Сравнение технологий мониторинга роликов

Данное работа является продолжением исследования «Системы мониторинга состояния роликов ленточных конвейеров: обзор», в котором были рассмотрены существующие технологии. В этом разделе проводится сравнительный анализ решений для мониторинга состояния роликов конвейеров с точки зрения возможностей обнаружения, простоты развертывания, стоимости и анализа данных, а также их применимости к наземным и подземным конвейерам.

Этот анализ охватывает показатели производительности, стратегии внедрения, практические преимущества, ограничения и экономические результаты, предоставляя ценные сведения для операторов горнодобывающих предприятий, стремящихся внедрить или улучшить свои программы предиктивного обслуживания.

Система “Умный ролик”, в частности, выделяется как наиболее передовой вариант, предлагающий комбинацию внутреннего мониторинга вибрации, температуры и износа оболочки ролика (на основе измерения RPM), в сочетании с аналитикой и прогностическими алгоритмами [13], [26]. Этот интегрированный подход обеспечивает раннее, точное обнаружение широкого спектра режимов отказа, что делает его наиболее всеобъемлющим и проактивным решением среди современных технологий [5], [21].

Фактор стоимости делится на первоначальные затраты на установку и эксплуатационные расходы. Сети беспроводных датчиков, устанавливаемых на раме, требуют приобретения сотен или тысяч датчиков – система RCM, например, может иметь датчик на каждую раму ролика (примерно один датчик на 3–4 ролика). Эти датчики обычно стоят более ста долларов каждый, плюс стоимость коллекторов данных и подписки на программное обеспечение. Таким образом, стоимость на один ролик может составлять порядка 40–70 долларов.

Умные ролики должны заменять существующие ролики – Vayeron заявляет о низкой стоимости единицы встроенной электроники, но хотя точные цифры не публикуются,  реальная стоимость системы, включая ролик и подписку на программное обеспечение, не может быть дешёвой. Тем не менее, с точки зрения общей стоимости владения, умные ролики могут стать очень конкурентоспособными по стоимости, особенно поскольку они автономны и исключают обслуживание. Волоконно-оптические системы DAS/DTS имеют высокую первоначальную стоимость для опросного устройства (сотни тысяч долларов за единицу), но сам волоконный кабель относительно дешев за метр, и одна система покрывает многие километры. Таким образом, для очень длинного конвейера волоконно-оптические решения могут быть экономически эффективными.

Тепловизионные камеры и роботы/дроны: высококачественная тепловизионная камера может быть дорогой (несколько тысяч долларов каждая), а платформа для дрона или робота может стоить десятки тысяч. Однако обычно требуется лишь несколько таких устройств (возможно, один дрон для всей операции или один робот на секцию конвейера). Робот Spidler, вероятно, очень дорог (большая специализированная машина плюс рельсы) – его использование, вероятно, оправдано только для критически важных конвейеров, где простой стоит миллионы [5]. Затраты на обслуживание (обсуждаемые далее) также влияют на общую стоимость владения.

Развертывание беспроводных датчиков RCM включает физическое крепление датчиков на многих роликах или рамах, что может быть трудоемким на начальном этапе [24]. Развертывание системы “Умный ролик” включает физическую замену существующих роликов на умные ролики с интегрированным датчиком Smart-Idler® во время планового обслуживания [26]. Что касается обслуживания RCM, датчики с батарейным питанием требуют периодической замены батарей (каждые 1-4 года в зависимости от использования). “Умный ролик” избегает этого благодаря автономному питанию, что является большим преимуществом – производитель заявляет срок службы модуля более 10 лет [12].

