Реклама. ООО «Форк ИТ», ИНН 7718177230
erid: F7NfYUJCUneVfS3ce2W8
В условиях текущих экономических ограничений, роста стоимости горнодобывающей техники и заёмного капитала расширение парка машин является для многих предприятий крайне затруднительным. В связи с этим приоритетной задачей становится не количественное увеличение ресурсов, а повышение эффективности эксплуатации имеющихся активов. Текущий коэффициент использования оборудования (КИО) на ряде предприятий зачастую не превышает 47–50 %, что свидетельствует о значительном резерве роста за счёт оптимизации процессов. При этом среднее время ожидания погрузки в 3–4 минуты на рейс указывает на системные недостатки в процессах диспетчеризации.
Цифровизация транспортных процессов сегодня рассматривается как стратегическое направление развития отрасли. Экспертное сообщество сходится во мнении: внедрение продвинутых модулей оптимизации целесообразно только после стабилизации базовых систем управления.
Вместе с тем на практике сохраняется фундаментальная проблема: отсутствие объективной методики оценки эффективности самого диспетчерского управления. Выполнение плана по объёму добычи само по себе не является индикатором качества работы диспетчера, так как условия смены (доступность техники, состояние дорог, сложность забоев) могут радикально отличаться от плановых. Без учёта этих факторов оценка работы персонала становится субъективной и демотивирующей. Настоящая статья предлагает подход к решению этой проблемы через использование существующих на предприятии инструментов планирования для ретроспективной оценки.
Традиционная система оценки работы диспетчерского персонала на большинстве предприятий строится вокруг двух показателей: выполнения плана по объёму перевозок и соблюдения графика. Однако эти метрики не позволяют ответить на ключевые вопросы. Насколько эффективно диспетчер использовал имеющийся парк? Мог ли он достичь лучшего результата при данных условиях? Какие решения были оптимальными, а какие — ошибочными?
При оценке влияния персонала на показатели эффективности в отрыве от технологического процесса неизбежно возникают ошибки интерпретации. Диспетчер, работающий в условиях высокой доли техники в ремонте или на участках с повышенной сложностью дорожной сети, заведомо находится в неравных условиях с коллегой, чей парк исправен, а плечи перевозки минимальны. Сравнение результатов таких смен по валовым показателям некорректно.
Более того, существующие инструменты контроля фиксируют факт (количество рейсов, тоннаж, время простоя), но не отвечают на вопрос, какой результат был возможен при данных условиях.
Проблему усугубляет разрозненность учёта простоев. Например, выезд бульдозера для выравнивания дороги может инициировать цепочку событий: реверсивное движение, накопление группы самосвалов к экскаватору, простой погрузочной техники, а затем — одновременное прибытие группы машин под экскаватор и возникновение очереди ожидания погрузки. В стандартных производственных отчётах эти события фиксируются как разрозненные простои. Без инструментария, способного объединять такие события по первопричине, проведение полноценного факторного анализа становится практически невозможным.
Описываемый подход предполагает использование принятых на предприятии калькуляторов недельно-суточного графика производства в новом качестве — как инструмента расчётно-достижимой оценки.
Методика заключается в следующем: по окончании смены в плановый калькулятор подставляются не прогнозные, а фактические параметры прошедшей смены: доступный парк оборудования (с учётом всех выбытий), плечи транспортирования, категории забоев. Калькулятор определяет расчётно-достижимую производительность — объём работ, который мог бы быть выполнен при данных условиях при оптимальном управлении.
Далее рассчитывается коэффициент достижения как отношение фактической производительности к расчётно-достижимой. Расчёт ведётся по двум осям:
1) достижение расчётного потенциала транспортной техники (эффективность использования самосвалов);
2) достижение расчётного потенциала погрузочной техники (эффективность использования экскаваторов).
