Применения алгоритмов машинного обучения для повышения эффективности использования горной техники

АННОТАЦИЯ

В статье рассматривается возможность использования алгоритмов машинного обучения на горнотранспортном оборудовании. Рассматривается задача, связанная со снижением издержек и оптимизацией использования такого оборудования через повышение эффективности его использования. Рассматриваются системы диспетчеризации на горном предприятии (на примере системы диспетчеризации горнотранспортного комплекса «КАРЬЕР»), а также список данных о работе оборудования, которые могут храниться в базах данных.  Приводится определение машинного обучения как такового и примеры его использования.  Ставится задача применения алгоритмов машинного обучения для повышения эффективности использования горного оборудования – автосамосвалов. Приводится описание и пример использования модели персептрона для предсказания периода работы без простоев из-за ремонтов на основе классификации таких периодов работы. Приводится описание обучающих данных, а также способ генерации этих данных из базы данных. Рассматриваются полученные результаты использования модели персептрона, делается вывод о возможности использования именно этой модели в задачах машинного обучения, а также общий вывод об использовании алгоритмов машинного обучения для решения поставленной задачи.

ABSTRACT

The article deals with the use of machine learning algorithms at mining transport equipment. The task connected with costs reduction and optimization of such equipment use by improving its use efficiency is considered. Dispatching systems at the mining company (based on the example of the dispatch system of mining-transport complex "KAR'ER") are considered as well as a list of the equipment data that can be stored in databases. A proper definition of machine learning and examples of its use are given. The objection of machine learning algorithms application is set to improve the utilization of mining equipment - dump trucks. A description and an example of perceptron model use to predict the period of operation without downtime due to repairs on the basis of the classification of such periods of work are presented. The description of the training data and a method of generating this data from the database is shown. Obtained results of using the perceptron model are introduced; the conclusion about the possibility of this model use in machine learning tasks is made as well as a general conclusion of machine learning algorithms use for solving this problem.