Предиктивная аналитика является сильной стороной таких систем, как “Умный ролик” и RCM – они загружают данные в облачное или локальное программное обеспечение, которое включает в себя отслеживание тенденций, прогностические алгоритмы и пользовательские панели управления [7], [12]. Эти платформы могут интегрироваться с системами обслуживания предприятия (выдавая рабочие наряды или оповещения). Волоконно-оптические системы также производят огромное количество данных и полагаются на алгоритмы распознавания; поставщики предоставляют программное обеспечение, которое фильтрует необработанные сигналы и представляет действенные оповещения (например, местоположение 3,2 км: обнаружена акустическая аномалия ролика). Более простые системы с пороговой температурой могут просто выдавать сигнал тревоги на ПЛК или в диспетчерскую при превышении порога [9], [15], [16]. Системы компьютерного зрения на основе ИИ являются ресурсоемкими по данным и обычно работают на мощном вычислительном оборудовании для анализа изображений; их интеграция все еще развивается, но они могут быть настроены на оповещение аналогичным образом (тревога или выделение на карте местоположения предполагаемой неисправности). В целом, возможности обработки данных варьируются от базовых пороговых сигналов тревоги до продвинутой предиктивной аналитики. Горноперерабатывающие предприятия все чаще предпочитают решения с богатой аналитикой – например, знание не только того, что ролик сейчас неисправен, но и того, какие ролики приближаются к отказу в следующем месяце. Многосенсорный подход “Умного ролика” явно направлен на прогнозирование отказов, а не только на их обнаружение [2], [5], [21], [26]. Возможность анализа данных является важнейшей частью решений СМС и часто определяет, насколько полезны необработанные данные датчиков для операторов рудников.

Подземные конвейеры

Подземные угольные конвейеры требуют искробезопасного или взрывозащищенного оборудования из-за наличия газа и пыли. Это является существенным преимуществом для решений, не требующих электропитания в производственных зонах. Волоконно-оптические системы DAS/DTS, с их опросным устройством, расположенным вне опасной зоны, обеспечивают непрерывное покрытие и потому хорошо подходят для угольных шахт [9]. Аналогично, ролики с датчиками температуры, такие как Küpper, могут быть разработаны как искробезопасные при использовании соответствующей проводки и барьеров (поскольку это маломощные датчики). Smart-Idler® явно отмечает, что он повышает безопасность за счет снижения риска пожара в подземных угольных шахтах [2] и способствует соблюдению регламентов [17]. Это свидетельствует о том, что он был разработан с учетом использования в опасных зонах. Применение дронов в подземных шахтах в настоящее время очень ограничено – навигация без GPS и риск воспламенения метана делают их непригодными в угольных шахтах. Инспекционные роботы могут использоваться под землей, но любая электроника/приводы должны быть разрешены, что обычно ограничивает широкое использование. Шахты со строгими правилами пожарной безопасности в значительной степени полагаются на температурный мониторинг (кабели DTS, плавкие предохранители и т.д.) – они проще и эффективны для узкой цели предотвращения пожара. Для всестороннего мониторинга состояния роликов под землей, для раннего предупреждения и для резервного пожарного оповещения также используются «умные» ролики.

При сравнении вариантов, горнодобывающие предприятия должны сбалансировать такие факторы, как точность по сравнению со сложностью, и стоимость по сравнению с выгодой. Высокоточные системы (вибрационные/акустические датчики, “Умный ролик”), как правило, стоят дороже изначально, но могут предотвратить дорогостоящие простои и повысить надёжность конвейера [5], тогда как более простые подходы (температурные сигнализации) дешевле, но лишь смягчают последствия катастрофических отказов. Легкость развертывания может определять целесообразность – волоконно-оптический кабель или дрон могут быть предпочтительны для существующего 20-километрового конвейера, тогда как новые конвейеры могут быть построены со встроенными умными роликами с первого дня, как это было сделано в проекте Dune Express [21]. Возможности анализа и интеграции данных одинаково важны: необработанные данные датчиков ценны только в том случае, если они преобразуются в четкую, действенную информацию.

В стремлении отрасли к предотвращению незапланированных простоев и повышению безопасности без участия оператора, мониторинг состояния играет решающую роль. Внедрение этих решений уже приносит пользу, сокращая число аварий по вине роликов и затраты на техническое обслуживание [18], [20]. В перспективе, дальнейшая интеграция данных датчиков (возможно, с использованием искусственного интеллекта для анализа вибрации, акустических, тепловых и визуальных сигналов) ещё больше повысит вероятность обнаружения отказов и надёжность оборудования в целом.