Эти два показателя находятся в технологическом противоречии. Регрессионный анализ данных за длительный период показывает наличие обратной линейной зависимости: повышение достижения потенциала транспортной техники ведёт к снижению достижения возможностей экскаваторного парка, и наоборот. Это объясняется физикой процесса: при дефиците самосвалов минимизируется время их ожидания под погрузкой, но растёт время простоя экскаваторов без машин. При избытке транспорта ситуация зеркальна.
Построение регрессии за длительные периоды (как до внедрения систем оптимизации, так и после) — позволяет усреднить случайные вариации условий и объективно выявить прирост эффективности, обусловленный именно качеством диспетчерского управления. Такой подход переводит оценку из плоскости «выполнил / не выполнил» в плоскость «насколько эффективно использованы имеющиеся ресурсы».
Важно отметить, что требование обязательной оценки эффективности применимо не только к итогам смены, но и к каждому отдельному решению о перенаправлении техники. Это позволяет не только агрегировать эффективность за смену, но и выявлять конкретные моменты, где диспетчерские решения были наиболее или наименее эффективными. Появляется возможность формировать обратную связь по каждому действию, что существенно повышает обучаемость персонала.
Однако на практике диспетчеры часто испытывают недоверие к рекомендациям автоматизированного оптимизатора, особенно если предлагаемое решение неочевидно или противоречит их интуитивному опыту. Основная причина здесь —
отсутствие интерпретации: диспетчер видит конечный результат (например, перенаправление самосвала на другой экскаватор), но не понимает логики, по которой это решение было принято. Без расшифровки мотивов алгоритма у оператора формируется ощущение «чёрного ящика», что снижает готовность следовать рекомендациям и, как следствие, уменьшает практическую пользу от внедрения системы.
Именно поэтому компания «ФОРК ИТ» в разработанном модуле сделала акцент на прозрачности обоснования решений. Каждое перенаправление техники сопровождается детализированным расчётом ожидаемого эффекта: прогнозируемым сокращением простоев, изменением загрузки экскаваторов и транспортных единиц, а также сравнительной оценкой альтернативных вариантов.
Все расчёты представляются в наглядной форме, доступной для оперативного просмотра диспетчером. Такой подход обеспечивает высокую «приживаемость» инструмента: персонал не только доверяет системе, но и начинает использовать её аналитические подсказки как основу для собственных решений, что постепенно повышает общий уровень диспетчерской компетенции.
На базе описанной методики был создан модуль оптимизации горнотранспортного оборудования (разработка ООО «ФОРК ИТ»). В настоящее время решение находится на этапе опытно-промышленной эксплуатации на трёх крупных предприятиях (золотодобывающих и угольных карьерах), охватывая более 250 единиц техники.
Модуль реализует следующие ключевые функции:
Модуль предоставляет диспетчеру три уровня аналитики:
Опытно-промышленная эксплуатация подтверждает эффективность предложенного подхода. По итогам работы на опытных группах техники зафиксированы следующие показатели.
Важно подчеркнуть, что прирост производительности не связан с изменением технологических параметров (например, увеличением плеча откатки), а достигнут исключительно за счёт оптимизации диспетчерских решений.
Снижение влияния человеческого фактора также подтверждено количественно: при сопоставлении решений, принятых алгоритмом и диспетчером самостоятельно, превосходство оптимизатора составило 79% случаев. Это означает, что в четырёх из пяти ситуаций математически обоснованное распределение техники оказывается более эффективным, чем решение оператора.
Разработанный модуль является базовым элементом системы. Дальнейшее развитие цифрового управления ГТК видится в двух направлениях.
Во-первых, интеграция модулей управления вспомогательными технологическими операциями (заправкой, обедами, пересменками, внутрисменным техобслуживанием). Опыт эксплуатации показывает, что оптимизация только производственного цикла без планирования и учёта временного выбытия техники на эти операции создаёт дисбаланс в работе ГТК. Управление совокупностью таких процессов должно стать стандартом для систем интеллектуальной диспетчеризации, обеспечивая комплексное покрытие всех фаз работы оборудования.
