Polski
Angielski
Zastosowanie czujników IMU i uczenia maszynowego do oceny warunków pracy systemu odstawy taśmowej w kopalni
Data: Wtorek 24.02.2026
Sesja: Nowe techniki i technologie w podziemnej eksploatacji złóż cz. II
Godzina/Sala: 11:00 - 11:15 - D
Tytuł: Zastosowanie czujników IMU i uczenia maszynowego do oceny warunków pracy systemu odstawy taśmowej w kopalni
Title: Horizontal transport is a critical component of the production process in underground mining operations. With the ever-expanding reach of underground mines, continuous adaptation of equipment and work organization to dynamically changing operational conditions is essential for optimal equipment usage. This includes selecting appropriate configurations for wheeled loading and haulage machinery responsible for transporting material from production faces to transfer points. Effective process optimization requires tools that not only facilitate an understanding of current operations but also enable the adjustment of workflows to ensure the targeted tonnage is transported within a specified time frame, while minimizing energy expenditure. Key challenges to efficiency, aside from random operational incidents, include equipment downtime caused by traffic bottlenecks on haul roads and machines idling while waiting for loading. Data from existing SCADA systems and IoT sensors such as NGIMU proposed in the article provide essential information, from which equipment utilization metrics and numerical tracking of material flow within the transport network can be extracted. This article presents an example of the use of data recorded from NGIMU sensors located on machines and applying various techniques, including machine learning to address these challenges. Additionally, the use of reporting tools in a GIS environment is demonstrated to further enhance process visualization and decision-making.
Transport poziomy stanowi kluczowy element procesu produkcyjnego w podziemnych zakładach górniczych. Wraz z nieustannym poszerzaniem zasięgu kopalń podziemnych, konieczna jest ciągła adaptacja sprzętu oraz organizacji pracy do dynamicznie zmieniających się warunków eksploatacyjnych, aby zapewnić optymalne wykorzystanie maszyn. Obejmuje to dobór odpowiednich konfiguracji maszyn ładujących i transportujących, które odpowiadają za przewóz urobku z przodków do punktów przeładunkowych. Skuteczna optymalizacja procesu wymaga narzędzi, które nie tylko ułatwiają zrozumienie bieżącej pracy systemu, ale także umożliwiają dostosowanie organizacji pracy tak, aby zakładana ilość urobku została przetransportowana w określonym czasie przy minimalnym zużyciu energii. Główne wyzwania w utrzymaniu efektywności, poza przypadkowymi zdarzeniami eksploatacyjnymi, obejmują przestoje sprzętu spowodowane zatorami na trasach transportowych oraz przestoje maszyn oczekujących na załadunek.
Dane z istniejących systemów SCADA oraz czujników IoT, takich jak NGIMU proponowany w artykule, dostarczają kluczowych informacji, na podstawie których można wyznaczać wskaźniki wykorzystania maszyn oraz ilościowo śledzić przepływ urobku w sieci transportowej. W artykule przedstawiono przykład wykorzystania danych rejestrowanych przez czujniki NGIMU zainstalowane na maszynach oraz zastosowania różnych technik, w tym uczenia maszynowego, w celu rozwiązania wspomnianych problemów. Dodatkowo zaprezentowano zastosowanie narzędzi raportowych w środowisku GIS, które dodatkowo wspomagają wizualizację procesu i podejmowanie decyzji.