[1] M. J. Ibarra-Cabrera et al., “An IoT Solution to Detect Overheated Idler Rollers in Belt Conveyors,” IJACSA, 2024.

[2] Vayeron Pty Ltd., “Smart-Idler® Failure Detection Efficacy Analysis,” 2020.

[3] Delft University of Technology & Rulmeca Group, “Investigation of Smart Conveyor Idler Monitoring Technologies,” 2017.

[4] Liu, X.; Pang, Y.; Lodewijks, G.; He, D. Experimental research on condition monitoring of belt conveyor idlers. 2020.

[5] Anibal S. Morales, Pablo Aqueveque, Jorge A. Henriquez “Technology Review of Idler Condition Based Monitoring Systems,” 2017.

[6] Scott Automation, “Robotic Idler Predict System Whitepaper,” 2023.

[7] Micomo Pty Ltd., “Roller Condition Monitoring (RCM) System Description and Case Studies,” 2014.

[8] P. Dabek et al., “Automatic Detection of Overheated Idlers Using IR and RGB Imaging,” 2022.

[9] Yokogawa Electric Corp., “Fiber Optic DTS for Conveyor Fire Prevention,” 2013.

[10] Artur Küpper GmbH & Co. KG, “Sensor-Integrated Idler Roller Development,” 2019.

[11] Mining3, “Conveyor belt monitoring for wear detection,” 2023.

[12] Smartidler.com, “Technical specifications and product pages.”

[13] Vayeron Pty Ltd, “An idler, a method for monitoring a plurality of idlers, and a conveyor system”, AU2014/050246, Australia, 2015

[14] Vayeron Pty Ltd., “Smart Idler – Effect on Project Economics,” Vayeron, 2025.

[15] Hawkfiber.com / Hawk Measurement, “Fiber-based conveyor sensing.”

[16] Hawk Measurement Systems, “Conveyor Fire Prevention via Thermal Sensing,” 2020.

[17] Australian Government, “Underground Conveyor Safety Standards AS 1755,” 2020.

[18] Rio Tinto, “Smart Idler Rollout and Maintenance Savings,” Case Study, 2018.

[19] J. Widodo and B. Yang, “A review of vibration and acoustic measurement methods for monitoring rolling element bearing condition,” Mechanical Systems and Signal Processing, July 2011.

[20] Glencore, “Underground Coal Mine,” Case Study, 2019.

[21] Paul Moore, Head to Tail, International Mining, February, p.46-63, 2024.

[22] Sandpit Innovation Pty Ltd, Lewis Australia Pty Ltd, “Conveyor Belt Roller Replacement”, WO2013138841, Australia, 2013.

[23] K.R. Thieme, Report: “Economic Justification of Automated Idler Roll Maintenance Applications in Large-Scale Belt Conveyor Systems”, Delft University of Technology, Netherlands, 2014.

[24] Intium Energy Limited, “Vibration detection system, apparatus and method”, WO 2012122597 A1 | PCT/AU2012/000263, Australia, 2012.

[25] Ben Yang Yang, “Fibre Optic Conveyor Monitoring System”, MSc degree thesis, The University of Queensland, Australia, 2014.

[26] Industrial Technologies Supply, itecsu.com, “Remote conveyor rollers monitoring system – Smart-Idler, Interview with Mark Walter at IMARC”, 2023

[27] Siami-Namini, S., et al., ‘Deep learning for conveyor idler fault detection using YOLOv5,’ Conference, 2022.

[28] M. Kang, S. Lee, and J. Kim, “Acoustic-based fault diagnosis for rotating machinery in noisy environments using cyclostationary analysis,” Mechanical Systems and Signal Processing, 2020.

[29] A. Morales, S. Seshadri, and J. Brayan, “Acoustic emission-based condition monitoring of conveyor idler rollers using mobile robots,” IEEE Transactions on Industry Applications, pp. 2639–2647, May–June 2017.

[30] SKF Group, “SKF Idler Sound Monitor Kit: Field evaluation of conveyor idler condition using ultrasonic listening technology,” SKF Mining Industry Solutions, 2019.