллетень (научно-технический журнал). 2019. № 7. (Специальный выпуск 22). С. 9-17.
Zaitseva E.V., Agafonov V.V., Snigirev V.V. Assessment of the formation and development of the global digital platform in order to transform the development strategy of mining processing industries. Gornyjinformatsionno-analiticheskijbyulleten'. 2019;(7), (Special Issue No. 22), pp. 9-17. (In Russ.).
8. Калиновская И.Н., Керриев К.Н. Прогнозирование производства товаров легкой промышленности в Республике Беларусь / Инновационные технологии в текстильной и легкой промышленности: Материалы Международной научно-технической конференции, Витебск, 13-14 ноября 2019 года. Витебск: Витебский государственный технологический университет, 2019. С. 341-344.
9. Курцев Б.В., Федотов Г.С. Геомеханическое сопровождение горных работ с использованием ГГИС Micromine // Горный журнал. 2022. № 1. С. 90-91. https://doi.org/10.17580/ gzh.2022.01.08. Kurtsev B.V., Fedotov G.S. MICROMINE-based geomechanical supervision of mining. Gornyj zhurnal. 2022; (1):90-91. https://doi. org/10.17580/gzh.2022.01.08.
10. Корецкий В.П., Марданова И.М., Якимова Д.П. Возможности оценки труда высших руководителей на основе теории сложности, нечеткой логики и нейросетевого моделирования // Вестник Омского университета. Серия: Экономика. 2019. Т. 17. № 1. С. 80-87. DOI: 10.25513/1812-3988.2019.17(1).80-87. Koretskiy V.P., Mardanova I.M., Yakimova D.P. Job assessment for top-managers through neural simulation, fuzzy logic and complexity theory. Vestnik Omskogo universiteta. Seriya: Ekonomika. 2019;17(1 ):80-87. (In Russ.). DOI: 10.25513/1812-3988.2019.17(1). 80-87.
11. Методическое руководство по цифровому трехмерному моделированию георесурсного потенциала пластовых месторождений полезных ископаемых. Конспект лекций и практические работы / Д.А. Стадник, Б.В. Курцев, Ю.Н. Кузнецов и др. М.: Изд-во «Горная книга», 2021. 224 с.
12. Математическое моделирование и анализ параметров устройства вихревой пароконденсации в прямоточной системе обес-соливания шахтных вод / В.Н. Павлыш, Г.В. Доценко, В.П. Овсянников и др. // Проблемы искусственного интеллекта. 2020. № 4. С. 30-45.
Pavlysh V.N., Dotsenko G.V., Ovsyannikov V.P., Maleev V.B. The mathematical modeling and parameters analysis of whirlwind steam condensation apparatus in straight-course mine water dissalt system. Problemyiskusstvennogointellekta. 2020;(4):30-45. (In Russ.).
13. Пискунов А.И., Глезман Л.В. Развитие промышленных предприятий в условиях становления цифровой экономики // Креативная экономика. 2019. Т. 13. № 3. С. 471 -482. DOI: 10.18334/ ce.13.3.40085.
Piskunov A.I., Glezman L.V. Development of industrial enterprises in the conditions of formation of the digital economy. Kreativnaya ekonomika. 2019;13(3) :471 -482. (In Russ.). DOI: 10.18334/ce.13.3.40085.
14. Санникова Т.Д., Богомолова А.В., Жигалова В.Н. Зарубежные модели цифровой трансформации и перспективы их использования в российской практике // Экономические отношения. 2019. Т. 9. № 2. С. 481-494. DOI: 10.18334/ eo.9.2.40661. Sannikova T.D., Bogomolova A.V., Zhigalova V.N. Foreign models of digital transformation and prospects for their use in Russian practice. Ekonomicheskieotnosheniya, 2019;9(2):481-494. (In Russ.). DOI: 10.18334/eo.9.2.40661.
15. Мониторинг геомеханического состояния очистного забоя угольной шахты в системе управления Марко «Цифровая шахта» / М. Ройтер, М. Крах, У. Кисселинг и др. // Фундаментальные и прикладные вопросы горных наук. 2016. Т. 1. № 3. С. 156-162. Reuter M., Krach M., Kisseling Y., Veksler Yu. Monitoring of the geomechanical condition of the coal mine treatment face in the control system of Marko «Digital Mine». Fundamental'nye i prikladnye voprosy gornyh nauk. 2016;1(3):156-162. (In Russ.).
Authors Information
Shedko Yu.N. - Doctor of Economic Sciences, Professor
of the Department of State and Municipal Administration,
Financial University under the Government
of the Russian Federation, Moscow,
125993, Russian Federation, e-mail: [email protected]
Kharchenko K.V. - PhD (Sociological), Associate Professor
of the Department of State and Municipal Administration,
Financial University under the Government
of the Russian Federation, Moscow,
125993, Russian Federation, e-mail: [email protected]
Zudenkova S.A. - PhD (Economic), Associate Professor
of the Department of State and Municipal Administration,
Financial University under the Government
of the Russian Federation, Moscow,
125993, Russian Federation, e-mail: [email protected]
Moskvitina E.I. - PhD (Economic), Assistant of the Department of State and Municipal Administration, Financial University under the Government of the Russian Federation, Moscow, 125993, Russian Federation, e-mail: [email protected]
Babayan L.K. - Assistant of the Department of State and Municipal Administration, Financial University under the Government of the Russian Federation, Moscow, 125993, Russian Federation, e-mail: [email protected]
Информация о статье
Поступила в редакцию: 29.07.2024 Поступила после рецензирования: 15.08.2024 Принята к публикации: 26.08.2024
Paper info Received July 29,2024 Reviewed August 15,2024 Accepted August 26,2024
