ارزیابی دینامیکی قابلیت اطمینان ماشین زغال‌تراش بارکننده در معادن زغالسنگ با استفاده از شبکه‌های بیزین

امانیان, نوشین; عطائی, محمد; سرشکی, فرهنگ; رحیم دل, محمد جواد

doi:10.22034/ijme.2025.2060944.2046

ارزیابی دینامیکی قابلیت اطمینان ماشین زغال‌تراش بارکننده در معادن زغالسنگ با استفاده از شبکه‌های بیزین

نوع مقاله : علمی - پژوهشی

نویسندگان

نوشین امانیان ¹

محمد عطائی ²

فرهنگ سرشکی ²

محمد جواد رحیم دل ³

¹ دانشجوی دکتری، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران

² استاد، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران

³ دانشیار گروه مهندسی معدن، پردیس مهندسی، دانشگاه بیرجند، بیرجند، ایران

10.22034/ijme.2025.2060944.2046

چکیده

تحلیل قابلیت اطمینان سیستم‌های بزرگ، پیچیده و سرمایه‌بر مانند شیررلودر معادن زغال‌سنگ اهمیت بسیاری دارد، زیرا این سیستم‌ها نقش حیاتی در عملکرد ایمن و پایدار معادن دارند. در این تحقیق، از روش‌های درخت خطا و شبکه بیزین برای ارزیابی قابلیت اطمینان شیررلودر معدن زغال‌سنگ طبس استفاده شده است. درخت خطا با شناسایی ترکیب رویدادهای منجر به خرابی، ابزار مناسبی برای مدل‌سازی است، اما در ارزیابی وابستگی‌های پیچیده و احتمالات شرطی با محدودیت‌هایی مواجه است. برای رفع این محدودیت‌ها، درخت خطا به شبکه بیزین تبدیل شده است. شبکه بیزین با مدل‌سازی احتمالاتی روابط علّی-معلولی بین متغیرها، امکان تحلیل دقیق‌تر و به‌روزرسانی‌های احتمالات را فراهم می‌کند. در این مطالعه، ابتدا درخت خطای شیررلودر برای شناسایی عوامل مؤثر در خرابی طراحی شد و سپس با نگاشت به شبکه بیزین، مزایای این مدل گرافیکی در انعطاف‌پذیری و تحلیل حساسیت بررسی شد. در نهایت، با استفاده از معیار اهمیت برنبام، اجزای بحرانی سیستم شناسایی و رتبه‌بندی شدند. نتایج نشان داد زیرسیستم الکتریکی با ۴۰٪ بیشترین سهم را در خرابی‌های شیررلودر دارد. موتور درام پس از ۱۱۰ ساعت و کل سیستم پس از ۱۴ ساعت عملکرد، قابلیت اطمینان خود را از دست می‌دهند. بنابراین، نگهداری پیشگیرانه این اجزا نقش مهمی در کاهش خرابی و توقف سیستم دارد.ترکیب این روش‌ها به‌عنوان ابزاری توانمند می‌تواند در تحلیل و بهبود قابلیت اطمینان سیستم‌های مهندسی استفاده شود و به بهینه‌سازی عملیات نگهداری و کاهش خرابی‌ها کمک کند.

کلیدواژه‌ها

معدنکاری زیرزمینی

روش جبهه‌کار طولانی

ماشین زغال‌تراش شیرر

ارزیابی قابلیت اطمینان

شبکه‌های بیزین

موضوعات

استخراج مواد معدنی و فضاهای زیرزمینی

عنوان مقاله English

Dynamic Reliability Assessment of Shear Loaders in Coal Mines Using Bayesian Networks

نویسندگان English

Nushin Amanian ¹

mohammad Ataei ²

Farhang sereshki ²

Mohmmad Javad Rahimdel ³

¹ PhD Student, Department of Mining Exploration, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology, Shahrood, Iran

² Professor, Department of Oil Exploration, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology, Shahrood, Iran

³ Associate Professor, Department of Mining Engineering, Engineering Campus, University of Birjand, Birjand, Iran

چکیده English

Reliability analysis of large, complex, and capital-intensive systems such as coal mine shearer loaders is of great importance because it ensures the safe and stable operation of these critical equipment in mines. In this regard, fault tree analysis and Bayesian network, have been considered. Fault tree, as a graphical tool, evaluates the reliability of the system by identifying the combination of events leading to failure; however, this method faces limitations in modeling probabilistic dependencies, complex relationships, and conditional probabilities. In order to overcome these limitations, fault tree has been transformed into Bayesian network. Bayesian network is a probabilistic graphical model that models the cause-effect relationships between variables in a probabilistic manner and allows for the consideration of uncertainties and complex dependencies. In this study, focusing on the Tabas coal mine shearer loader as one of the critical components in coal mines, first, its fault tree is presented to identify the factors affecting the failure. Then, by mapping this tree to the Bayesian network, advantages such as flexibility in updating probabilities, sensitivity analysis capability, and causal inference capability have been achieved. Finally, using the birnbaum importance measure, the critical components of the coal mine shearer loader were identified and ranked. The combination of fault tree and Bayesian network methods can be used as a powerful tool in comprehensive and accurate reliability analysis of engineering systems.

کلیدواژه‌ها English

Underground Mining

Longwall Method

Shearer

Reliability Analysis

Bayesian Networks

BayesFusion, L. L. C. (2017). Genie modeler. User Manual. Available Online: Https://Support. Bayesfusion. Com/Docs/(Accessed on 21 October 2019), 16, 30–32.

