Управление и автоматизированный мониторинг электромеханических систем ленточных конвейеров
Автор: Ю.Н. Кожубаев, А.Р. Ахметов, И.А. Петров
Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc
Рубрика: Машиностроение и машиноведение
Статья в выпуске: 3 т.28, 2026 года.
Бесплатный доступ
В настоящее время внедрение систем предиктивного обслуживания (Predictive Maintenance) для промышленного оборудования, в частности ленточных конвейеров, сдерживается сложностью технической реализации и необходимостью адаптации решений под конкретные технологические процессы. Существующие методы часто требуют глубоких знаний в области вибродиагностики или значительных вычислительных мощностей. Актуальность исследования обусловлена необходимостью разработки доступных и эффективных инструментов мониторинга, способных выявлять неисправности (разрыв петель, провисание цепи) на ранних стадиях без остановки производства. Целью работы является разработка и апробация системы прогностического обслуживания для изогнутой конвейерной ленты, основанной на концепции цифрового двойника и методах машинного обучения. Экспериментальные исследования проводились на лабораторной установке, оснащенной комплексом датчиков (акселерометры, микрофоны, датчики тока). Сбор данных осуществлялся с высокой частотой дискретизации (51,2 кГц) с последующей понижающей передискретизацией до 10 кГц методом линейной интерполяции для оптимизации вычислительных затрат. Для анализа данных и классификации состояний («норма», «неисправность») применялись и сравнивались четыре алгоритма машинного обучения: случайный лес (Random Forest), логистическая регрессия, метод опорных векторов (SVM – Support Vector Machine) и деревья решений. Обучение и тестирование моделей проводилось на комбинированном наборе данных с разделением в пропорции 80% на 20%.
Ленточный конвейер, моделирование, управление, предиктивное обслуживание
Короткий адрес: https://sciup.org/148333837
IDR: 148333837 | УДК: 658.562 | DOI: 10.37313/1990-5378-2026-28-3-227-235
Control and Automated Monitoring of Electromechanical Belt Conveyor Systems
Current implementation of Predictive Maintenance systems forindustrial equipment, particularly belt con-veyor systems, is hindered by technical complexity and the necessity of adapting solutions to specific technological processes. Existing methods often require profound knowledge in vibration diagnostics or substantial computational resources. The relevance of this researchis justified by the urgent need to de-velop accessible and efficient monitoring tools capable of detecting faults (loop breakage, chain sagging) at early stages without production shutdown. The aim of this work is to develop and validate a predictive maintenance system for curved belt conveyors based on the concept of a digital twin and machine learning methods. Materials and methods. Experimental investigations were conducted on a laboratory test rig equipped with a comprehensive sensor array (accelerometers, microphones, current sensors). Data acquisition was performed at high sampling frequency (51.2 kHz), followed by downsampling to 10 kHz using linearinter-polation to optimize computational costs. For data analysis and condition classification («normal» vs. «fault»), four machine learning algorithms were implemented and compared: Random Forest, logistic regression, support vector machines (SVM), and decision trees. Model training and testing were performed on a combined dataset with 80/20 train-test split ratio.