При этом критически важным условием успешной интеграции является типизация и оцифровка взаимодействия между диспетчером и оператором техники по вопросам оперативного планирования простоев. В настоящее время на многих предприятиях согласование времени выхода на заправку, обед или техническое обслуживание осуществляется по радиообмену — в вербальной, неструктурированной форме. Такая информация не фиксируется в цифровых системах в режиме реального времени, и, следовательно, становится недоступной для оптимизационного модуля. В результате алгоритм продолжает строить прогнозы, исходя из предположения о непрерывной работе единицы техники, тогда как фактически она уже выведена из процесса. Это приводит к систематическим сбоям рассчитанных сценариев — возникают неучтённые простои, нарушается баланс потоков, и эффективность оптимизации резко снижается.
Для устранения этого барьера компания «ФОРК ИТ» внедряет специализированный интерфейс запроса и согласования простоев через мобильный планшет оператора техники. В несколько касаний он формирует заявку на планируемое выбытие с указанием типа, длительности и приоритета операции, после чего диспетчер утверждает её или корректирует в единой системе. Модуль оптимизации получает эти данные в реальном времени и автоматически перестраивает планы распределения, минимизируя негативные последствия. Такой подход не только повышает точность прогнозов, но и создаёт единое информационное поле для всех участников процесса, снижая число конфликтных ситуаций и повышая дисциплину выполнения регламентов.
Во-вторых, автоматизация группировки потерь по первопричине. Целью является создание инструмента, который будет не просто фиксировать простой, а объединять цепочку событий (от выезда вспомогательной техники до образования очереди) в общий «инцидент» с расчётом его стоимости. Это позволит переходить от борьбы с симптомами к устранению корневых причин технологических потерь.
В-третьих, использование потенциала нейросетевых алгоритмов для поиска неочевидных многофакторных закономерностей в больших массивах данных о работе ГТК. Современные нейросети способны выявлять скрытые зависимости между, казалось бы, не связанными параметрами,например, влиянием метеоусловий на износ дорог и, как следствие, на производительность транспорта или корреляцию между стилем работы конкретного экскаваторщика и частотой простоев. Эти закономерности часто не фиксируются классическими статистическими методами, и их обнаружение может дать дополнительный рычаг для повышения эффективности.
Однако при внедрении нейросетевых компонентов важно сохранить интерпретируемость принимаемых решений. Проблема «чёрного ящика» остаётся одной из главных в индустрии искусственного интеллекта: Поэтому дальнейшие разработки должны строиться на гибридных подходах, где нейросетевые модели используются для выявления паттернов и генерации гипотез, а финальные рекомендации проходят через интерпретируемые логические блоки, обеспечивающие прозрачность обоснования для диспетчера. Только такой баланс между мощью современных алгоритмов и понятностью их работы позволит добиться устойчивого принятия решений в реальных производственных условиях.
Предложенная методика и программный модуль представляют собой системный подход к повышению эффективности открытых горных работ. Вместо внедрения принципиально новых, часто несовместимых с текущими процессами инструментов, предлагается модернизация существующих: применение плановых калькуляторов для ретроспективной оценки.
Сочетание новой методики с автоматизированным инструментом позволяет обеспечить:
1) объективность и воспроизводимость оценки, независимой от внешних условий;
2) прозрачность критериев эффективности для персонала;
3) возможность количественного подтверждения эффекта от цифровизации через регрессионный анализ.
В условиях ограниченного доступа к расширению парка техники именно повышение качества управления имеющимися ресурсами остаётся главным резервом роста производительности горнодобывающих предприятий.
Текст: Евгений Грабар, Анастасия Тимошенко, ООО «Форк ИТ»
forkit.ru
info@forkit.ru
тел. +7 925 006 41 25
624090, Свердловская обл., г. о. Верхняя Пышма, г. Верхняя Пышма, ул. Орджоникидзе, д.22
Вернуться в обзор выставки "Уголь России и Майнинг 2026"
Спасибо!
Теперь редакторы в курсе.