Jump to ContentJump to Main Navigation
Show Summary Details
More options …

Archives of Mining Sciences

The Journal of Committee of Mining of Polish Academy of Sciences

4 Issues per year


IMPACT FACTOR 2016: 0.550
5-year IMPACT FACTOR: 0.610

CiteScore 2016: 0.72

SCImago Journal Rank (SJR) 2016: 0.320
Source Normalized Impact per Paper (SNIP) 2016: 0.950

Open Access
Online
ISSN
1689-0469
See all formats and pricing
More options …

CONDITION MONITORING OF OFF-HIGHWAY TRUCK TIRES AT SUNGUN COPPER MINE USING NEURAL NETWORKS / MONITOROWANIE STANU TECHNICZNEGO OPON W CIĘŻKICH POJAZDACH TERENOWYCH EKSPLOATOWANYCH W KOPALNI MIEDZI SUNGUN, PRZY UŻYCIU SIECI NEURONOWYCH

Amin Moniri Morad / Javad Sattarvand
Published Online: 2014-01-22 | DOI: https://doi.org/10.2478/amsc-2013-0077

Abstract

Maintenance cost of the equipment is one of the most important portions of the operating expenditures in mines; therefore, any change in the equipment productivity can lead to major changes in the unit cost of the production. This clearly shows the importance and necessity of using novel maintenance methods instead of traditional approaches, in order to reach the minimum sudden occurrence of the equipment failure. For instance, the tires are costly components in maintenance which should be regularly inspected and replaced among different axles. The paper investigates the current condition of equipment tires at Sungun Copper Mine and uses neural networks to estimate the wear of the tires. The Input parameters of the network composed of initial tread depth, time of inspection and consumed tread depth by the time of inspection. The output of the network is considered as the residual service time ratio of the tires. The network trained by the feed-forward back propagation learning algorithm. Results revealed a good coincidence between the real and estimated values as 96.6% of correlation coefficient. Hence, better decisions could be made about the tires to reduce the sudden failures and equipment breakdowns.

Streszczenie

Koszty użytkowania sprzętu stanowią jedną z najpoważniejszych pozycji w zestawieniu kosztów eksploatacyjnych kopalni, dlatego też każda poprawa wydajności sprzętu powoduje w efekcie zmianę jednostkowego kosztu produkcji. Wyraźnie pokazuje to wagę i konieczność stosowania nowoczesnych metod eksploatacji w miejsce podejścia tradycyjnego w celu minimalizacji ryzyka wystąpienia awarii sprzętu. Przykładowo, opony są elementami kosztownymi w eksploatacji, wymagają regularnego przeglądu i ponownego mocowania na osi. W artykule przebadano stan techniczny opon w maszynach i urządzeniach eksploatowanych w kopalni miedzi Sungun. Przy zastosowaniu metod wykorzystujących sieci neuronowe określano zużycie opon. Parametry wejściowe sieci to początkowa głębokość bieżnika, okres pomiędzy przeglądami, zużycie bieżnika do czasu przeglądu. Parametr wyjściowy to współczynnik określającyczas serwisowania opon. Sieć uczono przy użyciu algorytmu propagacji wstecznej z wyprzedzeniem (feedforward back-propagation algorithm). Uzyskane wyniki wskazują wysoką zbieżność pomiędzy wartościami rzeczywistymi a estymowanymi, współczynnik korelacji kształtuje się na poziomie 96.6%. Umożliwia to podejmowanie lepszych decyzji w odniesieniu do eksploatacji opon, tak by zapobiec nagłym uszkodzeniom i awariom sprzętu.

Keywords : Maintenance; Cost Optimization; Truck Tire; Artificial Neural Network

Słowa kluczowe : eksploatacja; optymalizacja kosztów; opona ciężarówki; sztuczne sieci neuronowe

  • Abou-Ali M.G., Khamis M., 2003. TIREDDX: an integrated intelligent defects diagnostic system for tire production and service. Expert Systems with Applications 24(3): 247-259.Google Scholar

  • Adetan D.A., Oladejo K. A., Fasogbon S. K., 2008. Redesigning the manual automobile tyre bead breaker. Technology in Society 30(2): 184-193.Google Scholar

  • Al-Garni A.Z., Jamal A., Ahmad A. M., Al-Garni A. M., Tozan M., 2006. Neural network-based failure rate prediction for De Havilland Dash-8 tires. Engineering Applications of Artificial Intelligence 19(6): 681-691. Google Scholar

  • Coast Tire & Auto Service, 2004. Visited May 2012, from http://www.coasttire.com/tires/tires.asp.Google Scholar

  • Coast Tire & Auto Service, 2004. Visited April 2012, from http://www.coasttire.com/tires/alignment.asp.Google Scholar

  • Demuth H., Beale M., Hagan M., 2009. Neural network MATLAB toolbox 6: User’s guide. The Math Works Inc., Natick.Google Scholar

  • Dunlop, 2005. Visited April 2012, from http://www.dunlop.ca/care/proper_inflation.html Google Scholar

  • Gholamnejad J., Tayarani N., 2010. Application of artificial neural networks to the prediction of tunnel boring machine penetration rate. Mining Science and Technology (China) 20(5): 727-733.Google Scholar

  • Goodyear, 1996. visited Agust 2012, from http://www.goodyear.eu/home_en/images/GYR%20databook.pdf.Google Scholar

  • Goodyear OFF-THE-ROAD TIERS, 1996. Tire maintenance manual, Visited October 2012, from http://www.goodyearotr.com/cfmx/web/otr/info/ Google Scholar

  • Hoseinie S.H., Ataie M., Khalookakaei R., Kumar U., 2011. Reliability modeling of water system of longwall shearer machine. Archive of Mining Science 56(2): 291-302.Google Scholar

  • MoCulloch W.S., Pitts W., 1943. A logical calculus of the ideas immanent in nervous activity. Bulletin of mathematical biology 5(4): 115-133.Google Scholar

  • Mehrotra K., Mohan C.K., Ranka S., 1997. Elements of artificial neural networks, the MIT Press.Google Scholar

  • Michelin P., Zingraff R., 1996. Michelin truck tire service manual, Michelin.Google Scholar

  • Tawadrous A., Katsabanis P., 2007. Prediction of surface crown pillar stability using artificial neural networks. International journal for numerical and analytical methods in geomechanics 31(7): 917-931.Web of ScienceGoogle Scholar

  • Wik A., Dave G., 2009. Occurrence and effects of tire wear particles in the environment - A critical review and an initial risk assessment. Environmental Pollution 157(1): 1-11. Web of ScienceGoogle Scholar

About the article

Published Online: 2014-01-22

Published in Print: 2013-12-01


Citation Information: Archives of Mining Sciences, Volume 58, Issue 4, Pages 1133–1144, ISSN (Print) 0860-7001, DOI: https://doi.org/10.2478/amsc-2013-0077.

Export Citation

This content is open access.

Comments (0)

Please log in or register to comment.
Log in