## Bobbio, A., Portinale, L., Minichino, M., & Ciancamerla, E. (2001). Improving the analysis of dependable systems by mapping fault trees into Bayesian networks. Reliability Engineering & System Safety, 71(3), 249–260.

## Catelani, M., Ciani, L., & Venzi, M. (2018). RBD model-based approach for reliability assessment in complex systems. IEEE Systems Journal, 13(3), 2089–2097.

## Čepin, M. (2011). Reliability Block Diagram. In M. Čepin (Ed.), Assessment of Power System Reliability: Methods and Applications (pp. 119–123). Springer. https://doi.org/10.1007/978-0-85729-688-7_9.

## Dhillon, B. S. (2022). Applied Reliability, Usability, and Quality for Engineers. CRC Press. https://www.taylorfrancis.com/books/mono/10.1201/9781003298571/applied-reliability-usability-quality-engineers-dhillon.

## Givehchi, S., & Heidari, A. (2018). Bayes networks and fault tree analysis application in reliability estimation (case study: Automatic water sprinkler system). Environmental Energy and Economic Research, 2(4), 325–341.

## Guetarni, I. H., Aissani, N., Châtelet, E., & Lounis, Z. (2019). Reliability analysis by mapping probabilistic importance factors into bayesian belief networks for making decision in water deluge system. Process Safety Progress, 38(2), e12011.

## Gupta, G., Mishra, R. P., & Jain, P. (2015). Reliability analysis and identification of critical components using Markov model. 2015 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), 777–781.

## Gupta, S., Ramkrishna, N., & Bhattacharya, J. (2006). Replacement and maintenance analysis of longwall shearer using fault tree technique. Mining Technology, 115(2), 49–58.

## Hadi Hoseinie, S., Ataei, M., Khalokakaie, R., Ghodrati, B., & Kumar, U. (2012). Reliability analysis of drum shearer machine at mechanized longwall mines. Journal of Quality in Maintenance Engineering, 18(1), 98–119.

## Hamza, Z., & Hacene, S. (2019). Reliability and safety analysis using fault tree and Bayesian networks. International Journal of Computer Aided Engineering and Technology, 11(1), 73. https://doi.org/10.1504/IJCAET.2019.096720.

## Jafari, M. J., Pouyakian, M., & Hanifi, S. M. (2020). Reliability evaluation of fire alarm systems using dynamic Bayesian networks and fuzzy fault tree analysis. Journal of Loss Prevention in the Process Industries, 67, 104229.

## Jensen, F. V., & Nielsen, T. D. (2007). Bayesian Networks and Decision Graphs. Springer New York. https://doi.org/10.1007/978-0-387-68282-2.

## Jiang, L., & Huang, S. (2022). Analyzing connectivity reliability and critical units for highway networks in high-intensity seismic region using Bayesian network. Journal of Infrastructure Intelligence and Resilience, 1(2), 100006.

## Jin, H., Wang, X., Xu, H., & Chen, Z. (2023). Reliability evaluation of electromechanical braking system of mine hoist based on fault tree analysis and Bayesian network. Mechanics & Industry, 24, 10.

## Jun, L., & Huibin, X. (2012). Reliability analysis of aircraft equipment based on FMECA method. Physics Procedia, 25, 1816–1822.

## Kabir, S., Taleb-Berrouane, M., & Papadopoulos, Y. (2023). Dynamic reliability assessment of flare systems by combining fault tree analysis and Bayesian networks. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 45(2), 4305–4322.

## Khakzad, N. (2019). System safety assessment under epistemic uncertainty: Using imprecise probabilities in Bayesian network. Safety Science, 116, 149–160.

## Langseth, H., & Portinale, L. (2007). Bayesian networks in reliability. Reliability Engineering & System Safety, 92(1), 92–108.

## Li, H., Soares, C. G., & Huang, H.-Z. (2020). Reliability analysis of a floating offshore wind turbine using Bayesian Networks. Ocean Engineering, 217, 107827.

## Naess, A., Leira, B. J., & Batsevych, O. (2009). System reliability analysis by enhanced Monte Carlo simulation. Structural Safety, 31(5), 349–355.

## Portinale, L., & Bobbio, A. (2013). Bayesian Networks for Dependability Analysis: An Application to Digital Control Reliability.

## Rahimdel, M. J. (2024). Bayesian network approach for reliability analysis of mining trucks. Scientific Reports, 14(1), 3415.

## Savas, B. (2018). Computational and Statistical Methods for Analysing Big Data with Applications. JSTOR. https://www.jstor.org/stable/45109434.

## Sawhney, R., Subburaman, K., Sonntag, C., Rao Venkateswara Rao, P., & Capizzi, C. (2010). A modified FMEA approach to enhance reliability of lean systems. International Journal of Quality & Reliability Management, 27(7), 832–855.

## Volkanovski, A., Čepin, M., & Mavko, B. (2009). Application of the fault tree analysis for assessment of power system reliability. Reliability Engineering & System Safety, 94(6), 1116–1127.

## Volovoi, V. (2004). Modeling of system reliability Petri nets with aging tokens. Reliability Engineering & System Safety, 84(2), 149–161.

## Weber, P., Medina-Oliva, G., Simon, C., & Iung, B. (2012). Overview on Bayesian networks applications for dependability, risk analysis and maintenance areas. In ENGINEERING APPLICATIONS OF ARTIFICIAL IN℡LIGENCE (Vol. 25, Issue 4, pp. 671–682).

## Xie, C., Huang, L., Wang, R., Deng, J., Shu, Y., & Jiang, D. (2022). Research on quantitative risk assessment of fuel leak of LNG-fuelled ship during lock transition process. Reliability Engineering & System Safety, 221, 108368. ##